כתבה
arXiv cs.LG ·
HiGFRL: רכיבת גרפים היררכית עבור למידת רכיבת תגמול עבור יישום תזמון תלוי-על-עליות בענן
HiGFRL: Hierarchical Graph Fusion-Driven Reinforcement Learning for Dependency-Aware Task Scheduling in Heterogeneous Cloud
HiGFRL הוא פרקטיקה חדשנית לתזמון תלוי-על-עליות בענן, המשלבת רכיבת גרפים היררכית עבור למידת רכיבת תגמול. הפרקטיקה נבחנה בענן Alibaba והוכיחה יעילות גבוהה ביחס לבסיסי תזמון קלאסי.
תקציר מקורי באנגליתarXiv:2609.14968v1 Announce Type: new Abstract: Online scheduling of dependency-aware tasks in heterogeneous cloud clusters is a fundamental yet challenging problem due to the complex interplay between DAG topologies and multi-dimensional resource constraints. While DRL has shown promise, existing GNN-based approaches often struggle to efficiently model high-order topological dependencies and suffer from loose coupling between task and resource states, leading to myopic scheduling decisions. To address these limitations, we propose HiGFRL, a Hierarchical Graph Fusion-Driven Reinforcement Learning framework. HiGFRL constructs a novel three-level state representation comprising a Static Hypergraph, a Dynamic Global Graph, and a Local Bipartite Graph to explicitly model the interplay between
קרא במקור המקורי
arxiv.org
פתח כתבה מקורית