CN115586952B - 空间在轨数据中心的计算流程控制*** - Google Patents
空间在轨数据中心的计算流程控制*** Download PDFInfo
- Publication number
- CN115586952B CN115586952B CN202211100713.6A CN202211100713A CN115586952B CN 115586952 B CN115586952 B CN 115586952B CN 202211100713 A CN202211100713 A CN 202211100713A CN 115586952 B CN115586952 B CN 115586952B
- Authority
- CN
- China
- Prior art keywords
- calculation
- data
- path
- paths
- analysis
- 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.)
- Active
Links
- 238000004364 calculation method Methods 0.000 title claims abstract description 107
- 238000004458 analytical method Methods 0.000 claims abstract description 36
- 238000007405 data analysis Methods 0.000 claims abstract description 27
- 238000000034 method Methods 0.000 claims abstract description 22
- 230000008569 process Effects 0.000 claims abstract description 9
- 238000005457 optimization Methods 0.000 claims abstract description 4
- 238000012163 sequencing technique Methods 0.000 claims abstract description 4
- 238000012545 processing Methods 0.000 claims description 37
- 238000007781 pre-processing Methods 0.000 claims description 26
- 238000012549 training Methods 0.000 claims description 22
- 238000011156 evaluation Methods 0.000 claims description 11
- 230000033228 biological regulation Effects 0.000 claims description 5
- 238000004422 calculation algorithm Methods 0.000 claims description 5
- 230000002776 aggregation Effects 0.000 claims description 4
- 238000004220 aggregation Methods 0.000 claims description 4
- 238000005265 energy consumption Methods 0.000 claims description 4
- 230000009467 reduction Effects 0.000 claims description 4
- 230000007423 decrease Effects 0.000 claims description 3
- 238000006243 chemical reaction Methods 0.000 claims description 2
- 238000012217 deletion Methods 0.000 claims description 2
- 230000037430 deletion Effects 0.000 claims description 2
- 238000012544 monitoring process Methods 0.000 claims description 2
- 238000004886 process control Methods 0.000 claims 1
- 230000000694 effects Effects 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 4
- 238000011161 development Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 230000006870 function Effects 0.000 description 3
- 238000004134 energy conservation Methods 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000008451 emotion Effects 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
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
- 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
