计算机工程与科学

作者：敬超, 闭玉申

单位：1.桂林理工大学计算机科学与工程学院，广西 桂林 541006；2.桂林理工大学广西嵌入式技术与智能系统重点实验室，广西 桂林 541006

关键词：深度学习,干扰感知,资源预测模型,在线调度,

基金：国家自然科学基金(62362018)

由于GPU可以加速深度学习作业的处理，许多研究人员通过提高GPU利用率来达到减少作业完成时间的目的。与传统的作业独占GPU资源来减少作业完成时间不同，考虑了多个作业共置的问题(即同一个GPU中同时执行多个作业能有效提高GPU利用率并减少作业完成时间)，提出了一种面向深度学习作业的干扰感知在线调度算法(OASIS)。该算法首先在作业共置的情况下，使用改进的机器学习方法构建了作业所需资源的预测模型。其次，为了计算作业间干扰值，设计了一种作业组合模型，通过模型计算的干扰值来主动修改作业调度策略以避免无效调度，达到减少作业完成时间的目的。最后，在真实环境中部署了实验，实验结果表明：提出的OASIS算法与经典的FCFS算法、MBP算法和SJF算法相比，不仅平均作业总体完成时间缩短了5.7%，而且平均能耗降低了4.0%，验证结果充分说明了该算法的有效性和优越性。

来源：2024年第12期

《计算机工程与科学》期刊编辑部

查看计算机工程与科学杂志2024年第12期