CN109254844A - 一种大规模图的三角形计算方法 - Google Patents
一种大规模图的三角形计算方法 Download PDFInfo
- Publication number
- CN109254844A CN109254844A CN201810836244.1A CN201810836244A CN109254844A CN 109254844 A CN109254844 A CN 109254844A CN 201810836244 A CN201810836244 A CN 201810836244A CN 109254844 A CN109254844 A CN 109254844A
- Authority
- CN
- China
- Prior art keywords
- subgraph
- calculate node
- calculate
- large scale
- distributed
- 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
Links
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
- G06F9/50—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
- G06F9/5011—Allocation of resources, e.g. of the central processing unit [CPU] to service a request the resources being hardware resources other than CPUs, Servers and Terminals
- G06F9/5016—Allocation of resources, e.g. of the central processing unit [CPU] to service a request the resources being hardware resources other than CPUs, Servers and Terminals the resource being the memory
-
- 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]
- G06F9/5061—Partitioning or combining of resources
- G06F9/5066—Algorithms for mapping a plurality of inter-dependent sub-tasks onto a plurality of physical CPUs
-
- 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
- G06F9/54—Interprogram communication
- G06F9/546—Message passing systems or structures, e.g. queues
Landscapes
- Engineering & Computer Science (AREA)
- Software Systems (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Data Exchanges In Wide-Area Networks (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本发明公开了一种大规模图的分布式三角形计算方法,包括:根据计算集群中单个计算节点的可用内存容量划分待处理的大规模图,使得至多一个子图的大小小于单个计算节点的可用内存容量,而其余子图的大小均等于单个计算节点的可用内存容量;根据子图的大小为每一个子图分配计算节点;对于任意一个子图,将其分别发送至分配给该子图的每一个计算节点上;由所有计算节点执行分布式三角形计算,收集并处理分布式三角形计算的结果,从而实现大规模图的分布式三角形计算。本发明能够有效减少计算节点间传递的消息数量,并实现计算节点级和进程级的负载均衡。
Description
技术领域
本发明属于大数据处理领域,更具体地,涉及一种大规模图的三角形计算方法。
背景技术
图(graph)是计算机科学中最常用的一类抽象数据结构,在结构和语义方面比线性表和树更加复杂,更具有一般性表示能力。现实世界中,许多应用场景都需要用图结构来表示,如最优运输路线的确定、疾病爆发路径的预测、科技文献的引用关系等传统应用。在当今大数据的背景下,呈现出越来越多的大规模图分析应用需求,如定向广告、网页排名、生物信息网络分析等。这些应用中的图通常可以达到数十亿个顶点,数百亿条边的规模。
