CN111258735A - 一种支持用户QoS感知的深度学习任务调度方法 - Google Patents

一种支持用户QoS感知的深度学习任务调度方法 Download PDF

Info

Publication number
CN111258735A
CN111258735A CN202010047652.6A CN202010047652A CN111258735A CN 111258735 A CN111258735 A CN 111258735A CN 202010047652 A CN202010047652 A CN 202010047652A CN 111258735 A CN111258735 A CN 111258735A
Authority
CN
China
Prior art keywords
task
scheduling
user
tasks
deep learning
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.)
Pending
Application number
CN202010047652.6A
Other languages
English (en)
Inventor
陈照云
全巍
罗磊
文梅
曹壮
沈俊忠
张春元
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.)
National University of Defense Technology
Original Assignee
National University of Defense Technology
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 National University of Defense Technology filed Critical National University of Defense Technology
Priority to CN202010047652.6A priority Critical patent/CN111258735A/zh
Publication of CN111258735A publication Critical patent/CN111258735A/zh
Pending legal-status Critical Current

Links

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
    • G06F9/5038—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 considering the execution order of a plurality of tasks, e.g. taking priority or time dependency constraints into consideration
    • 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
    • G06F9/505—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 considering the load
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Software Systems (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Computational Linguistics (AREA)
  • Biophysics (AREA)
  • Evolutionary Computation (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Biomedical Technology (AREA)
  • Artificial Intelligence (AREA)
  • Mathematical Physics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明涉及一种支持用户QoS感知的深度学习任务调度方法。解决QoS资源配置之间冲突问题，提高资源利用率问题。本方法包括离线任务分析评估和在线实时任务调度两个部分。离线任务评估是对用户提交的深度学习模型进行评估和分析，通过分析任务的性能，并构建离线的性能预测模型。在线实时任务调度，基于性能预测模型，决定任务的执行顺序和放置策略，完成调度和执行的过程。本方法可以对深度学习任务进行轻量级的离线评估，在保证用户QoS的前提下，最大化提高数据中心集群的资源利用效率。

