CN111813524A - 一种任务执行方法、装置、电子设备和存储介质 - Google Patents
一种任务执行方法、装置、电子设备和存储介质 Download PDFInfo
- Publication number
- CN111813524A CN111813524A CN202010656634.8A CN202010656634A CN111813524A CN 111813524 A CN111813524 A CN 111813524A CN 202010656634 A CN202010656634 A CN 202010656634A CN 111813524 A CN111813524 A CN 111813524A
- Authority
- CN
- China
- Prior art keywords
- task
- cost
- executed
- feasible
- duration
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F9/00—Arrangements for program control, e.g. control units
- G06F9/06—Arrangements for program control, e.g. control units using stored programs, i.e. using an internal store of processing equipment to receive or retain programs
- G06F9/46—Multiprogramming arrangements
- G06F9/48—Program initiating; Program switching, e.g. by interrupt
- G06F9/4806—Task transfer initiation or dispatching
- G06F9/4843—Task transfer initiation or dispatching by program, e.g. task dispatcher, supervisor, operating system
- G06F9/4881—Scheduling strategies for dispatcher, e.g. round robin, multi-level priority queues
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
- Y02D10/00—Energy efficient computing, e.g. low power processors, power management or thermal management
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Software Systems (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Mathematical Physics (AREA)
- Computing Systems (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Biomedical Technology (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Medical Informatics (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明实施例提供了一种任务执行方法、装置、电子设备和存储介质。其中,所述方法包括:获取针对待执行任务的多个可行计划;针对每个可行计划,计算在该可行计划所表示的时间段内,该可行计划所表示的计算资源的成本,所述成本用于表示该时间段内该计算资源的占用比;根据所述成本,以及该可行计划所表示的时间段的时长,计算该可行计划的推荐度,所述推荐度与所述成本负相关,并且与所述时长负相关;在所述多个可行计划中所述推荐度最高的可行计划所表示的时间段内,调用所述多个可行计划中所述推荐度最高的可行计划所表示的计算资源,执行所述待执行任务。可以实现在提高任务执行的效率的同时,避免计算资源的浪费。
Description
技术领域
本发明涉及云计算技术领域,特别是涉及一种任务执行方法、装置、电子设备和存储介质。
背景技术
具有计算能力的电子设备或***在执行任务时,需要为该任务分配一定的***资源以执行该任务。示例性的,云计算***在训练算法模型时,可能需要分配一个或多个CPU/GPU用于训练算法模型。
如果为一个任务分配的***资源过少,则可能导致该任务的执行效率较低,需要消耗较多时间才能完成该任务,如果为一个任务分配的***资源过多,由于电子设备或***的***资源总量是有限的,因此可能导致***资源的利用率较低,即***资源的浪费。
并且,随着分配的***资源的增加,任务的执行效率的边际收益往往是不固定的,因此相关技术中在对任务所分配的***资源进行优化,以平衡资源利用率与执行效率时缺少依据,导致难以在提高任务执行效率的同时,避免计算资源的浪费。
发明内容
本发明实施例的目的在于提供一种任务执行方法、装置、电子设备和存储介质,以实现在提高任务执行的效率的同时,避免计算资源的浪费。具体技术方案如下:
在本发明实施例的第一方面,提供了一种任务执行方法,所述方法包括:
获取针对待执行任务的多个可行计划,所述可行计划用于表示执行所述待执行任务时计划调用的计算资源,以及执行所述待执行任务的时间段;
针对每个可行计划,计算在该可行计划所表示的时间段内,该可行计划所表示的计算资源的成本,所述成本用于表示该时间段内该计算资源的占用比;
根据所述成本,以及该可行计划所表示的时间段的时长,计算该可行计划的推荐度,所述推荐度与所述成本负相关,并且与所述时长负相关;
在所述多个可行计划中所述推荐度最高的可行计划所表示的时间段内,调用所述多个可行计划中所述推荐度最高的可行计划所表示的计算资源,执行所述待执行任务。
在一种可能的实施例中,所述计算在该可行计划所表示的时间段内,该可行计划所表示的计算资源的成本,包括:
将所述待执行任务的任务特征和该计算资源的资源使用信息输入预设的成本预估模型,得到所述成本预估模型输出的成本,所述资源使用信息用于表示计算资源在当前时间窗口内的占用比;
其中,所述成本预估模型为预先利用多个样本任务的任务数据训练得到的,所述任务数据包括所述样本任务的任务特征,以及执行所述样本任务时所调用的样本计算资源的资源使用信息,所述任务数据标注有执行所述样本任务时所述样本计算资源的成本。
在一种可能的实施例中,所述成本预估模型通过以下方式训练得到:
将样本任务的任务特征,以及执行所述样本任务时所调用的样本计算资源的资源使用信息输入初始模型,得到所述初始模型输出的所述样本任务的预估成本;
基于所述初始模型输出的成本,和所述样本训练标注的成本,构建损失函数;
基于所述损失函数,按照梯度下降法,调整所述初始模型的模型参数,直至达到预设训练终止条件,将调整后的所述初始模型作为成本预估模型。
