要旨: クラウドプロバイダは、完了時間、コスト、エネルギー消費といった競合する目的のバランスを取りながら、ワークフローDAGに対して不均一な計算資源を割り当てなければなりません。本研究では、単一ワークフローでキューなしのスケジューリング設定を対象とし、ワークフローの完了時間とエネルギー使用量を最小化することを目的とした、グラフニューラルネットワーク（GNN）に基づく深層強化学習のスケジューラを検討します。さらに、GNNベースの深層強化学習スケジューラが失敗する特定の外れ分布（OOD）条件を特定し、それらの失敗がなぜ起こるのかを原理に基づいて説明します。制御されたOOD評価を通じて、性能の低下が、学習環境とデプロイ環境間の構造的不整合に起因し、その結果としてメッセージパッシングが破壊され、方策の汎化が損なわれることを示します。これにより、本解析は現在のGNNベーススケジューラに内在する根本的な制約を明らかにするとともに、分布シフト下でも信頼できるスケジューリング性能を確保するために、より頑健な表現が必要であることを強調します。
エネルギーを意識したクラウドスケジューリングにおけるDAGトポロジの役割：GNNベースの深層強化学習アプローチ
arXiv cs.LG / 2026/4/13
💬 オピニオンSignals & Early TrendsIdeas & Deep AnalysisModels & Research
要点
- 本論文は、DAGとして表現されたクラウドワークフローに対して、GNNベースの深層強化学習スケジューラを用い、単一ワークフロー・キューなしの前提で、完了時間とエネルギー消費を同時に最適化するエネルギー意識型スケジューリングを研究する。
- GNN-DRLスケジューラが失敗する特定の外部分布外（OOD）シナリオを特定し、現実条件が学習時の仮定から逸脱すると信頼性が損なわれ得ることを示す。
- 著者らは、観測された性能劣化の原因が、学習と配備のDAG環境間に存在する構造的な不一致であり、その結果としてGNNのメッセージパッシングが破綻し、方策の汎化性能が低下するためだと説明する。
- 制御されたOOD実験を用いて、分布シフトの影響が、単なるチューニングや確率的な変動ではなく、本質的に表現／構造に結び付いていることを検証する。
- 本研究は、分布シフト下でのスケジューラ性能を向上させるには、より頑健なグラフ表現が必要だと主張し、現在のGNNベースのスケジューリング手法の限界を指摘する。
