Aceptada · en prensaL2Indexada en Scopus
Machine Learning-Based Runtime Prediction and Energy Optimization for HPC Job Scheduling Using the NREL Eagle Supercomputer Dataset
Renato Quispe-Vargas, Dina Maribel Yana-Yucra, Richar Andre Vilca-Solorzano, Vladimiro Ibañez-Quispe, Fred Torres-Cruz
Informatica — An International Journal of Computing and Informatics (Slovenian Society Informatika)
Análisis de 7.3 millones de trabajos completados del superordenador Eagle de NREL para predecir tiempos de ejecución con aprendizaje automático y optimizar el consumo energético en la planificación de trabajos HPC: los usuarios utilizan una mediana de solo 6.7% del tiempo que reservan, y aun bajo evaluación temporal realista con deriva de concepto, el ajuste dinámico de límites logra un ahorro energético ponderado de 64.8% — unos 7.25 millones de kWh y 5 141 toneladas de CO2 anuales.