CN112213956B - 一种自动驾驶仿真任务调度方法、装置、设备及可读介质 - Google Patents
一种自动驾驶仿真任务调度方法、装置、设备及可读介质 Download PDFInfo
- Publication number
- CN112213956B CN112213956B CN202011031512.6A CN202011031512A CN112213956B CN 112213956 B CN112213956 B CN 112213956B CN 202011031512 A CN202011031512 A CN 202011031512A CN 112213956 B CN112213956 B CN 112213956B
- Authority
- CN
- China
- Prior art keywords
- scheduling
- task
- nodes
- flow diagram
- simulation 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.)
- Active
Links
- 238000004088 simulation Methods 0.000 title claims abstract description 73
- 238000000034 method Methods 0.000 title claims abstract description 69
- 238000010586 diagram Methods 0.000 claims abstract description 49
- 230000008569 process Effects 0.000 claims abstract description 35
- 238000003860 storage Methods 0.000 claims abstract description 18
- 238000004364 calculation method Methods 0.000 claims description 13
- 238000004422 calculation algorithm Methods 0.000 claims description 10
- 238000004590 computer program Methods 0.000 claims description 9
- 238000010276 construction Methods 0.000 claims description 4
- 238000013468 resource allocation Methods 0.000 claims description 3
- 238000012827 research and development Methods 0.000 abstract description 7
- 238000013461 design Methods 0.000 abstract description 4
- 238000012360 testing method Methods 0.000 description 13
- 230000006870 function Effects 0.000 description 6
- 238000005516 engineering process Methods 0.000 description 4
- 230000003287 optical effect Effects 0.000 description 4
- 238000009826 distribution Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 239000000835 fiber Substances 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 230000002349 favourable effect Effects 0.000 description 1
- 230000014509 gene expression Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012546 transfer 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
- G06F9/48—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
- G06F9/4887—Scheduling strategies for dispatcher, e.g. round robin, multi-level priority queues involving deadlines, e.g. rate based, periodic
-
- 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
