ISSN 0021-3454 (печатная версия)
ISSN 2500-0381 (онлайн версия)
Меню

7
Содержание
том 63 / Июль, 2020
СТАТЬЯ

DOI 10.17586/0021-3454-2020-63-2-191-193

УДК 519.687

ТЕХНОЛОГИЯ ИНТЕЛЛЕКТУАЛЬНОЙ ОРГАНИЗАЦИИ ПРОЦЕССА ВЫПОЛНЕНИЯ НЕОДНОРОДНЫХ КОМПОЗИТНЫХ ПРИЛОЖЕНИЙ В РАСПРЕДЕЛЕННОЙ ВЫЧИСЛИТЕЛЬНОЙ СРЕДЕ

Мельник М. А.
Университет ИТМО;


Насонов Д. А.
Университет ИТМО, Санкт-Петербург, 197101, Российская Федерация; преподаватель


Бухановский А. В.
Университет ИТМО, Санкт-Петербург, 197101, Российская Федерация; директор мегафакультета


Аннотация. Сформулировано понятие неоднородных композитных приложений и идентифицированы вычислительные режимы: пакетный, потоковый и итеративный. Обусловлена необходимость разработки алгоритмов планирования для каждого из режимов. Разработаны алгоритмы планирования на базе методов машинного обучения, эволюционных подходов и методов искусственного интеллекта. Разработана технология, обеспечивающая совместное выполнение разнородных композитных приложений на основе каскада разработанных методов оптимизации.
Ключевые слова: планирование композитных приложений, облачные вычисления, суперкомпьютер, потоковая обработка данных, совместное проектирование

Список литературы:
  1. Афанасьев А. П. и др. Увеличение вычислительной мощности распределенных систем с помощью грид-систем из персональных компьютеров // Параллельные вычислительные технологии. 2011. С. 6—14.
  2. Козинов Е. А., Гергель В. П. Параллельные вычисления на графических процессорах в задачах многокритериальной оптимизации // Суперкомпьютерные дни в России. Москва, 24—25 сентября 2018 г. Т. 24. С. 25.
  3. Гервич Л. Р., Кравченко Е. Н., Штейнберг Б. Я., Юрушкин М. В. Автоматизация распараллеливания программ с блочным размещением данных // Сибирский журнал вычислительной математики. 2015. Т. 18, № 1. С. 41—53.
  4. Сухорослов О. В., Назаренко А. М. Сравнительная оценка методов планирования приложений в распределенных вычислительных средах // Программные системы: теория и приложения. 2017. Т. 8, № 1. С. 63—81. 
  5. Rodriguez M. A., Buyya R. A taxonomy and survey on scheduling algorithms for scientific workflows in IaaS cloud computing environments // Concurr. Comput. 2017. Vol. 29, N 8.
  6. Deelman E. et al. Pegasus, a workflow management system for science automation // Futur. Gener. Comput. Syst. 2015. Vol. 46. P. 17—35.
  7. Foster I., Kesselman C. The grid 2: Blueprint for a new computing infrastructure. Morgan Kaufmann, 2004. 748 p.
  8. Tong Z. et al. QL-HEFT: a novel machine learning scheduling scheme base on cloud computing environment // Neural Comput. Appl. 2019. https://doi.org/10.1007/s00521-019-04118-8.
  9. Tong Z. et al. A scheduling scheme in the cloud computing environment using deep Q-learning // Information Sciences. 2020. Vol. 512, February. P. 1170—1191.
  10. Rashmi S., Basu A. Q learning based workflow scheduling in hadoop // Intern. J. Appl. Eng. Res. 2017. Vol. 12, N 12. P. 3311—3317.
  11. Peng B. et al. R-storm: Resource-aware scheduling in storm // Middlew. 2015. Proc. 16th Annu. Middlew. Conf. 2015. P. 149—161. 1
  12. Dwarakanathan S. S-Flink: Schedule for QoS in Flink Using SDN // Proc. Intern. Comput. Softw. Appl. Conf. 2016. Vol. 2. P. 620—621.
  13. Cheng D. et al. Adaptive scheduling parallel jobs with dynamic batching in spark streaming // IEEE Trans. Parallel Distrib. Syst. 2018. Vol. 29, N 12. P. 2672—2685.
  14.  Hoekstra A. G. et al. Multiscale computing for science and engineering in the era of exascale performance // Philos. Trans. R. Soc. A Math. Phys. Eng. Sci. 2019. Vol. 377, N 2142.
  15. Ben Belgacem M., Chopard B. MUSCLE-HPC: A new high performance API to couple multiscale parallel applications // Futur. Gener. Comput. Syst. 2017. Vol. 67. P. 72—82.