CN109829546B - 平台即服务云端服务器及其机器学习数据处理方法 - Google Patents

平台即服务云端服务器及其机器学习数据处理方法 Download PDF

Info

Publication number
CN109829546B
CN109829546B CN201711247838.0A CN201711247838A CN109829546B CN 109829546 B CN109829546 B CN 109829546B CN 201711247838 A CN201711247838 A CN 201711247838A CN 109829546 B CN109829546 B CN 109829546B
Authority
CN
China
Prior art keywords
data
machine learning
logic circuit
parallel training
application program
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
Application number
CN201711247838.0A
Other languages
English (en)
Other versions
CN109829546A (zh
Inventor
詹凯元
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.)
Institute for Information Industry
Original Assignee
Institute for Information Industry
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 Institute for Information Industry filed Critical Institute for Information Industry
Publication of CN109829546A publication Critical patent/CN109829546A/zh
Application granted granted Critical
Publication of CN109829546B publication Critical patent/CN109829546B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L67/00—Network arrangements or protocols for supporting network services or applications
    • H04L67/01—Protocols
    • H04L67/10—Protocols in which an application is distributed across nodes in the network
    • 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
    • G06F9/44—Arrangements for executing specific programs
    • G06F9/455—Emulation; Interpretation; Software simulation, e.g. virtualisation or emulation of application or operating system execution engines
    • G06F9/45533—Hypervisors; Virtual machine monitors
    • G06F9/45558—Hypervisor-specific management and integration aspects
    • 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
    • G06F9/44—Arrangements for executing specific programs
    • G06F9/455—Emulation; Interpretation; Software simulation, e.g. virtualisation or emulation of application or operating system execution engines
    • G06F9/45533—Hypervisors; Virtual machine monitors
    • G06F9/45558—Hypervisor-specific management and integration aspects
    • G06F2009/45562—Creating, deleting, cloning virtual machine instances
    • 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
    • G06F9/44—Arrangements for executing specific programs
    • G06F9/455—Emulation; Interpretation; Software simulation, e.g. virtualisation or emulation of application or operating system execution engines
    • G06F9/45533—Hypervisors; Virtual machine monitors
    • G06F9/45558—Hypervisor-specific management and integration aspects
    • G06F2009/45595—Network integration; Enabling network access in virtual machine instances
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • 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)
  • Computer Networks & Wireless Communication (AREA)
  • Signal Processing (AREA)
  • Artificial Intelligence (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Medical Informatics (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Stored Programmes (AREA)
  • Information Transfer Between Computers (AREA)

Abstract

一种PaaS云端服务器及其机器学习数据处理方法。PaaS云端服务器接收机器学习应用程序资源要求，并据以判断可用的逻辑电路对象。PaaS云端服务器建立数据压缩储存服务对象，并配对数据压缩储存服务对象与逻辑电路对象。PaaS云端服务器将数据压缩储存服务对象接合机器学习应用程序，并自机器学习应用程序接收机器学习数据。PaaS云端服务器根据数据压缩储存服务服务对象与逻辑电路对象的配对，将机器学习数据输入至逻辑电路对象对应的FPGA电路的部分逻辑电路，俾部分逻辑电路压缩并储存机器学习数据。PaaS云端服务器将压缩及储存的相关数据传送至机器学习应用程序。

