本文探讨了GPU数据中心的在线调度问题,提出了一种新策略PWR,旨在减少GPU碎片化和功耗,平衡资源利用与能源效率,以应对未来任务到达时间的不确定性。
本文介绍了多个基于机器学习的系统和方法,旨在优化资源调度、提高性能和降低成本。InferLine系统通过自动调整阈值优化ML预测流程,InfAdapter系统通过资源分配满足延迟服务目标。此外,研究提出了新的分布式执行框架和在线调度算法,以提升系统效率和性能。
该文综述机器学习在在线调度与能源优化中的应用,涵盖数据中心速度缩放、不确定服务时间调度、医学影像诊断、可再生能源预测及联邦学习能耗控制,提出学习增强算法与鲁棒性-一致性折中框架,并在多场景中优化竞争比率与能源消耗。
本文综述在线资源分配与调度的多项研究,涵盖未知预测质量下的渐进最优、贝叶斯学习与汤普森抽样用于公共卫生干预、分布式在线学习框架、指数加权算法处理任务转移、可复用资源的在线任务分配、无人机物联网任务调度、延迟反馈MDP在线学习、随机截止时间调度与Whittle指数、在线分组调度竞争比改进,以及多任务在线学习元算法。
完成下面两步后,将自动完成登录并继续当前操作。