在一种可能的实施例中,在所述调用所述多个可行计划中所述推荐度最高的可行计划所表示的计算资源,执行所述待执行任务之后,所述方法还包括:
将所述待执行任务的任务特征和执行所述待执行任务时所调用的计算资源保存为任务数据,并利用执行所述待执行任务时所调用的计算资源的成本标注该任务数据;
当达到预设更新条件时,利用所记录的任务数据,训练所述成本预估模型,得到新的成本预估模型。
在一种可能的实施例中,所述根据所述成本,以及该可行计划所表示的时间段的时长,计算该可行计划的推荐度,包括:
获取针对所述待执行任务设置的成本权重和时长权重;
基于所述成本,计算该可行计划的成本得分,并基于该可行计划所表示的时间段的时长,计算该可行计划的时长得分,所述成本得分与所述成本负相关,所述时长得分与所述时长负相关;
以所述成本权重作为成本得分的权重,并以所述时长权重作为所述时长得分的权重,对所述成本得分和所述时长得分进行加权求和,得到该可行计划的推荐度。
在一种可能的实施例中,所述获取针对待执行任务的多个可行计划,包括:
针对多种计算资源组合中的每种计算资源组合,计算调用该计算资源组合执行待执行任务还需要消耗的预估时长;
选取时长等于所述预估时长的时间段;
生成用于表示该计算资源组合,以及所选取的时间段的可行计划。
在本发明实施例的第二方面,提供了一种任务执行装置,所述装置包括:
可行计划获取模块,用于获取针对待执行任务的多个可行计划,所述可行计划用于表示执行所述待执行任务时计划调用的计算资源,以及执行所述待执行任务的时间段;
成本预估模块,用于针对每个可行计划,计算在该可行计划所表示的时间段内,该可行计划所表示的计算资源的成本,所述成本用于表示该时间段内该计算资源的占用比;
计划推荐模块,用于根据所述成本,以及该可行计划所表示的时间段的时长,计算该可行计划的推荐度,所述推荐度与所述成本负相关,并且与所述时长负相关;
任务管理模块,用于在所述多个可行计划中所述推荐度最高的可行计划所表示的时间段内,调用所述多个可行计划中所述推荐度最高的可行计划所表示的计算资源,执行所述待执行任务。
在一种可能的实施例中,所述成本预估模块,具体用于将所述待执行任务的任务特征和该计算资源的资源使用信息输入预设的成本预估模型,得到所述成本预估模型输出的成本,所述资源使用信息用于表示计算资源在当前时间窗口内的占用比;
其中,所述成本预估模型为预先利用多个样本任务的任务数据训练得到的,所述任务数据包括所述样本任务的任务特征,以及执行所述样本任务时所调用的样本计算资源的资源使用信息,所述任务数据标注有执行所述样本任务时所述样本计算资源的成本。
在一种可能的实施例中,所述装置还包括模型训练模块,用于通过以下方式训练得到所述成本预估模型:
将样本任务的任务特征,以及执行所述样本任务时所调用的样本计算资源的资源使用信息输入初始模型,得到所述初始模型输出的所述样本任务的预估成本;
基于所述初始模型输出的成本,和所述样本训练标注的成本,构建损失函数;
基于所述损失函数,按照梯度下降法,调整所述初始模型的模型参数,直至达到预设训练终止条件,将调整后的所述初始模型作为成本预估模型。
在一种可能的实施例中,所述装置还包括在线训练模块,用于将所述待执行任务的任务特征和执行所述待执行任务时所调用的计算资源保存为任务数据,并利用执行所述待执行任务时所调用的计算资源的成本标注该任务数据;
当达到预设更新条件时,利用所记录的任务数据,训练所述成本预估模型,得到新的成本预估模型。
在一种可能的实施例中,所述计划推荐模块,具体用于获取针对所述待执行任务设置的成本权重和时长权重;
基于所述成本,计算该可行计划的成本得分,并基于该可行计划所表示的时间段的时长,计算该可行计划的时长得分,所述成本得分与所述成本负相关,所述时长得分与所述时长负相关;
以所述成本权重作为成本得分的权重,并以所述时长权重作为所述时长得分的权重,对所述成本得分和所述时长得分进行加权求和,得到该可行计划的推荐度。
在一种可能的实施例中,所述计划任务获取模块,具体用于针对多种计算资源组合中的每种计算资源组合,计算调用该计算资源组合执行待执行任务还需要消耗的预估时长;
选取时长等于所述预估时长的时间段;
生成用于表示该计算资源组合,以及所选取的时间段的可行计划。
在本发明实施例的第三方面,提供了一种电子设备,包括处理器、通信接口、存储器和通信总线,其中,处理器,通信接口,存储器通过通信总线完成相互间的通信;
存储器,用于存放计算机程序;
处理器,用于执行存储器上所存放的程序时,实现上述第一方面任一所述的方法步骤。
在本发明实施例的第四方面,提供了一种计算机可读存储介质,所述计算机可读存储介质内存储有计算机程序,所述计算机程序被处理器执行时实现上述第一方面任一所述的方法步骤。
本发明实施例提供的任务执行方法、装置、电子设备和存储介质,可以综合考虑执行任务所需要的时长,以及计算资源的占用比,确定出执行待执行任务时所调用的计算资源以及时间段,由于时长决定执行任务的效率,占用比决定计算资源的浪费程度,因此可以实现在提高任务执行的效率的同时,避免计算资源的浪费。当然,实施本发明的任一产品或方法并不一定需要同时达到以上所述的所有优点。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1为本发明实施例提供的任务执行方法的一种流程示意图;
图2为本发明实施例提供的成本预估模型的训练方法的一种流程示意图;
图3为本发明实施例提供的云计算***的一种结构示意图;
图4a为本发明实施例提供的任务执行装置的一种结构示意图;
图4b为本发明实施例提供的任务执行装置的另一种结构示意图;
图4c为本发明实施例提供的任务执行装置的另一种结构示意图;
图5为本发明实施例提供的电子设备的一种结构示意图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
为了更清楚的对本发明实施例提供的任务执行方法进行说明,下面对本发明实施例提供的任务执行方法的一种可能的应用场景进行说明,可以理解的是,该应用场景仅是本发明实施例提供的任务执行方法的一种可能的应用场景,在其他可能的实施例中,本发明实施例提供的任务执行方法也可以应用于其他应用场景,本实施例对此不做限制。
一种可能的应用场景中云计算***中可以包括管理服务器和多个计算服务器,云计算***中的管理服务器在接收到新的任务时,调度多个计算服务器中的一个计算服务器或多个计算服务器在指定时间段执行该任务,例如一种可行计划可以为调度计算服务1和计算服务器2在12:00到14:00这一时间段内执行该任务。可以理解的是,由于任务的计算量一定,因此调度的计算服务器越多,执行完成该任务还需要消耗的时长理论上越短,示例性的,调度两个计算服务器可能需要2个小时完成该任务,而调度三个计算服务器则可能只需要1个半小时完成该任务。本文中执行完成以任务还需要消耗的时长是指,从该任务当前的执行进度开始继续执行完成该任务还需要消耗的时长,示例性的,假设在当前时刻之前已经消耗一定时长用于执行一任务,并且完成了该未完成任务的40%进度,则执行完成该任务还需要消耗的时长是指完成该未完成任务的剩余60%进度所需要消耗的时长。
