CN112148481A - 一种执行仿真测试任务的方法、系统、设备及介质 - Google Patents
一种执行仿真测试任务的方法、系统、设备及介质 Download PDFInfo
- Publication number
- CN112148481A CN112148481A CN202010946111.7A CN202010946111A CN112148481A CN 112148481 A CN112148481 A CN 112148481A CN 202010946111 A CN202010946111 A CN 202010946111A CN 112148481 A CN112148481 A CN 112148481A
- Authority
- CN
- China
- Prior art keywords
- simulation test
- gpu
- tasks
- task
- test task
- 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
- 238000004088 simulation Methods 0.000 title claims abstract description 200
- 238000012360 testing method Methods 0.000 title claims abstract description 182
- 238000000034 method Methods 0.000 title claims abstract description 47
- 238000004364 calculation method Methods 0.000 claims abstract description 26
- 230000004044 response Effects 0.000 claims abstract description 18
- 238000003860 storage Methods 0.000 claims abstract description 14
- 238000009877 rendering Methods 0.000 claims abstract description 10
- 238000012544 monitoring process Methods 0.000 claims description 11
- 238000004590 computer program Methods 0.000 claims description 6
- 238000009826 distribution Methods 0.000 claims description 5
- 230000011218 segmentation Effects 0.000 claims description 3
- 238000010586 diagram Methods 0.000 description 7
- 238000012545 processing Methods 0.000 description 4
- 230000000694 effects Effects 0.000 description 3
- 230000006870 function Effects 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 238000004519 manufacturing process Methods 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
- 230000003068 static effect Effects 0.000 description 2
- 230000001360 synchronised effect Effects 0.000 description 2
- 238000012795 verification Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000014509 gene expression Effects 0.000 description 1
- 238000010295 mobile communication Methods 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012549 training Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 238000000844 transformation Methods 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
- G06F9/50—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
- G06F11/00—Error detection; Error correction; Monitoring