三角形子图是图中三个顶点的完全子图,是图的结构分析中的一种重要的概念。三角形计算,包括三角形计数和三角型枚举,是图计算中的基础工具之一,它们可以被用来计算重要的图结构度量指标如集聚系数(clustering coefficient)、传递系数(transitivity ratio)等。三角形计数指获取整个图的三角形数目,而三角形枚举(triangle enumeration/listing)是指找到并输出图中每个三角形。三角形计算有很多现实的应用,比如检测垃圾邮件活动、评测社交网络中的内容的质量、数据库中的查询优化等。因此三角形计算被在不同场景下均获得了广泛的研究,包括单机外存、单机内存、分布式内存、分布式外存、MapReduce环境下、Spark环境下等。分布式内存处理可以处理很大的图,因而具有较好的扩展性,但是已有的解决方案往往因为需要传递大量的消息而现代网络往往存在很长的延迟时间,因此会导致处理时间很长。
现有的方法一般是尝试尽可能平均地把图分割为多个子图,并把子图一一分配给每一个进程处理。在现代分布式系统中,进程数往往数百以上。所以这种图分割方法导致图被分割成大量的小的子图。分布式图算法计算过程中,当一个节点的邻居列表被需要时,它在当前进程本地被发现的概率很小,因此必须通过消息传递请求含有该节点邻居列表的进程将所需要的邻居列表发送过来。这是导致分布式图计算速度慢的根本原因。
总体而言,现有的对于大规模图进行分布式三角计算的方法计算速度慢,处理时间长。
发明内容
针对现有技术的缺陷和改进需求,本发明提供了一种大规模图的分布式三角形计算方法,其目的在于,充分利用计算集群中计算节点的内存以及网络带宽,尽量减少计算节点之间的消息传递,从而提高大规模图的三角形计算的速度,减少处理时间。
为实现上述目的,本发明提供了一种大规模图的分布式三角形计算方法,包括:
(1)根据计算集群中单个计算节点的可用内存容量划分待处理的大规模图,使得至多一个子图的大小小于单个计算节点的可用内存容量,而其余子图的大小均等于单个计算节点的可用内存容量;
(2)根据子图的大小为每一个子图分配计算节点;
(3)对于任意一个子图,将其分别发送至分配给该子图的每一个计算节点上;
(4)由所有计算节点执行分布式三角形计算,收集并处理分布式三角形计算的结果,从而实现大规模图的分布式三角形计算;
其中,大规模图的大小不超过计算集群中所有计算节点的可用内存容量之和。
进一步地,步骤(2)包括如下步骤:
(21)将计算节点按比例分配给各子图,使得分配给各子图的计算节点数之比等于各子图的大小之比;向下取整使得分配给各子图的计算节点数均为正整数;对于任意一个子图,将其计算任务在已分配给该子图的计算节点间平均分配;由此实现计算节点级的负载均衡;
(22)若还有计算节点未分配,则转入步骤(23);否则,计算节点分配结束;
(23)获得已分配的计算节点中计算任务最大的第一计算节点,将未分配计算节点中的第二计算节点分配给第一计算节点的子图,并将第一计算节点的一半计算任务转分配至第二计算节点,从而在保证计算节点级的负载均衡的同时提高计算节点的利用率;转入步骤(22)。
进一步地,步骤(1)划分得到的任意一个子图中,对于任意一条需要计算的边,其起点的邻居列表位于该子图而终点的邻居列表位于该子图或其他子图。
更进一步地,步骤(4)中,由所有计算节点执行分布式三角形计算,具体包括:
对于任意一个子图,其所有计算节点中的计算进程以循环赛的方式分担该子图的计算任务;计算任意一条边时,若该边终点的邻居列表位于该子图,则直接完成该边的计算;若该边终点的邻居列表位于其他子图,则在拥有终点的邻居列表的子图的所有计算进程中,随机选择一个计算进程作为目标进程,并向目标进程发送起点的邻居列表,由目标进程完成该边的计算;通过逆向消息发送技术,能够有效减少计算进程之间因为发送邻居列表而产生的消息传递,从而提高大规模图的分布式三角形计算的计算性能。
总体而言,通过本发明所构思的以上技术方案,能够取得以下有益效果:
(1)本发明所提供的大规模图的分布式三角形计算方法,将大规模图划分为子图时,保证至多一个子图的大小小于单个计算节点的可用内存容量,而其余子图的大小均等于单个计算节点的可用内存容量,由于划分所得的子图较大,在对大规模图进行分布式三角形计算时,顶点的邻居列表在本地发现的概率大大提高,而且逆向发送一条消息时,能够完成的计算工作也大大增加,因此,本发明所提供的分布式三角形计算方法,能够有效减少计算节点间传递的消息数量,从而提高大规模图的分布式三角形计算的计算效率,缩短处理时间。理论分析显示,假设每个节点上的计算核心数是c,采用本发明的分割方法,则消息数量下降至少为原来的1/c,而且当大规模图的大小小于单个计算节点的可用内存容量时,大规模图可直接放入单个计算节点,此时传递的消息数量则直接下降为0。
(2)本发明所提供的大规模图的三角形计算方法,将大规模图划分为子图时,所依据的参数为大规模图的大小及计算集群中单个计算节点的可用内存容量,由于这些参数均可提前知道且在计算过程中保持不变,因此大规模图的划分过程无需进行分布式计算,这一方面减小了整个计算过程的计算开销,另一方面也减少了消息的传递,使得大规模图的分布式三角形计算的速度更快、效率更高。
