iScheduler: KI-gesteuerte Optimierung von Ressourcenplanung in großem Maßstab

Die Planung von vorwärtsabhängigen Aufgaben, die auf gemeinsamen erneuerbaren Ressourcen laufen, ist ein zentrales Problem moderner Rechenplattformen. Im Resource Investment Problem (RIP) geht es darum, die Kosten für die Bereitstellung dieser Ressourcen zu minimieren, während gleichzeitig Vorgangs- und Zeitvorgaben eingehalten werden. Klassische Mixed-Integer-Programmierung und Constraint-Programmierung stoßen bei großen Instanzen an ihre Grenzen, und dynamische Updates erfordern schnelle Neuprogrammierungen unter engen Latenzbudgets.

iScheduler löst dieses Problem mit einem auf verstärkendem Lernen basierenden, iterativen Scheduling-Framework. Dabei wird die Lösung des RIP als Markov-Entscheidungsprozess über zerlegte Teilprobleme formuliert. Durch sequentielle Prozessauswahl werden Schedules aufgebaut, und die Methode nutzt unveränderte Prozesspläne, um nur betroffene Prozesse neu zu planen. So wird die Optimierung beschleunigt und die Rekonfiguration effizient unterstützt.

Zur Evaluierung wurde L‑RIPLIB veröffentlicht, ein industrielles Benchmark-Datensatz, der aus Cloud‑Plattform-Workloads mit 1.000 Instanzen und jeweils 2.500 bis 10.000 Aufgaben besteht. Die Tests zeigen, dass iScheduler konkurrenzfähige Ressourcenkosten erzielt und die Zeit bis zur Erreichung einer zulässigen Lösung um bis zu 43‑fach gegenüber starken kommerziellen Baselines reduziert.