JPH11259433A - 並列実行システム - Google Patents
並列実行システムInfo
- Publication number
- JPH11259433A JPH11259433A JP10055630A JP5563098A JPH11259433A JP H11259433 A JPH11259433 A JP H11259433A JP 10055630 A JP10055630 A JP 10055630A JP 5563098 A JP5563098 A JP 5563098A JP H11259433 A JPH11259433 A JP H11259433A
- Authority
- JP
- Japan
- Prior art keywords
- analysis
- prediction model
- processing
- processing device
- execution time
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Debugging And Monitoring (AREA)
Abstract
(57)【要約】
【課題】並列実行システムにおいてパラメータの値ごと
に内容の異なる解析を特定のアプリケーションにより複
数の処理装置で多数実行する場合に，解析の実行時間を
予測し，この予測をもとに個々の解析を処理装置に割り
当て，全体の処理を高速，効率的に行うことを可能にす
る。 【解決手段】パラメータ収集部２は，入力データ分配部
１から必要なパラメータ値を得て蓄積し，予測モデル作
成部４に渡す。ログ収集部３は，処理装置２０から解析
に要した実行時間ｔ，処理装置の資源や性能の情報ｃを
得て，予測モデル作成部４に渡す。予測モデル作成部４
は，これらの情報から，解析の実行時間を予測する予測
モデルを作成し，解析割り当て部５に渡す。解析割り当
て部５は，予測モデルを用いて未実行の解析の実行時間
を予測し，全体の処理時間が短くなるように処理装置２
０に解析を割り当てる。
に内容の異なる解析を特定のアプリケーションにより複
数の処理装置で多数実行する場合に，解析の実行時間を
予測し，この予測をもとに個々の解析を処理装置に割り
当て，全体の処理を高速，効率的に行うことを可能にす
る。 【解決手段】パラメータ収集部２は，入力データ分配部
１から必要なパラメータ値を得て蓄積し，予測モデル作
成部４に渡す。ログ収集部３は，処理装置２０から解析
に要した実行時間ｔ，処理装置の資源や性能の情報ｃを
得て，予測モデル作成部４に渡す。予測モデル作成部４
は，これらの情報から，解析の実行時間を予測する予測
モデルを作成し，解析割り当て部５に渡す。解析割り当
て部５は，予測モデルを用いて未実行の解析の実行時間
を予測し，全体の処理時間が短くなるように処理装置２
０に解析を割り当てる。
Description
【０００１】
【発明の属する技術分野】本発明は，並列実行環境にお
いて特定のアプリケーションによりパラメータの値ごと
に内容の異なる解析を多数行う場合に，個々の解析を並
列計算機の各処理装置に動的に割り当て，全体の処理を
高速に効率的に行う並列実行システムに関する。
いて特定のアプリケーションによりパラメータの値ごと
に内容の異なる解析を多数行う場合に，個々の解析を並
列計算機の各処理装置に動的に割り当て，全体の処理を
高速に効率的に行う並列実行システムに関する。
【０００２】構造解析や計算化学などの科学技術計算や
統計処理などのビジネス計算の分野において，パラメー
タの値ごとに内容の異なる解析を特定のアプリケーショ
ンにより多数行い，パラメータの値ごとに得られた解析
結果を総合的に判断する処理が広く行われている。
統計処理などのビジネス計算の分野において，パラメー
タの値ごとに内容の異なる解析を特定のアプリケーショ
ンにより多数行い，パラメータの値ごとに得られた解析
結果を総合的に判断する処理が広く行われている。
【０００３】このような処理では個々の解析は独立して
おり，並列計算機の要素である一つまたは複数の処理装
置で実行することが可能であるが，これらの処理装置に
対する解析の割り当て方によっては，処理の全体の実行
時間が変わってくるため，実行時間を最短にするような
割り当てをすることが重要である。本発明は，このよう
な並列実行環境において，全体としての実行開始から実
行終了までの時間を最短にするための技術を提供するも
のである。
おり，並列計算機の要素である一つまたは複数の処理装
置で実行することが可能であるが，これらの処理装置に
対する解析の割り当て方によっては，処理の全体の実行
時間が変わってくるため，実行時間を最短にするような
割り当てをすることが重要である。本発明は，このよう
な並列実行環境において，全体としての実行開始から実
行終了までの時間を最短にするための技術を提供するも
のである。
【０００４】
【従来の技術】計算機システムにおいて，特定のアプリ
ケーションによりパラメータの値ごとに内容の異なる解
析を多数行い，パラメータの値ごとに得られた解析結果
を総合的に判断するような処理を行う場合に，処理装置
が１台しかないときには，パラメータの数だけの解析を
順々に１台の処理装置によって処理する。
ケーションによりパラメータの値ごとに内容の異なる解
析を多数行い，パラメータの値ごとに得られた解析結果
を総合的に判断するような処理を行う場合に，処理装置
が１台しかないときには，パラメータの数だけの解析を
順々に１台の処理装置によって処理する。
【０００５】一方，処理装置が複数ある場合には，従
来，個々の解析の実行時間とは無関係に適当に決めた順
番に従って，解析が割り当てられていない処理装置に対
して解析を順々に割り当てて処理していた。
来，個々の解析の実行時間とは無関係に適当に決めた順
番に従って，解析が割り当てられていない処理装置に対
して解析を順々に割り当てて処理していた。
【０００６】
【発明が解決しようとする課題】複数の処理装置で解析
を行う場合，例えば，解析の処理の後半において，実行
時間の長い解析が一部の処理装置において処理され，残
りの処理装置が活用されていないような状況が生じるこ
とがある。このように，処理装置ごとの処理量にばらつ
きが生じると，解析を均等に処理装置に割り当てる場合
に比べて，処理装置の稼働率が低下し，全体としての処
理時間が長くなってしまう。
を行う場合，例えば，解析の処理の後半において，実行
時間の長い解析が一部の処理装置において処理され，残
りの処理装置が活用されていないような状況が生じるこ
とがある。このように，処理装置ごとの処理量にばらつ
きが生じると，解析を均等に処理装置に割り当てる場合
に比べて，処理装置の稼働率が低下し，全体としての処
理時間が長くなってしまう。
【０００７】しかし，従来の技術では，個々の解析に必
要と見込まれる実行時間を，解析の実際のパラメータを
考慮して予測することは行っていないため，個々の解析
に要する実行時間が分からず，パラメータの数だけある
解析のうち，どの解析を，どの順番で，どの処理装置に
割り当てれば，処理装置ごとの処理量のばらつきをなく
して全体の処理時間を短くできるか，といった戦略を立
てることができなかった。
要と見込まれる実行時間を，解析の実際のパラメータを
考慮して予測することは行っていないため，個々の解析
に要する実行時間が分からず，パラメータの数だけある
解析のうち，どの解析を，どの順番で，どの処理装置に
割り当てれば，処理装置ごとの処理量のばらつきをなく
して全体の処理時間を短くできるか，といった戦略を立
てることができなかった。
【０００８】本発明の目的は，並列実行環境を持つ計算
機システムにおいて，パラメータの値ごとに内容の異な
る解析を特定のアプリケーションにより複数の処理装置
で多数実行する場合に，解析の内容を特徴付けるパラメ
ータの値をもとに，個々の解析の実行時間を予測し，こ
の予測をもとに個々の解析を処理装置に割り当て，全体
の処理時間が最短となるようにすることである。
機システムにおいて，パラメータの値ごとに内容の異な
る解析を特定のアプリケーションにより複数の処理装置
で多数実行する場合に，解析の内容を特徴付けるパラメ
ータの値をもとに，個々の解析の実行時間を予測し，こ
の予測をもとに個々の解析を処理装置に割り当て，全体
の処理時間が最短となるようにすることである。
【０００９】
【課題を解決するための手段】図１は本発明の原理ブロ
ック図である。本システムは，各々ＣＰＵとメモリとを
備えた解析割り当て処理装置１０と複数の処理装置２０
とからなる。解析割り当て処理装置１０は，入力データ
分配部１，パラメータ収集部２，ログ収集部３，予測モ
デル作成部４，解析割り当て部５，結果データ収集部
６，順番テーブル７，処理装置テーブル８を持つ。
ック図である。本システムは，各々ＣＰＵとメモリとを
備えた解析割り当て処理装置１０と複数の処理装置２０
とからなる。解析割り当て処理装置１０は，入力データ
分配部１，パラメータ収集部２，ログ収集部３，予測モ
デル作成部４，解析割り当て部５，結果データ収集部
６，順番テーブル７，処理装置テーブル８を持つ。
【００１０】入力データ分配部１は，パラメータの値ご
とに対応する入力データを，その解析（解析ａ）が割り
当てられている処理装置２０に配る手段である。パラメ
ータ収集部２は，アプリケーションの名前や，実行時間
に影響のある解析方法や解析規模などの個々の解析の内
容を特徴付ける解析ごとのパラメータの値（パラメータ
ｐ）を抜き出して保存し蓄積する手段である。
とに対応する入力データを，その解析（解析ａ）が割り
当てられている処理装置２０に配る手段である。パラメ
ータ収集部２は，アプリケーションの名前や，実行時間
に影響のある解析方法や解析規模などの個々の解析の内
容を特徴付ける解析ごとのパラメータの値（パラメータ
ｐ）を抜き出して保存し蓄積する手段である。
【００１１】ログ収集部３は，個々の解析が実行される
処理装置２０−１，２０−２，…，２０−ｍの資源や性
能の情報ｃ−１，ｃ−２，…，ｃ−ｍと実行時間の値ｔ
−１，ｔ−２，…，ｔ−ｍを抜き出して保存し蓄積する
手段である。
処理装置２０−１，２０−２，…，２０−ｍの資源や性
能の情報ｃ−１，ｃ−２，…，ｃ−ｍと実行時間の値ｔ
−１，ｔ−２，…，ｔ−ｍを抜き出して保存し蓄積する
手段である。
【００１２】予測モデル作成部４は，パラメータ収集部
２で収集したパラメータｐと，ログ収集部３で収集した
処理装置２０の資源や性能の情報ｃ−１，ｃ−２，…，
ｃ−ｍと実行時間の値ｔ−１，ｔ−２，…，ｔ−ｍとか
ら，個々の解析の実行時間を予測するモデルを作成し，
解析割り当て部５の必要に応じて予測モデルを渡す手段
である。
２で収集したパラメータｐと，ログ収集部３で収集した
処理装置２０の資源や性能の情報ｃ−１，ｃ−２，…，
ｃ−ｍと実行時間の値ｔ−１，ｔ−２，…，ｔ−ｍとか
ら，個々の解析の実行時間を予測するモデルを作成し，
解析割り当て部５の必要に応じて予測モデルを渡す手段
である。
【００１３】具体的には，予測モデル作成部４は，個々
の解析の実行時間を予測するモデルを作成する予測手法
として，決定木のアルゴリズム，ＭＢＲのアルゴリズ
ム，重回帰分析のアルゴリズム，もしくはニューラルネ
ットワークのアルゴリズムのいずれかのアルゴリズムを
用い，またはこれらのうち２以上のアルゴリズムを組み
合わせて用いて予測するモデルを作成する。また，予測
モデル作成部４は，個々のアプリケーションに対して，
いくつかの異なる予測手法により予測モデルを作成した
場合には，予測値と実測値の差の二乗和や交差検定など
の手段により予測精度を評価し，そのアプリケーション
に適し，最良の精度を実現する予測手法によって作成し
たものを，実際に使用する予測モデルとする。
の解析の実行時間を予測するモデルを作成する予測手法
として，決定木のアルゴリズム，ＭＢＲのアルゴリズ
ム，重回帰分析のアルゴリズム，もしくはニューラルネ
ットワークのアルゴリズムのいずれかのアルゴリズムを
用い，またはこれらのうち２以上のアルゴリズムを組み
合わせて用いて予測するモデルを作成する。また，予測
モデル作成部４は，個々のアプリケーションに対して，
いくつかの異なる予測手法により予測モデルを作成した
場合には，予測値と実測値の差の二乗和や交差検定など
の手段により予測精度を評価し，そのアプリケーション
に適し，最良の精度を実現する予測手法によって作成し
たものを，実際に使用する予測モデルとする。
【００１４】解析割り当て部５は，解析が割り当てられ
ていない処理装置２０の資源や性能の情報ｃと，処理が
済んでいない解析ａのアプリケーションの名前やパラメ
ータの値などから，解析の実行時間を予測し，予測され
る実行時間がより長い解析をより早い順番で処理装置２
０に割り当てるようにする。また，解析割り当て部５
は，個々の解析が処理装置２０で実際に終了し，次の解
析を処理装置２０に割り当てる時点で，次の順番の解析
とその次の順番の解析とで順番を入れ換えて，全体の処
理時間を短くする見込みが高いか低いかを判断し，見込
みが高い場合には，解析の順番を入れ換えて解析の割り
当て順序を動的に変更する。
ていない処理装置２０の資源や性能の情報ｃと，処理が
済んでいない解析ａのアプリケーションの名前やパラメ
ータの値などから，解析の実行時間を予測し，予測され
る実行時間がより長い解析をより早い順番で処理装置２
０に割り当てるようにする。また，解析割り当て部５
は，個々の解析が処理装置２０で実際に終了し，次の解
析を処理装置２０に割り当てる時点で，次の順番の解析
とその次の順番の解析とで順番を入れ換えて，全体の処
理時間を短くする見込みが高いか低いかを判断し，見込
みが高い場合には，解析の順番を入れ換えて解析の割り
当て順序を動的に変更する。
【００１５】結果データ収集部６は，パラメータｐごと
に対応する結果データｄ−１，ｄ−２，…，ｄ−ｍを，
その解析が割り当てられている処理装置２０−１，２０
−２，…，２０−ｍから受け取り，それらを集約した処
理全体の結果Ｒを出力する手段である。
に対応する結果データｄ−１，ｄ−２，…，ｄ−ｍを，
その解析が割り当てられている処理装置２０−１，２０
−２，…，２０−ｍから受け取り，それらを集約した処
理全体の結果Ｒを出力する手段である。
【００１６】順番テーブル７は，解析の割り当て順序を
記録し，参照することのできる記憶領域である。処理装
置テーブル８は，個々の処理装置について，資源，性
能，解析が割り当てられているかいないかのフラグ，解
析が割り当てられている場合には，終了予測時刻を記録
し参照することのできる記憶領域である。
記録し，参照することのできる記憶領域である。処理装
置テーブル８は，個々の処理装置について，資源，性
能，解析が割り当てられているかいないかのフラグ，解
析が割り当てられている場合には，終了予測時刻を記録
し参照することのできる記憶領域である。
【００１７】本発明は，以下のように作用する。入力デ
ータ分配部１は，処理全体の入力（解析ａ−１，ａ−
２，…，ａ−ｎ）を受け取り，これらからパラメータｐ
の値を複写してパラメータ収集部２に渡す。併せて，処
理全体の入力を解析ごとに分割し，解析割り当て部５に
渡す。
ータ分配部１は，処理全体の入力（解析ａ−１，ａ−
２，…，ａ−ｎ）を受け取り，これらからパラメータｐ
の値を複写してパラメータ収集部２に渡す。併せて，処
理全体の入力を解析ごとに分割し，解析割り当て部５に
渡す。
【００１８】ここで，処理全体の入力とは，ひとまとま
りとなる処理の全入力データであって，内容の異なる解
析ごとの入力の値（パラメータｐ）である。その内容
は，例えばアプリケーション名ｎ，解析方法ｍ，解析規
模ｓ，その他のパラメータｏからなる。
りとなる処理の全入力データであって，内容の異なる解
析ごとの入力の値（パラメータｐ）である。その内容
は，例えばアプリケーション名ｎ，解析方法ｍ，解析規
模ｓ，その他のパラメータｏからなる。
【００１９】パラメータ収集部２は，入力データ分配部
１から受け取ったパラメータｐを蓄積し，併せて，予測
モデル作成部４にパラメータｐの情報を送る。一方，ロ
グ収集部３は，実際の解析に要した実行時間ｔ−１，ｔ
−２，…，ｔ−ｍと処理装置の資源や性能の情報ｃ−
１，ｃ−２，…，ｃ−ｍを，処理装置２０−１，２０−
２，…，２０−ｍから受け取り，蓄積し，それらの情報
を予測モデル作成部４に送る。
１から受け取ったパラメータｐを蓄積し，併せて，予測
モデル作成部４にパラメータｐの情報を送る。一方，ロ
グ収集部３は，実際の解析に要した実行時間ｔ−１，ｔ
−２，…，ｔ−ｍと処理装置の資源や性能の情報ｃ−
１，ｃ−２，…，ｃ−ｍを，処理装置２０−１，２０−
２，…，２０−ｍから受け取り，蓄積し，それらの情報
を予測モデル作成部４に送る。
【００２０】予測モデル作成部４は，パラメータ収集部
２からパラメータｐを受け取り，また，ログ収集部３か
ら実行時間ｔ−１，ｔ−２，…，ｔ−ｍ，処理装置の資
源や性能の情報ｃ−１，ｃ−２，…，ｃ−ｍを受け取
り，これらの情報から，解析が特定の資源や性能の状況
にある処理装置で行われる場合の実行時間を予測するた
めの予測モデルを作成し，予測モデルを解析割り当て部
５に渡す。
２からパラメータｐを受け取り，また，ログ収集部３か
ら実行時間ｔ−１，ｔ−２，…，ｔ−ｍ，処理装置の資
源や性能の情報ｃ−１，ｃ−２，…，ｃ−ｍを受け取
り，これらの情報から，解析が特定の資源や性能の状況
にある処理装置で行われる場合の実行時間を予測するた
めの予測モデルを作成し，予測モデルを解析割り当て部
５に渡す。
【００２１】解析割り当て部５は，予測モデル作成部４
から受け取った予測モデルを用い，未実行の解析につい
て，解析ａ−１，ａ−２，…，ａ−ｎの情報（アプリケ
ーションの名前や解析方法や解析規模のパラメータな
ど）と，解析が割り当てられていない処理装置の資源や
性能の情報ｃ−１，ｃ−２，…，ｃ−ｍをもとに，実行
時間を予測し，全体の処理時間ができる限り短くなるよ
うに，実行する順序や処理装置を決定して，割り当てを
行う。また，必要であれば，個々の処理装置の資源，性
能，解析が割り当てられているかいないかのフラグ，解
析が割り当てられている場合の終了予測時刻が保持され
ている処理装置テーブル８を参照する。決定された解析
を実行する順番は順番テーブル７に保持される。
から受け取った予測モデルを用い，未実行の解析につい
て，解析ａ−１，ａ−２，…，ａ−ｎの情報（アプリケ
ーションの名前や解析方法や解析規模のパラメータな
ど）と，解析が割り当てられていない処理装置の資源や
性能の情報ｃ−１，ｃ−２，…，ｃ−ｍをもとに，実行
時間を予測し，全体の処理時間ができる限り短くなるよ
うに，実行する順序や処理装置を決定して，割り当てを
行う。また，必要であれば，個々の処理装置の資源，性
能，解析が割り当てられているかいないかのフラグ，解
析が割り当てられている場合の終了予測時刻が保持され
ている処理装置テーブル８を参照する。決定された解析
を実行する順番は順番テーブル７に保持される。
【００２２】結果データ収集部６は，処理装置２０−
１，２０−２，…，２０−ｍから解析した結果データｄ
−１，ｄ−２，…，ｄ−ｍを受け取って集約し，処理全
体の結果Ｒを出力する。
１，２０−２，…，２０−ｍから解析した結果データｄ
−１，ｄ−２，…，ｄ−ｍを受け取って集約し，処理全
体の結果Ｒを出力する。
【００２３】なお，図１の例では，解析割り当て処理装
置１０と複数の処理装置２０とを別の装置として示して
いるが，解析割り当て処理装置１０の機能を複数の処理
装置２０の中の１台もしくは複数台が担当する構成とし
ても，同様に本発明を実施することができる。
置１０と複数の処理装置２０とを別の装置として示して
いるが，解析割り当て処理装置１０の機能を複数の処理
装置２０の中の１台もしくは複数台が担当する構成とし
ても，同様に本発明を実施することができる。
【００２４】
【発明の実施の形態】以下に，本発明の実施の形態につ
いて，各手段ごとに詳しく説明する。 〔１〕入力データ分配部 図２は，入力データ分配部の説明図である。
いて，各手段ごとに詳しく説明する。 〔１〕入力データ分配部 図２は，入力データ分配部の説明図である。
【００２５】処理全体の入力として，３種の解析ａ−
１，ａ−２，ａ−３があり，各解析の入力値であるパラ
メータｐとして，アプリケーション名ｎ，解析方法ｍ，
解析規模ｓ，その他のパラメータｏを持つとする。これ