Description

一种支持用户QoS感知的深度学习任务调度方法
技术领域
本发明涉及任务资源调度领域，具体涉及一种支持用户QoS感知的深度学习任务调度方法。
背景技术
随着深度学习技术不断发展成熟，在越来越多的人工智能应用中发挥着重要作用。以谷歌、微软、阿里、腾讯等为首的国内外互联网公司纷纷对外公开宣布将人工智能作为下一个战略核心。而在这些公司面向用户提供大量的服务和应用背后，都是深度学习技术作为支撑。因此在各个公司内部，除了开发各自的深度学习工具之外，也需要自建的数据中心来为大量的模型训练和验证提供足够的硬件保障。为了保证多个深度学习任务的开发效率的同时，尽可能提高数据中心的利用效率对于任务调度来说是一个极大的挑战。
现有的数据中心基本上都是采用CPU+GPU的异构架构，同时采用通用调度方法来进行资源和任务管理。通用调度方法的优点是通用性强，能够适应各种大数据任务，但是缺点是忽略了任务本身的领域特征，容易导致资源的过度分配而使得资源利用效率较低。尤其是在深度学习技术和应用研发过程中，用户往往会对QoS有更加严格的要求，任务调度方法还需要尽可能满足多个用户任务的QoS要求，减少资源分配之间的冲突。因此为了能够满足上述目标，本发明提出一种支持用户QoS感知的深度学习任务调度方法，需要解决以下几个问题：
一是能够支持现有的以Tensorflow为代表的主流深度学习开发工具以及多种不同的集群环境。一方面方便开发者不需要修改代码，直接提交深度学习任务，另一方面也方便系统管理者不需要对集群环境做出调整来适应任务调度方法。
二是能够实现深度学习任务的自动分析和优化配置选择。通过用户提交的网络模型，通过离线评估自动分析网络模型特征，并对不同的网络模型设计最优的任务划分策略和参数设置，将用户从繁琐的参数配置选择中解放出来。
三是能够基于数据中心集群的现有资源状况进行在线的最优任务调度，实现用户QoS满意度和集群资源利用率的平衡。任务调度器在线接收任务提交，针对当前系统资源的负载情况，结合用户的QoS目标，设计最优的任务放置策略，实现系统资源的利用率最大化。
发明内容
为解决QoS资源配置之间冲突问题，提高资源利用率，本发明提出了一种支持用户QoS感知的深度学习任务调度方法，以实现在满足用户QoS的同时，最大化数据中心集群的资源利用率的目标。
本发明包括离线任务分析评估和在线实时任务调度两个部分。离线任务评估是对用户提交的深度学习模型进行评估和分析，通过不同的应用参数配置、任务划分方法和任务放置策略来分析任务的性能，并构建离线的性能预测模型。在线实时任务调度，基于上述的性能预测模型，并实时监控系统当前的负载情况，结合用户提交的任务QoS，决定任务的执行顺序和放置策略，完成调度和执行的过程。
具体的实现方案如下：
A.与现有深度学习开发工具的兼容。用户保留现有的深度学习工具提交任务的形式不变，提交网络模型文件以及相关应用参数信息，由任务调度器进行分析和识别。计算出最优放置策略之后，由调度器直接将任务调度到指定节点和加速器上进行执行，不需要进行人工干预。
B.离线评估与性能预测模型构建。对于第一次提交的深度网络模型，分别测试不同应用参数(批次大小、迭代次数等)和不同的划分放置策略(单卡、单机多卡、多机多卡)下的任务执行性能，并基于最小二乘法构建多项式拟合的性能预测模型。对于之前离线评估过的模型，可直接从已有的模型数据库中调用构建好的性能预测模型，不需要再进行离线过程。
C.一种轻量级的离线评估策略。本发明设计了一种轻量级的评估策略，假定批次大小有A种选择，异构集群规模有B个节点，每个节点有C块GPU，则只需要A+B+C次离线评估实验即可获得足够的数据来拟合性能预测模型。该方法的优势一方面可以避免过多的冗余数据，另一方面可以降低离线评估开销。考虑到任务本身的迭代性，每次任务性能测试只需要迭代100-1000次即可。同时可以将离线评估后获得的性能模型加入到数据库中，以备有类似的任务提交可以直接调用。
D.在线任务调度方法。在线任务调度采用事件驱动模式，每次有任务完成或新任务到达就执行一次任务调度。每次调度时需要遍历整个任务等待队列中的所有任务。对于每一个任务，结合自身的QoS和该任务的性能预测模型，选择最合适的任务放置策略并对所有任务进行重新排序。排序的原则是基于“最小等待余量优先”，该策略可以在保证用户满意度的同时，尽可能地提高集群资源的利用效率。最后基于当前系统的资源负载状况，按序将任务调度到集群上并执行，同时等待下一个调度点的时机，直至所有任务完成调度。
本发明的优点在于：
第一：本方法可以最大化兼容当前主流的深度学习开发工具，即用户不需要对提交任务的信息和方式进行更改，由调度器完成对任务放置策略的选择和调度执行；
