CN110502487B - 一种缓存管理方法与装置 - Google Patents
一种缓存管理方法与装置 Download PDFInfo
- Publication number
- CN110502487B CN110502487B CN201910736101.8A CN201910736101A CN110502487B CN 110502487 B CN110502487 B CN 110502487B CN 201910736101 A CN201910736101 A CN 201910736101A CN 110502487 B CN110502487 B CN 110502487B
- Authority
- CN
- China
- Prior art keywords
- cache
- computing node
- data
- training task
- data set
- 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
- 238000007726 management method Methods 0.000 title claims abstract description 28
- 238000012549 training Methods 0.000 claims abstract description 135
- 230000004044 response Effects 0.000 claims abstract description 37
- 238000000034 method Methods 0.000 claims description 20
- 238000012217 deletion Methods 0.000 claims description 9
- 230000037430 deletion Effects 0.000 claims description 9
- 230000008569 process Effects 0.000 description 6
- 238000004590 computer program Methods 0.000 description 5
- 230000006870 function Effects 0.000 description 5
- 238000012545 processing Methods 0.000 description 3
- 238000013135 deep learning Methods 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 230000009466 transformation Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000013136 deep learning model Methods 0.000 description 1
- 230000014509 gene expression Effects 0.000 description 1
- 238000000638 solvent extraction Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000000844 transformation Methods 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/10—File systems; File servers
- G06F16/17—Details of further file system functions
- G06F16/172—Caching, prefetching or hoarding of files
Abstract
本发明公开了一种缓存管理方法与装置包括：根据所有计算节点的数据集的现有缓存数据生成缓存记录文件并确定各计算节点的缓存策略；响应于本地计算节点接收到训练任务而根据缓存记录文件确定训练任务所需的数据集是否存储于任一计算节点；响应于本地计算节点满足缓存策略要求，而下载训练任务所需的数据集；响应于本地计算节点不满足缓存策略要求，而基于缓存记录文件删除现有缓存数据并重新确定本地计算节点是否满足缓存策略要求。本发明能够管理不同训练数据的缓存，根据实际场景需要来选择性地下载和删除，节省训练数据的下载时间并保证计算节点磁盘存储的可用性。
Description
技术领域
本发明涉及计算机领域，更具体地，特别是指一种缓存管理方法与装置。
