CN102141935A - 一种基于双目标优化遗传算法的作业调度方法 - Google Patents

一种基于双目标优化遗传算法的作业调度方法 Download PDF

Info

Publication number
CN102141935A
CN102141935A CN2011100690319A CN201110069031A CN102141935A CN 102141935 A CN102141935 A CN 102141935A CN 2011100690319 A CN2011100690319 A CN 2011100690319A CN 201110069031 A CN201110069031 A CN 201110069031A CN 102141935 A CN102141935 A CN 102141935A
Authority
CN
China
Prior art keywords
energy consumption
job scheduling
node
individuality
individual
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
Application number
CN2011100690319A
Other languages
English (en)
Other versions
CN102141935B (zh
Inventor
刘瑞贤
张晋锋
李麟
孙一鸣
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Baotou City Cloud Computing Technology Co.,Ltd.
Original Assignee
Dawning Information Industry Beijing Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Dawning Information Industry Beijing Co Ltd filed Critical Dawning Information Industry Beijing Co Ltd
Priority to CN 201110069031 priority Critical patent/CN102141935B/zh
Publication of CN102141935A publication Critical patent/CN102141935A/zh
Application granted granted Critical
Publication of CN102141935B publication Critical patent/CN102141935B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Landscapes

  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明提供了一种基于双目标优化遗传算法的作业调度方法。生成初始种群，交叉，变异，评估，选择，遗传代数加一，在最后的种群中，对每个个体计算优先级函数h(x)，取h(x)最小的个体作为最终解，该个体对应的作业调度序列就是本算法的最后结果。

