由图形处理器(Graphics Prdessing Unit,GPU)、数字信号处理器(Digital
Signal Processpr,DSP) 、 现 场 可 编 程 门 阵 列 (Field Programmable Gate
Array,FPGA)等计算资源构建的异构计算平台
[1]
,通过将不同属性的计算任务调
度到对应的专用处理单元上来保证高性能计算需求
[2,3]
。基于异构计算平台设计
高效节能的任务资源管理调度方案,能够最大限度地利用异构计算资源,降低系
统功耗,从而满足不断增长的计算需求
[4,5]
。
任务调度策略在资源利用上的微小优化即可有效地减少任务执行时间,大
幅地降低服务成本
[6]
。因此,为了提高异构计算平台的任务调度效率并减少能耗,
文献[7]提出了基于蚁群算法的实时传感器节点任务调度算法。文献[8]提出了
基于粒子群算法和遗传算法的混合元启发式算法,以最小化最大完工时间,提高
资源利用率。异构计算平台的资源类型和组成结构各异,导致基于启发式思想
的调度算法解集空间大、执行时间长。强化学习
[9]
是当下流行的机器学习方法,
通过与环境不断交互最大化累计奖励,从而在解集空间中快速求解最优策略
[10]
。
目前已有许多利用强化学习算法思想来解决计算平台上任务调度问题的实例。
文献[11]利用深度 Q 学习算法实现了单任务的在线调度。文献[12]设计了一种
基于强化学习和排队理论的任务调度算法,通过对虚拟机状态进行聚类减少状
态空间的维度。
上述的研究中,异构计算平台的调度策略大多依赖启发式算法,而利用强化
学习求解时,任务特征缺少多个任务的全局信息,导致模型训练不准确。为此,笔
者以最小化任务的平均完成时间为目标设计了一种任务调度算法——JEDERL。
JEDERL 利用图神经网络
[13]
对异构计算资源和任务状态信息进行编码,提取资
源 特 征 及 任 务 的 局 部 和 全 局 特 征 , 并 基 于 深 度 确 定 性 策 略 梯 度 算 法 (Deep
Deterministic Policy Gradient,DDPG)
[14]
进行算法的设计与求解。
1 问题建模
以任务的复杂性、计算资源的异构性、系统中不同计算资源的网络传输开
销等特性为基础,以最小化任务平均完成时间为目标设计优化模型。具体如下。
1.1 系统模型
定义 S={S1,S2,…,S|S|},表示异构 计算 平台的服务 器集合,|S|表示服 务器
的数量。定义 Ctask={G1,G2,…,G|V|}表示任务集合,其中|V|为集合中的任务数
量 。 假 设 一 个 任 务 Gv 可 以 划 分 成 nv 个 子 任 务 , 表 示 为
评论0
最新资源