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B17/00—Systems involving the use of models or simulators of said systems
- G05B17/02—Systems involving the use of models or simulators of said systems electric
Landscapes
- Engineering & Computer Science (AREA)
- Software Systems (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Automation & Control Theory (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种自动驾驶仿真任务调度方法,包括以下步骤:基于集群机架、节点数、进程数构建网络流框图,为网络流框图的信息进行编码;设置待仿真任务信息,并通过网络流框图进行仿真任务流最小路经计算;以及根据公平策略和抢占式调度策略实时更新调度系统状态,并基于调度系统状态执行调度。本发明还公开了一种自动驾驶仿真任务调度装置、计算机设备和可读存储介质。本发明将集群调度问题抽象成流网络中最小费用流的求解问题,并结合自动驾驶仿真任务特点设计公平策略与抢占式调度,解决队列框架进行自动驾驶仿真任务调度时,无法针对复杂多变的仿真任务设置复杂的调度策略的问题,获取集群资源调度的最优化方案,提高研发效率。
Description
技术领域
本发明涉及人工智能技术领域,尤其涉及一种自动驾驶仿真任务调度方法、装置、设备及可读介质。
背景技术
随着科学技术的飞速发展,推动了自动驾驶汽车技术的快速迭代,自动驾驶汽车量产前需要进行大量的里程测试,以确保其行驶域的安全性。据研究机构推算,如果全部采用实车路测,即使使用千辆车上路测试,也需要几十年才能完成相应测试任务,所以全部采用实车路测不现实,目前业界的策略是通过对测试环境进行三维仿真模拟,利用仿真计算来替代实车路测;由于机器可以采用集群扩展,所以能加速完成测试任务。但是目前自动驾驶仿真任务各式各样,种类繁多,涉及到不同场景、交通流、参与者、传感器配置、品牌车辆等等。进行大量任务仿真计算时,采用传统的队列集群调度系统,会出现集群资源利用效率不高,大幅增加研发成本,降低研发效率。
现有技术方案是使用一组队列作为集群调度器的基本数据结构,实现任务的调度。如应用广泛的容器集群编排工具Swarm、Kubernetes等,均在自身的调度器上应用这种架构。现有技术的队列框架的结构简单,无法设置较复杂的调度策略,导致队列框架的决策获取全局最优解比较困难,往往只能得到局部最优解。从而使得集群的资源得不到充分的利用。另一方面,当前的调度系统都是比较通用的框架,没用增对自动驾驶仿真任务的特点进行定制化的优化。
发明内容
有鉴于此,本发明实施例的目的在于提出一种自动驾驶仿真任务调度方法、装置、设备及可读介质,采用图来作为集群网络的抽象,以添加更多的信息使各节点与自动驾驶仿真任务关联在一起,将集群调度问题抽象成流网络中最小费用流的求解问题,从而获得更好的全局调度决策,并结合自动驾驶仿真任务特点设计公平策略与抢占式调度,提高集群资源使用效率,大幅加速自动驾驶仿真测试。解决队列框架进行自动驾驶仿真任务调度时,无法针对复杂多变的仿真任务设置复杂的调度策略的问题,获取集群资源调度的最优化方案,提高研发效率。
基于上述目的,本发明实施例的一方面提供了一种自动驾驶仿真任务调度方法,包括以下步骤:基于集群机架、节点数、进程数构建网络流框图,为网络流框图的信息进行编码;设置待仿真任务信息,并通过网络流框图进行仿真任务流最小路经计算;以及根据公平策略和抢占式调度策略实时更新调度系统状态,并基于调度系统状态执行调度。
在一些实施方式中,网络流框图配置为,网络中流量从表示任务的顶点开始,经过若干表示流量和边成本的有向边和表示作业或物理机的中间节点,最终进入汇点。
在一些实施方式中,基于集群机架、节点数、进程数构建网络流框图包括:为每个作业设置一个根进程节点、若干工作进程节点和一个未调度任务节点,为每台计算机设置一个计算机节点,为每个机架设置一个机架节点;将若干工作进程节点和未调度任务节点以及计算机节点和机架节点通过有向边连接。
在一些实施方式中,为网络流框图的信息进行编码包括:对网络流框图中集群机架、计算机节点、进程节点进行编码;对网络流框图中有向边的成本和权重进行编码。
在一些实施方式中,设置待仿真任务信息包括:为有向边分配流量,使得节点输入的流量和与输出的流量和相等;根据自动驾驶仿真任务的场景、参与者和传感器配置设置有向边分配成本权重。
在一些实施方式中,通过网络流框图进行仿真任务流最小路经计算包括:基于费用可缩放的预流压入重标记算法,得到最小可行流方案,最小可行流方案输出边的非负整数流与成本的乘积的和最小。
在一些实施方式中,根据公平策略和抢占式调度策略实时更新调度系统状态,并基于调度系统状态执行调度包括:根据抢占式调度策略,使高优先级任务优先占用资源;根据公平策略,为同级别优先级任务设置瞬时资源分配,且不能抢占同级别优先级任务的资源。