Description

平台即服务云端服务器及其机器学习数据处理方法
【技术领域】
本发明是关于一种平台即服务云端服务器及其机器学习数据处理方法；更具体而言，本发明是关于一种可共享场域可程序化门阵列电路的平台即服务云端服务器及其机器学习数据处理方法。
【背景技术】
云端运算是目前网络服务主要的发展技术之一，其是利用网络链接的伺服端及硬件，完成客户端所需要的各种数据运算或软件服务，甚至可提供客户端软件开发的平台。而通过此种方式，客户端可大幅地降低硬件成本，同时有效地提升生产效益。其中，又以机器学习(Machine Learning)相关的应用为主要发展。
具体而言，目前常见应用于机器学习的云端运算系统，主要有亚马逊(AmazonInc.)公司的弹性计算云(Elastic Compute Cloud,EC2)以及Google公司的Tensorflow云端系统。其中，亚马逊公司的EC2主要是用多个丛集的图形处理单元(Graphic ProcessingUnit,GPU)或中央处理单元处理机器学习数据，Google公司的Tensorflow云端系统主要是以自制的Tensorflow处理单元为主处理机器学习数据。
更者，目前企业所提供的机器学习云端运算系统，主要是以底层的基础架构即服务(Infrastructure as a Service,IaaS)为系统架构，并针对不同客户端提供独立的处理单元硬件，如此，客户端便可根据其对于数据种类的需求打造属于自己的机器学习应用环境，以达机器学习数据处理优化。
惟基于IaaS系统的机器学习云端运算系统，其数据处理效能与硬件数量呈正比，因此，若需要较好的效能，则相对地所需的硬件成本亦相对大幅提升。另一方面，部分硬件(例如GPU)数量的提升，亦会导致耗电量激增，据此，已知基于IaaS系统的机器学习云端运算系统，容易有高成本高耗能的问题。
据此，如何将机器学习云端运算环境建立于另一种系统架构上，并使得企业的硬件成本得以降低，同时能源的过度消耗，乃业界须共同努力的目标。
【发明内容】
本发明的主要目的是提供一种用于平台即服务(Platform as a service,PaaS)云端服务器的机器学习(Machine Learning,ML)数据处理方法。PaaS云端服务器执行一数据压缩储存(Data Compression and Storing,DCS)对象(Object)管理模块以及一DCS虚拟机。DCS虚拟机控制一第一场域可程序化门阵列(Field-Programmable Gate Array,FPGA)电路。
具体而言，ML数据处理方法包含：PaaS云端服务器通过DCS虚拟机，接收用户的ML应用程序资源要求；PaaS云端服务器根据ML应用程序资源要求，通过DCS虚拟机判断第一DCS逻辑电路对象是可用，其中，第一DCS逻辑电路对象对应于第一FPGA电路的第一部分逻辑电路；PaaS云端服务器通过DCS对象管理模块建立第一DCS服务对象，并配对第一DCS服务对象与第一DCS逻辑电路对象；PaaS云端服务器通过DCS对象管理模块，将第一DCS服务对象接合用户的ML应用程序。
再者，ML数据处理方法更包含：PaaS云端服务器通过DCS虚拟机，自ML应用程序接收ML应用程序数据；PaaS云端服务器根据第一DCS服务对象与第一DCS逻辑电路对象的配对，通过DCS虚拟机将ML应用程序数据输入至第一DCS服务对象对应的第一部分逻辑电路，俾第一部分逻辑电路将ML应用程序数据压缩成压缩ML应用程序数据，并于储存压缩ML应用程序数据至第一压缩数据库后产生ML数据储存信息；以及PaaS云端服务器通过DCS虚拟机，将ML数据储存信息传送至ML应用程序。
为达上述目的，本发明揭露一种ML的PaaS云端服务器，包含传输接口以及处理器。传输接口用以连接第一FPGA电路。处理器用以执行DCS对象管理模块以及DCS虚拟机，并通过DCS虚拟机控制第一FPGA电路。DCS虚拟机包含DCS处理模块。
具体而言，DCS处理模块用以：接收用户的ML应用程序资源要求；以及根据ML应用程序资源要求，判断第一DCS逻辑电路对象是可用，其中，第一DCS逻辑电路对象对应于第一FPGA电路的第一部分逻辑电路。DCS对象管理模块用以：建立第一DCS服务对象，并配对第一DCS服务对象与第一DCS逻辑电路对象；以及将第一DCS服务对象接合用户的ML应用程序。
再者，DCS处理模块更用以：自ML应用程序接收ML应用程序数据；根据第一DCS服务对象与第一DCS逻辑电路对象的配对，将ML应用程序数据输入至第一DCS服务对象对应的第一部分逻辑电路，俾第一部分逻辑电路将ML应用程序数据压缩成压缩ML应用程序数据，并于储存压缩ML应用程序数据至第一压缩数据库后产生ML数据储存信息；以及将ML数据储存信息传送至ML应用程序。
本发明的另一目的是提供一种用于PaaS云端服务器的ML数据处理方法。PaaS云端服务器执行DCS对象管理模块以及DCS虚拟机。DCS虚拟机控制第一FPGA电路。ML数据处理方法包含：PaaS云端服务器通过DCS虚拟机，接收用户的ML应用程序资源要求；PaaS云端服务器根据ML应用程序资源要求，通过DCS虚拟机判断第一DCS逻辑电路对象以及第二DCS逻辑电路对象是可用，其中，第一DCS逻辑电路对象以及第二DCS逻辑电路对象分别对应于第一FPGA电路的第一部分逻辑电路以及第二部分逻辑电路。
再者，ML数据处理方法更包含：PaaS云端服务器通过DCS对象管理模块建立第一DCS服务对象以及第二DCS服务对象，并将第一DCS服务对象以及第二DCS服务对象分别配对第一DCS逻辑电路对象以及第二DCS逻辑电路对象；PaaS云端服务器通过DCS对象管理模块，将第一DCS服务对象以及第二DCS服务对象接合用户的ML应用程序；PaaS云端服务器通过DCS虚拟机，自ML应用程序接收ML应用程序数据；PaaS云端服务器根据第一DCS服务对象以及第二DCS服务对象，通过DCS虚拟机将ML应用程序数据分割为第一部分ML应用程序数据以及第二部分ML应用程序数据。
随后，ML数据处理方法更包含：PaaS云端服务器根据第一DCS服务对象与第一DCS逻辑电路对象的配对以及第二DCS服务对象与第二DCS逻辑电路对象的配对，通过DCS虚拟机将第一部分ML应用程序数据以及第二部分ML应用程序数据分别输入至第一DCS服务对象对应的第一部分逻辑电路以及第二DCS服务对象对应的第二部分逻辑电路，其中，第一部分逻辑电路将第一部分ML应用程序数据压缩成第一压缩ML应用程序数据，并于储存第一压缩ML应用程序数据至第一压缩数据库后产生第一ML数据储存信息，第二部分逻辑电路将第二部分ML应用程序数据压缩成第二压缩ML应用程序数据，并于储存第二压缩ML应用程序数据至第二压缩数据库后产生第二ML数据储存信息；以及PaaS云端服务器通过DCS虚拟机，将第一ML数据储存信息以及第二ML数据储存信息传送至ML应用程序。
为达上述目的，本发明揭露一种ML的PaaS云端服务器，包含传输接口以及处理器。传输接口用以连接第一FPGA电路。处理器用以执行DCS对象管理模块以及DCS虚拟机，并通过DCS虚拟机控制第一FPGA电路。DCS虚拟机包含DCS处理模块。DCS处理模块用以：接收用户的ML应用程序资源要求；以及根据ML应用程序资源要求，判断第一DCS逻辑电路对象以及第二DCS逻辑电路对象是可用，其中，第一DCS逻辑电路对象以及第二DCS逻辑电路对象分别对应于第一FPGA电路的第一部分逻辑电路以及第二部分逻辑电路。DCS对象管理模块用以：建立第一DCS服务对象以及第二DCS服务对象，并将第一DCS服务对象以及第二DCS服务对象分别配对第一DCS逻辑电路对象以及第二DCS逻辑电路对象；以及将第一DCS服务对象以及第二DCS服务对象接合用户的ML应用程序。
更者，DCS处理模块更用以：自ML应用程序接收ML应用程序数据；根据第一DCS服务对象以及第二DCS服务对象，将ML应用程序数据分割为第一部分ML应用程序数据以及第二部分ML应用程序数据；根据第一DCS服务对象与第一DCS逻辑电路对象的配对以及第二DCS服务对象与第二DCS逻辑电路对象的配对，将第一部分ML应用程序数据以及第二部分ML应用程序数据分别输入至第一DCS服务对象对应的第一部分逻辑电路以及第二DCS服务对象对应的第二部分逻辑电路，其中，第一部分逻辑电路将第一部分ML应用程序数据压缩成第一压缩ML应用程序数据，并于储存第一压缩ML应用程序数据至第一压缩数据库后产生第一ML数据储存信息，第二部分逻辑电路将第二部分ML应用程序数据压缩成第二压缩ML应用程序数据，并于储存第二压缩ML应用程序数据至第二压缩数据库后产生第二ML数据储存信息；以及将第一ML数据储存信息以及第二ML数据储存信息传送至ML应用程序。
【附图说明】
图1A是本发明第一实施例的PaaS云端服务器的操作示意图；
图1B是本发明第一实施例的PaaS云端服务器的方块图；
图2A是本发明第二实施例的PaaS云端服务器的操作示意图；
图2B是本发明第二实施例的PaaS云端服务器的方块图；
图3A是本发明第三实施例的PaaS云端服务器的操作示意图；
图3B是本发明第三实施例的PaaS云端服务器的方块图；
图4A是本发明第四实施例的PaaS云端服务器的操作示意图；
图4B是本发明第四实施例的PaaS云端服务器的方块图；
图5是本发明第五实施例的机器学习数据处理方法流程图；
图6A-6B是本发明第六实施例的机器学习数据处理方法流程图；
图7是本发明第七实施例的机器学习数据处理方法流程图；以及
图8A-8B是本发明第八实施例的机器学习数据处理方法流程图。
【符号说明】
1、4PaaS云端服务器
11、41传输接口
13、43处理器
131、431DCS处理模块
133、433DCS对象管理模块
135、435DPT处理模块
137、437DPT对象管理模块
2、3、5、6FPGA电路
21a～21b、31a～31b、51a～51b、61a～61b部分逻辑电路DB1～DB3数据库
CData1、CData2-1、CData2-2压缩ML应用程序数据
InData1、InData2、InData2-1、InData2-2ML应用程序数据SData1、SData2、SData2-1、SData2-2ML数据储存信息M1～M2ML模型
RQ1、RQ2ML应用程序资源要求
T1～T2用户
C1～C2应用程序
OB11～OB12、OB21～OB22逻辑电路对象
OB31～OB32、OB41～OB42逻辑电路对象
SOB11～SOB12、SOB31～SOB32DCS服务对象
SOB31～SOB32、SOB41～SOB42DPT逻辑电路对象
VM1～VM4虚拟机
【具体实施方式】
以下将通过本发明的实施例来阐释本发明。然而，该多个实施例并非用以限制本发明需在如实施例所述的任何环境、应用程序或方式方能实施。因此，以下实施例的说明仅在于阐释本发明，而非用以限制本发明。在以下实施例及图式中，与本发明非直接相关的组件已省略而未绘示，且绘示于图式中的各组件之间的尺寸关系仅为便于理解，而非用以限制为实际的实施比例。
请同时参考图1A以及1B。图1A是本发明第一实施例的一平台即服务(Platform asa Service,PaaS)云端服务器1的操作示意图，图1B是本发明第一实施例的PaaS云端服务器1的方块图。PaaS云端服务器1包含一传输接口11以及一处理器13。传输接口11连接一场域可程序化门阵列(Field-Programming Gate Array,FPGA)电路2。处理器13执行一数据压缩储存(Data Compression and Storing,DCS)对象(Object)管理模块133以及一DCS虚拟机VM1，并通过DCS虚体机器VM1控制FPGA电路2。
需先说明，传输接口11以及处理器13间具有电性连结。其中，处理器13可为中央处理单元(Central Processing Unit；CPU)、图形处理单元(Graphics Processing Unit；GPU)、微处理器(Micro Processor)、控制组件、其他可执行相关指令的硬件电路组件或本领域技术人员可通过本发明内容理解的的其他计算电路中的任一者。
另外，FPGA电路2可通过总线(例：传输接口11是PCIe插槽)或总线与网络(例：传输接口11是网络卡)的组合与PaaS云端服务器1交换数据。另外，由于FPGA电路2具有可程序化编辑的特性，因此，可先将其规划分为多个具有独立计算功能的部分逻辑电路21a～21b，并由DCS虚拟机VM1针对多个部分逻辑电路21a～21b配置相对应的多个逻辑电路对象OB11～OB12，俾后续FPGA电路2的多个部分逻辑电路21a～21b的利用及操作。
具体而言，于第一实施例中，DCS虚拟机VM1包含一DCS处理模块131。当一用户T1于PaaS云端服务器1上有机器学习(Machine Learning,ML)应用程序使用需求，并须利用PaaS云端服务器1操作FPGA电路2处理ML数据时，用户T1对PaaS云端服务器1发出一ML应用程序资源要求RQ1。
另一方面，PaaS云端服务器1通过DCS虚拟机VM1的DCS处理模块131接收用户T1的ML应用程序资源要求RQ1后，先判断是否有未被使用的逻辑电路对象可用，换言之，即判断FPGA电路2中是否有相应未被使用的部分逻辑电路。而于第一实施例中，DCS处理模块131判断第一逻辑电路对象OB11未被使用，其中，第一逻辑电路对象OB11对应于FPGA电路2的第一部分逻辑电路21a。
接着，DCS对象管理模块133建立一第一DCS服务对象SOB11，并配对第一DCS服务对象SOB11与第一逻辑电路对象OB11。随即，DCS对象管理模块133将第一DCS服务对象SOB11接合(binding)用户T1的一ML应用程序C1。需特别说明，此处的接合主要是将服务对象以及应用程序绑定，使二者的环境变量共享，并可互相存取相应参数。
随后，DCS虚拟机VM1的DCS处理模块131便自ML应用程序C1接收一ML应用程序数据InData1，并根据第一DCS服务对象SOB11与第一逻辑电路对象OB11的配对，通过DCS虚拟机VM1将ML应用程序数据InData1输入至第一逻辑电路对象OB11相对应的第一部分逻辑电路21a。
如此一来，第一部分逻辑电路21a便可将ML应用程序数据InData1压缩成的一压缩ML应用程序数据CData1，并将压缩ML应用程序数据CData1储存至一第一压缩数据库DB1，并据以产生一ML数据储存信息SData1。其中，ML数据储存信息SData1主要是用以记录ML应用程序数据CData1储存的地址。最后，DCS虚拟机VM1的DCS处理模块131再将ML数据储存信息SData1传送至ML应用程序C1，俾压缩后的ML数据之后续利用。
请参考图2A以及2B。图2A是本发明第二实施例的PaaS云端服务器1的操作示意图。图2B是本发明第二实施例的PaaS云端服务器1的方块图。传输接口11更连接一FPGA电路3。处理器13更执行一数据平行训练(Data Parallel Training,DPT)对象管理模块137以及一DPT虚拟机VM2，并通过DPT虚拟机VM2控制FPGA电路3。第二实施例主要是进一步说明本发明第一实施例中压缩后的ML数据之后续利用。
同样地，FPGA电路3可通过总线(例：传输接口11是PCIe插槽)或总线与网络(例：传输接口11是网络卡)的组合与PaaS云端服务器1交换数据。另外，根据FPGA电路3的可程序化编辑特性，第二实施例中将其规划分为多个具有独立计算功能的部分逻辑电路31a～31b，并由DPT虚拟机VM2针对多个部分逻辑电路31a～31b配置相对应的多个逻辑电路对象OB21～OB22，俾后续FPGA电路3的多个部分逻辑电路31a～31b的利用及操作。
具体而言，于第二实施例中，DPT虚拟机VM2包含一DPT处理模块135。当PaaS云端服务器1欲针对机器学习的相关数据进行处理时，DPT处理模块135撷取ML应用程序C1的ML数据储存信息SData1，并判断是否有未使用的逻辑电路对象可用，换言之，即判断FPGA电路3中是否有相应未被使用的部分逻辑电路。于第二实施例中，DPT处理模块135判断第一DPT逻辑电路对象OB21是可用。其中，第一DPT逻辑电路对象OB21对应于FPGA电路3的第一部分逻辑电路31a。
接着，DPT对象管理模块137建立一第一DPT服务对象SOB21，并配对第一DPT服务对象SOB21与第一DPT逻辑电路对象OB21。随即，DPT对象管理模块137将第一DPT服务对象SOB21接合用户T1的ML应用程序C1。同样地，此处的接合主要是将服务对象以及应用程序绑定，使二者的环境变量共享，并可互相存取相应参数。
随后，由于ML数据储存信息SData1记录压缩数据储存的地址，因此，DPT处理模块135便可直接根据ML数据储存信息SData1，自第一压缩数据库DB1撷取压缩ML应用程序数据CData1，并根据第一DPT服务对象SOB21与第一DPT逻辑电路对象OB21的配对，将压缩ML应用程序数据CData1输入至第一DPT逻辑电路对象OB21对应的FPGA电路3的第一部分逻辑电路31a。
如此一来，FPGA电路3的第一部分逻辑电路31a便可解压缩压缩ML应用程序数据CData1，并据以计算一ML模型M1。最后，DPT处理模块135再将计算出的ML模型M1回传至ML应用程序C1，以完成ML模型的建立程序。
请同时参考图3A以及3B。图3A是本发明第三实施例的一PaaS云端服务器4的操作示意图，图3B是本发明第三实施例的PaaS云端服务器4的方块图。PaaS云端服务器4包含一传输接口41以及一处理器43。传输接口41连接一FPGA电路5。处理器43执行一DCS对象管理模块433以及一DCS虚拟机VM3，并通过DCS虚体机器VM3控制FPGA电路5。
同样地，FPGA电路5可通过总线(例：传输接口41是PCIe插槽)或总线与网络(例：传输接口41是网络卡)的组合与PaaS云端服务器4交换数据。而通过FPGA电路5可程序化编辑的特性，可先将其规划分为多个具有独立计算功能的部分逻辑电路51a～51b，并由DCS虚拟机VM3针对多个部分逻辑电路51a～51b配置相对应的多个逻辑电路对象OB31～OB32，俾后续FPGA电路5的多个部分逻辑电路51a～51b的利用及操作。
具体而言，于第四实施例中，DCS虚拟机VM3包含一DCS处理模块431。当一用户T2于PaaS云端服务器4上有ML应用程序使用需求，并须利用PaaS云端服务器4操作FPGA电路5处理ML数据时，用户T2对PaaS云端服务器4发出ML应用程序资源要求RQ2。
