Job Scheduling Strategies for Parallel Processing - Klusáček, Dalibor; Corbalán, Julita; Rodrigo, Gonzalo P.; (szerk.) - Prospero Internetes Könyváruház

Job Scheduling Strategies for Parallel Processing: 27th International Workshop, JSSPP 2024, San Francisco, CA, USA, May 31, 2024, Revised Selected Papers
 
A termék adatai:

ISBN13:9783031744297
ISBN10:3031744292
Kötéstípus:Puhakötés
Terjedelem:203 oldal
Méret:235x155 mm
Nyelv:angol
Illusztrációk: 84 Illustrations, black & white
700
Témakör:

Job Scheduling Strategies for Parallel Processing

27th International Workshop, JSSPP 2024, San Francisco, CA, USA, May 31, 2024, Revised Selected Papers
 
Kiadás sorszáma: 2024
Kiadó: Springer
Megjelenés dátuma:
Kötetek száma: 1 pieces, Book
 
Normál ár:

Kiadói listaár:
EUR 74.89
Becsült forint ár:
31 925 Ft (30 405 Ft + 5% áfa)
Miért becsült?
 
Az Ön ára:

25 540 (24 324 Ft + 5% áfa )
Kedvezmény(ek): 20% (kb. 6 385 Ft)
A kedvezmény érvényes eddig: 2024. december 31.
A kedvezmény csak az 'Értesítés a kedvenc témákról' hírlevelünk címzettjeinek rendeléseire érvényes.
Kattintson ide a feliratkozáshoz
 
Beszerezhetőség:

Még nem jelent meg, de rendelhető. A megjelenéstől számított néhány héten belül megérkezik.
 
  példányt

 
Hosszú leírás:

This book constitutes the refereed proceedings of the 27th International Workshop on Job Scheduling Strategies for Parallel Processing, JSSPP 2024, held in San Francisco, CA, USA, on May 31, 2024.



The 10 full papers included in this book were carefully reviewed and selected from 15 submissions. The JSSPP 2024 covers several interesting problems within the resource management and scheduling domains.

Tartalomjegyzék:

.- Technical papers.

.- Real-life HPC Workload Trace Featuring Refined Job Runtime Estimates.

.- An Empirical Study of Machine Learning-based Synthetic Job Trace Generation Methods.

.- Clustering Based Job Runtime Prediction for Backfilling Using Classification.

.- Launchpad: Learning to Schedule Using Offline and Online RL Methods.

.- Radical-Cylon: A Heterogeneous Data Pipeline for Scientific Computing.

.- Evaluation of Heuristic Task-to-Thread Mapping Using Static and Dynamic Approaches.

.- Challenges in parallel matrix chain multiplication.

.- A node selection method for on-demand job execution with considering deadline constraints.

.- Maximizing Energy Budget Utilization Using Dynamic Power Cap Control.

.- Run your HPC jobs in Eco-Mode: revealing the potential of user-assisted power capping in supercomputing systems.