CN117472549B - 一种基于aigc的分布式算力调度*** - Google Patents
一种基于aigc的分布式算力调度*** Download PDFInfo
- Publication number
- CN117472549B CN117472549B CN202311812192.1A CN202311812192A CN117472549B CN 117472549 B CN117472549 B CN 117472549B CN 202311812192 A CN202311812192 A CN 202311812192A CN 117472549 B CN117472549 B CN 117472549B
- Authority
- CN
- China
- Prior art keywords
- node
- task
- calculation
- computing
- force
- 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 claims abstract description 128
- 238000012544 monitoring process Methods 0.000 claims abstract description 28
- 230000003993 interaction Effects 0.000 claims abstract description 5
- 238000000034 method Methods 0.000 claims description 20
- RYAUSSKQMZRMAI-YESZJQIVSA-N (S)-fenpropimorph Chemical compound C([C@@H](C)CC=1C=CC(=CC=1)C(C)(C)C)N1C[C@H](C)O[C@H](C)C1 RYAUSSKQMZRMAI-YESZJQIVSA-N 0.000 claims description 11
- 238000005516 engineering process Methods 0.000 claims description 7
- 238000004891 communication Methods 0.000 claims description 4
- 238000002474 experimental method Methods 0.000 claims description 4
- 238000009472 formulation Methods 0.000 claims description 4
- 239000000203 mixture Substances 0.000 claims description 4
- 230000004044 response Effects 0.000 abstract description 2
- 238000012545 processing Methods 0.000 description 3
- 238000012549 training Methods 0.000 description 2
- 238000013459 approach Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000005265 energy consumption Methods 0.000 description 1
- 230000002452 interceptive effect Effects 0.000 description 1
- 230000007787 long-term memory Effects 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 230000006403 short-term memory Effects 0.000 description 1
- 230000001360 synchronised effect Effects 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
- G06F9/46—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
- G06F9/5038—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 considering the execution order of a plurality of tasks, e.g. taking priority or time dependency constraints into consideration
-
- 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
- G06F9/505—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 considering the load
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2209/00—Indexing scheme relating to G06F9/00
