تكامل QLSA-MOEAD لجدولة المهام بدقة في بيئات الحوسبة غير المتجانسة

لماذا تهم جدولة الحاسوب الأذكى

من محاكيات الزلازل إلى التلسكوبات الفضائية، تعتمد علوم اليوم على أنظمة حاسوبية واسعة تمزج أنواعاً متعددة من الشرائح—وحدات المعالجة المركزية التقليدية، معالجات الرسوميات، والعتاد القابل لإعادة التكوين. إن تحديد أي شريحة يجب أن تنفذ أي جزء من العمل وبأي ترتيب أمر أصعب مما يبدو ويمكن أن يهدر الوقت والطاقة إذا تم بشكل سيئ. تقدم هذه الورقة طريقة جديدة لتنظيم هذه الأحمال المعقدة بحيث تنتهي الأعمال الكبيرة أسرع، وتستخدم العتاد بشكل أكمل، وفي بعض الحالات تستهلك طاقة أقل.

شرائح مختلفة، مهام معقّدة

أجهزة الحوسبة عالية الأداء الحديثة «غير متجانسة»: تجمع بين وحدات CPU وGPU وFPGA ومسارعون آخرون، وكل منها يمتلك نقاط قوة مميزة. غالباً ما تجزّئ التطبيقات العلمية والصناعية عملها إلى مهام صغيرة كثيرة مرتبطة بعلاقات تبعية للبيانات، مما يشكل طبيعياً رسمًا موجّهاً لا يحتوي على دورات (DAG). يجب أن تنتهي بعض المهام قبل أن تبدأ أخرى، وقد تعمل المهام بسرعة أو بطء اعتماداً على الشريحة التي تُشغّل عليها. التحدي هو تخصيص مئات المهام المترابطة إلى مزيج من المعالجات بحيث يكون وقت الإكمال الكلي قصيراً، وتُحافظ الآلات على العمل بدلاً من الخمول، ولأنواع معينة من سير العمل، يبقى استهلاك الطاقة مضبوطاً. رياضياً، هذه مسألة NP-صعبة، مما يعني أن البحث بالقوة الغاشمة غير عملي للأنظمة الواقعية.

لماذا الطرق القديمة تقصر

تفترض مقاربات الجدولة التقليدية غالباً بيئة مستقرة وتركز على هدف واحد، مثل تقليل زمن الإكمال. خوارزميات تحكيمية معروفة مثل HEFT ترتب المهام حسب الأولوية، بينما تستكشف الميتاهوريستيات مثل التلدين المحاكًى أو بحث التابو فضاء الجداول الممكنة بحثاً عن تحسينات. قد تعمل هذه الأساليب جيداً على أنظمة أصغر أو أبسط، لكنها عادةً تبدأ من جداول ابتدائية عشوائية، ولا تتكيف بمجرد تغير الظروف، وتكافح للموازنة بين عدة أهداف في آن واحد—مثل الزمن، وتوازن حمل العتاد، والطاقة. جلبت جداول مبنية على التعلم الآلي قابلية للتكيّف، لكنها عادةً تتطلب مجموعات تدريب كبيرة وتظل تفتقر إلى طريقة مبدئية لإنتاج مجموعة كاملة من حلول المقايضة متعددة الأهداف.

متعلم هجيني يخطط وينقّح

يقترح المؤلفون إطار عمل هجيني اسمه QLSA-MOEAD يمزج ثلاث أفكار: التعلم Q، التلدين المحاكًى، وتقنية تطورية متعددة الأهداف تسمى MOEA/D. أولاً، يُدرَّب عميل تعلم Q لبناء ترتيب المهام بالتجربة والخطأ. ينشئ الجداول مراراً، يلاحظ كم تستغرق من وقت للإكمال، ويحدّث جدول «قيم Q» الذي يلتقط أي الخيارات تميل إلى أن تؤدي إلى نتائج أفضل. بدل الاعتماد على قواعد ثابتة، يتعلم الوكيل تدريجياً أنماطاً جيدة لتعيين المهام إلى المعالجات، بما في ذلك كيفية الرد عند ظهور مهام جديدة أثناء التنفيذ. باستخدام هذه السياسة المتعلمة، يولد النظام جدولاً ابتدائياً قوياً بدلاً من جدول عشوائي، ما يمنح عملية التحسين بداية أقوى.

