30602

سازوكاري مبتني بر يادگيري ماشين براي مديريت رخدادهاي پويا و تعاملي مؤثر بر كاركرد موازنه‌بار در سامانه‌هاي محاسباتي با كارآمدي بالا

كارشناسي ارشد

مهندسي كامپيوتر- گرايش نرم افزار

1398

1401/07/18

دكتر محسن شريفي

دكتر احسان موسوي خانقاه

مهندسي كامپيوتر

وقوع رخدادهاي پويا و تعاملي در سامانه‌هاي محاسباتي با كارآمدي بالا كه در ساختار اوليه برنامه‌هاي علمي در نظر گرفته نشده‌اند، باعث ايجاد وضعيت‌ها و چالش‌هايي براي كاركرد موازنه‌كننده بار مي‌گردد كه حتي ممكن است امكان ادامه اجراي فعاليت آن وجود نداشته باشد. موازنه‌كننده بار وظيفه دارد ساختارهايي را براي پاسخگويي به اين‌گونه رخدادهاي پويا و تعاملي در حين اجراي پردازه‌ها به‌گونه‌اي ايجاد نمايد كه بتواند با توجه به وضعيت سامانه و پس از وقوع رخداد پويا و تعاملي، موازنه بار را با كارآمدي بالا مديريت نمايد. موازنه‌كننده بار براي دستيابي به اين هدف مستلزم داشتن اطلاعاتي در مورد ماهيت نيازمندي‌هاي پردازه‌ها و ظرفيت منابع موجود در سامانه محاسباتي در زمان اجرا است. يكي از راهكارهاي موازنه‌كننده بار در انتظار ماندن وقوع رخدادهاي پويا و تعاملي و مواجهه با آن‌ها بدون تحليل ماهيت و عوامل به وجود آمدن آن‌ها در برنامه علمي در حال اجرا است. با در نظر گرفتن نتايج رخدادهاي پويا و تعاملي روي وضعيت سامانه و تأثيرات آن بر موازنه‌كننده بار، استفاده از روش يادگيري تقويتي مي‌تواند به‌منظور يافتن راه‌حلي مناسب براي مديريت موازنه‌كننده بار براساس دانش يا الگوهاي اجرايي از قبل مشاهده‌‌شده به كار گرفته شود. در اين پايان‌نامه براي حل چالش وقوع رخدادهاي با ماهيت پويا و تعاملي كه در ساختارهاي پاسخ اوليه سازوكار‌هاي موازنه بار در نظر گرفته نشده است، از روش يادگيري تقويتي مبتني بر مشاهده رخدادها جهت تصميم‌گيري‌هاي بهتر موازنه‌كننده بار در انتخاب منابع دربرگيرنده ساختارهاي پاسخ و راهكار مقياس‌پذيري با بهره‌گيري از مفهوم فعاليت سراسري استفاده شده است. در يك سامانه محاسباتي نشان داده مي‌شود كه سازوكار ارائه‌شده قادر به پاسخ‌گويي به حدود 66.4 درصد از رخدادهاي پويا و تعاملي است كه ساختار پاسخي براي آن‌ها وجود نداشته است. هم‌چنين، اين سازوكار داراي توانمندي رسيدگي به حدود 44 درصد از رخدادهاي پويا و تعاملي است كه پاسخ‌گويي به آن‌ها مبتني بر بازموازنه بار بوده است. نتايج ارائه‌شده، بهبود سازوكار پيشنهادي در زمان بازموازنه بار را نيز نسبت به ديگر سازوكارهاي مقايسه‌شده در حدود 5 درصد نشان مي‌دهد.

1401/11/14

A Machine Learning Based Mechanism for Managing Dynamic and Interactive Events Affecting the Functionality of Load Balancing in HPC Systems

10/10/2023 12:00:00 AM

The occurrence of dynamic and interactive events in High-Performance Computing systems that are not considered in the initial structure of scientific applications results in situations and challenges for the functionality of the load balancer that may not even be possible to continue its activities. Load balancer is responsible for creating structures so that they can respond to dynamic and interactive events during the execution of processes in such a way that it will be able to manage load balancing with high performance based on the system state as well as after dynamic and interactive events occurrences. To achieve this goal, the load balancer needs information about the nature of the process requirements as well as the resource capacity of the computing system at runtime. A load balancer option is to observe dynamic and interactive events without analyzing their nature or determining the factors that caused them to occur in scientific applications. Considering the results of dynamic and interactive events on the state of the system and its effects on the load balancer, reinforcement learning can be used to find a suitable solution for load balancing management based on knowledge or pre-observed executive patterns. In this dissertation, for the purpose of solving the challenge of events with dynamic and interactive nature that are not considered in the initial response structures of load balancing mechanisms, we have used a reinforcement learning method based on observing events for better load balancer decisions in selecting resources involving the response structure. In addition, a global activity concept is used to enhance system scalability. The proposed mechanism can respond to approximately 66.4% of dynamic and interactive events for which there is no response structure for them. It also has the ability to handle approximately 44% of dynamic and interactive events that respond to them based on load rebalancing. Additionally, the experimented results show an improvement of approximately 5% in load rebalancing time compared to other comparable mechanisms.

محاسبات با كارآمدي بالا , موازنه بار , رخدادهاي پويا و تعاملي , يادگيري تقويتي

High-Performance Computing , Load Balancing , Dynamic and Interactive Events , Reinforcement Learning , High-Performance Computing , Load Balancing , Dynamic and Interactive Events , Reinforcement Learning , Reinforcement Learning

Kambiz Abdali

Dr. Mohsen Sharifi