第二：本发明提出的调度方法可以对深度学习任务进行轻量级的离线评估，构建性能预测模型，并基于该性能预测模型完成任务在线调度，在保证用户QoS的前提下，最大化提高数据中心集群的资源利用效率。
附图说明
图1为本发明提出的支持用户QoS感知的深度学习任务调度方法完整示意图，
图2为本发明的某一个调度点上的在线任务调度处理流程图。
具体实施方式
本发明的目的在于面向多种深度学习任务的场景，根据如何在保证用户QoS的前提下，尽可能提高集群资源的利用效率。而该发明的核心在于如何利用离线评估为每一种深度模型构建性能预测模型，并于在线调度时基于任务QoS选择最优的放置策略和执行顺序。
本发明提出的支持用户QoS感知的深度学习任务调度方法如图1所示。该方法主要包括两个部分：离线评估模块和在线调度模块。离线评估模块主要对于提交的深度模型进行识别和分析，并构建性能预测模型。在线调度模块主要基于用户QoS和当前系统的负载情况，调度器为任务选择最优的放置策略并完成调度和执行。具体的实施方式包括以下几点内容：
(1)任务的提交与分析。任务提交信息包括深度网络模型文件和相关应用参数信息。深度网络模型文件主要包括层数，每一层的类型，卷积核数，卷积核大小，特征图大小，层间的连接关系等等。相关应用参数包括批次大小，迭代次数，学习率，动量等等。本发明提出的调度方法可以最大化兼容目前主流的深度学习开发工具，即用户不需要修改任务提交的方式，而是由调度方法提供的脚本自动分析用户提交的模型文件和应用参数，并提取关键特征信息作为标识。
(2)判断该任务类型是否之前进行过离线评估。任务提交之后分析提取的关键特征信息会被作为索引在模型数据库中搜索，如果有之前离线评估的记录，将直接调取数据库中保存的性能预测模型，直接用于在线调度的过程中。如果未检索到记录则需要将任务信息提交给轻量级评估器，对该任务类型进行离线评估。
(3)轻量级离线评估策略及性能预测模型构建。轻量级评估器尽可能降低评估次数，来获取足够的数据拟合性能预测模型。假定每个深度学习任务用一个三元组表示，即
T＝<itype，ibatch，iiter>，
其中itype，ibatch，iiter分别表示模型类型，批次大小和迭代次数的关键信息。而为每个任务测试不同的放置策略
P＝<pn，pg>，
其中pn，pg分别表示放置的节点数和每个节点的GPU数目。基于上述设定，本发明提出的性能预测模型包括任务执行时间Latency(T，P)和任务执行效率Process(T，P),
Figure RE-GDA0002420789420000041
Figure RE-GDA0002420789420000042
其中Communicate(P)为通信开销函数，
Figure RE-GDA0002420789420000043
假定批次大小有A种选择，集群规模有B个节点，每个节点有C块GPU，则只需要 A+B+C次离线评估实验即可获得足够的数据来进行基于最小二乘法的多项式拟合上述模型中的ki，λ，γ的参数，从而获得完整的性能预测模型，并将该性能预测模型和之前提取的任务模型的关键特征标识一并存储于数据库中，以备下次重复使用。
(4)在线任务调度方法。在线任务调度的处理流程如图2所示。任务提交之后首先进入等待队列，并在每一次调度时间点上由调度器遍历所有任务队列完成一次调度。调度时间点是基于事件驱动模式，即每次有新任务到达或任务完成会触发调度机制。
每次调度过程中，首先需要完成对当前等待队列中所有任务的一个遍历。遍历的过程中要将每个任务所有可能的放置策略通过性能预测模型计算出执行时间，并筛选出所有能够满足当前用户QoS的放置策略。
为了保证用户QoS的前提下尽可能提高集群资源利用效率，本发明提出了一种针对不同放置策略的性价比模型Cost(T，P)，即评估任务计算性能和占用的系统资源之间的比例关系，
Figure RE-GDA0002420789420000051
基于该策略性价比模型，从满足用户QoS的放置策略中选择出性价比最高的方案作为该任务的调度方案。值得注意的是，如果当前所有放置策略均无法满足用户极为严格的QoS 的条件下，则自动选择计算性能最高的执行方案，争取尽早完成该任务。
确定了每个任务的调度方案之后，根据任务自身的QoS，计算出不同任务的等待余量。等待余量的计算即通过用户QoS的时间点和依据性能预测模型计算出的任务完成时间点之间的差值得到。然后将等待队列中的任务依据等待余量的大小进行重新排序，排序的原则是最小等待余量优先。最后基于调度器对当前资源占用情况的监控反馈，如果资源允许的条件下，按序将任务调度到数据中心集群上开始执行，直至等待队列已清空或当前资源已无空闲，完成本次调度点的调度流程，等待下一次调度点的时机。
显然，本领域的技术人员可以根据本发明的技术构思对本发明进行各种改动和变形，而这些修改和变形属于本发明权利要求及等同技术范围之内，则都应属于本发明权利要求的保护范围。