虽然调度的计算服务器越多,可以消耗越短的时长完成该任务,但是云计算***中的计算服务器是有限的,并且云计算***可能还需要执行该任务以外的其他任务。因此,一方面,云计算***如果为该任务调度过多的计算服务器,则可能影响其他任务的执行。例如,假设在12:00到14:00这一时间段内,云计算***中只有一个计算资源没有被调度用于执行任务,在9:00时,云计算***接收到一个新的任务,如果云计算***将该任务安排在12:00到14:00这一时间段内执行,并调度两个计算服务器用于执行该任务,则可能导致12:00到14:00这一时间段内部分任务无法正常被执行,并且可能由于任务被过于集中的安排在12:00到14:00这一时间段内执行,造成被安排在其他时间段内执行的任务较少,因此导致其他时间段内没有充分利用云计算***中的计算服务器,造成计算资源的浪费。另一方面,云计算***如果为该任务调度过少的计算服务器,则完成该任务还需要消耗的时长可能过长,即该执行该任务的效率过低。
基于此,本发明实施例提供了一种任务执行方法,可以参见图1,图1所示为本发明实施例提供的任务执行方法的一种流程示意图,可以包括:
S101,获取针对待执行任务的多个可行计划,可行计划用于表示执行待执行任务时计划调用的计算资源,以及执行待执行任务的时间段。
S102,针对每个可行计划,计算在该可行计划所表示的时间段内,该可行计划所表示的计算资源的成本,成本用于表示该时间段内计算资源的占用比。
S103,根据成本,以及该可行计划所表示的时间段的时长,计算该可行计划的推荐度,推荐度与成本负相关,并且与时长负相关。
S104,在多个可行计划中推荐度最高的可行计划所表示的时间段内,调用多个可行计划中推荐度最高的可行计划所表示的计算资源,执行该待执行任务。
选用该实施例,可以综合考虑执行完成任务还需要消耗的时长,以及计算资源的占用比,确定出执行待执行任务时所调用的计算资源以及时间段,由于时长决定执行任务的效率,占用比决定计算资源的浪费程度,因此可以实现在提高任务执行的效率的同时,避免计算资源的浪费。
其中,S101中的每个可行计划为待执行任务的一种可能的执行方式,示例性的,一个可行计划可以为在12:00到14:00这一时间段内,调用两个计算服务器执行该待执行任务,也可以为在18:00到22:00这一时间段内,调用1个A型号的GPU以及2个B型号的GPU执行该待执行任务。
可行计划所表示的时间段的时长,可以根据待执行任务的算法复杂度计算得到的,算法复杂度用于表示完成待执行任务所需要的计算量。时长的计算方式根据应用场景的不同也可以不同,示例性的,可以按照待执行任务的算法复杂度,计算得到资源组合与时长的映射关系,映射关系的计算流程将在后续的实施例中进行详细的描述,在此不再赘述。利用该映射关系,对该可行计划所表示的计算资源进行映射,得到调用该可行计划所表示的计算资源执行该待执行任务所需要的预估时长。
例如,假设对于待执行任务,计算资源组合与时长的映射关系如表1所示:
计算资源组合 | 时长 |
1个计算服务器 | 3小时 |
2个计算服务器 | 2小时 |
3个计算服务器 | 1.5小时 |
表1
其中,表1的第二行表示调用1个计算服务器执行该任务时需要消耗3个小时完成该任务。同理,表1的第三行表示调用2个计算服务器执行该任务时需要消耗2个小时完成该任务,表1的第四行表示调用3个计算服务器执行该任务时需要消耗1.5个小时完成该任务。可以理解的是,表1仅是该映射关系的一种表示形式,在其他可能的应用场景,该映射关系也可以通过其他形式表示,如映射函数、结构体等,本实施例对此不做限制。
假设一可行计划所表示的计算资源为2个计算服务器,则由表1可以确定,该可行计划所表示的时间段的时长可以为2个小时。可以理解的是,在一些可能的应用场景,出于容错的考虑,该可行计划所表示的时间段的时长也可以大于2个小时。
在S102中,计算资源的占用比可以是指被占用的计算资源与计算资源总量的比值,例如,假设一可行计划所表示的计算资源为2个计算服务器,如果预估得到的成本表示占用比50%,云计算***中一共有10个计算服务器,并且这10个计算服务器的性能相同,则可以认为在该可行计划所表示的时间段内,10个计算服务器中将有5个计算服务器被占用。
计算资源的占用比也可以是该计算资源当前已经使用的计算能力与额定的计算能力的比值,例如,假设一可行计划所表示的计算资源为A型号的GPU,如果预估的成本表示占用比为50%,则可以认为在该可行计划所表示的时间段内,A型号的GPU的使用率为50%。
成本的计算方式根据应用场景的不同可以不同,示例性的,在一种可能的实施例中,可以是根据历史时间段内该计算资源的成本计算该可行计划所表示的时间段内,该可行计划所表示的计算资源的成本。例如,假设可行计划所表示的时间段为10月10日12:00到14:00,所表示的计算资源为2个计算服务器,则可以获取10月1日至10月9日每天12:00到14:00内计算服务器的成本,将获取到成本的均值作为10月10日12:00到14:00内计算资源的成本。
在另一种可能的实施例,也可以是将待执行任务的任务特征和该计算资源的资源使用信息输入预设的成本预估模型,得到成本预估模型输出的成本,资源使用信息用于表示计算资源在当前时间窗口内的占用比。成本预估模型的输出可以是从当前时刻起一定时长内的成本,例如成本预估模型输出的可以是从当前时刻起一天内各时间段内的成本,可以从中获取该计算资源在该可行计划所表示的时间段内的成本。任务特征根据应用场景的不同,可以是不同的能够用于表示待执行任务算法复杂度的特征,例如以待执行任务为训练任务为例,该特征可以包括任务的任务类型、模型参数总量、算子、层数、用于训练模型的训练数据的分布统计特征中的一种或多种特征。其中,任务类型表示该训练任务的训练方式,例如,训练方式可以为监督式学习、无监督式学习、强化学习。模型参数总量表示该训练任务所训练的模型中需要通过训练确定的参数的总个数,算子用于表示该训练任务所训练的模型中所采用的算子,如智能乘积算子、激活算子等,层数用于表示该训练任务所训练的模型所包括的层数,以所训练的模型为卷积神经网络模型为例,层数可以是指卷积神经网络中卷积层与池化层的层数之和,也可以是指卷积神经网络中卷积层的层数。训练数据的分布统计特征用于表示该训练任务所使用的训练数据的分布情况,例如可以包括各训练数据的类型、偏差、均值、分布、交叉熵等。
可以理解的是,待执行任务的任务特征和资源使用信息可以反映出待执行任务以及其他任务对未来一定时间段内云计算***中各计算资源的使用状况的影响,因此可以将待执行任务的任务特征和该计算资源的资源使用信息输入预设的成本预估模型,以得到预估的成本。
成本预估模型可以为预先利用多个样本任务的任务数据训练得到的,任务数据包括样本任务的任务特征,以及执行样本任务时所调用的样本计算资源的资源使用信息,任务数据标注有执行样本任务时样本计算资源的成本。
样本任务为已经执行完成的任务,样本任务的任务特征中所包括的特征种类理论上与待执行任务的任务特征中所包括的特征种类相同。示例性的,假设待执行任务的任务特征中包括所训练的网络的层数,则样本任务的任务特征中也应当包括所训练的网络的层数。由于样本任务为已经执行完成的任务,因此可以获取执行样本任务时所调用的样本计算资源的资源使用信息。并且,执行样本任务时样本计算资源的占用比是已知的,因此可以为样本任务的任务数据标注成本。
