CN111367655A - 一种云计算环境中gpu资源调度的方法、系统及存储介质 - Google Patents

一种云计算环境中gpu资源调度的方法、系统及存储介质 Download PDF

Info

Publication number
CN111367655A
CN111367655A CN202010094800.XA CN202010094800A CN111367655A CN 111367655 A CN111367655 A CN 111367655A CN 202010094800 A CN202010094800 A CN 202010094800A CN 111367655 A CN111367655 A CN 111367655A
Authority
CN
China
Prior art keywords
gpu
resources
scheduling
video memory
equipment
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
Application number
CN202010094800.XA
Other languages
English (en)
Other versions
CN111367655B (zh
Inventor
张新玲
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.)
Suzhou Inspur Intelligent Technology Co Ltd
Original Assignee
Suzhou Inspur Intelligent Technology Co Ltd
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 Suzhou Inspur Intelligent Technology Co Ltd filed Critical Suzhou Inspur Intelligent Technology Co Ltd
Priority to CN202010094800.XA priority Critical patent/CN111367655B/zh
Publication of CN111367655A publication Critical patent/CN111367655A/zh
Application granted granted Critical
Publication of CN111367655B publication Critical patent/CN111367655B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • G06F9/50—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
    • 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
    • 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]
    • G06F9/5083—Techniques for rebalancing the load in a distributed system
    • G06F9/5088—Techniques for rebalancing the load in a distributed system involving task migration
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T1/00—General purpose image data processing
    • G06T1/20—Processor architectures; Processor configuration, e.g. pipelining
    • 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)
  • Theoretical Computer Science (AREA)
  • Software Systems (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Two-Way Televisions, Distribution Of Moving Picture Or The Like (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明涉及一种云计算环境中GPU资源调度的方法、系统及存储介质，包括以下步骤：S1：对可用资源进行打分的步骤，以显存利用率，GPU利用率，GPU功耗三项作为变量对可用资源进行打分；S2：单个GPU设备任务的调度步骤，对资源进行计算打分，当存在空闲GPU设备时最高被优先分配，否则的话找到满足显存要求的可用性最高的GPU设备进行分配，如果能够使用则进行资源分配，如果资源不足则挂起等待调度；S3：多个GPU设备任务的调度步骤，结合设备分数排序，选择分数高且分数差值最小的相应数量GPU进行分配，同时确认多块显卡的显存资源充足，如果能够使用则进行资源分配，如果资源不足则挂起等待调度。