- G06F11/30—Monitoring
- G06F11/3003—Monitoring arrangements specially adapted to the computing system or computing system component being monitored
- G06F11/3006—Monitoring arrangements specially adapted to the computing system or computing system component being monitored where the computing system is distributed, e.g. networked systems, clusters, multiprocessor systems
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F11/00—Error detection; Error correction; Monitoring
- G06F11/30—Monitoring
- G06F11/3055—Monitoring arrangements for monitoring the status of the computing system or of the computing system component, e.g. monitoring if the computing system is on, off, available, not available
-
- 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
- G06F2209/00—Indexing scheme relating to G06F9/00
- G06F2209/50—Indexing scheme relating to G06F9/50
- G06F2209/5021—Priority
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Software Systems (AREA)
- Computing Systems (AREA)
- Quality & Reliability (AREA)
- Mathematical Physics (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种执行仿真测试任务的方法、系统、设备和存储介质,方法包括:将仿真测试任务按照优先级划分成多个集群,并基于优先级顺序将每个集群中的多个仿真测试任务依次分配到不同GPU节点上;判断仿真测试任务的计算量是否大于单个GPU节点的计算力;响应于仿真测试任务的计算量大于单个GPU节点的计算力,将仿真测试任务的渲染部分进行切分以形成多个子任务;以及将多个子任务分配给多个GPU节点执行。本发明针对仿真测试任务的高并发问题,对任务进行合理的分配,使计算资源能得到最大化使用,大大提高任务并发数量,缩短所有任务完成的时间。
Description
技术领域
本发明涉及测试领域,更具体地,特别是指一种执行仿真测试任务的方法、系统、计算机设备及可读介质。
背景技术
对于自动驾驶来说,仿真测试是技术验证、支撑系统培训、测试和验证的基础技术,自动驾驶仿真软件可以支持道路生成、场景定义、交通流模拟、控制模拟、传感器模拟等功能。按照理论计算,要想对自动驾驶汽车的安全性进行验证并最终实现量产,需要积累数百亿英里的自动驾驶测试里程,这需要企业在未来10年内部署至少300万辆自动驾驶车辆进行里程测试,以便判断车辆在白天、夜晚,晴天、雨天,城市、乡村等一系列环境下的安全。这对任何一家整车制造企业、大型互联网公司和新兴造车势力来说都是不现实的。
自动驾驶仿真软件在单一计算设备上进行,且单个设备只能进行一个仿真任务,而自动驾驶汽车的安全性需要积累数百亿英里的自动驾驶测试里程和百万级的场景任务进行高并发处理,只依靠单个计算设备的耗时会非常大;另外,用多个计算设备进行自动驾驶仿真闭环测试时需要各计算设备上的仿真软件保证同步,增加了仿真的难度。
发明内容
有鉴于此,本发明实施例的目的在于提出一种执行仿真测试任务的方法、系统、计算机设备及计算机可读存储介质,针对仿真测试任务的高并发问题,对任务进行合理的分配,使计算资源能得到最大化使用,大大提高任务并发数量,缩短所有任务完成的时间;同时设计了监测模块来进行辅助,实时监测各计算节点的性能特征,便于任务分配模块对资源的实时协调,保证计算资源的高效利用和仿真的稳定性。
基于上述目的,本发明实施例的一方面提供了一种执行仿真测试任务的方法,包括如下步骤:将仿真测试任务按照优先级划分成多个集群,并基于优先级顺序将每个集群中的多个仿真测试任务依次分配到不同GPU节点上;判断所述仿真测试任务的计算量是否大于单个所述GPU节点的计算力;响应于所述仿真测试任务的计算量大于单个所述GPU节点的计算力,将所述仿真测试任务的渲染部分进行切分以形成多个子任务;以及将所述多个子任务分配给多个GPU节点执行。