Description

一种基于双目标优化遗传算法的作业调度方法
技术领域
本发明涉及作业调度领域，特别涉及一种基于双目标优化遗传算法的作业调度方法。
背景技术
目前多数作业调度算法不考虑作业的能耗，导致完成作业的能耗过高。
随着近年来计算机机房数量大幅增加、规模不断扩大，计算机设备和辅助设施的能耗越来越高，已经成为数据中心机房管理中面临的主要问题之一，不仅给用户带来了沉重的成本压力，还对供电和散热提出了更高要求。降低作业能耗，对计算机机房尤其是高性能计算领域数据中心节能有重要意义。
作业调度序列的能耗与计算机节点的实时功耗有关，而计算机节点的实时功耗与负载有关。目前主流的计算机硬件和操作系统都支持多种节能模式，根据实时负载调整计算机的节能模式已经在多种操作系统或节能软件中实现。因此作业调度过程中改变作业的分布会影响作业的实时功耗。作业调度序列执行时间相同的情况下，实时功耗越低，能耗越低。
作业调度序列的能耗与作业序列的执行时间有关。同样的功耗下，作业序列的执行时间越长，能耗越高。
作业调度序列执行过程中，计算机节点的实时功耗与执行时间有相关性：降低计算机节点的实时功耗，一般需要延长执行时间，作业执行的总能耗不一定降低。缩短执行时间，一般需要计算机节点高负载运行，进而提高实时功耗，作业执行的总能耗会比较高。
作业调度是一个NP-hard问题，也是一个最优化问题，遗传算法是解这类问题的常用算法之一，效果较好。
发明内容
本发明的目的是克服目前作业调度算法不考虑作业执行能耗的缺点，同时考虑作业调度序列的执行时间和能耗，以时间短和能耗低为双目标，同时兼顾作业的优先级。
为了实现上述目的，本发明提供了一种基于双目标优化遗传算法的作业调度方法。
一种基于双目标优化遗传算法的作业调度方法，步骤如下：
A、生成初始种群：将一个作业调度序列编码为作业序列串，一个作业序列串就是一个个体，随机生成POPSIZE个个体，要保证所有个体都是可行解，所有个体组成一个种群；
B、交叉：种群中的每个偶数序号个体与其后相邻的个体作为一对，以交叉概率CROSS_P交换它们之间的部分染色体，交叉点随机；交叉操作后调整交叉后生成的个体，保证其有效性；
C、变异：每个个体的每一位都以变异概率MUTATE_P与另外一位交换；变异后调整新产生的个体；
D、评估：计算每个个体的两个目标函数，其一为f(x)，表示从第一个作业开始执行到最后一个作业完成的个体对应作业调度序列的总执行时间；其二为表示个体对应的作业调度序列的总能耗的g(x)；
E、选择：使D所述目标函数f和g较小的个体进入下一代；
F、遗传代数加一，若超过最大遗传代数MAX_GENARATION则执行G，继续循环，否则执行C；
G、在最后的种群中，对每个个体计算优先级函数h(x)，h(x)的计算方法为：对一个个体对应的作业调度序列，按先后顺序对每个作业x计算优先级低于x且在作业调度序列中排在x之前的作业个数count，个体的取h(x)最小的个体作为最终解，该个体对应的作业调度序列就是本算法的最后结果。
本发明的第一种优选技术方案在于：需要输入
节点信息：节点个数、节点资源信息、节点功耗信息；
作业信息：一次调度的作业个数n、每个作业需要的CPU核数、每个作业预计运行时间、每个作业的优先级；
遗传算法相关参数：种群大小POPSIZE、最大遗传代数MAX_GENARATION、交叉概率CROSS_P、变异概率MUTATE_P。
本发明的第二种优选技术方案在于：步骤D中g(x)的计算方法为：
D1、对每个作业x，对x占用的所有节点依次按照一定方法计算x在每个节点上的能耗；
D2、作业x在x占用的所有节点上的能耗之和就是作业x的能耗；
D3、所有作业的能耗之和，加上所有节点的空闲能耗就是作业调度序列的总能耗。
本发明的一种较优选技术方案在于：所述D1中一定方法是每个作业的能耗是该作业在它占用的所有节点上分摊的能耗总和；每个节点的功率由运行于其上的所有作业分摊，首先按照作业占用的CPU核数按比例划分，然后将空闲核的功率均分到所有作业上；作业与作业之间共享节点，伴随作业x的开始或结束，与作业x共享节点的作业的功率会产生变化；对繁忙节点按作业个数变化划分时间段，每个时间段内各个作业的功率就可以计算出来，作业在每个时间段内的能耗等于该时间段的时长与作业功率之积；作业在一个节点上各时间段的能耗之和就是作业在该节点的能耗。
本发明的第三种优选技术方案在于：所述E步骤中选择f和g较小的个体的方法为：
E1、对每个个体设三个变量value1，value2，value3，初始均为0；
E2、在种群中依次取个体i，对每个i执行E3；
E3、在种群中依次取个体j，若f(j)≥f(i)且g(j)≥f(i)，则j对应的value1值加一，若f(j)≥f(i)且g(j)＜f(i)则j对应的value2值加1，若f(j)＜f(i)且g(j)≥f(i)则j对应的value3值加1；
E4、完成E2后，取所有value1值为1的个体，重复若干次进入下一代种群；