(3)本发明所提供的大规模图的三角形计算方法,根据子图的大小为每一个子图分配计算节点时,先将计算节点按比例分配给各子图,使得分配给各子图的计算节点数之比等于各子图的大小之比,然后向下取整使得分配给各子图的计算节点数均为正整数,将每一个子图的计算任务在已分配给该子图的计算节点间平均分配,并在还有计算节点未分配时,依次将未分配的计算节点分配给当前拥有最大计算任务的节点所对应的子图,因此,本发明所提供的三角形计算方法能够在实现计算节点级的负载均衡的同时,提高计算节点的利用率。
(4)本发明所提供的大规模图的三角形计算方法,通过将大规模图尽量划分为与计算节点可用内存容量相同大小的子图使得通信开销达到最小,因此,本发明所提供的大规模图的三角形计算方法的强扩展性和弱扩展性都接近最优,而且由于整个计算集群中计算节点的可用容量的利用率达到最大,相比于现有的分布式三角形计算方法,本发明能够处理更大规模的图。
附图说明
图1为本发明实施例提供的大规模图的分布式三角形计算方法示意图;
图2为本发明实施例提供的大规模图的分布式三角形计算方法流程图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,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仅用以解释本发明,并不用于限定本发明。此外,下面所描述的本发明各个实施方式中所涉及到的技术特征只要彼此之间未构成冲突就可以相互组合。
由于实际应用中,图通常可以达到数十亿个顶点、数百亿条边的规模,为简单、清楚地描述本发明的技术方案,从实际应用中抽象出如图1(a)所示的示意图,其中:计算集群中包括9个同构的计算节点I1~I9,且每个计算节点的可用内存容量为M,所有计算节点的可用内存容量之和为9M,待处理的大规模子图的大小为5/2M。
在图1所示的应用中,对大规模图进行分布式三角形枚举时,本发明所提供的大规模图的分布式三角形计算方法,如图2所示,包括如下步骤:
(1)根据计算集群中单个计算节点的可用内存容量划分待处理的大规模图,使得至多一个子图的大小小于单个计算节点的可用内存容量,而其余子图的大小均等于单个计算节点的可用内存容量;
在本实施例中,划分子图时还保证对于任意一条需要计算的边,其起点的邻居列表位于该子图而终点的邻居列表位于该子图或其他子图;
具体地,大规模图被划分为3个子图,分别是子图1~3,3个子图的大小分别是M、M和1/2M,如图1(b)所示;
(2)根据子图的大小为每一个子图分配计算节点;
在本实施例中,步骤(2)具体包括如下步骤:
(21)将计算节点按比例分配给各子图,使得分配给各子图的计算节点数之比等于各子图的大小之比;向下取整使得分配给各子图的计算节点数均为正整数;对于任意一个子图,将其计算任务在已分配给该子图的计算节点间平均分配;由此实现计算节点级的负载均衡;
在本实施例中,假定划分得到的子图1~3的计算任务分别为2C、9/2C和2C,则按比例分配后,子图1~3分配所得的计算节点数分别为18/5、18/5和9/5;向下取整后,子图1~3分配所得的节点数分别为3、3和1,且子图1的3个计算节点中每个计算节点的计算任务为2/3C,子图2的3个计算节点中每个计算节点的计算任务为3/2C,子图3的1个计算节点的计算任务为2C;
(22)由于还有两个计算节点未分配,且子图3的计算节点I7具有最大的计算任务量,将未分配计算节点中的计算节点I8分配给子图3,并将计算节点I7的一半任务转分配至计算节点I8;经过分配,子图3分配有2个计算节点I7和I8,且计算节点I7和I8的计算任务均为C;
(23)由于还有计算节点I9未分配,且子图2的计算节点I4具有最大的计算任务量,将计算节点I9分配给子图2,并将计算节点I4的一半任务转分配至计算节点I9;经过分配,子图1分配有4个计算节点I4、I5、I6和I9,且计算节点I4和I9的计算任务均为3/4C,计算节点I5和I6的计算任务为3/2C;
(24)计算节点分配结束;
(3)对于任意一个子图,将其分别发送至分配给该子图的每一个计算节点上;
在本实施例中,将子图1分别发送至计算节点I1、I2和I3,将子图2分别发送至计算节点I4、I5、I6和I9,将子图3发送至计算节点I7和I8;
(4)由所有计算节点执行分布式三角形枚举,收集并处理分布式三角形计算的结果,从而实现大规模图的分布式三角形计算;
由于每个计算节点都包含多个CPU,而每个CPU又包含多个核心,因此,每个子图被分配计算节点后,会有多个计算进程参与该子图的计算;
在本实施例中,由所有计算节点执行分布式三角形枚举,具体包括:
对于任意一个子图,其所有计算节点中的计算进程以循环赛的方式分担该子图的计算任务;计算任意一条边时,若该边终点的邻居列表位于该子图,则直接完成该边的计算;若该边终点的邻居列表位于其他子图,则在拥有终点的邻居列表的子图的所有计算进程中,随机选择一个计算进程作为目标进程,并向目标进程发送起点的邻居列表,由目标进程完成该边的计算;通过逆向消息发送技术,能够有效减少计算进程之间因为发送邻居列表而产生的消息传递,从而提高大规模图的分布式三角形计算的计算性能,并实现了进程级的负载均衡;
