ZARKASI, MOHAMMAD (2017) PERBAIKAN MEKANISME LOAD BALANCING UNTUK KOMPUTASI KLASTER DENGAN REINFORCEMENT LEARNING PADA KONDISI DINAMIS. Masters thesis, Institut Teknologi Sepuluh Nopember.
Preview |
Text
5113201050-master_theses.pdf - Published Version Download (2MB) | Preview |
Abstract
Berbagai strategi penjadwalan dan load balancing adaptif telah banyak diterapkan di berbagai bidang. Strategi adaptif memberikan nilai lebih pada suatu sistem yang terpasang pada lingkungan dengan kondisi yang dinamis yang baru dijumpai pada saat suatu sistem tersebut diterapkan di lapangan. Salah satu bidang yang membutuhkan strategi load balancing yang baik adalah bidang komputasi klaster, seperti pada Java Parallel Processing Framework (JPPF). JPPF memiliki dua jenis strategi load balancing, yaitu strategi statis dan strategi dinamis. Strategi dinamis pada JPPF menggunakan metode distribusi normal. Load balancing dengan metode distribusi normal berjalan di server JPPF untuk menentukan jumlah task yang diberikan ke suatu node. Load balancing dinamis pada JPPF menggunakan parameter rata-rata waktu eksekusi sebuah task.
Dalam penelitian ini diusulkan penggunaan metode adaptif menggunakan algoritma Reinforcement Leanring (RL) sebagai metode load balancing pendistribusian task. RL banyak diterapkan di bidang robotika dan bidang-bidang lain yang membutuhkan kemampuan beradaptasi terhadap lingkungan. Dalam penelitian juga diusulkan beberapa parameter baru yang digunakan untuk menentukan jumlah task yang diberikan ke suatu node. Parameter baru tersebut adalah throughput jaringan antara node dan server, dan beban CPU di suatu node.
Hasil uji coba dari metode load balancing adaptif yang diusulkan di dalam penelitian ini adalah mampu memberikan speedup sebesar 45% dibandingkan dengan metode dinamis pada kondisi sumber daya jaringan dan CPU tidak mengalami beban. Sedangkan, pada kondisi sumber daya jaringan dan CPU mengalami beban, metode load balancing adaptif yang diusulkan mampu memberikan speedup sebesar 21% dibandingkan dengan metode dinamis. Dengan mekanisme load balancing yang lebih baik, maka kinerja komputasi klaster secara keseluruhan akan meningkat.
======================================================================================================
Various adaptive scheduling and load balancing strategies has been widely
applied in various fields. Adaptive strategy gives more value to a system when it is
installed in a dynamic environment with new conditions encountered at the time a
system is implemented in the field. One area that needs good scheduling strategies
is cluster computing, such as the Java Parallel Processing Framework (JPPF).
JPPF has two types of load balancing strategies, i.e. static strategy and dyanmic
strategy. Dynamic strategy on JPPF uses normal distribution method. Load
balancing that uses normal distribution methods run at JPPF server to determine
the number of task assigned to a node. Dynamic load balancing at JPPF uses
average execution time of a task as parameter.
In this research, an adaptive method using Reinforcement Learning (RL) is
proposed as load balancing method on task distribution. RL is widely applied in
robotic area and others that need adaptive capability against the environment. In
this research also proposed some new parameters that are used to determine the
number of tasks to send to the node. The new parameters are network throughput
between node and server, and CPU load on node side.
The result of the proposed adaptive load balancing method in this research
is able to provide speedup of 45% compared to dynamic method on conditions
that network and CPU resources are not given any load. Meanwhile, on
conditions that network and CPU resources are given some load, the proposed
adative load balancing method is able to provide a speedup of 21% compared to
dynamic method. With better load balancing mechanism, the overall performance
of cluster computing will increase.
| Item Type: | Thesis (Masters) |
|---|---|
| Uncontrolled Keywords: | beban kerja, job, load balancing, metode adaptif, metode dinamis, penjadwalan, reinforcement learning, task, throughput |
| Subjects: | T Technology > T Technology (General) T Technology > TK Electrical engineering. Electronics Nuclear engineering > TK5105 Data Transmission Systems |
| Divisions: | Faculty of Information Technology > Informatics Engineering > 55101-(S2) Master Thesis |
| Depositing User: | MOHAMMAD ZARKASI |
| Date Deposited: | 25 Jan 2017 04:59 |
| Last Modified: | 06 Mar 2019 07:01 |
| URI: | http://repository.its.ac.id/id/eprint/3213 |
Actions (login required)
 |
View Item |