Description

Le Laboratoire d'Informatique de l'Université d'Avignon (LIA), Avignon, France, propose un poste de doctorant sur le thème « Optimized Traffic Scheduling for AI Acceleration » dans le cadre du projet ANR Net4AI (Network acceleration for Generative AI). La thèse se concentre sur le développement de modèles markoviens pour les charges de travail du trafic de l'IA. Les modèles reproduiront la récurrence des tâches d'IA en tenant compte de différents degrés d'information et de stratégies de basculement qui peuvent réaffecter les ressources au moment de l'exécution. L'objectif sera de définir des politiques appropriées pour rendre efficace l'utilisation de la communication collective, par exemple via une segmentation efficace des flux de traffic [Fdp18], ou en développant des politiques de routage qui prennent en compte le basculement. La présence de contraintes liées à l'infrastructure du réseau nécessitera l'utilisation d'outils sûrs et efficaces.

Compétences requises

Français : Profil du candidat : le poste s'adresse à un candidat très motivé, titulaire d'un master en ingénierie des télécommunications, en mathématiques appliquées ou en physique. Des compétences en communication écrite en anglais sont indispensables. Les candidats qui postulent prouveront et/ou justifieront les connaissances et compétences demandées en fournissant : ● Un curriculum vitae complet ; ● Une lettre de motivation cohérente avec le projet de doctorat proposé ; ● Tous les documents attestant des compétences et connaissances demandées ; ● Les dossiers académiques complets et les notes obtenues ; ● Une ou deux lettres de recommandation sont considérées comme un plus. Compétences requises : Le cursus du candidat doit démontrer de solides compétences théoriques en modélisation et en évaluation des performances. La connaissance de la théorie du contrôle, de la théorie de Markov et de l'apprentissage automatique (en particulier l'apprentissage par renforcement, les réseaux neuronaux et l'apprentissage fédéré) est préférable. Une expérience en matière de simulations événementielles est considérée comme un atout.

Bibliographie

[Chow15] N. M. K. Chowdhury. “Coflow: A Networking Abstraction for Distributed Data-Parallel Applications”. PhD thesis. University of California, Berkeley, 2015.
[Altman] E. Altman. Constrained Markov Decision processes, 1999. Taylor and Francis.
[Fdp24] F. De Pellegrini, V. K. Gupta, R. E. Azouzi, S. Gueye, C. Richier and J. Leguay, 'Fair Coflow Scheduling via Controlled Slowdown,' in IEEE Transactions on Parallel and Distributed Systems, vol. 35, no. 12, Dec. 2024.
[Weng22] Q. Weng et al. “MLaaS in the wild: Workload analysis and scheduling in Large-Scale heterogeneous GPU clusters”. In: USENIX NSDI. 2022.
[FdP18] F. De Pellegrini, L. Maggi, A. Massaro, J. Leguey, and E. Altman. “Blind adaptive and robust flow segmentation in datacenters”, IEEE INFOCOM 2018.
[Agar21] A. Agarwal, S. M. Kakade, J. D. Lee, and G. Mahajan. “On the theory of policy gradient methods: optimality, approximation, and distribution shift.” J. Mach. Learn. Res. 22, 1, Article 98 (January 2021).
[Ding2020] D. Ding, K. Zhang, T. Basar, and M. R. Jovanovic. Natural policy gradient primal-dual method for constrained Markov decision processes. In Proc. of NIPS 2020.
[Mass19] A. Massaro, F. De Pellegrini, and L. Maggi. “Optimal trunk reservation by policy learning,” IEEE INFOCOM 2019.

Mots clés

Traffic engineering, Reinforcement Learning , Scheduling ,