背景技术
在深度学习模型训练的过程中，训练数据集越大，数据样本越多，越容易避免训练模型的过拟合问题。但同时，大规模的数据集也为集群管理带来了挑战，例如一个视频处理的采集数据可达几十G甚至上百G，而作为多用户共享的深度学习集群，不同的用户可能使用相同的数据集进行模型训练，或者单用户也会使用不同的数据集进行训练。由于计算节点的存储空间有限，这些训练数据不可能同时存放在每个计算节点供用户使用，这样也会造成存储空间的浪费，如何存放和使用这些训练数据也就成为了深度学习集群平台需要解决的问题。
对此现有技术存在两种解决方式。一个是通过共享存储的方式将训练数据存放在存储节点，然后通过共享挂载的方式将数据挂载到计算节点，计算节点读取共享数据进行训练；另一个是通过云存储的方式将训练数据存放在云端，在训练时首先将数据下载到计算节点本地，训练完成后再将数据删除。然而，通过共享存储的方式访问数据存在读写瓶颈，一些企业集群由于技术或者成本原因也不会搭建维护高性能的共享文件系统；另一方面，训练前下载训练后删除的方式会耗费一大部分时间在数据下载上，如果训练后不删除则可能由于磁盘存储空间用满导致其他问题。
针对现有技术中难以处理训练数据缓存的问题，目前尚未有有效的解决方案。
发明内容
有鉴于此，本发明实施例的目的在于提出一种缓存管理方法与装置，能够管理不同训练数据的缓存，根据实际场景需要来选择性地下载和删除，节省训练数据的下载时间并保证计算节点磁盘存储的可用性。
基于上述目的，本发明实施例的第一方面提供了一种缓存管理方法，应用于计算节点，包括：
根据所有计算节点的数据集的现有缓存数据生成缓存记录文件并确定各计算节点的缓存策略，其中缓存记录文件包括现有缓存数据中所有数据集的标识和所在计算节点；
响应于本地计算节点接收到训练任务而根据缓存记录文件确定训练任务所需的数据集是否存储于任一计算节点；
响应于训练任务所需的数据集未存储于任一计算节点、并且本地计算节点满足缓存策略要求，而下载训练任务所需的数据集；
响应于训练任务所需的数据集未存储于任一计算节点、并且本地计算节点不满足缓存策略要求，而基于缓存记录文件删除现有缓存数据并重新确定本地计算节点是否满足缓存策略要求。
在一些实施方式中，确定各计算节点的缓存策略包括：
确定各计算节点存储的数据集的现有缓存数据的最大数量；和/或
确定各计算节点存储的数据集的现有缓存数据占本地计算节点的存储空间的最大百分比。
在一些实施方式中，响应于接收到训练任务而根据缓存记录文件确定训练任务所需的数据集是否存储于任一计算节点包括：
根据训练任务确定训练任务所需的数据集的标识；
在缓存记录文件中查找标识，根据缓存记录文件中是否存在标识来确定训练任务所需的数据集是否存储于任一计算节点。
在一些实施方式中，还包括：响应于训练任务所需的数据集存储于本地计算节点，而修改缓存记录文件并启动任务；响应于训练任务所需的数据集存储于任一非本地计算节点，而修改缓存记录文件并访问非本地计算节点获取训练任务所需的数据集以启动任务。
在一些实施方式中，缓存记录文件还包括现有缓存数据中所有数据集的最后调用的训练任务、当前调用数量；
修改缓存记录文件包括：
将训练任务所需的数据集的最后调用的训练任务修改为训练任务；
将训练任务所需的数据集的当前调用数量加一。
在一些实施方式中，还包括：响应于完成训练任务，而将训练任务所需的数据集的当前调用数量减一。
在一些实施方式中，缓存记录文件还包括现有缓存数据中所有数据集的锁定状态；
基于缓存记录文件删除现有缓存数据包括：
查找缓存记录文件，确定锁定状态为未锁定且当前调用数量为零的空闲数据集；
持续删除空闲数据集的现有缓存数据直到空闲数据集不存在、或本地计算节点满足缓存策略要求为止。
在一些实施方式中，还包括：在删除空闲数据集的同时，还相应地在缓存记录文件中删除空闲数据集的标识、所在计算节点、最后调用的训练任务、锁定状态、当前调用数量。
本发明实施例的第二方面提供了一种缓存管理装置，包括：
初始化模块，用于根据所有计算节点的数据集的现有缓存数据生成缓存记录文件并确定各计算节点的缓存策略，其中缓存记录文件包括现有缓存数据中所有数据集的标识、所在计算节点、最后调用的训练任务、锁定状态、当前调用数量；
缓存检查模块，用于响应于本地计算节点接收到训练任务而根据缓存记录文件确定训练任务所需的数据集是否存储于任一计算节点；
缓存下载模块，用于响应于训练任务所需的数据集未存储于任一计算节点、并且本地计算节点满足缓存策略要求，而下载训练任务所需的数据集；
缓存删除模块，用于响应于训练任务所需的数据集未存储于任一计算节点、并且本地计算节点不满足缓存策略要求，而基于缓存记录文件删除现有缓存数据并重新确定本地计算节点是否满足缓存策略要求。