Description

一种云计算环境中GPU资源调度的方法、系统及存储介质
技术领域
本发明云计算技术领域，具体涉及一种云计算环境中GPU资源调度的方法、系统及存储介质。
背景技术
云计算Iass层通过网络连接，对不同类别异构的物理资源进行统一管理。虚拟化技术实现了高效利用物理资源的利用率，从云计算提供的服务商来说调度策略需要平衡整个集群的资源利用率，负载均衡，成本等。
但是现有技术中关于GPU资源的调度在平衡集群资源利用率以及负载、成本方面表现欠缺。此为现有技术中存在的缺陷和不足。
有鉴于此，本发明提供一种云计算环境中GPU资源调度的方法、系统及存储介质；以解决现有技术中存在的上述缺陷，是非常有必要的。
发明内容
针对现有技术的上述不足，本发明提供一种云计算环境中GPU资源调度的方法、系统及存储介质，以解决上述技术问题。
为实现上述目的，本发明给出以下技术方案：
第一方面，本发明提供一种云计算环境中GPU资源调度的方法，包括以下步骤：
S1：对可用资源进行打分的步骤，具体包括：
以显存利用率，GPU利用率，GPU功耗三项作为变量对可用资源进行打分；给出如下定义
显存利用率计分算法：Sm＝(TM-UM)*VM/TM
GPU利用率计分算法：Su＝(1-Ugpu)*10
设备功耗状况计分算法：Sp＝(TP-UP)*VP/TP
其中，TM表示显存总量，UM已用显存量；Ugpu表示显卡利用率；TP、UP分别表示最大功率、已用功率；根据设备参数前者取固定值为200。VM、VP分别表示相关影响因子的阈值；
得出GPU使用状况的调度打分算法为：SG_i＝xSm+ySU+zSP；
S2：单个GPU设备任务的调度步骤，具体包括：
采用算法公式SG_i＝xSm+ySU+zSP调度，对资源进行计算打分，当存在空闲GPU设备时最高被优先分配，否则的话找到满足显存要求的可用性最高的GPU设备进行分配，如果能够使用则进行资源分配，如果资源不足则挂起等待调度；
S3：多个GPU设备任务的调度步骤，具体包括：
结合设备分数排序，选择分数高且分数差值最小的相应数量GPU进行分配，同时确认多块显卡的显存资源充足，如果能够使用则进行资源分配，如果资源不足则挂起等待调度。
作为优选，所述的调度的方法还包括以下步骤：
S4：当出现多个任务的资源需求无法满足的时候，根据对任务执行所需时间的估测；选择步骤S1或者S2或者S3执行具体操作。
作为优选，所述步骤S1中，设备达到最大功耗时，不再参与分配；显存的使用需要预留，设备的功耗要有上限，否则对设备有损伤。例如VM＝9，Sm最多占90％显存，VP＝8，Sp设备最大功耗为160W时对应设备不再参与资源分配。
第二方面，本发明提供一种云计算环境中GPU资源调度系统，包括：
可用资源打分模块，具体包括：
以显存利用率，GPU利用率，GPU功耗三项作为变量对可用资源进行打分；给出如下定义
显存利用率计分算法：Sm＝(TM-UM)*VM/TM
GPU利用率计分算法：Su＝(1-Ugpu)*10
设备功耗状况计分算法：Sp＝(TP-UP)*VP/TP
其中，TM表示显存总量，UM已用显存量；Ugpu表示显卡利用率；TP、UP分别表示最大功率、已用功率；根据设备参数前者取固定值为200。VM、VP分别表示相关影响因子的阈值；
得出GPU使用状况的调度打分算法为：SG_i＝xSm+ySU+zSP；
单个GPU设备任务调度模块，具体包括：
采用算法公式SG_i＝xSm+ySU+zSP调度，对资源进行计算打分，当存在空闲GPU设备时最高被优先分配，否则的话找到满足显存要求的可用性最高的GPU设备进行分配，如果能够使用则进行资源分配，如果资源不足则挂起等待调度；
多个GPU设备任务的调度模块，具体包括：
结合设备分数排序，选择分数高且分数差值最小的相应数量GPU进行分配，同时确认多块显卡的显存资源充足，如果能够使用则进行资源分配，如果资源不足则挂起等待调度。
作为优选，所述的调度系统还包括：
多任务资源需求无法满足处理模块，当出现多个任务的资源需求无法满足的时候，根据对任务执行所需时间的估测；选择对应的上述模块进行具体操作。
作为优选，所述可用资源打分模块中，设备达到最大功耗时，不再参与分配；显存的使用需要预留，设备的功耗要有上限，否则对设备有损伤。例如VM＝9，Sm最多占90％显存，VP＝8，Sp设备最大功耗为160W时对应设备不再参与资源分配。
第三方面，提供一种计算机存储介质，所述计算机存储介质中存储有指令，当其在计算机上运行时，使得计算机执行上述第一方面所述的方法。
本发明的有益效果在于，在进行任务的资源分配时，任务的数量总是多于可用资源总量，在多卡多任务时，为了尽可能提高资源的利用率，缩短所有任务的完成时间，一方面要按需使用GPU显存资源，另一方面采用高效的调度策略，根据任务的实际资源需求可能进行GPU设备的共用。资源的共用一方面对可共用资源选择，另一方面要进行分配指派。前者可以通过上面的采集方法获取当前GPU设备运行数据，然后再给各GPU进行打分的方式来进行GPU设备选择，这样既解决GPU资源人工静态指配的不便；也能提高GPU设备的资源利用率。此外，本发明设计原理可靠，结构简单，具有非常广泛的应用前景。
