Critical Path Method (CPM)

Metode Jalur Kritis

Litany Gracia Puspa Sondakh

1706041690
Deskripsi Jurnal

01 Judul
Penjadwal DAG-CPM untuk
Eksekusi Paralel Pekerjaan
02 Penulis
D C Vinutha,
G T Raju .
Kritis

03 Penerbit
International Journal of
Engineering dan Advanced
04 Tahun
ISSN: 2249 - 8958, Volume-8
Edisi-6, Agustus 2019
Technology (IJEAT)
Kata Kunci Jurnal

Jalur Kritis

DAG

MapReduce

Pipeline
PENDAHULUAN
MapReduce adalah model pemrograman MapReduce konvensional tidak akan

untuk melakukan komputasi dalam mengeksekusi pekerjaan dependen

secara paralel, karena tidak
lingkungan paralel dan terdistribusi.
menyediakan sinkronisasi antara
pekerjaan dependen. Pekerjaan
Page View melakukan operasi yang
tersebut perlu memiliki data input
diperlukan dalam beberapa iterasi, setiap
lengkap sebelum dikirim.
iterasi dianggap sebagai satu pekerjaan.

Kelemahan
 Tujuan

01 02 03 04
Meningkatkan
Dalam hal tumpang
MapReduce
tindih pelaksanaan
konvensional, untuk Waktu pelaksanaan Mengembangkan model
pekerjaan dependen,
melaksanakan setiap pekerjaan penjadwalan pekerjaan
Pipeline diperkenalkan/
pekerjaan dependen diperkirakan jalur kritis untuk
dimasukkan antara
terjadwal secara paralel, menggunakan Locally penjadwalan pekerjaan
output dan input dari
dengan secara dinamis Weighted Liner berdasarkan prediksi
pekerjaan dependen,
membangun dependensi Regression (LWLR) yang tepat dari jalur
hasil ini menjadi
DAG untuk pekerjaan dengan memanfaatkan kritis menggunakan
peningkatan yang
yang sedang berjalan file log pekerjaan/ algoritma Metode Jalur
signifikan dalam waktu
berdasarkan direktori riwayat eksekusi. Kritis.
eksekusi.
output dan input.
 RELATED WORK

Strategi/kebijakan penjadwalan lan :

1. Penjadwakan adil  mengalokasikan sumber daya yang sama untuk semua
pengguna.
2. Penjadwalan kapasitas  memfasilitasi keadilan untuk pekerjaan padat sumber
daya.
3. Quinchy (penjadwalan delay)  berkonsentrasi pada korelasi antara data
lokalitas dan keadilan.
SISTEM YANG DIAJUKAN

Penjadwal DAG–CPM
adalah peningkatan
dari Hadoop
konvensional untuk
menjadwalkan
aplikasi multi-
pekerjaan.
 Arsitektur
yang
Ditawarkan
 SISTEM YANG DIAJUKAN

3 Komponen baru :
• Dependency Parser  memeriksa ketergantungan antara beberapa
pekerjaan berdasarkan pada direktori input dan output.
• Job Time Estimator  memperkirakan waktu pelaksanaan pekerjaan
berdasarkan file log pekerjaan dan konfigurasi pekerjaan.
• Untuk membuat keputusan penjadwalan yang kuat untuk pekerjaan yang
diajukan, memanfaatkan waktu eksekusi pekerjaan yang diprediksi dan
informasi ketergantungan dalam DAG.
 HARD
DEPENDENCY
Adanya ketergantungan antara iterasi
sebelumnya dan pekerjaan iterasi saat ini,
meskipun tidak ada ketergantungan input-
output.
Pipelining data
antara input dan
output suatu
pekerjaan
Dalam MapReduce konvensional:
- tidak ada sinkronisasi antara input dan output dari pekerjaan dependen
- tidak mungkin mengidentifikasi, ke pekerjaan mana output dari
pekerjaan hulu perlu digunakan sebagai input untuk pekerjaan hilir.
- pekerjaan dependen menunggu sampai menerima data input lengkap
dari semua pekerjaan lain.

USULAN :
Pipeline digunakan antara
pekerjaan yang tergantung
 Pipeline
Data antara
Pekerjaan
Dependen
Penjadwalan dalam Penjadwal DAG– CPM
Prosedur untuk menjadwalkan pekerjaan menggunakan
01
Pengguna menggunakan id yang
sama untuk mengirimkan aplikasi
MapReduce yang memiliki
beberapa pekerjaan ke dalam
Penjadwal DAG–CPM, pekerjaan
ini dapat dikirimkan ke Job Tracker
secara paralel.
Penjadwal DAG-CPM
02 03 04
Jika antrian pekerjaan saat ini
Setelah penyerahan lengkap
kosong dan slot bebas tersedia di
semua pekerjaan, ketergantungan
sistem, maka penjadwal akan
pekerjaan DAG dibuat secara FINISH
memilih pekerjaan yang ada di jalur
dinamis dan mendekati waktu
kritis.
pelaksanaan pekerjaan.
   EST EFT LST LFT TF

A 0 2 8 10 8

B 5 6 10 11 5

C 5 11 5 11 0

D 0 5 0 5 0

E 11 15 11 15 0

Contoh Dependensi Pekerjaan

F 11 13 13 15 2

Tabel Perhitungan Rantai Kritis

 Waktu eksekusi di PIG Waktu Eksekusi di Penjadwalan DAG-CPM tanpa Pipeline
Id Pekerjaan Waktu Mulai Waktu Selesai Id Pekerjaan Waktu Mulai Waktu Selesai

1 15 24 1 24 33

2 10 28 2 10 28

3 0 7 3 0 7

4 2 19 4 2 19

5 29 56 5 20 56

6 63 81 6 57 68

7 82 90 7 69 74

Id Pekerjaan Waktu Mulai Waktu Selesai

1 26 34
Waktu Eksekusi di
2 20 38 Penjadwalan DAG-CPM
3 0 7
dengan Pipeline

4 2 19

5 10 57

6 35 55

7 43 56
 KESIMPULAN
Hasil eksperimen mengungkapkan bahwa untuk PigMix2, Penjadwal
DAG-CPM adalah 37,7% lebih cepat dibandingkan dengan Pig dan
24,3% lebih cepat dibandingkan Penjadwal DAG-CPM tanpa pipeline.
Untuk aplikasi Page View, Penjadwal DAG – CPM meningkatkan
waktu eksekusi sebesar 41% dibandingkan dengan Hadoop.
Penjadwal DAG – CPM telah meningkatkan waktu pelaksanaan
dengan memanfaatkan sumber daya secara efektif.