ترجمه فارسی مقاله بارهای کاری عمومی و یادگیری ماشین در یک مرکز داده HPC: انرژی گره، شکست های شغلی و تجزیه و تحلیل شغلی گره

انتخاب پلن

انتخاب پلن برای ادامه خرید الزامی است.

عنوان مقاله به انگلیسی Generic and ML Workloads in an HPC Datacenter: Node Energy, Job Failures, and Node-Job Analysis
عنوان مقاله به فارسی بارهای کاری عمومی و یادگیری ماشین در یک مرکز داده HPC: انرژی گره، شکست های شغلی و تجزیه و تحلیل شغلی گره
نویسندگان Xiaoyu Chu, Daniel Hofstätter, Shashikant Ilager, Sacheendra Talluri, Duncan Kampert, Damian Podareanu, Dmitry Duplyakin, Ivona Brandic, Alexandru Iosup
فرمت مقاله انگلیسی PDF
تعداد صفحات 10
لینک دانلود رایگان مقاله انگلیسی دانلود مقاله
دسته بندی موضوعات Distributed, Parallel, and Cluster Computing,Hardware Architecture,محاسبات توزیع شده , موازی و خوشه ای , معماری سخت افزار ,
توضیحات Submitted 13 September, 2024; originally announced September 2024. , Comments: 10 pages, 10 figures, 6 tables, ICPADS 2024
توضیحات به فارسی ارسال شده 13 سپتامبر 2024 ؛در ابتدا سپتامبر 2024 اعلام شد ، نظرات: 10 صفحه ، 10 شکل ، 6 جدول ، ICPADS 2024
اطلاعات بیشتر از این مقاله در پایگاه های علمی INSPIRE HEP
NASA ADS
Google Scholar
Semantic Scholar

📚 محتوای این محصول آموزشی (پکیج کامل)

علاوه بر مقاله اصلی انگلیسی که دریافت می کنید، برای یادگیری عمیق‌تر و تسلط کامل بر مباحث مجموعه‌ای از کتاب‌های آموزشی نیز ارائه می‌شود.

🎯 این بسته یک دورهٔ آموزشی کامل و چندلایه است؛ شامل ویدیوهای آموزشی، کتاب‌ها، تمرین‌ها و خودآزمایی.

ℹ️ نکات مهم هنگام خرید

  • این محصول به صورت فایل دانلودی کامل ارائه می‌شود.
  • توجه: لینک‌های اختصاصی دوره طی حداکثر 24 ساعت پس از ثبت سفارش ارسال می‌شوند.
  • دقت کنید لینک ها به شماره موبایل شما ارسال می شوند. پس در ارائه شماره موبایل صحیح دقت کنید.
  • برای راهنمایی در مورد نحوه دانلود به شماره 09395106248 پیامک دهید یا تماس بگیرید. (ایده آل ترین گزینه ارسال پیام در یکی از پیام رسان ها به همین شماره است تا سریعا لینک های محصول همان جا برای شما ارسال گردد.)
  • اگر پرداخت انجام شده ولی بعد از 24 ساعت هنوز لینک‌ها را دریافت نکرده‌اید، نام و نام خانوادگی و نام محصول را پیامک کنید تا لینک‌ها دوباره ارسال شوند.

💬 راه‌های ارتباطی پشتیبانی:
واتس‌اپ یا هر پیام رسان داخلی یا پیامک: 09395106248
تلگرام: @ma_limbs

چکیده

HPC datacenters offer a backbone to the modern digital society. Increasingly, they run Machine Learning (ML) jobs next to generic, compute-intensive workloads, supporting science, business, and other decision-making processes. However, understanding how ML jobs impact the operation of HPC datacenters, relative to generic jobs, remains desirable but understudied. In this work, we leverage long-term operational data, collected from a national-scale production HPC datacenter, and statistically compare how ML and generic jobs can impact the performance, failures, resource utilization, and energy consumption of HPC datacenters. Our study provides key insights, e.g., ML-related power usage causes GPU nodes to run into temperature limitations, median/mean runtime and failure rates are higher for ML jobs than for generic jobs, both ML and generic jobs exhibit highly variable arrival processes and resource demands, significant amounts of energy are spent on unsuccessfully terminating jobs, and concurrent jobs tend to terminate in the same state. We open-source our cleaned-up data traces on Zenodo (https://doi.org/10.5281/zenodo.13685426), and provide our analysis toolkit as software hosted on GitHub (https://github.com/atlarge-research/2024-icpads-hpc-workload-characterization). This study offers multiple benefits for data center administrators, who can improve operational efficiency, and for researchers, who can further improve system designs, scheduling techniques, etc.

