English(EN) Leakage-Safe and Scheduler-Aware Machine Learning for Grid Job Runtime Prediction

机器学习模型提高网格作业调度效率

作者 PulseAugur 编辑部 · [1 个来源] · 2026-09-15 04:00

arXiv上发表的一篇新研究论文详细介绍了一种用于网格计算环境中预测作业运行时间的机器学习方法。该研究侧重于使用GWA-T-4 AuverGrid工作负载跟踪进行防泄露、感知调度器的预测。研究人员发现，CatBoost（一种梯度提升算法）在经过时间验证调优后，取得了最佳性能，R^2值为0.239。模拟显示，与先到先服务的方法相比，使用这些预测进行作业调度可以将平均等待时间减少50%以上。 AI

影响这项研究可能导致分布式计算系统中更有效的资源分配和更短的等待时间。

排序理由 arXiv上发表的研究论文，详细介绍了一种新的机器学习方法。[lever_c_demoted from research: ic=1 ai=1.0]

在 arXiv cs.AI 阅读 →

AI 生成摘要 · Google Gemini · 来自 1 个来源。我们如何撰写摘要 →

本文如何被排名

Signal score: 18 / 100; Composite score across the factors below. Higher = stronger signal that this story matters right now.
Newsworthiness bucket: Tool; arXiv上发表的研究论文，详细介绍了一种新的机器学习方法。[lever_c_demoted from research: ic=1 ai=1.0]
Source corroboration: Single-source cluster; Only one publisher covered this so far. Single-source stories can still rank when the publisher is high-authority, but they lack cross-source corroboration.
Topics: paper, infra; Editorial topic classification. Feeds into how the story surfaces on /topic/<slug> hub pages and into the per-entity coverage mix.
AI-industry relevance: High; Clearly on-topic for AI-industry coverage.
Story freshness: Breaking (< 6h); Fresh story with cross-source coverage still developing. Ranking may shift as more sources report.

完整方法见我们的编辑标准。

报道来源 [1]

arXiv cs.AI TIER_1 English(EN) · Ashfaq Ali Shafin, Khandaker Mamun Ahmed · 2026-09-15 04:00

用于电网作业运行时预测的防泄露和调度感知机器学习

arXiv:2609.13701v1 Announce Type: cross Abstract: Accurate job runtime prediction can improve scheduling-aware resource management in grid and distributed computing environments, but prediction models must be evaluated under realistic deployment constraints. This paper revisits C…

本文如何被排名

报道来源 [1]

用于电网作业运行时预测的防泄露和调度感知机器学习

相关实体

相关话题