CN110865878A - 边云协同环境中基于任务多约束的智能调度方法 - Google Patents
边云协同环境中基于任务多约束的智能调度方法 Download PDFInfo
- Publication number
- CN110865878A CN110865878A CN201911098873.XA CN201911098873A CN110865878A CN 110865878 A CN110865878 A CN 110865878A CN 201911098873 A CN201911098873 A CN 201911098873A CN 110865878 A CN110865878 A CN 110865878A
- Authority
- CN
- China
- Prior art keywords
- task
- scheduling
- neural network
- constraint
- collaborative environment
- 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
- 238000000034 method Methods 0.000 title claims abstract description 47
- 238000013528 artificial neural network Methods 0.000 claims abstract description 47
- 238000012549 training Methods 0.000 claims abstract description 10
- 230000008569 process Effects 0.000 claims abstract description 7
- 238000003860 storage Methods 0.000 claims description 18
- 238000004590 computer program Methods 0.000 claims description 10
- 230000004913 activation Effects 0.000 claims description 8
- 230000004048 modification Effects 0.000 claims description 7
- 238000012986 modification Methods 0.000 claims description 7
- 238000003062 neural network model Methods 0.000 abstract description 3
- 230000006870 function Effects 0.000 description 15
- 238000010586 diagram Methods 0.000 description 10
- 230000035945 sensitivity Effects 0.000 description 7
- 210000002569 neuron Anatomy 0.000 description 4
- 238000012545 processing Methods 0.000 description 4
- 238000013135 deep learning Methods 0.000 description 2
- 238000013136 deep learning model Methods 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 230000005284 excitation Effects 0.000 description 2
- 230000014759 maintenance of location Effects 0.000 description 2
- 238000013507 mapping Methods 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000000295 complement effect Effects 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000008929 regeneration Effects 0.000 description 1
- 238000011069 regeneration method Methods 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 239000013589 supplement Substances 0.000 description 1
Images
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
- G06F9/48—Program initiating; Program switching, e.g. by interrupt
