CC BY
35
УДК 519.687
DOI: 10.17586/0021-3454-2020-63-2-191-193
ТЕХНОЛОГИЯ ИНТЕЛЛЕКТУАЛЬНОЙ ОРГАНИЗАЦИИ ПРОЦЕССА ВЫПОЛНЕНИЯ НЕОДНОРОДНЫХ КОМПОЗИТНЫХ ПРИЛОЖЕНИЙ В РАСПРЕДЕЛЕННОЙ ВЫЧИСЛИТЕЛЬНОЙ СРЕДЕ
М. А. Мельник, Д. А. Насонов, А. В. Бухановский
Университет ИТМО, 197101, Санкт-Петербург, Россия E-mail: michael.melnik@niuitmo. ru
Сформулировано понятие неоднородных композитных приложений и идентифицированы вычислительные режимы: пакетный, потоковый и итеративный. Обусловлена необходимость разработки алгоритмов планирования для каждого из режимов. Разработаны алгоритмы планирования на базе методов машинного обучения, эволюционных подходов и методов искусственного интеллекта. Разработана технология, обеспечивающая совместное выполнение разнородных композитных приложений на основе каскада разработанных методов оптимизации.
Ключевые слова: планирование композитных приложений, облачные вычисления, суперкомпьютер, потоковая обработка данных, совместное проектирование
Расширение области применения вычислительных приложений в научных и промышленных исследованиях определяет необходимость интенсивного роста вычислительных систем (ВС). В настоящее время проектируются ВС экзафлопсной производительности, однако потребность в вычислительных мощностях растет значительно быстрее. Эффективное использование такого рода комплексных ВС осложняет необходимость обеспечения глобального взаимодействия разнородных режимов вычислений и обработки данных (пакетный, потоковый и итеративный режимы) в рамках решения одной или нескольких прикладных задач с использованием разнородных ресурсов (графические процессоры, облачные среды, суперкомпьютеры). Это обусловило формирование понятия неоднородного композитного приложения (НКП), которое имеет блоки с различными вычислительными архитектурами и принципами организации процесса выполнения, требующими индивидуального технологического подхода на уровне единой вычислительной платформы.
Целью работы является повышение эффективности выполнения в глобальных распределенных вычислительных средах неоднородных композитных приложений, совмещающих пакетный, потоковый и итеративный режимы исполнения. Одним из основных компонентов ВС для оптимизации процесса выполнения приложений является планировщик. Разработка методов и алгоритмов планирования активно ведется как российскими командами [1—4], так и по всему миру [5—7]. В ходе анализа существующих решений определены перспективы применения технологий машинного обучения для решения задачи планирования (пакетный режим) [8—10], а также обнаружены недостатки существующих методов планирования для потокового [11—13] и итеративного режимов [14, 15], как и отсутствия общей схемы совмещения этих режимов.
В ходе исследований разработаны алгоритмы NNS (Neural Network Scheduler), SSGA (Stream Scheduling Genetic Algorithm), IMSGA (Iterative Multiagent Scheduling Genetic Algorithm), позволяющие оптимизировать планирование выполнения композитных приложений в пакетном, потоковом и итеративном режимах. NNS основан на принципах обучения с подкреплением. SSGA и IMSGA в качестве ядра оптимизации используют эволюционные подходы.
192
М. А. Мельник, Д. А. Насонов, А. В. Бухановский
При разработке алгоритма NNS решена проблема представления дискретной задачи планирования в терминологии машинного обучения за счет идентификации входного (состояния) и выходного (действия) слоев нейронной сети, а также предложен способ перехода к относительным метрикам для обобщения схемы планирования.
Семейство разработанных алгоритмов SSGA позволяет учитывать данные мониторинга системы потоковой обработки и перераспределять нагрузку по узлам облачной инфраструктуры с возможностью добавления и исключения узлов.