在一些实施方式中,所述基于优先级顺序将每个集群中的多个仿真测试任务依次分配到不同GPU节点上包括:获取每个仿真测试任务的地图参数,并将属于同一个地图的多个仿真测试任务分配到同一个GPU节点。
在一些实施方式中,所述基于优先级顺序将每个集群中的多个仿真测试任务依次分配到不同GPU节点上包括:检测每个仿真测试任务的GPU节点的利用率,并判断是否存在GPU节点的利用率不超过阈值的仿真测试任务。
在一些实施方式中,所述基于优先级顺序将每个集群中的多个仿真测试任务依次分配到不同GPU节点上包括:响应于存在GPU节点的利用率不超过阈值的仿真测试任务,将多个GPU节点的利用率不超过阈值的仿真测试任务进行组合以使得GPU节点的总利用率超过阈值。
在一些实施方式中,方法还包括:监测每个GPU节点的运行状态,并根据GPU节点的运行状态调整分配到每个GPU节点的仿真测试任务的数量。
在一些实施方式中,所述根据GPU节点的运行状态调整分配到每个GPU节点的仿真测试任务的数量包括:响应于GPU节点运行完当前集群分配的仿真测试任务,将其他GPU节点尚未运行的仿真测试任务调度到所述GPU节点中运行。
在一些实施方式中,方法还包括:响应于新增仿真测试任务,判断所述新增仿真测试任务的优先级是否高于正在执行的集群;以及响应于所述新增仿真测试任务的优先级高于正在执行的集群,对所述新增仿真测试任务进行标识以使得所述新增仿真测试任务成为所有GPU节点下一个执行目标。
本发明实施例的另一方面,还提供了一种执行仿真测试任务系统,包括:分配模块,配置用于将仿真测试任务按照优先级划分成多个集群,并基于优先级顺序将每个集群中的多个仿真测试任务依次分配到不同GPU节点上;判断模块,配置用于判断所述仿真测试任务的计算量是否大于单个所述GPU节点的计算力;切分模块,配置用于响应于所述仿真测试任务的计算量大于单个所述GPU节点的计算力,将所述仿真测试任务的渲染部分进行切分以形成多个子任务;以及执行模块,配置用于将所述多个子任务分配给多个GPU节点执行。
本发明实施例的又一方面,还提供了一种计算机设备,包括:至少一个处理器;以及存储器,所述存储器存储有可在所述处理器上运行的计算机指令,所述指令由所述处理器执行时实现如上方法的步骤。
本发明实施例的再一方面,还提供了一种计算机可读存储介质,计算机可读存储介质存储有被处理器执行时实现如上方法步骤的计算机程序。
本发明具有以下有益技术效果:针对仿真测试任务的高并发问题,对任务进行合理的分配,使计算资源能得到最大化使用,大大提高任务并发数量,缩短所有任务完成的时间;同时设计了监测模块来进行辅助,实时监测各计算节点的性能特征,便于任务分配模块对资源的实时协调,保证计算资源的高效利用和仿真的稳定性。
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实施例。
图1为本发明提供的执行仿真测试任务的方法的实施例的示意图;
图2为本发明提供的执行仿真测试任务的方法的实施例中动态调度仿真测试任务的示意图;
图3为本发明提供的执行仿真测试任务的计算机设备的实施例的硬件结构示意图。
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,提出了一种执行仿真测试任务的方法的实施例。图1示出的是本发明提供的执行仿真测试任务的方法的实施例的示意图。如图1所示,本发明实施例包括如下步骤:
S1、将仿真测试任务按照优先级划分成多个集群,并基于优先级顺序将每个集群中的多个仿真测试任务依次分配到不同GPU(Graphics Processing Unit,图形处理器)节点上;
S2、判断仿真测试任务的计算量是否大于单个GPU节点的计算力;
S3、响应于仿真测试任务的计算量大于单个GPU节点的计算力,将仿真测试任务的渲染部分进行切分以形成多个子任务;以及
S4、将多个子任务分配给多个GPU节点执行。
将仿真测试任务按照优先级划分成多个集群,并将每个集群中的多个仿真测试任务依次分配到不同GPU节点上。可以根据任务的优先级来分配GPU节点,优先级可以设置为A、B、C、D四个等级,每个优先级对应一个集群,可以由用户对任务进行优先级设定,在计算资源满足高优先级任务需求的前提下将剩余计算资源分配给下一级优先级的任务。
在一些实施方式中,所述基于优先级顺序将每个集群中的多个仿真测试任务依次分配到不同GPU节点上包括:获取每个仿真测试任务的地图参数,并将属于同一个地图的多个仿真测试任务分配到同一个GPU节点。当仿真测试任务数量较多时,一些任务可能会分配到同一个节点上,此时在分配时会考虑任务的分类、仿真时长及资源消耗情况,例如任务A和B都是使用的地图A,会优先配分到同一个节点GPU1上,可以节省重复加载地图的时间。
在一些实施方式中,所述基于优先级顺序将每个集群中的多个仿真测试任务依次分配到不同GPU节点上包括:检测每个仿真测试任务的GPU节点的利用率,并判断是否存在GPU节点的利用率不超过阈值的仿真测试任务。