另一方面，PaaS云端服务器4通过DCS虚拟机VM3的DCS处理模块431接收用户T2的ML应用程序资源要求RQ2后，先判断是否有未被使用的逻辑电路对象可用，换言之，即判断FPGA电路5中是否有相应未被使用的部分逻辑电路。而于第三实施例中，DCS处理模块431判断第一逻辑电路对象OB31以及第二逻辑电路对象OB32皆未被使用，其中，第一逻辑电路对象OB31以及第二逻辑电路对象OB32分别对应于FPGA电路5的第一部分逻辑电路51a以及第二部分逻辑电路51b。
接着，DCS对象管理模块433建立一第一DCS服务对象SOB31以及一第二DCS服务对象SOB32，并将第一DCS服务对象SOB31以及第二DCS服务对象SOB32分别与第一逻辑电路对象OB31以及第二逻辑电路对象OB32配对。随即，DCS对象管理模块433将第一DCS服务对象SOB31以及第二服务对象SOB32接合用户T2的一ML应用程序C2。同样地，此处的接合主要是将服务对象以及应用程序绑定，使二者的环境变量共享，并可互相存取相应参数。
随后，DCS虚拟机VM3的DCS处理模块431便自ML应用程序C2接收一ML应用程序数据InData2，并根据数量二的服务对象(即第一DCS服务对象SOB31以及第二DCS服务对象SOB32)，将ML应用程序数据InData2分为一第一部分ML应用程序数据InData2-1以及一第二部分ML应用程序数据InData2-2。
接着，DCS虚拟机VM3的DCS处理模块431根据第一DCS服务对象SOB31与第一逻辑电路对象OB31的配对，通过DCS虚拟机VM3将第一部分ML应用程序数据InData2-1输入至第一逻辑电路对象OB31相对应的第一部分逻辑电路51a，并根据第二DCS服务对象SOB32与第二逻辑电路对象OB32的配对，通过DCS虚拟机VM3将第二部分ML应用程序数据InData2-2输入至第二逻辑电路对象OB32相对应的第二部分逻辑电路51b。
如此一来，第一部分逻辑电路51a便可将第一部分ML应用程序数据InData2-1压缩成的一第一压缩ML应用程序数据CData2-1，并将第一压缩ML应用程序数据CData2-1储存至一第一压缩数据库DB2，并据以产生一第一ML数据储存信息SData2-1。另一方面，第二部分逻辑电路51b便可将第二部分ML应用程序数据InData2-2压缩成的一第二压缩ML应用程序数据CData2-2，并将第二压缩ML应用程序数据CData2-2储存至一第二压缩数据库DB3，并据以产生一第二ML数据储存信息SData2-2。
同样地，第一ML数据储存信息SData2-1主要是用以记录第一压缩ML应用程序数据CData2-1储存的地址，第二ML数据储存信息SData2-2主要是用以记录第二压缩ML应用程序数据CData2-2储存的地址。最后，DCS虚拟机VM3的DCS处理模块431再将第一ML数据储存信息SData2-1以及第二ML数据储存信息SData2-2传送至ML应用程序C2，俾压缩后的ML数据之后续利用。
请参考图4A以及4B。图4A是本发明第四实施例的PaaS云端服务器4的操作示意图。图4B是本发明第四实施例的PaaS云端服务器4的方块图。传输接口41更连接一FPGA电路6。处理器43更执行一DPT对象管理模块437以及一DPT虚拟机VM4，并通过DPT虚拟机VM4控制FPGA电路6。第四实施例主要是进一步说明本发明第三实施例中压缩后的ML数据之后续利用。
同样地，FPGA电路6可通过总线(例：传输接口41是PCIe插槽)或总线与网络(例：传输接口41是网络卡)的组合与PaaS云端服务器4交换数据。另外，根据FPGA电路6的可程序化编辑特性，第四实施例中将其规划分为多个具有独立计算功能的部分逻辑电路61a～61b，并由DPT虚拟机VM4针对多个部分逻辑电路61a～61b配置相对应的多个逻辑电路对象OB41～OB42，俾后续FPGA电路6的多个部分逻辑电路61a～61b的利用及操作。
具体而言，于第四实施例中，DPT虚拟机VM4包含一DPT处理模块435。当PaaS云端服务器4欲针对机器学习的相关数据进行处理时，DPT处理模块435撷取ML应用程序C2的第一ML数据储存信息SData2-1以及第二ML数据储存信息SData2-2，并判断是否有未使用的逻辑电路对象可用，换言之，即判断FPGA电路6中是否有相应未被使用的部分逻辑电路。
须特别说明，由于需要针对不同数量的ML数据储存信息，使用相同数量的DPT逻辑电路对象，因此，于第四实施例中，DPT处理模块435判断第一DPT逻辑电路对象OB41以及第二DPT逻辑电路对象OB42是可用。其中，第一DPT逻辑电路对象OB41以及第二DPT逻辑电路对象分别对应于FPGA电路6的第一部分逻辑电路61a以及第二部分逻辑电路61b。
接着，DPT对象管理模块437建立一第一DPT服务对象SOB41以及一第二DPT服务对象SOB42，并将第一DPT服务对象SOB41以及第二DPT服务对象SOB42分别与第一DPT逻辑电路对象OB41以及第二DPT逻辑电路对象OB42配对。随即，DPT对象管理模块437将第一DPT服务对象SOB41以及第二DPT服务对象SOB42接合用户T2的ML应用程序C2。
随后，由于第一ML数据储存信息SData2-1记录压缩数据储存的地址，因此，DPT处理模块435便可直接根据ML数据储存信息SData2-1，自第一压缩数据库DB2撷取压缩第一压缩ML应用程序数据CData2-1，并根据第一DPT服务对象SOB41与第一DPT逻辑电路对象OB41的配对，将第一压缩ML应用程序数据CData2-1输入至第一DPT逻辑电路对象OB41对应的FPGA电路6的第一部分逻辑电路61a。
另一方面，由于第二ML数据储存信息SData2-2记录压缩数据储存的地址，因此，DPT处理模块435亦可直接根据ML数据储存信息SData2-2，自第二压缩数据库DB3撷取压缩第二压缩ML应用程序数据CData2-2，并根据第二DPT服务对象SOB42与第二DPT逻辑电路对象OB42的配对，将第二压缩ML应用程序数据CData2-2输入至第二DPT逻辑电路对象OB42对应的FPGA电路6的第二部分逻辑电路61b。
如此一来，FPGA电路6的第一部分逻辑电路61a以及第二部分逻辑电路61b便可解压缩第一压缩ML应用程序数据CData2-1以及第二压缩ML应用程序数据CData2-2，并据以计算一ML模型M2。最后，DPT处理模块435再将计算出的ML模型M2回传至ML应用程序C2，以完成ML模型的建立程序。
需特别说明者，本发明的技术主要是利用具有FPGA电路的PaaS云端服务器，进行机器学习数据的分拆、压缩以及相应的计算，惟本领域技术人员应可通过前揭内容，理解如何完成机器学习数据的使用以及模型的建立，因此，不再赘述。
本发明的第五实施例为ML数据处理方法，其流程图请参考图5。第五实施例的方法是用于一PaaS云端服务器(例如前述实施例的PaaS云端服务器)。PaaS云端服务器执行一DCS对象管理模块以及一DCS虚拟机。DCS虚拟机控制一FPGA电路。第五实施例的详细步骤如下所述。
首先，执行步骤501，PaaS云端服务器通过DCS虚拟机，接收一用户的一ML应用程序资源要求。执行步骤502，PaaS云端服务器根据ML应用程序资源要求，通过DCS虚拟机判断一第一DCS逻辑电路对象是可用。其中，第一DCS逻辑电路对象对应于第一FPGA电路的一第一部分逻辑电路。
接着，执行步骤503，PaaS云端服务器通过DCS对象管理模块建立一第一DCS服务对象，并配对第一DCS服务对象与第一DCS逻辑电路对象。执行步骤504，PaaS云端服务器通过DCS对象管理模块，将第一DCS服务对象接合用户的一ML应用程序。
随后，执行步骤505，PaaS云端服务器通过DCS虚拟机，自ML应用程序接收一ML应用程序数据。执行步骤506，PaaS云端服务器根据第一DCS服务对象与第一DCS逻辑电路对象的配对，通过DCS虚拟机将ML应用程序数据输入至第一DCS服务对象对应的第一部分逻辑电路。
如此一来，第一部分逻辑电路便可将ML应用程序数据压缩成一压缩ML应用程序数据，并于储存压缩ML应用程序数据至一第一压缩数据库后产生一ML数据储存信息。执行步骤507，PaaS云端服务器通过DCS虚拟机，将ML数据储存信息传送至ML应用程序。
本发明的第六实施例为ML数据处理方法，其流程图请参考第6A以及6B图。第六实施例的方法是用于一PaaS云端服务器(例如前述实施例的PaaS云端服务器)。PaaS云端服务器执行一DCS对象管理模块、一DCS虚拟机、一DPT对象管理模块以及一DPT虚拟机。DCS虚拟机控制一第一FPGA电路，DPT虚拟机控制一第二FPGA电路。第六实施例的详细步骤如下所述。
首先，执行步骤601，PaaS云端服务器通过DCS虚拟机，接收一用户的一ML应用程序资源要求。执行步骤602，PaaS云端服务器根据ML应用程序资源要求，通过DCS虚拟机判断一第一DCS逻辑电路对象是可用。其中，第一DCS逻辑电路对象对应于第一FPGA电路的一第一部分逻辑电路。
