دانلود مقاله انگلیسی رایگان:زمانبندی  درخواست تطبیقی برای لایه انتقال  ورودی و خروجی با استفاده از یادگیری تقویتی - 2020
بلافاصله پس از پرداخت دانلود کنید
دانلود مقاله انگلیسی یادگیری تقویتی رایگان
  • Adaptive request scheduling for the I/O forwarding layer using reinforcement learning Adaptive request scheduling for the I/O forwarding layer using reinforcement learning
    Adaptive request scheduling for the I/O forwarding layer using reinforcement learning

    سال انتشار:

    2020


    عنوان انگلیسی مقاله:

    Adaptive request scheduling for the I/O forwarding layer using reinforcement learning


    ترجمه فارسی عنوان مقاله:

    زمانبندی درخواست تطبیقی برای لایه انتقال ورودی و خروجی با استفاده از یادگیری تقویتی


    منبع:

    Sciencedirect - Elsevier - Future Generation Computer Systems, 112 (2020) 1156-1169. doi:10.1016/j.future.2020.05.005


    نویسنده:

    Jean Luca Bez a,c,∗, Francieli Zanon Boito b, Ramon Nou c, Alberto Miranda c, Toni Cortes c,d, Philippe O.A. Navaux


    چکیده انگلیسی:

    In this paper, we propose an approach to adapt the I/O forwarding layer of HPC systems to applications’ access patterns. I/O optimization techniques can improve performance for the access patterns they were designed to target, but they often decrease performance for others. Furthermore, these techniques usually depend on the precise tune of their parameters, which commonly falls back to the users. Instead, we propose to do it dynamically at runtime based on the I/O workload observed by the system. Our approach uses a reinforcement learning technique – contextual bandits – to make the system capable of learning the best parameter value to each observed access pattern during its execution. That eliminates the need of a complicated and time-consuming previous training phase. Our case study is the TWINS scheduling algorithm, where performance improvements depend on the time window parameter, which in turn depends on the workload. We evaluate our proposal and demonstrate it can reach a precision of 88% on the parameter selection in the first hundreds of observations of an access pattern, achieving 99% of the optimal performance. We demonstrate that the system – which is expected to live for years – will be able to adapt to changes and optimize its performance after having observed an access pattern for a few (not necessarily contiguous) minutes.
    Keywords: High performance I/O | Parallel I/O | I/O scheduling | I/O forwarding | Reinforcement learning | Auto-tuning


    سطح: متوسط
    تعداد صفحات فایل pdf انگلیسی: 14
    حجم فایل: 1754 کیلوبایت

    قیمت: رایگان


    توضیحات اضافی:




اگر این مقاله را پسندیدید آن را در شبکه های اجتماعی به اشتراک بگذارید (برای به اشتراک گذاری بر روی ایکن های زیر کلیک کنید)

تعداد نظرات : 0

الزامی
الزامی
الزامی
rss مقالات ترجمه شده rss مقالات انگلیسی rss کتاب های انگلیسی rss مقالات آموزشی
logo-samandehi