本发明实施例的第三方面提供了一种计算节点，包括：
处理器；和
存储器，存储有处理器可运行的程序代码，程序代码在被运行时执行上述的缓存管理方法。
本发明具有以下有益技术效果：本发明实施例提供的缓存管理方法与装置，通过根据所有计算节点的数据集的现有缓存数据生成缓存记录文件并确定各计算节点的缓存策略，其中缓存记录文件包括现有缓存数据中所有数据集的标识和所在计算节点；响应于本地计算节点接收到训练任务而根据缓存记录文件确定训练任务所需的数据集是否存储于任一计算节点；响应于训练任务所需的数据集未存储于任一计算节点、并且本地计算节点满足缓存策略要求，而下载训练任务所需的数据集；响应于训练任务所需的数据集未存储于任一计算节点、并且本地计算节点不满足缓存策略要求，而基于缓存记录文件删除现有缓存数据并重新确定本地计算节点是否满足缓存策略要求的技术方案，能够管理不同训练数据的缓存，根据实际场景需要来选择性地下载和删除，节省训练数据的下载时间并保证计算节点磁盘存储的可用性。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1为本发明提供的缓存管理方法的流程示意图；
图2为本发明提供的缓存管理方法的模块-步骤混合流程图。
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，以下结合具体实施例，并参照附图，对本发明实施例进一步详细说明。
需要说明的是，本发明实施例中所有使用“第一”和“第二”的表述均是为了区分两个相同名称非相同的实体或者非相同的参量，可见“第一”“第二”仅为了表述的方便，不应理解为对本发明实施例的限定，后续实施例对此不再一一说明。
基于上述目的，本发明实施例的第一个方面，提出了一种能够管理不同训练数据的缓存的方法的一个实施例。图1示出的是本发明提供的缓存管理方法的流程示意图。
所述缓存管理方法，如图1所示，应用于计算节点，包括：
步骤S101：根据所有计算节点的数据集的现有缓存数据生成缓存记录文件并确定各计算节点的缓存策略，其中缓存记录文件包括现有缓存数据中所有数据集的标识和所在计算节点；
步骤S103：响应于接收到训练任务而根据缓存记录文件确定训练任务所需的数据集是否存储于任一计算节点；
步骤S105：响应于训练任务所需的数据集未存储于任一计算节点、并且本地计算节点满足缓存策略要求，而下载训练任务所需的数据集；
步骤S107：响应于训练任务所需的数据集未存储于任一计算节点、并且本地计算节点不满足缓存策略要求，而基于缓存记录文件删除现有缓存数据并重新确定本地计算节点是否满足缓存策略要求。
定义缓存策略时可指定各计算节点的缓存策略如下：数据集数量，计算节点存放缓存数据集的最大数量，超出后会自动删除冗余数据集；缓存存储百分比，计算节点缓存数据所占空间的最大百分比，超出后会自动删除冗余数据集。
本发明实施例采用记录文本的方式来保存缓存信息记录计算节点的缓存信息，示例如下：
cu01#；#；data_traffic_201807#；#；100.mu01#；#；0#；#；1#；#；8158328
cu01#；#；data_traffic_201806#；#；90.mu01#；#；0#；#；3#；#；6848492
cu02#；#；data_image_201901#；#；121.mu01#；#；0#；#；0#；#；3288556
cu03#；#；data_traffic_201812#；#；107.mu01#；#；1#；#；0#；#；7100500
在记录文件中，每一行表示一个数据集在一个计算节点的存放状态，通过“#；#；”进行分隔，其中第一列表示计算节点，第二列表示数据集唯一标识(可以按数据集绝对路径生成)，第三列表示操作数据集的任务标识，第四列表示数据集是否被锁定，第五列表示数据集当前在用情况，第六列表示数据集大小。
例如，第二行表示名称为“data_traffic_201806”的数据集在cu01的存放情况，最后使用该数据集的任务ID为“90.mu01”，数据集当前被三个任务在使用，数据集大小约6.6G；第四行记录表示在cu03节点的数据集“data_traffic_201812”，最后被使用的任务ID为“107.mu01”，当前没有任务在用该数据，但是数据集被锁定(锁定数据集不能被删除)。
在任务开始时引用缓存检查，首先检查任务所需的数据是否已经存在，即是否已经在缓存文件文件中存有记录，如果存在则修改缓存文件记录并直接启动任务；如果不存在，则首先判断当前节点是否满足缓存策略，即缓存数据数量和缓存空间大小，如果不满足则调用缓存删除模块删除冗余数据，如果满足则调用缓存下载模块下载缓存数据，新增缓存文件记录。
