مقاله انگلیسی یک طرح زمان بندی در محیط رایانش ابری با استفاده از یادگیری عمیق Q (سال 2020 الزویر)

برنامه ریزی کار ، که نقش مهمی در محاسبات ابری دارد ، یک عامل مهم است که عملکرد محاسبات ابری را تعیین می کند. از اقتصاد پررونق پردازش اطلاعات تا نیاز روزافزون به کیفیت خدمات (QoS) در تجارت شبکه ای ، مسئله برنامه ریزی پویا برای زمانبندی وظیفه توجه جهانیان را به خود جلب کرده است. به دلیل پیچیدگی ، برنامه ریزی وظیفه به عنوان یک مشکل سخت NP تعریف و طبقه بندی شده است. علاوه بر این ، بیشتر برنامه ریزی پویا در کارهای آنلاین اغلب وظایف را در یک محیط پیچیده مدیریت می کند ، که تعادل و برآورده کردن مزایای هر جنبه از محاسبات ابری را حتی به چالش کشیده تر می کند. در این مقاله ، ما یک الگوریتم هوش مصنوعی رمان ، به نام برنامه ریزی وظیفه عمیق یادگیری Q (DQTS) پیشنهاد می کنیم ، که از مزایای الگوریتم یادگیری Q و یک شبکه عصبی عمیق استفاده می کند. این روش جدید با هدف حل مشکل رسیدگی به کارگردانی نمودارهای چرخشی (DAG) در یک محیط محاسبات ابری انجام شده است. ایده اصلی رویکرد ما از روش محبوب Q-Learning عمیق (DQL) در برنامه ریزی کار استفاده می کند ، جایی که یادگیری مدل بنیادی در درجه اول از DQL الهام گرفته می شود. بر اساس تحولات در WorkflowSim ، آزمایش هایی انجام شده است که به طور مقایسه ای واریانس مقادیر سازنده و بار را در برنامه ریزی کار در نظر می گیرند. هر دو آزمایش شبیه سازی و زندگی واقعی برای اثربخشی بهینه سازی و توانایی های یادگیری در DQTS انجام شده است. نتیجه نشان می دهد که در مقایسه با چندین الگوریتم استاندارد که در WorkflowSim پیش بینی شده است ، DQTS از نظر توانایی یادگیری ، مهار و مقیاس پذیری مزایایی دارد. در این مقاله ، ما با موفقیت روش جدیدی برای برنامه ریزی کار در محاسبات ابری را توسعه داده ایم.

1. مقدمه

در حال حاضر ، برنامه های علمی و رایانه ای و تجارت الکترونیکی مدل های منسجم با وظایف درهم تنیده ای هستند که می توانند به عنوان مدل گردش کار توصیف شوند و بسته به پیچیدگی کاربرد ، این وظایف وابسته به ده ها هزار کار کوچک قابل تجزیه است. مدل گردش کار بطور گسترده ای برای نمایش این برنامه ها از طریق DAG اعمال می شود ، که در آن گره های آن وظایفی را نشان می دهند ، و لبه های کارگردانی آن وابستگی هایی را مانند روابط وظیفه تقدم نشان می دهد [1]. این برنامه های گردش کار در مقیاس بزرگ به جای سیستم توزیع سنتی برای یک زمان اجرای وظیفه کوتاهتر ، در محیط رایانش ابری مستقر می شوند. هیچ یک از روشها یا روشهای فعلی به دلیل ویژگیهای منحصر به فرد آن نمی توانند به تنهایی برنامه ریزی کار را انجام دهند. به طور خاص ، برنامه ریزی مبتنی بر جستجو تصادفی هدایت شده یک الگوی محاسباتی جدید با قابلیت قوی برای حل مشکلات برنامه ریزی کار است. با این وجود ، چنین الگوریتمهای تصادفی اشکالاتی دارند ، مانند ایجاد پیچیدگی زمانی قابل توجه و مقابله با محیط ابر پویا و عوارض متفرقه آن که باعث شده حتی آنرا غیر قابل قبول جلوه دهد.

توجه؛ (این ترجمه توسط نرم افزار انجام شده و ویرایش نشده است و احتمال وجود اشتباه در آن وجود دارد. در صورت ثبت سفارش، ترجمه توسط مترجمین مجرب انجام خواهد شد. برای مشاهده نمونه ترجمه های تخصصی و اخیر مترجمین جهت اطمینان از کیفیت ترجمه، اینجا کلیک نمایید.)

Abstract

Task scheduling, which plays a vital role in cloud computing, is a critical factor that determines the performance of cloud computing. From the booming economy of information processing to the increasing need of quality of service (QoS) in the business of networking, the dynamic task-scheduling problem has attracted worldwide attention. Due to its complexity, task scheduling has been defined and classified as an NP-hard problem. Additionally, most dynamic online task scheduling often manages tasks in a complex environment, which makes it even more challenging to balance and satisfy the benefits of each aspect of cloud computing. In this paper, we propose a novel artificial intelligence algorithm, called deep Q-learning task scheduling (DQTS), that combines the advantages of the Q-learning algorithm and a deep neural network. This new approach is aimed at solving the problem of handling directed acyclic graph (DAG) tasks in a cloud computing environment. The essential idea of our approach uses the popular deep Q-learning (DQL) method in task scheduling, where fundamental model learning is primarily inspired by DQL. Based on developments in WorkflowSim, experiments are conducted that comparatively consider the variance of makespan and load balance in task scheduling. Both simulation and real-life experiments are conducted to verify the efficiency of optimization and learning abilities in DQTS. The result shows that when compared with several standard algorithms precoded in WorkflowSim, DQTS has advantages regarding learning ability, containment, and scalability. In this paper, we have successfully developed a new method for task scheduling in cloud computing.

1.Introduction

Currently, scientific computing and e-commerce applications are coherent models with interrelated tasks that can be described as models of workflow, and these dependent tasks can be decomposed into tens of thousands of small tasks, depending on the application complexity. The workflow model is extensively applied to represent these applications via DAG, in which its nodes represent tasks, and its directed edges represent dependencies as in precedence task relations [1]. These large-scale workflow applications are deployed in the cloud computing environment rather than the traditional distribution system for a shorter task execution time. None of the current approaches or methods can singly fulfill task scheduling due to its unique characteristics. Specifically, guided random search-based scheduling is a new computing paradigm with robust capability for solving task-scheduling problems. However, such stochastic algorithms have drawbacks, such as creating considerable time complexity and contending with the dynamic cloud environment and its miscellaneous complications that have made it even more unadaptable.