Качество диспетчеризации суперкомпьютера напрямую зависит от точности оценки времени выполнения задачи. В рамках данной работы был разработана модель оценки времени выполнения задач линейной алгебры. Модель использует асимптотическую оценку сложности в качестве параметра и в зависимости от нее используется модель Extreme Gradient Boosting (XGBoost) или линейная регрессионную модель. Модель обучается и тестируется для трех алгоритмов: умножение матрицы на вектор, степенной метод нахождения собственного числа и метод Якоби для решения системы линейных уравнений. В рамках проведенных экспериментов эта модель показывала себя лучше, чем случайный лес и чистый XGBoost, в среднем относительная ошибка улучшается на 4-5%.

Quality of HPC scheduling directly depends on accuracy of job runtime estimation. This work proposes a modeling method for runtime estimation of linear algebra tasks. Model uses complexity estimation as input parameter, and either Extreme Gradient Boosting (XGBoost) model or linear regression model is used depending on complexity estimation value. This model was fitted and tested using runtime data for three algorithms: matrix multiplication, power iteration and Jacobi method for system of linear equations. Testing on this data showed that proposed model outperforms Randow Forest and XGBoost in most cases, relative error for proposed model is lower by 4-5% by average.