Solving Large-Scale Granular Resource Allocation Problems Efficiently with POP（2021-POP-SOSP-文献阅读笔记）

读者

这篇文章来自2021的SOSP，单位是斯坦福大学和微软。选该文章的理由有二，一是资源分配的主题较为相关；二是文章结构、语言很清晰，读起来很舒服。

本文的中心思想可以概括为：分化瓦解，各个击破。即，用线性规划的方式解决资源分配问题太昂贵，而启发式算法难以达到最优，且缺乏可扩展性（适应范围小，一改条件就失效）。所以该文通过将原始LP重写，得到各个部分的小LP，分别求解再组合。

注：以下翻译主要来自百度翻译（https://fanyi.baidu.com）和手动修正。

摘要

许多计算机系统中的资源分配问题都可以表述为数学优化问题。然而，对于具有严格SLA的大型问题，使用现成的求解器来寻找这些问题的精确解决方案往往很难，这导致系统设计师依赖廉价的启发式算法。然而，我们观察到，许多分配问题是颗粒的：它们由大量的客户机和资源组成，每个客户机请求的资源只占资源总数的一小部分，客户机可以互换使用不同的资源。对于这些问题，我们提出了一种替代方法，该方法重用原始优化问题公式，并导致比特定领域的启发式方法更好的分配。我们的技术是分区优化问题（Partitioned Optimization Problems，POP），它将问题随机分解为更小的问题（系统中有一部分客户端和资源），并将生成的子分配合并为所有客户端的全局分配。我们提供了理论和经验证据来解释为什么随机划分效果很好。在我们的实验中，与现有的集群调度、流量工程和负载平衡系统相比，POP实现了在最优解的1.5%范围以内，数个数量级的运行时间改进。