Алгоритм IMSGA основан на графовой модели размещения вычислительной нагрузки по узлам суперкомпьютера. В ходе исследования разработана схема совместного проектирования, обеспечивающая взаимодействие ВС и многомасштабного приложения.
Исследование эффективности разработанных алгоритмов показало прирост производительности до 40, 11 и 55 % для NNS, SSGA и IMSGA соответственно. На базе разработанных семейств алгоритмов разработана интеллектуальная технология планирования НКП.
список литературы
1. Афанасьев А. П. и др. Увеличение вычислительной мощности распределенных систем с помощью грид-систем из персональных компьютеров // Параллельные вычислительные технологии. 2011. С. 6—14.
2. Козинов Е. А., Гергель В. П. Параллельные вычисления на графических процессорах в задачах многокритериальной оптимизации // Суперкомпьютерные дни в России. Москва, 24—25 сентября 2018 г. Т. 24. С. 25.
3. Гервич Л. Р., Кравченко Е. Н., Штейнберг Б. Я., Юрушкин М. В. Автоматизация распараллеливания программ с блочным размещением данных // Сибирский журнал вычислительной математики. 2015. Т. 18, № 1. С. 41—53.
4. Сухорослов О. В., Назаренко А. М. Сравнительная оценка методов планирования приложений в распределенных вычислительных средах // Программные системы: теория и приложения. 2017. Т. 8, № 1. С. 63—81.
5. Rodriguez M. A., Buyya R. A taxonomy and survey on scheduling algorithms for scientific workflows in IaaS cloud computing environments // Concurr. Comput. 2017. Vol. 29, N 8.
6. Deelman E. et al. Pegasus, a workflow management system for science automation // Futur. Gener. Comput. Syst. 2015. Vol. 46. P. 17—35.
7. Foster I., Kesselman C. The grid 2: Blueprint for a new computing infrastructure. Morgan Kaufmann, 2004. 748 p.
8. Tong Z. et al. QL-HEFT: a novel machine learning scheduling scheme base on cloud computing environment // Neural Comput. Appl. 2019. https://doi.org/10.1007/s00521-019-04118-8.
9. Tong Z. et al. A scheduling scheme in the cloud computing environment using deep Q-learning // Information Sciences. 2020. Vol. 512, February. P. 1170—1191.
10. Rashmi S., Basu A. Q learning based workflow scheduling in hadoop // Intern. J. Appl. Eng. Res. 2017. Vol. 12, N 12. P. 3311—3317.
11. Peng B. et al. R-storm: Resource-aware scheduling in storm // Middlew. 2015. Proc. 16th Annu. Middlew. Conf. 2015. P. 149—161.
12. Dwarakanathan S. S-Flink: Schedule for QoS in Flink Using SDN // Proc. Intern. Comput. Softw. Appl. Conf. 2016. Vol. 2. P. 620—621.
13. Cheng D. et al. Adaptive scheduling parallel jobs with dynamic batching in spark streaming // IEEE Trans. Parallel Distrib. Syst. 2018. Vol. 29, N 12. P. 2672—2685.
14. Hoekstra A. G. et al. Multiscale computing for science and engineering in the era of exascale performance // Philos. Trans. R. Soc. A Math. Phys. Eng. Sci. 2019. Vol. 377, N 2142.
15. Ben Belgacem M., Chopard B. MUSCLE-HPC: A new high performance API to couple multiscale parallel applications // Futur. Gener. Comput. Syst. 2017. Vol. 67. P. 72—82.
Сведения об авторах
Университет ИТМО, национальный центр когнитивных разработок; инженер; E-mail: michael.melnik@niuitmo.ru канд. техн. наук; Университет ИТМО, национальный центр когнитивных разработок; E-mail: dnasonov@itmo.ru д-р техн. наук; Университет ИТМО, национальный центр когнитивных разработок; E-mail: avb_mail@mail.ru
Поступила в редакцию 31.01.2020 г.
