Evaluation of Energy Consumption of Replicated Tasks in a Volunteer Computing Environment

Abstract

High Throughput Computing allows workloads of many thousands of tasks to be performed efficiently over many distributed resources and frees the user from the laborious process of managing task deployment, execution and result collection. However, in many cases the High Throughput Computing system is comprised from volunteer computational resources where tasks may be evicted by the owner of the resource. This has two main disadvantages. First, tasks may take longer to run as they may require multiple deployments before finally obtaining enough time on a resource to complete. Second, the wasted computation time will lead to wasted energy. We may be able to reduce the effect of the first disadvantage here by submitting multiple replicas of the task and take the results from the first one to complete. This, though, could lead to a significant increase in energy consumption. Thus we desire to only ever submit the minimum number of replicas required to run the task in the allocated time whilst simultaneously minimising energy. In this work we evaluate the use of fixed replica counts and Reinforcement Learning on the proportion of task which fail to finish in a given time-frame and the energy consumed by the system. CCS CONCEPTS• Computing methodologies → Sequential decision making; Simulation evaluation; • Hardware → Enterprise level and data centers power issues;

BOINC-MGE : Mobile Grid Extension

“…Basadas en réplicas SEAS [33] MGRR [42] EAAC [43] FIXEDRPL [44] PHSA [45] GARS [46] ERAOA [47] RLREPL [48] ECRTS [49] BEATA [50] PAS-BTA [51] En el subgrupo de las estrategias basadas en modelos se tuvieron en cuenta distintas opciones cuyo objetivo fuese el uso del estado de la batería de los dispositivos como variable principal del modelo de predicción planteado.…”

“…Finalmente, se aplican de forma iterativa los pasos anteriores y las funciones de evaluación para llegar a una solución óptima de combinaciones de réplicas. [48] El aprendizaje reforzado o reinforcement learning (RL) en inglés, es una técnica de machine learning en la cual un agente puede aprender, sin supervisión, a escoger de forma adecuada entre un conjunto de acciones como respuesta a un determinado número de estados. Entre las ventajas de usar RL es que no se requieren datos de entrenamiento y, además, se puede adaptar a ambientes dinámicos.…”

“…En [48] se propone un mecanismo basado en RL con el cual se desea determinar, en cualquier momento dado, la cantidad optima de réplicas que deben ser generadas para una unidad de trabajo dentro de la grid, de tal forma que se obtenga la mayor recompensa (probabilidad de que la tarea sea finalizada en el tiempo esperado). La función de recompensa 𝑅 𝑡 (𝑠, 𝑎) en un momento s para completar una tarea usando a número de réplicas se define como:…”

“…Para la estrategia de planificación basada en réplicas se seleccionó el algoritmo planteado en la estrategia RL REPL [48], correspondiente a un algoritmo de Reinforcement Learning que pretende obtener la cantidad de réplicas optima que asegure la finalización de los trabajos en escenarios de desconexión y a la vez genere el menor consumo de energía en los dispositivos de la grid, esto lo hace mediante la aplicación de una función de recompensa que penaliza o premia las decisiones hechas en cálculos de réplicas anteriores. Sin embargo, con el fin de aprovechar la información de consumo de energía calculada en la estrategia basada en modelos predictivos, se incorporó al algoritmo RL REPL el uso de dichas métricas, de tal manera que los cálculos realizados se encuentren más alineados con las tasas de consumo actuales de los dispositivos conectados a la grid.…”