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，对于本领域普通技术人员而言，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是本发明提供的一种云计算环境中GPU资源调度的方法的流程图。
图2是本发明提供的一种云计算环境中GPU资源调度系统的原理框图。
其中，1-可用资源打分模块，2-单个GPU设备任务调度模块，3-多个GPU设备任务的调度模块，4-多任务资源需求无法满足处理模块。
具体实施方式
为了使本技术领域的人员更好地理解本发明中的技术方案，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都应当属于本发明保护的范围。
实施例1：
如图1所示，本实施例提供的一种云计算环境中GPU资源调度的方法，包括以下步骤：
S1：对可用资源进行打分的步骤，具体包括：
以显存利用率，GPU利用率，GPU功耗三项作为变量对可用资源进行打分；给出如下定义
显存利用率计分算法：Sm＝(TM-UM)*VM/TM
GPU利用率计分算法：Su＝(1-Ugpu)*10
设备功耗状况计分算法：Sp＝(TP-UP)*VP/TP
其中，TM表示显存总量，UM已用显存量；Ugpu表示显卡利用率；TP、UP分别表示最大功率、已用功率；根据设备参数前者取固定值为200。VM、VP分别表示相关影响因子的阈值；
得出GPU使用状况的调度打分算法为：SG_i＝xSm+ySU+zSP；
S2：单个GPU设备任务的调度步骤，具体包括：
采用算法公式SG_i＝xSm+ySU+zSP调度，对资源进行计算打分，当存在空闲GPU设备时最高被优先分配，否则的话找到满足显存要求的可用性最高的GPU设备进行分配，如果能够使用则进行资源分配，如果资源不足则挂起等待调度；
S3：多个GPU设备任务的调度步骤，具体包括：
结合设备分数排序，选择分数高且分数差值最小的相应数量GPU进行分配，同时确认多块显卡的显存资源充足，如果能够使用则进行资源分配，如果资源不足则挂起等待调度；
S4：当出现多个任务的资源需求无法满足的时候，根据对任务执行所需时间的估测；选择步骤S1或者S2或者S3执行具体操作。
所述步骤S1中，设备达到最大功耗时，不再参与分配；显存的使用需要预留，设备的功耗要有上限，否则对设备有损伤。例如VM＝9，Sm最多占90％显存，VP＝8，Sp设备最大功耗为160W时对应设备不再参与资源分配。
实施例2：
如图2所示，本实施例提供的一种云计算环境中GPU资源调度系统，包括：
可用资源打分模块1，具体包括：
以显存利用率，GPU利用率，GPU功耗三项作为变量对可用资源进行打分；给出如下定义
显存利用率计分算法：Sm＝(TM-UM)*VM/TM
GPU利用率计分算法：Su＝(1-Ugpu)*10
设备功耗状况计分算法：Sp＝(TP-UP)*VP/TP
其中，TM表示显存总量，UM已用显存量；Ugpu表示显卡利用率；TP、UP分别表示最大功率、已用功率；根据设备参数前者取固定值为200。VM、VP分别表示相关影响因子的阈值；
得出GPU使用状况的调度打分算法为：SG_i＝xSm+ySU+zSP；
单个GPU设备任务调度模块2，具体包括：
采用算法公式SG_i＝xSm+ySU+zSP调度，对资源进行计算打分，当存在空闲GPU设备时最高被优先分配，否则的话找到满足显存要求的可用性最高的GPU设备进行分配，如果能够使用则进行资源分配，如果资源不足则挂起等待调度；
多个GPU设备任务的调度模块3，具体包括：
结合设备分数排序，选择分数高且分数差值最小的相应数量GPU进行分配，同时确认多块显卡的显存资源充足，如果能够使用则进行资源分配，如果资源不足则挂起等待调度；
多任务资源需求无法满足处理模块4，当出现多个任务的资源需求无法满足的时候，根据对任务执行所需时间的估测；选择对应的上述模块进行具体操作。
所述可用资源打分模块中，设备达到最大功耗时，不再参与分配；显存的使用需要预留，设备的功耗要有上限，否则对设备有损伤。例如VM＝9，Sm最多占90％显存，VP＝8，Sp设备最大功耗为160W时对应设备不再参与资源分配。
实施例3：
本实施例提供的一种计算机存储介质，所述计算机存储介质中存储有指令，当其在计算机上运行时，使得计算机执行上述实施例1所述的方法。
尽管通过参考附图并结合优选实施例的方式对本发明进行了详细描述，但本发明并不限于此。在不脱离本发明的精神和实质的前提下，本领域普通技术人员可以对本发明的实施例进行各种等效的修改或替换，而这些修改或替换都应在本发明的涵盖范围内/任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到变化或替换，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应所述以权利要求的保护范围为准。