E5、取若干value2最小的个体，再取若干value3最小的个体进入下一代种群，使下一代种群大小达到POPSIZE。
本发明的第四种优选技术方案在于：所述步骤B交叉，操作对象可以改为随机选择任意两个个体。
本发明的第五种优选技术方案在于：所述步骤D评估，计算g(x)可以改为以节点为对象，由每个节点在不同时间段的能耗累加得到单个节点能耗，再将所有节点的能耗累加得到作业调度序列的能耗g(x)。
本发明的第六种优选技术方案在于：所述步骤E选择，步骤⑦可将分母100根据实际情况调整，目的是使算法得到尽量好的结果，又能保证一定的随机性。
本发明的第七种优选技术方案在于：所述步骤E选择，步骤E5可以改变选择value2最小和value3最小的比例，相当于改变两个目标函数的权重。
本发明的第八种优选技术方案在于：所述步骤G确定最后结果，也可以有其他的选择方式，如按照作业平均响应时间最短的目标来选择。
本发明同时兼顾了作业调度序列的执行时间和能耗，以时间短和能耗低为双目标，还兼顾作业的优先级。
附图说明
以下，结合附图来详细说明本发明的实施例，其中：
图1为本发明的流程图；
具体实施方式
下面结合附图和具体实施方式对本发明的方法进行说明。
参考图1，本发明方法的具体实现步骤如下：
1)置遗传代数为0。
2)生成初始种群：将节点资源按固定顺序排列，每次随机产生一个作业序号并从节点资源中删去该作业占用的资源，每个作业出现且仅出现一次，将所有作业序号编码为作业序列串，随机生成POPSIZE个序列串，每个串是一个个体。
3)交叉：将个体编号，第一个个体编号为0，以后每个序号加1。从序号0开始，种群中的每个偶数序号个体与其后相邻的个体作为一对，以交叉概率CROSS_P交换它们之间的部分染色体，交叉点随机。交叉操作后调整交叉后生成的个体，保证每个作业出现且仅出现一次，以保证其有效性。
4)变异：每个个体的每一位都以变异概率MUTATE_P与另外一位交换。变异后调整序列串，保证每个作业出现且仅出现一次，以保证其有效性。
5)评估：计算每个个体的两个目标函数。其一为f(x)，表示个体对应的作业调度序列的总执行时间，即从第一个作业开始执行到最后一个作业完成之间的时间长度；其二为g(x)，表示个体对应的作业调度序列的总能耗，按照下列方法计算：
a.作业调度序列的总能耗包含两部分，一是完成作业序列消耗的能耗，二是从作业开始执行到所有作业完成时任意节点的空闲能耗。
b.每个作业的能耗是该作业在它占用的所有节点上分摊的能耗总和。
c.每个节点的功率由运行于其上的所有作业分摊，首先按照作业占用的CPU核数按比例划分，然后将空闲核的功率均分到所有作业上。作业与作业之间共享节点，伴随作业x的开始或结束，与作业x共享节点的作业的功率会产生变化。对繁忙节点按作业个数变化划分时间段，每个时间段内各个作业的功率就可以计算出来，作业在每个时间段内的能耗等于该时间段的时长与作业功率之积。作业在一个节点上各时间段的能耗之和就是作业在该节点的能耗。
计算作业调度序列的总能耗采用以下步骤：
①对每个作业x，对x占用的所有节点依次按照方法b计算其在每个节点上的能耗。
②作业x在x占用的所有节点上的能耗之和就是作业x的能耗。
③所有作业的能耗之和，加上所有节点的空闲能耗就是作业调度序列的总能耗。
6)选择：使5)所述目标函数f和g较小的个体进入下一代。按照下列步骤：
④对每个个体设三个变量value1，value2，value3，初始均为0。
⑤在种群中依次取个体i，对每个i执行步骤⑥。
⑥在种群中依次取个体j，若f(j)≥f(i)且g(j)≥f(i)，则j对应的value1值加一，若f(j)≥f(i)且g(j)＜f(i)则j对应的value2值加一，若f(j)＜f(i)且g(j)≥f(i)则j对应的value3值加一。
⑦完成⑤后，取所有value1值为1的个体，设其数量为size，原种群大小为oldSize，设整数n，若size不为0，令(n-1)*size＜oldSize/100且n*size＞oldSize/100，将value1值为1的个体重复n次进入下一代种群；若size为0，取oldSize/100个value1最小的个体进入下一代种群。
⑧下一代种群大小为newSize，取(oldSize-newSize)/2个value2最小的个体，再取(oldSize-newSize)-[(oldSize-newSize)/2]个value3最小的个体进入下一代种群。
7)遗传代数加一，若超过最大遗传代数MAX_GENARATION则执行8)，否则执行3)。
8)在最后的种群中，对每个个体计算优先级函数h(x)，h(x)的计算方法为：对一个个体对应的作业调度序列，按先后顺序对每个作业x计算优先级低于x且在作业调度序列中排在x之前的作业个数count，个体的取h(x)最小的个体作为最终解，该个体对应的作业调度序列就是本算法的最后结果。