该成本预估模型可以是基于传统机器学习训练得到的算法模型,也可以基于深度学习训练得到的神经网络模型,本实施例对此不做限制。选用该实施例,可以利用机器学习的强大学习能力,更准确的计算成本。
在S103中,推荐度的计算方式根据应用场景的不同可以不同,但是应当满足推荐度与成本负相关,并且推荐度与时长负相关。推荐度与成本负相关,是指在除成本以外其他影响推荐度的因素不变的情况下,推荐度随成本的增长递减,该递减可以是指单调性递减,也可以是指非单调性递减。示例性的,推荐度可以是按照下式计算得到的:
其中,P为推荐度,C为该可行计划的成本,T为该可行计划所表示的时间段的时长,Cmax为多个可行计划的成本的最大值,Tmax为多个可行计划所表示的时间段的时长最大值。示例性的,假设有三个可行计划,分别为可行计划1-3,可行计划1的成本为0.8,所表示的时间段的时长为2h,可行计划2的成本为0.7,所表示的时间段的时长为2.5h,可行计划3的成本为0.6,所表示的时间段的时长为3h,则Cmax为0.8,Tmax为3h,因此可以计算得到可行计划1的推荐度为0.16,可行计划2的推荐度为0.15,可行计划3的推荐度为0.13。
可以理解的是,如果一个可行计划的成本越高,则表示在该可行计划所表示的时间段内计算资源的占用比越高,因此更适合将待执行任务安排在其他时间段内执行,即该可行计划所规划的时间段越不适合执行待执行任务,因此推荐度应当与成本负相关。一个可行计划所表示的时间段的时长越长,则表示按照该可行计划执行待执行任务时的效率越低,即越不适合按照该可行计划执行待执行任务,因此推荐度应当与时长负相关。
在一种可能的实施例中,在计算推荐度时,也可以是按照优先原则,示例性的,可以是获取针对待执行任务设置的成本权重和时长权重,基于成本,计算该可行计划的成本得分,并基于该可行计划所表示的时间段的时长,计算该可行计划的时长得分,成本得分与成本负相关,时长得分与时长负相关。以成本权重作为成本得分的权重,并以时长权重作为时长得分的权重,对成本得分和时长得分进行加权求和,得到该可行计划的推荐度。
示例性的,推荐度可以是按照下式计算得到的:
其中,A为成本权重,B为时长权重,成本权重和时长权重可以是根据用户实际需求设定的,示例性的,如果用户希望优先考虑执行任务所消耗的时长,则可以将B设置的较大,而A设置的较小,如果用户希望优先考虑计算资源的占用比,则可以将A设置的较大,而将B设置的较小。
如前述分析,S104中的推荐度最高的可行计划可以认为是多个可行计划中最适合按照该可行计划执行待执行任务的可行计划,因此可以按照该可行计划执行待执行任务。在一种可能的实施例中,可以向预设用户终端发送确认请求,确认请求中包括推荐度最高的可行计划,如果接收到该用户终端反馈的确认信息,则在该可行计划所表示的时间,调用该可行计划所表示的计算资源执行待执行任务,如果接收到该用户终端反馈的拒绝信息,或超过预设时长未接收到用户终端反馈的确认信息在,则拒绝在该可行计划所表示的时间,调用该可行计划所表示的计算资源执行待执行任务。
可以理解的是,在一些应用场景中,用户可能有特殊的需求,按照推荐度最高的可行计划执行待执行任务,可能无法满足用户特殊的需求,例如假设可行计划中推荐度最高的可行计划所表示的时间为17:00-18:00执行待执行任务,而用户需要在14:00之前获得待执行任务的结果,则按照推荐度最高的可行计划执行待执行任务无法满足用户的需求,因此可以在执行待执行任务前,向用户确认。在另一些应用场景中,也可以无需用户确认。
参见图2,图2所示为本发明实施例提供的成本预估模型的训练方法的一种流程示意图,可以包括:
S201,将样本任务的任务特征,以及执行样本任务时所调用的样本计算资源的资源使用信息输入初始模型,得到初始模型输出的样本任务的预估成本。
S202,基于初始模型输出的成本,和样本训练标注的成本,构建损失函数。
S203,基于损失函数,按照梯度下降法,调整初始模型的模型参数,直至达到预设训练终止条件,将调整后的初始模型作为成本预估模型。
选用该实施例,可以利用深度学习的强大的泛化能力,使得训练得到的成本预估模型可以更准确的计算出成本。
关于S201中的样本任务可以参见前述S102的相关描述,在此不再赘述。
S202中构建损失函数的方式可以根据实际需求或用户经验进行设置,例如交叉熵、差值等,所构建的损失函数应当为:与初始模型输出的成本和样本训练标注的成本之间的差值正相关的函数。
S203中可以是朝着损失函数梯度下降方向调整模型参数,直至达到预设训练终止条件时,将调整得到的模型作为成本预估模型。其中,训练终止条件可以是损失函数随模型参数的调整达到收敛,即随着模型参数的调整,损失函数的变化幅度小于预设幅度阈值,也可以是指调整模型参数的次数达到预设次数阈值,还可以是指已经使用所有样本任务的任务数据对初始模型进行调整。
下面将结合具体的应用场景,对本发明实施例提供的任务执行方法进行说明,可以参见图3,图3所示为本发明实施例提供的云计算***的一种结构示意图,包括:
任务监控单元301、历史任务建模单元302、任务管理单元303以及分布式计算集群304。
任务监控单元301用于监控云计算***的运行状况,定期记录云计算***所执行的任务的任务数据,对于已经执行完成的任务的任务数据,发送至历史任务建模单元302,对于正在执行的任务的任务数据,发送至任务管理单元303。
历史任务建模单元302,用于接收并保存已完成的任务的任务数据,任务数据可以包括任务标识、任务类型,任务规模、任务运行的时间段、执行该任务时所调用的GPU和/或CPU,以及云计算***中计算资源的占用比。利用所保存的任务数据,训练得到成本预估模型和时长预估模型。
关于成本预估模型的训练方式可以参见前述相关描述,在此不再赘述。时长预估模型的训练,可以是将已完成的任务的任务标识、任务类型、任务规模输入至初始模型,该初始模型为与前述训练成本预估模型时不同的初始模型,初始模型输出预估时长与资源组合的映射关系,该映射关系可以参见前述S101中的相关描述,在此不再赘述。利用该映射关系,对执行该任务时所调用的计算资源进行映射,得到预估时长,根据该预估时长与实际完成该任务所消耗的时长构建损失函数,所构建的损失函数应当为:与预估时长和实际完成该任务所消耗的时长之间的差值正相关的函数,基于该损失函数,朝着损失函数梯度下降方向调整模型参数,直至损失函数随模型参数的变化达到收敛,或,调整次数达到预设次数阈值时,将调整得到的模型作为时长预估模型。
任务管理单元303,用于接收用户提交的任务,并将该任务作为待执行任务加入任务队列。针对多种计算资源组合中的每种计算资源组合,通过时长预估模型,预估调用该计算资源组合执行待执行任务还需要消耗的时长。选取时长等于预设时长的时间段,选取的原则可以预先设置的,生成用于表示该计算资源组合,以及所选取的时间段的可行计划。
对于每个可行计划,通过成本预估模型以及任务监控单元301发送的当前正在运行的任务的任务数据,预估得到该可行计划所表示的计算资源在该可行计划所表示的时间段内的成本。关于成本预估可以参见前述S102中的相关描述,在此不再赘述。并根据成本,以及该可行计划所表示的时间段的时长,计算该可行计划的推荐度。在多个可行计划中选取推荐度最高的可行计划,控制云计算***中的分布式计算集群按照该可行计划执行待执行任务。