- G06F9/4806—Task transfer initiation or dispatching
- G06F9/4843—Task transfer initiation or dispatching by program, e.g. task dispatcher, supervisor, operating system
- G06F9/4881—Scheduling strategies for dispatcher, e.g. round robin, multi-level priority queues
-
- 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
- G06F9/5027—Allocation of resources, e.g. of the central processing unit [CPU] to service a request the resource being a machine, e.g. CPUs, Servers, Terminals
-
- 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
- G06F9/50—Allocation of resources, e.g. of the central processing unit [CPU]
- G06F9/5061—Partitioning or combining of resources
- G06F9/5072—Grid computing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q30/00—Commerce
- G06Q30/06—Buying, selling or leasing transactions
- G06Q30/0645—Rental transactions; Leasing transactions
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Software Systems (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Mathematical Physics (AREA)
- Accounting & Taxation (AREA)
- Biomedical Technology (AREA)
- Evolutionary Computation (AREA)
- Computing Systems (AREA)
- Molecular Biology (AREA)
- General Health & Medical Sciences (AREA)
- Data Mining & Analysis (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Finance (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- General Business, Economics & Management (AREA)
- Development Economics (AREA)
- Strategic Management (AREA)
- Marketing (AREA)
- Economics (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种边云协同环境中基于任务多约束的智能调度方法,包括改进构建神经网络结构模型,提出一个双层神经网络模型结构,并将其用于任务多约束的智能调度,包括使该方法适用于边云协同环境,包括将任务到资源的每一个映射作为神经元,将任务的计算量、保密性、费用和时间敏感度等参数阈值作为权重等。将保密度和时间等多个约束的调度问题转化为时间连续的学习过程,通过训练学习实现任务到边缘和云资源间的智能调度。
Description
技术领域
本发明属于云计算技术领域,具体涉及一种边云协同环境中基于任务多约束的智能调度方法。
背景技术
云计算提供了高效的计算、存储等服务平台,且目前已有很多成功的商业应用实例,但是由于各种应用的复杂性和公共网络的带宽速度、成本等使得云计算在该领域应用中还有一些共性难题:如任务差异大导致云资源和费用的浪费,不同应用任务有大有小,对计算、存储、网络资源的要求也不同,如有的任务几KB,有的几十GB,因此如果一刀切地将所有应用都使用云计算会造成资源和费用的浪费;数据安全、隐私保护问题。这是云计算应用需要重点考虑的一个问题,但是不同应用任务中对保密度的要求又有不同,如有些涉及用户隐私信息的输入输出数据要求保密级别比较高,而中间有些子任务则无需保密。因此若全采用云计算很难保证保密级别高的任务需求;时间敏感要求。一些应用是时间敏感的,要求快速响应,而有些对时间要求相对较低。如果都通过云计算来实现,还需要考虑公共网络的延迟问题。网络带宽速度、成本等因素以及复杂的网络环境让网络延迟很难有突破性提升;任务执行的稳定性问题。在云计算平台运行时可能由于断电、设备故障等问题导致任务执行的稳定性问题。