Claims (10)

1.一种基于双目标优化遗传算法的作业调度方法，其特征在于：步骤如下：
A、生成初始种群：将一个作业调度序列编码为作业序列串，一个作业序列串就是一个个体，随机生成POPSIZE个个体，要保证所有个体都是可行解，所有个体组成一个种群；
B、交叉：种群中的每个偶数序号个体与其后相邻的个体作为一对，以交叉概率CROSS_P交换它们之间的部分染色体，交叉点随机；交叉操作后调整交叉后生成的个体，保证其有效性；
C、变异：每个个体的每一位都以变异概率MUTATE_P与另外一位交换；变异后调整新产生的个体；
D、评估：计算每个个体的两个目标函数，其一为f(x)，表示从第一个作业开始执行到最后一个作业完成的个体对应作业调度序列的总执行时间；其二为表示个体对应的作业调度序列的总能耗的g(x)；
E、选择：使D所述目标函数f和g较小的个体进入下一代；
F、遗传代数加一，若超过最大遗传代数MAX_GENARATION则执行G，继续循环，否则执行C；
G、在最后的种群中，对每个个体计算优先级函数h(x)，h(x)的计算方法为：对一个个体对应的作业调度序列，按先后顺序对每个作业x计算优先级低于x且在作业调度序列中排在x之前的作业个数count，个体的
Figure FDA0000051397270000011
取h(x)最小的个体作为最终解，该个体对应的作业调度序列就是本算法的最后结果。
2.如权利要求1所述一种基于双目标优化遗传算法的作业调度方法，其特征在于：需要输入
节点信息：节点个数、节点资源信息、节点功耗信息；
作业信息：一次调度的作业个数n、每个作业需要的CPU核数、每个作业预计运行时间、每个作业的优先级；
遗传算法相关参数：种群大小POPSIZE、最大遗传代数MAX_GENARATION、交叉概率CROSS_P、变异概率MUTATE_P。
3.如权利要求1所述一种基于双目标优化遗传算法的作业调度方法，其特征在于：步骤D中g(x)的计算方法为：
D1、对每个作业x，对x占用的所有节点依次按照一定方法计算x在每个节点上的能耗；
D2、作业x在x占用的所有节点上的能耗之和就是作业x的能耗；
D3、所有作业的能耗之和，加上所有节点的空闲能耗就是作业调度序列的总能耗。
4.如权利要求3所述一种基于双目标优化遗传算法的作业调度方法，其特征在于：所述D1中一定方法是每个作业的能耗是该作业在它占用的所有节点上分摊的能耗总和；每个节点的功率由运行于其上的所有作业分摊，首先按照作业占用的CPU核数按比例划分，然后将空闲核的功率均分到所有作业上；作业与作业之间共享节点，伴随作业x的开始或结束，与作业x共享节点的作业的功率会产生变化；对繁忙节点按作业个数变化划分时间段，每个时间段内各个作业的功率就可以计算出来，作业在每个时间段内的能耗等于该时间段的时长与作业功率之积；作业在一个节点上各时间段的能耗之和就是作业在该节点的能耗。
5.如权利要求1所述一种基于双目标优化遗传算法的作业调度方法，其特征在于：所述E步骤中选择f和g较小的个体的方法为：
E1、对每个个体设三个变量value1，value2，value3，初始均为0；
E2、在种群中依次取个体i，对每个i执行E3；
E3、在种群中依次取个体j，若f(j)≥f(i)且g(j)≥f(i)，则j对应的valuel值加一，若f(j)≥f(i)且g(j)＜f(i)则j对应的value2值加1，若f(j)＜f(i)且g(j)≥f(i)则j对应的value3值加1；
E4、完成E2后，取所有value1值为1的个体，重复若干次进入下一代种群；
E5、取若干value2最小的个体，再取若干value3最小的个体进入下一代种群，使下一代种群大小达到POPSIZE。
6.如权利要求1所述一种基于双目标优化遗传算法的作业调度方法，其特征在于：所述步骤B交叉，操作对象可以改为随机选择任意两个个体。
7.如权利要求1所述一种基于双目标优化遗传算法的作业调度方法，其特征在于：所述步骤D评估，计算g(x)可以改为以节点为对象，由每个节点在不同时间段的能耗累加得到单个节点能耗，再将所有节点的能耗累加得到作业调度序列的能耗g(x)。
8.如权利要求1所述一种基于双目标优化遗传算法的作业调度方法，其特征在于：所述步骤E选择，步骤⑦可将分母100根据实际情况调整，目的是使算法得到尽量好的结果，又能保证一定的随机性。
9.如权利要求1所述一种基于双目标优化遗传算法的作业调度方法，其特征在于：所述步骤E选择，步骤E5可以改变选择value2最小和value3最小的比例，相当于改变两个目标函数的权重。
10.如权利要求1所述一种基于双目标优化遗传算法的作业调度方法，其特征在于：所述步骤G确定最后结果，也可以有其他的选择方式，如按照作业平均响应时间最短的目标来选择。
CN 201110069031 2011-03-22 2011-03-22 一种基于双目标优化遗传算法的作业调度方法 Active CN102141935B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN 201110069031 CN102141935B (zh) 2011-03-22 2011-03-22 一种基于双目标优化遗传算法的作业调度方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN 201110069031 CN102141935B (zh) 2011-03-22 2011-03-22 一种基于双目标优化遗传算法的作业调度方法