- G06F9/30—Arrangements for executing machine instructions, e.g. instruction decode
- G06F9/38—Concurrent instruction execution, e.g. pipeline or look ahead
- G06F9/3867—Concurrent instruction execution, e.g. pipeline or look ahead using instruction pipelines
- G06F9/3869—Implementation aspects, e.g. pipeline latches; pipeline synchronisation and clocking
-
- 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
- G06F9/44—Arrangements for executing specific programs
- G06F9/445—Program loading or initiating
- G06F9/44505—Configuring for program initiating, e.g. using registry, configuration files
-
- 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
- G06F9/4893—Scheduling strategies for dispatcher, e.g. round robin, multi-level priority queues taking into account power or heat criteria
-
- 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
- G06F9/50—Allocation of resources, e.g. of the central processing unit [CPU]
- G06F9/5005—Allocation of resources, e.g. of the central processing unit [CPU] to service a request
- G06F9/5027—Allocation of resources, e.g. of the central processing unit [CPU] to service a request the resource being a machine, e.g. CPUs, Servers, Terminals
-
- 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
- G06F9/50—Allocation of resources, e.g. of the central processing unit [CPU]
- G06F9/5094—Allocation of resources, e.g. of the central processing unit [CPU] where the allocation takes into account power or heat criteria
Landscapes
- Engineering & Computer Science (AREA)
- Software Systems (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
一种空间在轨数据中心的计算流程控制***，包括：由多条计算通路组成的多模态数据分析集群和包括用于存储计算通路的最优开关配置的配置模块以及用于控制分析节点的开关状态的开关模块的控制优化***，每条计算通路对应一种数据模态，多条计算通路得到各自对应的中间分析结果，以所有中间分析结果为输入，多模态数据分析集群计算最终输出结果，配置模块基于典型应用性能的历史分析生成最优开关配置以描述关于计算通路优先级的排序；开关模块根据最优开关配置，在实际计算过程中选择开启或者关闭不同的计算通路，实现空间在轨大数据中心吞吐和能效的综合提升。
Description
技术领域
本发明涉及的是一种数据中心体系结构和优化技术，具体是一种面向航天领域的空间在轨数据中心的以节能为目标的计算流程控制***。
背景技术
人造卫星和各类空间设备日益需要先进计算技术的支撑。发射数据中心上天能够及时处理各类观测数据，为天上与地面的智能应用缩短决策时间。相比地面数据中心而言，空间在轨数据中心的能源更紧缺，优化其数据处理效率变得更为迫切。
发明内容
本发明针对上述现有技术中的不足，提出一种空间在轨数据中心的计算流程控制***，旨在优化空间在轨数据中心的复杂数据迭代计算流程，将空间在轨数据中心的数据处理任务划分为多个通道，对应多个模态，从而对每个通道以及相应模态下的计算***进行智能控制，通过多模态感知的计算通路半开闭技术，并借助预训练得到的最优开关配置文件以及在线通路预测技术，实现空间在轨大数据中心吞吐和能效的综合提升。
本发明是通过以下技术方案实现的：
本发明涉及一种空间在轨数据中心的计算流程控制***，包括：由多条计算通路组成的多模态数据分析集群和包括用于存储计算通路的最优开关配置的配置模块以及用于控制分析节点的开关状态的开关模块的控制优化***，其中：每条计算通路对应一种数据模态，多条计算通路得到各自对应的中间分析结果，以所有中间分析结果为输入，多模态数据分析集群计算最终输出结果，配置模块基于典型应用性能的历史分析生成最优开关配置以描述关于计算通路优先级的排序；开关模块根据最优开关配置，在实际计算过程中选择开启或者关闭不同的计算通路。
所述的计算通路具体为：对应于每条数据输入分配的计算单元，该计算单元包括预处理节点和对应的分析节点以进行数据预处理和数据分析任务，其中：数据预处理和数据分析任务分别部署于计算单元的不同的节点上并形成流水线关系。
