AdaGap：基于深度Q网络的异构集群GPU共享自适应间隙感知资源分配策略

针对异构GPU集群中资源碎片化和利用率低下的问题，上海理工大学团队提出AdaGap策略，通过深度Q网络（DQN）动态优化资源分配，最小化资源间隙（gap）。实验基于阿里云真实数据验证其有效性，相比基线方法显著降低任务完成时间，为高性能计算和深度学习任务提供自适应解决方案。

　　

在当今高性能计算和深度学习（DL）领域，异构GPU集群凭借其灵活性和成本效益成为关键基础设施。然而，GPU共享技术虽能提升资源利用率，却因静态分配策略（如NVIDIA MPS¹和MIG²）的局限性，导致资源间隙（gap）和碎片化问题突出。据阿里云和微软数据，GPU实际利用率常低于50%，严重影响任务完成效率。上海理工大学的研究团队针对这一挑战，开发了AdaGap——一种基于深度Q网络（DQN）的自适应间隙感知资源分配策略，相关成果发表于《Future Generation Computer Systems》。

研究采用深度强化学习（DRL）框架，将资源分配建模为马尔可夫决策过程（MDP），通过动态调整节点选择策略优化GPU和CPU资源匹配。关键技术包括：1）利用阿里云真实集群数据构建30节点异构环境；2）设计DQN算法处理高维状态空间（如GPU类型、资源余量）；3）对比传统方法（RR、SJF）和DRL基线（PPO、A3C）。

研究结果部分：
局限性分析：指出现有GPU共享技术（如MPS需手动配置，MIG分区僵化）无法适应动态负载，导致间隙累积。
AdaGap框架：通过实时监测资源间隙（图4）和任务需求，DQN智能体选择最优节点，减少碎片化。实验显示其分配延迟低于DDQN，适合实时场景。
实验验证：在RTX 3050/AMD Ryzen 7硬件环境中，AdaGap将任务完成时间缩短20%-35%，显著优于随机分配和SJF。

结论表明，AdaGap通过动态间隙感知机制，在异构集群中实现资源利用率最大化。其创新性在于将DRL与实时资源监控结合，为云平台提供可扩展解决方案。未来工作将探索多目标优化（如能耗与性能平衡），进一步推动GPU共享技术的发展。