因此,边云协同成为一个发展趋势,即边缘计算和云计算结合为应用服务。根据应用任务需要,有选择的使用边缘或云资源。将边缘与云资源结合,可使二者相辅相成,优势互补,云计算丰富的资源弥补了边缘设备计算、存储能力上的不足,而边缘设备因为贴近用户可以提供云计算无法提供的低延迟服务,同时也增强了隐私安全保护和整个系统的稳定可靠性,无论是网络还是设备故障均可选择备用资源。
但是,应用任务对资源需求的多样性以及边云协同环境的复杂性,使得传统的调度方法很难满足其需求,且调度效率低,因此需要更智能更能适应边云协同环境的调度方法。
发明内容
针对现有技术的不足,本发明的目的在于提供一种边云协同环境中基于任务多约束的智能调度方法,以解决现有技术中存在的调度效率低的问题。
为解决上述技术问题,本发明所采用的技术方案是:
边云协同环境中基于任务多约束的智能调度方法,包括
获取调度任务;
将所述调度任务输入至双层神经网络结构模型;
所述双层神经网络结构模型根据调度任务输出任务资源对。
进一步的,所述方法还包括:
获取所述双层神经网络结构模型中的任务集和调度解集合;
判断所述任务集中是否存在调度任务;
若存在则根据所述调度任务从调度解集合中调取任务资源对,若不存在则将所述调度任务输入至双层神经网络结构模型中。
进一步的,所述双层神经网络结构模型的训练过程如下:
对参数权重进行初始化;
根据所述初始化的参数权重和任务多约束参数对第一层神经网络进行修正;
根据权重向量修改函数获取修改后参数权重;
将所述修改后参数权重和任务多约束参数输入至修正后的第一层神经网络,获取修正后的第一层神经网络的输出结果;
根据修正后的第一层神经网络的输出结果对第二层神经网络修正;
获取激活函数;
所述修正后的第二层神经网络根据激活函数得到任务资源对。
进一步的,所述任务多约束参数包括计算量、保密度、费用和时间。
进一步的,所述权重向量修改函数包括:
其中,wi为参数权重,ki为任务多约束参数,Rj为资源多约束参数。
进一步的,所述激活函数为:
其中,ki为任务多约束参数,Rj为资源多约束参数。
进一步的,所述资源多约束参数包括计算能力、可提供的保密层级、存储能力、相关费用和带宽。
边云协同环境中基于任务多约束的智能调度方法系统,所述系统包括:
获取模块:用于获取调度任务;
输入模块:用于将所述调度任务输入至双层神经网络结构模型;
输出模块:用于所述双层神经网络结构模型根据调度任务输出任务资源对。
边云协同环境中基于任务多约束的智能调度方法系统,所述系统包括处理器和存储介质;
所述存储介质用于存储指令;
所述处理器用于根据所述指令进行操作以执行上述所述方法的步骤。
计算机可读存储介质,其上存储有计算机程序,该程序被处理器执行时实现上述所述方法的步骤。
与现有技术相比,本发明所达到的有益效果:
(1)本发明通过双层神经网络结构模型对调度任务进行处理,由于双层神经网络结构模型可自动训练学习相关参数,因此可大大节省调度时间,提高边云协同环境中应用任务的调度效率;
(2)通过将调度任务与双层神经网络结构模型中的任务集进行匹配,将任务集中已有任务对应的资源直接从调度解集合中获取,可节省用户租用云计算的费用,增强隐私安全性。
附图说明
图1为边云协同环境中基于任务多约束的智能调度方法示意图;
图2为双层神经网络结构模型框图。
具体实施方式
下面结合附图对本发明作进一步描述。以下实施例仅用于更加清楚地说明本发明的技术方案,而不能以此来限制本发明的保护范围。
该方法的关键是将任务和边缘与云资源的调度问题转化为深度学习模型,并通过改进深度学习模型实现多维约束参数阈值的训练学习,解决任务与边云资源的智能协同调度问题。
如图1所示,首先,将边云资源虚拟为一个资源池,通过其参数识别两类资源的不同。任务调度时根据任务对资源的需求特性、进行调度。具体步骤如下:
获取调度任务及其约束参数;
获取所述双层神经网络结构模型中的任务集和调度解集合;
判断所述任务集中是否存在调度任务;
若存在则根据所述调度任务从调度解集合中调取任务资源对,若不存在则将所述调度任务输入至双层神经网络结构模型中;
所述双层神经网络结构模型根据调度任务输出任务资源对。
调度解集合中主要包括输入任务集{T1,T2,…,Tn}和可用资源集VMj{VM1,VM2,…,VMm},其中n和m分别为任务和可用资源的数目,任务Ti的多维特征表示参数为(k1,k2,…,kh),这里特征表示参数指任务Ti的h个约束参数,如计算量、保密度、费用和时间等,w1,w2,…,wh为每个任务约束参数的权重值。可用资源集主要指边缘计算和云计算中的可用资源形成的资源池,与任务的多维特征表示类似,资源VMj的多维特征表示参数,即资源多约束参数为(R1,R2,…,Rg),这些特征参数主要指计算能力、可提供的保密层级、存储能力、相关费用、带宽等。
如图2所示,实现在不同保密度、费用预算和时间敏感度多约束下边云协同智能优化调度。双层神经网络结构模型分为调度组合层(SC层)和调度识别与再生层(SRR层),SC层利用神经网络进行调度组合,生成调度解集合,SRR层用于调度解识别及新解生成。
