2612 Система интеллектуального планирования вычислительных задач на GPU-кластере

Ролич Алексей Юрьевич

руководитель проекта

Старт

13.10.2026

Представление

05.11.2026 – 19.11.2026

Постерная сессия

26.01.2027 – 06.02.2027

Защита

06.04.2027 – 17.04.2027

Паспорт проекта

Аннотация

Обучение и инференс моделей искусственного интеллекта выполняются на кластерах графических ускорителей (GPU — Graphics Processing Unit). В отличие от обычных CPU-ресурсов, ускорители дороги и ограниченны, а задачи машинного обучения различаются по требуемому числу GPU, объёму памяти и длительности. Простое планирование FIFO (First In, First Out, «первым пришёл — первым обслужен») не учитывает ни размер задач, ни доступность ускорителей: часть GPU простаивает, а длительные задачи блокируют...

Отрасль

Информатика

Цель

Разработать программное обеспечение — экспериментальный стенд для моделирования GPU-кластера, — позволяющее реализовать и в воспроизводимых условиях сравнить алгоритмы планирования AI-задач по влиянию стратегии на время ожидания, загрузку ускорителей, пропускную способность и время завершения нагрузки (workload).

Ожидаемые результаты

Модель GPU-кластера
- Дискретно-событийная модель, воспроизводящая ключевые ограничения: память ускорителей, групповое (gang) выделение GPU под распределённое обучение, сто
Модуль GPU-aware планирования
- Не менее одного алгоритма, учитывающего доступность и фрагментацию GPU, реализованного наряду с baseline-алгоритмами (FIFO и др.) для сравнения
Симулятор
- Программное ядро, исполняющее нагрузку на модели кластера с единым интерфейсом подключения алгоритмов планирования и загрузки трасс.

Форма и способы промежуточного контроля

Этапы (последовательные контрольные точки): анализ нагрузки (workload) → модель очереди → реализация baseline-алгоритма (FIFO) → GPU-aware алгоритм → серия сравнительных экспериментов.

Форма представления результатов

Продуктовые: симулятор GPU-кластера; модуль планирования; визуализация очередей и загрузки GPU. Исследовательские: сравнительный анализ алгоритмов; исследование фрагментации; зависимость эффективности от нагрузки (workload). Продуктовая часть результатов образует единый экспериментальный стенд — программный комплекс для воспроизводимых экспериментов по планированию. Его свойства: он моделирует GPU-кластер средствами имитационного моделирования, что делает эксперименты дешёвыми и повторяемыми...

Ресурсное обеспечение

CPU-рабочая станция; GPU для самой разработки не обязателен.

Имеющийся задел

Alibaba GPU Cluster Trace, MIT Supercloud Dataset, SimPy и OR-Tools. Нагрузка (workload) — это поток вычислительных задач ИИ, поступающих на GPU-кластер за интервал наблюдения. Она задаётся как последовательность заданий, каждое из которых описывается характеристиками: тип (обучение или инференс), момент поступления, число требуемых GPU, объём памяти ускорителя, оценка длительности, приоритет. Нагрузка бывает реальной — восстановленной из открытых трасс (Alibaba GPU Cluster Trace, MIT...