Notice bibliographique
Résumé
Jobs in computing environments have diverse and heterogeneous resource requirements. This thesis presents a study of online, non-preemptive scheduling algorithms for multiple identical machines. In this environment, users send their job requests to be served by these machines, using their resources to satisfy the requests. With multiple requests to serve, the machines need an inherent scheduling objective to optimize. We study the scheduling objectives of the average weighted completion time, the maximum flow time (which is defined as job completion time minus their release time), and the maximum stretch (the ratio of job flow time and its processing time). The key challenge addressed is resource allocation to jobs with non-uniform demands across multiple resource types, such as CPU, memory, and storage. Further, as the thesis studies the online arrival of jobs, their parameters are not revealed to the schedulers until their arrival time. We use the popular competitive ratio to measure the performance of these algorithms. We first propose an online algorithm, termed Multi-Resource Interval Scheduling (MRIS) that achieves a competitive ratio of 8R(1+ϵ) for the average weighted completion time, where R is the number of resource types. To the best of the authors knowledge, this is the first theoretical competitive analysis under the considered system. We further show that the well-known priority queue algorithms can have arbitrarily bad competitive ratios in this setting. In numerical experiments using production workload traces from Microsoft Azure, the proposed algorithm is shown to significantly outperform priority queue algorithms and other state-of-the-art schedulers. Due to stronger lower bounds, we leverage resource augmentation to provide competitive ratio bounds for algorithms for the maximum flow and maximum stretch. In these relaxed models, our algorithms additional resources compared to the optimal algorithms. Using 10R speed augmentation, we provide an algorithm that obtains no greater maximum flow time than the optimal scheduler. We use the previous algorithm as a subroutine to present an approach that achieves a maximum stretch no greater than the optimal scheduler. These algorithms are enabled by interval scheduling paradigms, where the algorithm exercises patience to wait for additional knowledge of job arrivals before committing to scheduling decisions. Although this simple idea is not novel, we use it to obtain competitive ratios for the algorithms presented.
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 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 0,002 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,000 |
| Science ouverte | 0,002 | 0,000 |
| Intégrité de la recherche | 0,001 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».