Agent d'apprentissage par renforcement pour l'allocation optimale des ressources dans le cadre des systèmes distribués

Reinforcement Learning agent for efficient resource allocation in the context of distributed systems.

• Auteur / Autrice : Abdessalam Benhari
• Direction : Denis Trystram
• Type : Projet de thèse
• Discipline(s) : Informatique
• Date : Inscription en doctorat le 01/05/2021
• Etablissement(s) : Université Grenoble Alpes
• Ecole(s) doctorale(s) : École doctorale mathématiques, sciences et technologies de l'information, informatique
• Partenaire(s) de recherche : Laboratoire : Laboratoire d'Informatique de Grenoble
• Partenaire(s) de recherche : Equipe de recherche : Efficient and RObust Distributed Systems

Mots clés

Mots clés libres

Allocation de ressources

Efficacité énergétique

Apprentissage par renforcement

Systèmes distribués

Resources allocation

Energy efficiency

Reinforcement learning

Distributed systems

Résumé

Bull (groupe Atos) s'associe à l'équipe DataMove (INRIA, CNRS, Grenoble INP, UGA) afin de proposer une thèse pour la conception et le développement d'un framework de Re-enforcement Learning dans le cadre de l'ordonnancement de tâches sur supercalculateur. Cette thèse s'appuiera sur deux cas d'utilisation : — La recherche et la recommendation de paramètres optimaux pour la configuration de la solution sur des gestionnaires de datacenters (Gestionnaire de ressources classique). — L'enrichissement des algorithmes d'ordonnancement classiques (du type 'First Come First Served' (FCFS) ou 'Short Job First' (SJF) par un agent RL autonome dans un espace d'actions contraint. Une recherche approfondie sur quelques pistes de minimisation de l'impact carbone des système distribués est aussi envisagée en parallèle, notamment sur des sujets tels que : le 'Power capping', le management des ressources , et la prise en compte de l'impact carbone dans la gestion des scores de 'fairness' lors de la soumission des jobs (taches) dans les systèmes distribués.

Bull (Atos group) is joining forces with the DataMove team (INRIA, CNRS, Grenoble INP, UGA) to propose a thesis on the design and development of a Re-enforcement Learning framework for scheduling tasks on supercomputers. This thesis will be based on two use cases: - The search and recommendation of optimal parameters for solution configuration on datacenter managers (classical Resource Managers such as SLURM). - The enrichment of classical scheduling algorithms (such as 'First Come First Served' (FCFS) or 'Short Job First' (SJF) by an autonomous RL agent in a constrained action space. An in-depth research on some tracks of minimization of the carbon impact of distributed systems is also envisaged in parallel, in particular on subjects such as: the 'Power capping', the management of the resources, and taking into account of the carbon impact in the management of the scores of 'fairness' at the time of the submission of the jobs (tasks) in the distributed systems.