CN103399799B - 云操作系统中计算物理资源节点负载评价的方法及装置 - Google Patents
云操作系统中计算物理资源节点负载评价的方法及装置 Download PDFInfo
- Publication number
- CN103399799B CN103399799B CN201310325973.8A CN201310325973A CN103399799B CN 103399799 B CN103399799 B CN 103399799B CN 201310325973 A CN201310325973 A CN 201310325973A CN 103399799 B CN103399799 B CN 103399799B
- Authority
- CN
- China
- Prior art keywords
- load
- resource
- model
- node
- characteristic vector
- 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
- 238000011156 evaluation Methods 0.000 title claims abstract description 31
- 238000013499 data model Methods 0.000 claims abstract description 54
- 239000013598 vector Substances 0.000 claims abstract description 38
- 238000000034 method Methods 0.000 claims abstract description 17
- 238000004364 calculation method Methods 0.000 claims abstract description 14
- 239000011159 matrix material Substances 0.000 claims description 12
- 230000017105 transposition Effects 0.000 claims description 10
- 230000008859 change Effects 0.000 abstract description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 230000002068 genetic effect Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 239000011800 void material Substances 0.000 description 1
Landscapes
- Debugging And Monitoring (AREA)
Abstract
本发明公开了一种操作系统中计算物理资源节点负载评价的方法及装置,其中,所述方法包括:建立至少两组计算物理资源节点负载的数据模型,所述数据模型中的每个特征向量包括资源负载类型及其加权系数,所述资源负载类型包括处理器、内寸、带宽和/或磁盘;选择至少两组数据模型,根据所述两组数据模型中的特征向量计算马氏距离,按照计算结果给出当前物理资源节点的负载评价。本发明的方法和装置综合考虑了物理资源节点上各种负载的影响,通过改变加权因子动态调整关键负载分量对于负载评价的影响,并且通过对负载的评价,可以定位负载最优的虚拟资源宿主机,进而保证云操作系统的可用性和稳定性。
Description
技术领域
本发明涉及通信领域,具体涉及一种云操作系统中计算物理资源节点负载评价的方法及装置。
背景技术
当前,云计算逐渐被行业认可,云数据中心操作系统逐渐实现并付诸于实践。在云数据中心操作系统中,计算物理资源节点的选择以及物理资源节点负载评价尤为重要,它直接关系着系统的可用性。
目前,大多数同类系统调度算法中,在获取物理机(物理资源节点)负载时,通常的做法是优先考虑内存的影响,其次再考虑cpu、带宽等负载的影响,这样的做法并没有综合考虑计算物理资源节点各种负载,并且没有分析不同负载对物理机的影响,故现有的评价算法并不完善,给云数据中心操作系统的可用性和稳定性带来了隐患。
发明内容
本发明需要解决的技术问题是提供一种操作系统中计算物理资源节点负载评价的方法及装置,保证云操作系统的可用性和稳定性。
为了解决上述技术问题,本发明提供了一种计算云操作系统中物理资源节点的负载评价的方法,包括:
建立至少两组计算物理资源节点负载的数据模型,所述数据模型中的每个特征向量包括资源负载类型及其加权系数,所述资源负载类型包括处理器、内寸、带宽和/或磁盘;
选择至少两组数据模型,根据所述两组数据模型中的特征向量计算马氏距离,按照计算结果给出当前物理资源节点的负载评价。
优选地,所述方法包括:
建立两组计算当前物理资源节点负载的数据模型,所述数据模型包括:资源负载的总容量模型和资源负载的使用量模型;
根据资源负载的总容量模型的特征向量和资源负载的使用量模型的特征向量计算马氏距离,按照计算结果给出当前物理资源节点负载评价。
优选地,所述资源负载的总容量模型为:{a1*CC,a2*MC,a3*NC,a4*DC},其中,a1、a2、a3、a4代表加权系数,a1+a2+a3+a4=1;CC代表处理器总容量,MC代表内存总大小,NC代表总带宽,DC代表磁盘总容量;
所述资源负载的使用量模型为:{a1*CU,a2*MU,a3*NU,a4*DU},其中,a1、a2、a3、a4代表加权系数,a1+a2+a3+a4=1;CU代表处理器过去一段时间平均已用量,MU代表内存过去一段时间平均已用大小,NU代表过去一段时间平均已用带宽,DU代表磁盘过去一段时间平均已用容量;
按照以下公式根据所述数据模型中的特征向量计算马氏距离,具体包括:
其中,dij为马氏距离,用来度量物理资源节点的可用程度,i,j为正整数,T表示转置,-1表示矩阵的转置,xi和yj分别为两个数据模型中第i个和第j个特征向量,S为样本协方差矩阵。
优选地,所述按照计算结果给出当前物理资源节点负载评价,包括:
所述马氏距离的值越大,则该当前物理资源节点的负载越小,该物理资源节点的可用度越高。
优选地,所述加权系数根据业务需要设定,或者根据算法动态调整。
为了解决上述技术问题,本发明还提供了一种云操作系统中计算物理资源节点负载评价的装置,包括:
模型建立模块,用于建立至少两组计算物理资源节点负载的数据模型,所述数据模型中的每个特征向量包括资源负载类型及其加权系数,所述资源负载类型包括处理器、内寸、带宽和/或磁盘;
计算模块,用于选择至少两组数据模型,根据所述两组数据模型中的特征向量计算马氏距离;
负载评价模块,用于按照计算结果给出当前物理资源节点的负载评价。
优选地,所述模型建立模块,用于建立两组计算当前物理资源节点负载的数据模型,所述数据模型包括:资源负载的总容量模型和资源负载的使用量模型;
所述计算模块,用于根据资源负载的总容量模型的特征向量和资源负载的使用量模型的特征向量计算马氏距离。
优选地,所述资源负载的总容量模型为:{a1*CC,a2*MC,a3*NC,a4*DC},其中,a1、a2、a3、a4代表加权系数,a1+a2+a3+a4=1;CC代表处理器总容量,MC代表内存总大小,NC代表总带宽,DC代表磁盘总容量;
所述资源负载的使用量模型为:{a1*CU,a2*MU,a3*NU,a4*DU},其中,a1、a2、a3、a4代表加权系数,a1+a2+a3+a4=1;CU代表处理器过去一段时间平均已用量,MU代表内存过去一段时间平均已用大小,NU代表过去一段时间平均已用带宽,DU代表磁盘过去一段时间平均已用容量;
所述计算模块,用于按照以下公式根据所述数据模型中的特征向量计算马氏距离,具体包括:
其中,dij为马氏距离,用来度量物理资源节点的可用程度,T表示转置,-1表示矩阵的转置,xi和yj分别为两个数据模型中第i个和第j个特征向量,S为样本协方差矩阵。
优选地,所述负载评价模块,用于按照计算结果给出当前物理资源节点的负载评价,包括:
所述马氏距离的值越大,则该当前物理资源节点的负载越小,该物理资源节点的可用度越高。
优选地,所述加权系数根据业务需要设定,或者根据算法动态调整。
与现有技术相比,本发明提供的操作系统中计算物理资源节点负载评价的方法及装置,综合考虑了物理资源节点上各种负载的影响,通过改变加权因子动态调整关键负载分量对于负载评价的影响,并且通过对负载的评价,可以定位负载最优的虚拟资源宿主机,进而保证云操作系统的可用性和稳定性。
附图说明
图1是实施例中云操作系统中计算物理资源节点负载评价的方法流程图;
图2是实施例中云操作系统中计算物理资源节点负载评价的方法流程图;
图3是实施例中云操作系统中计算物理资源节点负载评价的装置的结构图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚明白,下文中将结合附图对本发明的实施例进行详细说明。需要说明的是,在不冲突的情况下,本申请中的实施例及实施例中的特征可以相互任意组合。
实施例:
如图1所示,本实施例提供了一种云操作系统中计算物理资源节点负载评价的方法,包括以下步骤:
S101:建立至少两组计算物理资源节点负载的数据模型,所述数据模型中的每个特征向量包括资源负载类型及其加权系数;
所述资源负载类型包括处理器、内寸、带宽和/或磁盘;本实施例并不排斥其他资源负载类型,比如I/O利用率等,通过建立包含各种资源负载的数据模型,来综合考虑各种负载对物理资源节点的影响。
S102:选择至少两组数据模型,根据两组数据模型中的特征向量计算马氏距离;
S103:按照计算结果给出当前物理资源节点的负载评价。
在一个优选实施例中,如图2所示,本实施例的方法具体包括以下步骤:
S201:建立两组计算当前物理资源节点负载的数据模型,这两组数据模型分别是:资源负载的总容量模型和资源负载的使用量模型;
优选地,所述资源负载的总容量模型为:{a1*CC,a2*MC,a3*NC,a4*DC},其中,a1、a2、a3、a4代表加权系数,a1+a2+a3+a4=1;CC代表处理器总容量,MC代表内存总大小,NC代表总带宽,DC代表磁盘总容量;
优选地,所述资源负载的使用量模型为:{a1*CU,a2*MU,a3*NU,a4*DU},其中,a1、a2、a3、a4代表加权系数,a1+a2+a3+a4=1;CU代表处理器过去一段时间平均已用量,MU代表内存过去一段时间平均已用大小,NU代表过去一段时间平均已用带宽,DU代表磁盘过去一段时间平均已用容量。
由于处理器等负载在一段时间内的使用量变化很大,因此,将数据模型中的负载值取过去一段时间使用量的平均值,内存、带宽、磁盘等负载也同样取了使用量的平均值。
当然,在具体实施时并不限于以上两种数据模型,还可以建立其他数据模型对物理资源节点的负载进行评价。
其中,所述加权系数可以根据业务需要由管理员设定,比如对于内存能力较小的物理机(相对于CPU能力、网络带宽能力等),可以增加内存的加权系数;例如,可以同时调整资源负载的总容量模型和资源负载的使用量模型中内存的加权系数a1;也可以通过一定的算法去动态调整:比如遗传算法等,通过动态调整加权系数,进而动态调整关键负载分量对于负载评价的影响。
S202:根据资源负载的总容量模型的特征向量和资源负载的使用量模型的特征向量计算马氏距离;
其中,可以利用下面的公式根据资源负载的总容量模型和资源负载的使用量模型中的特征向量计算马氏距离:
其中,dij为马氏距离,用来度量物理资源节点的可用程度,T表示转置,-1表示矩阵的转置,xi和yj分别为两个数据模型中第i个和第j个特征向量,S为样本协方差矩阵。
这里,xi代表物理资源节点总容量特征向量,yj代表物理节点已用容量特征向量(这里的已用容量,可以是过去某段时间负载的均值,这样一定程度可以去除噪声),dij的数值,表明物理资源可用容量大小的一个评价值。dij越大,说明物理资源可用容量较大,反之,说明物理资源可用容量较小。
其中,已用容量和总容量模型中的加权值是对应的。例如,资源负载的总容量模型中处理器总容量CC的加权系数与资源负载的使用量模型中处理器过去一段时间平均已用量CU的加权系数均设为a1,对于物理资源的CPU负载要求较为敏感,则CPU的权值可以相应较大,例如设为0.8。
在利用上述公式计算马氏距离以评价物理资源节点的负载时,例如,过去1分钟内,统计的物理资源节点M负载(CPU、内存、带宽和磁盘)为[0.90,0.75,0.30,0.50]T,加权系数分别为0.8,0.6,0.5,0.3,则对应公式中,已用容量:xj为[0.72,0.45,0.15,0.15]T,总容量:xi为[0.8,0.6,0.5,0.3]T,则S为[xj,xj]组成的矩阵的协方差矩阵,带入公式,求出dij,dij为一个数值,表示可用容量的大小。
S203:按照计算结果给出当前物理资源节点负载评价。
所述马氏距离dij的值越大,则该当前物理资源节点的负载越小,说明该物理资源节点的可用度越高,负载值越小说明越适合虚拟机运行,即通过对负载的评价,可以确定虚拟机运行的宿主机(物理机)。
如图3所示,本实施例还提供了一种云操作系统中计算物理资源节点负载评价的装置,包括:
模型建立模块,用于建立至少两组计算资源的数据模型,所述数据模型中的每个特征向量包括资源负载及其权重,所述资源负载包括处理器、内寸、带宽和/或磁盘等;
计算模块,用于选择至少两组数据模型,根据所述数据模型中的特征向量计算马氏距离;
负载评价模块,用于按照计算结果大小,给出当前计算资源的总体负载评价。
在一个应用示例中,所述模型建立模块,用于建立两组计算当前物理资源节点负载的数据模型,所述数据模型包括:资源负载的总容量模型和资源负载的使用量模型;
所述计算模块,用于根据资源负载的总容量模型的特征向量和资源负载的使用量模型的特征向量计算马氏距离。
