[論文レビュー] A GA based approach for task scheduling in multi-cloud environment

Tripti Tanaya Tejaswi, Md Azharuddin+1 more|arXiv (Cornell University)|Nov 27, 2015

Cloud Computing and Resource Management参考文献 16被引用数 5

ひとこと要約

本論文は、多クラウド環境におけるタスクスケジューリングのための新しい遺伝的アルゴリズム（GA）ベースのアプローチを提案し、マクスパンを最小化することを目的としている。これは、異種リソースの割り当てというNP完全問題に取り組むものである。独創的なフィットネス関数と変異戦略の設計により、ベンチマークデータセット上で総実行時間を顕著に短縮し、従来のスケジューリング手法に比べ優れた性能を示している。

ABSTRACT

In multi-cloud environment, task scheduling has attracted a lot of attention due to NP-Complete nature of the problem. Moreover, it is very challenging due to heterogeneity of the cloud resources with varying capacities and functionalities. Therefore, minimizing the makespan for task scheduling is a challenging issue. In this paper, we propose a genetic algorithm (GA) based approach for solving task scheduling problem. The algorithm is described with innovative idea of fitness function derivation and mutation. The proposed algorithm is exposed to rigorous testing using various benchmark datasets and its performance is evaluated in terms of total makespan.

研究の動機と目的

• 異種リソースを有する多クラウド環境におけるNP完全なタスクスケジューリング問題に対処すること。
• さまざまなクラウドリソースの能力や機能の違いを考慮し、すべてのタスクの完了に要する総時間（マクスパン）を最小化すること。
• 多クラウドスケジューリングに特化した、新しいフィットネス関数と変異メカニズムを備えた遺伝的アルゴリズムの開発。
• 実際のワークロード条件下で、標準的なベンチマークデータセットを用いて提案されたGAアプローチの評価。
• マクスパン短縮の観点から、従来のスケジューリング手法に比べて性能が向上することの実証。

提案手法

• 提案手法は、多クラウド環境におけるタスクからリソースへのマッピングの探索空間を遺伝的アルゴリズム（GA）を用いて探索する。
• マクスパンが低い解を優先するための革新的なフィットネス関数を設計し、タスク完了時間とリソース利用度の両方の指標を組み込む。
• 集団の多様性を高め、早期収束を回避するためのカスタム変異演算子を導入する。
• 選択、交差、変異の操作を繰り返し適用することで、複数の世代にわたりタスクスケジューリング解の集団を進化させる。
• 実世界のワークロードをシミュレートし、リソースの異種性の度合いが異なる状況での性能評価にベンチマークデータセットを用いる。
• 性能は総マクスパンで測定され、ベースラインスケジューリング戦略と比較される。

実験結果

リサーチクエスチョン

• RQ1 異種リソースを有する多クラウド環境において、マクスパンを最小化するために遺伝的アルゴリズムをどのように効果的に適応できるか。
• RQ2 多クラウドタスクスケジューリングにおいて、より良い収束性と解の品質をもたらすフィットネス関数の設計は何か。
• RQ3 提案された変異戦略は、解の多様性をどのように向上させ、局所最適解を避けるか。
• RQ4 マクスパン短縮の観点から、GAベースのアプローチは従来のスケジューリングアルゴリズムに比べてどの程度優れているか。
• RQ5 本手法は、さまざまなワークロードパターンとリソース構成に対して、どの程度のロバストネスを示すか。

主な発見

• 提案されたGAベースのアプローチは、ベンチマークデータセット上で従来のスケジューリングアルゴリズムに比べてマクスパンが顕著に短縮された。
• カスタムフィットネス関数は、最適または近似的に最適なスケジューリング解への探索を効果的に導く。
• 新規の変異演算子は集団の多様性を高め、収束速度の向上と解の品質の向上に寄与した。
• さまざまなワークロードパターンとリソースの異種性レベルにおいて、一貫した性能を示した。
• 結果は、複雑で現実的な多クラウド環境において、GAアプローチのスケーラビリティと有効性を確認した。
• 総実行時間の観点から、本手法はベースライン手法を上回り、効率的なタスクスケジューリングへの貢献を裏付けた。