Publications (2)

Publication Number Publication Date
CN102141935A true CN102141935A (zh) 2011-08-03
CN102141935B CN102141935B (zh) 2013-07-03

Family

ID=44409474

Family Applications (1)

Application Number Title Priority Date Filing Date
CN 201110069031 Active CN102141935B (zh) 2011-03-22 2011-03-22 一种基于双目标优化遗传算法的作业调度方法

Country Status (1)

Country Link
CN (1) CN102141935B (zh)

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102945510A (zh) * 2012-10-23 2013-02-27 西安理工大学 一种求解复杂资源受限项目调度问题的有效方法
CN106290579A (zh) * 2016-08-03 2017-01-04 华东交通大学 基于双目标遗传算法和非劣分层的超声无损检测探头分布优化
CN108920206A (zh) * 2018-06-13 2018-11-30 北京交通大学 一种插件调度方法及装置
CN109766189A (zh) * 2019-01-15 2019-05-17 北京地平线机器人技术研发有限公司 集群调度方法和装置
CN113157423A (zh) * 2021-04-29 2021-07-23 中国工商银行股份有限公司 一种作业调度方法、装置及设备
CN113157423B (zh) * 2021-04-29 2024-07-12 中国工商银行股份有限公司 一种作业调度方法、装置及设备

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN1422964A (zh) * 2002-12-13 2003-06-11 大连理工大学 罩式炉退火生产优化排产方法
CN101539800A (zh) * 2009-05-05 2009-09-23 曙光信息产业(北京)有限公司 一种低功耗作业调度计算方法
CN101694631A (zh) * 2009-09-30 2010-04-14 曙光信息产业(北京)有限公司 实时作业调度系统及方法

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN1422964A (zh) * 2002-12-13 2003-06-11 大连理工大学 罩式炉退火生产优化排产方法
CN101539800A (zh) * 2009-05-05 2009-09-23 曙光信息产业(北京)有限公司 一种低功耗作业调度计算方法
CN101694631A (zh) * 2009-09-30 2010-04-14 曙光信息产业(北京)有限公司 实时作业调度系统及方法

Cited By (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102945510A (zh) * 2012-10-23 2013-02-27 西安理工大学 一种求解复杂资源受限项目调度问题的有效方法
CN102945510B (zh) * 2012-10-23 2016-08-10 西安理工大学 一种求解复杂资源受限项目调度问题的有效方法
CN106290579A (zh) * 2016-08-03 2017-01-04 华东交通大学 基于双目标遗传算法和非劣分层的超声无损检测探头分布优化
CN108920206A (zh) * 2018-06-13 2018-11-30 北京交通大学 一种插件调度方法及装置
CN109766189A (zh) * 2019-01-15 2019-05-17 北京地平线机器人技术研发有限公司 集群调度方法和装置
CN113157423A (zh) * 2021-04-29 2021-07-23 中国工商银行股份有限公司 一种作业调度方法、装置及设备
CN113157423B (zh) * 2021-04-29 2024-07-12 中国工商银行股份有限公司 一种作业调度方法、装置及设备