在分布式计算集群304用于在任务管理单元303的控制下,执行云计算***所接收到的任务。
在一种可能的实施例中,每当到达预设更新条件时,历史任务建模单元302可以利用所记录的任务数据,训练成本预估模型和时长预估模型,得到新的成本预估模型和新的时长预估模型,并将新的成本预估模型和新的时长预估模型发送至任务管理单元303。预设更新条件可以是每经过预设时长,如一个月/一周等,也可以是在上次训练成本预估模型和时长预估模型之后,保存了预设数目个新的任务数据。训练的方式可以是全量训练,即利用所有保存的任务数据对成本预估模型和时长预估模型进行训练,也可以是增量训练,即利用上次训练成本预估模型和时长预估模型之后新保存的任务数据,训练成本预估模型和时长预估模型,本实施例对此不做限制,训练流程可以参见前述相关描述,在此不在赘述。选用该实施例,可以在线更新成本预估模型和时长预估模型,以使得成本预估模型和时长预估模型更加准确,进而使得任务管理单元303可以更准确的按照适合实际情况的可行计划执行控制待执行任务的执行。
参见图4a,图4a所示为本发明实施例提供的任务执行装置的一种结构示意图,可以包括:
可行计划获取模块401,用于获取针对待执行任务的多个可行计划,所述可行计划用于表示执行所述待执行任务时计划调用的计算资源,以及执行所述待执行任务的时间段;
成本预估模块402,用于针对每个可行计划,计算在该可行计划所表示的时间段内,该可行计划所表示的计算资源的成本,所述成本用于表示该时间段内该计算资源的占用比;
计划推荐模块403,用于根据所述成本,以及该可行计划所表示的时间段的时长,计算该可行计划的推荐度,所述推荐度与所述成本负相关,并且与所述时长负相关;
任务管理模块404,用于在所述多个可行计划中所述推荐度最高的可行计划所表示的时间段内,调用所述多个可行计划中所述推荐度最高的可行计划所表示的计算资源,执行所述待执行任务。
在一种可能的实施例中,所述成本预估模块402,具体用于将所述待执行任务的任务特征和该计算资源的资源使用信息输入预设的成本预估模型,得到所述成本预估模型输出的成本,所述资源使用信息用于表示计算资源在当前时间窗口内的占用比;
其中,所述成本预估模型为预先利用多个样本任务的任务数据训练得到的,所述任务数据包括所述样本任务的任务特征,以及执行所述样本任务时所调用的样本计算资源的资源使用信息,所述任务数据标注有执行所述样本任务时所述样本计算资源的成本。
在一种可能的实施例中,如图4b所示,所述装置还包括模型训练模块405,用于通过以下方式训练得到所述成本预估模型:
将样本任务的任务特征,以及执行所述样本任务时所调用的样本计算资源的资源使用信息输入初始模型,得到所述初始模型输出的所述样本任务的预估成本;
基于所述初始模型输出的成本,和所述样本训练标注的成本,构建损失函数;
基于所述损失函数,按照梯度下降法,调整所述初始模型的模型参数,直至达到预设训练终止条件,将调整后的所述初始模型作为成本预估模型。
在一种可能的实施例中,如图4c所示,所述装置还包括在线训练模块406,用于将所述待执行任务的任务特征和执行所述待执行任务时所调用的计算资源保存为任务数据,并利用执行所述待执行任务时所调用的计算资源的成本标注该任务数据;
当达到预设更新条件时,利用所记录的任务数据,训练所述成本预估模型,得到新的成本预估模型。
在一种可能的实施例中,所述计划推荐模块403,具体用于获取针对所述待执行任务设置的成本权重和时长权重;
基于所述成本,计算该可行计划的成本得分,并基于该可行计划所表示的时间段的时长,计算该可行计划的时长得分,所述成本得分与所述成本负相关,所述时长得分与所述时长负相关;
以所述成本权重作为成本得分的权重,并以所述时长权重作为所述时长得分的权重,对所述成本得分和所述时长得分进行加权求和,得到该可行计划的推荐度。
在一种可能的实施例中,所述计划任务获取模块401,具体用于针对多种计算资源组合中的每种计算资源组合,计算调用该计算资源组合执行待执行任务还需要消耗的预估时长;
选取时长等于所述预估时长的时间段;
生成用于表示该计算资源组合,以及所选取的时间段的可行计划。
本发明实施例还提供了一种电子设备,如图5所示,包括处理器501、通信接口502、存储器503和通信总线504,其中,处理器501,通信接口502,存储器503通过通信总线504完成相互间的通信,
存储器503,用于存放计算机程序;
处理器501,用于执行存储器503上所存放的程序时,实现如下步骤:
获取针对待执行任务的多个可行计划,所述可行计划用于表示执行所述待执行任务时计划调用的计算资源,以及执行所述待执行任务的时间段;
针对每个可行计划,计算在该可行计划所表示的时间段内,该可行计划所表示的计算资源的成本,所述成本用于表示该时间段内该计算资源的占用比;
根据所述成本,以及该可行计划所表示的时间段的时长,计算该可行计划的推荐度,所述推荐度与所述成本负相关,并且与所述时长负相关;
在所述多个可行计划中所述推荐度最高的可行计划所表示的时间段内,调用所述多个可行计划中所述推荐度最高的可行计划所表示的计算资源,执行所述待执行任务。
在一种可能的实施例中,所述计算在该可行计划所表示的时间段内,该可行计划所表示的计算资源的成本,包括:
将所述待执行任务的任务特征和该计算资源的资源使用信息输入预设的成本预估模型,得到所述成本预估模型输出的成本,所述资源使用信息用于表示计算资源在当前时间窗口内的占用比;
其中,所述成本预估模型为预先利用多个样本任务的任务数据训练得到的,所述任务数据包括所述样本任务的任务特征,以及执行所述样本任务时所调用的样本计算资源的资源使用信息,所述任务数据标注有执行所述样本任务时所述样本计算资源的成本。
在一种可能的实施例中,所述成本预估模型通过以下方式训练得到:
将样本任务的任务特征,以及执行所述样本任务时所调用的样本计算资源的资源使用信息输入初始模型,得到所述初始模型输出的所述样本任务的预估成本;
基于所述初始模型输出的成本,和所述样本训练标注的成本,构建损失函数;
基于所述损失函数,按照梯度下降法,调整所述初始模型的模型参数,直至达到预设训练终止条件,将调整后的所述初始模型作为成本预估模型。
在一种可能的实施例中,在所述调用所述多个可行计划中所述推荐度最高的可行计划所表示的计算资源,执行所述待执行任务之后,所述方法还包括:
将所述待执行任务的任务特征和执行所述待执行任务时所调用的计算资源保存为任务数据,并利用执行所述待执行任务时所调用的计算资源的成本标注该任务数据;
当达到预设更新条件时,利用所记录的任务数据,训练所述成本预估模型,得到新的成本预估模型。
在一种可能的实施例中,所述根据所述成本,以及该可行计划所表示的时间段的时长,计算该可行计划的推荐度,包括:
获取针对所述待执行任务设置的成本权重和时长权重;
基于所述成本,计算该可行计划的成本得分,并基于该可行计划所表示的时间段的时长,计算该可行计划的时长得分,所述成本得分与所述成本负相关,所述时长得分与所述时长负相关;
以所述成本权重作为成本得分的权重,并以所述时长权重作为所述时长得分的权重,对所述成本得分和所述时长得分进行加权求和,得到该可行计划的推荐度。
在一种可能的实施例中,所述获取针对待执行任务的多个可行计划,包括:
