On limits of machine learning techniques in the learning ofscheduling policies

On limits of machine learning techniques in the learning ofscheduling policies (2023)

Authors:
USP affiliated authors: LEJBMAN, ALFREDO GOLDMAN VEL - IME ; ROSA, LUCAS DE SOUSA - IME
Unidade: IME
Subjects: PROGRAMAÇÃO PARALELA; HEURÍSTICA; APRENDIZADO COMPUTACIONAL
Language: Inglês
Abstract: Este trabalho de iniciação científica explora a relação emergente entre a gestão de recursos em plataformas de computação de alto desempenho (HPC) e o uso de heurísticas de escalonamento derivadas da regressão para otimizar o desempenho. Pesquisas recentes mostraram que técnicas de aprendizado de máquina (ML) podem ser usadas para gerar heurísticas de escalonamento que são simples e eficientes. Este trabalho propõe uma abordagem alternativa usando funções polinomiais para gerar heurísticas de escalonamento. O polinômio mais simples mostrou-se como uma das heurísticas mais eficientes. Também avaliamos a resiliência das heurísticas derivadas da regressão ao longo do tempo. Publicamos dois artigos em workshops nacionais e internacionais com revisão por pares (Qualis-B3/B4).
Imprenta:
- Publisher place: Porto Alegre
- Date published: 2023
Source:
- Título do periódico: Revista Eletrônica de Iniciação Científica em Computação
- ISSN: 1519-8219
- Volume/Número/Paginação/Ano: v. 21, n. 2, p. 61-70, 2023
Conference titles: Concurso de Trabalhos de Iniciação Científica - CTIC

Tipo	Nome	Link
	3194011.pdf	Direct link

A citação é gerada automaticamente e pode não estar totalmente de acordo com as normas

ABNT

ROSA, Lucas de Sousa et al. On limits of machine learning techniques in the learning ofscheduling policies. Revista Eletrônica de Iniciação Científica em Computação. Porto Alegre: Instituto de Matemática e Estatística, Universidade de São Paulo. Disponível em: https://sol.sbc.org.br/journals/index.php/reic/article/view/3419. Acesso em: 03 jun. 2024. , 2023
APA

Rosa, L. de S., Carastan-Santos, D., Goldman, A., & Trystram, D. (2023). On limits of machine learning techniques in the learning ofscheduling policies. Revista Eletrônica de Iniciação Científica em Computação. Porto Alegre: Instituto de Matemática e Estatística, Universidade de São Paulo. Recuperado de https://sol.sbc.org.br/journals/index.php/reic/article/view/3419
NLM

Rosa L de S, Carastan-Santos D, Goldman A, Trystram D. On limits of machine learning techniques in the learning ofscheduling policies [Internet]. Revista Eletrônica de Iniciação Científica em Computação. 2023 ; 21( 2): 61-70.[citado 2024 jun. 03 ] Available from: https://sol.sbc.org.br/journals/index.php/reic/article/view/3419
Vancouver

Rosa L de S, Carastan-Santos D, Goldman A, Trystram D. On limits of machine learning techniques in the learning ofscheduling policies [Internet]. Revista Eletrônica de Iniciação Científica em Computação. 2023 ; 21( 2): 61-70.[citado 2024 jun. 03 ] Available from: https://sol.sbc.org.br/journals/index.php/reic/article/view/3419