所述的节点包括但不限于CPU核心、FPGA设备等。
所述的多模态数据分析集群包括：当干隶属于各个计算通路的所述预处理节点和对应的分析节点以及一个聚合节点，其中：预处理节点从大数据中心外部采集对应通路的数据并针对该模态数据特征进行预处理；分析节点对输入的数据进行迭代计算从而得到单一模态下的中间输出结果；聚合节点上运行的算法逻辑能够对所对应的多个分析节点的中间输出结果作进一步计算，得到集群最终输出结果。
所述的预处理包括：对原始数据进行格式转换或者重复数据删除。
所述的迭代计算包括：基于深度神经网络的推理
所述的算法逻辑包括但不限于选择函数。
所述的最优开关配置是指：多模态数据分析集群中的n个计算通路Di信息，针对不同应用存储计算通路的理想执行顺序。不同计算通路一般具有不同的重要性，在数据处理时应当区分对待。对于某一类应用来说，存在一个对其输出结果影响最大的计算通路。因此，本发明为每一类应用i配置一个描述计算通路重要性的理想执行顺序[Di1，Di2，...Din]，排在首位的是最重要的计算通路，随后的计算通路的重要性递减。
所述的计算通路，在初始情况下只完全开启排序第一的通路Di1，，而保持其它通路处于半开启状态，其中：完全开启是指：将一个计算通路的数据预处理节点和数据分析节点全部开启；半开启是指：开启某计算通路的数据预处理节点，但关闭与之对应的数据分析节点，从而维持数据预处理功能但降低该计算通路的整体分析能耗。
所述的最优开关配置，通过投票方法排序或统计方式线下训练完成并在部署前存储于配置模块。
所述的投票方法排序是指：首先枚举所有计算通路的n！个全排列，对每一个输入数据来说，都能从中找出具有最优输出结果的计算通路排列；然后遍历训练数据集，每个训练数据都为其最优计算通路排列投1票；再针对所有n！个计算通路排列选择出获得票数最多的一个，即为理想通路排序。
所述的统计方式是指：不遍历所有n！个计算通路的全排列，而是对每个输入数据仅仅随机采样m个排列进行分析并投票，其中：m＜＜n！；最后，当整个训练数据集都分析完毕后选出获得票数最多的通路排列。
所述的配置模块包括：效率评价单元和线下训练单元，其中：效率评价单元对底层处理设备的性能和功耗进行建模，基于设备运行参数计算对应计算通路的执行效率；线下训练单元决定配置模块对最优通路的排序方法，并将理想通路排序存储于最优配置文件中供开关模块查询。
所述的最优配置文件，根据用户需求动态更新的存储计算通路理想排序的集合{Ri}的单元，其中：i是应用标号，Ri是在给定数据集下训练得到的关于应用i的计算通路的理想排序[Di1，Di2，...Din]。
所述的效率评价单元针对给定计算通路计算一个效用分数U＝lat*acc/pwr，用以评估计算通路的执行效率，线下训练单元根据效率评价单元输出的执行效率，结合计算通路的数量n决定训练方式，其中：lat取值为该计算通路的计算延时，acc取值为该计算通路的推理精度，pwr为该计算通路的实际功率相对于满载功率的百分比。
例如，当n<8时，选择投票方法排序；当n>＝8时，选择统计方式排序能够极大降低训练时长。
所述的开关模块包括：通路分析单元、通路控制单元和通路推测单元，其中：通路分析单元针对不同计算通路获取其动态功耗并输出调控信号，当多模态数据分析集群整体功耗超过数据中心限定的功耗值时输出0，否则输出1；通路控制单元针对计算通道的节点进行开闭调节，当调控信号为0，即缩小处理，则控制计算通路进入半开闭状态，当调控信号为1，即释放处理，则维持计算通路全开启；通路推测单元根据计算通路分析单元给出的动态功耗和计算精度，对计算通路的开关状态实施二次调整。
所述的二次调整，具体是指：对前序已全部开启的数据处理通路的阶段性计算结果进行监控，对比数据处理进度点P处的当前实际计算输出和目标计算输出，当实际计算输出不满足目标计算输出时，则提前将紧邻的后续计算通路从半开启状态转换为全开启状态，直至所有数据处理通路都完全开启。
所述的数据处理进度点是指数据处理完毕或者已完成的计算迭代次数，如P＝25％代表25％的数据处理完毕或者已完成25％的计算迭代次数。
所述的实际计算输出不满足目标计算输出，包括但不限于推理置信度低于95％。
所述的完全开启，对应最佳输出结果和最高功耗。
技术效果
本发明通过运行大数据处理过程逐级开启最优的计算通路，从而避免因大量数据模态同时处理导致能效下降；通过允许大数据处理过程中将数据预处理阶段和数据分析阶段解耦运行，并以通路半开启的方式提高计算通路能效，使数据中心能够根据不同数据输入通路的重要性来智能地调控计算流程。
附图说明
图1为本发明模块流程图；
图2为配置模块和开关模块结构图；
图3为本发明理想通路排序投票机制示意图；
图4为本发明***实现图；
图5为实施例测试效果图。
具体实施方式
如图1所示，为本实施例涉及一种基于上述***的空间在轨数据中心的计算流程控制方法，包括：
步骤1，触发配置模块，结合应用类型从最优配置文件中查询最优开关配置信息，如果应用类型未查到，则计算其理想通路并更新最优配置文件。
步骤2，执行开关模块，根据最优开关配置为当前应用确定各计算通路的开启状态，并观察应用的数据处理进度，动态调整计算通路开启状态直至数据处理完毕。
所述的计算通路是指：对应于每条数据输入分配的计算***。将数据处理过程分为数据预处理和数据分析两个环节。两个环节分别部署于不同的处理单元上，形成流水线关系，数据预处理节点的输出是数据分析节点的输入。
所述的S1配置模块掌握数据中心中的n个计算通路Di信息，针对不同应用存储计算通路的理想执行顺序。由于不同计算通路一般具有不同的重要性，在数据处理时应当区分对待。对于某一类应用来说，存在一个对其输出结果影响最大的计算通路。因此，本实施例为每一类应用i配置一个描述通路重要性的理想通路排序[Di1，Di2，...Din]，排在首位的是最重要的通路，随后的通路重要性递减。