接着，执行步骤603，PaaS云端服务器通过DCS对象管理模块建立一第一DCS服务对象，并配对第一DCS服务对象与第一DCS逻辑电路对象。执行步骤604，PaaS云端服务器通过DCS对象管理模块，将第一DCS服务对象接合用户的一ML应用程序。
随后，执行步骤605，PaaS云端服务器通过DCS虚拟机，自ML应用程序接收一ML应用程序数据。执行步骤606，PaaS云端服务器根据第一DCS服务对象与第一DCS逻辑电路对象的配对，通过DCS虚拟机将ML应用程序数据输入至第一DCS服务对象对应的第一部分逻辑电路。
如此一来，第一部分逻辑电路便可将ML应用程序数据压缩成一压缩ML应用程序数据，并于储存压缩ML应用程序数据至一第一压缩数据库后产生一ML数据储存信息。执行步骤607，PaaS云端服务器通过DCS虚拟机，将ML数据储存信息传送至ML应用程序。
接着，执行步骤608，PaaS云端服务器通过DPT虚拟机，撷取ML应用程序的ML数据储存信息。执行步骤609，PaaS云端服务器根据ML数据储存信息，通过DPT虚拟机判断一第一DPT逻辑电路对象是可用。其中，第一DPT逻辑电路对象对应于第二FPGA电路的一第一部分逻辑电路。
执行步骤610，PaaS云端服务器通过DPT对象管理模块建立一第一DPT服务对象，并配对第一DPT服务对象与第一DPT逻辑电路对象。执行步骤611，PaaS云端服务器通过DPT对象管理模块，将第一DPT服务对象接合用户的该ML应用程序。执行步骤612，PaaS云端服务器根据ML数据储存信息，通过DPT虚拟机自第一压缩数据库撷取压缩ML应用程序数据。
随后，执行步骤613，PaaS云端服务器根据第一DPT服务对象与第一DPT逻辑电路对象的配对，通过DPT虚拟机将压缩ML应用程序数据输入至第一DPT逻辑电路对象对应的第二FPGA电路的第一部分逻辑电路。如此一来，第二FPGA电路的第一部分逻辑电路便可计算解压缩压缩ML应用程序数据，并据以计算的一ML模型。执行步骤614，PaaS云端服务器通过DPT虚拟机，将ML模型传送至ML应用程序。
本发明的第七实施例为ML数据处理方法，其流程图请参考图7。第七实施例的方法是用于一PaaS云端服务器(例如前述实施例的PaaS云端服务器)。PaaS云端服务器执行一DCS对象管理模块以及一DCS虚拟机。DCS虚拟机控制一FPGA电路。第七实施例的详细步骤如下所述。
首先，执行步骤701，PaaS云端服务器通过DCS虚拟机，接收一用户的一ML应用程序资源要求。执行步骤702，PaaS云端服务器根据ML应用程序资源要求，通过DCS虚拟机判断一第一DCS逻辑电路对象以及一第二DCS逻辑电路对象是可用。其中，第一DCS逻辑电路对象以及第二DCS逻辑电路对象分别对应于第一FPGA电路的一第一部分逻辑电路以及一第二部分逻辑电路。
接着，执行步骤703，PaaS云端服务器通过DCS对象管理模块建立一第一DCS服务对象以及一第二DCS服务对象，并将第一DCS服务对象以及第二DCS服务对象分别配对第一DCS逻辑电路对象以及第二DCS逻辑电路对象。执行步骤704，PaaS云端服务器通过DCS对象管理模块，将第一DCS服务对象以及第二DCS服务对象接合用户的一ML应用程序。
执行步骤705，PaaS云端服务器通过DCS虚拟机，自ML应用程序接收一ML应用程序数据。执行步骤706，PaaS云端服务器根据第一DCS服务对象以及第二DCS服务对象，通过DCS虚拟机将ML应用程序数据分割为一第一部分ML应用程序数据以及一第二部分ML应用程序数据。执行步骤707，PaaS云端服务器根据第一DCS服务对象与第一DCS逻辑电路对象的配对以及第二DCS服务对象与第二DCS逻辑电路对象的配对，通过DCS虚拟机将第一部分ML应用程序数据以及第二部分ML应用程序数据分别输入至第一DCS服务对象对应的第一部分逻辑电路以及第二DCS服务对象对应的第二部分逻辑电路。
如此一来，第一部分逻辑电路便可将第一部分ML应用程序数据压缩成一第一压缩ML应用程序数据，并于储存第一压缩ML应用程序数据至一第一压缩数据库后产生一第一ML数据储存信息。另一方面，第二部分逻辑电路将第二部分ML应用程序数据压缩成一第二压缩ML应用程序数据，并于储存第二压缩ML应用程序数据至第二压缩数据库后产生一第二ML数据储存信息。执行步骤708，PaaS云端服务器通过DCS虚拟机，将第一ML数据储存信息以及第二ML数据储存信息传送至ML应用程序。
本发明的第八实施例为ML数据处理方法，其流程图请参考图8A以及8B。第八实施例的方法是用于一PaaS云端服务器(例如前述实施例的PaaS云端服务器)。PaaS云端服务器执行一DCS对象管理模块、一DCS虚拟机、一DPT对象管理模块以及一DPT虚拟机。DCS虚拟机控制一第一FPGA电路，DPT虚拟机控制一第二FPGA电路。第八实施例的详细步骤如下所述。
首先，执行步骤801，PaaS云端服务器通过DCS虚拟机，接收一用户的一ML应用程序资源要求。执行步骤802，PaaS云端服务器根据ML应用程序资源要求，通过DCS虚拟机判断一第一DCS逻辑电路对象以及一第二DCS逻辑电路对象是可用。其中，第一DCS逻辑电路对象以及第二DCS逻辑电路对象分别对应于第一FPGA电路的一第一部分逻辑电路以及一第二部分逻辑电路。
接着，执行步骤803，PaaS云端服务器通过DCS对象管理模块建立一第一DCS服务对象以及一第二DCS服务对象，并将第一DCS服务对象以及第二DCS服务对象分别配对第一DCS逻辑电路对象以及第二DCS逻辑电路对象。执行步骤804，PaaS云端服务器通过DCS对象管理模块，将第一DCS服务对象以及第二DCS服务对象接合用户的一ML应用程序。
执行步骤805，PaaS云端服务器通过DCS虚拟机，自ML应用程序接收一ML应用程序数据。执行步骤806，PaaS云端服务器根据第一DCS服务对象以及第二DCS服务对象，通过DCS虚拟机将ML应用程序数据分割为一第一部分ML应用程序数据以及一第二部分ML应用程序数据。执行步骤807，PaaS云端服务器根据第一DCS服务对象与第一DCS逻辑电路对象的配对以及第二DCS服务对象与第二DCS逻辑电路对象的配对，通过DCS虚拟机将第一部分ML应用程序数据以及第二部分ML应用程序数据分别输入至第一DCS服务对象对应的第一部分逻辑电路以及第二DCS服务对象对应的第二部分逻辑电路。
如此一来，第一部分逻辑电路便可将第一部分ML应用程序数据压缩成一第一压缩ML应用程序数据，并于储存第一压缩ML应用程序数据至一第一压缩数据库后产生一第一ML数据储存信息。另一方面，第二部分逻辑电路将第二部分ML应用程序数据压缩成一第二压缩ML应用程序数据，并于储存第二压缩ML应用程序数据至第二压缩数据库后产生一第二ML数据储存信息。执行步骤808，PaaS云端服务器通过DCS虚拟机，将第一ML数据储存信息以及第二ML数据储存信息传送至ML应用程序。
接着，执行步骤809，PaaS云端服务器通过DPT虚拟机，撷取ML应用程序的第一ML数据储存信息以及第二ML数据储存信息。执行步骤810，PaaS云端服务器根据第一ML数据储存信息以及第二ML数据储存信息，通过DPT虚拟机判断一第一DPT逻辑电路对象以及一第二DPT逻辑电路对象是可用。其中，第一DPT逻辑电路对象以及第二DPT逻辑电路对象分别对应于第二FPGA电路的一第一部分逻辑电路以及一第二部分逻辑电路。
执行步骤811，PaaS云端服务器通过DPT对象管理模块建立一第一DPT服务对象以及一第二DPT服务对象，并将第一DPT服务对象以及第二DPT服务对象分别配对第一DPT逻辑电路对象以及第二DPT逻辑电路对象。执行步骤812，PaaS云端服务器通过DPT对象管理模块，将第一DPT服务对象以及第二DPT服务对象接合用户的该ML应用程序。
随后，执行步骤813，PaaS云端服务器根据第一ML数据储存信息以及第二ML数据储存信息，通过DPT虚拟机分别自第一压缩数据库以及第二压缩数据库撷取第一压缩ML应用程序数据以及第二压缩ML应用程序数据。执行步骤814，PaaS云端服务器根据第一DPT服务对象与第一DPT逻辑电路对象的配对以及第二DPT服务对象与第二DPT逻辑电路对象的配对，通过DPT虚拟机将第一压缩ML应用程序数据以及第二压缩ML应用程序数据分别输入至第一DPT逻辑电路对象以及第二DPT逻辑电路对象对应的第二FPGA电路的第一部分逻辑电路以及第二部分逻辑电路。
如此一来，第二FPGA电路的第一部分逻辑电路以及第二部分逻辑电路便可据以计算第一压缩ML应用程序数据以及第一压缩ML应用程序数据的一ML模型。最后，执行步骤815，PaaS云端服务器通过DPT虚拟机，将ML模型传送至ML应用程序。
综合上述，本发明的PaaS云端服务器及其机器学习数据处理方法，主要是基于PaaS系统，利用FPGA电路的特性将机器学习数据分拆、压缩、储存后，再利用另一FPGA电路的多逻辑电路，平行处理不同的机器学习数据，并据以建立模型。如此一来，便可大幅降低硬件成本以及耗能，同时提升机器学习数据处理的效率，以解决先前技术的问题。
惟上述实施例仅为例示性说明本发明的实施态样，以及阐释本发明的技术特征，并非用来限制本发明的保护范畴。任何熟悉此技艺的人士可轻易完成的改变或均等性的安排均属于本发明所主张的范围，本发明的权利保护范围应以申请专利范围为准。

