[論文レビュー] Use of Data Mining in Scheduler Optimization

George Anderson, Tshilidzi Marwala+1 more|arXiv (Cornell University)|Nov 8, 2010

Scheduling and Optimization Algorithms参考文献 36被引用数 3

ひとこと要約

本稿では、さまざまなワークロードに適応するようにスケジューラの動作を最適化するためのデータマイニング駆動のアプローチを提案する。既存のスケジューリングにおけるデータマイニング技術の概要を提示し、スケジューリングアプローチの分類法を導入し、機械学習が変動するワークロードに応じて動的にスケジューラを選択またはチューニングできることを示している。これにより、マルチコアシステムにおける完了時間とシステム効率が向上する。

ABSTRACT

The operating system's role in a computer system is to manage the various resources. One of these resources is the Central Processing Unit. It is managed by a component of the operating system called the CPU scheduler. Schedulers are optimized for typical workloads expected to run on the platform. However, a single scheduler may not be appropriate for all workloads. That is, a scheduler may schedule a workload such that the completion time is minimized, but when another type of workload is run on the platform, scheduling and therefore completion time will not be optimal; a different scheduling algorithm, or a different set of parameters, may work better. Several approaches to solving this problem have been proposed. The objective of this survey is to summarize the approaches based on data mining, which are available in the literature. In addition to solutions that can be directly utilized for solving this problem, we are interested in data mining research in related areas that have potential for use in operating system scheduling. We also explain general technical issues involved in scheduling in modern computers, including parallel scheduling issues related to multi-core CPUs. We propose a taxonomy that classifies the scheduling approaches we discuss into different categories.

研究の動機と目的

• 現代のコンピューティング環境において、静的スケジューラが多様なワークロードに対して最適でないという課題に対処すること。
• オペレーティングシステムのスケジューラ最適化に適用可能なデータマイニング技術を特定および分類すること。
• 機械学習を用いてワークロードの特徴に応じてスケジューリングアルゴリズムを動的に選択またはチューニングする方法を検討すること。
• マルチコアアーキテクチャにおける並列スケジューリングの課題と、データマイニングがスケジューリング意思決定をどのように改善できるかを検討すること。
• オペレーティングシステムにおけるデータマイニングベースのスケジューリングアプローチを分類するための分類法を提唱すること。

提案手法

• 著者は、ワークロードのパターンを分析する技術に焦点を当て、オペレーティングシステムスケジューリングにおけるデータマイニングの応用を包括的に調査する。
• 分類、クラスタリング、回帰などのデータマイニング手法に基づいて、スケジューリングアプローチをカテゴリに分類する。
• 履歴的ワークロードデータから特徴量を抽出し、最適なスケジューリングポリシーを予測するためのモデルを学習する。
• リアルタイムでのワークロード分類に基づいて、スケジューラの動的選択またはパrameterチューニングを支援する。
• タスクの依存関係とリソース使用量をモデル化することで、マルチコアCPUにおける並列処理とリソース競合を考慮する。
• 今後の開発のための体系的整理を可能にするために、既存の研究を一貫したカテゴリに分類する分類法を構築する。

実験結果

リサーチクエスチョン

• RQ1 どのようにしてデータマイニング技術を用いて、多様なワークロードにわたるCPUスケジューラのパフォーランスを向上させることができるか？
• RQ2 オペレーティングシステムスケジューリング最適化に適用可能な主要なデータマイニング手法は何か？
• RQ3 機械学習を用いて、ワークロードの特性の変化に応じてスケジューラを動的に適応させるにはどうすればよいか？
• RQ4 並列処理およびマルチコアスケジューリングにデータマイニングを適用する際の技術的課題は何か？
• RQ5 データマイニングベースのスケジューリングアプローチを分類するための統一された分類法をどのように構築できるか？

主な発見

• データマイニングにより、スケジューラがワークロードの種別に応じて動的に適応可能となり、固定スケジューラ方式に比べて平均完了時間が短縮される。
• 分類に基づくデータマイニング手法は、特定のワークロードに最も適したスケジューリングアルゴリズムを正確に予測できる。
• クラスタリング手法により共通のワークロードパターンを特定でき、グループベースのスケジューリングポリシー選択が可能になる。
• 回帰モデルを用いることで、ターンアラウンドタイムや応答時間といったパフォーマンス指標を最小化するようにスケジューラのパrameterをチューニングできる。
• 提唱された分類法は、既存の研究を明確なカテゴリに整理できており、今後の開発や比較を容易にする。
• マルチコアスケジューリングは、特にタスク間依存関係とリソース競合のモデル化において、データマイニングの恩恵を顕著に受ける。