针对多种计算资源组合中的每种计算资源组合,计算调用该计算资源组合执行待执行任务还需要消耗的预估时长;
选取时长等于所述预估时长的时间段;
生成用于表示该计算资源组合,以及所选取的时间段的可行计划。
上述电子设备提到的通信总线可以是外设部件互连标准(Peripheral ComponentInterconnect,PCI)总线或扩展工业标准结构(Extended Industry StandardArchitecture,EISA)总线等。该通信总线可以分为地址总线、数据总线、控制总线等。为便于表示,图中仅用一条粗线表示,但并不表示仅有一根总线或一种类型的总线。
通信接口用于上述电子设备与其他设备之间的通信。
存储器可以包括随机存取存储器(Random Access Memory,RAM),也可以包括非易失性存储器(Non-Volatile Memory,NVM),例如至少一个磁盘存储器。可选的,存储器还可以是至少一个位于远离前述处理器的存储装置。
上述的处理器可以是通用处理器,包括中央处理器(Central Processing Unit,CPU)、网络处理器(Network Processor,NP)等;还可以是数字信号处理器(Digital SignalProcessing,DSP)、专用集成电路(Application Specific Integrated Circuit,ASIC)、现场可编程门阵列(Field-Programmable Gate Array,FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。
在本发明提供的又一实施例中,还提供了一种计算机可读存储介质,该计算机可读存储介质中存储有指令,当其在计算机上运行时,使得计算机执行上述实施例中任一任务执行方法。
在本发明提供的又一实施例中,还提供了一种包含指令的计算机程序产品,当其在计算机上运行时,使得计算机执行上述实施例中任一任务执行方法。
在上述实施例中,可以全部或部分地通过软件、硬件、固件或者其任意组合来实现。当使用软件实现时,可以全部或部分地以计算机程序产品的形式实现。所述计算机程序产品包括一个或多个计算机指令。在计算机上加载和执行所述计算机程序指令时,全部或部分地产生按照本发明实施例所述的流程或功能。所述计算机可以是通用计算机、专用计算机、计算机网络、或者其他可编程装置。所述计算机指令可以存储在计算机可读存储介质中,或者从一个计算机可读存储介质向另一个计算机可读存储介质传输,例如,所述计算机指令可以从一个网站站点、计算机、服务器或数据中心通过有线(例如同轴电缆、光纤、数字用户线(DSL))或无线(例如红外、无线、微波等)方式向另一个网站站点、计算机、服务器或数据中心进行传输。所述计算机可读存储介质可以是计算机能够存取的任何可用介质或者是包含一个或多个可用介质集成的服务器、数据中心等数据存储设备。所述可用介质可以是磁性介质,(例如,软盘、硬盘、磁带)、光介质(例如,DVD)、或者半导体介质(例如固态硬盘Solid State Disk(SSD))等。
需要说明的是,在本文中,诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来,而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
本说明书中的各个实施例均采用相关的方式描述,各个实施例之间相同相似的部分互相参见即可,每个实施例重点说明的都是与其他实施例的不同之处。尤其,对于装置、电子设备、计算机可读存储介质以及计算机程序产品的实施例而言,由于其基本相似于方法实施例,所以描述的比较简单,相关之处参见方法实施例的部分说明即可。
以上所述仅为本发明的较佳实施例而已,并非用于限定本发明的保护范围。凡在本发明的精神和原则之内所作的任何修改、等同替换、改进等,均包含在本发明的保护范围内。
Claims (14)
1.一种任务执行方法,其特征在于,所述方法包括:
获取针对待执行任务的多个可行计划,所述可行计划用于表示执行所述待执行任务时计划调用的计算资源,以及执行所述待执行任务的时间段;
针对每个可行计划,计算在该可行计划所表示的时间段内,该可行计划所表示的计算资源的成本,所述成本用于表示该时间段内该计算资源的占用比;
根据所述成本,以及该可行计划所表示的时间段的时长,计算该可行计划的推荐度,所述推荐度与所述成本负相关,并且与所述时长负相关;
在所述多个可行计划中所述推荐度最高的可行计划所表示的时间段内,调用所述多个可行计划中所述推荐度最高的可行计划所表示的计算资源,执行所述待执行任务。
2.根据权利要求1所述的方法,其特征在于,所述计算在该可行计划所表示的时间段内,该可行计划所表示的计算资源的成本,包括:
将所述待执行任务的任务特征和该计算资源的资源使用信息输入预设的成本预估模型,得到所述成本预估模型输出的成本,所述资源使用信息用于表示计算资源在当前时间窗口内的占用比;
其中,所述成本预估模型为预先利用多个样本任务的任务数据训练得到的,所述任务数据包括所述样本任务的任务特征,以及执行所述样本任务时所调用的样本计算资源的资源使用信息,所述任务数据标注有执行所述样本任务时所述样本计算资源的成本。
3.根据权利要求2所述的方法,其特征在于,所述成本预估模型通过以下方式训练得到:
将样本任务的任务特征,以及执行所述样本任务时所调用的样本计算资源的资源使用信息输入初始模型,得到所述初始模型输出的所述样本任务的预估成本;
基于所述初始模型输出的成本,和所述样本训练标注的成本,构建损失函数;
基于所述损失函数,按照梯度下降法,调整所述初始模型的模型参数,直至达到预设训练终止条件,将调整后的所述初始模型作为成本预估模型。
4.根据权利要求2所述的方法,其特征在于,在所述调用所述多个可行计划中所述推荐度最高的可行计划所表示的计算资源,执行所述待执行任务之后,所述方法还包括:
将所述待执行任务的任务特征和执行所述待执行任务时所调用的计算资源保存为任务数据,并利用执行所述待执行任务时所调用的计算资源的成本标注该任务数据;
当达到预设更新条件时,利用所记录的任务数据,训练所述成本预估模型,得到新的成本预估模型。
5.根据权利要求1所述的方法,其特征在于,所述根据所述成本,以及该可行计划所表示的时间段的时长,计算该可行计划的推荐度,包括:
获取针对所述待执行任务设置的成本权重和时长权重;
基于所述成本,计算该可行计划的成本得分,并基于该可行计划所表示的时间段的时长,计算该可行计划的时长得分,所述成本得分与所述成本负相关,所述时长得分与所述时长负相关;
以所述成本权重作为成本得分的权重,并以所述时长权重作为所述时长得分的权重,对所述成本得分和所述时长得分进行加权求和,得到该可行计划的推荐度。
6.根据权利要求1所述的方法,其特征在于,所述获取针对待执行任务的多个可行计划,包括:
针对多种计算资源组合中的每种计算资源组合,计算调用该计算资源组合执行待执行任务还需要消耗的预估时长;
选取时长等于所述预估时长的时间段;
生成用于表示该计算资源组合,以及所选取的时间段的可行计划。
7.一种任务执行装置,其特征在于,所述装置包括:
可行计划获取模块,用于获取针对待执行任务的多个可行计划,所述可行计划用于表示执行所述待执行任务时计划调用的计算资源,以及执行所述待执行任务的时间段;
