Tým vědců z Virginia Polytechnic Institute and State University uvedl nové řešení zaměřené na superpočítače, které pomáhá zefektivnit procesy zpracování jednotlivých úloh, které zahrnují přenosy obrovského množství dat.
Současné systémy ve velkém používají takzvaný Round-robin scheduling, což je základní plánovací algoritmus, který už na úrovni operačního systému určuje, jaký proces bude vykonán na daném hardwaru (procesor, grafická karta, úložiště) a v jakém pořadí. Problém je, že tento algoritmus vůbec neřeší objem dat či vlastnosti úlohy. To vede k mnoha případům, kdy dochází k neefektivnímu zatížení a zpomalení výkonu celého superpočítače. A právě to nový systém řeší.
Strojové učení na to jde chytře
Nový systém využívá strojového učení k tomu, aby dokázal rozpoznat nejen konkrétní úlohu, ale také třeba její typ. Díky tomu může správně vyhodnocovat pořadí a rozložení potřebných zdrojů tak, aby ke zpracování došlo efektivně a hlavně rychle bez toho, aby se superpočítač zbytečně „zasekl“.
Systém navíc řeší nejen aktuální potřeby v reálném čase, ale dokáže i velmi dobře predikovat následné potřeby a rozložit tak úložné a síťové zdroje ještě lépe. Díky tomu už monitorovací platforma dokáže správně vyhodnotit, že v blízké době dorazí velké množství dat, v jaké formě a včas uvolní potřebné zdroje.
Bez změny kódu
Hlavní výhodou je, že se jedná o end-to-end řešení, které nevyžaduje úpravu kódů stávajícího použitého softwaru, který je určen pro zpracování náročných úloh v různých fázích.
V rámci klasických optimalizací u superpočítačů je totiž téměř vždy nutné částečně upravit i používané aplikace, aby došlo k přizpůsobení jejich chování ve spojení s novým systémem rozložení zátěže. To samozřejmě stojí peníze a trvá nějakou dobu, protože se jedná o zásah někdy i velkého počtu programátorů.
Vysoká přesnost
Tvůrci se chlubí tím, že systém dokáže predikovat s velmi vysokou přesností 99 %, což bylo ověřeno u reálného systému a jeho úložného systému. Speciální server pro metadata rovněž neustále sbírá a vyhodnocuje informace z úložných systémů v reálném čase, díky čemuž ve výsledku dochází k optimálnímu vytížení a zpracování dat.
Podobné systémy postavené na strojovém učení budou hrát stále důležitější roli, protože již brzy bude na světě první superpočítač s výkonem v oblasti EXAFLOPS a s tím přichází i nutnost efektivně řešit zdroje novým a chytrým způsobem, a nikoli starými a jednoduššími algoritmy, které byly dostatečně v minulosti.
Samotná technologie strojového učení jde navíc velmi rychle dopředu a s tím i různé akcelerátory, takže využití není problém ani z pohledu nákladů nebo výkonu.
