Description du projet
Déchiffrer le code pour cartographier efficacement les charges de travail pesant sur les ressources matérielles
Tous les ordinateurs ne sont pas rapides. Certains semblent aussi lents qu’un escargot s’efforçant de gravir une pente. Le défi lié au fait de cartographier efficacement les charges de travail pesant sur les ressources matérielles est un problème de longue date dans le domaine des sciences informatiques. Dans ce contexte, le projet Hi-EST, financé par le Conseil européen de la recherche, vise à relever le défi qui consiste à placer des charges de travail sur des ressources matérielles en vue d’optimiser les performances et l’utilisation des ressources. Plus particulièrement, il reposera sur quatre piliers de recherche: l’apprentissage supervisé des propriétés de placement, les algorithmes de placement pour les tâches, les algorithmes de placement pour les données et les environnements définis par logiciel pour l’exécution du placement. Le projet ambitionne de repousser les frontières de la recherche dans les domaines des algorithmes d'apprentissage adaptatif, du placement des tâches, du placement des données et des environnements définis par logiciel. Son objectif est d’assurer une gestion plus efficace de l’infrastructure informatique en adaptant en permanence l’allocation des ressources.
Objectif
Hi-EST aims to address a new class of placement problem, a challenge for computational sciences that consists in mapping workloads on top of hardware resources with the goal to maximise the performance of workloads and the utilization of resources. The objective of the placement problem is to perform a more efficient management of the computing infrastructure by continuously adjusting the number and type of resources allocated to each workload.
Placement, in this context, is well known for being NP-hard, and resembles the multi-dimensional knapsack problem. Heuristics have been used in the past for different domains, providing vertical solutions that cannot be generalised. When the workload mix is heterogeneous and the infrastructure hybrid, the problem becomes even more challenging. This is the problem that Hi-EST plans to address. The approach followed will build on top of four research pillars: supervised learning of the placement properties, placement algorithms for tasks, placement algorithms for data, and software defined environments for placement enforcement.
Hi-EST plans to advance research frontiers in four different areas: 1) Adaptive Learning Algorithms: by proposing the first known use of Deep Learning techniques for guiding task and data placement decisions; 2) Task Placement: by proposing the first known algorithm to map heterogeneous sets of tasks on top of systems enabled with Active Storage capabilities, and by extending unifying performance models for heterogeneous workloads to cover and unprecedented number of workload types; 3) Data Placement: by proposing the first known algorithm used to map data on top of heterogeneous sets of key/value stores connected to Active Storage technologies; and 4) Software Defined Environments (SDE): by extending SDE description languages with a still inexistent vocabulary to describe Supercomputing workloads that will be leveraged to combine data and task placement into one single decision-making process.
Champ scientifique (EuroSciVoc)
CORDIS classe les projets avec EuroSciVoc, une taxonomie multilingue des domaines scientifiques, grâce à un processus semi-automatique basé sur des techniques TLN. Voir: https://op.europa.eu/en/web/eu-vocabularies/euroscivoc.
CORDIS classe les projets avec EuroSciVoc, une taxonomie multilingue des domaines scientifiques, grâce à un processus semi-automatique basé sur des techniques TLN. Voir: https://op.europa.eu/en/web/eu-vocabularies/euroscivoc.
- sciences naturellesinformatique et science de l'informationintelligence artificielleapprentissage automatiqueapprentissage supervisé
- sciences naturellesinformatique et science de l'informationscience des donnéesexploration de données
- sciences naturellesinformatique et science de l'informationintelligence artificielleapprentissage automatiqueapprentissage profond
- sciences naturellessciences physiquesphysique théoriquephysique des particulesboson de higgs
- sciences naturellesinformatique et science de l'informationlogiciellogiciel d’application
Vous devez vous identifier ou vous inscrire pour utiliser cette fonction
Programme(s)
Thème(s)
Appel à propositions
(s’ouvre dans une nouvelle fenêtre) ERC-2014-STG
Voir d’autres projets de cet appelRégime de financement
ERC-STG - Starting GrantInstitution d’accueil
08034 Barcelona
Espagne