在一些实施方式中,所述基于优先级顺序将每个集群中的多个仿真测试任务依次分配到不同GPU节点上包括:响应于存在GPU节点的利用率不超过阈值的仿真测试任务,将多个GPU节点的利用率不超过阈值的仿真测试任务进行组合以使得GPU节点的总利用率超过阈值。例如在分配任务时,将任务A分配给GPU1,将任务C分配给GPU2,将任务D分配给GPU3,任务C和D场景较复杂,对于GPU2和GPU3的利用率可以达到80%以上,而任务A是特定的小场景测试,对于GPU1的利用率只达到30%,此时还有大量计算资源未被使用,因此根据剩余的计算资源将另外的小场景测试任务B也分配到GPU1上,任务B对于GPU1的利用率达到50%,所以任务A和B同时运行到GPU1上利用率也能达到80%以上,在保证仿真任务正常运行的前提下提高了资源使用率,缩短了仿真时间。仿真测试任务B优先选择同一优先级,当同一优先级的测试任务都已经处理完,可以选择下一优先级的仿真测试任务。
判断仿真测试任务的计算量是否大于单个GPU节点的计算力。响应于仿真测试任务的计算量大于单个GPU节点的计算力,将仿真测试任务的渲染部分进行切分以形成多个子任务。将多个子任务分配给多个GPU节点执行。比如某一仿真测试任务使用的传感器方案是摄像头仿真数量为10,激光雷达仿真数量为5,单个GPU节点没法满足算力需求。本发明实施例将仿真任务进行切分,分配到多个GPU节点上。具体的,本发明实施例是对仿真内部的渲染部分进行切分,将各仿真传感器切分成子任务,将这些子任务分配给GPU节点,这些子任务都是由一个仿真逻辑主程序来进行支配,渲染出来的各传感器的图像完全同步,不需要再进行同步处理。
在一些实施方式中,还包括:监测每个GPU节点的运行状态,并根据GPU节点的运行状态调整分配到每个GPU节点的仿真测试任务的数量。
在一些实施方式中,所述根据GPU节点的运行状态调整分配到每个GPU节点的仿真测试任务的数量包括:响应于GPU节点运行完当前集群分配的仿真测试任务,将其他GPU节点尚未运行的仿真测试任务调度到所述GPU节点中运行。本发明实施例对仿真测试任务进行静态分配和动态调度。在开始分配任务时会对任务进行静态分配,在仿真开始后根据监测模块反馈的各性能状态及特殊情况对各任务动态调度。
图2示出的是本发明提供的执行仿真测试任务的方法的实施例中动态调度仿真测试任务的示意图。如图2所示,左图是初始静态分配结果,将任务A和任务B分配给了GPU1,将任务C、D和E分别分配给了GPU2、GPU3和GPU4。在仿真过程中通过监测模块发现任务C比任务A结束早,此时GPU2处于空闲状态,因此,根据优先级将任务B调度到GPU2上。
在一些实施方式中,还包括:响应于新增仿真测试任务,判断所述新增仿真测试任务的优先级是否高于正在执行的集群;以及响应于所述新增仿真测试任务的优先级高于正在执行的集群,对所述新增仿真测试任务进行标识以使得所述新增仿真测试任务成为所有GPU节点下一个执行目标。继续参见图2,当新增任务X,首先判断任务X的优先级是否高于或等于优先级A,如果高于优先级A,则对新增仿真测试任务进行标识以使得新增仿真测试任务成为所有GPU节点下一个执行目标,即当GPU1、GPU2、GPU3和GPU4中任意一个处于空闲状态时,优先处理任务X。如果任务X的优先级等于优先级A,则需要排在任务B后面执行。如果任务X优先级低于优先级A,则可以按照静态分配的方式对任务X进行分配。
按照本发明实施例的方式对20个仿真任务进行测试,每个仿真任务的场景都不相同,仿真时长大约有10-15秒,测试步骤如下:
1、根据各任务的具体信息配置相应的仿真参数;
2、根据地图信息对任务分类,并确认各任务的优先级;
3、通过任务分配模块将20个任务分配给4个GPU节点,开始仿真测试;
4、由监测模块进行监控,并反馈各节点性能状态,通过任务分配模块进行资源调节。
通过任务的合理高效分配,完成全部20个仿真任务的时间大约为40秒左右,而在传统方式下需要200秒以上,大大缩短了仿真时间,同时在仿真过程中GPU的利用率一直保持在70%以上,保证了资源的高效利用。
本发明实施例对任务先进行分类,根据优先级、任务的资源消耗、任务耗时和任务的分类情况来分配计算资源,同时设计了监测模块来进行辅助,实时监测各计算节点的性能特征,便于任务分配模块对资源的实时协调,保证计算资源的高效利用和仿真的稳定性。该方法可以应对大量场景任务的高并发,实现资源高效调度利用,与传统单机模式相比,可节省大量时间,加速自动驾驶算法的仿真道路测试。
需要特别指出的是,上述执行仿真测试任务的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执行仿真测试任务的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,提出了一种执行仿真测试任务的系统,包括:分配模块,配置用于将仿真测试任务按照优先级划分成多个集群,并基于优先级顺序将每个集群中的多个仿真测试任务依次分配到不同GPU节点上;判断模块,配置用于判断所述仿真测试任务的计算量是否大于单个所述GPU节点的计算力;切分模块,配置用于响应于所述仿真测试任务的计算量大于单个所述GPU节点的计算力,将所述仿真测试任务的渲染部分进行切分以形成多个子任务;以及执行模块,配置用于将所述多个子任务分配给多个GPU节点执行。
在一些实施方式中,所述分配模块配置用于:获取每个仿真测试任务的地图参数,并将属于同一个地图的多个仿真测试任务分配到同一个GPU节点。
在一些实施方式中,所述分配模块配置用于:检测每个仿真测试任务的GPU节点的利用率,并判断是否存在GPU节点的利用率不超过阈值的仿真测试任务。