其中,所述资源负载的总容量模型为:{a1*CC,a2*MC,a3*NC,a4*DC},其中,a1、a2、a3、a4代表加权系数,a1+a2+a3+a4=1;CC代表处理器总容量,MC代表内存总大小,NC代表总带宽,DC代表磁盘总容量;
所述资源负载的使用量模型为:{a1*CU,a2*MU,a3*NU,a4*DU},其中,a1、a2、a3、a4代表加权系数,a1+a2+a3+a4=1;CU代表处理器过去一段时间平均已用量,MU代表内存过去一段时间平均已用大小,NU代表过去一段时间平均已用带宽,DU代表磁盘过去一段时间平均已用容量;
所述计算模块,用于按照以下公式根据所述数据模型中的特征向量计算马氏距离,具体包括:
其中,dij为马氏距离,用来度量物理资源节点的可用程度,T表示转置,-1表示矩阵的转置,xi和yj分别为两个数据模型中第i个和第j个特征向量,S为样本协方差矩阵。
其中,所述负载评价模块,用于按照计算结果给出当前物理资源节点的负载评价,包括:
所述马氏距离的值越大,则该当前物理资源节点的负载越小,该物理资源节点的可用度越高。
所述加权系数根据业务需要设定,或者根据算法动态调整。
从上述实施例可以看出,相对于现有技术,上述实施例中提供的云操作系统中计算物理资源节点负载评价的方法及装置,通过建立数据模型综合考虑了物理资源节点上各种负载的影响,通过改变加权因子动态调整关键负载分量对于负载评价的影响,并且通过对负载的评价,可以定位负载最优的虚拟资源宿主机,进而保证云操作系统的可用性和稳定性。
本领域普通技术人员可以理解上述方法中的全部或部分步骤可通过程序来指令相关硬件完成,所述程序可以存储于计算机可读存储介质中,如只读存储器、磁盘或光盘等。可选地,上述实施例的全部或部分步骤也可以使用一个或多个集成电路来实现。相应地,上述实施例中的各模块/单元可以采用硬件的形式实现,也可以采用软件功能模块的形式实现。本发明不限制于任何特定形式的硬件和软件的结合。
以上所述仅为本发明的优选实施例而已,并非用于限定本发明的保护范围。根据本发明的发明内容,还可有其他多种实施例,在不背离本发明精神及其实质的情况下,熟悉本领域的技术人员当可根据本发明作出各种相应的改变和变形,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,均应包含在本发明的保护范围之内。
Claims (6)
1.一种计算云操作系统中物理资源节点的负载评价的方法,包括:
建立至少两组计算物理资源节点负载的数据模型,所述数据模型中的每个特征向量包括资源负载类型及其加权系数,所述资源负载类型包括处理器、内寸、带宽和/或磁盘;
选择至少两组数据模型,根据所述两组数据模型中的特征向量计算马氏距离,按照计算结果给出当前物理资源节点的负载评价;
建立两组计算当前物理资源节点负载的数据模型,所述数据模型包括:资源负载的总容量模型和资源负载的使用量模型;
根据资源负载的总容量模型的特征向量和资源负载的使用量模型的特征向量计算马氏距离,按照计算结果给出当前物理资源节点负载评价;
所述资源负载的总容量模型为:{a1*CC,a2*MC,a3*NC,a4*DC},其中,a1、a2、a3、a4代表加权系数,a1+a2+a3+a4=1;CC代表处理器总容量,MC代表内存总大小,NC代表总带宽,DC代表磁盘总容量;
所述资源负载的使用量模型为:{a1*CU,a2*MU,a3*NU,a4*DU},其中,a1、a2、a3、a4代表加权系数,a1+a2+a3+a4=1;CU代表处理器过去一段时间平均已用量,MU代表内存过去一段时间平均已用大小,NU代表过去一段时间平均已用带宽,DU代表磁盘过去一段时间平均已用容量;
按照以下公式根据所述数据模型中的特征向量计算马氏距离,具体包括:
其中,dij为马氏距离,用来度量物理资源节点的可用程度,i,j为正整数,T表示转置,-1表示矩阵的转置,xi和yj分别为两个数据模型中第i个和第j个特征向量,S为样本协方差矩阵。
2.如权利要求1所述的方法,其特征在于:
所述按照计算结果给出当前物理资源节点负载评价,包括:
所述马氏距离的值越大,则该当前物理资源节点的负载越小,该物理资源节点的可用度越高。
3.如权利要求1所述的方法,其特征在于:
所述加权系数根据业务需要设定,或者根据算法动态调整。
4.一种云操作系统中计算物理资源节点负载评价的装置,包括:
模型建立模块,用于建立至少两组计算物理资源节点负载的数据模型,所述数据模型中的每个特征向量包括资源负载类型及其加权系数,所述资源负载类型包括处理器、内寸、带宽和/或磁盘;
计算模块,用于选择至少两组数据模型,根据所述两组数据模型中的特征向量计算马氏距离;
负载评价模块,用于按照计算结果给出当前物理资源节点的负载评价;