所述的配置模块中的理想通路列表的计算方式如下。当通路数较少时，采用投票方法排序：首先枚举所有通路的n！个全排列，对每一个输入数据来说，都能从中找出具有最优输出结果的通路排列。随后，遍历训练数据集，每个训练数据都为其最优通路排列投1票。最后，针对所有n！个通路排列选择出获得票数最多的一个，即为理想通路排序。当通路数较多，按照上述计算方法复杂性较高，则此时适合采用统计方式选出近似最优的通路，即不遍历所有n！种全排列，而是对每个输入数据随机采样m个排列(m远小于n！)进行分析并投票，最后整个数据集都分析完毕后选出获得票数最多的通路排列。上述过程全部是***线下训练完成的，在部署前存储于配置模块S1中。
所述的开关模块根据配置模块中的理想通路排序[Di1，Di2，...Din]，在实际计算过程中选择开启或者关闭不同的计算通路，且初始情况下只完全开启排序第一的通路Di1，，而保持其它通路处于半开启状态。
所述的完全开启是指：数据预处理节点和数据分析节点全部开启。所述的半开启是指：开启数据预处理节点，但关闭数据分析节点。半开启能节约***整体能耗，但能够维持数据采集功能。
所述的配置模块包括：效率评价单元、线下训练单元以及最优配置文件单元，其中：效率评价单元对底层处理设备的性能和功耗进行建模，能够基于设备运行参数计算对应计算通路的执行效率，线下训练单元决定配置模块对最优通路的排序方法，最优配置文件单元存储一系列理想通路排序，以待开关模块查询。
所述的开关模块包括：通路分析模块、通路控制模块和通路推测模块，其中：通路分析模块针对不同计算通路记录其功耗并输出调控信号。当多模态数据分析集群整体功耗超过数据中心限定的功耗值时输出0，否则输出1；通路控制模块针对计算通路的硬件设备(如处理器频率、内存总线等)进行开闭调节，也能够对计算通路中数据处理参数(如数据处理量、迭代数目)进行缩放控制，即计算通路的硬件设备(如处理器频率、内存总线等)进行开闭调节，当调控信号为0(缩小处理)，则控制计算通路进入半开闭状态，当调控信号为1(释放处理)，则维持计算通路全开启；通路推测模块根据计算通路分析模块给出的效果，判断是否需要实施节点开关状态的二次调整，即对比已经完成通路的输出结果和目标输出结果，判断是否应当开启更多计算通路。对比数据处理进度点P(如P＝25％代表25％的数据处理完毕或者已完成25％的计算迭代次数)处的当前实际计算输出和目标计算输出，当实际计算输出不满足目标计算输出时(如推理置信度低于95％)，则提前将紧邻的后续计算通路从半开启状态转换为全开启状态，直至所有数据处理通路都完全开启(对应最佳输出结果和最高功耗)。
本实施例在实际平台上进行验证。具体环境设置如下：采用4个NVIDIA JetsonNano开发板作为底层设备构建计算集群，每个开发板上具备多核CPU和GPU，每个开发板都支持三个通路。这三个通路分别对应索尼IMX219-77摄像头采集的图像数据、Waveshare音频设备采集的音频数据、DeepSpeech模型输出的语音文本数据。在上述平台上，运行对比来自MultiBench基准测试***中的4个多模态数据分析任务(sarcasm、cmumosi，mmimdb，avmnist)，前两个是情感智能计算的代表性算法应用，后两个是多媒体处理的代表性算法应用。实验中利用Jetson Nano上的jtop工具可以获得板上功率和能耗参数，借助MultiBench提供的工具集可以获得应用的运行精度和延时，并计算评估计算效果。
与现有技术相比，本方法能够使得***能够选择满足计算精度和延时要求的最优通路/模态，实现节能增效。在给定电能预算下实现更高运行效率，能够将数据中心任务吞吐提升60％以上。
上述具体实施可由本领域技术人员在不背离本发明原理和宗旨的前提下以不同的方式对其进行局部调整，本发明的保护范围以权利要求书为准且不由上述具体实施所限，在其范围内的各个实现方案均受本发明之约束。
Claims (8)
1.一种空间在轨数据中心的计算流程控制***，其特征在于，包括：由多条计算通路组成的多模态数据分析集群和包括用于存储计算通路的最优开关配置的配置模块以及用于控制分析节点的开关状态的开关模块的控制优化***，其中：每条计算通路对应一种数据模态，多条计算通路得到各自对应的中间分析结果，以所有中间分析结果为输入，多模态数据分析集群计算最终输出结果，配置模块基于典型应用性能的历史分析生成最优开关配置以描述关于计算通路优先级的排序；开关模块根据最优开关配置，在实际计算过程中选择开启或者关闭不同的计算通路；
所述的计算通路具体为：对应于每条数据输入分配的计算单元，该计算单元包括预处理节点和对应的分析节点以进行数据预处理和数据分析任务，其中：数据预处理和数据分析任务分别部署于计算单元的不同的节点上并形成流水线关系；
所述的多模态数据分析集群包括：若干隶属于各个计算通路的所述预处理节点和对应的分析节点以及一个聚合节点，其中：预处理节点从大数据中心外部采集对应通路的数据并针对该模态数据特征进行预处理；分析节点对输入的数据进行迭代计算从而得到单一模态下的中间输出结果；聚合节点上运行的算法逻辑能够对所对应的多个分析节点的中间输出结果作进一步计算，得到集群最终输出结果；
所述的计算通路，在初始情况下只完全开启排序第一的通路Di1,，而保持其它通路处于半开启状态，其中：完全开启是指：将一个计算通路的数据预处理节点和数据分析节点全部开启；半开启是指：开启某计算通路的数据预处理节点，但关闭与之对应的数据分析节点，从而维持数据预处理功能但降低该计算通路的整体分析能耗。
2.根据权利要求1所述的空间在轨数据中心的计算流程控制***，其特征是，所述的预处理包括：对原始数据进行格式转换或者重复数据删除。
3.根据权利要求1所述的空间在轨数据中心的计算流程控制***，其特征是，所述的最优开关配置是指：多模态数据分析集群中的n个计算通路Di信息，针对不同应用存储计算通路的理想执行顺序，每一类应用i配置一个描述计算通路重要性的理想执行顺序[Di1,Di2,…Din]，排在首位的是最重要的计算通路，随后的计算通路的重要性递减。
4.根据权利要求1所述的空间在轨数据中心的计算流程控制***，其特征是，所述的最优开关配置，通过投票方法排序或统计方式线下训练完成并在部署前存储于配置模块；