整个调度过程中将任务Ti及其多维特征表示参数为(k1,k2,…,kh)作为输入,任务资源对作为调度解输出。SC层根据任务参数利用神经网络进行调度组合的生成,将任务资源对组合作为调度解存入调度解集合。当调度解集合形成一定规模时,则可根据调度解集合得出任务参数倾向(即参数权重的训练集),调度任务先到SRR层根据其参数权重在调度解集合寻找其最优解,如无法在调度解集合找到其最优解,则将再次利用SRR层进行新解生成。
在SC层将参数k1,k2,…,kh作为神经元的输入,f(k1,R1)任务参数与资源参数对作为一个神经元的输出,当神经网络输出output的值等于f(k1,R1)&f(k2,R2)&,…,&f(kh,Rg)时,说明任务参数与资源参数完全匹配,则表示任务Ti与资源VMj是一对最优任务资源对,即生成该调度解。并将该调度解存入调度解集合。在SC层中任务的计算量、保密性、费用和时间敏感度等参数阈值作为权重,激励函数根据调度模型选取。
双层神经网络结构模型的训练。训练学习过程在SC层实现,利用已有的不同应用日志任务作为训练数据集,利用神经网络对多约束参数k1,k2,…,kh的权重进行训练,得到不同任务对约束参数的权重集,形成任务对不同约束的偏好,并利用激活函数得到最终输出调度解集合。
具体训练过程如下:
(1)任务多约束参数的参数权重w1,w2,…,wh均初始化为0;
(2)任务多约束参数k1,k2,…,kh作为第一层神经网络输入,则
(3)权重向量修改函数为:
得到权重集合。
(4)利用权重向量修改函数进行修正参数与对应权重的阈值tn:
tn是任务多约束参数及其对应权重的阈值。
(5)将ki利用公式3应用于第二层神经网络进行第二次修正。
(6)激活函数为:
(7)将所有ki都应用于第二层神经网络,得到最终输出
output=f(k1,R1)&f(k2,R2)&,…,&f(kh,Rg)=1(5)
则任务Ti与资源VMj作为一个最终结果组合输出,则意味着本次调度完成,将任务Ti与资源VMj这一调度解存入调度解集合。
智能调度。主要部署在SRR层实现,该层主要用于新的任务调度识别和新解的生成。当一个新的任务到达时,本层神经网络首先从SC层的调度解集合中进行识别,当无该调度解时,将该任务返回至SC层,再生成新的调度解存入调度解集合。
边云协同环境中基于任务多约束的智能调度方法系统,所述系统包括:
获取模块:用于获取调度任务;
输入模块:用于将所述调度任务输入至双层神经网络结构模型;
输出模块:用于所述双层神经网络结构模型根据调度任务输出任务资源对。
边云协同环境中基于任务多约束的智能调度方法系统,所述系统包括处理器和存储介质;
所述存储介质用于存储指令;
所述处理器用于根据所述指令进行操作以执行上述所述方法的步骤。
计算机可读存储介质,其上存储有计算机程序,该程序被处理器执行时实现上述所述方法的步骤。
这样通过步骤二中权重训练学习使得任务参数阈值(即权重)在新任务到达时可以自适应的利用权重修改函数调整,智能选择任务对保密度级别、时间敏感度和费用的偏好侧重,从而智能选择来自云计算、边缘计算、或二者组合的资源,实现任务到边缘和云资源的智能调度。
当多个任务约束需同时满足时,在实际应用中不同任务对每个约束条件的侧重有所不同,因此每个约束参数的权重变得十分重要,如何根据实际情况自适应调整这些参数权重,从而实现任务至边云资源的智能调度。
本发明首先通过双层神经网络结构模型使之适用于边云协同环境。将任务到资源的每一个映射作为神经元,将保密度和时间等多约束的调度问题转化为时间连续的学习过程,通过学习实现任务到边缘和云资源间的协同智能调度。
主要针对保密性、费用和时间敏感度等约束的多样性,利用深度学习的方法,实现在不同保密度、费用预算和时间敏感度多约束下边云协同智能优化调度。将任务作为输入,资源作为输出,任务到资源的映射作为神经网络模型中的神经元,任务的计算量、保密性、费用和时间敏感度等参数阈值作为权重,激励函数根据调度模型选取。利用深度学习方法对这多个权重参数进行训练,智能选择任务对保密度级别、时间敏感度和费用的偏好侧重,从而智能选择来自云计算、边缘计算、或二者组合的资源,实现任务到边缘和云资源的智能调度。
本领域内的技术人员应明白,本申请的实施例可提供为方法、系统、或计算机程序产品。因此,本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且,本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本申请是参照根据本申请实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
最后应当说明的是:以上实施例仅用以说明本发明的技术方案而非对其限制,尽管参照上述实施例对本发明进行了详细的说明,所属领域的普通技术人员应当理解:依然可以对本发明的具体实施方式进行修改或者等同替换,而未脱离本发明精神和范围的任何修改或者等同替换,其均应涵盖在本发明的权利要求保护范围之内。
Claims (10)
1.边云协同环境中基于任务多约束的智能调度方法,其特征在于:包括
获取调度任务;
将所述调度任务输入至双层神经网络结构模型;
所述双层神经网络结构模型根据调度任务输出任务资源对。
2.根据权利要求1所述的边云协同环境中基于任务多约束的智能调度方法,其特征在于:所述方法还包括:
获取所述双层神经网络结构模型中的任务集和调度解集合;
判断所述任务集中是否存在调度任务;
若存在则根据所述调度任务从调度解集合中调取任务资源对,若不存在则将所述调度任务输入至双层神经网络结构模型中。
3.根据权利要求1所述的边云协同环境中基于任务多约束的智能调度方法,其特征在于:所述双层神经网络结构模型的训练过程如下:
对参数权重进行初始化;
根据所述初始化的参数权重和任务多约束参数对第一层神经网络进行修正;
根据权重向量修改函数获取修改后参数权重;
将所述修改后参数权重和任务多约束参数输入至修正后的第一层神经网络,获取修正后的第一层神经网络的输出结果;
根据修正后的第一层神经网络的输出结果对第二层神经网络修正;
获取激活函数;
所述修正后的第二层神经网络根据激活函数得到任务资源对。
4.根据权利要求3所述的边云协同环境中基于任务多约束的智能调度方法,其特征在于:所述任务多约束参数包括计算量、保密度、费用和时间。
7.根据权利要求6所述的边云协同环境中基于任务多约束的智能调度方法,其特征在于:所述资源多约束参数包括计算能力、可提供的保密层级、存储能力、相关费用和带宽。
8.边云协同环境中基于任务多约束的智能调度方法系统,其特征在于,所述系统包括:
获取模块:用于获取调度任务;
输入模块:用于将所述调度任务输入至双层神经网络结构模型;
输出模块:用于所述双层神经网络结构模型根据调度任务输出任务资源对。
9.边云协同环境中基于任务多约束的智能调度方法系统,其特征在于,所述系统包括处理器和存储介质;
所述存储介质用于存储指令;
所述处理器用于根据所述指令进行操作以执行根据权利要求1-7任一项所述方法的步骤。
10.计算机可读存储介质,其上存储有计算机程序,其特征在于,该程序被处理器执行时实现权利要求1-7任一项所述方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911098873.XA CN110865878B (zh) | 2019-11-11 | 2019-11-11 | 边云协同环境中基于任务多约束的智能调度方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911098873.XA CN110865878B (zh) | 2019-11-11 | 2019-11-11 | 边云协同环境中基于任务多约束的智能调度方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110865878A true CN110865878A (zh) | 2020-03-06 |
CN110865878B CN110865878B (zh) | 2023-04-28 |
Family
ID=69653837
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911098873.XA Active CN110865878B (zh) | 2019-11-11 | 2019-11-11 | 边云协同环境中基于任务多约束的智能调度方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110865878B (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111782359A (zh) * | 2020-06-23 | 2020-10-16 | 平安科技(深圳)有限公司 | 分布式计算系统任务分配方法及相关设备 |
CN111985831A (zh) * | 2020-08-27 | 2020-11-24 | 北京华胜天成科技股份有限公司 | 云计算资源的调度方法、装置、计算机设备及存储介质 |
CN116204325A (zh) * | 2023-05-05 | 2023-06-02 | 环球数科集团有限公司 | 一种基于aigc的算法训练平台 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108809723A (zh) * | 2018-06-14 | 2018-11-13 | 重庆邮电大学 | 一种边缘服务器联合任务卸载及卷积神经网络层调度方法 |
US20190294959A1 (en) * | 2018-03-22 | 2019-09-26 | Amazon Technologies, Inc. | Scheduling network computations |
CN110351571A (zh) * | 2019-07-05 | 2019-10-18 | 清华大学 | 基于深度强化学习的直播视频云转码资源分配与调度方法 |
-
2019
- 2019-11-11 CN CN201911098873.XA patent/CN110865878B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20190294959A1 (en) * | 2018-03-22 | 2019-09-26 | Amazon Technologies, Inc. | Scheduling network computations |
