کد مقاله کد نشریه سال انتشار مقاله انگلیسی نسخه تمام متن
6875025 1441467 2018 28 صفحه PDF دانلود رایگان
عنوان انگلیسی مقاله ISI
New scheduling approach using reinforcement learning for heterogeneous distributed systems
ترجمه فارسی عنوان
روش جدید برنامه ریزی با استفاده از آموزش تقویت برای سیستم های توزیع ناهمگن
کلمات کلیدی
ترجمه چکیده
خوشه های کامپیوتری، محاسبات ابری و بهره برداری از معماری ها و الگوریتم های موازی در هنگام برخورد با برنامه های علمی که با مقادیر زیادی از داده ها کار می کنند و محاسبات پیچیده و وقت گیر را انجام می دهند، تبدیل به یک عادی شده است. با افزایش برنامه های کاربردی رسانه های اجتماعی و دستگاه های هوشمند، مقدار داده های دیجیتال و سرعت تولید آن به صورت نمادین افزایش می یابد، تعیین توسعه سیستم های توزیع شده و سیستم عامل هایی که باعث افزایش بهره وری، سازگاری، تحمل گسل و امنیت موازی برنامه های کاربردی. عملکرد چنین سیستمی عمدتا تحت تأثیر قرارگرفتن معماری و ترکیب ماشین های فیزیکی، تخصیص منابع و برنامه ریزی شغل ها و وظایف است. این مقاله یک الگوریتم یادگیری تقویت برای حل مسئله برنامه ریزی در سیستم های توزیع ارائه می دهد. تکنیک یادگیری ماشین، در نظر گرفتن ناهمگونی گره ها و موقعیت آنها در شبکه، و ترتیب وظایف در یک نمودار مستقل خطی وابسته، در نهایت تعیین یک سیاست زمانی برای زمان اجرای بهتر است. این مقاله همچنین یک پلت فرم را پیشنهاد می کند که در آن الگوریتم اجرا شده است، که برنامه ریزی را به عنوان یک سرویس برای سیستم های توزیع شده ارائه می دهد.
موضوعات مرتبط
مهندسی و علوم پایه مهندسی کامپیوتر نظریه محاسباتی و ریاضیات
پیش نمایش مقاله
روش جدید برنامه ریزی با استفاده از آموزش تقویت برای سیستم های توزیع ناهمگن
چکیده انگلیسی
Computer clusters, cloud computing and the exploitation of parallel architectures and algorithms have become the norm when dealing with scientific applications that work with large quantities of data and perform complex and time-consuming calculations. With the rise of social media applications and smart devices, the amount of digital data and the velocity at which it is produced have increased exponentially, determining the development of distributed system frameworks and platforms that increase productivity, consistency, fault-tolerance and security of parallel applications. The performance of such systems is mainly influenced by the architectural disposition and composition of the physical machines, the resource allocation and the scheduling of jobs and tasks. This paper proposes a reinforcement learning algorithm to solve the scheduling problem in distributed systems. The machine learning technique takes into consideration the heterogeneity of the nodes and their disposition within the grid, and the arrangement of tasks in a directed acyclic graph of dependencies, ultimately determining a scheduling policy for a better execution time. This paper also proposes a platform, in which the algorithm is implemented, that offers scheduling as a service to distributed systems.
ناشر
Database: Elsevier - ScienceDirect (ساینس دایرکت)
Journal: Journal of Parallel and Distributed Computing - Volume 117, July 2018, Pages 292-302
نویسندگان
, , ,