Research on Cloud Task Scheduling Problem Based on Pareto Optimization Strategy for Deep Reinforcement Learning
تقترح هذه الورقة البحثية ITS-D3QN، وهو مجدول يعتمد على التعلم التعزيزي العميق يستخدم بنية ذات مرحلتين واستراتيجية تحسين باريتو للموازنة بفعالية بين زمن استجابة المهام، واستهلاك الطاقة، واستغلال الموارد في بيئات السحابة الديناميكية، محققاً تحسينات كبيرة في الأداء مقارنة بالطرق الحالية.
البحث الأصلي مرخَّص بموجب CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). هذا شرح مولَّده بالذكاء الاصطناعي للبحث أدناه. لم يكتبه المؤلفون ولم يصادقوا عليه. وللتحقق من الدقة التقنية، يرجى الرجوع إلى البحث الأصلي. اقرأ إخلاء المسؤولية الكامل
في البنية التحتية الهائلة وغير المرئية التي تشغل الإنترنت الحديث، تعمل مراكز البيانات كقلوب نابضة لحياتنا الرقمية. تضم هذه المرافق آلاف الحواسيب، أو ما يُعرف بالخوادم، التي تعمل على مدار الساعة لمعالجة كل شيء، بدءاً من بث الأفلام وصولاً إلى الحسابات العلمية المعقدة. ومع ذلك، تواجه هذه المراكز تحدياً مستمراً وفوضوياً: ملايين المهام الرقمية تصل في أوقات عشوائية، وكل منها يتطلب كميات مختلفة من قدرة الحوسبة والذاكرة. يجب على النظام أن يقرر فوراً أي مهمة تذهب إلى أي آلة. وإذا كان القرار سيئاً، فستبقى بعض الآلات خاملة بينما تُثقل أخرى بالأعباء، مما يؤدي إلى بطء في زمن الاستجابة، وهدر في الكهرباء، وإحباط المستخدمين. لعقود من الزمن، حاول المهندسون حل هذه المشكلة عبر وضع قواعد توازن بين هذه الاحتياجات المتضاربة، لكن السرعة الهائلة وعدم القدرة على التنبؤ بحركة المرور الحديثة جعلت القواعد البسيطة غير كافية.
اقترح باحثون في جامعة "تيانشوي نورمال" في الصين مؤخراً طريقة جديدة لإدارة هذه الفوضى، متجاوزين القواعد الثابتة إلى نظام يتعلم ويتكيف مثل الكائن الحي. يركز عملهم على منهجية تسمى "التعلم التعزيزي العميق"، وهو نوع من الذكاء الاصطناعي حيث يتعلم برنامج الكمبيوتر اتخاذ القرارات عن طريق التجربة والخطأ، تماماً مثل طفل يتعلم ركوب الدراجة. وبدلاً من اتباع دليل إرشادي ثابت، يتفاعل البرنامج مع بيئة مركز البيانات، ويجرب خيارات جدولة مختلفة ويتلقى تغذية راجعة حول مدى جودة تلك الخيارات. الهدف هو إيجاد "النقطة المثالية" حيث ينهي النظام المهام بسرعة، ويستخدم أقل قدر ممكن من الطاقة، ويبقي جميع آلاته مشغولة في الوقت ذاته. وغالباً ما تتعارض هذه الأهداف؛ فعلى سبيل المثال، تشغيل الآلة بأقصى سرعتها قد ينهي المهمة بشكل أسرع ولكنه يستهلك المزيد من الكهرباء. كان تحدي الباحثين هو تعليم الكمبيوتر كيفية التنقل بين هذه المقايضات دون الوقوع في "الأمثل المحلي"، وهي حالة يستقر فيها النظام عند حل "جيد بما يكفي" بدلاً من الحل الأمثل الممكن.
ولمعالجة ذلك، طور الفريق نظام جدولة جديداً أطلقوا عليه اسم ITS-D3DN. تخيل مركز البيانات كمطار مزدحم يضم آلاف الرحلات وبوابات محدودة. قد يقوم المجدول التقليدي بتخصيص الطائرات للبوابات بناءً على قائمة بسيطة، لكن المجدول الذكي سينظر إلى الطقس، ومستويات الوقود، وأوقات وصول الرحلات المتصلة لاتخاذ قرار ديناميكي. يعمل نظام الباحثين على مستويين: المستوى الأدنى يعمل كوكيل بوابة فوري، يقرر أي مهمة محددة تذهب إلى أي آلة افتراضية الآن. أما المستوى الأعلى فيعمل كمراقب حركة جوية، يراقب الصورة الكبيرة للمجموعة بأكملها. هذا المستوى العلوي لا ينظر فقط إلى المهام الفردية، بل يراقب الصحة العامة للنظام، ويقيس مدى جودة تغطية مجموعة القرارات الحالية لكامل نطاق النتائج الجيدة الممكنة. وهو يستخدم مفهوماً رياضياً يُعرف باسم "الحجم الفائق" (hypervolume)، والذي يقيس جوهرياً حجم "فضاء الحلول الجيدة" الذي اكتشفه النظام حتى الآن. إذا كان النظام يجد فقط حلولاً متوسطة، فإن الطبقة العليا تعدل الأولويات، وتخبر الطبقة الدنيا بتجربة توازن مختلف بين السرعة والطاقة.
