[논문 리뷰] Research on Heterogeneous Computation Resource Allocation based on Data-driven Method

Xirui Tang, Zeyu Wang외 3명|arXiv (Cornell University)|2024. 08. 11.

Advanced Computing and Algorithms인용 수 14

한 줄 요약

본 논문은 이질적 컴퓨팅을 위한 미래 자원 수요를 예측하기 위해 과거 워크로드 데이터와 심층 신경망을 활용하는 데이터 기반 접근법을 제시하고, 이를 바탕으로 전통적 방법에 비해 성능과 자원 활용을 개선하는 동적 할당 전략을 제시한다.

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.

연구 동기 및 목표

• 다양한 모바일 및 IoT 기기에서 제한된 자원으로 컴퓨트 집약적 응용 프로그램을 지원하는 도전 과제를 동기 부여한다.
• 과거 워크로드 데이터 분석에 기반한 이질적 컴퓨팅 자원 할당 모델을 제안한다.
• 향후 자원 요구를 예측하기 위한 심층 신경망을 개발한다.
• 예측 결과를 활용한 동적 조정 및 최적화 전략을 설계한다.
• 전통적 방법에 비해 다양한 시나리오에서 성능과 자원 활용이 향상됨을 입증한다.

제안 방법

• 스케일에 따라 과거 워크로드 데이터를 수집·분석하여 상세한 데이터세트를 구축한다.
• 모델링 정보를 제공하기 위해 데이터에서 핵심 특징을 추출한다.
• 데이터 기반의 심층 신경망을 사용하여 향후 자원 요구를 예측한다.
• 예측에 기반한 동적 조정 및 최적화 자원 할당 전략을 적용한다.
• 할당 결정에서 서로 다른 컴퓨팅 자원의 특성과 다양한 작업의 필요를 고려한다.

실험 결과

연구 질문

• RQ1 이질적 컴퓨팅 환경에서 과거 워크로드 데이터를 어떻게 활용해 향후 자원 요구를 예측할 수 있는가?
• RQ2 데이터 기반의 심층 학습 모델이 다양한 디바이스와 작업 전반에 걸쳐 자원 필요를 정확히 예측할 수 있는가?
• RQ3 예측 기반의 동적 할당 전략이 전통적 방법과 비교해 성능 및 자원 활용을 개선하는가?
• RQ4 제안된 접근법이 다양한 시나리오와 워크로드에 얼마나 잘 적응하는가?

주요 결과

• 본 방법은 과거 데이터와 심층 신경망을 활용해 향후 자원 요구를 예측한다.
• 예측 결과를 바탕으로 동적 할당 전략을 적용한다.
• 실험 결과 제안된 방법이 다양한 시나리오에서 기존 자원 할당 방법보다 현저히 우수함을 보인다.
• 본 접근법은 테스트된 시나리오에서 높은 정확도와 적응성을 보인다.