Подход к использованию нейронных сетей обнуления для решения задачи управления ресурсами распределенной динамической вычислительной сети

DOI:

Постоянный рост потребности в вычислительных ресурсах в распределенных динамических вычислительных системах привел к актуальности задач по разработке эффективных методов управления ресурсами. Среди различных методов исследования нейронные сети представляют собой многообещающее направление благодаря своей способности моделировать сложные взаимосвязи в больших данных. В этом контексте данное исследование занимается применением нейронных сетей обнуления (ZNN) для оптимизации выделения ресурсов в распределенных динамических вычислительных сетях [1-8].

Проведенные эксперименты фокусируются на систематическом анализе выбора структуры и параметров нейронных сетей обнуления с целью минимизации ошибок.

Исследование использует порядок ошибок усечения k+2, и начальные векторы описаны в таблице 1. Экспериментальные данные получены из вычислительной сети NorduGRID, включающей более 2,7 миллиарда узлов, распределенных по 141 географической локации. Эти узлы являются ключевыми в процессе выработки энергии, необходимой для работы вычислительных задач. Исследование также включает оценку выбросов углекислого газа (CO2), происходящих в результате производства этой энергии. Эти данные были взяты из интегрированной базы данных eGRID, представляющей собой источник данных по электроэнергии и выбросам, управляемый Агентством по охране окружающей среды.

Путем анализа была разработана непараметрическая функция управления этой системой, позволяющая эффективно распределять задачи между узлами, сохраняя при этом необходимую производительность и обеспечивая выполнение задач в реальном времени. Этот метод существенно снижает выбросы CO2, достигая значительного уменьшения на 9,4% за 30-дневный период. Путем полного перебора всех возможных вариантов управления были найдены оптимальные значения функции на всем исследуемому промежутке в 30 суток. Следует отметить, что этот процесс, выполненный на компьютере с процессором Intel Core i9 11980HK (2,6-3,3 ГГц), GeForce RTX 3090 Ti, 128 Гб оперативной памяти, 24 Гб видеопамяти и 1 Тб твердотельного накопителя, занял 47 часов и 12 минут.

МЕТОД НЕЙРОННЫХ СЕТЕЙ ОБНУЛЕНИЯ ДЛЯ РЕШЕНИЯ ЗАДАЧИ УПРАВЛЕНИЯ РЕСУРСАМИ РАСПРЕДЕЛЕННОЙ ДИНАМИЧЕСКОЙ ВЫЧИСЛИТЕЛЬНОЙ СЕТИ

Рассмотрим серию экспериментов по исследованию подбора структуры и параметров нейронных сетей обнуления (НСО), при которых ошибка будет минимальна.

Был выбран порядок ошибок усечения k +2. Длинны начальных векторов указаны в таблице. Данные для проведения экспериментов описаны в таблице 1.

Таблица1. Описание данных для экспериментов.

Table 1. Experiment Data Description.

k, s

Second largest root magnitude

Polyrest (вектор начальных значений)

Taucoeff (коэффициент τ )

Современные инновации, системы и технологии // (сс) ® 2023; 3(4) Modern Innovations, Systems and Technologies

	(коэффициент п )
1, 2	0.4472	[-0.6; -0.2; -0.2]	1.6
2, 2	0.8360	[3.808215205198584e-01; - 1.168617033577950; -4.156914832110251e- 01; 2.034869962691167e-01]	2.389539011192650
2,3	0.5226	[1.176689655734125e-01; - 8.516604383514612e-01; - 3.818277128943235e-01; 6.773366868988580e-02; 4.808551698248645e-02]	2.219772790140505
2,4	0.4637	[-7.325911840449030e-02; - 6.340690083336632e-01; - 3.531153119650761e-01; 4.999504148385766e-03; 4.272929389028893e-02; 1.271464066455492e-02]	2.090810740934728
3,3	0.8290	[7.356287764690319e-01; - 1.310212542580311; -9.130279068639379e-01; 4.241789042054587e-01; 1.601227985618904e-01; - 9.669002979213243e-02]	2.706690598404911
3,4	0.6397	[5.020490554114563e-01; - 1.054074297181794; -7.768688386704860e-01; 1.835959023390256e-01; 2.017816085472454e-01; - 2.855311728115157e-02; - 2.793031316429520e-02]	2.560245298708237
3,5	0.5816	[2.480059771240410e-01; - 7.885198366863375e-01; - 6.390357837629567e-01; 4.813679468512866e-03; 1.687449854130043e-01; 4.118123638757526e-02; - 2.278552457478595e-02; - 1.240473336905329e-02]	2.394810523248907
4,4	0.8477	[1.038159703195576; -1.378825739811979; - 1.496966727252006; 6.334710791603586e- 01; 5.406390647842177e-01; - 3.038823278816560e-01; - 9.303412726167593e-02; 6.043907506716473e-02]	2.964332575206227
4,5	0.7508	[6.643887844445272e-01; - 9.273967222211478e-01; - 1.299068589620714; 1.843924712566855e- 01;5.752670764736695e-01; - 4.112171440073703e-02; - 2.032607397397568e-01; 2.599124381423302e-02; 2.080818999324064e-02]	2.748056965594512

