Особенности алгоритмов планирования заданий в территориально-распределенных вычислительных системах
https://doi.org/10.34020/2073-6495-2021-3-019-030
Аннотация
Работа посвящена рассмотрению основных распространенных алгоритмов планирования заданий в территориально-распределенных вычислительных системах. Характеризуются специфические особенности алгоритмов и приводится их сравнительный анализ в соответствии с выбранными критериями. Определяются основные факторы, которые должны быть учтены при построении алгоритмов управления заданиями в территориально-распределенных вычислительных системах.
Об авторах
Е. В. Агапов
Новосибирский государственный университет экономики и управления «НИНХ»
Россия
Россия
Агапов Ефим Вячеславович, аспирант
Новосибирск
Л. К. Бобров
Новосибирский государственный университет экономики и управления «НИНХ»
Россия
Россия
Бобров Леонид Куприянович, доктор технических наук, профессор кафедры прикладной информатики
Новосибирск
К. А. Зайков
Новосибирский государственный университет экономики и управления «НИНХ»
Россия
Россия
Зайков Кирилл Алексеевич, кандидат экономических наук, доцент, кафедра статистики
Новосибирск
Список литературы
1. Мазалов В.В., Никитина Н.Н. Оценка характеристик алгоритма Backfill при управлении потоками задач на вычислительном кластере // Вычислительные технологии. 2012. Т. 17. № 5. C. 71–79.
2. Мамойленко С.Н., Ефимов А.В. Алгоритмы планирования решения масштабируемых задач на распределенных вычислительных системах // Вестник ГОУ ВПО «СибГУТИ». 2010. № 2. С. 66–78.
3. Волович К.И. Методы и алгоритмы организации вычислительного процесса в гибридном высокопроизводительном комплексе на основе виртуальной среды исполнения: дис. … канд. техн. наук: 05.13.15. М., 2019. 114 c.
4. Тихомиров А.И. Методы и средства организации системы управления вычислительными заданиями в территориально распределенной сети суперкомпьютерных центров коллективного пользования: дис. … канд. техн. наук: 05.13.11. М., 2019. 143 c.
5. Тютляева Е.О., Одинцов И.О., Московский А.А., Мармузов Г.В. Тенденции развития вычислительных узлов современных суперкомпьютеров // Вестник ЮУрГУ. Серия «Вычислительная математика и информатика». 2019. C. 92–114.
6. Carrington L.A., Snavely A., Wolter N. Performance Prediction Framework for Scientific Applications // Future Generation Computer Systems. 2006. Vol. 22. P. 336–346.
7. Cirne W., Berman F. A Comprehensive Model of the Supercomputer Workload // Proc. IEEE Fourth Ann. Workshop Workloads Characterization. 2001. P. 140–148.
8. Chen C.L., Lee C.S., Hou E.S. Efficient scheduling algorithms for robot inverse dynamics computation on a multiprocessor system // IEEE Trans. System Man Cybernetics. 1988. Vol. 18. P. 729–743.
9. Clement M.J., Quinn M.J. Analytical Performance Prediction on Multicomputers // J. Supercomputing. 1993. P. 886–894.
10. Conway R.W., Maxwell W., Miller L. Theory of Scheduling // Massachusetts Addison Wesley Publications. 1967. P. 304.
11. Dinda P.A., O’Hallaron D.R. Host Load Prediction Using Linear Models // Cluster Computing. 2000. Vol. 3. P. 265–280.
12. Feitelson D., Rudolph L.H., Schwiegelshohn U., Wong P. Theory and Practice in Parallel Job Scheduling // Theoretical Computer Science. 2004. P. 17–47.
13. Gandhi T., Nitin, Alam T. Quantum Genetic Algorithm with Rotation Angle Refinement for Dependent Task Scheduling on Distributed Systems // Tenth International Conference on Contemporary Computing (IC3). 2017. P. 12–15.
14. Gonzalez M.J. Deterministic processor scheduling // Computing Surveys. 1977. Vol. 9. № 3. P. 173–204.
15. Hellstrom B., Kanal L. Asymmetric mean-field neural networks for multiprocessor scheduling // Neural Nerworks. 1992. Vol. 5. P. 671–686.
