Seminarium: Systemy Rozproszone
11 kwietnia 2024 12:15, sala 4070
Kacper Sołtysiak, Adam Cichy



MinFlow: High-performance and Cost-efficient Data Passing for I/O-intensive Stateful Serverless Analytics



Rozwiązania typu serverless cieszą się bardzo dużą popularnością ze względu na łatwość użycia, która wynika z braku potrzeby zarządzania infrastrukturą.

Jednym z najpopularniejszych obszarów zastosowań serverless są między innymi aplikacje/rozwiązania pozwalające na przetwarzanie dużych ilości danych (data analytics). Takie przetwarzanie w praktycznych przypadkach obejmuje wiele node'ów, co wiąże się z koniecznością wymiany danych (shuffle). Operacja ta jest dosć kosztowna ze względu na charakter modelu serverless - istnieją już rozwiązania, które próbują zaadresować ten problem na różnych płaszczyznach (external/worker storage), m.in. Lambada, FaaSFlow.

Autorzy przedstawiają nowy framework - MinFlow - który pozwala na wydajne wykonywanie takich operacji na danych w środowisku serverless.

Zapraszam,
Kacper Sołtysiak



Bibliografia:





Wieloagentowe uczenie ze wzmocnieniem (MARL) dla problemu optymalizacji sygnalizacji świetlnej. Algorytm MACS.



Optymalizacja sygnalizacji świetlnej odgrywa istotną rolę w redukcji czasu przejazdu i oszczędzaniu energii. Sukces uczenia ze wzmocnieniem (RL) w innych dziedzinach skłania badaczy do zaadaptowania tego podejścia do optymalizacji sygnalizacji. Ze względu na szybko rosnącą przestrzeń akcji wraz ze wzrostem rozmiaru sieci drogowej, niezbędne staje się wykorzystanie metod wieloagentowych. W nowej wersji symulatora RESCO, rozwijanej przez zespół TensorCell, zaimplementowane zostały popularne metody uczenia ze wzmocnieniem, takie jak DQN i PPO. Oba algorytmy, choć różniące się między sobą, operują na zasadzie niezależności, gdzie każde skrzyżowanie jest sterowane oddzielnie. Jednakże skuteczne metody powinny być pozbawione tego ograniczenia.

Zespół TensorCell chce rozbudować symulator o bardziej innowacyjne metody. W ramach mojej pracy aktualnie zajmuję się implementacją algorytmu MACS (multi-agent counterfactual actor–critic with scheduler), który ma na celu lepsze koordynowanie decyzji podejmowanych przez poszczególnych agentów.

W prezentacji opowiem jak działa MACS, jakie problemy stara się rozwiązać oraz czym się różni od DQN i PPO.

Zapraszam,
Adam Cichy



Bibliografia: