[論文レビュー] Research on Heterogeneous Computation Resource Allocation based on Data-driven Method

Xirui Tang, Zeyu Wang+3 more|arXiv (Cornell University)|Aug 11, 2024

Advanced Computing and Algorithms被引用数 14

ひとこと要約

この論文は、過去のワークロードデータと深層ニューラルネットワークを用いて異種計算の将来のリソース需要を予測し、その後の動的割り当て戦略が従来手法と比較して性能とリソース利用率を改善するデータ駆動型アプローチを提案する。

ABSTRACT

The rapid development of the mobile Internet and the Internet of Things is leading to a diversification of user devices and the emergence of new mobile applications on a regular basis. Such applications include those that are computationally intensive, such as pattern recognition, interactive gaming, virtual reality, and augmented reality. However, the computing and energy resources available on the user's equipment are limited, which presents a challenge in effectively supporting such demanding applications. In this work, we propose a heterogeneous computing resource allocation model based on a data-driven approach. The model first collects and analyzes historical workload data at scale, extracts key features, and builds a detailed data set. Then, a data-driven deep neural network is used to predict future resource requirements. Based on the prediction results, the model adopts a dynamic adjustment and optimization resource allocation strategy. This strategy not only fully considers the characteristics of different computing resources, but also accurately matches the requirements of various tasks, and realizes dynamic and flexible resource allocation, thereby greatly improving the overall performance and resource utilization of the system. Experimental results show that the proposed method is significantly better than the traditional resource allocation method in a variety of scenarios, demonstrating its excellent accuracy and adaptability.

研究の動機と目的

• 限られたリソースを持つ多様なモバイルおよび IoT デバイス上で compute-intensive アプリケーションをサポートする課題を動機づける。
• 歴史的ワークロードのデータ分析に基づく異種計算リソース割り当てモデルを提案する。
• 将来のリソース要件を予測する深層ニューラルネットワークを開発する。
• 予測結果を活用する動的調整と最適化戦略を設計する。
• 従来手法と比較してさまざまなシナリオで性能とリソース利用を改善することを示す。

提案手法

• 大規模にわたる歴史的ワークロードデータを収集・分析して詳細なデータセットを構築する。
• モデリングの情報に資するデータから主要な特徴を抽出する。
• データ駆動型の深層ニューラルネットワークを用いて将来のリソース要件を予測する。
• 予測に基づく動的調整および最適化リソース割り当て戦略を適用する。
• 割り当て決定において異なる計算リソースの特性とさまざまなタスクのニーズを考慮する。

実験結果

リサーチクエスチョン

• RQ1 歴史的ワークロードデータをどのように活用して、異種計算環境における将来のリソース要件を予測できるか？
• RQ2 データ駆動型の深層学習モデルは多様なデバイスとタスクにわたるリソースニーズを正確に予測できるか？
• RQ3 予測ベースの動的割り当て戦略は従来の方法と比較して性能とリソース利用を改善するか？
• RQ4 提案手法は異なるシナリオとワークロードにどの程度適応できるか？

主な発見

• 本手法は歴史データと深層ニューラルネットワークを用いて将来のリソース要件を予測する。
• 予測結果に基づく動的割り当て戦略を採用する。
• 実験結果は提案手法がさまざまなシナリオで従来のリソース割り当て手法よりも顕著に優れていることを示す。
• 提案手法はテストされたシナリオ全体で高い精度と適応性を示す。