らのパラメータｐは，解析の内容を特徴付け，実行時間
に影響を与えるパラメータである。
１，ａ−２，ａ−３があり，各解析の入力値であるパラ
メータｐとして，アプリケーション名ｎ，解析方法ｍ，
解析規模ｓ，その他のパラメータｏを持つとする。これ
らのパラメータｐは，解析の内容を特徴付け，実行時間
に影響を与えるパラメータである。
【００２６】入力データ分配部１は，処理全体の入力
（解析ａ−１，ａ−２，ａ−３）を受け取り，パラメー
タｐ−１，ｐ−２，ｐ−３の値をコピーして，パラメー
タ収集部２に渡す。同時に処理全体の入力（解析ａ−
１，ａ−２，ａ−３）を，解析ごとに分割して，解析割
り当て部５に渡す。
（解析ａ−１，ａ−２，ａ−３）を受け取り，パラメー
タｐ−１，ｐ−２，ｐ−３の値をコピーして，パラメー
タ収集部２に渡す。同時に処理全体の入力（解析ａ−
１，ａ−２，ａ−３）を，解析ごとに分割して，解析割
り当て部５に渡す。
【００２７】〔２〕パラメータ収集部 図３は，パラメータ収集部の説明図である。パラメータ
収集部２は，入力データ分配部１から，パラメータｐ−
１，ｐ−２，ｐ−３を受け取り，蓄積する。併せて，予
測モデル作成部４にこれらの情報を送る。
収集部２は，入力データ分配部１から，パラメータｐ−
１，ｐ−２，ｐ−３を受け取り，蓄積する。併せて，予
測モデル作成部４にこれらの情報を送る。
【００２８】〔３〕ログ収集部 図４は，ログ収集部の説明図である。ログ収集部３は，
解析に要した実行時間ｔ−１，ｔ−２と処理装置の資源
や性能の情報ｃ−１，ｃ−２を，処理装置２０−１，２
０−２から受け取り，蓄積する。併せて，これらの情報
を予測モデル作成部４に送る。
解析に要した実行時間ｔ−１，ｔ−２と処理装置の資源
や性能の情報ｃ−１，ｃ−２を，処理装置２０−１，２
０−２から受け取り，蓄積する。併せて，これらの情報
を予測モデル作成部４に送る。
【００２９】図５は，ログ収集部が収集するログの構成
例を示す図である。ログ収集部３は，図５に示すよう
に，各処理装置における実際に解析に要した実行時間
と，処理装置の資源や性能の情報と，その解析が使用し
たパラメータなどの値を収集し記憶する。処理装置の資
源や性能の情報は，例えばＣＰＵの速さ，メモリ容量，
ディスクスペースなどである。
例を示す図である。ログ収集部３は，図５に示すよう
に，各処理装置における実際に解析に要した実行時間
と，処理装置の資源や性能の情報と，その解析が使用し
たパラメータなどの値を収集し記憶する。処理装置の資
源や性能の情報は，例えばＣＰＵの速さ，メモリ容量，
ディスクスペースなどである。
【００３０】〔４〕解析割り当て部・順番テーブル・処
理装置テーブル 図６は，解析割り当て部の説明図である。解析割り当て
部５は，予測モデル作成部４から受け取った予測モデル
を用いて，未実行の解析について，解析（アプリケーシ
ョンの名前，解析方法や解析規模のパラメータなどのデ
ータ）と，解析が割り当てられていない処理装置からの
資源や性能の情報をもとに，実行時間を予測し，全体の
処理時間ができる限り短くなるように，実行する順序や
処理装置を決定して，割り当てを行う。
理装置テーブル 図６は，解析割り当て部の説明図である。解析割り当て
部５は，予測モデル作成部４から受け取った予測モデル
を用いて，未実行の解析について，解析（アプリケーシ
ョンの名前，解析方法や解析規模のパラメータなどのデ
ータ）と，解析が割り当てられていない処理装置からの
資源や性能の情報をもとに，実行時間を予測し，全体の
処理時間ができる限り短くなるように，実行する順序や
処理装置を決定して，割り当てを行う。
【００３１】順番テーブル７には，後述する解析の割り
当て戦略に基づいて決定された解析を実行する順番が保
持される。処理装置テーブル８には，個々の処理装置の
資源，性能，解析が割り当てられているかいないかのフ
ラグ，解析が割り当てられている場合の終了予測時刻が
保持される。
当て戦略に基づいて決定された解析を実行する順番が保
持される。処理装置テーブル８には，個々の処理装置の
資源，性能，解析が割り当てられているかいないかのフ
ラグ，解析が割り当てられている場合の終了予測時刻が
保持される。
【００３２】解析の割り当て戦略は，以下で説明するフ
ェーズ１とフェーズ２において決定される。フェーズ１
は，ひとまとまりの処理に属する解析が解析割り当て部
５に投入される時点で行われ，フェーズ２は，解析が処
理装置２０で終了し，次の解析の割り当てを行う時点で
行われる。
ェーズ１とフェーズ２において決定される。フェーズ１
は，ひとまとまりの処理に属する解析が解析割り当て部
５に投入される時点で行われ，フェーズ２は，解析が処
理装置２０で終了し，次の解析の割り当てを行う時点で
行われる。
【００３３】（１）解析の割り当て戦略（フェーズ１） フェーズ１では，まず，処理装置テーブル８を参照し，
解析が割り当てられていない処理装置があるかないかを
調べる。解析が割り当てられていない処理装置がある場
合には，その処理装置の性能，資源の情報を調べる。そ
の状況で可能な最良の構成の処理装置を用いた場合につ
いて，未実行の個々の解析に必要と見込まれる実行時間
を予測する。実行時間の予測値の最も長い解析をその処
理装置に割り当て，処理装置テーブル８の解析が割り当
てられているかいないかのフラグを割り当てられている
と設定し，終了予測時刻を実行時間の予測値から見込ま
れる時刻で書き換える。
解析が割り当てられていない処理装置があるかないかを
調べる。解析が割り当てられていない処理装置がある場
合には，その処理装置の性能，資源の情報を調べる。そ
の状況で可能な最良の構成の処理装置を用いた場合につ
いて，未実行の個々の解析に必要と見込まれる実行時間
を予測する。実行時間の予測値の最も長い解析をその処
理装置に割り当て，処理装置テーブル８の解析が割り当
てられているかいないかのフラグを割り当てられている
と設定し，終了予測時刻を実行時間の予測値から見込ま
れる時刻で書き換える。
【００３４】解析が割り当てられていない処理装置に残
りがあり，未実行の解析がある場合には，同様に実行時
間の予測を行い，実行時間の予測値の長い解析から順
に，処理装置に割り当て，処理装置テーブル８を同様の
方法で書き換えていく。
りがあり，未実行の解析がある場合には，同様に実行時
間の予測を行い，実行時間の予測値の長い解析から順
に，処理装置に割り当て，処理装置テーブル８を同様の
方法で書き換えていく。
【００３５】解析が割り当てられていない処理装置に残
りがなく，未実行の解析がある場合には，次の「方法
１」または「方法２」のいずれかの方法で，順番テーブ
ル７に値を埋める。
りがなく，未実行の解析がある場合には，次の「方法
１」または「方法２」のいずれかの方法で，順番テーブ
ル７に値を埋める。
【００３６】 方法１ 処理装置テーブル８の内容を，作業用処理装置テーブル
（図示しない）にコピーする。
（図示しない）にコピーする。
【００３７】作業用処理装置テーブルから，次に解析が
終了すると予測される処理装置を調べる。その処理装置
の資源，性能の状況で可能な最良の構成の処理装置を用
いた場合について，個々の未実行の解析を割り当てた場
合の実行時間の予測値を計算する。予測値の最も長い解
析を１番とし，順番テーブル７に記録し，作業用処理装
置テーブルの該当する処理装置の終了予測時刻の部分
を，予測値から見込まれる時刻で書き換える。
終了すると予測される処理装置を調べる。その処理装置
の資源，性能の状況で可能な最良の構成の処理装置を用
いた場合について，個々の未実行の解析を割り当てた場
合の実行時間の予測値を計算する。予測値の最も長い解
析を１番とし，順番テーブル７に記録し，作業用処理装
置テーブルの該当する処理装置の終了予測時刻の部分
を，予測値から見込まれる時刻で書き換える。
【００３８】以後，同様の方法で，次に解析が終了する
と予測される処理装置を作業用処理装置テーブルから調
べ，未実行かつ順番が付けられていない解析の実行時間
を予測し，予測値の最も長い解析を調べ，順番テーブル
７のその解析の該当箇所に番号を記録し，作業用処理装
置テーブルの終了予測時刻を書き換えていく。
と予測される処理装置を作業用処理装置テーブルから調
べ，未実行かつ順番が付けられていない解析の実行時間
を予測し，予測値の最も長い解析を調べ，順番テーブル
７のその解析の該当箇所に番号を記録し，作業用処理装
置テーブルの終了予測時刻を書き換えていく。
【００３９】 方法２ 典型的な処理装置を選び，その処理装置の資源，性能に
おいて，未実行の解析を割り当てた場合の実行時間を予
測する。予測値の大きなものから順に，対応する解析に
対して１から順番に昇順で番号を付け，順番テーブル７
に記録する。
おいて，未実行の解析を割り当てた場合の実行時間を予
測する。予測値の大きなものから順に，対応する解析に
対して１から順番に昇順で番号を付け，順番テーブル７
に記録する。
【００４０】（２）解析の割り当て戦略（フェーズ２） フェーズ２では，まず，解析の割り当てられていない処
理装置の性能，資源の情報を処理装置テーブル８から調
べる。この状況において，以下に述べる方法で時刻Ａと
時刻Ｂを求める。
理装置の性能，資源の情報を処理装置テーブル８から調
べる。この状況において，以下に述べる方法で時刻Ａと
時刻Ｂを求める。
【００４１】 時刻Ａの求め方 順番テーブル７に１番と記録されている解析を実行する
場合の実行時間を予測し，終了予測時刻（Ｔ１）を求め
る。次に解析が終了する処理装置を，処理装置テーブル
８と時刻Ｔ１とから調べる。その処理装置で，順番テー
ブル７に２番と記録されている解析を実行する場合の実
行時間を予測し，終了予測時刻（Ｔ２）を求める。時刻
Ｔ１と時刻Ｔ２の遅い方を時刻Ａとして保持する。
場合の実行時間を予測し，終了予測時刻（Ｔ１）を求め
る。次に解析が終了する処理装置を，処理装置テーブル
８と時刻Ｔ１とから調べる。その処理装置で，順番テー
ブル７に２番と記録されている解析を実行する場合の実
行時間を予測し，終了予測時刻（Ｔ２）を求める。時刻
Ｔ１と時刻Ｔ２の遅い方を時刻Ａとして保持する。
【００４２】 時刻Ｂの求め方 順番テーブル７に２番と記録されている解析を実行する
場合の実行時間の予測値を計算し，終了予測時刻（Ｔ
