申请/专利权人：维能(深圳)大数据技术有限公司

申请日：2024-04-25

公开（公告）日：2024-06-25

公开（公告）号：CN118069380B

主分类号：G06F9/50

分类号：G06F9/50;G06F9/48;G06F9/455;G06F18/2135;G06F18/23

优先权：

专利状态码：有效-授权

法律状态：2024.06.25#授权;2024.06.11#实质审查的生效;2024.05.24#公开

摘要：本申请公开了一种算力资源处理方法，涉及计算机领域，包括：获取算力资源数据并更新到资源状态数据库中；利用资源状态数据库中的历史状态数据，构建预测模型，预测空闲时间段；利用聚类算法对算力资源进行分类，为每种算力资源标记对应的任务类型；通过分析历史状态数据的任务，预测不同任务类型的算力资源需求；在对任务进行调度之前，生成任务依赖图；通过时间片轮转的方式，为每个任务分配所需的算力资源和执行时间片；将时间片轮转调度结果作为遗传算法的初始解，根据资源状态数据库中的当前状态数据和预测模型的预测数据，调整资源分配方案和资源池大小。针对现有技术中算力资源利用率不均衡的问题，本申请提高了任务调度的均衡率。

主权项：1.一种算力资源处理方法，包括：获取算力资源数据，算力资源数据包含CPU使用率、温度和功耗；将获取的算力资源数据更新到资源状态数据库中；资源状态数据库中存储每个算力资源的当前状态数据和历史状态数据；历史状态数据包含过去一段时间内的CPU使用率、温度和功耗；利用资源状态数据库中的历史状态数据，通过时间序列分析的方法构建预测模型，预测模型预测未来一段时间内算力资源的空闲时间段；获取算力资源的指令集数据，利用聚类算法对算力资源进行分类，为每种算力资源标记对应的任务类型；通过分析历史状态数据的任务，预测不同任务类型在未来一段时间内的算力资源需求；其中，任务类型包含整型运算任务、浮点运算任务和混合精度运算任务；在对任务进行调度之前，获取任务之间的依赖关系数据，根据依赖关系数据生成任务依赖图；根据获得的算力资源空闲时间段预测结果、获得的不同任务类型的算力资源需求预测结果和生成的任务依赖图，通过时间片轮转的方式，为每个任务分配所需的算力资源和执行时间片；将时间片轮转调度结果作为遗传算法的初始解，根据资源状态数据库中的当前状态数据和预测模型的预测数据，通过遗传算法的选择、交叉和变异操作，调整资源分配方案和资源池大小，得到调整后的资源分配方案；构建预测模型，包括：将资源状态数据库中的历史状态数据按照预设的时间序列频率划分为多个时间段，频率包含每天、每周或每月；对划分后的每个时间段内的历史状态数据进行计算，得到各时间段的平均值，将各时间段的平均值按时间先后顺序组成平均值序列，作为历史状态数据的趋势项数据；将历史状态数据减去对应时间段的趋势项数据，得到去除趋势项后的历史状态数据；对去除趋势项后的历史状态数据按照时间序列频率进行分组，计算每组内数据的均值，得到反映数据季节性规律的季节性因子数据；将去除趋势项后的历史状态数据减去对应时间段的季节性因子数据，得到剔除趋势项和季节性因子后的残差项数据；对得到的趋势项数据、季节性因子数据和残差项数据分别进行幂变换，将非线性关系转化为线性关系，得到预处理后的趋势项数据、季节性因子数据和残差项数据，将预处理后的数据作为模型训练的输入特征数据；预测不同任务类型在未来一段时间内的算力资源需求，包括：从资源状态数据库中获取各个算力资源的特征数据，特征数据包含算力资源的指令集；将获取的特征数据输入聚类算法中；计算每个特征的方差，剔除方差大于预设阈值的特征，得到特征选择后的特征子集；采用主成分分析法将特征子集进行正交变换，得到若干个线性无关的主成分，计算每个主成分的方差贡献率，选择前A个方差贡献率对应的主成分作为提取后的特征数据，以对特征子集进行降维处理；利用降维处理后的特征数据，通过k-means聚类算法对算力资源进行聚类，根据聚类结果将算力资源划分为若干个类别；对聚类得到的每个算力资源类别，统计各类别的算力资源执行各任务类型的历史数据，通过机器学习算法，建立算力资源类别与各任务类型的算力需求的映射模型，预测不同类别的算力资源执行不同任务类型的算力需求预测。

全文数据：

权利要求：

百度查询： 维能(深圳)大数据技术有限公司 一种算力资源处理方法

免责声明
1、本报告根据公开、合法渠道获得相关数据和信息，力求客观、公正，但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解，仅供参考使用，不能作为本公司承担任何法律责任的依据或者凭证。

阅读全文 双屏查看 官方信息 专利公告 收藏专利 下载PDF 下载WORD