在一些实施方式中,所述分配模块配置用于:响应于存在GPU节点的利用率不超过阈值的仿真测试任务,将多个GPU节点的利用率不超过阈值的仿真测试任务进行组合以使得GPU节点的总利用率超过阈值。
在一些实施方式中,系统还包括:调节模块,配置用于监测每个GPU节点的运行状态,并根据GPU节点的运行状态调整分配到每个GPU节点的仿真测试任务的数量。
在一些实施方式中,所述调节模块配置用于:响应于GPU节点运行完当前集群分配的仿真测试任务,将其他GPU节点尚未运行的仿真测试任务调度到所述GPU节点中运行。
在一些实施方式中,系统还包括:标识模块,配置用于响应于新增仿真测试任务,判断所述新增仿真测试任务的优先级是否高于正在执行的集群;以及响应于所述新增仿真测试任务的优先级高于正在执行的集群,对所述新增仿真测试任务进行标识以使得所述新增仿真测试任务成为所有GPU节点下一个执行目标。
基于上述目的,本发明实施例的第三个方面,提出了一种计算机设备,包括:至少一个处理器;以及存储器,存储器存储有可在处理器上运行的计算机指令,指令由处理器执行以实现如下步骤:S1、将仿真测试任务按照优先级划分成多个集群,并基于优先级顺序将每个集群中的多个仿真测试任务依次分配到不同GPU节点上;S2、判断仿真测试任务的计算量是否大于单个GPU节点的计算力;S3、响应于仿真测试任务的计算量大于单个GPU节点的计算力,将仿真测试任务的渲染部分进行切分以形成多个子任务;以及S4、将多个子任务分配给多个GPU节点执行。
在一些实施方式中,所述基于优先级顺序将每个集群中的多个仿真测试任务依次分配到不同GPU节点上包括:获取每个仿真测试任务的地图参数,并将属于同一个地图的多个仿真测试任务分配到同一个GPU节点。
在一些实施方式中,所述基于优先级顺序将每个集群中的多个仿真测试任务依次分配到不同GPU节点上包括:检测每个仿真测试任务的GPU节点的利用率,并判断是否存在GPU节点的利用率不超过阈值的仿真测试任务。
在一些实施方式中,所述基于优先级顺序将每个集群中的多个仿真测试任务依次分配到不同GPU节点上包括:响应于存在GPU节点的利用率不超过阈值的仿真测试任务,将多个GPU节点的利用率不超过阈值的仿真测试任务进行组合以使得GPU节点的总利用率超过阈值。
在一些实施方式中,步骤还包括:监测每个GPU节点的运行状态,并根据GPU节点的运行状态调整分配到每个GPU节点的仿真测试任务的数量。
在一些实施方式中,所述根据GPU节点的运行状态调整分配到每个GPU节点的仿真测试任务的数量包括:响应于GPU节点运行完当前集群分配的仿真测试任务,将其他GPU节点尚未运行的仿真测试任务调度到所述GPU节点中运行。
在一些实施方式中,步骤还包括:响应于新增仿真测试任务,判断所述新增仿真测试任务的优先级是否高于正在执行的集群;以及响应于所述新增仿真测试任务的优先级高于正在执行的集群,对所述新增仿真测试任务进行标识以使得所述新增仿真测试任务成为所有GPU节点下一个执行目标。
如图3所示,为本发明提供的上述执行仿真测试任务的计算机设备的一个实施例的硬件结构示意图。
以如图3所示的装置为例,在该装置中包括一个处理器301以及一个存储器302,并还可以包括:输入装置303和输出装置304。
处理器301、存储器302、输入装置303和输出装置304可以通过总线或者其他方式连接,图3中以通过总线连接为例。
存储器302作为一种非易失性计算机可读存储介质,可用于存储非易失性软件程序、非易失性计算机可执行程序以及模块,如本申请实施例中的执行仿真测试任务的方法对应的程序指令/模块。处理器301通过运行存储在存储器302中的非易失性软件程序、指令以及模块,从而执行服务器的各种功能应用以及数据处理,即实现上述方法实施例的执行仿真测试任务的方法。
存储器302可以包括存储程序区和存储数据区,其中,存储程序区可存储操作系统、至少一个功能所需要的应用程序;存储数据区可存储根据执行仿真测试任务的方法的使用所创建的数据等。此外,存储器302可以包括高速随机存取存储器,还可以包括非易失性存储器,例如至少一个磁盘存储器件、闪存器件、或其他非易失性固态存储器件。在一些实施例中,存储器302可选包括相对于处理器301远程设置的存储器,这些远程存储器可以通过网络连接至本地模块。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
输入装置303可接收输入的用户名和密码等信息。输出装置304可包括显示屏等显示设备。
一个或者多个执行仿真测试任务的方法对应的程序指令/模块存储在存储器302中,当被处理器301执行时,执行上述任意方法实施例中的执行仿真测试任务的方法。
执行上述执行仿真测试任务的方法的计算机设备的任何一个实施例,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。
本发明还提供了一种计算机可读存储介质,计算机可读存储介质存储有被处理器执行时执行如上方法的计算机程序。
最后需要说明的是,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,执行仿真测试任务的方法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,程序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。上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。