３）を求める。次に解析が終了すると見込まれる処理装
置を，処理装置テーブル８とＴ３とから調べる。その処
理装置で，順番テーブル７に１番と記録されている解析
を実行する場合の実行時間を予測し，終了予測時刻（Ｔ
４）を求める。時刻Ｔ３と時刻Ｔ４との遅い方を時刻Ｂ
として保持する。
場合の実行時間の予測値を計算し，終了予測時刻（Ｔ
３）を求める。次に解析が終了すると見込まれる処理装
置を，処理装置テーブル８とＴ３とから調べる。その処
理装置で，順番テーブル７に１番と記録されている解析
を実行する場合の実行時間を予測し，終了予測時刻（Ｔ
４）を求める。時刻Ｔ３と時刻Ｔ４との遅い方を時刻Ｂ
として保持する。
【００４３】時刻Ａが時刻Ｂより遅い場合，順番が２番
の解析を処理装置に割り当てる。その他の場合，順番が
１番の解析を処理装置に割り当てる。処理装置テーブル
８の該当処理装置の部分について，解析が割り当てられ
ているかいないかのフラグと，終了予測時刻を書き換え
る。順番テーブル７において，順番１番または２番の残
った方を順番１番とし，順番３番以降の番号を１ずつ小
さくした番号として書き換える。
の解析を処理装置に割り当てる。その他の場合，順番が
１番の解析を処理装置に割り当てる。処理装置テーブル
８の該当処理装置の部分について，解析が割り当てられ
ているかいないかのフラグと，終了予測時刻を書き換え
る。順番テーブル７において，順番１番または２番の残
った方を順番１番とし，順番３番以降の番号を１ずつ小
さくした番号として書き換える。
【００４４】〔５〕予測モデル作成部 図７は，予測モデル作成部の説明図である。予測モデル
作成部４は，パラメータ収集部２からパラメータｐの情
報を受け取り，また，ログ収集部３から実行時間ｔと，
処理装置の資源や性能の情報ｃを受け取り，これらの情
報から解析が特定の資源や性能の状況にある処理装置で
行われる場合の実行時間を予測する予測モデルを作成
し，予測モデルを解析割り当て部５に渡す。
作成部４は，パラメータ収集部２からパラメータｐの情
報を受け取り，また，ログ収集部３から実行時間ｔと，
処理装置の資源や性能の情報ｃを受け取り，これらの情
報から解析が特定の資源や性能の状況にある処理装置で
行われる場合の実行時間を予測する予測モデルを作成
し，予測モデルを解析割り当て部５に渡す。
【００４５】予測のアルゴリズムとしては，決定木，Ｍ
ＢＲ（Memory Based Reasoning) ，ニューラルネットワ
ーク，重回帰分析を使用する。予測のアルゴリズムは，
いずれも解析の方法，解析の規模を特徴付けるパラメー
タの値，処理装置の性能，資源を入力とし，解析の実行
時間の予測値を出力とする。また，予測モデルは使用す
るアプリケーションごとに別のものを用意する。
ＢＲ（Memory Based Reasoning) ，ニューラルネットワ
ーク，重回帰分析を使用する。予測のアルゴリズムは，
いずれも解析の方法，解析の規模を特徴付けるパラメー
タの値，処理装置の性能，資源を入力とし，解析の実行
時間の予測値を出力とする。また，予測モデルは使用す
るアプリケーションごとに別のものを用意する。
【００４６】予測のアルゴリズムを複数利用できる場合
には，アプリケーションごとにどの予測のアルゴリズム
が適しているかを，予測値と実測値の差の二乗和や交差
検定などの方法により予測モデルの精度を評価すること
で決定し，解析割り当て部５において，個々のアプリケ
ーションに最適な予測のアルゴリズムによって作成され
た予測モデルを使用できるようにする。
には，アプリケーションごとにどの予測のアルゴリズム
が適しているかを，予測値と実測値の差の二乗和や交差
検定などの方法により予測モデルの精度を評価すること
で決定し，解析割り当て部５において，個々のアプリケ
ーションに最適な予測のアルゴリズムによって作成され
た予測モデルを使用できるようにする。
【００４７】各アルゴリズムによる予測方法の詳細は，
次の通りである。 （１）決定木 図８は，解析の実行時間を予測する決定木の例を示す図
である。
次の通りである。 （１）決定木 図８は，解析の実行時間を予測する決定木の例を示す図
である。
【００４８】過去に実行した解析について，パラメータ
収集部２で収集した，解析の規模（例えば，レコード件
数），解析の方法に関するデータと，ログ収集部３で収
集した処理装置の性能，資源のデータや実行時間に関す
るデータとを入力とし，解析の実行時間を決定属性，そ
れ以外のデータを条件属性として，決定木を一般的な手
法で作成する。
収集部２で収集した，解析の規模（例えば，レコード件
数），解析の方法に関するデータと，ログ収集部３で収
集した処理装置の性能，資源のデータや実行時間に関す
るデータとを入力とし，解析の実行時間を決定属性，そ
れ以外のデータを条件属性として，決定木を一般的な手
法で作成する。
【００４９】個々の解析の実行時間の予測は，パラメー
タ収集部２で収集した解析の規模，解析の方法のデータ
と，処理装置テーブル８から調べた解析を割り当てられ
ていない処理装置の性能，資源のデータとを決定木に当
てはめ，対応する経路を調べ，末端の実行時間を読み取
ることで行う。
タ収集部２で収集した解析の規模，解析の方法のデータ
と，処理装置テーブル８から調べた解析を割り当てられ
ていない処理装置の性能，資源のデータとを決定木に当
てはめ，対応する経路を調べ，末端の実行時間を読み取
ることで行う。
【００５０】予測モデルは決定木であり，決定木はアプ
リケーションのそれぞれについて用意する。予測の評価
は，予測値と実測値の差の二乗和や，交差検定の方法に
より行う。
リケーションのそれぞれについて用意する。予測の評価
は，予測値と実測値の差の二乗和や，交差検定の方法に
より行う。
【００５１】（２）ＭＢＲ（Memory Based Reasoning) ＭＢＲでは，過去に実行した解析に関する大量のデータ
を，これから実行時間を予測する解析のデータとつきあ
わせて，処理装置の性能，資源，解析の規模，解析の方
法などのデータの値がより多く一致しているものを検索
し，類似データとする。この類似データの実行時間を読
み取り，対象の解析の実行時間の予測値とする。
を，これから実行時間を予測する解析のデータとつきあ
わせて，処理装置の性能，資源，解析の規模，解析の方
法などのデータの値がより多く一致しているものを検索
し，類似データとする。この類似データの実行時間を読
み取り，対象の解析の実行時間の予測値とする。
【００５２】予測モデルとしては，過去に実行した解析
のデータと検索の仕組みが相当する。データと検索の仕
組みは，アプリケーションのそれぞれについて用意す
る。予測の評価は，交差検定の方法により行う。
のデータと検索の仕組みが相当する。データと検索の仕
組みは，アプリケーションのそれぞれについて用意す
る。予測の評価は，交差検定の方法により行う。
【００５３】（３）ニューラルネットワーク 下に示す式は，ニューラルネットワークの原理式の例で
ある。 Ｔ＝Ａ×ｆ（Ｐ）＋Ｂ Ｐ＝ΣＵi Ｑi −Ｖ Ｑi ＝ｆ（Ｒi ） Ｒi ＝Σ（ＷijＳj −Ｚi ） ここで，Ｔは実行時間，Ａ，Ｂはスケーリングの係数，
Ｕi ，Ｖ，Ｗij，Ｚiはニューラルネットワークの係
数，Ｓj は入力変数，Ｐ，Ｑi ，Ｒi は中間変数，ｆは
シグモイド関数である。
ある。 Ｔ＝Ａ×ｆ（Ｐ）＋Ｂ Ｐ＝ΣＵi Ｑi −Ｖ Ｑi ＝ｆ（Ｒi ） Ｒi ＝Σ（ＷijＳj −Ｚi ） ここで，Ｔは実行時間，Ａ，Ｂはスケーリングの係数，
Ｕi ，Ｖ，Ｗij，Ｚiはニューラルネットワークの係
数，Ｓj は入力変数，Ｐ，Ｑi ，Ｒi は中間変数，ｆは
シグモイド関数である。
【００５４】過去に実行した解析について，処理装置の
性能，資源，解析の規模，解析の方法を数値化したもの
をＳj とし，そのそれぞれの解析についての実行時間を
Ｔとする。ニューラルネットワークの一般的な手法を用
いることにより，Ｕj ，Ｖ，Ｗij，Ｚi の値を決定し，
また，過去に実行した解析の実行時間の値域からＡとＢ
を決定し，式を完成させる。
性能，資源，解析の規模，解析の方法を数値化したもの
をＳj とし，そのそれぞれの解析についての実行時間を
Ｔとする。ニューラルネットワークの一般的な手法を用
いることにより，Ｕj ，Ｖ，Ｗij，Ｚi の値を決定し，
また，過去に実行した解析の実行時間の値域からＡとＢ
を決定し，式を完成させる。
【００５５】実行時間の予測は，予測対象の解析と処理
装置の状況に応じて，処理装置の性能，資源，解析の規
模，解析の方法を求め，数値化し，Ｓj として入力し，
上式を計算することにより行う。
装置の状況に応じて，処理装置の性能，資源，解析の規
模，解析の方法を求め，数値化し，Ｓj として入力し，
上式を計算することにより行う。
【００５６】予測モデルは上記の式であり，式はアプリ
ケーションのそれぞれについて用意する。予測の評価
は，予測値と実測値の差の二乗和や，交差検定の方法に
より行う。
ケーションのそれぞれについて用意する。予測の評価
は，予測値と実測値の差の二乗和や，交差検定の方法に
より行う。
【００５７】（４）重回帰分析 下に示す式は，重回帰分析の原理式の例である。 Ｔ＝Ｓ＋ΣＡi Ｂi ここで，Ｔは実行時間，Ｓは定数項，Ａi は重回帰分析
の係数，Ｂi は入力変数である。
の係数，Ｂi は入力変数である。
【００５８】過去に実行した解析について，処理装置の
性能，資源，解析の規模，解析の方法に関するデータを
数値化し，それをＢi とし，そのそれぞれの実行時間を
Ｔとする。重回帰分析の一般的な手法を用いて，係数Ａ
i と定数項Ｓを決定し，上式を完成させる。
性能，資源，解析の規模，解析の方法に関するデータを
数値化し，それをＢi とし，そのそれぞれの実行時間を
Ｔとする。重回帰分析の一般的な手法を用いて，係数Ａ
i と定数項Ｓを決定し，上式を完成させる。
【００５９】実行時間の予測は，予測対象の解析と処理
装置の状況に応じて，処理装置の性能，資源，解析の規
模，解析の方法を求め，数値化してＢi として入力し，
上式を計算することにより行う。
装置の状況に応じて，処理装置の性能，資源，解析の規
模，解析の方法を求め，数値化してＢi として入力し，
上式を計算することにより行う。
