Multi-objective Computing Cluster Scheduling and Resource Reservation Optimization

dc.contributorAalto-yliopistofi
dc.contributorAalto Universityen
dc.contributor.advisorMalykhina, Tetiana
dc.contributor.authorKyber, Valtteri
dc.contributor.schoolPerustieteiden korkeakoulufi
dc.contributor.supervisorSavioja, Lauri
dc.date.accessioned2025-02-04T13:39:23Z
dc.date.available2025-02-04T13:39:23Z
dc.date.issued2025-01-08
dc.description.abstractModern society is increasingly reliant on computing clusters that support contemporary applications such as artificial intelligence, cloud computing, and big data analytics. Clusters consist of interconnected servers that share tasks and resources. Managing these clusters requires intelligent strategies that balance performance and energy consumption. This is particularly crucial in large data centers, where energy consumption impacts both costs and the environment. This bachelor's thesis examines task scheduling and resource reservation in computing clusters. The study analyzes methods aimed at balancing performance, energy efficiency, and resource utilization, particularly in cloud and hybrid computing environments. The literature review addresses traditional methods, such as the round-robin technique, as well as more advanced approaches, including genetic algorithms. More flexible algorithms are especially suited for scenarios where task requirements and resource availability fluctuate, a common occurrence in modern clusters. Additionally, AI and machine learning-based approaches are explored. The findings demonstrate that simple methods are effective only under stable conditions, whereas more advanced techniques adapt better to dynamic environments. Genetic algorithms and particle swarm optimization are identified as particularly promising solutions.en
dc.description.abstractNyky-yhteiskunta on yhä riippuvaisempi laskentaklustereista, jotka tukevat moderneja sovelluksia, kuten tekoälyä, pilvilaskentaa ja suurten tietomäärien analysointia. Klusterit koostuvat toisiinsa liitetyistä palvelimista, jotka jakavat tehtäviä ja resursseja. Niiden hallinta vaatii älykkäitä strategioita, jotka tasapainottavat suorituskyvyn ja energiankulutuksen. Tämä on erityisen tärkeää suurissa datakeskuksissa, joiden energiankulutus vaikuttaa kustannuksiin ja ympäristöön. Tässä kandidaatintyössä tarkastellaan laskentaklustereiden tehtävien ajoitusta ja resurssien varaamista. Työ analysoi menetelmiä, jotka pyrkivät tasapainottamaan suorituskyvyn, energiatehokkuuden ja resurssien käytön erityisesti pilvi- ja hybridilaskentaympäristöissä. Kirjallisuustutkimus käsittelee perinteisiä menetelmiä kuten kierrosmenetelmä, sekä edistyneempiä menetelmiä, kuten geneettisiä algoritmeja. Joustavammat algoritmit soveltuvat erityisesti tilanteisiin, joissa tehtävien vaatimukset ja resurssien saatavuus vaihtelevat, mikä on yleistä nykyaikaisissa klustereissa. Lisäksi tarkastellaan tekoäly- ja koneoppimispohjaisia lähestymistapoja. Tulokset osoittavat, että yksinkertaiset menetelmät toimivat vain vakio-olosuhteissa, kun taas edistyneemmät menetelmät sopeutuvat muuttuviin ympäristöihin paremmin. Geneettiset algoritmit ja hiukkasparvioptimointi ovat mahdollisesti erityisen hyviä ratkaisuja.fi
dc.format.extent21
dc.format.mimetypeapplication/pdfen
dc.identifier.urihttps://aaltodoc.aalto.fi/handle/123456789/133979
dc.identifier.urnURN:NBN:fi:aalto-202502042261
dc.language.isoenen
dc.programmeTeknistieteellinen kandidaattiohjelmafi
dc.programme.majorTietotekniikkafi
dc.programme.mcodeSCI3027fi
dc.subject.keywordklusteriajoitusen
dc.subject.keywordmonitavoiteoptimointien
dc.subject.keywordlaskentaklusteriten
dc.subject.keywordenergiatehokkuusen
dc.subject.keywordpilvilaskentaen
dc.subject.keyworddynaaminen ajoitusen
dc.titleMulti-objective Computing Cluster Scheduling and Resource Reservation Optimizationen
dc.typeG1 Kandidaatintyöfi
dc.type.dcmitypetexten
dc.type.ontasotBachelor's thesisen
dc.type.ontasotKandidaatintyöfi
local.aalto.openaccessyes

Files

Original bundle

Now showing 1 - 1 of 1
No Thumbnail Available
Name:
Kyber_Valtteri_2025.pdf
Size:
180.58 KB
Format:
Adobe Portable Document Format