Integração QLSA-MOEAD para agendamento preciso de tarefas em ambientes de computação heterogênea

Por que um agendamento mais inteligente importa

De simulações de terremotos a telescópios espaciais, a ciência atual roda em sistemas computacionais extensos que misturam vários tipos de chips — CPUs tradicionais, processadores gráficos e hardware reconfigurável. Decidir qual chip deve executar cada parte do trabalho, e em que ordem, é surpreendentemente difícil e pode desperdiçar tempo e energia se for feito de forma inadequada. Este artigo apresenta uma nova maneira de orquestrar essas cargas complexas para que grandes tarefas terminem mais rápido, usem melhor o hardware e, em alguns casos, consumam menos energia.

Chips diferentes, tarefas entrelaçadas

Computadores de alto desempenho modernos são "heterogêneos": combinam CPUs, GPUs, FPGAs e outros aceleradores, cada um com pontos fortes distintos. Aplicações científicas e industriais frequentemente dividem seu trabalho em muitas pequenas tarefas conectadas por dependências de dados, formando naturalmente um Grafo Acíclico Dirigido (DAG). Algumas tarefas devem terminar antes que outras possam começar, e tarefas podem rodar mais rápido ou mais devagar dependendo do chip onde são executadas. O desafio é atribuir centenas de tarefas interdependentes a uma mistura de processadores de modo que o tempo total de conclusão seja curto, as máquinas fiquem ocupadas em vez de ociosas e, para certos fluxos de trabalho, o consumo de energia permaneça controlado. Matematicamente, este é um problema NP-difícil, o que significa que uma busca exaustiva é inviável para sistemas realistas.

Por que métodos antigos ficam aquém

Abordagens tradicionais de agendamento frequentemente assumem um ambiente estável e se concentram em um único objetivo, como minimizar o tempo de conclusão. Heurísticas conhecidas como HEFT ordenam tarefas por prioridade, enquanto metaheurísticas como recozimento simulado ou busca tabu exploram o espaço de possíveis agendas em busca de melhorias. Esses métodos podem funcionar bem em sistemas menores ou mais simples, mas tipicamente partem de agendas iniciais aleatórias, não se adaptam quando as condições mudam e têm dificuldade em conciliar vários objetivos ao mesmo tempo — como tempo, balanceamento de carga do hardware e energia. Agendadores recentes baseados em aprendizado de máquina adicionam adaptatividade, mas geralmente exigem grandes conjuntos de treinamento e ainda carecem de uma forma principiada de produzir um conjunto completo de soluções de compromisso para múltiplos objetivos.

Um aprendiz híbrido que planeja e refina

Os autores propõem o QLSA-MOEAD, um framework híbrido que combina três ideias: Q-learning, recozimento simulado e uma técnica evolutiva multiobjetivo chamada MOEA/D. Primeiro, um agente de Q-learning é treinado para construir ordens de tarefas por tentativa e erro. Ele constrói repetidamente agendas, observa quanto tempo levam para terminar e atualiza uma tabela de "valores Q" que captura quais escolhas tendem a levar a resultados melhores. Em vez de depender de regras fixas, o agente aprende gradualmente bons padrões para mapear tarefas a processadores, incluindo como reagir quando novas tarefas aparecem durante a execução. Usando essa política aprendida, o sistema gera uma agenda inicial forte em vez de uma aleatória, dando ao processo de otimização uma vantagem inicial.

Ajuste fino e equilíbrio entre objetivos concorrentes

Em seguida, o recozimento simulado ajusta a agenda aprendida trocando pares de tarefas e, ocasionalmente, aceitando opções piores para escapar de becos locais, muito parecido com sacudir um quebra-cabeça para atingir uma configuração melhor. Finalmente, o MOEA/D trata o problema de agendamento como verdadeiramente multiobjetivo. Em vez de colapsar todas as metas em uma única pontuação, ele decompõe o problema em muitos subproblemas, cada um representando um diferente trade-off entre terminar cedo e manter os processadores igualmente carregados — e, para um fluxo de trabalho de risco sísmico chamado CyberShake, também reduzir o uso de energia. Um processo evolutivo explora esses trade-offs em paralelo, trocando informação entre subproblemas vizinhos para produzir uma diversa "fronteira de Pareto" de agendas nas quais melhorar um objetivo pioraria outro.

Colocando o método à prova

Para avaliar o desempenho, o QLSA-MOEAD foi testado em 20 casos de workflow, incluindo cargas sintéticas de Transformada Rápida de Fourier e molecular, um grande fluxo de trabalho de costura de imagens astronômicas (Montage) e a simulação real de terremotos CyberShake. Em 16 casos sintéticos, o novo método forneceu a melhor qualidade de solução em 14 deles, reduzindo tempos de conclusão e melhorando a utilização do hardware em comparação com várias linhas de base avançadas. Para o CyberShake, onde a energia também foi otimizada, obteve melhorias de duas a quatro vezes em uma medida padrão de qualidade multiobjetivo em relação ao estado da arte anterior, mantendo uma boa variedade de soluções de compromisso. Em testes dinâmicos, nos quais novas tarefas chegam em tempo de execução, o agendador aprendido pôde reagir em menos de dois milissegundos, ajustando planos muito mais rápido do que recomputar tudo do zero, embora às vezes com perda de otimalidade quando os atrasos de comunicação eram extremos.

O que isso significa para a computação do dia a dia

Para um não especialista, a mensagem é que agendadores mais inteligentes, baseados em aprendizado, podem tornar grandes computadores heterogêneos mais rápidos e mais verdes sem necessidade de ajuste humano constante. Ao combinar um planejador baseado em experiência (Q-learning), uma busca local cuidadosa (recozimento simulado) e um explorador de trade-offs (MOEA/D), o framework proposto encontra consistentemente agendas que terminam grandes tarefas mais cedo, mantêm hardware caro melhor utilizado e, para algumas aplicações, reduzem o consumo de energia. Embora ainda existam limites — como custo de treinamento e queda de desempenho nas condições mais extremas — o estudo mostra um caminho prático rumo a uma orquestração mais autônoma e eficiente de workflows científicos e industriais complexos.

Citação: 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

Palavras-chave: agendamento de tarefas, computação heterogênea, aprendizado por reforço, otimização multiobjetivo, workflows energeticamente eficientes