【００６０】予測モデルは上記の式であり，式はアプリ
ケーションのそれぞれについて用意する。予測の評価
は，予測値と実測値の差の二乗和や，交差検定の方法に
より行う。
ケーションのそれぞれについて用意する。予測の評価
は，予測値と実測値の差の二乗和や，交差検定の方法に
より行う。
【００６１】〔６〕結果データ収集部 図９は，結果データ収集部の説明図である。結果データ
収集部６は，処理装置２０−１，２０−２が解析した結
果データｄ−１，ｄ−２を受け取り，集約して処理全体
の結果Ｒを出力する。
収集部６は，処理装置２０−１，２０−２が解析した結
果データｄ−１，ｄ−２を受け取り，集約して処理全体
の結果Ｒを出力する。
【００６２】
【実施例】本発明を実際の解析に適用した実施例とし
て，構造解析の応力最適化計算，計算化学の構造最適化
計算，および統計処理の交差検定に適用した例をとりあ
げて説明する。
て，構造解析の応力最適化計算，計算化学の構造最適化
計算，および統計処理の交差検定に適用した例をとりあ
げて説明する。
【００６３】〔１〕構造解析の応力最適化計算 図１０は，構造解析の応力最適化計算の実施例を説明す
る図である。構造解析の応力最適化計算では，寸法の異
なる形状の物体について，応力最適化計算を行い，個々
の形状ごとに最適化された状態での応力値などを調べ，
寸法と応力の最適値との関係や応力が最適な場合の寸
法，最適値，最適化された形状を求める処理を行う。
る図である。構造解析の応力最適化計算では，寸法の異
なる形状の物体について，応力最適化計算を行い，個々
の形状ごとに最適化された状態での応力値などを調べ，
寸法と応力の最適値との関係や応力が最適な場合の寸
法，最適値，最適化された形状を求める処理を行う。
【００６４】ひとまとまりの処理のうち，寸法の異なる
形状に対する計算を個々の解析として区別する。形状を
離散化する際の自由度の数を解析の規模とし，ソルバの
種類で解析の方法を区別する。解析が割り当てられてい
ない処理装置の性能と資源のデータを処理装置テーブル
８から得る。
形状に対する計算を個々の解析として区別する。形状を
離散化する際の自由度の数を解析の規模とし，ソルバの
種類で解析の方法を区別する。解析が割り当てられてい
ない処理装置の性能と資源のデータを処理装置テーブル
８から得る。
【００６５】解析の割り当ては，上述の解析の規模，解
析の方法，処理装置の性能，資源のデータを入力とし，
アプリケーションの名前に応じた予測モデルを用いるこ
とで解析の実行時間の予測値を求め，前述する解析の割
り当て戦略に従って行う。
析の方法，処理装置の性能，資源のデータを入力とし，
アプリケーションの名前に応じた予測モデルを用いるこ
とで解析の実行時間の予測値を求め，前述する解析の割
り当て戦略に従って行う。
【００６６】解析の終了後，処理装置の性能，資源，実
際にかかった実行時間のデータは，ログ収集部３におい
て蓄積し，後の予測モデル作成時に使用する。ひとまと
まりの処理に属する個々の解析の結果を収集し，寸法と
応力の最適値との関係，応力が最適な場合の寸法，最適
値，最適化された形状を全体結果として出力する。
際にかかった実行時間のデータは，ログ収集部３におい
て蓄積し，後の予測モデル作成時に使用する。ひとまと
まりの処理に属する個々の解析の結果を収集し，寸法と
応力の最適値との関係，応力が最適な場合の寸法，最適
値，最適化された形状を全体結果として出力する。
【００６７】〔２〕計算化学の構造最適化計算 図１１は，計算化学の構造最適化計算の実施例を説明す
る図である。計算化学の構造最適化計算では，原子の配
置を少しずつ変えた分子構造をもとに構造最適化計算を
行い，原子配置と物理量の最適値との関係や物理量が最
適となる場合の値と最適化された分子構造を求める処理
を行う。
る図である。計算化学の構造最適化計算では，原子の配
置を少しずつ変えた分子構造をもとに構造最適化計算を
行い，原子配置と物理量の最適値との関係や物理量が最
適となる場合の値と最適化された分子構造を求める処理
を行う。
【００６８】ひとまとまりの処理のうち，原子の配置の
異なる分子構造に対する計算を個々の解析として区別す
る。分子構造についての波動関数を展開する際の基底関
数の数を解析の規模とし，エネルギーの正確さと計算ア
ルゴリズムを解析の方法とする。
異なる分子構造に対する計算を個々の解析として区別す
る。分子構造についての波動関数を展開する際の基底関
数の数を解析の規模とし，エネルギーの正確さと計算ア
ルゴリズムを解析の方法とする。
【００６９】解析が割り当てられていない処理装置の性
能と資源のデータを処理装置テーブル８から得る。解析
の割り当ては，上述の解析の規模，解析の方法，処理装
置の性能，資源のデータを入力とし，アプリケーション
の名前に応じた予測モデルを用いることで解析の実行時
間の予測値を求め，前述の解析の割り当て戦略に従って
行う。
能と資源のデータを処理装置テーブル８から得る。解析
の割り当ては，上述の解析の規模，解析の方法，処理装
置の性能，資源のデータを入力とし，アプリケーション
の名前に応じた予測モデルを用いることで解析の実行時
間の予測値を求め，前述の解析の割り当て戦略に従って
行う。
【００７０】解析の終了後，処理装置の性能，資源，実
際にかかった実行時間のデータは，ログ収集部３におい
て蓄積し，後の予測モデル作成時に使用する。ひとまと
まりの処理に属する個々の解析の結果を収集し，原子配
置と物理量の最適値との関係，物理量が最適となる場合
の値と最適化された分子構造を全体結果として出力す
る。
際にかかった実行時間のデータは，ログ収集部３におい
て蓄積し，後の予測モデル作成時に使用する。ひとまと
まりの処理に属する個々の解析の結果を収集し，原子配
置と物理量の最適値との関係，物理量が最適となる場合
の値と最適化された分子構造を全体結果として出力す
る。
【００７１】〔３〕統計処理の交差検定 図１２は，統計処理の交差検定の実施例を説明する図で
ある。統計処理の交差検定では，データをＮ個のグルー
プに分けて，着目するグループ以外のデータから作成し
たモデルを着目するグループのデータで評価する処理
を，着目するグループを取り換えてＮ通り行う。
ある。統計処理の交差検定では，データをＮ個のグルー
プに分けて，着目するグループ以外のデータから作成し
たモデルを着目するグループのデータで評価する処理
を，着目するグループを取り換えてＮ通り行う。
【００７２】ひとまとまりの処理のうち，着目するグル
ープが異なる計算を個々の解析として区別する。個々の
解析で，モデルを作成するのに使用するデータの数を解
析の規模とし解析の詳しさを解析の方法とする。
ープが異なる計算を個々の解析として区別する。個々の
解析で，モデルを作成するのに使用するデータの数を解
析の規模とし解析の詳しさを解析の方法とする。
【００７３】解析が割り当てられていない処理装置の性
能と資源のデータを処理装置テーブル８から得る。解析
の割り当ては，上述の解析の規模，解析の方法，処理装
置の性能，資源のデータを入力とし，アプリケーション
の名前に応じた予測モデルを用いることで，解析の実行
時間の予測値を求め，前述の解析の割り当て戦略に従っ
て行う。
能と資源のデータを処理装置テーブル８から得る。解析
の割り当ては，上述の解析の規模，解析の方法，処理装
置の性能，資源のデータを入力とし，アプリケーション
の名前に応じた予測モデルを用いることで，解析の実行
時間の予測値を求め，前述の解析の割り当て戦略に従っ
て行う。
【００７４】解析の終了後，処理装置の性能，資源，実
際にかかった実行時間のデータは，ログ収集部３におい
て蓄積し，後の予測モデル作成時に使用する。ひとまと
まりの処理に属する個々の解析の結果を収集し，精度が
最も良いモデルとモデルの精度のばらつきとを全体結果
として出力する。
際にかかった実行時間のデータは，ログ収集部３におい
て蓄積し，後の予測モデル作成時に使用する。ひとまと
まりの処理に属する個々の解析の結果を収集し，精度が
最も良いモデルとモデルの精度のばらつきとを全体結果
として出力する。
【００７５】
【発明の効果】本発明によれば，パラメータの値ごとに
内容の異なる多数の解析を効率よく並列に実行でき，全
体の処理時間を短縮することができる。
内容の異なる多数の解析を効率よく並列に実行でき，全
体の処理時間を短縮することができる。
【００７６】具体的には，以下のような効果を奏する。 １）パラメータの値ごとに内容の異なる解析を，特定の
アプリケーションで多数行う処理において，個々の解析
を最適な処理装置に順番に割り当てることができ，処理
装置の稼働率を向上させ，全体の処理時間の短縮が可能
となる。
アプリケーションで多数行う処理において，個々の解析
を最適な処理装置に順番に割り当てることができ，処理
装置の稼働率を向上させ，全体の処理時間の短縮が可能
となる。
【００７７】２）解析割り当て部では，解析が割り当て
られていない処理装置の資源や性能の情報と，処理が済
んでいない解析のアプリケーションの名前やパラメータ
の値から，解析の実行時間を予測し，どの解析を，どの
処理装置で，どの順番で，行うかについて，予測される
実行時間がより長い解析がより早い順番で処理装置に割
り当てられるように決定することで，全体の処理時間を
短くし，処理装置を有効に活用することができる。
られていない処理装置の資源や性能の情報と，処理が済
んでいない解析のアプリケーションの名前やパラメータ
の値から，解析の実行時間を予測し，どの解析を，どの
処理装置で，どの順番で，行うかについて，予測される
実行時間がより長い解析がより早い順番で処理装置に割
り当てられるように決定することで，全体の処理時間を
短くし，処理装置を有効に活用することができる。
【００７８】３）解析割り当て部では，個々の解析が処
理装置で実際に終了し，次の解析を処理装置に割り当て
る時点で，次の順番の解析とその次の順番の解析とで，
順番を入れ換えることにより全体の処理時間を短くする
見込みが高いか低いかを判断し，見込みが高い場合に
は，解析の順番を入れ換えて解析の割り当て順序を動的
に改善することにより，全体の処理時間を短くし，処理
装置を有効に活用することができる。
理装置で実際に終了し，次の解析を処理装置に割り当て