本发明实施例的另一方面,还提供了一种自动驾驶仿真任务调度装置,包括:构建模块,配置用于基于集群机架、节点数、进程数构建网络流框图,为网络流框图的信息进行编码;计算模块,配置用于设置待仿真任务信息,并通过网络流框图进行仿真任务流最小路经计算;以及调度模块,配置用于根据公平策略和抢占式调度策略实时更新调度系统状态,并基于调度系统状态执行调度。
本发明实施例的再一方面,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,存储器存储有可在处理器上运行的计算机指令,指令由处理器执行时实现上述方法的步骤。
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:采用图来作为集群网络的抽象,以添加更多的信息使各节点与自动驾驶仿真任务关联在一起,将集群调度问题抽象成流网络中最小费用流的求解问题,从而获得更好的全局调度决策,并结合自动驾驶仿真任务特点设计公平策略与抢占式调度,提高集群资源使用效率,大幅加速自动驾驶仿真测试。解决队列框架进行自动驾驶仿真任务调度时,无法针对复杂多变的仿真任务设置复杂的调度策略的问题,获取集群资源调度的最优化方案,提高研发效率。
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为本发明提供的自动驾驶仿真任务调度方法的实施例的示意图;
图2为本发明提供的自动驾驶仿真任务调度装置的实施例的示意图;
图3为本发明提供的计算机设备的实施例的示意图;
图4为本发明提供的计算机可读存储介质的实施例的示意图。
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,提出了自动驾驶仿真任务调度方法的实施例。图1示出的是本发明提供的自动驾驶仿真任务调度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:
S01、基于集群机架、节点数、进程数构建网络流框图,为网络流框图的信息进行编码;
S02、设置待仿真任务信息,并通过网络流框图进行仿真任务流最小路经计算;以及
S03、根据公平策略和抢占式调度策略实时更新调度系统状态,并基于调度系统状态执行调度。
在本实施例中,首先设计了一种图数据结构能对集群网络的结构和等待仿真任务集以及他们的信息进行编码,并能在图的边上分配相应的权重和容量。接着设计了一套最小费用流计算算法,能够得到一个满足全局准则的即时调度任务集合。最后结合自动驾驶仿真任务特点设计了公平策略与抢占式调度,对调度任务集合进行约束修正,按照求解的调度任务集合完成调度,能大幅提高集群的资源利用效率,降低研发成本,提高研发效率。
在本实施例中,以4节点,平均分布在两个机架的小集群为例,首先将集群机架、节点数、可用于计算的进程数等参数输入图网络流框架调度程序,完成图网络构建;通过配置文件设置待仿真任务信息(仿真场景、仿真参与者、Sensor信息等等),执行最小费用流计算程序完成调度任务流的实时计算;根据第二步配置文件中设置的待仿真任务判断任务优先级,根据公平策略与抢占式调度进行调度系统实时状态更新;执行调度。按照上述步骤,即可实现一个简单的基于图网络流自动驾驶仿真任务调度实例,测试表明:与队列调度相比,测试一组决策控制仿真任务,集群CPU利用率降低了三分之一左右的资源消耗。启用抢占式调度比不启用抢占式调度,相同的测试任务,带宽及CPU资源利用率下降10%左右。
在本发明的一些实施例中,网络流框图中,网络中流量从表示任务的顶点开始,经过若干表示流量和边成本的有向边和表示作业或物理机的中间节点,最终进入汇点。
在本实施例中,设计定义了一套基于图的网络流框架,将集群调度问题转化为网络流分配问题。网络中流量从顶点开始,经过一系列有向边和中间节点,最终进入汇点。其中,顶点代表任务,中间节点代表作业、物理机,有向边代表仿真任务的费用和计算进程的成本等,这样将集群调度抽象演化成网络流分配问题。更进一步的本发明定义:r代表作业的根进程,W表示根进程下的工作进程,U代表未调度任务,集群表示为X,集群中的计算机m表示为Cm,机架i表示为Ri。流网络图中的每条有向边都有设计有一个自己的容量和边成本两个变量,其中容量用于限制仿真任务流经过各条边的流量,进行费用计算。边成本主要作用是根据实际环境对仿真任务进行相应的约束。
在本实施例中,连接到Uj的边上的成本费用代表了W未调度的惩罚。这个费用随着时间的推移而增加,使得排队很久的作业比最近提交的作业更有可能被运行。当一个任务开始在计算机m上运行时,在该任务到除Cm之外的所有节点的边上为其增加一个额外的终止成本,这个成本随着时间的增加而增加,代表如果强制惩罚杀死或移动而浪费的资源。每台计算机的传出边设置有单元容量,通过控制U和S之间的容量,来分配用于运行任何仿真任务的最大和最小计算机数量。
在本发明的一些实施例中,基于集群机架、节点数、进程数构建网络流框图包括:为每个作业设置一个根进程节点、若干工作进程节点和一个未调度任务节点,为每台计算机设置一个计算机节点,为每个机架设置一个机架节点;将若干工作进程节点和未调度任务节点以及计算机节点和机架节点通过有向边连接。
在本实施例中,每个作业j有一个根进程节点r,若干工作进程节点Wj,还有一个未调度任务的节点Uj。每台计算机m有一个节点Cm,每个机架i有一个机架节点Ri。S是所有流从图中排出的汇集节点。作业j中的每个工作任务对j的未调度节点Uj,以及其首选列表中的每个机架和计算机都有边相连接。沿着图中边的一个单位的流可认为对应一个任务的调度分配,每个提交的工作进程或根进程接收一个单位流作为起始,在右边的汇聚节点S作为流的终点。