16. Hisao I., Murata T. A multi-objective genetic local search algorithm and its application to flowshop scheduling // IEEE Transactions on Systems, Man, and Cybernetics, Part C (Application and Reviews). 1998. Vol. 28. № 3. P. 392–403.
17. Jahanshah M., Meybodi M.R., Dehghan M. A New Approach for Task Scheduling in Distributed Systems Using Learning Automata // Proceedings of the IEEE International Conference on Automation and Logistics Shenyang. 2009. P. 62–67.
18. Kasahara H., Narita S. Practical multiprocessing scheduling algorithms for efficient parallel processing // IEEE Trans. Computer. 1984. Vol. C-33. № 11. P. 1023–1029.
19. Kasahara H., Narita S. Parallel processing of robot-arm control computation on a multimicroprocessor system // IEEE J. Roboric J Automarion. 1985. Vol. RA-1. № 2. P. 104–113.
20. Kettimuthu R., Subrasani V., Srinivasan S., Gopalasamy T. Selective Preemption Strategies for Parallel Job Scheduling // Proc. Int. Conf. on Par. Proc. (ICPP). 2002. P. 12–23.
21. Laarhoven V., Peter J., Emile A., Lenstra J. Job shop scheduling by simulated annealing // Operations Research. 1992. Vol. 40. № 1. P. 113–125.
22. Merkle D., Middendorf M., Schmeck H. Ant colony optimization for resource-constrained project scheduling // IEEE transactions on evolutionary computation. 2002. Vol. 6. № 4. P. 333–346.
23. Narendra K.S., Thathachar M.L. Learning automata: an introduction // Englewood Cliffs, NJ: Prentice Hall, 1989.
24. O’Sullivan D., Unwin J. Geographic Information Analysis, Second Edition. 2010. P. 432.
25. Ramamoorthy C.V. Optimal scheduling strategies in a multiprocessor system // IEEE Trans. Computers. 1972. P. 137–146.
26. Shmueli E., Feitelson D. Backfilling with Lookahead to Optimize the Packing of Parallel Jobs // J. of Parallel and Distributed Computing. 2005. Vol. 65. P. 1090–1107.
27. Topcuoglu H., Hariri S., Wu M. Performanceeffective and low-complexity task scheduling for heterogeneous computing // IEEE transactions on parallel and distributed systems. 2002. Vol. 13. № 3. P. 260–274.
28. Thathachar M. Stochastic automata and learning systems // Department of Electrical Engineering, Indian Institute of Science. 1990. P. 263–283.
29. Tsafrir D., Etsion Y., Feitelson D. Backfilling using system-generated predictions rather than user runtime estimates // IEEE Trans. Parallel and Distributed Systems. 2007. Vol. 18. № 6. P. 789–803.
30. Venter G., Sobieszczanski-Sobieski J. Particle swarm optimization // AIAA Journal. 2003. Vol. 41. № 8. P. 1583–1589.
31. Заседание президиума Совета при Президенте Российской Федерации по стратегическому развитию и национальным проектам от 17.09.2018 г. URL: http://government.ru/news/34001 (дата обращения: 13.05.2020).
32. Официальный сайт Национального проекта «Наука». URL: https://futurerussia.gov.ru/all (дата обращения: 10.05.2020).
33. Официальный сайт Национального проекта «Цифровая экономика». URL: https://digital.gov.ru/ (дата обращения: 13.05.2020).
34. Рейтинг топ 50 суперкомпьютеров. URL: http://top50.supercomputers.ru/ (дата обращения: 12.12.2020).
Рецензия
Для цитирования:
Агапов Е.В., Бобров Л.К., Зайков К.А. Особенности алгоритмов планирования заданий в территориально-распределенных вычислительных системах. Вестник НГУЭУ. 2021;(3):19-30. https://doi.org/10.34020/2073-6495-2021-3-019-030
For citation:
Agapov E.V., Bobrov L.K., Zaykov K.A. Specificity of Task Scheduling Algorithms in Geographically Distributed Computer Systems. Vestnik NSUEM. 2021;(3):19-30. (In Russ.) https://doi.org/10.34020/2073-6495-2021-3-019-030
Послать статью по эл. почте 