る時点で，次の順番の解析とその次の順番の解析とで，
順番を入れ換えることにより全体の処理時間を短くする
見込みが高いか低いかを判断し，見込みが高い場合に
は，解析の順番を入れ換えて解析の割り当て順序を動的
に改善することにより，全体の処理時間を短くし，処理
装置を有効に活用することができる。
【００７９】４）パラメータ収集部で収集したパラメー
タとログ収集部で収集した実行時間の量とが増えれば増
えるほど，予測モデル作成部で作成する予測モデルの精
度が向上し，解析割り当て部において予測モデルを用い
て行われる実行時間の予測精度が向上し，解析の割り当
てが精度良く行えるようになる。
タとログ収集部で収集した実行時間の量とが増えれば増
えるほど，予測モデル作成部で作成する予測モデルの精
度が向上し，解析割り当て部において予測モデルを用い
て行われる実行時間の予測精度が向上し，解析の割り当
てが精度良く行えるようになる。
【００８０】５）予測モデル作成部で予測モデルを作成
し保存し，解析割り当て部での必要に応じて予測モデル
を渡すことによって，解析割り当て部において予測モデ
ルを作成する時間を不要とし，解析の実行時間を高速に
予測することができる。
し保存し，解析割り当て部での必要に応じて予測モデル
を渡すことによって，解析割り当て部において予測モデ
ルを作成する時間を不要とし，解析の実行時間を高速に
予測することができる。
【００８１】６）解析割り当て部ほどには高速性が要求
されない予測モデル作成部において，精度が良い反面，
時間がかかるアルゴリズムを使用して予測モデルを作成
することができる。
されない予測モデル作成部において，精度が良い反面，
時間がかかるアルゴリズムを使用して予測モデルを作成
することができる。
【００８２】７）個々のアプリケーションに対して，予
測モデル作成部において，いくつか異なる予測手法によ
り予測モデルを作成し，予測値と実測値の差の二乗和や
交差検定などの手段により予測精度を評価し，アプリケ
ーションに適し，最良の精度を実現する予測手法によっ
て作成した予測モデルを用い，解析割り当て部におい
て，解析の割り当てを精度よく行うことを可能とするこ
とによって，全体の処理を高速化させることができる。
測モデル作成部において，いくつか異なる予測手法によ
り予測モデルを作成し，予測値と実測値の差の二乗和や
交差検定などの手段により予測精度を評価し，アプリケ
ーションに適し，最良の精度を実現する予測手法によっ
て作成した予測モデルを用い，解析割り当て部におい
て，解析の割り当てを精度よく行うことを可能とするこ
とによって，全体の処理を高速化させることができる。
【００８３】８）構造解析の応力最適化計算，計算化学
の構造最適化計算，統計処理の交差検定において，パラ
メータの値ごとに内容の異なる解析を，複数ある処理装
置で並列に処理することにより，全体の処理時間の短縮
が可能となる。
の構造最適化計算，統計処理の交差検定において，パラ
メータの値ごとに内容の異なる解析を，複数ある処理装
置で並列に処理することにより，全体の処理時間の短縮
が可能となる。
【図１】本発明の原理ブロック図である。
【図２】入力データ分配部の説明図である。
【図３】パラメータ収集部の説明図である。
【図４】ログ収集部の説明図である。
【図５】ログの構成例を示す図である。
【図６】解析割り当て部の説明図である。
【図７】予測モデル作成部の説明図である。
【図８】解析の実行時間を予測する決定木の例を示す図
である。
である。
【図９】結果データ収集部の説明図である。
【図１０】構造解析の応力最適化計算の実施例を説明す
る図である。
る図である。
【図１１】計算化学の構造最適化計算の実施例を説明す
る図である。
る図である。
【図１２】統計処理の交差検定の実施例を説明する図で
ある。
ある。
【符号の説明】 １ 入力データ分配部 ２ パラメータ収集部 ３ ログ収集部 ４ 予測モデル作成部 ５ 解析割り当て部 ６ 結果データ収集部 ７ 順番テーブル ８ 処理装置テーブル １０ 解析割り当て処理装置 ２０ 処理装置
Claims (5)
- 【請求項１】 複数の処理装置を備え，特定のアプリケ
ーションによりパラメータの値ごとに内容の異なる解析
を多数行う場合に，個々の解析を前記処理装置に割り当
てて処理する並列実行システムにおいて，個々の解析の
内容を特徴付けるパラメータの値を抜き出して保存し蓄
積するパラメータ収集手段と，個々の解析を実行した処
理装置の情報と実行時間の値を抜き出して保存し蓄積す
るログ収集手段と，前記パラメータの値ごとに対応する
入力データを，当該解析を割り当てる処理装置に配る入
力データ分配手段と，前記各処理装置が解析した結果デ
ータを集約した結果を出力する結果データ収集手段と，
前記パラメータ収集手段で収集したパラメータの値と，
前記ログ収集手段で収集したログ情報とから，個々の解
析の実行時間を予測するモデルを作成する予測モデル作
成手段と，前記予測モデル作成手段が作成した予測モデ
ルにより，処理が済んでいない解析の実行時間を予測
し，予測された実行時間に基づいて，どの解析を，どの
処理装置で，どの順番で行うかについて決定し，実行す
べき解析を処理装置に割り当てる解析割り当て手段と備
えることを特徴とする並列実行システム。 - 【請求項２】 請求項１に記載の並列実行システムにお
いて，前記解析割り当て手段は，予測される実行時間が
より長い解析をより早い順番で処理装置に割り当てると
ともに，個々の解析が処理装置で実際に終了し，次の解
析を処理装置に割り当てる時点で，次の順番の解析とそ
の次の順番の解析とで順番を入れ換えて，全体の処理時
間を短くする見込みが高いか低いかを判断し，その見込
みが高い場合には，解析の順番を入れ換えて，解析の割
り当て順序を動的に変更することを特徴とする並列実行
システム。 - 【請求項３】 請求項１に記載の並列実行システムにお
いて，前記予測モデル作成手段は，個々の解析の実行時
間を予測するモデルを作成する予測手法として，決定木
のアルゴリズム，ＭＢＲのアルゴリズム，重回帰分析の
アルゴリズム，もしくはニューラルネットワークのアル
ゴリズムのいずれか一つまたは複数のアルゴリズムを用
いて予測モデルを作成することを特徴とする並列実行シ
ステム。 - 【請求項４】 請求項３に記載の並列実行システムにお
いて，前記予測モデル作成手段は，個々のアプリケーシ
ョンに対して，いくつか異なる予測手法により予測モデ
ルを作成した場合に，予測値と実測値の差の二乗和また
は交差検定などの手段により予測精度を評価し，アプリ
ケーションに適し，最良の精度を実現する予測手法によ
って作成したものを予測モデルとすることを特徴とする
並列実行システム。 - 【請求項５】 請求項１ないし請求項４のいずれかに記
載の並列実行システムにおいて，前記パラメータの値ご
とに内容の異なる解析は，構造解析の応力最適化計算に
おける寸法と応力の最適値との関係もしくは応力が最適
な場合の寸法，最適値，最適化された形状を求めるため
の解析，計算化学の構造最適化計算における原子配置と
物理量の最適値との関係もしくは物理量が最適な場合の
値と最適化された分子構造を求めるための解析，または
統計処理の交差検定における精度が最も良いモデルもし
くはモデルの精度のばらつきを求めるための解析である
ことを特徴とする並列実行システム。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP05563098A JP3792879B2 (ja) | 1998-03-09 | 1998-03-09 | 並列実行システム |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP05563098A JP3792879B2 (ja) | 1998-03-09 | 1998-03-09 | 並列実行システム |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| JPH11259433A true JPH11259433A (ja) | 1999-09-24 |
| JP3792879B2 JP3792879B2 (ja) | 2006-07-05 |
Family
ID=13004115
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| JP05563098A Expired - Fee Related JP3792879B2 (ja) | 1998-03-09 | 1998-03-09 | 並列実行システム |
Country Status (1)
| Country | Link |
|---|---|
| JP (1) | JP3792879B2 (ja) |
Cited By (14)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2006065775A (ja) * | 2004-08-30 | 2006-03-09 | National Institute Of Information & Communication Technology | 分子構造最適化システム |
| WO2006048919A1 (ja) * | 2004-11-01 | 2006-05-11 | Fujitsu Limited | 最適設計管理装置、最適設計計算システム、最適設計管理方法、最適設計管理プログラム |
| JP2006341098A (ja) * | 2005-06-10 | 2006-12-21 | Siemens Ag | Ｍｒ画像における測定データ検出および画像再構成の改善 |
| US7454754B2 (en) | 2001-08-06 | 2008-11-18 | International Business Machines Corporation | System for providing resources based on licensing contract with user by correcting the error between estimated execution time from the history of job execution |