Claims (4)

1.一种支持用户QoS感知的深度学习任务调度方法，包括离线任务分析评估和在线实时任务调度两个部分，离线任务评估是对用户提交的深度学习模型进行评估和分析，通过分析任务的性能，构建离线的性能预测模型；在线实时任务调度，基于上述的性能预测模型，实时监控系统当前的负载情况，结合用户提交的任务QoS，决定任务的执行顺序和放置策略，完成调度和执行的过程，其特征在于，
具体步骤如下：
A.提交网络模型文件以及相关应用参数信息，由任务调度器进行分析和识别，计算出最优放置策略之后，由调度器直接将任务调度到指定节点和加速器上进行执行，不需要进行人工干预；
B. 离线评估与性能预测模型构建，对于第一次提交的深度网络模型，分别测试不同应用参数和不同的划分放置策略下的任务执行性能，并构建多项式拟合的性能预测模型，对于之前离线评估过的模型，直接从已有的模型数据库中调用构建好的性能预测模型，不需要再进行离线过程；
C.提出轻量级的评估策略，
D. 在线实时任务调度。
2.根据权利要求1所述的一种支持用户QoS感知的深度学习任务调度方法，其特征在于，所述轻量级的评估策略，具体为：假定批次大小有A种选择，异构集群规模有B个节点，每个节点有C块GPU，则只需要A+B+C次离线评估实验即获得足够的数据来拟合性能预测模型。
3.根据权利要求1所述的一种支持用户QoS感知的深度学习任务调度方法，其特征在于，所述在线实时任务调度，具体内容是：
在线任务调度采用事件驱动模式，每次有任务完成或新任务到达就执行一次任务调度，每次调度时遍历整个任务等待队列中的所有任务，对于每一个任务，结合自身的QoS和该任务的性能预测模型，选择任务放置策略并对所有任务进行重新排序，最后基于当前系统的资源负载状况，按序将任务调度到集群上行，同时等待下一个调度点的时机，直至所有任务完成调度。
4.根据权利要求3所述的一种支持用户QoS感知的深度学习任务调度方法，其特征在于，所述排序的原则是基于“最小等待余量优先”原则。
CN202010047652.6A 2020-01-16 2020-01-16 一种支持用户QoS感知的深度学习任务调度方法 Pending CN111258735A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010047652.6A CN111258735A (zh) 2020-01-16 2020-01-16 一种支持用户QoS感知的深度学习任务调度方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010047652.6A CN111258735A (zh) 2020-01-16 2020-01-16 一种支持用户QoS感知的深度学习任务调度方法

Publications (1)

Publication Number Publication Date
CN111258735A true CN111258735A (zh) 2020-06-09

Family

ID=70947443

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010047652.6A Pending CN111258735A (zh) 2020-01-16 2020-01-16 一种支持用户QoS感知的深度学习任务调度方法

Country Status (1)

Country Link
CN (1) CN111258735A (zh)

Cited By (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113157413A (zh) * 2021-04-16 2021-07-23 上海交通大学 基于服务质量需求的深度学习任务资源优化配置方法及系统
CN113778454A (zh) * 2021-09-22 2021-12-10 重庆海云捷迅科技有限公司 一种人工智能实验平台的自动评测方法及系统
CN113806027A (zh) * 2020-06-15 2021-12-17 广州虎牙信息科技有限公司 任务编排方法、装置、电子设备和计算机可读存储介质
CN114661450A (zh) * 2022-05-26 2022-06-24 南京云信达科技有限公司 基于时间序列学习和预测的备份系统任务调度方法及系统
CN114764417A (zh) * 2022-06-13 2022-07-19 深圳致星科技有限公司 隐私计算、隐私数据及联邦学习的分散式处理方法及装置
WO2023284347A1 (zh) * 2021-07-16 2023-01-19 华为云计算技术有限公司 任务执行方法及装置
CN117762602A (zh) * 2024-02-22 2024-03-26 北京大学 面向边缘异构硬件的深度学习级联任务调度方法及装置

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20190324805A1 (en) * 2018-04-20 2019-10-24 EMC IP Holding Company LLC Method, apparatus and computer program product for resource scheduling
CN110399222A (zh) * 2019-07-25 2019-11-01 北京邮电大学 Gpu集群深度学习任务并行化方法、装置及电子设备
CN110413391A (zh) * 2019-07-24 2019-11-05 上海交通大学 基于容器集群的深度学习任务服务质量保证方法和系统
CN110489223A (zh) * 2019-08-26 2019-11-22 北京邮电大学 一种异构集群中任务调度方法、装置及电子设备

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20190324805A1 (en) * 2018-04-20 2019-10-24 EMC IP Holding Company LLC Method, apparatus and computer program product for resource scheduling
CN110413391A (zh) * 2019-07-24 2019-11-05 上海交通大学 基于容器集群的深度学习任务服务质量保证方法和系统
CN110399222A (zh) * 2019-07-25 2019-11-01 北京邮电大学 Gpu集群深度学习任务并行化方法、装置及电子设备
CN110489223A (zh) * 2019-08-26 2019-11-22 北京邮电大学 一种异构集群中任务调度方法、装置及电子设备