Also Published As

Publication number Publication date
CN102141935B (zh) 2013-07-03

Similar Documents

Publication Publication Date Title
Niu et al. A parallel multi-objective particle swarm optimization for cascade hydropower reservoir operation in southwest China
Wang et al. A tensor computation and optimization model for cyber-physical-social big data
CN104283946B (zh) 一种单物理机下多虚拟机的资源自适应调整系统及方法
Chen et al. Multi-objective reservoir operation using particle swarm optimization with adaptive random inertia weights
CN104618269B (zh) 基于能耗要求的云系统利用率最大化资源分配方法
Yang et al. A novel strategy of pareto-optimal solution searching in multi-objective particle swarm optimization (MOPSO)
Feng et al. Scheduling of short-term hydrothermal energy system by parallel multi-objective differential evolution
CN102141935B (zh) 一种基于双目标优化遗传算法的作业调度方法
Abdelhak et al. Energy-balancing task allocation on wireless sensor networks for extending the lifetime
CN105550033A (zh) 私有云环境下基于遗传禁忌混合算法的资源调度策略方法
JP7395605B2 (ja) 機械学習および処理された訓練データを用いた非侵入型負荷監視
Li et al. An effective scheduling strategy based on hypergraph partition in geographically distributed datacenters
CN103677960A (zh) 一种能耗约束的虚拟机博弈重放置方法
Wen et al. Forecasting the annual household electricity consumption of Chinese residents using the DPSO-BP prediction model
Xie et al. Integration of intermittent resources with price-responsive loads
CN104536831A (zh) 一种基于多目标优化的多核SoC软件映射方法
Fatehi et al. Energy aware multi objective algorithm for task scheduling on DVFS-enabled cloud datacenters using fuzzy NSGA-II
Bhatt et al. Review Paper on PSO in workflow scheduling and Cloud Model enhancing Search mechanism in Cloud Computing
Zhang et al. A dynamic placement policy of virtual machine based on MOGA in cloud environment
Tong et al. Energy and performance-efficient dynamic consolidate vms using deep-q neural network
Yu [Retracted] Research on Optimization Strategy of Task Scheduling Software Based on Genetic Algorithm in Cloud Computing Environment
Jin et al. Scheduling strategy based on genetic algorithm for cloud computer energy optimization
Jayasena et al. Multi-objective energy efficient resource allocation using virus colony search (VCS) algorithm
CN107733846A (zh) 一种分配用户权限的方法及装置
Xu et al. An improved artificial bee colony algorithm for cloud computing service composition

Legal Events

Date Code Title Description
C06 Publication
PB01 Publication
C10 Entry into substantive examination
SE01 Entry into force of request for substantive examination
C14 Grant of patent or utility model
GR01 Patent grant
ASS Succession or assignment of patent right

Owner name: BAOTOU SUPER CLOUD COMPUTING CO., LTD.

Free format text: FORMER OWNER: SHUGUANG INFORMATION INDUSTRIAL (BEIJING) CO., LTD.

Effective date: 20140806

C41 Transfer of patent application or patent right or utility model
COR Change of bibliographic data

Free format text: CORRECT: ADDRESS; FROM: 100084 HAIDIAN, BEIJING TO: 014000 BAOTOU, INNER MONGOLIA AUTONOMOUS REGION

TR01 Transfer of patent right

Effective date of registration: 20140806

Address after: 014000 equipment manufacturing industry zone, the Inner Mongolia Autonomous Region, Baotou

Patentee after: Baotou super cloud computing Co., Ltd.

Address before: 100084 Beijing Haidian District City Mill Street No. 64

Patentee before: Dawning Information Industry (Beijing) Co., Ltd.

CP03 Change of name, title or address

Address after: 014031 No. 8, Qingshan Road, Xinjian District, Qingshan District, Baotou City, Inner Mongolia Autonomous Region

Patentee after: Baotou City Cloud Computing Technology Co.,Ltd.

Address before: 014000 Baotou equipment manufacturing industrial park, Inner Mongolia

Patentee before: Baotou super cloud computing Co.,Ltd.

CP03 Change of name, title or address