在本发明的一些实施例中,为网络流框图的信息进行编码包括:对网络流框图中集群机架、计算机节点、进程节点进行编码;对网络流框图中有向边的成本和权重进行编码。
对集群机架、机器节点、所有可以运行的工作进程等进行编码,实现整个图的架构。假设在一个给定的工作进程W将通过机架和核心交换机读取的精确的字节数给予计算机m。这个信息在图结构中用从图节点W到计算机节点Cm,机架节点Ri的每个边上的成本进行编码。从W到Cm的边成本用一个函数实现,代表如果计算机m上运行,将通过m的机架交换机和核心交换机传输的数据量。从W到Ri的边成本被设置为任务在第i个机架中的最不利的计算机上运行将导致的最差成本。从W到X的边成本被设置为在群集中的任何计算机上运行任务的最坏情况成本。
在本发明的一些实施例中,设置待仿真任务信息包括:为有向边分配流量,使得节点输入的流量和与输出的流量和相等;根据自动驾驶仿真任务的场景、参与者和传感器配置设置有向边分配成本权重。
在本实施例中,依据定义的图网络流框架,进行仿真任务流最小路径计算。由于流量经过的每条边都有对应的费用,这样待解决的调度问题就演化成在给定策略下求解费用最小路径的问题。流网络是一个有向图,每个边都设计有一个非负整数容量和一个成本。一个可行的流上的每个边分配一个非负的整数流,使得对于每个节点其输入边的集合等于输出边的集合。其中边成本,根据自动驾驶仿真任务特点,不同仿真场景、不同仿真参与者、不同的Sensor配置等等,进行相应的任务费用设定、划分,如:设定场景中增加一辆车,费用权重增加0.0001的系数;增加一个Sensor,费用权重系数增加0.001等(同一Sensor,不同的分辨率等参数选择,也设定一定的费用系数浮动)。在图网络框架中实现对根据用户仿真测试任务配置文件完成自动费用评估计算。
在本发明的一些实施例中,通过网络流框图进行仿真任务流最小路经计算包括:基于费用可缩放的预流压入重标记算法,得到最小可行流方案,最小可行流方案输出边的非负整数流与成本的乘积的和最小。
在本实施例中,根据集群机器网络的架构设定一个最小的可行流方案即使输出边的非负整数流与成本的乘积的和最小。本文采用费用可缩放的预流压入重标记算法,该算法通过维护与最小费用流的偏差,再采用连续逼近的方法求解。该算法的两种基本操作是压入和重标记,压入操作作用于一条边,将边的起点的预流尽量压入汇点;重标记作用于一个点,将该点的高度设为所有临接点高度的最小值加一。该算法在计算复杂度上比其他算法有较大优势。
在本发明的一些实施例中,根据公平策略和抢占式调度策略实时更新调度系统状态,并基于调度系统状态执行调度包括:根据抢占式调度策略,使高优先级任务优先占用资源;根据公平策略,为同级别优先级任务设置瞬时资源分配,且不能抢占同级别优先级任务的资源。
在本实施例中,基于自动驾驶仿真任务的特点,进行了公平策略与抢占式调度的设计。由于自动驾驶仿真任务非常地吃资源,为了仿真启动一个工作占用大量的资源,导致其他接下来的工作因为缺少资源计算缓慢或等待,本发明设计了公平策略。每个作业启动时都会得到一个瞬时的资源分配,对应于当前允许使用的资源数量。作业j得到的基线分配Aj=M/K,其中M为集群中的计算机数,K为正在运行的作业数。为了进一步提高计算集群的整体资源利用率,引入抢占式调度策略,即设置一定的任务高低优先级,高优先级任务可以优先占用资源,同级别优先级不能相互抢占资源。这样有效的避免了一些低优先级的任务大量的占用资源,导致效率降低。
需要特别指出的是,上述自动驾驶仿真任务调度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自动驾驶仿真任务调度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,提出了一种自动驾驶仿真任务调度装置。图2示出的是本发明提供的自动驾驶仿真任务调度装置的实施例的示意图。如图2所示,本发明实施例包括如下模块:构建模块S11,配置用于基于集群机架、节点数、进程数构建网络流框图,为网络流框图的信息进行编码;计算模块S12,配置用于设置待仿真任务信息,并通过网络流框图进行仿真任务流最小路经计算;以及调度模块S13,配置用于根据公平策略和抢占式调度策略实时更新调度系统状态,并基于调度系统状态执行调度。
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。图3示出的是本发明提供的计算机设备的实施例的示意图。如图3所示,本发明实施例包括如下装置:至少一个处理器S21;以及存储器S22,存储器S22存储有可在处理器上运行的计算机指令S23,指令由处理器执行时实现以上方法的步骤。
本发明还提供了一种计算机可读存储介质。图4示出的是本发明提供的计算机可读存储介质的实施例的示意图。如图4所示,计算机可读存储介质存储S31有被处理器执行时执行如上方法的计算机程序S32。
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,自动驾驶仿真任务调度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。