- G06F2209/48—Indexing scheme relating to G06F9/48
- G06F2209/484—Precedence
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2209/00—Indexing scheme relating to G06F9/00
- G06F2209/50—Indexing scheme relating to G06F9/50
- G06F2209/5021—Priority
-
- 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)
- Software Systems (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Supply And Distribution Of Alternating Current (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明提供了一种基于AIGC的分布式算力调度***,所述***包括节点获取模块、任务管理模块、算力调度模块、监控模块和用户服务模块;所述节点获取模块用于获取***内可用的分布式算力节点;所述任务管理模块用于获取算力任务信息,并将算力任务分解为多个子任务以便执行;所述算力调度模块用于结合算力节点的历史数据和实时数据完成对各算力节点的算力任务分配;所述监控模块用于监控算力节点的任务执行情况;所述用户服务模块用于提供用户界面完成用户与***之间的信息交互;本发明通过结合实时数据与历史数据优化了***资源利用率和响应速度。
Description
技术领域
本发明涉及算力调度***领域,尤其涉及一种基于AIGC的分布式算力调度***。
背景技术
在现代信息技术快速发展的背景下,分布式算力***成为了支撑众多先进应用的关键基础设施;这些***利用分散在不同地理位置的计算资源,协同处理大量的数据和复杂的计算任务;如何优化算力资源的分配,确保计算任务在合理的时间内完成,并减少网络延迟和资源闲置,成为了分布式算力***设计的关键挑战。
查阅相关已公开技术方案,公开号为CN116069498A的技术提出提供了一种分布式算力调度方法、装置、电子设备及存储介质,其中方法包括:任务终端广播资源请求信息,辅助终端和边缘计算服务器将计算资源状态信息反馈给任务终端;任务终端执行多智能体分布式算力调度方法模型,得到各个计算密集型且时延敏感型的计算任务待选择的卸载模式、目标辅助终端或边缘计算服务器对应的标识,以及无线信道的标识;任务终端将各个计算任务分别通过标识的无线信道发送至对应的目标辅助终端或者边缘计算服务器;目标辅助终端或者边缘计算服务器对接收到的计算任务进行处理,并将计算任务处理结果按照标识的无线信道发送至对应的任务终端。与现有技术相比,本发明具有降低了计算任务处理时延与能耗、提高了效率等优点;但该方案并未考虑各个资源请求与任务终端之间网络延迟以及各任务终端的平衡调度分配问题,可能导致在分布式环境中任务执行效率降低;此外,由于缺乏对任务终端的平衡调度分配,该方案可能导致某些计算资源过载而其他资源处于空闲状态,从而影响整个***的性能和资源利用效率。
发明内容
本发明的目的在于,针对目前所存在的不足,提出了一种基于AIGC的分布式算力调度***。
本发明采用如下技术方案:一种基于AIGC的分布式算力调度***,所述***包括节点获取模块、任务管理模块、算力调度模块、监控模块和用户服务模块;
所述节点获取模块用于获取***内可用的分布式算力节点;所述任务管理模块用于获取算力任务信息,并将算力任务分解为多个子任务以便执行;所述算力调度模块用于结合算力节点的历史数据和实时数据完成对各算力节点的算力任务分配;所述监控模块用于监控算力节点的任务执行情况;所述用户服务模块用于提供用户界面完成用户与***之间的信息交互;
所述节点获取模块包括节点注册单元和节点状态同步单元;所述节点注册单元用于将可用的分布式算力节点注册至***中以供调度,所述节点状态同步单元用于对***中所有的算力节点状态实时更新同步;
所述任务管理模块获取的算力任务信息为包含有完成优先级的算力任务,所述算力任务分解的子任务为可通过算力节点执行的最小任务单元;
进一步的,所述算力调度模块包括预测调整单元和实时调整单元;所述预测调整单元基于AIGC技术根据历史数据预测具有时间特征的各算力节点的预测使用率,所述实时调整单元基于预测调整单元的预测结果和计算任务的分布对各算力节点制定调度决策;
进一步的,所述监控模块监控算力节点的任务执行情况具体包括各算力节点的使用率、各算力任务的完成度和各算力任务的预测完成时间;
进一步的,所述预测调整单元获取历史数据中具有时间特征的算力任务信息,并通过结合算力任务与各算力节点之间延迟信息建立各算力节点具有时间特征的使用率信息,并根据所述各算力节点具有时间特征的使用率信息建立预测模型,通过预测模型获取未来时间具有时间特征的各算力节点的预测使用率;
进一步的,所述实时调整单元通过以下步骤完成对调度决策的制定:
S131:将当前未分配的算力任务按优先级大小排序;
S132:计算当前优先级最高的算力任务与各算力节点之间的匹配指数:
;
其中,为优先级最高的算力任务,/>为某个算力节点,/>为算力任务/>与算力节点的匹配指数,/>为算力任务/>与算力节点/>的网络延迟,通过历史通信记录或预先的实验获取;/>为算力节点/>的负载平衡参数,/>为通过预测模型获取的当前时间算力节点/>的预测使用率;
S133:将上一步骤中的算力任务分解为多个子任务,并按匹配指数由小到大分配给对应的算力节点;在所述的分配过程中,当时,其中/>为算力节点/>的当前使用率,通过监控模块对各算力节点的实时监测获取;/>为***中所有已使用算力节点的平均使用率;停止对该算力节点的任务分配,并对下一匹配指数对应的算力节点进行任务分配;
S134:依次对剩余未分配的算力任务按优先级高低执行S132~ S133步骤,直至所有的算力任务都被分配完为止;
进一步的,所述算力节点的负载平衡参数/>满足:
。
本发明所取得的有益效果是:
本发明通过任务管理模块将算力任务分解为多个子任务,从而有效提高了任务处理的灵活性和并发能力,确保即使在高负载条件下也能保持高效率和低延迟;
通过预测调整单元建立预测模型,从而通过历史数据获取各算力节点的预测使用率,通过实时调整单元结合实时算力节点的网络延迟、负载平衡和预测使用率完成各算力任务与各算力节点之间的匹配,从而从而最大化资源利用效率,同时加快了***的响应减少任务执行时间,进而提升整体的***性能。
附图说明
从以下结合附图的描述可以进一步理解本发明。图中的部件不一定按比例绘制,而是将重点放在示出实施例的原理上。在不同的视图中,相同的附图标记指定对应的部分。
图1为本发明整体模块示意图。
图2为本发明基于AIGC的分布式算力调度方法流程示意图。
图3为本发明预测调整单元建立预测模型的具体步骤流程示意图。
图4为本发明实时调整单元制定调度决策具体步骤流程示意图。
具体实施方式
为了使得本发明的目的、技术方案及优点更加清楚明白,以下结合其实施例,对本发明进行进一步详细说明;应当理解,此处所描述的具体实施例仅用于解释本发明,并不用于限定本发明;对于本领域技术人员而言,在查阅以下详细描述之后,本实施例的其它***、方法和/或特征将变得显而易见;旨在所有此类附加的***、方法、特征和优点都包括在本说明书内;包括在本发明的范围内,并且受所附权利要求书的保护;在以下详细描述描述了所公开的实施例的另外的特征,并且这些特征根据以下将详细描述将是显而易见的。
本发明实施例的附图中相同或相似的标号对应相同或相似的部件;在本发明的描述中,需要理解的是,若有术语“上”、“下”、“左”、“右”等指示的方位或位置关系为基于附图所示的方位或位置关系,仅是为了便于描述本发明和简化描述,而不是指示或暗示所指的装置或组件必须具有特定的方位,以特定的方位构造和操作,因此附图中描述位置关系的用语仅用于示例性说明,不能理解为对本专利的限制,对于本领域的普通技术人员而言,可以根据具体情况理解上述术语的具体含义。
实施例一:如图1所示,本实施例提供一种基于AIGC的分布式算力调度***,所述***包括节点获取模块、任务管理模块、算力调度模块、监控模块和用户服务模块;
所述节点获取模块用于获取***内可用的分布式算力节点;所述任务管理模块用于获取算力任务信息,并将算力任务分解为多个子任务以便执行;所述算力调度模块用于结合算力节点的历史数据和实时数据完成对各算力节点的算力任务分配;所述监控模块用于监控算力节点的任务执行情况;所述用户服务模块用于提供用户界面完成用户与***之间的信息交互;
所述节点获取模块包括节点注册单元和节点状态同步单元;所述节点注册单元用于将可用的分布式算力节点注册至***中以供调度,所述节点状态同步单元用于对***中所有的算力节点状态实时更新同步;
所述任务管理模块获取的算力任务信息为包含有完成优先级的算力任务,所述算力任务分解的子任务为可通过算力节点执行的最小任务单元;
所述算力调度模块包括预测调整单元和实时调整单元;所述预测调整单元基于AIGC技术根据历史数据预测具有时间特征的各算力节点的预测使用率,所述实时调整单元基于预测调整单元的预测结果和计算任务的分布对各算力节点制定调度决策;
所述监控模块监控算力节点的任务执行情况具体包括各算力节点的使用率、各算力任务的完成度和各算力任务的预测完成时间;
所述预测调整单元获取历史数据中具有时间特征的算力任务信息,并通过结合算力任务与各算力节点之间延迟信息建立各算力节点具有时间特征的使用率信息,并根据所述各算力节点具有时间特征的使用率信息建立预测模型,通过预测模型获取未来时间具有时间特征的各算力节点的预测使用率;
如图4所示,所述实时调整单元通过以下步骤完成对调度决策的制定:
S131:将当前未分配的算力任务按优先级大小排序;
S132:计算当前优先级最高的算力任务与各算力节点之间的匹配指数:
;
其中,为优先级最高的算力任务,/>为某个算力节点,/>为算力任务/>与算力节点的匹配指数,/>为算力任务/>与算力节点/>的网络延迟,通过历史通信记录或预先的实验获取;/>为算力节点/>的负载平衡参数,/>为通过预测模型获取的当前时间算力节点/>的预测使用率;
S133:将上一步骤中的算力任务分解为多个子任务,并按匹配指数由小到大分配给对应的算力节点;在所述的分配过程中,当时,其中/>为算力节点/>的当前使用率,通过监控模块对各算力节点的实时监测获取;/>为***中所有已使用算力节点的平均使用率;停止对该算力节点的任务分配,并对下一匹配指数对应的算力节点进行任务分配;