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,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 (10)
1.一种执行仿真测试任务的方法,其特征在于,包括以下步骤:
将仿真测试任务按照优先级划分成多个集群,并基于优先级顺序将每个集群中的多个仿真测试任务依次分配到不同GPU节点上;
判断所述仿真测试任务的计算量是否大于单个所述GPU节点的计算力;
响应于所述仿真测试任务的计算量大于单个所述GPU节点的计算力,将所述仿真测试任务的渲染部分进行切分以形成多个子任务;以及
将所述多个子任务分配给多个GPU节点执行。
2.根据权利要求1所述的方法,其特征在于,所述基于优先级顺序将每个集群中的多个仿真测试任务依次分配到不同GPU节点上包括:
获取每个仿真测试任务的地图参数,并将属于同一个地图的多个仿真测试任务分配到同一个GPU节点。
3.根据权利要求1所述的方法,其特征在于,所述基于优先级顺序将每个集群中的多个仿真测试任务依次分配到不同GPU节点上包括:
检测每个仿真测试任务的GPU节点的利用率,并判断是否存在GPU节点的利用率不超过阈值的仿真测试任务。
4.根据权利要求3所述的方法,其特征在于,所述基于优先级顺序将每个集群中的多个仿真测试任务依次分配到不同GPU节点上包括:
响应于存在GPU节点的利用率不超过阈值的仿真测试任务,将多个GPU节点的利用率不超过阈值的仿真测试任务进行组合以使得GPU节点的总利用率超过阈值。
5.根据权利要求1所述的方法,其特征在于,还包括:
监测每个GPU节点的运行状态,并根据GPU节点的运行状态调整分配到每个GPU节点的仿真测试任务的数量。
6.根据权利要求5所述的方法,其特征在于,所述根据GPU节点的运行状态调整分配到每个GPU节点的仿真测试任务的数量包括:
响应于GPU节点运行完当前集群分配的仿真测试任务,将其他GPU节点尚未运行的仿真测试任务调度到所述GPU节点中运行。
7.根据权利要求1所述的方法,其特征在于,还包括:
响应于新增仿真测试任务,判断所述新增仿真测试任务的优先级是否高于正在执行的集群;以及
响应于所述新增仿真测试任务的优先级高于正在执行的集群,对所述新增仿真测试任务进行标识以使得所述新增仿真测试任务成为所有GPU节点下一个执行目标。
8.一种执行仿真测试任务的系统,其特征在于,包括:
分配模块,配置用于将仿真测试任务按照优先级划分成多个集群,并基于优先级顺序将每个集群中的多个仿真测试任务依次分配到不同GPU节点上;
判断模块,配置用于判断所述仿真测试任务的计算量是否大于单个所述GPU节点的计算力;
切分模块,配置用于响应于所述仿真测试任务的计算量大于单个所述GPU节点的计算力,将所述仿真测试任务的渲染部分进行切分以形成多个子任务;以及
执行模块,配置用于将所述多个子任务分配给多个GPU节点执行。
9.一种计算机设备,其特征在于,包括:
至少一个处理器;以及
存储器,所述存储器存储有可在所述处理器上运行的计算机指令,所述指令由所述处理器执行时实现权利要求1-7任意一项所述方法的步骤。
10.一种计算机可读存储介质,所述计算机可读存储介质存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现权利要求1-7任意一项所述方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010946111.7A CN112148481B (zh) | 2020-09-10 | 2020-09-10 | 一种执行仿真测试任务的方法、系统、设备及介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010946111.7A CN112148481B (zh) | 2020-09-10 | 2020-09-10 | 一种执行仿真测试任务的方法、系统、设备及介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112148481A true CN112148481A (zh) | 2020-12-29 |
CN112148481B CN112148481B (zh) | 2022-11-22 |
Family
ID=73889581
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010946111.7A Active CN112148481B (zh) | 2020-09-10 | 2020-09-10 | 一种执行仿真测试任务的方法、系统、设备及介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112148481B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114090350A (zh) * | 2021-09-27 | 2022-02-25 | 重庆长安汽车股份有限公司 | 一种适用于智能驾驶模型开发的集群测试方法、系统及计算机可读存储介质 |