此外,根据本发明实施例公开的方法还可以被实现为由处理器执行的计算机程序,该计算机程序可以存储在计算机可读存储介质中。在该计算机程序被处理器执行时,执行本发明实施例公开的方法中限定的上述功能。
此外,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。
本领域技术人员还将明白的是,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。
在一个或多个示例性设计中,功能可以在硬件、软件、固件或其任意组合中实现。如果在软件中实现,则可以将功能作为一个或多个指令或代码存储在计算机可读介质上或通过计算机可读介质来传送。计算机可读介质包括计算机存储介质和通信介质,该通信介质包括有助于将计算机程序从一个位置传送到另一个位置的任何介质。存储介质可以是能够被通用或专用计算机访问的任何可用介质。作为例子而非限制性的,该计算机可读介质可以包括RAM、ROM、EEPROM、CD-ROM或其它光盘存储设备、磁盘存储设备或其它磁性存储设备,或者是可以用于携带或存储形式为指令或数据结构的所需程序代码并且能够被通用或专用计算机或者通用或专用处理器访问的任何其它介质。此外,任何连接都可以适当地称为计算机可读介质。例如,如果使用同轴线缆、光纤线缆、双绞线、数字用户线路(DSL)或诸如红外线、无线电和微波的无线技术来从网站、服务器或其它远程源发送软件,则上述同轴线缆、光纤线缆、双绞线、DSL或诸如红外线、无线电和微波的无线技术均包括在介质的定义。如这里所使用的,磁盘和光盘包括压缩盘(CD)、激光盘、光盘、数字多功能盘(DVD)、软盘、蓝光盘,其中磁盘通常磁性地再现数据,而光盘利用激光光学地再现数据。上述内容的组合也应当包括在计算机可读介质的范围内。
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 (7)
1.一种自动驾驶仿真任务调度方法,其特征在于,包括以下步骤:
基于集群机架、节点数、进程数构建网络流框图,为所述网络流框图的信息进行编码;
设置待仿真任务信息,并通过所述网络流框图进行仿真任务流最小路经计算;以及
根据公平策略和抢占式调度策略实时更新调度系统状态,并基于所述调度系统状态执行调度,
其中所述网络流框图配置为,网络中流量从表示任务的顶点开始,经过若干表示流量和边成本的有向边和表示作业或物理机的中间节点,最终进入汇点;
其中设置待仿真任务信息包括:
为所述有向边分配流量,使得所述节点输入的流量和与输出的流量和相等;
根据自动驾驶仿真任务的场景、参与者和传感器配置设置所述有向边分配成本权重,并且
其中通过所述网络流框图进行仿真任务流最小路经计算包括:
基于费用可缩放的预流压入重标记算法,得到最小可行流方案,所述最小可行流方案输出边的非负整数流与成本的乘积的和最小。
2.根据权利要求1所述的自动驾驶仿真任务调度方法,其特征在于,基于集群机架、节点数、进程数构建网络流框图包括:
为每个作业设置一个根进程节点、若干工作进程节点和一个未调度任务节点,为每台计算机设置一个计算机节点,为每个机架设置一个机架节点;
将所述若干工作进程节点和所述未调度任务节点以及所述计算机节点和所述机架节点通过有向边连接。
3.根据权利要求1所述的自动驾驶仿真任务调度方法,其特征在于,为所述网络流框图的信息进行编码包括:
对所述网络流框图中集群机架、计算机节点、进程节点进行编码;
对所述网络流框图中有向边的成本和权重进行编码。
4.根据权利要求1所述的自动驾驶仿真任务调度方法,其特征在于,根据公平策略和抢占式调度策略实时更新调度系统状态,并基于所述调度系统状态执行调度包括:
根据抢占式调度策略,使高优先级任务优先占用资源;
根据公平策略,为同级别优先级任务设置瞬时资源分配,且不能抢占同级别优先级任务的资源。
5.一种自动驾驶仿真任务调度装置,其特征在于,包括:
构建模块,配置用于基于集群机架、节点数、进程数构建网络流框图,为所述网络流框图的信息进行编码;
计算模块,配置用于设置待仿真任务信息,并通过所述网络流框图进行仿真任务流最小路经计算;以及
调度模块,配置用于根据公平策略和抢占式调度策略实时更新调度系统状态,并基于所述调度系统状态执行调度,
其中所述网络流框图配置为,网络中流量从表示任务的顶点开始,经过若干表示流量和边成本的有向边和表示作业或物理机的中间节点,最终进入汇点;
其中设置待仿真任务信息包括:
为所述有向边分配流量,使得所述节点输入的流量和与输出的流量和相等;
根据自动驾驶仿真任务的场景、参与者和传感器配置设置所述有向边分配成本权重,并且
其中通过所述网络流框图进行仿真任务流最小路经计算包括:
基于费用可缩放的预流压入重标记算法,得到最小可行流方案,所述最小可行流方案输出边的非负整数流与成本的乘积的和最小。
6.一种计算机设备,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,所述指令在由所述处理器运行时执行如权利要求1-4中任意一项所述的方法。
7.一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,所述计算机程序在被处理器运行时执行如权利要求1-4中任意一项所述的方法。