Claims (7)

1.一种云计算环境中GPU资源调度的方法，其特征在于，包括以下步骤：
S1：对可用资源进行打分的步骤，具体包括：
以显存利用率，GPU利用率，GPU功耗三项作为变量对可用资源进行打分；给出如下定义：
显存利用率计分算法：Sm＝(TM-UM)*VM/TM
GPU利用率计分算法：Su＝(1-Ugpu)*10
设备功耗状况计分算法：Sp＝(TP-UP)*VP/TP
其中，TM表示显存总量，UM已用显存量；Ugpu表示显卡利用率；TP、UP分别表示最大功率、已用功率；VM、VP分别表示相关影响因子的阈值；
得出GPU使用状况的调度打分算法为：SG_i＝xSm+ySU+zSP；
S2：单个GPU设备任务的调度步骤，具体包括：
采用算法公式SG_i＝xSm+ySU+zSP调度，对资源进行计算打分，当存在空闲GPU设备时最高被优先分配，否则的话找到满足显存要求的可用性最高的GPU设备进行分配，如果能够使用则进行资源分配，如果资源不足则挂起等待调度；
S3：多个GPU设备任务的调度步骤，具体包括：
结合设备分数排序，选择分数高且分数差值最小的相应数量GPU进行分配，同时确认多块显卡的显存资源充足，如果能够使用则进行资源分配，如果资源不足则挂起等待调度。
2.根据权利要求1所述的一种云计算环境中GPU资源调度的方法，其特征在于，所述的调度的方法还包括以下步骤：
S4：当出现多个任务的资源需求无法满足的时候，根据对任务执行所需时间的估测；选择步骤S1或者S2或者S3执行具体操作。
3.根据权利要求1或2所述的一种云计算环境中GPU资源调度的方法，其特征在于，所述步骤S1中，设备达到最大功耗时，不再参与分配。
4.一种云计算环境中GPU资源调度系统，其特征在于，包括：
可用资源打分模块，具体包括：
以显存利用率，GPU利用率，GPU功耗三项作为变量对可用资源进行打分；给出如下定义：
显存利用率计分算法：Sm＝(TM-UM)*VM/TM
GPU利用率计分算法：Su＝(1-Ugpu)*10
设备功耗状况计分算法：Sp＝(TP-UP)*VP/TP
其中，TM表示显存总量，UM已用显存量；Ugpu表示显卡利用率；TP、UP分别表示最大功率、已用功率；VM、VP分别表示相关影响因子的阈值；
得出GPU使用状况的调度打分算法为：SG_i＝xSm+ySU+zSP；
单个GPU设备任务调度模块，具体包括：
采用算法公式SG_i＝xSm+ySU+zSP调度，对资源进行计算打分，当存在空闲GPU设备时最高被优先分配，否则的话找到满足显存要求的可用性最高的GPU设备进行分配，如果能够使用则进行资源分配，如果资源不足则挂起等待调度；
多个GPU设备任务的调度模块，具体包括：
结合设备分数排序，选择分数高且分数差值最小的相应数量GPU进行分配，同时确认多块显卡的显存资源充足，如果能够使用则进行资源分配，如果资源不足则挂起等待调度。
5.根据权利要求4所述的一种云计算环境中GPU资源调度系统，其特征在于，所述的调度系统还包括：
多任务资源需求无法满足处理模块，当出现多个任务的资源需求无法满足的时候，根据对任务执行所需时间的估测；选择对应的上述模块进行具体操作。
6.根据权利要求5所述的一种云计算环境中GPU资源调度系统，其特征在于，所述可用资源打分模块中，设备达到最大功耗时，不再参与分配。
7.一种计算机存储介质，所述计算机存储介质中存储有指令，当其在计算机上运行时，使得计算机执行权利要求1-3中任一权利要求所述的方法。
CN202010094800.XA 2020-02-16 2020-02-16 一种云计算环境中gpu资源调度的方法、系统及存储介质 Active CN111367655B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010094800.XA CN111367655B (zh) 2020-02-16 2020-02-16 一种云计算环境中gpu资源调度的方法、系统及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010094800.XA CN111367655B (zh) 2020-02-16 2020-02-16 一种云计算环境中gpu资源调度的方法、系统及存储介质