CN108809723A (zh) * | 2018-06-14 | 2018-11-13 | 重庆邮电大学 | 一种边缘服务器联合任务卸载及卷积神经网络层调度方法 |
CN110351571A (zh) * | 2019-07-05 | 2019-10-18 | 清华大学 | 基于深度强化学习的直播视频云转码资源分配与调度方法 |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111782359A (zh) * | 2020-06-23 | 2020-10-16 | 平安科技(深圳)有限公司 | 分布式计算系统任务分配方法及相关设备 |
CN111782359B (zh) * | 2020-06-23 | 2022-03-11 | 平安科技(深圳)有限公司 | 分布式计算系统任务分配方法及相关设备 |
CN111985831A (zh) * | 2020-08-27 | 2020-11-24 | 北京华胜天成科技股份有限公司 | 云计算资源的调度方法、装置、计算机设备及存储介质 |
CN116204325A (zh) * | 2023-05-05 | 2023-06-02 | 环球数科集团有限公司 | 一种基于aigc的算法训练平台 |
Also Published As
Publication number | Publication date |
---|---|
CN110865878B (zh) | 2023-04-28 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11966844B2 (en) | Method for training neural network model and apparatus | |
CN110865878A (zh) | 边云协同环境中基于任务多约束的智能调度方法 | |
US10552712B2 (en) | Training device and training method for training image processing device | |
CN107589828A (zh) | 基于知识图谱的人机交互方法及系统 | |
CN111260076B (zh) | 基于区块链的边缘节点训练方法、区块链及存储介质 | |
CN116644804B (zh) | 分布式训练系统、神经网络模型训练方法、设备和介质 | |
CN110689136B (zh) | 一种深度学习模型获得方法、装置、设备及存储介质 | |
US20200118027A1 (en) | Learning method, learning apparatus, and recording medium having stored therein learning program | |
Candan et al. | A dynamic island model for adaptive operator selection | |
KR20200052417A (ko) | 타겟 디바이스의 추론 모듈 선택 장치 및 방법 | |
KR102432809B1 (ko) | 자원 효율적 추론을 위한 인공 신경망 장치 | |
WO2020062277A1 (zh) | 神经网络中数据预处理阶段的计算资源的管理方法和装置 | |
CN109086819A (zh) | caffemodel模型压缩方法、系统、设备及介质 | |
CN117893807A (zh) | 基于知识蒸馏的联邦自监督对比学习图像分类系统及方法 | |
CN115759979B (zh) | 基于rpa和流程挖掘的流程智能处理方法和系统 | |
US10445080B2 (en) | Methods for adaptive placement of applications and devices thereof | |
KR102393761B1 (ko) | 이미지 처리를 위한 인공 신경망 모델 학습 방법 및 시스템 | |
CN115622862A (zh) | 基于数字孪生的算力网络系统及算力处理方法 | |
CN115544033A (zh) | 查重向量库更新、数据查重方法、装置、设备和介质 | |
CN112906745B (zh) | 基于边缘协同的诚信智能网络训练方法 | |
CN114492787A (zh) | 自适应的神经网络训练方法、电子设备、介质和程序产品 | |
CN110908800B (zh) | 边云协同环境中基于调度熵的调度优化方法 | |
CN117519996B (zh) | 一种数据处理方法、装置、设备以及存储介质 | |
US20240070538A1 (en) | Feature interaction using attention-based feature selection | |
CN115705492A (zh) | 一种神经网络剪枝方法及装置、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 |