缓存删除根据缓存文件查找当前节点的数据缓存记录，查找当前空闲的数据集(第4、5列均为0的数据)，执行数据删除操作并且删除数据记录；
当缓存检查调用缓存下载时传递要下载的数据路径、目标节点、用户名及密码，缓存下载会校验以下信息：用户名密码的正确性、用户是否具有下载数据的可读权限、目标节点的缓存目录是否有足够空间下载数据。上述校验都通过后则开始下载数据到目标节点，下载完毕后按实际信息在缓存文件文件中记录缓存数据。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，可以通过计算机程序来指令相关硬件来完成，所述的程序可存储于一计算机可读取存储介质中，该程序在执行时，可包括如上述各方法的实施例的流程。其中，所述的存储介质可为磁碟、光盘、只读存储记忆体(ROM)或随机存储记忆体(RAM)等。所述计算机程序的实施例，可以达到与之对应的前述任意方法实施例相同或者相类似的效果。
在一些实施方式中，确定各计算节点的缓存策略包括：
确定各计算节点存储的数据集的现有缓存数据的最大数量；和/或
确定各计算节点存储的数据集的现有缓存数据占本地计算节点的存储空间的最大百分比。
在一些实施方式中，响应于接收到训练任务而根据缓存记录文件确定训练任务所需的数据集是否存储于任一计算节点包括：
根据训练任务确定训练任务所需的数据集的标识；
在缓存记录文件中查找标识，根据缓存记录文件中是否存在标识来确定训练任务所需的数据集是否存储于任一计算节点。
在一些实施方式中，还包括：响应于训练任务所需的数据集存储于本地计算节点，而修改缓存记录文件并启动任务；响应于训练任务所需的数据集存储于任一非本地计算节点，而修改缓存记录文件并访问非本地计算节点获取训练任务所需的数据集以启动任务。
在一些实施方式中，缓存记录文件还包括现有缓存数据中所有数据集的最后调用的训练任务、当前调用数量；
修改缓存记录文件包括：
将训练任务所需的数据集的最后调用的训练任务修改为训练任务；
将训练任务所需的数据集的当前调用数量加一。
在一些实施方式中，还包括：响应于完成训练任务，而将训练任务所需的数据集的当前调用数量减一。
在一些实施方式中，缓存记录文件还包括现有缓存数据中所有数据集的锁定状态；
基于缓存记录文件删除现有缓存数据包括：
查找缓存记录文件，确定锁定状态为未锁定且当前调用数量为零的空闲数据集；
持续删除空闲数据集的现有缓存数据直到空闲数据集不存在、或本地计算节点满足缓存策略要求为止。
在一些实施方式中，还包括：在删除空闲数据集的同时，还相应地在缓存记录文件中删除空闲数据集的标识、所在计算节点、最后调用的训练任务、锁定状态、当前调用数量。
根据本发明实施例公开的方法还可以被实现为由CPU执行的计算机程序，该计算机程序可以存储在计算机可读存储介质中。在该计算机程序被CPU执行时，执行本发明实施例公开的方法中限定的上述功能。上述方法步骤以及系统单元也可以利用控制器以及用于存储使得控制器实现上述步骤或单元功能的计算机程序的计算机可读存储介质实现。
下面根据图2所示的具体实施例进一步阐述本发明的具体实施方式。
A)定义缓存检查模块
首先根据目标节点及目标数据在现有的缓存文件中查找是否有对应的记录，如果存在则直接修改当前记录(使用数+1)；如果不存在，则进行当前节点缓存状态的检查(最大缓存数、最大缓存空间)，如果超出限制则调用缓存删除模块进行删除，然后重新检查直到符合配置要求，此处由于篇幅原因只描述了检查最大缓存数量的过程，最大缓存空间与此过程类似，在此不再赘述。
其伪代码实施如下：
输入参数：目标节点$node，所需数据$datai
B)定义缓存删除模块
定义delIdleCache函数删除缓存，该函数通过解析缓存文件获取空闲缓存数据(未被使用且未被锁定的数据)，删除数据并将该记录从缓存文件中删除。
其伪代码实施如下：
C)定义缓存下载模块
缓存下载模块首先判断用户名密码、节点缓存空间等是否满足条件，然后下载数据并修改缓存文件中的记录。
其伪代码实施如下：
上述伪代码中仅描述了相关模块的关键流程，一些简单的逻辑处理如根据类型判断配置文件、增加for循环支持多份缓存数据以及配置文件操作时的锁文件处理等功能不再赘述。
上述描述主要介绍了任务启动时缓存检查下载的自动化过程，相关模块通过任务启动流程自动调用。此外对一些常用缓存数据，用户希望一次下载即可永久保存，此时可申请管理员锁定缓存数据，即通过WEB UI设置缓存文件中的第四列为1，又或者管理员需要定期清理计算节点缓存，此时也可通过UI界面直接调用删除模块进行删除。