Priority Applications (3)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011031512.6A CN112213956B (zh) | 2020-09-27 | 2020-09-27 | 一种自动驾驶仿真任务调度方法、装置、设备及可读介质 |
PCT/CN2021/109506 WO2022062648A1 (zh) | 2020-09-27 | 2021-07-30 | 一种自动驾驶仿真任务调度方法、装置、设备及可读介质 |
US18/011,139 US11868808B2 (en) | 2020-09-27 | 2021-07-30 | Automatic driving simulation task scheduling method and apparatus, device, and readable medium |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011031512.6A CN112213956B (zh) | 2020-09-27 | 2020-09-27 | 一种自动驾驶仿真任务调度方法、装置、设备及可读介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112213956A CN112213956A (zh) | 2021-01-12 |
CN112213956B true CN112213956B (zh) | 2023-01-06 |
Family
ID=74052015
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011031512.6A Active CN112213956B (zh) | 2020-09-27 | 2020-09-27 | 一种自动驾驶仿真任务调度方法、装置、设备及可读介质 |
Country Status (3)
Country | Link |
---|---|
US (1) | US11868808B2 (zh) |
CN (1) | CN112213956B (zh) |
WO (1) | WO2022062648A1 (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112213956B (zh) * | 2020-09-27 | 2023-01-06 | 苏州浪潮智能科技有限公司 | 一种自动驾驶仿真任务调度方法、装置、设备及可读介质 |
CN117234695B (zh) * | 2023-11-13 | 2024-01-30 | 苏州挚途科技有限公司 | 用于自动驾驶系统的处理任务的调度方法及其装置 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109819046A (zh) * | 2019-02-26 | 2019-05-28 | 重庆邮电大学 | 一种基于边缘协作的物联网虚拟计算资源调度方法 |
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 |
Family Cites Families (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2008007435A1 (fr) | 2006-07-13 | 2008-01-17 | Fujitsu Limited | Programme de gestion de ressources, procédé de gestion de ressources et dispositif de gestion de ressources |
US8395989B2 (en) * | 2008-04-23 | 2013-03-12 | Verizon Patent And Licensing Inc. | Method and system for network backbone analysis |
CN106126344A (zh) | 2016-06-30 | 2016-11-16 | 中国联合网络通信集团有限公司 | 一种任务分配方法及装置 |
US10298969B2 (en) * | 2016-11-10 | 2019-05-21 | University Of Louisiana At Lafayette | Architecture and method for high performance on demand video transcoding |
CN106708625A (zh) | 2016-12-08 | 2017-05-24 | 中国科学院软件研究所 | 一种基于最小费用最大流的大规模资源调度系统及方法 |
CN107942720B (zh) * | 2017-09-30 | 2021-04-27 | 成都飞机工业(集团)有限责任公司 | 一种便携式地面在线飞行仿真系统 |
CN111123728B (zh) * | 2018-10-30 | 2023-07-21 | 百度在线网络技术(北京)有限公司 | 无人车仿真方法、装置、设备及计算机可读介质 |