Publications (2)

Publication Number Publication Date
CN111367655A true CN111367655A (zh) 2020-07-03
CN111367655B CN111367655B (zh) 2022-12-27

Family

ID=71208011

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010094800.XA Active CN111367655B (zh) 2020-02-16 2020-02-16 一种云计算环境中gpu资源调度的方法、系统及存储介质

Country Status (1)

Country Link
CN (1) CN111367655B (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115373860A (zh) * 2022-10-26 2022-11-22 小米汽车科技有限公司 Gpu任务的调度方法、装置、设备和存储介质
CN115858177A (zh) * 2023-02-08 2023-03-28 成都数联云算科技有限公司 一种渲染机资源分配方法、装置、设备及介质

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109766183A (zh) * 2018-12-28 2019-05-17 郑州云海信息技术有限公司 一种集群gpu复用及智能负载的方法及系统
CN110457135A (zh) * 2019-08-09 2019-11-15 重庆紫光华山智安科技有限公司 一种资源调度方法、装置及共享gpu显存的方法

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109766183A (zh) * 2018-12-28 2019-05-17 郑州云海信息技术有限公司 一种集群gpu复用及智能负载的方法及系统
CN110457135A (zh) * 2019-08-09 2019-11-15 重庆紫光华山智安科技有限公司 一种资源调度方法、装置及共享gpu显存的方法

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115373860A (zh) * 2022-10-26 2022-11-22 小米汽车科技有限公司 Gpu任务的调度方法、装置、设备和存储介质
CN115858177A (zh) * 2023-02-08 2023-03-28 成都数联云算科技有限公司 一种渲染机资源分配方法、装置、设备及介质
CN115858177B (zh) * 2023-02-08 2023-10-24 成都数联云算科技有限公司 一种渲染机资源分配方法、装置、设备及介质

Also Published As

Publication number Publication date
CN111367655B (zh) 2022-12-27

Similar Documents

Publication Publication Date Title
CN114741207B (zh) 一种基于多维度组合并行的gpu资源调度方法和系统
US8875153B2 (en) Routing workloads based on relative queue lengths of dispatchers
CN103067468B (zh) 云调度方法及其系统
CN104657220A (zh) 混合云中基于截止时间和费用约束的调度模型及方法
CN109034396A (zh) 用于处理分布式集群中的深度学习作业的方法和装置
CN112068957B (zh) 资源分配方法、装置、计算机设备及存储介质
CN106325976B (zh) 一种渲染任务调度处理方法及服务器
CN111367655B (zh) 一种云计算环境中gpu资源调度的方法、系统及存储介质
CN111506434B (zh) 一种任务处理方法、装置及计算机可读存储介质
CN103455375B (zh) Hadoop云平台下基于负载监控的混合调度方法
CN109376011A (zh) 虚拟化系统中管理资源的方法和装置
CN114356543A (zh) 一种基于Kubernetes的多租户机器学习任务资源调度方法
CN113946431B (zh) 一种资源调度方法、系统、介质及计算设备
CN112527513B (zh) 多个gpu动态分配方法及系统
CN106293933A (zh) 一种支持多大数据计算框架的集群资源配置与调度方法
CN111736990B (zh) 一种基于负载均衡的教学科研平台资源分配方法及装置
CN115658311A (zh) 一种资源的调度方法、装置、设备和介质
CN111193802A (zh) 基于用户组的资源动态分配方法、系统、终端及存储介质
CN117785465A (zh) 一种资源调度方法、装置、设备及存储介质
CN116302453B (zh) 量子电子混合平台的任务调度方法及装置
Li et al. On scheduling of high-throughput scientific workflows under budget constraints in multi-cloud environments
Di Stefano et al. Improving the allocation of communication-intensive applications in clouds using time-related information
CN113703945B (zh) 微服务集群的调度方法、装置、设备及存储介质
CN116010051A (zh) 一种联邦学习多任务调度方法及装置
Postoaca et al. h-Fair: asymptotic scheduling of heavy workloads in heterogeneous data centers

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