从上述实施例可以看出，本发明实施例提供的缓存管理方法，通过根据所有计算节点的数据集的现有缓存数据生成缓存记录文件并确定各计算节点的缓存策略，其中缓存记录文件包括现有缓存数据中所有数据集的标识和所在计算节点；响应于本地计算节点接收到训练任务而根据缓存记录文件确定训练任务所需的数据集是否存储于任一计算节点；响应于训练任务所需的数据集未存储于任一计算节点、并且本地计算节点满足缓存策略要求，而下载训练任务所需的数据集；响应于训练任务所需的数据集未存储于任一计算节点、并且本地计算节点不满足缓存策略要求，而基于缓存记录文件删除现有缓存数据并重新确定本地计算节点是否满足缓存策略要求的技术方案，能够管理不同训练数据的缓存，根据实际场景需要来选择性地下载和删除，节省训练数据的下载时间并保证计算节点磁盘存储的可用性。
需要特别指出的是，上述缓存管理方法的各个实施例中的各个步骤均可以相互交叉、替换、增加、删减，因此，这些合理的排列组合变换之于缓存管理方法也应当属于本发明的保护范围，并且不应将本发明的保护范围局限在所述实施例之上。
基于上述目的，本发明实施例的第二个方面，提出了一种能够管理不同训练数据的缓存的装置的一个实施例。缓存管理装置包括：
初始化模块，用于根据所有计算节点的数据集的现有缓存数据生成缓存记录文件并确定各计算节点的缓存策略，其中缓存记录文件包括现有缓存数据中所有数据集的标识和所在计算节点；
缓存检查模块，用于响应于本地计算节点接收到训练任务而根据缓存记录文件确定训练任务所需的数据集是否存储于任一计算节点；
缓存下载模块，用于响应于训练任务所需的数据集未存储于任一计算节点、并且本地计算节点满足缓存策略要求，而下载训练任务所需的数据集；
缓存删除模块，用于响应于训练任务所需的数据集未存储于任一计算节点、并且本地计算节点不满足缓存策略要求，而基于缓存记录文件删除现有缓存数据并重新确定本地计算节点是否满足缓存策略要求。
结合这里的公开所描述的各种示例性逻辑块、模块、电路和算法步骤可以被实现为电子硬件、计算机软件或两者的组合。为了清楚地说明硬件和软件的这种可互换性，已经就各种示意性组件、方块、模块、电路和步骤的功能对其进行了一般性的描述。这种功能是被实现为软件还是被实现为硬件取决于具体应用以及施加给整个系统的设计约束。本领域技术人员可以针对每种具体应用以各种方式来实现所述的功能，但是这种实现决定不应被解释为导致脱离本发明实施例公开的范围。
基于上述目的，本发明实施例的第三个方面，提出了一种能够针对不同硬件的布线设计自动生成驱动层面的配置文件的计算机一个实施例。计算机包括：
处理器；和
存储器，存储有处理器可运行的程序代码，程序代码在被运行时执行上述的缓存管理方法。
从上述实施例可以看出，本发明实施例提供的缓存管理装置和计算节点，通过根据所有计算节点的数据集的现有缓存数据生成缓存记录文件并确定各计算节点的缓存策略，其中缓存记录文件包括现有缓存数据中所有数据集的标识和所在计算节点；响应于本地计算节点接收到训练任务而根据缓存记录文件确定训练任务所需的数据集是否存储于任一计算节点；响应于训练任务所需的数据集未存储于任一计算节点、并且本地计算节点满足缓存策略要求，而下载训练任务所需的数据集；响应于训练任务所需的数据集未存储于任一计算节点、并且本地计算节点不满足缓存策略要求，而基于缓存记录文件删除现有缓存数据并重新确定本地计算节点是否满足缓存策略要求的技术方案，能够管理不同训练数据的缓存，根据实际场景需要来选择性地下载和删除，节省训练数据的下载时间并保证计算节点磁盘存储的可用性。
需要特别指出的是，上述缓存管理装置和计算节点的实施例采用了所述缓存管理方法的实施例来具体说明各模块的工作过程，本领域技术人员能够很容易想到，将这些模块应用到所述缓存管理方法的其他实施例中。当然，由于所述缓存管理方法实施例中的各个步骤均可以相互交叉、替换、增加、删减，因此，这些合理的排列组合变换之于所述缓存管理装置和计算节点也应当属于本发明的保护范围，并且不应将本发明的保护范围局限在所述实施例之上。
以上是本发明公开的示例性实施例，但是应当注意，在不背离权利要求限定的本发明实施例公开的范围的前提下，可以进行多种改变和修改。根据这里描述的公开实施例的方法权利要求的功能、步骤和/或动作不需以任何特定顺序执行。此外，尽管本发明实施例公开的元素可以以个体形式描述或要求，但除非明确限制为单数，也可以理解为多个。
应当理解的是，在本文中使用的，除非上下文清楚地支持例外情况，单数形式“一个”旨在也包括复数形式。还应当理解的是，在本文中使用的“和/或”是指包括一个或者一个以上相关联地列出的项目的任意和所有可能组合。上述本发明实施例公开实施例序号仅仅为了描述，不代表实施例的优劣。
本领域普通技术人员可以理解实现上述实施例的全部或部分步骤可以通过硬件来完成，也可以通过程序来指令相关的硬件完成，所述的程序可以存储于一种计算机可读存储介质中，上述提到的存储介质可以是只读存储器，磁盘或光盘等。
