A scalable clustering-based task scheduler for homogeneous processors using DAG partitioning
Un ordonnanceur de liste basé sur le partitionnement de DAGs pour des processeurs homogènes
Résumé
When scheduling a directed acyclic graph (DAG) of tasks on computational
platforms, a good trade-off between load balance and data locality is
necessary. List-based scheduling techniques are commonly used greedy approaches
for this problem. The downside of list-scheduling heuristics
is that they are incapable of making short-term sacrifices for the global
efficiency of the schedule. In this work, we describe new
list-based scheduling heuristics based on clustering for homogeneous
platforms, under the realistic duplex single-port communication model.
Our approach uses an acyclic partitioner for DAGs for clustering.
The clustering enhances the data locality of the scheduler with a global view
of the graph. Furthermore, since the partition is acyclic, we can schedule
each part completely once its input tasks are ready to be executed. We
present an extensive experimental evaluation showing the trade-offs between
the granularity of clustering and the parallelism, and how this affects the scheduling.
Furthermore, we compare our heuristics to the best state-of-the-art list-scheduling
and clustering heuristics, and obtain more than three times better makespan in cases
with many communications.
Lors de l'ordonnancement d'un graphe dirigé acyclique (DAG) de tâches sur une plate-forme,
un bon compromis entre équilibrage de charge et localité des données est nécessaire.
Les techniques d'ordonnancement de liste sont des approches gloutonnes
communément utilisées pour ce problème.
Les inconvénients de telles heuristiques de liste sont qu'elles
sont incapables de faire des sacrifices à court terme pour que l'ordonnancement
global soit plus efficace.
Dans ces travaux, nous décrivons de nouvelles heuristiques d'ordonnancement de liste
pour des plates-formes homogènes, avec un modèle de communications duplexe un-port réaliste.
Notre approche se base sur un partitionnement acyclique
du DAG, car les parties ainsi formées permettent d'avoir une bonne localité des données
tout en conservant une vue générale du graphe. De plus, étant donné que la partition est acyclique,
nous pouvons ordonnancer chaque partie entièrement une fois que ses tâches d'entrée sont prêtes à être exécutées.
Nous présentons une évaluation expérimentale des algorithmes pour montrer
les compromis entre la granularité des partitions et le parallélisme, et comment
cela affecte l'ordonnancement. De plus, nous comparons nos heuristiques aux meilleurs
compétiteurs de la littérature, et nous obtenons un temps d’exécution total plus de trois fois meilleur
dans des cas avec de nombreuses communications.
| Origine | Fichiers produits par l'(les) auteur(s) |
|---|
Loading...