CN110532078A (zh) * | 2019-08-29 | 2019-12-03 | 中国科学院软件研究所 | 一种边缘计算调度优化方法及系统 |
CN112213956B (zh) | 2020-09-27 | 2023-01-06 | 苏州浪潮智能科技有限公司 | 一种自动驾驶仿真任务调度方法、装置、设备及可读介质 |
-
2020
- 2020-09-27 CN CN202011031512.6A patent/CN112213956B/zh active Active
-
2021
- 2021-07-30 WO PCT/CN2021/109506 patent/WO2022062648A1/zh active Application Filing
- 2021-07-30 US US18/011,139 patent/US11868808B2/en active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109819046A (zh) * | 2019-02-26 | 2019-05-28 | 重庆邮电大学 | 一种基于边缘协作的物联网虚拟计算资源调度方法 |
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 |
Non-Patent Citations (2)
Title |
---|
基于交通流量预测的动态最优路径规划研究;刘智琦等;《广西工学院学报》;20120615(第02期);全文 * |
基于车道驾驶态势的拓扑构建与路径规划;祖似杰等;《地理空间信息》;20180524(第05期);全文 * |
Also Published As
Publication number | Publication date |
---|---|
WO2022062648A1 (zh) | 2022-03-31 |
US11868808B2 (en) | 2024-01-09 |
US20230176905A1 (en) | 2023-06-08 |
CN112213956A (zh) | 2021-01-12 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110442451B (zh) | 一种面向深度学习的多类型gpu集群资源管理调度方法和系统 | |
CN112213956B (zh) | 一种自动驾驶仿真任务调度方法、装置、设备及可读介质 | |
US11055139B2 (en) | Smart accelerator allocation and reclamation for deep learning jobs in a computing cluster | |
CN113037800B (zh) | 作业调度方法以及作业调度装置 | |
CN113472597B (zh) | 分布式卷积神经网络细粒度的参数传输调度方法及装置 | |
CN112416585A (zh) | 面向深度学习的gpu资源管理与智能化调度方法 | |
CN114172937A (zh) | 基于深度强化学习的动态服务功能链编排方法及系统 | |
CN115237580B (zh) | 面向智能计算的流水并行训练自适应调整系统、方法 | |
CN110222379A (zh) | 制造网络服务质量的优化方法及系统 | |
CN116450312A (zh) | 面向流水线并行训练的调度策略确定方法及系统 | |
CN112862083B (zh) | 一种边缘环境下的深度神经网络推断方法及装置 | |
CN113535381B (zh) | 基于改进遗传算法的服务功能链映射方法、装置及设备 | |
CN108512817A (zh) | 多视频转码调度方法及装置 | |
CN113014649B (zh) | 一种基于深度学习的云物联负载均衡方法、装置及设备 | |
WO2021115082A1 (zh) | 作业调度方法以及作业调度装置 | |
CN113342526A (zh) | 云计算移动网络资源动态管控方法、系统、终端及介质 | |
CN107454137B (zh) | 一种在线业务按需服务的方法、装置与设备 | |
CN116166396A (zh) | 调度模型的训练方法、装置、电子设备及可读存储介质 | |
CN115543582A (zh) | 超算算力网络统一调度方法、系统及设备 | |
CN115208892A (zh) | 基于动态资源需求的车路协同在线任务调度方法及系统 | |
CN114035919A (zh) | 基于配电网分层分布特征的任务调度系统及方法 | |
CN111694670A (zh) | 资源分配方法、装置、设备和计算机可读介质 | |
CN115348324B (zh) | 一种最优化调度策略的确定方法及装置和电子设备 | |
CN112448899A (zh) | 一种基于流量调度的多任务训练集群网络优化方法 | |
CN117527590B (zh) | 基于边缘网络的微服务部署与请求路由方法、系统及介质 |
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 |