Heterojen hesaplama ortamlarında hassas görev zamanlaması için QLSA-MOEAD entegrasyonu

Daha akıllı bilgisayar zamanlamasının önemi

Deprem simülasyonlarından uzay teleskoplarına kadar günümüz bilimi, geleneksel CPU’lar, grafik işlemciler ve yeniden yapılandırılabilir donanım gibi çeşitli çipleri harmanlayan yaygın bilgisayar sistemlerine dayanıyor. Hangi çipin hangi işi hangi sırayla çalıştıracağına karar vermek beklenenden zor olabilir ve kötü yapıldığında zaman ile enerjiyi boşa harcayabilir. Bu makale, büyük işler daha hızlı tamamlanacak, donanım daha iyi kullanılacak ve bazı durumlarda daha az güç tüketecek şekilde bu karmaşık iş yüklerini düzenlemek için yeni bir yöntem sunuyor.

Farklı çipler, iç içe geçmiş işler

Modern yüksek performanslı bilgisayarlar “heterojendir”: her biri farklı güçlü yönlere sahip CPU’ları, GPU’ları, FPGA’ları ve diğer hızlandırıcıları birleştirir. Bilimsel ve endüstriyel uygulamalar genellikle işleri veri bağımlılıklarıyla birbirine bağlı birçok küçük göreve böler ve bu doğal olarak Yönlendirilmiş Döngüsüz Bir Grafik (DAG) oluşturur. Bazı görevler diğerleri başlamadan önce bitmelidir ve görevlerin çalışması atandıkları çipe göre daha hızlı veya daha yavaş olabilir. Zorluk, yüzlerce bağımlı görevi, toplam tamamlanma süresinin kısa, makinelerin boşta değil meşgul kalacağı ve belirli iş akışlarında enerji kullanımının kontrol altında tutulacağı şekilde bir işlemci karmasına atamaktır. Matematiksel olarak bu, NP-zor bir problemdir; gerçekçi sistemler için kaba kuvvet araması uygulanabilir değildir.

Eski yöntemler neden yetersiz kalıyor

Geleneksel zamanlama yaklaşımları genellikle istikrarlı bir ortam varsayar ve tamamlanma süresini minimize etmek gibi tek bir hedefe odaklanır. HEFT gibi iyi bilinen sezgiler görevleri önceliğe göre sıraya dizerken, benzetimli tavlama veya tabu arama gibi meta-sezgisel yöntemler olası zamanlama uzayında iyileştirmeler arar. Bu yöntemler daha küçük veya daha basit sistemlerde iyi çalışabilir, ancak genellikle rastgele başlangıç zamanlamalarından başlar, koşullar değiştiğinde uyum sağlamaz ve zaman, donanım yük dengesi ve enerji gibi birden fazla hedefi aynı anda dengede tutmakta zorlanır. Son dönem makine öğrenimi tabanlı zamanlayıcılar adaptasyon katıyor, fakat genellikle büyük eğitim veri setlerine ihtiyaç duyarlar ve çok amaçlı problemler için tam bir ödünleşim çözümleri kümesi üretmenin ilkeli bir yolundan yoksundur.

Planlayan ve rafine eden hibrit bir öğrenici

Yazarlar QLSA-MOEAD adını verdikleri, üç fikri harmanlayan bir hibrit çerçeve öneriyor: Q-öğrenme, benzetimli tavlama ve MOEA/D adlı çok amaçlı evrimsel teknik. Önce, bir Q-öğrenme ajanı deneme-yanılma yoluyla görev sıraları oluşturmayı öğrenir. Ajan defalarca zamanlamalar inşa eder, bunların ne kadar sürede tamamlandığını gözlemler ve hangi seçimlerin daha iyi sonuçlara yol açma eğiliminde olduğunu yakalayan “Q-değerleri” tablosunu günceller. Sabit kurallara dayanmak yerine ajan, görevleri işlemcilere eşleştirme konusunda iyi örüntüleri ve yürütme sırasında yeni görevler ortaya çıktığında nasıl tepki verileceğini kademeli olarak öğrenir. Öğrenilen bu politika kullanılarak sistem rastgele bir başlangıç yerine güçlü bir ilk zamanlama üretir ve böylece optimizasyon sürecine avantaj sağlar.