| WO2013024597A1 (ja) | 2011-08-15 | 2013-02-21 | 日本電気株式会社 | 分散処理管理装置及び分散処理管理方法 |
| WO2013030860A1 (ja) * | 2011-08-26 | 2013-03-07 | 株式会社日立製作所 | 予測型逐次計算装置 |
| WO2013184680A1 (en) * | 2012-06-04 | 2013-12-12 | Massively Parallel Technologies, Inc. | Automatic parallel performance profiling systems and methods |
| WO2015151290A1 (ja) * | 2014-04-04 | 2015-10-08 | 株式会社日立製作所 | 管理計算機と計算機制御方法及び計算機システム |
| JP2016507093A (ja) * | 2013-01-11 | 2016-03-07 | インターナショナル・ビジネス・マシーンズ・コーポレーションＩｎｔｅｒｎａｔｉｏｎａｌ Ｂｕｓｉｎｅｓｓ Ｍａｃｈｉｎｅｓ Ｃｏｒｐｏｒａｔｉｏｎ | 回帰モデルを計算するための方法、コンピュータ・プログラム、およびシステム |
| WO2016116990A1 (ja) * | 2015-01-22 | 2016-07-28 | 日本電気株式会社 | 出力装置、データ構造、出力方法および出力プログラム |
| WO2017188419A1 (ja) * | 2016-04-28 | 2017-11-02 | 日本電気株式会社 | 計算資源管理装置、計算資源管理方法、及びコンピュータ読み取り可能な記録媒体 |
| WO2018168695A1 (ja) * | 2017-03-17 | 2018-09-20 | 日本電気株式会社 | 分散機械学習装置、分散機械学習方法および分散機械学習記録媒体 |
| JP2020109551A (ja) * | 2018-12-28 | 2020-07-16 | 富士通クライアントコンピューティング株式会社 | 情報処理装置及び情報処理システム |
| WO2022214029A1 (en) * | 2021-04-08 | 2022-10-13 | International Business Machines Corporation | Intelligent identification of an execution environment |
Families Citing this family (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2019170359A (ja) * | 2018-03-28 | 2019-10-10 | 国立大学法人名古屋大学 | 植物栽培結果予測システム |
-
1998
- 1998-03-09 JP JP05563098A patent/JP3792879B2/ja not_active Expired - Fee Related
Cited By (28)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US8245237B2 (en) | 2001-08-06 | 2012-08-14 | International Business Machines Corporation | Providing resources to a job comparing estimated execution time on currently available nodes and estimated execution time on nodes available after completion of a currently executing job |
| US8689229B2 (en) | 2001-08-06 | 2014-04-01 | International Business Machines Corporation | Providing computational resources to applications based on accuracy of estimated execution times provided with the request for application execution |
| US7454754B2 (en) | 2001-08-06 | 2008-11-18 | International Business Machines Corporation | System for providing resources based on licensing contract with user by correcting the error between estimated execution time from the history of job execution |
| JP4729889B2 (ja) * | 2004-08-30 | 2011-07-20 | 独立行政法人情報通信研究機構 | 分子構造最適化システム |
| JP2006065775A (ja) * | 2004-08-30 | 2006-03-09 | National Institute Of Information & Communication Technology | 分子構造最適化システム |
| JP4643586B2 (ja) * | 2004-11-01 | 2011-03-02 | 富士通株式会社 | 最適設計管理装置、最適設計計算システム、最適設計管理方法、最適設計管理プログラム |
| WO2006048919A1 (ja) * | 2004-11-01 | 2006-05-11 | Fujitsu Limited | 最適設計管理装置、最適設計計算システム、最適設計管理方法、最適設計管理プログラム |
| US7991617B2 (en) | 2004-11-01 | 2011-08-02 | Fujitsu Limited | Optimum design management apparatus from response surface calculation and method thereof |
| JPWO2006048919A1 (ja) * | 2004-11-01 | 2008-05-22 | 富士通株式会社 | 最適設計管理装置、最適設計計算システム、最適設計管理方法、最適設計管理プログラム |
| JP2006341098A (ja) * | 2005-06-10 | 2006-12-21 | Siemens Ag | Ｍｒ画像における測定データ検出および画像再構成の改善 |
| WO2013024597A1 (ja) | 2011-08-15 | 2013-02-21 | 日本電気株式会社 | 分散処理管理装置及び分散処理管理方法 |
| WO2013030860A1 (ja) * | 2011-08-26 | 2013-03-07 | 株式会社日立製作所 | 予測型逐次計算装置 |
| JPWO2013030860A1 (ja) * | 2011-08-26 | 2015-03-23 | 株式会社日立製作所 | 予測型逐次計算装置 |
| US9483306B2 (en) | 2011-08-26 | 2016-11-01 | Hitachi, Ltd. | Predictive sequential calculation device |
| WO2013184680A1 (en) * | 2012-06-04 | 2013-12-12 | Massively Parallel Technologies, Inc. | Automatic parallel performance profiling systems and methods |
| US9170909B2 (en) | 2012-06-04 | 2015-10-27 | Massively Parallel Technologies, Inc. | Automatic parallel performance profiling systems and methods |
| JP2016507093A (ja) * | 2013-01-11 | 2016-03-07 | インターナショナル・ビジネス・マシーンズ・コーポレーションＩｎｔｅｒｎａｔｉｏｎａｌ Ｂｕｓｉｎｅｓｓ Ｍａｃｈｉｎｅｓ Ｃｏｒｐｏｒａｔｉｏｎ | 回帰モデルを計算するための方法、コンピュータ・プログラム、およびシステム |
| WO2015151290A1 (ja) * | 2014-04-04 | 2015-10-08 | 株式会社日立製作所 | 管理計算機と計算機制御方法及び計算機システム |
| WO2016116990A1 (ja) * | 2015-01-22 | 2016-07-28 | 日本電気株式会社 | 出力装置、データ構造、出力方法および出力プログラム |
| US20180004869A1 (en) * | 2015-01-22 | 2018-01-04 | Nec Corporation | Output device, data structure, output method, and output program |
| WO2017188419A1 (ja) * | 2016-04-28 | 2017-11-02 | 日本電気株式会社 | 計算資源管理装置、計算資源管理方法、及びコンピュータ読み取り可能な記録媒体 |
| US10963297B2 (en) | 2016-04-28 | 2021-03-30 | Nec Corporation | Computational resource management device, computational resource management method, and computer-readable recording medium |
| WO2018168695A1 (ja) * | 2017-03-17 | 2018-09-20 | 日本電気株式会社 | 分散機械学習装置、分散機械学習方法および分散機械学習記録媒体 |
