鉴于数据中心和计算系统的能源需求快速上升,一般来说,在设计时(调度)算法时的能量注意事项是基本的。通过基于例如历史数据预测系统的未来负载,机器学习可以是一种有用的方法。然而,这种方法的有效性高度取决于预测的质量,并且当预测是子标准时,可以远离最佳状态。另一方面,在提供最坏情况的情况下,经典的在线算法对于在实践中产生的大类输入可能是悲观的。本文,本文以新领域的机器学习增强算法的精神,试图获得古典,截止日期,在线速度缩放问题的最佳世界两全其美:基于引入新颖的预测设置,我们开发算法(i)在存在足够的预测存在下,(ii)在存在的情况下获得可释放的低能量消耗,并且(ii)对预测不足,(III)是光滑的,即它们的性能随着预测误差的增加而逐渐降低。
translated by 谷歌翻译