İnce ayar ve çelişen hedeflerin dengelenmesi

Ardından, benzetimli tavlama öğrenilmiş zamanlamayı görev çiftlerini takas ederek hafifçe iter ve yerel çıkmazlardan kaçmak için bazen daha kötü seçenekleri kabul ederek tıpkı bir yapbozu sallayıp daha iyi bir konfigürasyona yerleşmesini sağladığı gibi iyileştirme sağlar. Son olarak, MOEA/D zamanlama problemini gerçek anlamda çok amaçlı olarak ele alır. Tüm hedefleri tek bir skorda toplamak yerine problemi, erken bitirme ile işlemcilerin eşit yüklenmesi arasındaki farklı ödünleşimleri temsil eden birçok alt probleme ayırır — ve CyberShake adlı sismik tehlike iş akışı için enerji kullanımını azaltmayı da içerir. Evrimsel bir süreç bu ödünleşimleri paralel olarak keşfeder ve komşu alt problemler arasında bilgi değişimi yaparak, bir hedefi iyileştirmenin diğerini kötüleştireceği çeşitli “Pareto sınırı” zamanlamaları üretir.

Yöntemin teste tabi tutulması

Performansı değerlendirmek için QLSA-MOEAD, sentetik Hızlı Fourier Dönüşümü (FFT) ve moleküler iş yükleri, büyük bir astronomik görüntü birleştirme iş akışı (Montage) ve gerçek dünya CyberShake deprem simülasyonu dahil olmak üzere 20 iş akışı vakasında test edildi. 16 sentetik vakada yeni yöntem, gelişmiş birkaç kıyaslama yöntemine kıyasla 14’ünde en iyi çözüm kalitesini sunarak tamamlanma sürelerini kısalttı ve donanım kullanımını iyileştirdi. Enerji de optimize edilen CyberShake için, önceki en iyi yöntemlere göre standart bir çok amaçlı kalite ölçüsünde iki ila dört kat iyileşme sağlarken, ödünleşim çözümlerinin iyi bir dağılımını korudu. Yeni görevlerin aniden geldiği dinamik testlerde, öğrenilmiş zamanlayıcı iki milisaniyenin altında tepki verebildi; planları her şeyi baştan hesaplamaktan çok daha hızlı ayarladı, ancak iletişim gecikmeleri aşırı olduğunda bazen optimalitede düşüş oldu.

Günlük hesaplama için anlamı

Uzman olmayan bir okuyucu için çıkarım şudur: Öğrenmeye dayalı daha akıllı zamanlayıcılar, büyük karma çipli bilgisayarları sürekli insan ayarı gerektirmeden hem daha hızlı hem daha çevreci hale getirebilir. Bir deneyime dayalı planlayıcı (Q-öğrenme), dikkatli bir yerel arama (benzetimli tavlama) ve bir ödünleşim kaşifi (MOEA/D) birleştirildiğinde önerilen çerçeve, büyük işleri daha erken bitiren, pahalı donanımı daha iyi kullanan ve bazı uygulamalarda enerji tüketimini azaltan zamanlamaları sürekli olarak bulur. Hâlâ sınırlamalar var—örneğin eğitim maliyeti ve en uç koşullarda performans düşüşleri—ancak çalışma, karmaşık bilimsel ve endüstriyel iş akışlarının daha özerk ve verimli bir şekilde düzenlenmesine yönelik pratik bir yol gösteriyor.

Atıf: 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

Anahtar kelimeler: görev zamanlaması, heterojen hesaplama, pekiştirmeli öğrenme, çok amaçlı optimizasyon, enerji verimli iş akışları