Escalonando Workflows com Redes Convolucionais de Grafos

• Lucas Oliveira Macedo UDESC
• Guilherme Piêgas Koslosvki UDESC

DOI: https://doi.org/10.5753/eradrs.2026.21277

Resumo

Este trabalho propõe o uso de uma Residual Graph Convolutional Network (ResGCN) para selecionar dinamicamente uma política para escalonamento de workflows. O modelo avalia indicadores de makespan, footprint, slowdown e balanceamento de carga. A ResGCN obteve mais de 56,67% de acurácia, indicando um caminho promissor na identificação de gargalos e adaptação ao estado da infraestrutura.

Referências

Brucker, P. (2007). Scheduling Algorithms. Springer Berlin Heidelberg, Berlin, Heidelberg, 5th edition.

Deelman, E., Vahi, K., Juve, G., Rynge, M., Callaghan, S., Maechling, P. J., et al. (2019). The evolution of the Pegasus workflow management software. Computing in Science & Engineering, 21(4):22–36.

Diel, G., Kraus, A. E. N., and Koslovski, G. P. (2024). Usando aprendizado supervisionado para composição de políticas de escalonamento. In Anais da XXIV Escola Regional de Alto Desempenho da Região Sul (ERAD-RS), pages 25–28. SBC.

Kim, J., Dally, W. J., Scott, S., and Abts, D. (2008). Technology-driven, highly-scalable dragonfly topology. In 2008 International Symposium on Computer Architecture, pages 77–88. IEEE.

Kraus, A. E. N., Diel, G., and Koslovski, G. P. (2024). Predicting the efficiency of job scheduler actions. In Anais da XXIV Escola Regional de Alto Desempenho da Região Sul (ERAD-RS), pages 33–36. SBC.

Li, G., Muller, M., Thabet, A., and Ghanem, B. (2019). DeepGCNs: Can GCNs go as deep as CNNs? In Proceedings of the IEEE/CVF International Conference on Computer Vision (ICCV), pages 9267–9276.

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), pages 270–288.

Scarselli, F., Gori, M., Tsoi, A. C., Hagenbuchner, M., and Monfardini, G. (2009). The graph neural network model. IEEE Transactions on Neural Networks, 20(1):61–80.

Topcuoglu, H., Hariri, S., and Wu, M.-Y. (2002). Performance-effective and low-complexity task scheduling for heterogeneous computing. IEEE Transactions on parallel and distributed systems, 13(3):260–274.