Hierarchical schedulings of time-next-event heuristic on distributed memory machines
Notice bibliographique
Résumé
The time-next-event (TNE) algorithm relies upon a shortest path algorithm which is independently executed on each processor in order to unblock the logical processes (LPs) in a processor and to increase the parallelism of the simulation. TNE's performance is good, and it is able to produce better lookahead as a consequence of obtaining input from LPs resident on neighboring processors. This paper presents an extension of the TNE algorithm, the objective of which is to increase its parallelism and to break the interprocessor deadlocks inherent with the use of TNE. This semi-global TNE (SGTNE) algorithm is executed over a cluster of processors as opposed to TNE, which is executed over a cluster of processes assigned to a single processor. Because TNE is executed on individual processors, it is susceptible to interprocessor deadlocks. These deadlocks must be detected and broken at some cost. SGTNE helps to break these deadlocks by executing a shortest path algorithm over a snapshot of the LPs in a cluster of processors. We examine two (hierarchical) scheduling algorithms for SGTNE which we refer to as one- and two-level scheduling in the context of a queuing network simulation of a torus. The torus was chosen because its many cycles aid in the formation of deadlock. In two-level scheduling, we execute TNE on each individual processor before calling the global portion of the algorithm. Our experiments indicate that two-level scheduling is superior to one-level scheduling. They also indicate that SGTNE decreases the run time of a TNE simulation by about 15-20% when a large number of processors is used.< <ETX xmlns:mml="http://www.w3.org/1998/Math/MathML" xmlns:xlink="http://www.w3.org/1999/xlink">></ETX>
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,009 | 0,001 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; les deux têtes enseignantes s’accordent sur ce qui est montré ici.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».