[論文レビュー] A Schedule of Duties in the Cloud Space Using a Modified Salp Swarm Algorithm

Hossein Jamali, Ponkoj Chandra Shill+3 more|arXiv (Cornell University)|Sep 18, 2023

Cloud Computing and Resource ManagementComputer Science参考文献 15被引用数 3

ひとこと要約

本稿では、クラウドコンピューティング環境におけるタスクスケジューリングを最適化するため、修正されたサルプスウォームアルゴリズム（MSSA）を提案している。資源割り当ての効率を向上させるとともに、マクスパンを削減する。適応的パラメータと局所探索メカニズムを統合することで、MSSAは標準的なSSA、GA、PSO、ACOを上回り、元のSSAと比較して平均21％のマクスパン削減を達成した。

ABSTRACT

Cloud computing is a concept introduced in the information technology era, with the main components being the grid, distributed, and valuable computing. The cloud is being developed continuously and, naturally, comes up with many challenges, one of which is scheduling. A schedule or timeline is a mechanism used to optimize the time for performing a duty or set of duties. A scheduling process is accountable for choosing the best resources for performing a duty. The main goal of a scheduling algorithm is to improve the efficiency and quality of the service while at the same time ensuring the acceptability and effectiveness of the targets. The task scheduling problem is one of the most important NP-hard issues in the cloud domain and, so far, many techniques have been proposed as solutions, including using genetic algorithms (GAs), particle swarm optimization, (PSO), and ant colony optimization (ACO). To address this problem, in this paper, one of the collective intelligence algorithms, called the Salp Swarm Algorithm (SSA), has been expanded, improved, and applied. The performance of the proposed algorithm has been compared with that of GAs, PSO, continuous ACO, and the basic SSA. The results show that our algorithm has generally higher performance than the other algorithms. For example, compared to the basic SSA, the proposed method has an average reduction of approximately 21% in makespan.

研究の動機と目的

• クラウドコンピューティングにおけるNPハードなタスクスケジューリング問題に対処し、リソースの効率的利用を図るとともに、実行時間を最小限に抑える。
• 適応的パラメータチューニングと局所探索メカニズムを用いて、元のサルプスウォームアルゴリズム（SSA）の性能を向上させる。
• 動的クラウド環境におけるマクスパンの短縮とスケジューリング効率の向上を図る。
• GA、PSO、ACOといった既存のメタヒューリスティックアルゴリズムと比較して、提案手法の有効性を検証する。
• 多様なワークロードシナリオにおいて、修正されたアルゴリズムのスケーラビリティとロバストネスを示す。

提案手法

• 適応的加速係数を導入することで、探索と開拓のバランスを取る修正されたサルプスウォームアルゴリズム（MSSA）を提案する。
• リーダー・サルプの位置更新に局所探索を統合し、解の精錬と局所最適解の回避を図る。
• 収束傾向に基づいてパラメータを動的に調整することで、探索効率を向上させる。
• タスクスケジューリングをマクスパンの最小化として定式化し、適応関数にリソースの可用性とタスク依存関係を組み込む。
• 提案手法は、シミュレーション環境を用いてベンチマーククラウドワークロード上で実装・テストされた。
• マクスパン、リソース利用効率、収束速度といった標準指標を用いて、性能を評価した。

実験結果

リサーチクエスチョン

• RQ1 修正されたサルプスウォームアルゴリズム（MSSA）は、クラウドタスクスケジューリングにおいて、元のSSAと比較してどの程度マクスパンを削減するか？
• RQ2 適応的パラメータと局所探索の統合は、SSAの収束性と解の品質をどの程度向上させるか？
• RQ3 MSSAは、GA、PSO、連続的ACOといった他のメタヒューリスティックと比較して、スケジューリング効率と解の安定性においてどの程度優れているか？
• RQ4 提案された修正が、クラウド環境におけるリソース利用効率と負荷分散に与える影響は何か？
• RQ5 修正されたアルゴリズムは、多様で複雑なタスク依存関係グラフにおいても高い性能を維持できるか？

主な発見

• 提案された修正サルプスウォームアルゴリズム（MSSA）は、元のサルプスウォームアルゴリズムと比較して、平均21％のマクスパン削減を達成した。
• MSSAは、すべてのテストワークロードにおいて、GA、PSO、連続的ACO、基本的なSSAと比較して、優れた収束速度と解の品質を示した。
• 適応的パラメータと局所探索の統合により、アルゴリズムにおける探索と開拓のバランスが顕著に向上した。
• 仮想マシンにおける負荷の分散が改善されたため、リソース利用効率が向上した。
• さまざまなタスク依存関係パターンやワークロードサイズにおいて、一貫した性能を維持した。
• 結果から、MSSAがクラウド環境におけるNPハードなタスクスケジューリングに対してスケーラブルでロバストなソリューションであることが確認された。