所属领域的普通技术人员应当理解：以上任何实施例的讨论仅为示例性的，并非旨在暗示本发明实施例公开的范围(包括权利要求)被限于这些例子；在本发明实施例的思路下，以上实施例或者不同实施例中的技术特征之间也可以进行组合，并存在如上所述的本发明实施例的不同方面的许多其它变化，为了简明它们没有在细节中提供。因此，凡在本发明实施例的精神和原则之内，所做的任何省略、修改、等同替换、改进等，均应包含在本发明实施例的保护范围之内。
Claims (7)
1.一种缓存管理方法，其特征在于，应用于计算节点，包括以下步骤：
根据所有计算节点的数据集的现有缓存数据生成缓存记录文件并确定各计算节点的缓存策略，其中所述缓存记录文件包括现有缓存数据中所有数据集的标识、所在计算节点、最后调用的训练任务和当前调用数量，所述确定各计算节点的缓存策略包括确定各计算节点存储的数据集的所述现有缓存数据的最大数量，和/或确定各计算节点存储的数据集的所述现有缓存数据占本地计算节点的存储空间的最大百分比；
响应于本地计算节点接收到训练任务而根据所述缓存记录文件确定所述训练任务所需的数据集是否存储于任一计算节点；
响应于所述训练任务所需的数据集未存储于任一计算节点、并且本地计算节点满足所述缓存策略要求，而下载所述训练任务所需的数据集；
响应于所述训练任务所需的数据集未存储于任一计算节点、并且本地计算节点不满足所述缓存策略要求，而基于所述缓存记录文件删除所述现有缓存数据并重新确定本地计算节点是否满足所述缓存策略要求；
响应于所述训练任务所需的数据集存储于本地计算节点，而修改所述缓存记录文件并启动所述任务；
响应于所述训练任务所需的数据集存储于任一非本地计算节点，而将所述训练任务所需的数据集的最后调用的训练任务修改为所述训练任务，并将所述训练任务所需的数据集的当前调用数量加一，并访问所述非本地计算节点获取所述训练任务所需的数据集以启动所述任务。
2.根据权利要求1所述的方法，其特征在于，响应于接收到所述训练任务而根据所述缓存记录文件确定所述训练任务所需的数据集是否存储于任一计算节点包括：
根据所述训练任务确定所述训练任务所需的数据集的标识；
根据所述缓存记录文件中是否存在所述标识来确定所述训练任务所需的数据集是否存储于任一计算节点。
3.根据权利要求1所述的方法，其特征在于，还包括：响应于完成所述训练任务，而将所述训练任务所需的数据集的当前调用数量减一。
4.根据权利要求1所述的方法，其特征在于，所述缓存记录文件还包括现有缓存数据中所有数据集的锁定状态；
基于所述缓存记录文件删除所述现有缓存数据包括：
查找所述缓存记录文件，确定锁定状态为未锁定且当前调用数量为零的空闲数据集；
持续删除空闲数据集的所述现有缓存数据直到空闲数据集不存在、或本地计算节点满足所述缓存策略要求为止。
5.根据权利要求4所述的方法，其特征在于，还包括：
在删除空闲数据集的同时，还相应地在所述缓存记录文件中删除空闲数据集的标识、所在计算节点、最后调用的训练任务、锁定状态、当前调用数量。
6.一种缓存管理装置，其特征在于，包括：
初始化模块，用于根据所有计算节点的数据集的现有缓存数据生成缓存记录文件并确定各计算节点的缓存策略，其中所述缓存记录文件包括现有缓存数据中所有数据集的标识、所在计算节点、最后调用的训练任务和当前调用数量，所述确定各计算节点的缓存策略包括确定各计算节点存储的数据集的所述现有缓存数据的最大数量，和/或确定各计算节点存储的数据集的所述现有缓存数据占本地计算节点的存储空间的最大百分比；
缓存检查模块，用于响应于本地计算节点接收到训练任务而根据所述缓存记录文件确定所述训练任务所需的数据集是否存储于任一计算节点；
缓存下载模块，用于响应于所述训练任务所需的数据集未存储于任一计算节点、并且本地计算节点满足所述缓存策略要求，而下载所述训练任务所需的数据集；
缓存删除模块，用于响应于所述训练任务所需的数据集未存储于任一计算节点、并且本地计算节点不满足所述缓存策略要求，而基于所述缓存记录文件删除所述现有缓存数据并重新确定本地计算节点是否满足所述缓存策略要求；
任务启动模块，用于响应于所述训练任务所需的数据集存储于本地计算节点，而修改所述缓存记录文件并启动所述任务；
所述任务启动模块，还用于响应于所述训练任务所需的数据集存储于任一非本地计算节点，而将所述训练任务所需的数据集的最后调用的训练任务修改为所述训练任务，并将所述训练任务所需的数据集的当前调用数量加一，并访问所述非本地计算节点获取所述训练任务所需的数据集以启动所述任务。
7.一种计算节点，其特征在于，包括：
处理器；和