成本预估模块,用于针对每个可行计划,计算在该可行计划所表示的时间段内,该可行计划所表示的计算资源的成本,所述成本用于表示该时间段内该计算资源的占用比;
计划推荐模块,用于根据所述成本,以及该可行计划所表示的时间段的时长,计算该可行计划的推荐度,所述推荐度与所述成本负相关,并且与所述时长负相关;
任务管理模块,用于在所述多个可行计划中所述推荐度最高的可行计划所表示的时间段内,调用所述多个可行计划中所述推荐度最高的可行计划所表示的计算资源,执行所述待执行任务。
8.根据权利要求7所述的装置,其特征在于,所述成本预估模块,具体用于将所述待执行任务的任务特征和该计算资源的资源使用信息输入预设的成本预估模型,得到所述成本预估模型输出的成本,所述资源使用信息用于表示计算资源在当前时间窗口内的占用比;
其中,所述成本预估模型为预先利用多个样本任务的任务数据训练得到的,所述任务数据包括所述样本任务的任务特征,以及执行所述样本任务时所调用的样本计算资源的资源使用信息,所述任务数据标注有执行所述样本任务时所述样本计算资源的成本。
9.根据权利要求8所述的装置,其特征在于,所述装置还包括模型训练模块,用于通过以下方式训练得到所述成本预估模型:
将样本任务的任务特征,以及执行所述样本任务时所调用的样本计算资源的资源使用信息输入初始模型,得到所述初始模型输出的所述样本任务的预估成本;
基于所述初始模型输出的成本,和所述样本训练标注的成本,构建损失函数;
基于所述损失函数,按照梯度下降法,调整所述初始模型的模型参数,直至达到预设训练终止条件,将调整后的所述初始模型作为成本预估模型。
10.根据权利要求8所述的装置,其特征在于,所述装置还包括在线训练模块,用于将所述待执行任务的任务特征和执行所述待执行任务时所调用的计算资源保存为任务数据,并利用执行所述待执行任务时所调用的计算资源的成本标注该任务数据;
当达到预设更新条件时,利用所记录的任务数据,训练所述成本预估模型,得到新的成本预估模型。
11.根据权利要求7所述的装置,其特征在于,所述计划推荐模块,具体用于获取针对所述待执行任务设置的成本权重和时长权重;
基于所述成本,计算该可行计划的成本得分,并基于该可行计划所表示的时间段的时长,计算该可行计划的时长得分,所述成本得分与所述成本负相关,所述时长得分与所述时长负相关;
以所述成本权重作为成本得分的权重,并以所述时长权重作为所述时长得分的权重,对所述成本得分和所述时长得分进行加权求和,得到该可行计划的推荐度。
12.根据权利要求7所述的装置,其特征在于,所述计划任务获取模块,具体用于针对多种计算资源组合中的每种计算资源组合,计算调用该计算资源组合执行待执行任务还需要消耗的预估时长;
选取时长等于所述预估时长的时间段;
生成用于表示该计算资源组合,以及所选取的时间段的可行计划。
13.一种电子设备,其特征在于,包括处理器、通信接口、存储器和通信总线,其中,处理器,通信接口,存储器通过通信总线完成相互间的通信;
存储器,用于存放计算机程序;
处理器,用于执行存储器上所存放的程序时,实现权利要求1-6一所述的方法步骤。
14.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质内存储有计算机程序,所述计算机程序被处理器执行时实现权利要求1-6任一所述的方法步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010656634.8A CN111813524B (zh) | 2020-07-09 | 2020-07-09 | 一种任务执行方法、装置、电子设备和存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010656634.8A CN111813524B (zh) | 2020-07-09 | 2020-07-09 | 一种任务执行方法、装置、电子设备和存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111813524A true CN111813524A (zh) | 2020-10-23 |
CN111813524B CN111813524B (zh) | 2023-09-08 |
Family
ID=72842861
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010656634.8A Active CN111813524B (zh) | 2020-07-09 | 2020-07-09 | 一种任务执行方法、装置、电子设备和存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111813524B (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112650571A (zh) * | 2020-12-30 | 2021-04-13 | 中国农业银行股份有限公司 | 一种作业执行方法及装置 |
CN112698943A (zh) * | 2020-12-29 | 2021-04-23 | 北京顺达同行科技有限公司 | 资源分配方法、装置、计算机设备以及存储介质 |
CN113850428A (zh) * | 2021-09-24 | 2021-12-28 | 联想(北京)有限公司 | 作业调度的预测处理方法、装置和电子设备 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20080010240A1 (en) * | 2006-06-30 | 2008-01-10 | Mohamed Zait | Executing alternative plans for a SQL statement |
CN101320336A (zh) * | 2007-06-05 | 2008-12-10 | Sap股份公司 | 异构环境中的组件的部署计划 |
US20130232497A1 (en) * | 2012-03-02 | 2013-09-05 | Vmware, Inc. | Execution of a distributed deployment plan for a multi-tier application in a cloud infrastructure |
CN105074664A (zh) * | 2013-02-11 | 2015-11-18 | 亚马逊科技公司 | 成本最小化的任务调度程序 |
US20180107508A1 (en) * | 2016-10-18 | 2018-04-19 | International Business Machines Corporation | Resource allocation for tasks of unknown complexity |
