Avaliando técnicas de aprendizado de máquina e simulações para criar heurísticas de escalonamento eficientes

• Processo: 22/14673-6
• Modalidade de apoio: Bolsas no Exterior - Estágio de Pesquisa - Iniciação Científica
• Data de Início da vigência: 01 de fevereiro de 2023
• Data de Término da vigência: 31 de março de 2023
• Área de conhecimento: Ciências Exatas e da Terra - Ciência da Computação
• Pesquisador responsável: Alfredo Goldman vel Lejbman
• Beneficiário: Lucas de Sousa Rosa
• Supervisor: Denis Trystram
• Instituição Sede: Instituto de Matemática e Estatística (IME). Universidade de São Paulo (USP). São Paulo , SP, Brasil
• Instituição Anfitriã: Université Grenoble Alpes (UGA), França
• Vinculado à bolsa: 22/06906-0 - Sobre os limites das técnicas de Machine Learning no aprendizado de políticas de escalonamento, BP.IC
• Assunto(s): Aprendizado computacional Computação de alto desempenho Programação heurística Sistemas distribuídos
• Palavra(s)-Chave do Pesquisador: aprendizado de máquinas | Computacão de Alto Desempenho | Heurísticas de escalonamento | Simulação de Sistemas Distribuídos | Computação de Alto Desempenho

Resumo

Os sistemas de Computação de Alta Performance (HPC) são utilizados para resolver uma série de questões complexas em diferentes campos do conhecimento. Contudo, estas plataformas têm evoluído rapidamente em dimensão e complexidade, e garantir a eficiência na gestão de aplicações (tarefas) tornou-se um desafio. Tipicamente, este gerenciamento envolve heurísticas de escalonamento que consistem em funções para ordenar as tarefas numa fila de execução. O objetivo desta proposta é investigar técnicas de aprendizado de máquinas, especificamente métodos de regressão, para criar heurísticas de escalonamento eficientes. Também pretendemos utilizar simulações e registros de cargas-de-trabalho para determinar as características das tarefas de HPC que conduzem a uma redução do slowdown médio das tarefas na fila de execução. A visita de pesquisa será realizada na Université Grenoble-Alpes (UGA), na França, sob a supervisão do Professor Denis Trystram. Durante a visita, montaremos uma campanha experimental que vai desde a obtenção dos dados até a validação das heurísticas por meio de testes de desempenho. (AU)