Échange de tâches pour la réduction de la durée moyenne de réalisation
Résumé
In this paper, we study the problem of task reallocation for load-balancing in
distributed data processing models that tackle vast amount of data. We propose
here a strategy based on cooperative agents used to optimize the rescheduling of
tasks in multiple jobs which must be executed as soon as possible. It allows
agents to determine locally the next tasks to process, to delegate, eventually
to swap according to their knowledge, their own belief base and their peer
modelling. The novelty lies in the ability of agents to identify opportunities
and bottleneck agents, and afterwards to reassign swap tasks thanks to
concurrent bilateral negotiations. The strategy adopted by the agents allows to
warrant a continuous improvement of the flowtime. Our experimentation reveals
that our strategy reaches a flowtime which is close to the one reached by the
classical heuristic approach, and significantly reduces the rescheduling time.
Dans cet article, nous étudions le problème de la réallocation de tâches pour l'équilibrage de charge dans les modèles distribués de traitement de données massives. Nous proposons ici une stratégie qui repose sur des agents coopératifs pour optimiser le réordonnancement de tâches dans un ensemble de jobs devant être exécutés le plus tôt possible. Elle permet aux agents de déterminer localement les prochaines tâches à exécuter, à déléguer, voire à échanger grâce à leur modèle des pairs. La nouveauté réside dans la capacité des agents à échanger des tâches à travers des négociations bilatérales concurrentes. Nos expérimentations montrent que la durée moyenne de réalisation atteinte par notre stratégie reste proche de celle obtenue avec une heuristique classique, avec un temps de réordonnancement significativement réduit.
| Origine | Fichiers produits par l'(les) auteur(s) |
|---|