基于强化学习的在线离线混部云环境下的调度框架OACSTPCD
Scheduling framework based on reinforcement learning in online-offline colocated cloud environment
目前针对云计算平台的强化学习调度算法考虑的场景较单一,或者忽略了任务的资源约束并简单地将所有机器看作同一类型,存在资源利用率较低及调度效率不高等不足.为了解决云环境中的在线离线混部调度问题,提出 JobFusion 框架.首先,通过集成带连通性约束的层次要素算法,在基于虚拟化技术的云计算平台中构建高效的资源划分方案;其次,为了解决扩展性问题,使用图卷积神经网络对具有任意层次约束关系及任意数量的任务进行嵌入,以捕获工作流的关键路径等信息;最后,集成了表现优异的强化学习模型对任务实施调度.实验结果表明,相较对比方法,JobFusion提高了39.86%的资源利用率,且最多降低了64.36%的平均任务完成时间.
马玲;樊漆亮;许婷;郭冠琛;张圣林;孙永谦;张玉志
南开大学软件学院,天津 300350南开大学软件学院,天津 300350南开大学软件学院,天津 300350北京大学计算机学院,北京 100871南开大学软件学院,天津 300350南开大学软件学院,天津 300350南开大学软件学院,天津 300350
计算机与自动化
强化学习图嵌入层次聚类云计算虚拟化
reinforcement learninggraph embeddinghierarchical clustercloud computingvirtualization
《通信学报》 2023 (6)
90-102,13
国家自然科学基金资助项目(No.62272249,No.61901234) The National Natural Science Foundation of China(No.62272249,No.61901234)
评论