存储器，存储有处理器可运行的程序代码，所述程序代码在被运行时执行如权利要求1-5中任意一项所述的缓存管理方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910736101.8A CN110502487B (zh) | 2019-08-09 | 2019-08-09 | 一种缓存管理方法与装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910736101.8A CN110502487B (zh) | 2019-08-09 | 2019-08-09 | 一种缓存管理方法与装置 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN110502487A CN110502487A (zh) | 2019-11-26 |
| CN110502487B true CN110502487B (zh) | 2022-11-22 |
Family
ID=68587934
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910736101.8A Active CN110502487B (zh) | 2019-08-09 | 2019-08-09 | 一种缓存管理方法与装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN110502487B (zh) |
Families Citing this family (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111240843A (zh) * | 2020-01-10 | 2020-06-05 | 北京猎豹移动科技有限公司 | 一种数据获取方法、装置、电子设备及存储介质 |
| CN112084017B (zh) * | 2020-07-30 | 2024-04-19 | 北京聚云科技有限公司 | 一种内存管理方法、装置、电子设备及存储介质 |
| CN112181290B (zh) * | 2020-08-28 | 2022-08-19 | 苏州浪潮智能科技有限公司 | 一种数据集缓存处理方法、装置和系统 |
| CN112202837B (zh) * | 2020-09-04 | 2022-05-17 | 苏州浪潮智能科技有限公司 | 一种基于数据集与节点缓存的调度方法和装置 |
| CN112446490A (zh) * | 2020-11-27 | 2021-03-05 | 苏州浪潮智能科技有限公司 | 一种网络训练的数据集缓存方法、装置、设备及存储介质 |
| US11520701B2 (en) * | 2021-04-02 | 2022-12-06 | Tenstorrent Inc. | Data structure optimized dedicated memory caches |
| CN117195997B (zh) * | 2023-11-06 | 2024-03-01 | 之江实验室 | 一种模型训练方法、装置、存储介质及电子设备 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106453444A (zh) * | 2015-08-06 | 2017-02-22 | 阿里巴巴集团控股有限公司 | 缓存数据共享的方法及设备 |
| CN106681794A (zh) * | 2016-12-07 | 2017-05-17 | 同济大学 | 基于兴趣行为的分布式虚拟环境缓存管理方法 |
| CN107368608A (zh) * | 2017-08-07 | 2017-11-21 | 杭州电子科技大学 | 基于arc替换算法的hdfs小文件缓存管理方法 |
| US20190132392A1 (en) * | 2017-10-28 | 2019-05-02 | TuSimple | Storage architecture for heterogeneous multimedia data |
-
2019
- 2019-08-09 CN CN201910736101.8A patent/CN110502487B/zh active Active
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106453444A (zh) * | 2015-08-06 | 2017-02-22 | 阿里巴巴集团控股有限公司 | 缓存数据共享的方法及设备 |