Claims (8)

1.一种用于平台即服务云端服务器的机器学习数据处理方法，该平台即服务云端服务器执行一数据压缩储存对象管理模块以及一数据压缩储存虚拟机，该数据压缩储存虚拟机控制一第一场域可程序化门阵列电路，其特征在于，该机器学习数据处理方法包含：
该平台即服务云端服务器通过该数据压缩储存虚拟机，接收一用户的一机器学习应用程序资源要求；
该平台即服务云端服务器根据该机器学习应用程序资源要求，通过该数据压缩储存虚拟机判断一第一数据压缩储存逻辑电路对象是可用，其中，该第一数据压缩储存逻辑电路对象对应于该第一场域可程序化门阵列电路的一第一部分逻辑电路；
该平台即服务云端服务器通过该数据压缩储存对象管理模块建立一第一数据压缩储存服务对象，并配对该第一数据压缩储存服务对象与该第一数据压缩储存逻辑电路对象；
该平台即服务云端服务器通过该数据压缩储存对象管理模块，将该第一数据压缩储存服务对象接合该用户的一机器学习应用程序；
该平台即服务云端服务器通过该数据压缩储存虚拟机，自该机器学习应用程序接收一机器学习应用程序数据；
该平台即服务云端服务器根据该第一数据压缩储存服务对象与该第一数据压缩储存逻辑电路对象的配对，通过该数据压缩储存虚拟机将该机器学习应用程序数据输入至该第一数据压缩储存服务对象对应的该第一部分逻辑电路，俾该第一部分逻辑电路将该机器学习应用程序数据压缩成一压缩机器学习应用程序数据，并于储存该压缩机器学习应用程序数据至一第一压缩数据库后产生一机器学习数据储存信息；以及
该平台即服务云端服务器通过该数据压缩储存虚拟机，将该机器学习数据储存信息传送至该机器学习应用程序。
2.如权利要求1所述的机器学习数据处理方法，其特征在于，该平台即服务云端服务器更执行一数据平行训练对象管理模块以及一数据平行训练虚拟机，该数据平行训练虚拟机控制一第二场域可程序化门阵列电路，该机器学习数据处理方法更包含：
该平台即服务云端服务器通过该数据平行训练虚拟机，撷取该机器学习应用程序的该机器学习数据储存信息；
该平台即服务云端服务器根据该机器学习数据储存信息，通过该数据平行训练虚拟机判断一第一数据平行训练逻辑电路对象是可用，其中，该第一数据平行训练逻辑电路对象对应于该第二场域可程序化门阵列电路的一第一部分逻辑电路；
该平台即服务云端服务器通过该数据平行训练对象管理模块建立一第一数据平行训练服务对象，并配对该第一数据平行训练服务对象与该第一数据平行训练逻辑电路对象；
该平台即服务云端服务器通过该数据平行训练对象管理模块，将该第一数据平行训练服务对象接合该用户的该机器学习应用程序；
该平台即服务云端服务器根据该机器学习数据储存信息，通过该数据平行训练虚拟机自该第一压缩数据库撷取该压缩机器学习应用程序数据；
该平台即服务云端服务器根据该第一数据平行训练服务对象与该第一数据平行训练逻辑电路对象的配对，通过该数据平行训练虚拟机将该压缩机器学习应用程序数据输入至该第一数据平行训练逻辑电路对象对应的该第二场域可程序化门阵列电路的该第一部分逻辑电路，俾该第二场域可程序化门阵列电路的该第一部分逻辑电路计算该压缩机器学习应用程序数据的一机器学习模型；以及
该平台即服务云端服务器通过该数据平行训练虚拟机，将该机器学习模型传送至该机器学习应用程序。
3.一种用于平台即服务云端服务器的机器学习数据处理方法，其特征在于，该平台即服务云端服务器执行一数据压缩储存对象管理模块以及一数据压缩储存虚拟机，该数据压缩储存虚拟机控制一第一场域可程序化门阵列电路，该机器学习数据处理方法包含：
该平台即服务云端服务器通过该数据压缩储存虚拟机，接收一用户的一机器学习应用程序资源要求；
该平台即服务云端服务器根据该机器学习应用程序资源要求，通过该数据压缩储存虚拟机判断一第一数据压缩储存逻辑电路对象以及一第二数据压缩储存逻辑电路对象是可用，其中，该第一数据压缩储存逻辑电路对象以及该第二数据压缩储存逻辑电路对象分别对应于该第一场域可程序化门阵列电路的一第一部分逻辑电路以及一第二部分逻辑电路；
该平台即服务云端服务器通过该数据压缩储存对象管理模块建立一第一数据压缩储存服务对象以及一第二数据压缩储存服务对象，并将该第一数据压缩储存服务对象以及该第二数据压缩储存服务对象分别配对该第一数据压缩储存逻辑电路对象以及该第二数据压缩储存逻辑电路对象；
该平台即服务云端服务器通过该数据压缩储存对象管理模块，将该第一数据压缩储存服务对象以及该第二数据压缩储存服务对象接合该用户的一机器学习应用程序；
该平台即服务云端服务器通过该数据压缩储存虚拟机，自该机器学习应用程序接收一机器学习应用程序数据；
该平台即服务云端服务器根据该第一数据压缩储存服务对象以及该第二数据压缩储存服务对象，通过该数据压缩储存虚拟机将该机器学习应用程序数据分割为一第一部分机器学习应用程序数据以及一第二部分机器学习应用程序数据；
该平台即服务云端服务器根据该第一数据压缩储存服务对象与该第一数据压缩储存逻辑电路对象的配对以及该第二数据压缩储存服务对象与该第二数据压缩储存逻辑电路对象的配对，通过该数据压缩储存虚拟机将该第一部分机器学习应用程序数据以及该第二部分机器学习应用程序数据分别输入至该第一数据压缩储存服务对象对应的该第一部分逻辑电路以及该第二数据压缩储存服务对象对应的该第二部分逻辑电路，其中，该第一部分逻辑电路将该第一部分机器学习应用程序数据压缩成一第一压缩机器学习应用程序数据，并于储存该第一压缩机器学习应用程序数据至一第一压缩数据库后产生一第一机器学习数据储存信息，该第二部分逻辑电路将该第二部分机器学习应用程序数据压缩成一第二压缩机器学习应用程序数据，并于储存该第二压缩机器学习应用程序数据至一第二压缩数据库后产生一第二机器学习数据储存信息；以及
该平台即服务云端服务器通过该数据压缩储存虚拟机，将该第一机器学习数据储存信息以及该第二机器学习数据储存信息传送至该机器学习应用程序。
4.如权利要求3所述的机器学习数据处理方法，其特征在于，该平台即服务云端服务器更执行一数据平行训练对象管理模块以及一数据平行训练虚拟机，该数据平行训练虚拟机控制一第二场域可程序化门阵列电路，该机器学习数据处理方法更包含：
该平台即服务云端服务器通过该数据平行训练虚拟机，撷取该机器学习应用程序的该第一机器学习数据储存信息以及该第二机器学习数据储存信息；
该平台即服务云端服务器根据该第一机器学习数据储存信息以及该第二机器学习数据储存信息，通过该数据平行训练虚拟机判断一第一数据平行训练逻辑电路对象以及一第二数据平行训练逻辑电路对象是可用，其中，该第一数据平行训练逻辑电路对象以及该第二数据平行训练逻辑电路对象分别对应于该第二场域可程序化门阵列电路的一第一部分逻辑电路以及一第二部分逻辑电路；
该平台即服务云端服务器通过该数据平行训练对象管理模块建立一第一数据平行训练服务对象以及一第二数据平行训练服务对象，并将该第一数据平行训练服务对象以及该第二数据平行训练服务对象分别配对该第一数据平行训练逻辑电路对象以及该第二数据平行训练逻辑电路对象；
该平台即服务云端服务器通过该数据平行训练对象管理模块，将该第一数据平行训练服务对象以及该第二数据平行训练服务对象接合该用户的该机器学习应用程序；
该平台即服务云端服务器根据该第一机器学习数据储存信息以及该第二机器学习数据储存信息，通过该数据平行训练虚拟机分别自该第一压缩数据库以及该第二压缩数据库撷取该第一压缩机器学习应用程序数据以及该第二压缩机器学习应用程序数据；
该平台即服务云端服务器根据该第一数据平行训练服务对象与该第一数据平行训练逻辑电路对象的配对以及该第二数据平行训练服务对象与该第二数据平行训练逻辑电路对象的配对，通过该数据平行训练虚拟机将该第一压缩机器学习应用程序数据以及该第二压缩机器学习应用程序数据分别输入至该第一数据平行训练逻辑电路对象以及该第二数据平行训练逻辑电路对象对应的该第二场域可程序化门阵列电路的该第一部分逻辑电路以及该第二部分逻辑电路，俾该第二场域可程序化门阵列电路的该第一部分逻辑电路以及该第二部分逻辑电路计算该第一压缩机器学习应用程序数据以及该第二压缩机器学习应用程序数据的一机器学习模型；以及