CN115879323A (zh) * | 2023-02-02 | 2023-03-31 | 西安深信科创信息技术有限公司 | 自动驾驶仿真测试方法、电子设备及计算机可读存储介质 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110413412A (zh) * | 2019-07-19 | 2019-11-05 | 苏州浪潮智能科技有限公司 | 一种基于gpu集群资源分配的方法和装置 |
CN111506401A (zh) * | 2020-03-27 | 2020-08-07 | 北京百度网讯科技有限公司 | 自动驾驶仿真任务调度方法、装置、电子设备及存储介质 |
-
2020
- 2020-09-10 CN CN202010946111.7A patent/CN112148481B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110413412A (zh) * | 2019-07-19 | 2019-11-05 | 苏州浪潮智能科技有限公司 | 一种基于gpu集群资源分配的方法和装置 |
CN111506401A (zh) * | 2020-03-27 | 2020-08-07 | 北京百度网讯科技有限公司 | 自动驾驶仿真任务调度方法、装置、电子设备及存储介质 |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114090350A (zh) * | 2021-09-27 | 2022-02-25 | 重庆长安汽车股份有限公司 | 一种适用于智能驾驶模型开发的集群测试方法、系统及计算机可读存储介质 |
CN115879323A (zh) * | 2023-02-02 | 2023-03-31 | 西安深信科创信息技术有限公司 | 自动驾驶仿真测试方法、电子设备及计算机可读存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN112148481B (zh) | 2022-11-22 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112513814B (zh) | 任务调度方法及装置 | |
CN113051075B (zh) | 一种Kubernetes智能化扩缩容的方法及装置 | |
CN112148481B (zh) | 一种执行仿真测试任务的方法、系统、设备及介质 | |
CN110489217A (zh) | 一种任务调度方法及系统 | |
CN112214319B (zh) | 一种计算资源感知的任务调度方法 | |
CN113434284B (zh) | 一种隐私计算服务端设备、系统及任务调度方法 | |
CN114281521B (zh) | 优化深度学习异构资源通信效率方法、系统、设备及介质 | |
CN106776395A (zh) | 一种共享集群的任务调度方法及装置 | |
CN109117244B (zh) | 一种虚拟机资源申请排队机制的实现方法 | |
CN109240820A (zh) | 图像处理任务的处理方法及装置、电子设备及存储介质 | |
CN114253695A (zh) | 一种计算节点资源信息更新方法、节点和存储介质 | |
CN113835865A (zh) | 一种任务部署方法和装置、电子设备和存储介质 | |
CN113592066A (zh) | 硬件加速方法、装置、设备、计算机程序产品及存储介质 | |
CN114943885A (zh) | 一种基于训练任务的同步缓存加速方法及系统 | |
CN112261125B (zh) | 集中单元的云化部署方法、装置及系统 | |
CN112463340A (zh) | 基于tensorflow的多任务弹性调度方法及系统 | |
CN116069496A (zh) | 一种gpu资源调度的方法及装置 | |
CN116107753A (zh) | 一种任务节点分配方法、装置、电子设备及存储介质 | |
CN113807539B (zh) | 机器学习与图形算力的高复用方法、系统、介质及终端 | |
CN106980463A (zh) | 存储系统的服务质量控制方法和装置 | |
CN114860453A (zh) | 场景引擎的任务执行方法、装置、电子设备及存储介质 | |
CN113282383B (zh) | 任务调度方法、任务处理方法及相关产品 | |
CN114610484B (zh) | 一种用于分布式ai集群的网络仿真方法及装置 | |
CN111258710B (zh) | 一种系统维护方法和装置 | |
CN116881158A (zh) | 测试任务调度方法、装置、设备及可读存储介质 |
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 |