S134:依次对剩余未分配的算力任务按优先级高低执行S132~ S133步骤,直至所有的算力任务都被分配完为止;
进一步的,所述算力节点的负载平衡参数/>满足:
;
进一步的,所述用户服务模块提供一个交互式用户界面,使用户能够提交结算他们的算力任务,并查询这些任务的执行状态,包括任务执行进度和预计完成时间等详细信息。
实施例二:本实施例应当理解为至少包含前述任一一个实施例的全部特征,并在其基础上进一步改进;
本实施例提供一种基于AIGC的分布式算力调度***,所述***包括节点获取模块、任务管理模块、算力调度模块、监控模块和用户服务模块;
所述节点获取模块用于获取***内可用的分布式算力节点;所述任务管理模块用于获取算力任务信息,并将算力任务分解为多个子任务以便执行;所述算力调度模块用于结合算力节点的历史数据和实时数据完成对各算力节点的算力任务分配;所述监控模块用于监控算力节点的任务执行情况;所述用户服务模块用于提供用户界面完成用户与***之间的信息交互;
所述节点获取模块包括节点注册单元和节点状态同步单元;所述节点注册单元用于将可用的分布式算力节点注册至***中以供调度,所述节点状态同步单元用于对***中所有的算力节点状态实时更新同步;
所述任务管理模块获取的算力任务信息为包含有完成优先级的算力任务,所述算力任务分解的子任务为可通过算力节点执行的最小任务单元;
所述算力调度模块包括预测调整单元和实时调整单元;所述预测调整单元基于AIGC技术根据历史数据预测具有时间特征的各算力节点的预测使用率,所述实时调整单元基于预测调整单元的预测结果和计算任务的分布对各算力节点制定调度决策;
所述监控模块监控算力节点的任务执行情况具体包括各算力节点的使用率、各算力任务的完成度和各算力任务的预测完成时间;
所述预测调整单元获取历史数据中具有时间特征的算力任务信息,并通过结合算力任务与各算力节点之间延迟信息建立各算力节点具有时间特征的使用率信息,并根据所述各算力节点具有时间特征的使用率信息建立预测模型,通过预测模型获取未来时间具有时间特征的各算力节点的预测使用率;
如图3所示,所述预测调整单元建立预测模型的具体步骤包括:
S21:从历史数据中提取具有时间特征的算力任务信息,本实施例中,将时间特征分为工作日和休息日,所述具有时间特征的算力任务信息具体为在工作日和休息日中各个时间点提交的算力任务信息;
S22:根据从历史数据中提取的算力任务信息,将所有待分配的算力任务按优先级进行排序,对于每个按优先级排序的算力任务,评估其与各个可用算力节点之间的网络延迟,将按优先级排序的算力任务按照网络延迟从小到大的顺序进行算力节点匹配,从而将高优先级的任务分配到网络延迟最小的算力节点;
S23:对于每个分配的算力任务,获取其在对应算力节点上的预计完成时间;
S24:结合各算力任务的分配情况和预计完成时间,生成每个算力节点在工作日和休息日中不同时间点的预测使用率信息;
S25:整理各算力节点在不同时间点的预测使用率信息的数据格式,并将其作为预测模型的输入数据,所述预测模型为长短期记忆神经网络模型;所述预测模型的输入数据具体为:
;
其中,为时间点,/>为预测模型的输入向量,/>为在时间点/>上算力节点/>的预测使用率,/>,/>为算力节点的总数;/>为时间点/>的时间特征指示器,如设/>代表时间点/>的时间特征为工作日,/>代表时间点/>的时间特征为休息日;
S26:利用预测模型的输入数据训练预测模型;
S27:利用训练好的预测模型获取未来时间各算力节点的预测使用率;
进一步的,所述预测调整单元还包括更新单元,所述更新单元用于获取设定的更新周期内的具有时间特征的算力任务信息,并根据所述具有时间特征的算力任务信息获取更新周期内不同时间点的预测使用率信息,将历史数据和更新周期内不同时间点的预测使用率信息混合后输入预测模型中训练,从而更新预测模型;本实施例中,设定更新周期为一周;
所述实时调整单元通过以下步骤完成对调度决策的制定:
S131:将当前未分配的算力任务按优先级大小排序;
S132:计算当前优先级最高的算力任务与各算力节点之间的匹配指数:
;
其中,为优先级最高的算力任务,/>为某个算力节点,/>为算力任务/>与算力节点的匹配指数,/>为算力任务/>与算力节点/>的网络延迟,通过历史通信记录或预先的实验获取;/>为算力节点/>的负载平衡参数,/>为通过预测模型获取的当前时间算力节点/>的预测使用率;
S133:将上一步骤中的算力任务分解为多个子任务,并按匹配指数由小到大分配给对应的算力节点;在所述的分配过程中,当时,其中/>为算力节点/>的当前使用率,通过监控模块对各算力节点的实时监测获取;/>为***中所有已使用算力节点的平均使用率;停止对该算力节点的任务分配,并对下一匹配指数对应的算力节点进行任务分配;
S134:依次对剩余未分配的算力任务按优先级高低执行S132~ S133步骤,直至所有的算力任务都被分配完为止;
进一步的,所述算力节点的负载平衡参数/>满足:
;
如图2所示,本实施例提供一种基于AIGC的分布式算力调度方法,应用于一种基于AIGC的算力调度***,所述方法包括以下步骤:
S11:将可用的分布式算力节点注册至***中,并实时更新同步***中所有算力节点的状态信息;
S12:获取包含有完成优先级的算力任务信息,并将算力任务分解为可由算力节点执行的最小子任务;