所述的投票方法排序是指：首先枚举所有计算通路的n！个全排列，对每一个输入数据来说，都能从中找出具有最优输出结果的计算通路排列；然后遍历训练数据集，每个训练数据都为其最优计算通路排列投1票；再针对所有n！个计算通路排列选择出获得票数最多的一个，即为理想通路排序；
所述的统计方式是指：不遍历所有n！个计算通路的全排列，而是对每个输入数据仅仅随机采样m个排列进行分析并投票，其中：m＜＜n！；最后，当整个训练数据集都分析完毕后选出获得票数最多的通路排列。
5.根据权利要求1所述的空间在轨数据中心的计算流程控制***，其特征是，所述的配置模块包括：效率评价单元和线下训练单元，其中：效率评价单元对底层处理设备的性能和功耗进行建模，基于设备运行参数计算对应计算通路的执行效率；线下训练单元决定配置模块对最优通路的排序方法，并将理想通路排序存储于最优配置文件中供开关模块查询；
所述的最优配置文件，根据用户需求动态更新的存储计算通路理想排序的集合{Ri}的单元，其中：i是应用标号，Ri是在给定数据集下训练得到的关于应用i的计算通路的理想排序[Di1,Di2,…Din]。
6.根据权利要求5所述的空间在轨数据中心的计算流程控制***，其特征是，所述的效率评价单元针对给定计算通路计算一个效用分数U＝lat*acc/pwr，用以评估计算通路的执行效率，线下训练单元根据效率评价单元输出的执行效率，结合计算通路的数量n决定训练方式，其中：lat取值为该计算通路的计算延时，acc取值为该计算通路的推理精度，pwr为该计算通路的实际功率相对于满载功率的百分比。
7.根据权利要求1所述的空间在轨数据中心的计算流程控制***，其特征是，所述的开关模块包括：通路分析单元、通路控制单元和通路推测单元，其中：通路分析单元针对不同计算通路获取其动态功耗并输出调控信号，当多模态数据分析集群整体功耗超过数据中心限定的功耗值时输出0，否则输出1；通路控制单元针对计算通道的节点进行开闭调节，当调控信号为0，即缩小处理，则控制计算通路进入半开闭状态，当调控信号为1，即释放处理，则维持计算通路全开启；通路推测单元根据计算通路分析单元给出的动态功耗和计算精度，对计算通路的开关状态实施二次调整。
8.根据权利要求7所述的空间在轨数据中心的计算流程控制***，其特征是，所述的二次调整，具体是指：对前序已全部开启的数据处理通路的阶段性计算结果进行监控，对比数据处理进度点的当前实际计算输出和目标计算输出，当实际计算输出不满足目标计算输出时，则提前将紧邻的后续计算通路从半开启状态转换为全开启状态，直至所有数据处理通路都完全开启，其中：数据处理进度点是指数据处理完毕或者已完成的计算迭代次数；完全开启，对应最佳输出结果和最高功耗。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211100713.6A CN115586952B (zh) | 2022-09-09 | 2022-09-09 | 空间在轨数据中心的计算流程控制*** |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211100713.6A CN115586952B (zh) | 2022-09-09 | 2022-09-09 | 空间在轨数据中心的计算流程控制*** |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN115586952A CN115586952A (zh) | 2023-01-10 |
| CN115586952B true CN115586952B (zh) | 2023-09-29 |
Family
ID=84771975
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202211100713.6A Active CN115586952B (zh) | 2022-09-09 | 2022-09-09 | 空间在轨数据中心的计算流程控制*** |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN115586952B (zh) |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103428282A (zh) * | 2013-08-06 | 2013-12-04 | 浪潮(北京)电子信息产业有限公司 | 一种云计算数据中心的在线节能控制方法及装置 |
| CN110096349A (zh) * | 2019-04-10 | 2019-08-06 | 山东科技大学 | 一种基于集群节点负载状态预测的作业调度方法 |
| CN113672073A (zh) * | 2021-07-20 | 2021-11-19 | 睿识科技南京有限责任公司 | 异构计算硬件能耗和性能优化方法、***和存储介质 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP5979244B2 (ja) * | 2012-11-16 | 2016-08-24 | 富士通株式会社 | モジュール型データセンタとその制御方法 |
-
2022
- 2022-09-09 CN CN202211100713.6A patent/CN115586952B/zh active Active
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103428282A (zh) * | 2013-08-06 | 2013-12-04 | 浪潮(北京)电子信息产业有限公司 | 一种云计算数据中心的在线节能控制方法及装置 |
| CN110096349A (zh) * | 2019-04-10 | 2019-08-06 | 山东科技大学 | 一种基于集群节点负载状态预测的作业调度方法 |