所述模型建立模块,用于建立两组计算当前物理资源节点负载的数据模型,所述数据模型包括:资源负载的总容量模型和资源负载的使用量模型;
所述计算模块,用于根据资源负载的总容量模型的特征向量和资源负载的使用量模型的特征向量计算马氏距离;
所述资源负载的总容量模型为:{a1*CC,a2*MC,a3*NC,a4*DC},其中,a1、a2、a3、a4代表加权系数,a1+a2+a3+a4=1;CC代表处理器总容量,MC代表内存总大小,NC代表总带宽,DC代表磁盘总容量;
所述资源负载的使用量模型为:{a1*CU,a2*MU,a3*NU,a4*DU},其中,a1、a2、a3、a4代表加权系数,a1+a2+a3+a4=1;CU代表处理器过去一段时间平均已用量,MU代表内存过去一段时间平均已用大小,NU代表过去一段时间平均已用带宽,DU代表磁盘过去一段时间平均已用容量;
所述计算模块,用于按照以下公式根据所述数据模型中的特征向量计算马氏距离,具体包括:
其中,dij为马氏距离,用来度量物理资源节点的可用程度,T表示转置,-1表示矩阵的转置,xi和yj分别为两个数据模型中第i个和第j个特征向量,S为样本协方差矩阵。
5.如权利要求4所述的装置,其特征在于:
所述负载评价模块,用于按照计算结果给出当前物理资源节点的负载评价,包括:
所述马氏距离的值越大,则该当前物理资源节点的负载越小,该物理资源节点的可用度越高。
6.如权利要求4所述的装置,其特征在于:
所述加权系数根据业务需要设定,或者根据算法动态调整。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201310325973.8A CN103399799B (zh) | 2013-07-30 | 2013-07-30 | 云操作系统中计算物理资源节点负载评价的方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201310325973.8A CN103399799B (zh) | 2013-07-30 | 2013-07-30 | 云操作系统中计算物理资源节点负载评价的方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN103399799A CN103399799A (zh) | 2013-11-20 |
CN103399799B true CN103399799B (zh) | 2017-02-22 |
Family
ID=49563432
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201310325973.8A Active CN103399799B (zh) | 2013-07-30 | 2013-07-30 | 云操作系统中计算物理资源节点负载评价的方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN103399799B (zh) |
Families Citing this family (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105450537A (zh) * | 2014-09-02 | 2016-03-30 | 阿尔卡特朗讯 | 确定节点负载信息及据此进行负载均衡和过载控制 |
CN104702680B (zh) * | 2015-02-13 | 2019-01-04 | 深圳易科声光科技股份有限公司 | 一种资源监测方法及系统 |
CN105763636B (zh) * | 2016-04-15 | 2019-01-15 | 北京思特奇信息技术股份有限公司 | 一种分布式系统中最优主机的选择方法及系统 |
CN112286623B (zh) * | 2019-07-24 | 2022-12-13 | 中移(苏州)软件技术有限公司 | 一种信息处理方法及装置、存储介质 |
CN115065605B (zh) * | 2022-04-14 | 2023-07-25 | 武汉理工大学 | 一种云制造资源节点重要性评估方法及系统 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101639793A (zh) * | 2009-08-19 | 2010-02-03 | 南京邮电大学 | 一种基于支持向量回归机的网格负载预测方法 |
CN103076870A (zh) * | 2013-01-08 | 2013-05-01 | 北京邮电大学 | 数据中心中能耗驱动的应用融合调度和资源动态配置方法 |