S13:结合算力节点的历史数据和实时数据对各算力节点上各算力任务进行分配;
S14:监控算力节点的任务执行情况,包括各算力节点的使用率、各算力任务的完成度和各算力任务的预测完成时间;
S15:在算力任务执行完毕后,将任务的完成情况及相关详情通报给用户,包括任务的最终状态以及实际完成时间等信息。
以上所公开的内容仅为本发明的优选可行实施例,并非因此局限本发明的保护范围,所以凡是运用本发明说明书及附图内容所做的等效技术变化,均包含于本发明的保护范围内,此外,随着技术发展其中的元素可以更新的。
Claims (2)
1.一种基于AIGC的分布式算力调度***,其特征在于,所述***包括节点获取模块、任务管理模块、算力调度模块、监控模块和用户服务模块;
所述节点获取模块用于获取***内可用的分布式算力节点;所述任务管理模块用于获取算力任务信息,并将算力任务分解为多个子任务以便执行;所述算力调度模块用于结合算力节点的历史数据和实时数据完成对各算力节点的算力任务分配;所述监控模块用于监控算力节点的任务执行情况;所述用户服务模块用于提供用户界面完成用户与***之间的信息交互;
所述节点获取模块包括节点注册单元和节点状态同步单元;所述节点注册单元用于将可用的分布式算力节点注册至***中以供调度,所述节点状态同步单元用于对***中所有的算力节点状态实时更新同步;
所述任务管理模块获取的算力任务信息为包含有完成优先级的算力任务,所述算力任务分解的子任务为可通过算力节点执行的最小任务单元;
所述算力调度模块包括预测调整单元和实时调整单元;所述预测调整单元基于AIGC技术根据历史数据预测具有时间特征的各算力节点的预测使用率,所述实时调整单元基于预测调整单元的预测结果和计算任务的分布对各算力节点制定调度决策;
所述监控模块监控算力节点的任务执行情况具体包括各算力节点的使用率、各算力任务的完成度和各算力任务的预测完成时间;
所述预测调整单元获取历史数据中具有时间特征的算力任务信息,并通过结合算力任务与各算力节点之间延迟信息建立各算力节点具有时间特征的使用率信息,并根据所述各算力节点具有时间特征的使用率信息建立预测模型,通过预测模型获取未来时间具有时间特征的各算力节点的预测使用率;
所述实时调整单元通过以下步骤完成对调度决策的制定:
S131:将当前未分配的算力任务按优先级大小排序;
S132:计算当前优先级最高的算力任务与各算力节点之间的匹配指数:
;
其中,为优先级最高的算力任务,/>为某个算力节点,/>为算力任务/>与算力节点/>的匹配指数,/>为算力任务/>与算力节点/>的网络延迟,通过历史通信记录或预先的实验获取;为算力节点/>的负载平衡参数,/>为通过预测模型获取的当前时间算力节点/>的预测使用率;
S133:将上一步骤中的算力任务分解为多个子任务,并按匹配指数由小到大分配给对应的算力节点;在所述的分配过程中,当时,其中/>为算力节点/>的当前使用率,通过监控模块对各算力节点的实时监测获取;/>为***中所有已使用算力节点的平均使用率;停止对该算力节点的任务分配,并对下一匹配指数对应的算力节点进行任务分配;
S134:依次对剩余未分配的算力任务按优先级高低执行S132~ S133步骤,直至所有的算力任务都被分配完为止。
2.根据权利要求1所述的一种基于AIGC的分布式算力调度***,其特征在于,所述算力节点的负载平衡参数/>满足:
。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311812192.1A CN117472549B (zh) | 2023-12-27 | 2023-12-27 | 一种基于aigc的分布式算力调度*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311812192.1A CN117472549B (zh) | 2023-12-27 | 2023-12-27 | 一种基于aigc的分布式算力调度*** |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117472549A CN117472549A (zh) | 2024-01-30 |
CN117472549B true CN117472549B (zh) | 2024-03-05 |
Family
ID=89639963
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311812192.1A Active CN117472549B (zh) | 2023-12-27 | 2023-12-27 | 一种基于aigc的分布式算力调度*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117472549B (zh) |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111949395A (zh) * | 2020-07-16 | 2020-11-17 | 广州玖的数码科技有限公司 | 基于区块链的共享算力数据处理方法、***及存储介质 |
CN112714164A (zh) * | 2020-12-22 | 2021-04-27 | 北京国电通网络技术有限公司 | 一种物联网***及其任务调度方法 |