Ссылка для цитирования: Мельник М. А., Насонов Д. А., Бухановский А. В. Технология интеллектуальной организации процесса выполнения неоднородных композитных приложений в распределенной вычислительной среде // Изв. вузов. Приборостроение. 2020. Т. 63, № 2. С. 191—193.
INTELLECTUAL TECHNOLOGY FOR ORGANIZING THE EXECUTION OF HETEROGENEOUS WORKFLOWS IN A DISTRIBUTED COMPUTING ENVIRONMENT
M. A. Melnik, D. A. Nasonov, A. V. Boukhanovsky
ITMO University, 197101, St. Petersburg, Russia E-mail: michael.melnik@niuitmo.ru
The concept of heterogeneous workflows is formulated and following computational modes are identified: batch, streaming, and iterative. The necessity of developing of scheduling algorithms for each of modes is determined. Developed scheduling algorithms are based on machine learning methods, evolutionary approaches, and artificial intelligence methods. A technology has been developed that ensures the collaborative execution of heterogeneous workflows based on a cascade of developed optimization methods.
Keywords: workflow scheduling, cloud computing, supercomputer, stream data processing, collaborative design
REFERENCES
1. Afanasyev A.P. et al. Parallel computational technologies, 2011, рр. 6-14.
2. Kozinov E.A., Gergel' V.P. Russian Supercomputing Days, Moscow, September 24-25, 2018. Vol. 24. P. 25.
3. Gervich L.R., Kravchenko E.N., Steinberg B.Y., Yurushkin M.V. Numerical Analysis and Applications, 2015, no. 1(18), pp. 35-45.
4. Sukhoroslov O., Nazarenko A. Program Systems: Theory and Applications, 2017, no. 1(8), pp. 63-81 (in Russ.)
5. Rodriguez M.A., Buyya R. Concurr. Comput., 2017, no. 8(29).
6. Deelman E. et al. Futur. Gener. Comput. Syst., 2015, Vol. 46, рр. 17-35.
7. Foster I., Kesselman C. The grid 2: Blueprint for a new computing infrastructure, Morgan Kauffman, 2004, 748 p.
8. Tong Z. et al. Neural Comput. Appl., 2019, https://doi.org/10.1007/s00521-019-04118-8.
9. Tong Z. et al. Information Sciences, 2020, vol. 512, February, рр. 1170-1191.
10. Rashmi S., Basu A. Intern. J. Appl. Eng. Res., 2017, no. 12(12), pp. 3311-3317.
11. Peng B. et al. Middlew. 2015. Proc. 16th Annu. Middlew. Conf., 2015, рр. 149-161.
12. Dwarakanathan S. Proc. Intern. Comput. Softw. Appl. Conf., 2016, vol. 2, рр. 620-621.
13. Cheng D. et al. IEEE Trans. Parallel Distrib. Syst., 2018, no. 12(29), pp. 2672-2685.
14. Hoekstra A.G. et al. Philos. Trans. R. Soc. A Math. Phys. Eng. Sci., 2019, no. 2142(377).
15. Ben Belgacem M., Chopard B. Futur. Gener. Comput. Syst. 2017, vol. 67, рр. 72-82.
Data on authors
Mikhail A. Melnik — ITMO University, National Center of Cognitive Research; Engineer
E-mail: michael.melnik@niuitmo.ru Denis A. Nasonov — PhD; ITMO University, National Center of Cognitive Research;
E-mail: dnasonov@itmo.ru
Alexander V. Boukhanovsky — Dr. Techn. Sci., Professor; ITMO University, National Center of
Cognitive Research; E-mail: avb_mail@mail.ru
For citation: Melnik M. A., Nasonov D. A., Boukhanovsky A. V. Intellectual technology for organizing the execution of heterogeneous workflows in a distributed computing environment. Journal of Instrument Engineering. 2020. Vol. 63, N 2. P. 191—193 (in Russian).
DOI: 10.17586/0021-3454-2020-63-2-191-193
Михаил Алексеевич Мельник —
Денис Александрович Насонов —
Александр Валерьевич Бухановский —
