Das Institutsseminar des Instituts für Programmstrukturen und Datenorganisation (IPD) ist eine ständige Lehrveranstaltung, die den Zweck hat, über aktuelle Forschungsarbeiten am Institut zu informieren. Insbesondere soll Studierenden am Institut die Gelegenheit gegeben werden, über ihre Bachelor- und Masterarbeiten vor einem größeren Auditorium zu berichten. Schwerpunkte liegen dabei auf der Problemstellung, den Lösungsansätzen und den erzielten Ergebnissen. Das Seminar steht aber allen Studierenden und Mitarbeiter/-innen des KIT sowie sonstigen Interessierten offen.
| Ort
|
Gebäude 50.34, Seminarraum 348 oder online, siehe Beschreibung
|
| Zeit
|
jeweils freitags, 11:30–13:00 Uhr / 14:00–15:30 Uhr
|
Die Vorträge müssen den folgenden zeitlichen Rahmen einhalten:
- Masterarbeit: 30 Minuten Redezeit + 15 Minuten Diskussion
- Bachelorarbeit: 20 Minuten Redezeit + 10 Minuten Diskussion
- Proposal: 12 Minuten Redezeit + 8 Minuten Diskussion
Weitere Informationen: https://sdqweb.ipd.kit.edu/wiki/Institutsseminar. Bei Fragen und Anmerkungen können Sie eine E-Mail an das Institutsseminar-Team schreiben.
Nächste Vorträge
iCal (Download)
Ort: Raum 010 (Gebäude 50.34)
| Vortragende(r)
|
Valerii Zhyla
|
| Titel
|
Performance Modeling of Distributed Computing
|
| Vortragstyp
|
Masterarbeit
|
| Betreuer(in)
|
Larissa Schmid
|
| Vortragsmodus
|
in Präsenz
|
| Kurzfassung
|
Optimizing resource allocation in distributed computing systems is crucial for enhancing system efficiency and reliability. Predicting job execution metadata, based on resource demands and platform characteristics, plays a key role in this optimization process.
Distributed computing simulators are utilized for this purpose to model and predict system behaviors.
Among the various simulators developed in recent decades, this thesis specifically focuses on the state-of-the-art simulator DCSim. DCSim simulates the nodes and links of the configured platform, generates the workloads according to configured parameter distributions, and performs the simulations. The simulated job execution metadata is accurate, yet the simulations demand computational resources and time that increase superlinearly with the number of nodes simulated.
In this thesis, we explore the application of Recurrent Neural Networks and Transformer models for predicting job execution metadata within distributed computing environments.
We focus on data preparation, model training, and evaluation for handling numerical sequences of varying lengths.
This approach enhances the scalability of predictive systems by leveraging deep neural networks to interpret and forecast job execution metadata based on simulated data or historical data.
We assess the models across four scenarios of increasing complexity, evaluating their ability to generalize for unseen jobs and platforms.
We examine the training duration and the amount of data necessary to achieve accurate predictions and discuss the applicability of such models to overcome the scalability challenges of DCSim.
The key findings of this work demonstrate that the models are capable of generalizing across sequences of lengths encountered during training but fall short in generalizing across different platforms.
|
iCal (Download)
Ort: Raum 010 (Gebäude 50.34)
iCal (Download)
Ort: Raum 333 (Gebäude 50.34)
iCal (Download)
Ort: Raum 010 (Gebäude 50.34)
iCal (Download)
Ort: Raum 010 (Gebäude 50.34)
weitere Termine
