[論文レビュー] A Performance Study of GA and LSH in Multiprocessor Job Scheduling

S. R. Vijayalakshmi, G. Padmavathi|arXiv (Cornell University)|Feb 5, 2010

Distributed and Parallel Computing Systems参考文献 6被引用数 7

ひとこと要約

本論文では、実行時間を最小化するためのマルチプロセッサジョブスケジューリングにおいて、遺伝的アルゴリズム（GA）とリストスケジューリング（LSH）を比較し、スケーラビリティとパフォーマンスを評価している。実験の結果、GAはより良いマクスパン削減を達成するが、計算コストが高くなる。一方、LSHは中程度のパフォーマンス向上を達成しつつ、高速な実行を実現し、リアルタイムシステム設計におけるトレードオフを浮き彫りにしている。

ABSTRACT

Multiprocessor task scheduling is an important and computationally difficult problem. This paper proposes a comparison study of genetic algorithm and list scheduling algorithm. Both algorithms are naturally parallelizable but have heavy data dependencies. Based on experimental results, this paper presents a detailed analysis of the scalability, advantages and disadvantages of each algorithm. Multiprocessors have emerged as a powerful computing means for running real-time applications, especially where a uni-processor system would not be sufficient enough to execute all the tasks. The high performance and reliability of multiprocessors have made them a powerful computing resource. Such computing environment requires an efficient algorithm to determine when and on which processor a given task should execute. In multiprocessor systems, an efficient scheduling of a parallel program onto the processors that minimizes the entire execution time is vital for achieving a high performance. This scheduling problem is known to be NP- Hard. In multiprocessor scheduling problem, a given program is to be scheduled in a given multiprocessor system such that the program's execution time is minimized. The last job must be completed as early as possible. Genetic algorithm (GA) is one of the widely used techniques for constrained optimization.

研究の動機と目的

• 遺伝的アルゴリズム（GA）とリストスケジューリングヒューリスティック（LSH）のマルチプロセッサジョブスケジューリングにおけるスケーラビリティとパフォーマンスを評価すること。
• マクスパン（最後のジョブの完了時間）を最小化する観点から、GAとLSHの利点と欠点を特定すること。
• データ依存性と並列実行可能性がマルチプロセッサ環境におけるアルゴリズムパフォーマンスに与える影響を分析すること。
• リアルタイムおよびハイパフォーマンスコンピューティングワークロードにおけるGAとLSHの適切な適用性について、実証的知見を提供すること。

提案手法

• タスクからプロセッサへのマッピングを進化させるために、選択、交差、突然変異の演算子を用いた遺伝的アルゴリズム（GA）を実装する。
• 先行順序と実行コストに基づいてタスクを優先順に並べ、利用可能な最初のプロセッサに割り当てるリストスケジューリングヒューリスティック（LSH）を適用する。
• マクスパンと実行時間を測定するために、サイズと依存関係が異なるベンチマークタスクグラフ上で両アルゴリズムを評価する。
• プロセッサ数とタスク数の増加に伴うパフォーマンスの変化を測定することで、スケーラビリティを分析する。
• GAとLSHの公平な比較を保証するため、固定パラメータを用いた実験設定を採用する。
• 複数回の実行において、実行時間、マクスパン、収束行動を測定・比較する。

実験結果

リサーチクエスチョン

• RQ1 マルチプロセッサジョブスケジューリングにおいて、GAとLSHのマクスパン削減の観点での比較は？
• RQ2 プロセッサ数とタスク数の増加に伴って、GAとLSHのスケーラビリティはどのように変化するか？
• RQ3 データ依存性は、並列実行におけるGAとLSHのパフォーマンスにどのように影響を与えるか？
• RQ4 GAとLSHの間で、実行時間と解の品質の間にはどのようなトレードオフがあるか？
• RQ5 低レイテンシースケジューリングを要するリアルタイムアプリケーションにおいて、どちらのアルゴリズムがより適しているか？

主な発見

• GAは、高い依存関係を有する複雑なタスクグラフにおいて、LSHよりも優れたマクスパン削減を達成する。
• LSHはGAよりも実行時間が短く、計算オーバーヘッドが低いため、時間制約のある環境においてより効率的である。
• GAは反復回数の増加に伴い解の品質が向上するが、問題サイズの増大に伴い収束時間が著しく延長される。
• LSHはプロセッサ数の変化に関わらず一貫したパフォーマンスを維持するため、大規模システムにおけるスケーラビリティに優れている。
• 本研究では、両アルゴリズムが自然に並列化可能であることが確認されたが、実際のところデータ依存性がスループットの向上を制限する。
• GAはLSHを上回って最後のジョブ完了時間を最小化するが、その代わりに実行時間とリソース使用量が高くなる。