Optimisation des configurations de point de contrôle/redémarrage multi-niveaux asynchrone avec l'apprentissage automatique

Avec l'émergence de systèmes de stockage polyvalents, le point de contrôle multi-niveaux (MLC) est devenu une approche courante pour gagner en efficacité. Cependant, le point de contrôle/redémarrage multi-niveaux peut entraîner un trafic E/S énorme sur les systèmes HPC. Pour utiliser efficacement le point de contrôle multi-niveaux, il est important d'optimiser les configurations de point de contrôle/redémarrage. Les approches actuelles, à savoir la modélisation et la simulation, sont soit inexactes, soit lentes pour déterminer la configuration optimale pour un système à grande échelle. Dans cet article, nous montrons que les modèles d'apprentissage automatique peuvent être utilisés en combinaison avec une simulation précise pour déterminer les configurations de point de contrôle optimales. Nous démontrons également que des techniques plus avancées telles que les réseaux neuronaux peuvent encore améliorer les performances dans l'optimisation des configurations de point de contrôle.