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
ZHAOYUN CHEN ET AL.: "Deep Learning Research and Development Platform: Characterizing and Scheduling with QoS Guarantees on GPU Clusters", 《IEEE TRANSACTIONS ON PARALLEL AND DISTRIBUTED SYSTEMS》 *

Cited By (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113806027A (zh) * 2020-06-15 2021-12-17 广州虎牙信息科技有限公司 任务编排方法、装置、电子设备和计算机可读存储介质
CN113806027B (zh) * 2020-06-15 2023-12-12 广州虎牙信息科技有限公司 任务编排方法、装置、电子设备和计算机可读存储介质
CN113157413A (zh) * 2021-04-16 2021-07-23 上海交通大学 基于服务质量需求的深度学习任务资源优化配置方法及系统
CN113157413B (zh) * 2021-04-16 2022-04-26 上海交通大学 基于服务质量需求的深度学习任务资源优化配置方法及系统
WO2023284347A1 (zh) * 2021-07-16 2023-01-19 华为云计算技术有限公司 任务执行方法及装置
CN113778454A (zh) * 2021-09-22 2021-12-10 重庆海云捷迅科技有限公司 一种人工智能实验平台的自动评测方法及系统
CN113778454B (zh) * 2021-09-22 2024-02-20 重庆海云捷迅科技有限公司 一种人工智能实验平台的自动评测方法及系统
CN114661450A (zh) * 2022-05-26 2022-06-24 南京云信达科技有限公司 基于时间序列学习和预测的备份系统任务调度方法及系统
CN114764417A (zh) * 2022-06-13 2022-07-19 深圳致星科技有限公司 隐私计算、隐私数据及联邦学习的分散式处理方法及装置
CN114764417B (zh) * 2022-06-13 2022-08-26 深圳致星科技有限公司 隐私计算、隐私数据及联邦学习的分散式处理方法及装置
CN117762602A (zh) * 2024-02-22 2024-03-26 北京大学 面向边缘异构硬件的深度学习级联任务调度方法及装置
CN117762602B (zh) * 2024-02-22 2024-05-07 北京大学 面向边缘异构硬件的深度学习级联任务调度方法及装置

Similar Documents

Publication Publication Date Title
CN111258735A (zh) 一种支持用户QoS感知的深度学习任务调度方法
CN110737529B (zh) 一种面向短时多变大数据作业集群调度自适应性配置方法
CN111756812B (zh) 一种能耗感知的边云协同动态卸载调度方法
CN108829494B (zh) 基于负载预测的容器云平台智能资源优化方法
Guo et al. Cloud resource scheduling with deep reinforcement learning and imitation learning
CN111064633B (zh) 一种云边协同电力信息通信设备自动化测试资源分配方法
CN109561148A (zh) 边缘计算网络中基于有向无环图的分布式任务调度方法
CN113824489B (zh) 基于深度学习的卫星网络资源动态分配方法、系统及装置
CN112416585A (zh) 面向深度学习的gpu资源管理与智能化调度方法
CN115408136B (zh) 一种基于遗传算法的rpa流程调度方法
CN115543577B (zh) 基于协变量的Kubernetes资源调度优化方法、存储介质及设备
CN104579854A (zh) 众包测试方法
CN116450312A (zh) 面向流水线并行训练的调度策略确定方法及系统
CN116166381A (zh) 一种多云管理平台中基于iaco算法的资源调度
CN116643877A (zh) 算力资源调度方法、算力资源调度模型的训练方法和系统
CN117082008B (zh) 虚拟弹性网络数据传输调度方法、计算机装置及存储介质
CN111367632B (zh) 一种基于周期特征的容器云调度方法
CN111090401B (zh) 存储设备性能预测方法及装置
CN117687759A (zh) 一种任务调度方法、装置、处理设备及可读存储介质
CN113568747A (zh) 基于任务分类与时序预测的云机器人资源调度方法及系统
CN112699046A (zh) 应用程序测试方法及装置、电子设备和存储介质
CN116302448A (zh) 任务调度方法和系统
CN116932198A (zh) 资源调度方法、装置、电子设备及可读存储介质
CN115904708A (zh) 一种ai平台动态加权调度方法、装置及存储介质
CN115509926A (zh) 一种基于改进粒子群算法的多任务调度云端测试方法

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
WD01 Invention patent application deemed withdrawn after publication

Application publication date: 20200609

WD01 Invention patent application deemed withdrawn after publication