الضبط الدقيق وموازنة الأهداف المتنافسة

بعد ذلك، يدفع التلدين المحاكًى الجدول المتعلم عن طريق مبادلة أزواج من المهام وقبول خيارات أسوأ أحياناً للهروب من النهايات المحلية المسدودة، تماماً كما هز لغز ليستقر في ترتيب أفضل. أخيراً، يتعامل MOEA/D مع مشكلة الجدولة كمشكلة متعددة الأهداف حقاً. بدلاً من حل كل الأهداف في نتيجة واحدة، يقوم بتفكيك المشكلة إلى العديد من المشاكل الفرعية، كل منها يمثل مقايضة مختلفة بين الانتهاء بسرعة والحفاظ على تحميل متوازن للمعالجات—ولسير عمل مخاطر زلزالية يُدعى CyberShake، أيضاً تقليل استهلاك الطاقة. تستكشف عملية تطورية هذه المقايضات بالتوازي، وتتبادل المعلومات بين المشاكل الفرعية المجاورة لإنتاج «جبهة باريتو» متنوعة من الجداول حيث إن تحسين هدف واحد يؤدي إلى تدهور هدف آخر.

تجريب الطريقة

لقياس الأداء، اختُبر QLSA-MOEAD على 20 حالة سير عمل، بما في ذلك أحمال صناعية تحويل فورييه السريعة وتركيبات جزيئية، وسير عمل كبير لتركيب الصور الفلكية (Montage)، ومحاكاة الزلازل الواقعية CyberShake. عبر 16 حالة تركيبية، قدمت الطريقة الجديدة أفضل جودة حلول في 14 حالة، مختصرة أوقات الإكمال ومحسنة استخدام العتاد مقارنة بعدد من الخطوط الأساسية المتقدمة. بالنسبة إلى CyberShake، حيث تم تحسين الطاقة أيضاً، حققت الطريقة تحسناً بمقدار مرتين إلى أربع أضعاف في مقياس جودة متعدد الأهداف قياسي مقارنةً بحالة الفن السابقة، مع الحفاظ على انتشار جيد لحلول المقايضة. في اختبارات ديناميكية حيث تصل مهام جديدة أثناء التنفيذ، تمكن المجدول المتعلم من التفاعل في أقل من اثنين من الملّي ثانية، معدلاً الخطط أسرع بكثير من إعادة حساب كل شيء من الصفر، وإن كان ذلك أحياناً على حساب تقليل الأمثلية عندما كانت تأخيرات الاتصال شديدة.

ماذا يعني هذا للحوسبة اليومية

لغير المتخصص، الرسالة هي أن جداول العمل الأذكى المبنية على التعلم يمكن أن تجعل الحواسيب الكبيرة المختلطة الشرائح أسرع وأكثر خضرة دون ضبط يدوي مستمر. من خلال الجمع بين مخطط قائم على الخبرة (تعلم Q)، وبحث محلي مدروس (التلدين المحاكًى)، ومستكشف للمقايضات (MOEA/D)، يجد الإطار المقترح باستمرار جداول تنهي الأعمال الكبيرة أسرع، وتبقي العتاد المكلف مستغلاً بشكل أفضل، وفي بعض التطبيقات تقلل استهلاك الطاقة. وبينما لا تزال هناك حدود—مثل تكلفة التدريب وتراجع الأداء في أقصى الظروف—تُظهر الدراسة طريقاً عملياً نحو تنسيق أكثر استقلالية وكفاءة لسير العمل العلمي والصناعي المعقدة.

الاستشهاد: Saad, A., Abd el-Raouf, O., Hadhoud, M. et al. QLSA-MOEAD integration for precision task scheduling in heterogeneous computing environments. Sci Rep 16, 7194 (2026). https://doi.org/10.1038/s41598-026-36916-1

الكلمات المفتاحية: جدولة المهام, الحوسبة غير المتجانسة, التعلم التعزيزي, تحسين متعدد الأهداف, سير عمل موفر للطاقة