Uma Comparação entre Escalonadores de Tarefas baseados em Aprendizado de Máquina

• Claudinei Cabral Junior UDESC
• Guilherme Piêgas Koslovski UDESC

DOI: https://doi.org/10.5753/eradrs.2025.6816

Resumo

O escalonamento de tarefas desempenha um papel fundamental em sistemas computacionais, impactando diretamente na eficiência e no uso de recursos. Algoritmos tradicionais enfrentam dificuldades em ambientes dinâmicos, tornando abordagens baseadas em aprendizado de máquina uma alternativa promissora. Dentre as abordagens existentes, este trabalho compara os escalonadores Decima e ACRL, baseados em Reinforcement Learning.

Palavras-chave: Aprendizado de Máquina e Computação de Alto Desempenho, Escalonamento e Balanceamento de Carga

Referências

Feitelson, D. G. and Rudolph, L. (1998). Metrics and benchmarking for parallel job scheduling. In Feitelson, D. G. and Rudolph, L., editors, Job Scheduling Strategies for Parallel Processing, pages 1–24, Berlin, Heidelberg. Springer Berlin Heidelberg.

Koslovski, G. P., Pereira, K., and Albuquerque, P. R. (2024). Dag-based workflows scheduling using actor–critic deep reinforcement learning. Future Generation Computer Systems, 150:354–363.

Mao, H., Schwarzkopf, M., Venkatakrishnan, S. B., Meng, Z., and Alizadeh, M. (2019). Learning scheduling algorithms for data processing clusters. In Proceedings of the ACM Special Interest Group on Data Communication, SIGCOMM ’19, page 270–288, New York, NY, USA. Association for Computing Machinery.