Alapfogalmak
エッジサーバーのタスクスケジューリングにおいて、発見的手法の自動設計と進化を組み合わせることで、リソース利用率の最大化と実行時間の最小化を実現する。
Kivonat
本研究は、エッジコンピューティングにおけるタスクスケジューリングの課題に取り組んでいる。従来のタスクスケジューリング手法は、複数の最適化目標を効果的に均衡させることができないことが問題となっている。
本論文では、進化計算理論と発見的アルゴリズムに基づく新しいタスクスケジューリングアプローチを提案している。サービスリクエストをタスクシーケンスとしてモデル化し、大規模言語モデル(LLM)サービスを使ってさまざまなスケジューリングスキームを評価する。
実験結果から、提案手法であるTS-EoHアルゴリズムが既存の発見的手法やリインフォースメント学習手法よりも優れた性能を示すことが分かった。また、異なる発見的戦略の影響や、さまざまなLLMサービス間の進化結果の比較も行っている。
提案手法の主な貢献は以下の3点:
- パラメータ設定の影響を低減する微細パラメータ発見的アルゴリズムの導入
- 発見的手法の自動設計機能をタスクスケジューリング問題に適用し、専門知識への依存を削減
- 4つのLLMサービスと3つの実データセットを用いた包括的な実験評価
Statisztikák
平均リソース利用率は、Google Cluster Traceで94.8%、Alibaba Cluster Traceで95.4%、EUAデータセットで95.6%に達した。
タスク数が増加するにつれ、全体の実行時間は増加する傾向にあるが、提案手法TS-EoHはこの傾向を緩和できている。
Idézetek
"エッジサーバーのタスクスケジューリングにおいて、発見的手法の自動設計と進化を組み合わせることで、リソース利用率の最大化と実行時間の最小化を実現する。"
"提案手法TS-EoHは、既存の発見的手法やリインフォースメント学習手法よりも優れた性能を示す。"