چکیده به فارسی (ترجمه ماشینی)

دیتاسنرهای HPC ستون فقرات را به جامعه دیجیتال مدرن ارائه می دهند.آنها به طور فزاینده ای مشاغل یادگیری ماشین (ML) را در کنار بارهای عمومی ، محاسبات فشرده ، پشتیبانی از علم ، تجارت و سایر فرآیندهای تصمیم گیری انجام می دهند.با این حال ، درک چگونگی تأثیر مشاغل ML بر عملکرد داده های HPC ، نسبت به مشاغل عمومی ، مطلوب اما نادیده گرفته می شود.در این کار ، ما از داده های عملیاتی بلند مدت ، جمع آوری شده از یک دیتاسنتر تولید HPC در مقیاس ملی استفاده می کنیم و از نظر آماری مقایسه می کنیم که چگونه ML و مشاغل عمومی می توانند بر عملکرد ، خرابی ، استفاده از منابع و مصرف انرژی دیتاسنرهای HPC تأثیر بگذارند.مطالعه ما بینش های کلیدی را ارائه می دهد ، به عنوان مثال ، استفاده از انرژی مربوط به ML باعث می شود که گره های GPU به محدودیت های دما تبدیل شوند ، میزان زمان اجرا و میانگین و عدم موفقیت برای مشاغل ML بیشتر از مشاغل عمومی است ، هر دو ML و مشاغل عمومی فرایندهای ورود بسیار متغیر را نشان می دهند وتقاضای منابع ، مقادیر قابل توجهی از انرژی برای خاتمه دادن به مشاغل ناموفق هزینه می شود و مشاغل همزمان تمایل به خاتمه در همان ایالت دارند.ما آثار داده های تمیز شده خود را در Zenodo باز می کنیم (https://doi.org/10.5281/zenodo.13685426) ، و ابزار تجزیه و تحلیل ما را به عنوان نرم افزاری که در GitHub میزبان است (https://github.com/atlarge-researchearch) ارائه می دهیم./2024-ICPADS-HPC-WORDLOAD-SCACTIONIVATION).این مطالعه مزایای مختلفی را برای مدیران مرکز داده ، که می توانند بهره وری عملیاتی را بهبود بخشند ، و برای محققان ، که می توانند طراحی سیستم ، تکنیک های برنامه ریزی و غیره را بیشتر بهبود بخشند ، ارائه می دهد.

📚 محتوای این محصول آموزشی (پکیج کامل)

علاوه بر مقاله اصلی انگلیسی که دریافت می کنید، برای یادگیری عمیق‌تر و تسلط کامل بر مباحث مجموعه‌ای از کتاب‌های آموزشی نیز ارائه می‌شود.

🎯 این بسته یک دورهٔ آموزشی کامل و چندلایه است؛ شامل ویدیوهای آموزشی، کتاب‌ها، تمرین‌ها و خودآزمایی.

ℹ️ نکات مهم هنگام خرید

  • این محصول به صورت فایل دانلودی کامل ارائه می‌شود.
  • توجه: لینک‌های اختصاصی دوره طی حداکثر 24 ساعت پس از ثبت سفارش ارسال می‌شوند.
  • دقت کنید لینک ها به شماره موبایل شما ارسال می شوند. پس در ارائه شماره موبایل صحیح دقت کنید.
  • برای راهنمایی در مورد نحوه دانلود به شماره 09395106248 پیامک دهید یا تماس بگیرید. (ایده آل ترین گزینه ارسال پیام در یکی از پیام رسان ها به همین شماره است تا سریعا لینک های محصول همان جا برای شما ارسال گردد.)
  • اگر پرداخت انجام شده ولی بعد از 24 ساعت هنوز لینک‌ها را دریافت نکرده‌اید، نام و نام خانوادگی و نام محصول را پیامک کنید تا لینک‌ها دوباره ارسال شوند.

💬 راه‌های ارتباطی پشتیبانی:
واتس‌اپ یا هر پیام رسان داخلی یا پیامک: 09395106248
تلگرام: @ma_limbs

نظرات

هنوز نظری ثبت نشده است.

وارد شوید تا نظر ثبت کنید.