盲目的 GB-PANDAS：一种盲目吞吐量最优负载平衡算法，用于亲和调度
摘要：多种类型任务在多技能服务器上的动态亲和性负载平衡，在每个服务器上每个任务类型的服务速率是已知的，而且可能不同于其他速率，这是一个超过三十年的开放问题。目标是以实时的方式在服务器上进行任务分配，使得系统稳定，这意味着队列长度在稳态下不会无限增加（吞吐量最优性），并且任务完成时间最小化（延迟最优性）。流体模型规划、最大权重和c-$mu$-规则算法在亲和性问题的某些方面具有理论上的最优性保证，但它们考虑了复杂的排队结构，并且要求任务到达率、服务器上任务的服务速率或两者都要知道。在介绍部分讨论的许多情况中，不同任务类型在不同服务器上的任务到达率和服务速率都是未知的。在本工作中，提出了盲目的GB-PANDAS算法，它对任务到达率和服务速率完全不知情。盲目的GB-PANDAS使用了一种探索-利用的负载平衡方法。我们证明了盲目的GB-PANDAS在服从任意和未知分布的不同任务类型在不同服务器上的服务时间和未知任务到达率时是吞吐量最优的。盲目的GB-PANDAS希望将进入的任务路由到权重最小的服务器，但由于服务速率未知，这种任务路由不被保证，这使得吞吐量最优性分析比已知服务速率的情况更加复杂。我们广泛的实验结果表明，在高负载下，盲目的GB-PANDAS在平均任务完成时间方面明显优于现有方法。
作者：Ali Yekkehkhany and Rakesh Nagi
论文ID：1901.04047
分类：Performance
分类简称：cs.PF
提交时间：2020-03-05