Учитывая, что функция управления в распределенных динамических вычислительных системах зависит от параметров конфигурации вычислительных узлов - x и стратегии миграции - y, в данном исследовании тщательно исследуется поведение нейронных сетей обнуления относительно этих переменных. На рисунке 1 представлены результаты работы при следующих параметрах: к = 1,s = 2,т = 0,03 ,т = 25.

Рисунок 1. Оценка качества работы НСО. Эксперимент 1.

Figure 1. Assessment of the quality of NSO work. Experiment 1.

Ошибка работы метода представлена на рисунке 2.

Рисунок 2. Ошибка работы метода НСО. Эксперимент 1.

Figure 2. NSO Method Performance Error. Experiment 1.

Видно, что к концу периода ошибка становится критической и не допустимой для управления. При сокращении интервалов наблюдения и увеличении константы затухания результаты становятся значительно хуже, и ошибка возрастает до 1000 (Рисунок 3).

Рисунок 3. Оценка качества работы НСО. Эксперимент 2.

Figure 3. Assessment of the quality of NSO work. Experiment 2.

Изменение параметров начального вектора и существенное увеличение частоты выборки до т = 0,0002, что в свою очередь приводит к увеличению вычислительной сложности работы, также не приводит к существенному снижению ошибки в интервале от 24 суток и далее.

Путем исследования и поиска лучших значений начального вектора и коэффициентов была найдены следующие значения параметры: к = 2, s = 4, т = 0,0001, ц = 100. Визуализации этого эксперимента приведены на рисунке 4.

Рисунок 4. Оценка качества работы НСО. Эксперимент 3.

Figure 4. Assessment of the quality of NSO work. Experiment 3.

График ошибки можно видеть на рисунке 5.

Рисунок 5. Ошибка работы метода НСО. Эксперимент 3.

Figure 5. NSO Method Performance Error. Experiment 3.

На рисунке 6 визуализировано поведение алгоритма по двум компонентам вместе.

Рисунок 6. Оценка качества работы НСО по двум компонентам. Эксперимент 3.

Figure 6. Assessment of the quality of the NSO's work on two components. Experiment 2.

При таких значениях уже в первые сутки ошибка достигает показателей 10-14 и в течении всего периода не увеличивается выше показателя 10-10

ЗАКЛЮЧЕНИЕ

В заключении данного исследования можно подытожить, что разработанный гибридный подход управления ресурсами в распределенных динамических вычислительных системах, который включает в себя динамическое управление частотой и напряжением в сочетании с использованием нейронных сетей обнуления, является эффективным и перспективным подходом к оптимизации работы вычислительных сред в условиях ограниченных ресурсов и временных ограничений. Эксперименты, проведенные на крупных вычислительных системах с использованием реальных данных, подтвердили его способность снижать выбросы углекислого газа на 9,4% за 30 дней при сохранении требуемой производительности.

Полученные результаты подчеркивают важность применения гибридных подходов и нейронных сетей в области оптимизации управления ресурсами в динамических вычислительных средах. Наш метод предоставляет стабильное и энергоэффективное выполнение вычислительных задач, что делает его значимым вкладом в развитие энергоэффективных вычислительных систем. Данный исследовательский подход открывает новые перспективы для оптимизации работы вычислительных систем, особенно в условиях динамичных и разнообразных вычислительных задач, при ограниченных ресурсах энергопотребления.

Таким образом, наш метод представляет собой важный шаг в направлении создания более устойчивых и эффективных вычислительных систем, способных эффективно реагировать на изменяющиеся рабочие условия и требования к ресурсам.