| US11514359B2 (en) | 2017-03-17 | 2022-11-29 | Nec Corporation | Distributed machine learning device, distributed machine learning method, and distributed machine learning recording medium |
| JP2020109551A (ja) * | 2018-12-28 | 2020-07-16 | 富士通クライアントコンピューティング株式会社 | 情報処理装置及び情報処理システム |
| WO2022214029A1 (en) * | 2021-04-08 | 2022-10-13 | International Business Machines Corporation | Intelligent identification of an execution environment |
| GB2620697A (en) * | 2021-04-08 | 2024-01-17 | Ibm | Intelligent identification of an execution environment |
| GB2620697B (en) * | 2021-04-08 | 2024-06-05 | Ibm | Intelligent identification of an execution environment |
Also Published As
| Publication number | Publication date |
|---|---|
| JP3792879B2 (ja) | 2006-07-05 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110399222B (zh) | Gpu集群深度学习任务并行化方法、装置及电子设备 | |
| CN111258767B (zh) | 复杂系统仿真应用的云计算资源智能分配方法与装置 | |
| CN106897109B (zh) | 基于随机森林回归的虚拟机性能预测方法 | |
| US8799916B2 (en) | Determining an allocation of resources for a job | |
| US7536373B2 (en) | Resource allocation using relational fuzzy modeling | |
| JPH11259433A (ja) | 並列実行システム | |
| JP2017228086A (ja) | 機械学習管理プログラム、機械学習管理方法、および機械学習管理装置 | |
| BR112015019167B1 (pt) | Método realizado por um processador de computador e sistema | |
| Varghese et al. | Cloud benchmarking for maximising performance of scientific applications | |
| US20140201114A1 (en) | Device of managing distributed processing and method of managing distributed processing | |
| Vakilinia et al. | Analysis and optimization of big-data stream processing | |
| CN116501505B (zh) | 负载任务的数据流生成方法、装置、设备及介质 | |
| Rosas et al. | Improving performance on data-intensive applications using a load balancing methodology based on divisible load theory | |
| CN116827950A (zh) | 云资源的处理方法、装置、设备及存储介质 | |
| Bawankule et al. | Historical data based approach to mitigate stragglers from the Reduce phase of MapReduce in a heterogeneous Hadoop cluster | |
| CN112000460A (zh) | 一种基于改进贝叶斯算法的服务扩缩容的方法及相关设备 | |
| CN113158435B (zh) | 基于集成学习的复杂系统仿真运行时间预测方法与设备 | |
| Moreno et al. | Load balancing in homogeneous pipeline based applications | |
| Marinho et al. | LABAREDA: a predictive and elastic load balancing service for cloud-replicated databases | |
| Moreno et al. | HeDPM: load balancing of linear pipeline applications on heterogeneous systems | |
| CN113723538B (zh) | 基于层次化迁移学习的跨平台功耗性能预测方法及系统 | |
| Ismaeel et al. | A systematic cloud workload clustering technique in large scale data centers | |
| Li et al. | The extreme counts: modeling the performance uncertainty of cloud resources with extreme value theory | |
| Wu et al. | Latency modeling and minimization for large-scale scientific workflows in distributed network environments | |
| JP2023180315A (ja) | 変換プログラムおよび変換処理方法 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20060104 |
|
| A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20060306 |
|
| TRDD | Decision of grant or rejection written | ||
| A01 | Written decision to grant a patent or to grant a registration (utility model) |
Free format text: JAPANESE INTERMEDIATE CODE: A01 Effective date: 20060404 |
|
| A61 | First payment of annual fees (during grant procedure) |
Free format text: JAPANESE INTERMEDIATE CODE: A61 Effective date: 20060406 |
|
| R150 | Certificate of patent or registration of utility model |
Free format text: JAPANESE INTERMEDIATE CODE: R150 |
|
| FPAY | Renewal fee payment (event date is renewal date of database) |
Free format text: PAYMENT UNTIL: 20090414 Year of fee payment: 3 |
|
| FPAY | Renewal fee payment (event date is renewal date of database) |
Free format text: PAYMENT UNTIL: 20100414 Year of fee payment: 4 |
|
| FPAY | Renewal fee payment (event date is renewal date of database) |
Free format text: PAYMENT UNTIL: 20110414 Year of fee payment: 5 |
|
| FPAY | Renewal fee payment (event date is renewal date of database) |
Free format text: PAYMENT UNTIL: 20110414 Year of fee payment: 5 |
|
| FPAY | Renewal fee payment (event date is renewal date of database) |
Free format text: PAYMENT UNTIL: 20120414 Year of fee payment: 6 |
|
| FPAY | Renewal fee payment (event date is renewal date of database) |
Free format text: PAYMENT UNTIL: 20130414 Year of fee payment: 7 |
|
| FPAY | Renewal fee payment (event date is renewal date of database) |
Free format text: PAYMENT UNTIL: 20140414 Year of fee payment: 8 |
|
| LAPS | Cancellation because of no payment of annual fees |