CN114168313A (zh) * | 2021-09-02 | 2022-03-11 | 国网北京市电力公司 | 算力调度*** |
CN116974768A (zh) * | 2023-08-11 | 2023-10-31 | 浙江银盾云科技有限公司 | 一种基于深度学习的算力调度方法 |
-
2023
- 2023-12-27 CN CN202311812192.1A patent/CN117472549B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111949395A (zh) * | 2020-07-16 | 2020-11-17 | 广州玖的数码科技有限公司 | 基于区块链的共享算力数据处理方法、***及存储介质 |
CN112714164A (zh) * | 2020-12-22 | 2021-04-27 | 北京国电通网络技术有限公司 | 一种物联网***及其任务调度方法 |
CN114168313A (zh) * | 2021-09-02 | 2022-03-11 | 国网北京市电力公司 | 算力调度*** |
CN116974768A (zh) * | 2023-08-11 | 2023-10-31 | 浙江银盾云科技有限公司 | 一种基于深度学习的算力调度方法 |
Non-Patent Citations (1)
Title |
---|
艾欣 ; 王坤宇 ; 胡俊杰 ; 李柄樟 ; .基于交互能源机制的产消者群分布式调度方法研究.电网技术.2020,(05),全文. * |
Also Published As
Publication number | Publication date |
---|---|
CN117472549A (zh) | 2024-01-30 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Yuan et al. | Fine-grained resource provisioning and task scheduling for heterogeneous applications in distributed green clouds | |
US10474504B2 (en) | Distributed node intra-group task scheduling method and system | |
CN109992422A (zh) | 一种面向gpu资源的任务调度方法、装置和*** | |
CN110825510A (zh) | 任务驱动的多星协同任务分配方法及*** | |
CN109831524A (zh) | 一种负载均衡处理方法及装置 | |
CN113918314A (zh) | 任务处理方法、边缘计算设备、计算机设备、介质 | |
US11755379B2 (en) | Liaison system and method for cloud computing environment | |
CN115543624A (zh) | 异构算力编排调度方法、***、设备及存储介质 | |
CN116680070A (zh) | 基于混合流水线并行的边缘端协同深度神经网络训练方法 | |
CN114172814B (zh) | 一种意图驱动卫星网络资源管理三协模型构建方法及应用 | |
CN109936471A (zh) | 一种多集群的资源分配方法和装置 | |
CN117472549B (zh) | 一种基于aigc的分布式算力调度*** | |
CN116302581B (zh) | 一种新型智能配电终端及*** | |
CN117539619A (zh) | 基于云边融合的算力调度方法、***、设备和存储介质 | |
CN108770014B (zh) | 网络服务器的计算评估方法、***、装置及可读存储介质 | |
CN110290206A (zh) | 一种用于网吧环境的分布式计算***及方法 | |
CN109408230A (zh) | 基于能耗优化的Docker容器部署方法及*** | |
CN114035919A (zh) | 基于配电网分层分布特征的任务调度***及方法 | |
CN117472550B (zh) | 一种基于aigc的算力共享*** | |
CN117057538B (zh) | 一种基于模型的门店维修人员调度方法及*** | |
CN114546660B (zh) | 一种多无人机协作边缘计算方法 | |
CN115276762B (zh) | 卫星网络的连接方法、***、电子设备及存储介质 | |
CN113485718B (zh) | 面向边云协同***中的上下文感知AIoT应用程序部署方法 | |
Liqiong et al. | A drone-assisted method based on DPC clustering in MEC | |
Yu | Resource Management for Cost-Effective Cloud and Edge Systems |
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 |