例如,子图1的一个计算进程Ps在计算一条边(u,v)时,由于该边的起点u的邻居列表在子图1中,如果边(u,v)的终点v的邻居列表在子图1中,则直接由计算进程Ps在本地完成边的相关计算;如果边(u,v)的重点v的邻居列表不在子图1中,而在子图2中,则从子图2的所有计算进程中选择其中一个计算进程Pd作为目标进程,并将边(u,v)的起点u的邻居列表发送给计算进程Pd,由计算进程Pd完成边(u,v)的相关计算。
在图1所示的应用中,对大规模图进行分布式三角形计数等其他三角形计算时,本发明所提供的大规模图的分布式三角形计算方法,与上述方法实施例类似,只是在上述步骤(4)中执行的分布式三角形计算为分布式三角形计数或其他具体的计算,在此不做赘述。
目前,硬件发展具有如下两个特点:
首先,现代商用服务器的内存都很大,且增长很快。在现代分布式系统中,单节点配有几十GB的内存是很常见的配置;假设图使用常见的邻接表存储,则一个具有6亿条边的图可以存放在一个具有大概26GB可用内存的计算节点内;这意味着大部分的大规模图可以放入单个节点的内存里;
其次,网络带宽的发展远远快于网络延迟的发展速度。比如,最近400Gb以太网的标准和产品都已经发布了,但是其网络延迟仍旧高达300纳秒,比本地内存访问慢了三个数量级。鉴于此,设法用高带宽换取低延迟就是一种合理的解决分布式图处理速度慢的方案。比如,假设网络有效带宽是32Gbps,为了通过网络传送填满26GB的单个节点的可用内存空间是需要大概6.5秒。
本发明将待处理的大规模图图划分成和单个计算节点可用内存空间相同的子图,然后把每个子图发送给1个或者多个计算节点并让它们合作处理该子图,可以大大增加顶点的邻居列表在本地子图中发现的概率。另外当需要向另外一个计算节点请求某个顶点的邻居列表时,并不请求,而是把当前顶点的邻居列表发送给该计算节点,并由它完成相应的三角计算算工作。通过上述大规模图的划分方法,以及逆向消息发送技术,本发明能够大大降低消息的发送量,从而减小计算开销,提高计算速度和计算效率。
本领域的技术人员容易理解,以上所述仅为本发明的较佳实施例而已,并不用以限制本发明,凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等,均应包含在本发明的保护范围之内。
Claims (4)
1.一种大规模图的分布式三角形计算方法,其特征在于,包括:
(1)根据计算集群中单个计算节点的可用内存容量划分待处理的大规模图,使得至多一个子图的大小小于单个计算节点的可用内存容量,而其余子图的大小均等于单个计算节点的可用内存容量;
(2)根据子图的大小为每一个子图分配计算节点;
(3)对于任意一个子图,将其分别发送至分配给该子图的每一个计算节点上;
(4)由所有计算节点执行分布式三角形计算,收集并处理分布式三角形计算的结果,从而实现所述大规模图的分布式三角形计算;
其中,所述大规模图的大小不超过计算集群中所有计算节点的可用内存容量之和。
2.如权利要求1所述的大规模图的分布式三角形计算方法,其特征在于,所述步骤(2)包括如下步骤:
(21)将计算节点按比例分配给各子图,使得分配给各子图的计算节点数之比等于各子图的大小之比;向下取整使得分配给各子图的计算节点数均为正整数;对于任意一个子图,将其计算任务在已分配给该子图的计算节点间平均分配;
(22)若还有计算节点未分配,则转入步骤(23);否则,计算节点分配结束;
(23)获得已分配的计算节点中计算任务最大的第一计算节点,将未分配计算节点中的第二计算节点分配给所述第一计算节点的子图,并将所述第一计算节点的一半计算任务转分配至所述第二计算节点;转入步骤(22)。
3.如权利要求1所述的大规模图的分布式三角形计算方法,其特征在于,所述步骤(1)划分得到的任意一个子图中,对于任意一条需要计算的边,其起点的邻居列表位于该子图而终点的邻居列表位于该子图或其他子图。
4.如权利要求3所述的大规模图的三角形计算方法,其特征在于,所述步骤(4)中,由所有计算节点执行分布式三角形计算,具体包括:
对于任意一个子图,其所有计算节点中的计算进程以循环赛的方式分担该子图的计算任务;计算任意一条边时,若该边终点的邻居列表位于该子图,则直接完成该边的计算;若该边终点的邻居列表位于其他子图,则在拥有所述终点的邻居列表的子图的所有计算进程中,随机选择一个计算进程作为目标进程,并向所述目标进程发送所述起点的邻居列表,由所述目标进程完成该边的计算。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810836244.1A CN109254844B (zh) | 2018-07-26 | 2018-07-26 | 一种大规模图的三角形计算方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810836244.1A CN109254844B (zh) | 2018-07-26 | 2018-07-26 | 一种大规模图的三角形计算方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109254844A true CN109254844A (zh) | 2019-01-22 |
CN109254844B CN109254844B (zh) | 2021-08-10 |
Family
ID=65049041
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810836244.1A Active CN109254844B (zh) | 2018-07-26 | 2018-07-26 | 一种大规模图的三角形计算方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109254844B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112000611A (zh) * | 2020-08-24 | 2020-11-27 | 全球能源互联网研究院有限公司 | 图数据划分方法、处理方法及电子设备 |
CN113742430A (zh) * | 2021-08-04 | 2021-12-03 | 北京大学 | 确定图数据中结点构成三角形结构个数的方法及系统 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104820945A (zh) * | 2015-04-17 | 2015-08-05 | 南京大学 | 基于社团结构挖掘算法的在线社会网络信息传播最大化方法 |
CN104835316A (zh) * | 2015-05-26 | 2015-08-12 | 大连理工大学 | 一种基于车流量密度的vanet稀疏连通问题解决方法 |
CN105653204A (zh) * | 2015-12-24 | 2016-06-08 | 华中科技大学 | 一种基于磁盘的分布式图计算方法 |
US20160246826A1 (en) * | 2015-02-24 | 2016-08-25 | University-Industry Cooperation Group Of Kyung Hee University | Apparatus and method of processing graphic data using index based triangle listing |
CN106776045A (zh) * | 2017-01-12 | 2017-05-31 | 武汉大学 | 一种基于预过滤的大规模图中三角形计算方法 |
-
2018
- 2018-07-26 CN CN201810836244.1A patent/CN109254844B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20160246826A1 (en) * | 2015-02-24 | 2016-08-25 | University-Industry Cooperation Group Of Kyung Hee University | Apparatus and method of processing graphic data using index based triangle listing |
CN104820945A (zh) * | 2015-04-17 | 2015-08-05 | 南京大学 | 基于社团结构挖掘算法的在线社会网络信息传播最大化方法 |
CN104835316A (zh) * | 2015-05-26 | 2015-08-12 | 大连理工大学 | 一种基于车流量密度的vanet稀疏连通问题解决方法 |
CN105653204A (zh) * | 2015-12-24 | 2016-06-08 | 华中科技大学 | 一种基于磁盘的分布式图计算方法 |
CN106776045A (zh) * | 2017-01-12 | 2017-05-31 | 武汉大学 | 一种基于预过滤的大规模图中三角形计算方法 |
Non-Patent Citations (2)
Title |
---|
刘康等: "基于通信负载均衡的社交网络图分割方法", 《计算机工程与应用》 * |
金宏桥等: "大数据下图三角计算的研究进展", 《电信科学》 * |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112000611A (zh) * | 2020-08-24 | 2020-11-27 | 全球能源互联网研究院有限公司 | 图数据划分方法、处理方法及电子设备 |
CN112000611B (zh) * | 2020-08-24 | 2023-08-01 | 全球能源互联网研究院有限公司 | 图数据划分方法、处理方法及电子设备 |
CN113742430A (zh) * | 2021-08-04 | 2021-12-03 | 北京大学 | 确定图数据中结点构成三角形结构个数的方法及系统 |
CN113742430B (zh) * | 2021-08-04 | 2024-03-29 | 北京大学 | 确定图数据中结点构成三角形结构个数的方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN109254844B (zh) | 2021-08-10 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Cui et al. | A blockchain-based containerized edge computing platform for the internet of vehicles | |
Sun et al. | The cost-efficient deployment of replica servers in virtual content distribution networks for data fusion | |
CN103176849B (zh) | 一种基于资源分类的虚拟机集群的部署方法 | |
CN107122244A (zh) | 一种基于多gpu的图数据处理系统及方法 | |
CN110717300A (zh) | 面向电力物联实时在线监测业务的边缘计算任务分配方法 | |
CN110222029A (zh) | 一种大数据多维分析计算效率提升方法及系统 | |
CN109150738A (zh) | 工业互联网资源管理方法及系统、可读存储介质和终端 | |
Wen et al. | Load balancing job assignment for cluster-based cloud computing | |
CN109189571A (zh) | 计算任务调度方法及系统、边缘节点、存储介质和终端 | |
CN115629865B (zh) | 一种基于边缘计算的深度学习推理任务调度方法 | |
CN109254844A (zh) | 一种大规模图的三角形计算方法 | |
CN113590307A (zh) | 边缘计算节点优化配置方法、装置及云计算中心 | |
CN104821958B (zh) | 基于WebService的用电数据分组交互接口方法 | |
Liu et al. | A QoS-guaranteed online user data deployment method in edge cloud computing environment | |
Li et al. | Neighborhood search-based job scheduling for IoT big data real-time processing in distributed edge-cloud computing environment | |
Yang et al. | Multi-agent reinforcement learning based file caching strategy in mobile edge computing | |
CN109726219A (zh) | 数据查询的方法及终端设备 | |
CN107257356B (zh) | 一种基于超图分割的社交用户数据优化放置方法 | |
CN107341193B (zh) | 路网中移动对象查询方法 | |
Devagnanam et al. | Design and development of exponential lion algorithm for optimal allocation of cluster resources in cloud | |
CN111209263A (zh) | 数据存储方法、装置、设备及存储介质 | |
Hou et al. | Dynamic load balancing algorithm based on optimal matching of weighted bipartite graph | |
CN110138863B (zh) | 基于Multi-Paxos分组的自适应一致性协议优化方法 | |
CN113377523A (zh) | 一种异构感知的流式图划分方法 | |
Wang et al. | Multi objective resource optimization of wireless network based on cross domain virtual network embedding |
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 |