CN103218261A (zh) * | 2013-03-12 | 2013-07-24 | 浙江大学 | 一种基于性能预测的虚拟机动态迁移方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP4286703B2 (ja) * | 2004-03-31 | 2009-07-01 | 富士通株式会社 | 資源計画作成プログラム |
-
2013
- 2013-07-30 CN CN201310325973.8A patent/CN103399799B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101639793A (zh) * | 2009-08-19 | 2010-02-03 | 南京邮电大学 | 一种基于支持向量回归机的网格负载预测方法 |
CN103076870A (zh) * | 2013-01-08 | 2013-05-01 | 北京邮电大学 | 数据中心中能耗驱动的应用融合调度和资源动态配置方法 |
CN103218261A (zh) * | 2013-03-12 | 2013-07-24 | 浙江大学 | 一种基于性能预测的虚拟机动态迁移方法 |
Also Published As
Publication number | Publication date |
---|---|
CN103399799A (zh) | 2013-11-20 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
JP6998964B2 (ja) | ジオフェンスのインデックスグリッドを判断するための方法及び装置 | |
CN109034381B (zh) | 训练任务优化系统、方法及其非暂态电脑可读媒体 | |
CN103399799B (zh) | 云操作系统中计算物理资源节点负载评价的方法及装置 | |
Parvin et al. | A clustering ensemble framework based on elite selection of weighted clusters | |
CN107239336A (zh) | 一种实现任务调度的方法及装置 | |
Fietz et al. | Optimized hybrid parallel lattice Boltzmann fluid flow simulations on complex geometries | |
WO2019091189A1 (zh) | 风控决策临界值的确定方法及装置 | |
CN106649401A (zh) | 分布式文件系统中的数据写入方法和装置 | |
CN108390393A (zh) | 配电网多目标无功优化方法及终端设备 | |
CN106371546A (zh) | 一种整机柜功耗限制方法及装置 | |
CN110347515A (zh) | 一种适合边缘计算环境的资源优化分配方法 | |
CN107193813A (zh) | 数据表连接方式处理方法及装置 | |
TWI775210B (zh) | 用於卷積運算的資料劃分方法及處理器 | |
CN105681052A (zh) | 一种用于数据中心分布式文件存储的节能方法 | |
CN109587072A (zh) | 分布式系统全局限速系统及方法 | |
CN107563080B (zh) | 基于gpu的两相介质随机模型并行生成方法、电子设备 | |
CN106034144A (zh) | 一种基于负载均衡的虚拟资产数据存储方法 | |
CN109408870A (zh) | 一种基于边界约束的拓扑网格生成方法及电子设备 | |
Ling | An adaptive‐hybrid meshfree approximation method | |
CN101340458B (zh) | 一种基于时间空间局部性的网格数据副本生成方法 | |
Anandakumar et al. | Big Data Analytics for Sustainable Computing | |
CN105204945A (zh) | 一种在大数据背景下的负载平衡装置 | |
CN108762938A (zh) | 一种云计算平台中的任务处理方法、装置及系统 | |
CN113079053B (zh) | 网络切片下基于粒子群理论的虚拟资源重配置方法及系统 | |
KR20220061835A (ko) | 하드웨어 가속 장치 및 방법 |
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 |