该平台即服务云端服务器通过该数据平行训练虚拟机，将该机器学习模型传送至该机器学习应用程序。
5.一种机器学习的平台即服务云端服务器，其特征在于，包含：
一传输接口，用以连接一第一场域可程序化门阵列电路；以及
一处理器，用以执行一数据压缩储存对象管理模块以及一数据压缩储存虚拟机，并通过该数据压缩储存虚拟机控制该第一场域可程序化门阵列电路，该数据压缩储存虚拟机包含一数据压缩储存处理模块；
其中，该数据压缩储存处理模块用以：
接收一用户的一机器学习应用程序资源要求；以及
根据该机器学习应用程序资源要求，判断一第一数据压缩储存逻辑电路对象是可用，其中，该第一数据压缩储存逻辑电路对象对应于该第一场域可程序化门阵列电路的一第一部分逻辑电路；其中，该数据压缩储存对象管理模块用以：
建立一第一数据压缩储存服务对象，并配对该第一数据压缩储存服务对象与该第一数据压缩储存逻辑电路对象；以及
将该第一数据压缩储存服务对象接合该用户的一机器学习应用程序；
其中，该数据压缩储存处理模块更用以：
自该机器学习应用程序接收一机器学习应用程序数据；
根据该第一数据压缩储存服务对象与该第一数据压缩储存逻辑电路对象的配对，将该机器学习应用程序数据输入至该第一数据压缩储存服务对象对应的该第一部分逻辑电路，俾该第一部分逻辑电路将该机器学习应用程序数据压缩成一压缩机器学习应用程序数据，并于储存该压缩机器学习应用程序数据至一第一压缩数据库后产生一机器学习数据储存信息；以及
将该机器学习数据储存信息传送至该机器学习应用程序。
6.如权利要求5所述的平台即服务云端服务器，其特征在于：
该传输接口更用以连接一第二场域可程序化门阵列电路；
该处理器更用以执行一数据平行训练对象管理模块以及一数据平行训练虚拟机，并通过该数据平行训练虚拟机控制该第二场域可程序化门阵列电路，该数据平行训练虚拟机包含一数据平行训练处理模块
其中，该数据平行训练处理模块更用以：
撷取该机器学习应用程序的该机器学习数据储存信息；以及
根据该机器学习数据储存信息，判断一第一数据平行训练逻辑电路对象是可用，其中，该第一数据平行训练逻辑电路对象对应于该第二场域可程序化门阵列电路的一第一部分逻辑电路；
其中，该数据平行训练对象管理模块更用以：
建立一第一数据平行训练服务对象，并配对该第一数据平行训练服务对象与该第一数据平行训练逻辑电路对象；以及
将该第一数据平行训练服务对象接合该用户的该机器学习应用程序；
其中，该数据平行训练处理模块更用以：
根据该机器学习数据储存信息，自该第一压缩数据库撷取该压缩机器学习应用程序数据；
根据该第一数据平行训练服务对象与该第一数据平行训练逻辑电路对象的配对，将该压缩机器学习应用程序数据输入至该第一数据平行训练逻辑电路对象对应的该第二场域可程序化门阵列电路的该第一部分逻辑电路，俾该第二场域可程序化门阵列电路的该第一部分逻辑电路计算该压缩机器学习应用程序数据的一机器学习模型；以及
将该机器学习模型传送至该机器学习应用程序。
7.一种机器学习的平台即服务云端服务器，其特征在于，包含：
一传输接口，用以连接一第一场域可程序化门阵列电路；以及
一处理器，用以执行一数据压缩储存对象管理模块以及一数据压缩储存虚拟机，并通过该数据压缩储存虚拟机控制该第一场域可程序化门阵列电路，该数据压缩储存虚拟机包含一数据压缩储存处理模块；
其中，该数据压缩储存处理模块用以：
接收一用户的一机器学习应用程序资源要求；以及
根据该机器学习应用程序资源要求，判断一第一数据压缩储存逻辑电路对象以及一第二数据压缩储存逻辑电路对象是可用，其中，该第一数据压缩储存逻辑电路对象以及该第二数据压缩储存逻辑电路对象分别对应于该第一场域可程序化门阵列电路的一第一部分逻辑电路以及一第二部分逻辑电路；
其中，该数据压缩储存对象管理模块用以：
建立一第一数据压缩储存服务对象以及一第二数据压缩储存服务对象，并将该第一数据压缩储存服务对象以及该第二数据压缩储存服务对象分别配对该第一数据压缩储存逻辑电路对象以及该第二数据压缩储存逻辑电路对象；以及
将该第一数据压缩储存服务对象以及该第二数据压缩储存服务对象接合该用户的一机器学习应用程序；
其中，该数据压缩储存处理模块更用以：
自该机器学习应用程序接收一机器学习应用程序数据；
根据该第一数据压缩储存服务对象以及该第二数据压缩储存服务对象，将该机器学习应用程序数据分割为一第一部分机器学习应用程序数据以及一第二部分机器学习应用程序数据；
根据该第一数据压缩储存服务对象与该第一数据压缩储存逻辑电路对象的配对以及该第二数据压缩储存服务对象与该第二数据压缩储存逻辑电路对象的配对，将该第一部分机器学习应用程序数据以及该第二部分机器学习应用程序数据分别输入至该第一数据压缩储存服务对象对应的该第一部分逻辑电路以及该第二数据压缩储存服务对象对应的该第二部分逻辑电路，其中，该第一部分逻辑电路将该第一部分机器学习应用程序数据压缩成一第一压缩机器学习应用程序数据，并于储存该第一压缩机器学习应用程序数据至一第一压缩数据库后产生一第一机器学习数据储存信息，该第二部分逻辑电路将该第二部分机器学习应用程序数据压缩成一第二压缩机器学习应用程序数据，并于储存该第二压缩机器学习应用程序数据至该第二压缩数据库后产生一第二机器学习数据储存信息；以及
将该第一机器学习数据储存信息以及该第二机器学习数据储存信息传送至该机器学习应用程序。
8.如权利要求7所述的平台即服务云端服务器，其特征在于：
该传输接口更用以连接一第二场域可程序化门阵列电路；
该处理器更用以执行一数据平行训练对象管理模块以及一数据平行训练虚拟机，并通过该数据平行训练虚拟机控制该第二场域可程序化门阵列电路，该数据平行训练虚拟机包含一数据平行训练处理模块
其中，该数据平行训练处理模块更用以：
撷取该机器学习应用程序的该第一机器学习数据储存信息以及该第二机器学习数据储存信息；
根据该第一机器学习数据储存信息以及该第二机器学习数据储存信息，判断一第一数据平行训练逻辑电路对象以及一第二数据平行训练逻辑电路对象是可用，其中，该第一数据平行训练逻辑电路对象以及该第二数据平行训练逻辑电路对象分别对应于该第二场域可程序化门阵列电路的一第一部分逻辑电路以及一第二部分逻辑电路；
其中，该数据平行训练对象管理模块更用以：
建立一第一数据平行训练服务对象以及一第二数据平行训练服务对象，并将该第一数据平行训练服务对象以及该第二数据平行训练服务对象分别配对该第一数据平行训练逻辑电路对象以及该第二数据平行训练逻辑电路对象；
将该第一数据平行训练服务对象以及该第二数据平行训练服务对象接合该用户的该机器学习应用程序；
其中，该数据平行训练对象管理模块更用以：
根据该第一机器学习数据储存信息以及该第二机器学习数据储存信息，分别自该第一压缩数据库以及该第二压缩数据库撷取该第一压缩机器学习应用程序数据以及该第二压缩机器学习应用程序数据；
根据该第一数据平行训练服务对象与该第一数据平行训练逻辑电路对象的配对以及该第二数据平行训练服务对象与该第二数据平行训练逻辑电路对象的配对，将该第一压缩机器学习应用程序数据以及该第二压缩机器学习应用程序数据分别输入至该第一数据平行训练逻辑电路对象以及该第二数据平行训练逻辑电路对象对应的该第二场域可程序化门阵列电路的该第一部分逻辑电路以及该第二部分逻辑电路，俾该第二场域可程序化门阵列电路的该第一部分逻辑电路以及该第二部分逻辑电路计算该第一压缩机器学习应用程序数据以及该第一压缩机器学习应用程序数据的一机器学习模型；以及
将该机器学习模型传送至该机器学习应用程序。
CN201711247838.0A 2017-11-23 2017-12-01 平台即服务云端服务器及其机器学习数据处理方法 Active CN109829546B (zh)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
TW106140755 2017-11-23
TW106140755A TWI672924B (zh) 2017-11-23 2017-11-23 平台即服務雲端伺服器及其機器學習資料處理方法