US20180157711A1 (en) * | 2016-12-06 | 2018-06-07 | Electronics And Telecommunications Research Institute | Method and apparatus for processing query based on heterogeneous computing device |
CN111290841A (zh) * | 2018-12-10 | 2020-06-16 | 北京沃东天骏信息技术有限公司 | 任务调度方法、装置、计算设备及存储介质 |
-
2020
- 2020-07-09 CN CN202010656634.8A patent/CN111813524B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20080010240A1 (en) * | 2006-06-30 | 2008-01-10 | Mohamed Zait | Executing alternative plans for a SQL statement |
CN101320336A (zh) * | 2007-06-05 | 2008-12-10 | Sap股份公司 | 异构环境中的组件的部署计划 |
US20130232497A1 (en) * | 2012-03-02 | 2013-09-05 | Vmware, Inc. | Execution of a distributed deployment plan for a multi-tier application in a cloud infrastructure |
CN105074664A (zh) * | 2013-02-11 | 2015-11-18 | 亚马逊科技公司 | 成本最小化的任务调度程序 |
US20180107508A1 (en) * | 2016-10-18 | 2018-04-19 | International Business Machines Corporation | Resource allocation for tasks of unknown complexity |
US20180157711A1 (en) * | 2016-12-06 | 2018-06-07 | Electronics And Telecommunications Research Institute | Method and apparatus for processing query based on heterogeneous computing device |
CN111290841A (zh) * | 2018-12-10 | 2020-06-16 | 北京沃东天骏信息技术有限公司 | 任务调度方法、装置、计算设备及存储介质 |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112698943A (zh) * | 2020-12-29 | 2021-04-23 | 北京顺达同行科技有限公司 | 资源分配方法、装置、计算机设备以及存储介质 |
CN112650571A (zh) * | 2020-12-30 | 2021-04-13 | 中国农业银行股份有限公司 | 一种作业执行方法及装置 |
CN113850428A (zh) * | 2021-09-24 | 2021-12-28 | 联想(北京)有限公司 | 作业调度的预测处理方法、装置和电子设备 |
Also Published As
Publication number | Publication date |
---|---|
CN111813524B (zh) | 2023-09-08 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US10761897B2 (en) | Predictive model-based intelligent system for automatically scaling and managing provisioned computing resources | |
CN111813524B (zh) | 一种任务执行方法、装置、电子设备和存储介质 | |
CN111400022A (zh) | 一种资源调度方法、装置及电子设备 | |
US20220012089A1 (en) | System for computational resource prediction and subsequent workload provisioning | |
US20200057993A1 (en) | Order scheduling method and apparatus, electronic device, and computer readable storage medium | |
CN110990138B (zh) | 资源调度方法、装置、服务器及存储介质 | |
CN109861850B (zh) | 一种基于sla的无状态云工作流负载均衡调度的方法 | |
CN109960573B (zh) | 一种基于智能感知的跨域计算任务调度方法及*** | |
CN112801430B (zh) | 任务下发方法、装置、电子设备及可读存储介质 | |
CN111813523A (zh) | 时长预估模型生成方法、***资源调度方法、装置、电子设备和存储介质 | |
CN114253735B (zh) | 一种任务处理方法、装置及相关设备 | |
CN109976901A (zh) | 一种资源调度方法、装置、服务器及可读存储介质 | |
US20220327495A1 (en) | Intelligent scheduling using a prediction model | |
US20190138354A1 (en) | Method for scheduling jobs with idle resources | |
CN115421930B (zh) | 任务处理方法、***、装置、设备及计算机可读存储介质 | |
CN116467082A (zh) | 一种基于大数据的资源分配方法及*** | |
CN113378498B (zh) | 一种任务分配方法及装置 | |
CN113554301B (zh) | 一种生产计划排程方法及*** | |
CN111143070A (zh) | 一种资源调度方法和装置 | |
CN114826924A (zh) | 用于带宽分配的方法及装置 | |
CN111105050B (zh) | 风机维护计划的生成方法、装置、设备及存储介质 | |
CN116880968A (zh) | 一种作业调度方法及调度*** | |
CN113543160A (zh) | 5g切片资源配置方法、装置、计算设备及计算机存储介质 | |
Wan et al. | Utility-driven share scheduling algorithm in hadoop | |
CN113837782A (zh) | 时间序列模型的周期项参数优化方法、装置、计算机设备 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |