Research on Cloud Task Scheduling Problem Based on Pareto Optimization Strategy for Deep Reinforcement Learning
यह शोध पत्र ITS-D3QN का प्रस्ताव करता है, जो एक दो-चरणीय आर्किटेक्चर और पारेटो अनुकूलन रणनीति का उपयोग करने वाला एक डीप रिइन्फोर्समेंट लर्निंग शेड्यूलर है, जो गतिशील क्लाउड वातावरण में कार्य प्रतिक्रिया समय, ऊर्जा खपत और संसाधन उपयोगिता को प्रभावी ढंग से संतुलित करने के लिए बनाया गया है, जिससे मौजूदा विधियों की तुलना में महत्वपूर्ण प्रदर्शन सुधार प्राप्त होता है।
मूल पेपर CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/) के तहत लाइसेंस किया गया है। नीचे दिए गए पेपर की यह व्याख्या AI से तैयार की गई है। इसे लेखकों ने न तो लिखा है, न इसका समर्थन किया है। तकनीकी सटीकता के लिए मूल पेपर देखें। पूरा डिस्क्लेमर पढ़ें
आधुनिक इंटरनेट को शक्ति प्रदान करने वाले विशाल, अदृश्य बुनियादी ढांचे में, डेटा सेंटर हमारे डिजिटल जीवन के धड़कते हुए हृदय के रूप में कार्य करते हैं। ये सुविधाएं हजारों कंप्यूटरों, या सर्वरों को घर देती हैं, जो फिल्मों को स्ट्रीम करने से लेकर जटिल वैज्ञानिक गणनाओं तक सब कुछ संसाधित करने के लिए चौबीसों घंटे काम करते हैं। हालाँकि, ये केंद्र एक निरंतर, अराजक चुनौती का सामना करते हैं: लाखों डिजिटल कार्य यादृच्छिक (रैंडम) समय पर आते हैं, जिनमें से प्रत्येक को अलग-अलग मात्रा में कंप्यूटिंग पावर और मेमोरी की आवश्यकता होती है। सिस्टम को तुरंत यह निर्णय लेना होता है कि कौन सा कार्य किस मशीन को दिया जाए। यदि निर्णय खराब है, तो कुछ मशीनें खाली बैठी रहती हैं जबकि अन्य अत्यधिक बोझ तले दब जाती हैं, जिससे प्रतिक्रिया समय धीमा हो जाता है, बिजली बर्बाद होती है और उपयोगकर्ता निराश होते हैं। दशकों से, इंजीनियरों ने इन प्रतिस्पर्धी जरूरतों को संतुलित करने के लिए नियम बनाकर इसे हल करने का प्रयास किया है, लेकिन आधुनिक ट्रैफ़िक की अत्यधिक गति और अनिश्चितता ने सरल नियमों को अपर्याप्त बना दिया है।
चीन के तियानशुई नॉर्मल यूनिवर्सिटी के शोधकर्ताओं ने हाल ही में इस अराजकता को प्रबंधित करने का एक नया तरीका प्रस्तावित किया है, जो स्थिर नियमों से आगे बढ़कर एक ऐसे सिस्टम की ओर बढ़ता है जो एक जीवित जीव की तरह सीखता है और अनुकूलित होता है। उनका कार्य 'डीप रिइन्फोर्समेंट लर्निंग' नामक एक पद्धति पर केंद्रित है, जो आर्टिफिशियल इंटेलिजेंस का एक प्रकार है जहाँ एक कंप्यूटर प्रोग्राम परीक्षण और त्रुटि (ट्रायल एंड एररोर) के माध्यम से निर्णय लेना सीखता है, ठीक वैसे ही जैसे एक बच्चा साइकिल चलाना सीखता है। एक निश्चित नियमावली का पालन करने के बजाय, प्रोग्राम डेटा सेंटर के वातावरण के साथ अंतःक्रिया करता है, विभिन्न शेड्यूलिंग विकल्पों को आजमाता है और इस बात पर फीडबैक प्राप्त करता है कि उन विकल्पों ने कैसा प्रदर्शन किया। लक्ष्य एक ऐसा "स्वीट स्पॉट" खोजना है जहाँ सिस्टम कार्यों को तेजी से पूरा करे, कम से कम ऊर्जा का उपयोग करे और साथ ही अपनी सभी मशीनों को व्यस्त रखे। ये लक्ष्य अक्सर परस्पर विरोधी होते हैं; उदाहरण के लिए, किसी मशीन को पूरी गति से चलाने से कार्य तेजी से समाप्त हो सकता है लेकिन इससे अधिक बिजली जल सकती है। शोधकर्ताओं की चुनौती कंप्यूटर को इन समझौतों (ट्रेड-ऑफ) को बिना "लोकल ऑप्टिमम" में फंसे नेविगेट करना सिखाना था, जो एक ऐसी स्थिति है जहाँ वह सर्वोत्तम संभव समाधान के बजाय एक "ठीक-ठाक" समाधान पर ही टिक जाता है।
इसे हल करने के लिए, टीम ने एक नया शेड्यूलिंग सिस्टम विकसित किया जिसे वे ITS-D3QN कहते हैं। कल्पना कीजिए कि डेटा सेंटर एक व्यस्त हवाई अड्डे की तरह है जहाँ हजारों उड़ानें और सीमित गेट हैं। एक पारंपरिक शेड्यूलर साधारण सूची के आधार पर विमानों को गेट आवंटित कर सकता है, लेकिन एक स्मार्ट शेड्यूलर गतिशील निर्णय लेने के लिए मौसम, ईंधन के स्तर और कनेक्टिंग उड़ानों के आगमन के समय को देखेगा। शोधकर्ताओं का सिस्टम दो स्तरों पर काम करता है। निचला स्तर तत्काल 'गेट एजेंट' के रूप में कार्य करता है, जो यह तय करता है कि अभी कौन सा विशिष्ट कार्य किस वर्चुअल मशीन को दिया जाए। ऊपरी स्तर पूरे क्लस्टर के व्यापक परिदृश्य को देखते हुए 'एयर ट्रैफिक कंट्रोलर' के रूप में कार्य करता है। यह ऊपरी परत केवल व्यक्तिगत कार्यों को नहीं देखती है; यह पूरे सिस्टम के स्वास्थ्य की निगरानी करती है, यह मापती है कि वर्तमान निर्णयों का सेट संभावित अच्छे परिणामों की पूरी श्रृंखला को कितनी अच्छी तरह कवर करता है। यह एक गणितीय अवधारणा का उपयोग करता है जिसे 'हाइपरवॉल्यूम' कहा जाता है, जो अनिवार्य रूप से उस "अच्छे समाधान स्थान" के आकार को मापता है जिसे सिस्टम ने अब तक खोजा है। यदि सिस्टम केवल औसत दर्जे के समाधान खोज रहा है, तो ऊपरी परत प्राथमिकताओं को समायोजित करती है, निचली परत को निर्देश देती है कि वह गति और ऊर्जा के बीच एक अलग संतुलन बनाने का प्रयास करे।
यह दो-स्तरीय दृष्टिकोण सिस्टम को उन जालों से बचने की अनुमति देता है जिन्होंने पिछली पद्धतियों को परेशान किया है। पुराने आर्टिफिशियल इंटेलिजेंस शेड्यूलर अक्सर निश्चित भार (फिक्स्ड वेट्स) पर निर्भर करते थे, जिसका अर्थ था कि उन्हें गति के बारे में एक निश्चित प्रतिशत और ऊर्जा के बारे में एक निश्चित प्रतिशत पर ध्यान देने के लिए प्रोग्राम किया गया था, चाहे स्थिति कैसी भी हो। यदि लोड बदल जाता, तो ये निश्चित नियम अनुकूलित नहीं हो पाते। हालाँकि, नया सिस्टम लगातार इन प्राथमिकताओं का पुनर्मूल्यांकन करता है। यह सुनिश्चित करने के लिए कि इसके प्रदर्शन के माप सटीक हैं और केवल रैंडम शोर नहीं हैं, यह 'इन्क्रीमेंटल सैंपलिंग' नामक एक तकनीक का उपयोग करता है। बैकग्राउंड में कई छोटे सिमुलेशन चलाकर, यह बदलाव करने से पहले एक विश्वसनीय तस्वीर बनाता है कि इसकी वर्तमान रणनीति कितनी अच्छी तरह काम कर रही है। यह सिस्टम को ट्रैफ़िक के अस्थायी उतार-चढ़ाव के प्रति अत्यधिक प्रतिक्रिया करने से रोकता है, जिससे यह सुनिश्चित होता है कि इसकी सीख स्थिर और वास्तविकता पर आधारित है।
शोधकर्ताओं ने अपने सिस्टम का परीक्षण अलीबाबा क्लस्टर ट्रेस (Alibaba Cluster Trace) से प्राप्त वास्तविक दुनिया के डेटा का उपयोग करके किया, जो एक विशाल डेटासेट है जो कई दिनों तक हजारों सर्वरों की वास्तविक गतिविधि को रिकॉर्ड करता है। उन्होंने यह देखने के लिए कि उनका सिस्टम पुराने तरीकों, जिसमें मानक राउंड-रॉबिन शेड्यूलिंग और अन्य प्रकार के आर्टिफिशियल इंटेलिजेंस शामिल हैं, की तुलना में कैसा प्रदर्शन करता है, उन्होंने दसियों हजार कार्यों के आगमन का अनुकरण किया। परिणाम स्पष्ट थे: नया सिस्टम लगातार अन्यों से बेहतर प्रदर्शन करता है। तुलना किए गए एल्गोरिदम के सापेक्ष, इसने औसत कार्य प्रतिक्रिया समय को लगभग 4.75% कम कर दिया और प्रति कार्य उपयोग की जाने वाली औसत ऊर्जा को लगभग 4.32% कम कर दिया। हालाँकि, विस्तृत लोड स्थितियों की जांच करने पर, सुधार भिन्न थे; उदाहरण के लिए, कार्य मात्रा के आधार पर प्रतिक्रिया समय में कमी 6.3% से 43.8% के बीच रही। शायद सबसे प्रभावशाली बात यह है कि इसने उपलब्ध संसाधनों के औसत उपयोग को लगभग 5.62% बढ़ा दिया, जिसका अर्थ है कि अन्य मशीनों के संघर्ष करने के दौरान कम मशीनें खाली बैठी रहीं। ये सुधार तब भी बने रहे जब कार्यों की संख्या बढ़ी, जिससे पता चलता है कि सिस्टम भारी दबाव में भी मजबूत बना रहा।
अध्ययन बताता है कि सिस्टम के उच्च-स्तरीय प्रदर्शन के दृष्टिकोण को निम्न-स्तरीय त्वरित, विशिष्ट निर्णय लेने की क्षमता के साथ जोड़कर, क्लाउड डेटा सेंटर काफी कुशल बन सकते हैं। शोधकर्ताओं ने पाया कि सफलता की कुंजी केवल निर्णयों की गति में नहीं थी, बल्कि समझौतों (ट्रेड-ऑफ) को स्पष्ट रूप से देखने की क्षमता में थी। हाइपरवॉल्यूम मीट्रिक का उपयोग करके सीखने की प्रक्रिया को निर्देशित करके, सिस्टम ने प्रतिस्पर्धी उद्देश्यों के जटिल परिदृश्य के माध्यम से एक संतुलित पथ खोजने के लिए सीखा। हालाँकि ये परिणाम वाणिज्यिक डेटा सेंटर में लाइव तैनाती के बजाय कंप्यूटर सिमुलेशन के माध्यम से प्राप्त किए गए थे, फिर भी विभिन्न परिदृश्यों में सुधार की निरंतरता वास्तविक दुनिया में अनुप्रयोग की प्रबल क्षमता को दर्शाती है। यह कार्य एक ऐसे भविष्य की ओर संकेत करता है जहाँ क्लाउड इंफ्रास्ट्रक्चर डिजिटल मांग के उतार-चढ़ाव के अनुसार स्वचालित रूप से समायोजित हो सकता है, जिससे मानवीय हस्तक्षेप के बिना ऊर्जा की बचत और सेवाओं की गति बढ़ाई जा सकती है। जैसे-जैसे डेटा का आयतन बढ़ता जा रहा है, इस तरह की अनुकूलन योग्य बुद्धिमत्ता डिजिटल दुनिया को सुचारू और टिकाऊ रूप से चलाने के लिए आवश्यक हो सकती है।
अपने क्षेत्र के पेपरों की भीड़ में उलझे हुए हैं?
आपके रिसर्च कीवर्ड से मेल खाने वाले सबसे नए और अलग सोच वाले पेपरों का रोज़ाना Digest पाएँ—तकनीकी सारांश के साथ, आपकी भाषा में।