| CN106681794A (zh) * | 2016-12-07 | 2017-05-17 | 同济大学 | 基于兴趣行为的分布式虚拟环境缓存管理方法 |
| CN107368608A (zh) * | 2017-08-07 | 2017-11-21 | 杭州电子科技大学 | 基于arc替换算法的hdfs小文件缓存管理方法 |
| US20190132392A1 (en) * | 2017-10-28 | 2019-05-02 | TuSimple | Storage architecture for heterogeneous multimedia data |
Also Published As
| Publication number | Publication date |
|---|---|
| CN110502487A (zh) | 2019-11-26 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110502487B (zh) | 一种缓存管理方法与装置 | |
| US11086531B2 (en) | Scaling events for hosting hierarchical data structures | |
| CA2943456C (en) | Device policy manager | |
| US8843633B2 (en) | Cloud-based resource identification and allocation | |
| CN109525593B (zh) | 一种对hadoop大数据平台集中安全管控系统及方法 | |
| US10338917B2 (en) | Method, apparatus, and system for reading and writing files | |
| CN109479062B (zh) | 混合云计算系统中的使用跟踪 | |
| WO2020024408A1 (zh) | 测试装置、测试的方法及存储介质 | |
| US9703834B2 (en) | Topological query in multi-tenancy environment | |
| US20110296414A1 (en) | Upgrading roles in a role-based access-based control model | |
| WO2020001162A1 (zh) | 容器管理方法、装置和设备 | |
| CN109522043B (zh) | 一种配置数据的管理方法、装置及存储介质 | |
| CN112685091A (zh) | 基于大数据的业务请求处理方法、装置、设备和介质 | |
| US20160041972A1 (en) | System and method for dynamic document retention | |
| US9514290B2 (en) | Authorization cache | |
| CN112988062B (zh) | 一种元数据读取限制方法、装置、电子设备及介质 | |
| US10474659B2 (en) | Large scale network system upgrade | |
| WO2018107361A1 (zh) | 镜像处理方法以及计算设备 | |
| US20170206371A1 (en) | Apparatus and method for managing document based on kernel | |
| KR20050063669A (ko) | 다수의 키 캐시 매니저가 보안 칩의 암호화 키 저장부리소스를 공유하는 방법 및 컴퓨터 판독가능 기록 매체 | |
| CN115729680A (zh) | 一种单个容器证书管理方法、装置、存储介质、电子设备 | |
| US10572805B2 (en) | Service modeling and execution | |
| JP2015197810A (ja) | サーバー装置、情報処理方法及びプログラム | |
| US11403461B2 (en) | System and method for redacting data from within a digital file | |
| CN114003228B (zh) | 界面更新方法、装置、计算机设备以及存储介质 |
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 |