Publications (2)

Publication Number Publication Date
CN109829546A CN109829546A (zh) 2019-05-31
CN109829546B true CN109829546B (zh) 2023-05-30

Family

ID=66533190

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201711247838.0A Active CN109829546B (zh) 2017-11-23 2017-12-01 平台即服务云端服务器及其机器学习数据处理方法

Country Status (3)

Country Link
US (1) US11023825B2 (zh)
CN (1) CN109829546B (zh)
TW (1) TWI672924B (zh)

Families Citing this family (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US10693968B2 (en) * 2018-09-12 2020-06-23 Pivotal Software, Inc. Secure binding workflow
US20200394566A1 (en) * 2019-06-14 2020-12-17 Open Text Sa Ulc Systems and methods for lightweight cloud-based machine learning model service
US11249861B2 (en) 2020-02-06 2022-02-15 Bank Of America Corporation Multi-layered disaster recovery manager
CN111669412A (zh) * 2020-08-10 2020-09-15 南京江北新区生物医药公共服务平台有限公司 一种提供多种机器学习框架的机器学习paas云平台系统

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102681899A (zh) * 2011-03-14 2012-09-19 金剑 云计算服务平台的虚拟计算资源动态管理系统
CN104683400A (zh) * 2013-11-29 2015-06-03 英业达科技有限公司 云端系统与云端资源配置方法
CN105610923A (zh) * 2015-12-23 2016-05-25 北京华康嘉合科技有限公司 一种基于云计算的数据处理系统和方法

Family Cites Families (13)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US8117137B2 (en) 2007-04-19 2012-02-14 Microsoft Corporation Field-programmable gate array based accelerator system
US8607200B2 (en) * 2010-06-01 2013-12-10 Red Hat, Inc. Executing a web application at different stages in the application life cycle
TWM500311U (zh) * 2011-10-17 2015-05-01 Chieh-Hsueh Sheng 雲端服務核心系統
US20150032846A1 (en) * 2012-02-24 2015-01-29 Interdigital Patent Holdings, Inc. Methods, apparatus and systems for mobile cloud bursting
CN108599964B (zh) * 2012-02-29 2022-02-22 交互数字专利控股公司 一种由wtru执行的方法及wtru
US9691034B2 (en) 2013-05-14 2017-06-27 The Trustees Of Princeton University Machine-learning accelerator (MLA) integrated circuit for extracting features from signals and performing inference computations
US9690669B2 (en) * 2014-06-16 2017-06-27 Internaitonal Business Machines Corporation Techniques for improving cloud infrastructure backup in a shared storage environment
US9513949B2 (en) * 2014-08-23 2016-12-06 Vmware, Inc. Machine identity persistence for users of non-persistent virtual desktops
US9280392B1 (en) * 2014-10-02 2016-03-08 International Business Machines Corporation Resource substitution and reallocation in a virtual computing environment
US10057314B2 (en) * 2015-04-17 2018-08-21 Telefonaktiebolaget Lm Ericsson (Publ) Dynamic packager network based ABR media distribution and delivery
US10291681B2 (en) * 2015-06-18 2019-05-14 Ericsson Ab Directory limit based system and method for storing media segments
US10270841B1 (en) * 2016-03-04 2019-04-23 Quest Software Inc. Systems and methods of real-time container deployment
US10552469B2 (en) * 2017-01-06 2020-02-04 Oracle International Corporation File system hierarchy mirroring across cloud data stores

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102681899A (zh) * 2011-03-14 2012-09-19 金剑 云计算服务平台的虚拟计算资源动态管理系统
CN104683400A (zh) * 2013-11-29 2015-06-03 英业达科技有限公司 云端系统与云端资源配置方法
CN105610923A (zh) * 2015-12-23 2016-05-25 北京华康嘉合科技有限公司 一种基于云计算的数据处理系统和方法

Also Published As

Publication number Publication date
US11023825B2 (en) 2021-06-01
TW201926946A (zh) 2019-07-01
US20190156245A1 (en) 2019-05-23
TWI672924B (zh) 2019-09-21
CN109829546A (zh) 2019-05-31

Similar Documents

Publication Publication Date Title
CN109829546B (zh) 平台即服务云端服务器及其机器学习数据处理方法
CN102413150B (zh) 服务器、虚拟桌面控制方法以及虚拟桌面控制系统
WO2019222934A1 (zh) 文件处理方法、装置和系统
CN104618155B (zh) 一种虚拟机容错的方法、装置及系统
JP6753200B2 (ja) シミュレートされたオペレータ・トレーニング・システムに対するクラウド・ベースのコンピューティング・クラスタのための方法、システムおよびコンピュータ・プログラム
CN103888485A (zh) 云计算资源的分配方法、装置及系统
CN104965757A (zh) 虚拟机热迁移的方法、虚拟机迁移管理装置及系统
CN105159753A (zh) 加速器虚拟化的方法、装置及集中资源管理器
CN105183675A (zh) 对usb设备的访问方法、装置、终端、服务器及系统
CN101976200A (zh) 在虚拟机监控器外进行输入输出设备虚拟化的虚拟机系统
CN113079216B (zh) 一种云应用的实现方法、装置、电子设备及可读存储介质
US10802879B2 (en) Method and device for dynamically assigning task and providing resources and system thereof
WO2023207035A1 (zh) 一种数据同步方法、装置、设备及存储介质
US20130219386A1 (en) Dynamic allocation of compute resources
CN114900699A (zh) 视频编解码卡虚拟化方法、装置、存储介质及终端
US9614900B1 (en) Multi-process architecture for a split browser
CN103092676A (zh) 虚拟机集群的模拟输入输出方法、装置及系统
CN114489690A (zh) 一种分布式系统部署方法、装置、电子设备及存储介质
CN104869168A (zh) 一种桌面虚拟应用的负载平衡方法
US20180189090A1 (en) Exposing Hardware Work Queues as Virtual Devices in Virtual Machines
WO2023071566A1 (zh) 数据处理方法、装置、计算机设备、计算机可读存储介质及计算机程序产品
WO2016095377A1 (zh) 一种瘦客户端的图像显示方法、装置及电子设备
EP4203488A1 (en) Parameter configuration method and related system
WO2022001317A1 (zh) 芯片仿真方法、装置、设备、系统及存储介质
CN104504000A (zh) 一种远程镜像文件的传输方法,装置及系统

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