ترجمه فارسی مقاله به سوی برنامه‌ریزی هوشمند در Tapis

چکیده

The Tapis framework provides APIs for automating job execution on remote resources, including HPC clusters and servers running in the cloud. Tapis can simplify the interaction with remote cyberinfrastructure (CI), but the current services require users to specify the exact configuration of a job to run, including the system, queue, node count, and maximum run time, among other attributes. Moreover, the remote resources must be defined and configured in Tapis before a job can be submitted. In this paper, we present our efforts to develop an intelligent job scheduling capability in Tapis, where various attributes about a job configuration can be automatically determined for the user, and computational resources can be dynamically provisioned by Tapis for specific jobs. We develop an overall architecture for such a feature, which suggests a set of core challenges to be solved. Then, we focus on one such specific challenge: predicting queue times for a job on different HPC systems and queues, and we present two sets of results based on machine learning methods. Our first set of results cast the problem as a regression, which can be used to select the best system from a list of existing options. Our second set of results frames the problem as a classification, allowing us to compare the use of an existing system with a dynamically provisioned resource.

چکیده به فارسی (ترجمه ماشینی)

Tapis Framework API را برای خودکارسازی اجرای شغل در منابع از راه دور ، از جمله خوشه ها و سرورهای HPC که در ابر هستند ، فراهم می کند.TAPIS می تواند تعامل با از راه دور سایبرینساختار (CI) را ساده کند ، اما خدمات فعلی به کاربران نیاز دارند تا پیکربندی دقیق یک کار را برای اجرای از جمله سیستم ، صف ، تعداد گره و حداکثر زمان اجرا از جمله سایر ویژگی ها مشخص کنند.علاوه بر این ، منابع از راه دور باید قبل از ارائه شغل در TAPIS تعریف و پیکربندی شوند.در این مقاله ، ما تلاش های خود را برای توسعه یک قابلیت برنامه ریزی هوشمندانه شغلی در TAPIS ارائه می دهیم ، جایی که ویژگی های مختلف در مورد پیکربندی شغلی می تواند به طور خودکار برای کاربر تعیین شود و منابع محاسباتی را می توان به صورت پویا توسط TAPIS برای مشاغل خاص تهیه کرد.ما یک معماری کلی برای چنین ویژگی هایی ایجاد می کنیم ، که نشان می دهد مجموعه ای از چالش های اصلی برای حل است.سپس ، ما بر روی یک چالش خاص تمرکز می کنیم: پیش بینی زمان صف برای کار در سیستم ها و صف های مختلف HPC ، و دو مجموعه از نتایج را بر اساس روش های یادگیری ماشین ارائه می دهیم.اولین مجموعه نتایج ما مشکل را به عنوان رگرسیون رقم می زند ، که می تواند برای انتخاب بهترین سیستم از لیستی از گزینه های موجود استفاده شود.مجموعه دوم نتایج ما مشکل را به عنوان یک طبقه بندی فریم می کند و به ما امکان می دهد تا استفاده از یک سیستم موجود را با یک منبع پویا تهیه کنیم.