分散システムにおける分散型タスクスケジューリング：深層強化学習アプローチ

要旨: 大規模分散システムにおける効率的なタスクスケジューリングは、動的なワークロード、異種のリソース、そして競合する品質保証（QoS）の要件により、大きな課題を抱えています。従来の集中型アプローチはスケーラビリティの限界や単一障害点の問題があります。一方で、古典的なヒューリスティクスは変化する状況への適応力に欠けます。本論文では、異種分散システムにおけるタスクスケジューリングのための分散型マルチエージェント深層強化学習（DRL-MADRL）フレームワークを提案します。問題を分散部分観測マルコフ決定過程（Dec-POMDP）として定式化し、NumPyのみを用いて実装する軽量なアクター・クリティック構成を開発します。これにより、大規模な機械学習フレームワークを必要とせず、リソース制約のあるエッジデバイスへの展開が可能になります。公開されているGoogle Cluster Traceデータセットから導出したワークロード特性を用いて、提案手法を100ノードの異種システム上で評価し、1エピソードあたり1,000タスクを30回の実験実行により処理します。実験結果は、ランダム基準に比べて平均タスク完了時間が15.6%改善（30.8s vs 36.5s）、エネルギー効率が15.2%向上（745.2 kWh vs 878.3 kWh）、SLA満足度が82.3%となり基準の75.5%を上回ったことを示します。これらの改善はいずれも統計的に有意です（p < 0.001）。軽量な実装では、NumPy、Matplotlib、およびSciPyのみが必要です。完全なソースコードと実験データは、https://github.com/danielbenniah/marl-distributed-scheduling で、完全な再現性のために提供されています。