返回
Machine learning-driven predictive resource management in complex science workflows
DOI:10.1142/S0217751X26500259.png)
摘要
En 中文
大型科学实验中全球性社区的合作努力,通常包含数千名成员,体现了对探索和发现的巨大承诺。近年来,先进且复杂的数据处理在科学实验中日益重要。数据处理工作流通常由多个复杂步骤组成,每个步骤精确的资源需求规格对于分配有效处理所需的最佳资源至关重要。由于分析场景多样、社区成员技能水平不一以及计算选项持续扩展,预先估算资源需求具有挑战性。一种缓解这些挑战的实用方法是在完成整个步骤之前,先处理每个步骤的子集,通过实际处理剖面测量精确的资源使用情况。尽管这种两阶段方法使大部分工作流能够在最优资源上运行,但其缺点包括初始不准确性可能导致失败和资源使用次优,以及等待初始处理完成的开销,这对快速周转分析至关重要。在此背景下,本研究在全面的工作流管理系统——生产与分布式分析(PanDA)系统中引入了一种新型机器学习模型管道。这些模型采用先进的机器学习技术预测关键资源需求,克服了因每个步骤特性前期知识有限而带来的挑战。精确的资源需求预测能够支持工作流管理中的明智且前瞻性的决策,提升在异构资源上处理多样化、复杂工作流的效率。
Keyword:
Resource prediction
workflow management
computational efficiency
scout jobs
PanDA system
resource allocation
high-performance computing (HPC)
scientific workflows
distributed computing
deep learning
multi-class classification
data-driven resource management
期刊
I
IF:
1.2
论文数:
211
被引数:
0
机构
引用论文
PanDA: Production and Distributed Analysis System前川拓也;阿列克谢耶夫·亚历山大;巴雷罗·梅吉诺,F.H.;德,K.;关,W.;卡拉瓦基斯,E.;克利门托夫,A.;科尔丘加诺娃,T.;林,F.;尼尔松,P.;等。PanDA:生产与分布式分析系统。计算机软件与大数据科学,2024,8,4。 [谷歌学术] [交叉引用]
没有更多内容