يسمح هذا النهج ثنائي الطبقات للنظام بالإفلات من الفخاخ التي عصفت بالأساليب السابقة. فغالباً ما اعتمدت مجدولات الذكاء الاصطناعي القديمة على أوزان ثابتة، مما يعني أنه تمت برمجتها لتهتم بنسبة مئوية معينة بالسرعة ونسبة مئوية معينة بالطاقة، بغض النظر عن الموقف. وإذا تغير حجم العمل، فإن هذه القواعد الثابتة لا يمكنها التكيف. ومع ذلك، يعيد النظام الجديد تقييم هذه الأولويات باستمرار. وهو يستخدم تقنية تسمى "العينات المتزايدة" لضمان أن قياساته لأداء النظام دقيقة وليست مجرد ضجيج عشوائي. ومن خلال تشغيل العديد من عمليات المحاكاة الصغيرة في الخلفية، يبني صورة موثوقة لمدى نجاح استراتيجيته الحالية قبل إجراء أي تغيير. وهذا يمنع النظام من التفاعل بجنون مع التقلبات المؤقتة في حركة المرور، مما يضمن أن تعلمه مستقر ومرتكز على الواقع.
اختبر الباحثون نظامهم باستخدام بيانات من العالم الحقيقي من "سجل علي بابا للمجموعات" (Alibaba Cluster Trace)، وهو مجموعة بيانات ضخمة تسجل النشاط الفعلي لآلاف الخوادم على مدار عدة أيام. قاموا بمحاكاة وصول عشرات الآلاف من المهام لمعرفة كيفية أداء نظامهم مقارنة بالأساليب الأقدم، بما في ذلك جدولة "الدور الدوري" (round-robin) القياسية وأنواع أخرى من الذكاء الاصطناعي. كانت النتائج واضحة: تفوق النظام الجديد باستمرار على الآخرين. فبالنسبة للخوارزميات المقارنة، قلل النظام متوسط زمن استجابة المهمة بنحو 4.75%، وخفض متوسط الطاقة المستخدمة لكل مهمة بنحو 4.32%. ومع ذلك، عند فحص ظروف الحمل بدقة، تباينت التحسينات؛ فعلى سبيل المثال، تراوح خفض زمن الاستجابة بين 6.3% و43.8% اعتماداً على حجم المهام. ولعل الأمر الأكثر إثارة للإعجاب هو أنه زاد من متوسط استغلال الموارد المتاحة بنحو 5.62%، مما يعني ترك عدد أقل من الآلات خاملة بينما تعاني أخرى. وقد ظلت هذه التحسينات قائمة حتى مع زيادة عدد المهام، مما يظهر أن النظام ظل قوياً تحت الضغط الشديد.
تشير الدراسة إلى أنه من خلال الجمع بين رؤية عالية المستوى للأداء العام للنظام وقدرة منخفضة المستوى على اتخاذ قرارات سريعة ومحددة، يمكن لمراكز بيانات السحابة أن تصبح أكثر كفاءة بشكل كبير. وجد الباحثون أن مفتاح هذا النجاح لم يكن فقط في سرعة القرارات، بل في القدرة على رؤية المقايضات بوضوح. ومن خلال استخدام مقياس "الحجم الفائق" لتوجيه عملية التعلم، تعلم النظام إيجاد مسار متوازن عبر المشهد المعقد للأهداف المتضاربة. وبينما تم تحقيق هذه النتائج من خلال محاكاة الكمبيوتر بدلاً من النشر الفعلي في مركز بيانات تجاري، فإن اتساق التحسينات عبر سيناريوهات مختلفة يشير إلى إمكانات قوية للتطبيق في العالم الحقيقي. يشير العمل نحو مستقبل يمكن فيه للبنية التحتية السحابية أن تتكيف تلقائياً مع مد وجزر الطلب الرقمي، مما يوفر الطاقة ويسرع الخدمات دون تدخل بشري. ومع استمرار نمو حجم البيانات، قد يصبح هذا الذكاء التكيفي ضرورياً للحفاظ على سير العالم الرقمي بسلاسة واستدامة.
غارق في أبحاث مجالك؟
تصلك نشرة يومية بأحدث الأبحاث المطابقة لكلماتك البحثية المفتاحية — مع ملخصات تقنية، بلغتك.