| WO2020206705A1 (zh) * | 2019-04-10 | 2020-10-15 | 山东科技大学 | 一种基于集群节点负载状态预测的作业调度方法 |
| CN113672073A (zh) * | 2021-07-20 | 2021-11-19 | 睿识科技南京有限责任公司 | 异构计算硬件能耗和性能优化方法、***和存储介质 |
Non-Patent Citations (2)
| Title |
|---|
| Explicit Path Control in Commodity Data Centers: Design and Applications;Shuihai Hu等;《12th USENIX Symposium on Networked Systems Design and Implementation》;第15-28页 * |
| 李少华等.基于节点主动休眠的数据中心能耗优化方法.《软件》.2018,第113-117页. * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN115586952A (zh) | 2023-01-10 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111148118B (zh) | 基于时间序列的流量预测和载波关断方法和*** | |
| EP3805999A1 (en) | Resource-aware automatic machine learning system | |
| Juang et al. | A locally recurrent fuzzy neural network with support vector regression for dynamic-system modeling | |
| US9043254B2 (en) | Method for computer-aided closed-loop and/or open-loop control of a technical system | |
| CN106056127A (zh) | 一种带模型更新的gpr在线软测量方法 | |
| US11593618B2 (en) | Data processing apparatus, data processing method, and storage medium | |
| CN109155007A (zh) | 训练量子优化器 | |
| CN111723910A (zh) | 构建多任务学习模型的方法、装置、电子设备及存储介质 | |
| CN110969295B (zh) | 列车区段延误预测误差控制方法 | |
| CN116562908A (zh) | 一种基于双层vmd分解和ssa-lstm的电价预测方法 | |
| CN111191769A (zh) | 自适应的神经网络训练与推理装置 | |
| CN114897144A (zh) | 基于复值神经网络的复值时序信号预测方法 | |
| Peng et al. | A cloud load forecasting model with nonlinear changes using whale optimization algorithm hybrid strategy | |
| Zhang et al. | Deep reinforcement learning towards real-world dynamic thermal management of data centers | |
| Liu et al. | Efficient hyperparameters optimization through model-based reinforcement learning and meta-learning | |
| CN115586952B (zh) | 空间在轨数据中心的计算流程控制*** | |
| CN116993181A (zh) | 基于rbf-arx的综合能源***时序概率多元负荷预测方法及*** | |
| Yang et al. | Efficient resource-aware neural architecture search with dynamic adaptive network sampling | |
| CN112149805B (zh) | 基于框架搜索的深度神经网络的加速与压缩方法及*** | |
| Goudjil et al. | Identification algorithm for MIMO switched output error model in presence of bounded noise | |
| CN115345303A (zh) | 卷积神经网络权重调优方法、装置、存储介质和电子设备 | |
| Bouyer et al. | A new hybrid model using case-based reasoning and decision tree methods for improving speedup and accuracy | |
| Tsai et al. | Search economics for single-objective real-parameter optimization | |
| Liu et al. | Dynamically throttleable neural networks | |
| Li et al. | CoAxNN: Optimizing on-device deep learning with conditional approximate neural networks |
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 |