CN112579293B - 一种分布计算系统的综合验证方法 - Google Patents
一种分布计算系统的综合验证方法 Download PDFInfo
- Publication number
- CN112579293B CN112579293B CN202011549341.6A CN202011549341A CN112579293B CN 112579293 B CN112579293 B CN 112579293B CN 202011549341 A CN202011549341 A CN 202011549341A CN 112579293 B CN112579293 B CN 112579293B
- Authority
- CN
- China
- Prior art keywords
- resource
- model
- computing system
- distributed computing
- requirement
- 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
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]
- G06F9/5083—Techniques for rebalancing the load in a distributed system
-
- 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)
- Software Systems (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Supply And Distribution Of Alternating Current (AREA)
Abstract
本发明提供一种分布计算系统的综合验证方法,所述方法包括:按照所述需求规约,采用需求‑资源模型适配算法,从异构资源组件模型库适配选取最优资源组件模型,并对所述最优资源组件模型进行资源实例化,生成资源组件模型实例;将所述资源组件模型实例,采用分布式网络配置算法,生成分布计算系统的最优网络模型,所述最优网络模型包括分布式网络、集中‑分布结合式网络;将分布计算系统的任务应用作为所述最优网络模型的输入,对所述最优网络模型进行单个任务在单个资源组件、单个任务在多个资源组件、多个任务在多个资源组件场景下的功能/时序仿真验证;建立所述最优网络模型的性能分析模型,通过所述性能分析模型生成性能指标评估结果。
Description
技术领域
本发明属于嵌入式计算领域,涉及一种分布计算系统的综合验证方法。
背景技术
近年来随着对智能化综合信息处理的要求不断提高,大规模复杂分布计算系统正朝着异构分布计算的方向发展,计算系统内部包含了大量高性能通用处理、信号处理、图像处理、智能计算、数据管理、大容量数据存储、接口管理、传感器管理等多种异构计算资源,物理上分散部署并通过高速网络互连,形成一个分布计算系统,由统一的平台软件进行管理调度,任务应用可以动态加载到系统中,且多个任务应用可以交互并共享异构资源。由于分布计算系统设计存在系统结构复杂、计算资源类型多样、组网灵活、研制开发周期长难以验证等技术难点,目前缺少一个高效的综合验证方法。
发明内容
为了解决上述背景中提及的问题,本发明提供了一种分布计算系统的综合验证方法,具体如下:
本发明提供一种分布计算系统的综合验证方法,应用于分布计算系统,所述分布计算系统包括至少两类计算单元,计算单元数量至少两个;所述综合验证方法包括以下步骤:
接收分布计算系统需求,所述需求包括分布计算系统的功能需求及性能指标要求;
根据所述功能需求及性能指标要求,生成所述分布计算系统的需求规约;
按照所述需求规约,采用需求-资源模型适配算法,从异构资源组件模型库适配选取最优资源组件模型,并对所述最优资源组件模型进行资源实例化,生成资源组件模型实例;
将所述资源组件模型实例,采用分布式网络配置算法,生成分布计算系统的最优网络模型,所述最优网络模型包括分布式网络、集中-分布结合式网络;
将分布计算系统的任务应用作为所述最优网络模型的输入,对所述最优网络模型进行单个任务在单个资源组件、单个任务在多个资源组件、多个任务在多个资源组件场景下的功能/时序仿真验证;
建立所述最优网络模型的性能分析模型,通过所述性能参数模型生成性能指标评估结果,所述性能指标评估结果包括分布计算系统的资源占用率、任务处理时延、网络带宽吞吐和功耗;
对比所述性能指标评估结果与分布计算系统的性能指标要求,若所述性能指标评估结果满足性能指标要求,则输出所述最优网络模型及所述性能指标评估结果;如所述性能指标评估结果不满足性能指标要求,则返回需求-资源模型适配算法,重新选取最优资源组件模型,进行迭代计算。
优选的,所述功能需求包括:分布计算系统的应用场景、任务功能清单、各任务功能处理流程、任务功能依赖关系、系统外部交联设备类型及数量;
所述性能指标要求包括:分布计算系统的硬件性能指标要求和各任务功能软件要求;所述硬件性能指标要求包括:CPU计算能力要求、数据存储空间要求、信号处理能力要求、图形图像处理能力要求、对外接口类型/数量/速率、通信网络协议/端口数/带宽、网络最大时延/时延抖动、硬件体积重量功耗要求;所述各任务功能软件要求包括:操作系统、网络协议栈、运行环境、驱动软件,以及软件运行依赖的计算资源、数据存储空间。
优选的,根据所述功能需求及性能指标要求,生成所述分布计算系统的需求规约,具体包括:
通过SysML系统建模工具生成形式化的需求分析软件,所述需求分析软件按照标准化的需求模型,对所述分布计算系统需求进行规约化。
优选的,所述异构资源组件模型库,包括高性能通用处理、信号处理、图像处理、智能计算、数据管理、大容量数据存储、接口管理和传感器管理的资源组件模型;每个资源组件包含处理能力、存储、接口、系统软件的属性;所述资源组件模型采用SystemC建模语言描述。
优选的,对所述最优资源组件模型进行资源实例化,具体包括:
对所述最优资源组件模型进行芯片级、模块级、系统级的资源实例化,生成资源组件模型实例,完成所述资源组件模型实例的处理能力、存储、接口、系统软件属性配置。
优选的,所述分布计算系统的任务应用,包括分布式的并行数据计算、信号处理、图像处理、文件管理、综合控制。
优选的,所述需求-资源模型适配算法是一种资源受限的多目标资源配置优化算法,包括贪心算法、粒子群算法、遗传算法和模拟退火算法,优化目标包括资源种类最小、资源总数量最小、分布计算系统的总处理能力最大、数据带宽最大和计算任务的服务质量保障QoS最优。
优选的,所述分布式网络配置算法是一种多目标网络配置优化算法,根据所述资源组件模型实例之间数据传输的交换关系和数据量,配置分布式网络的拓扑、路由和链路带宽;所述分布式网络配置算法包括Dijkstra算法、蚁群算法、遗传算法,优化目标包括数据传输路径最小、数据传输延迟最小、数据平均拥塞最小、网络中单链路带宽最小。
本发明的优点在于:分布计算系统的综合验证方法包括:接收分布计算系统需求、系统总体需求分析、面向异构计算的资源模型库适配、网络化的系统模型生成、任务驱动的功能仿真、综合性能评估分析、系统需求验证及优化,能够支持从设计需求分析、异构计算资源选用、系统分布组网、任务驱动的功能模型构建,到功能仿真和综合性能分析的整个设计验证过程,进而解决目前大规模复杂分布计算系统按经验设计、缺乏技术数据支撑的问题;实现综合验证方法的软件及算法包括:需求分析软件、异构资源组件模型库、需求-资源模型适配算法、分布式网络配置算法、任务驱动的功能仿真模型、综合性能评估分析软件、调整优化算法,能够实现系统内部资源最优配置,进而提升系统整体性能和资源利用率。
附图说明
图1为本发明实施例提供的一种分布计算系统的综合验证方法的流程示意图;
图2为本发明实施例提供的一种分布计算系统的综合验证方法的软件及算法交互关系示意图;
具体实施方式
实施例一
第一方面,本发明实施例提供了一种分布计算系统的综合验证方法,所述分布计算系统包括至少两类计算单元,计算单元数量至少两个;
所述综合验证方法包括以下步骤:
(1)接收分布计算系统需求,需求包括所述分布计算系统的功能需求及性能指标要求;
(2)系统总体需求分析,生成所述分布计算系统的需求规约;
(3)面向异构计算的资源模型库适配,按照步骤(2)所述分布计算系统需求规约,采用需求-资源模型适配算法,从异构资源组件模型库适配选取最优资源组件模型,并进行资源实例化;
(4)网络化的系统模型生成,将步骤(3)所述生成的资源组件模型实例,采用分布式网络配置算法,生成分布计算系统的最优网络模型,支持分布式、集中-分布结合式网络;
(5)任务驱动的功能仿真,以分布计算系统典型任务应用为输入,对步骤(4)所述网络化的系统模型开展单节点、多节点的以及单任务、多任务的功能/时序仿真验证;
(6)综合性能评估分析,建立步骤(4)所述网络化的系统的性能参数模型,通过步骤(5)所述功能仿真,生成所述系统的资源占用率、任务处理时延、网络带宽吞吐、功耗等性能指标评估结果;
(7)系统需求验证及优化,对比步骤(6)的性能指标评估结果与步骤(1)的分布计算系统性能指标要求,如满足分布计算系统需求,以文件或可视化界面等输出系统配置方案及性能指标,如不满足,采用反向优化算法进行迭代设计。
进一步的,所述分布计算系统需求包括所述分布计算系统的功能需求及性能指标要求;
所述功能需求包括:分布计算系统的应用场景、任务功能清单、各任务功能处理流程、系统外部交联设备类型及数量等;
所述性能指标要求包括:分布计算系统的硬件性能指标要求、各任务功能软件要求等;
所述分布计算系统的硬件性能指标要求包括:计算能力要求、数据存储空间要求、对外接口类型/数量/速率、通信网络协议/端口数/带宽、网络最大时延/时延抖动、硬件体积重量功耗要求等;
所述各任务功能软件要求包括:操作系统、运行环境,以及软件运行依赖的计算资源、数据存储空间等。
进一步的,设计需求分析是通过需求分析软件,按照标准化的需求模型,对所述分布计算系统需求进行规约化;
所述需求分析软件基于系统工程方法,实现需求分解和整合;
所述标准化的需求模型,是按照对系统设计影响重要性排序的一组功能和性能需求,包括:任务功能1类型、任务功能1对通用计算能力需求、任务功能1对信号处理能力需求、任务功能1对图像处理能力需求、任务功能1对XX处理能力需求、…、任务功能1对数据存储容量需求、任务功能1对程序存储容量需求、任务功能1对系统软件需求、任务功能1对网络需求、任务功能1与其它任务交联需求…、任务功能2类型、任务功能2的各种需求、…。
进一步的,面向异构计算的资源模型库适配是根据所述规约化的系统需求,在异构资源组件模型库中,通过需求-资源模型适配算法来选择最优的资源组件模型,并进行资源实例化;
所述异构资源组件模型库,包括高性能通用处理、信号处理、图像处理、智能计算、数据管理、大容量数据存储、接口管理、传感器管理等多种类型资源模型,各资源组件包含处理能力、存储、接口、系统软件等多种属性;
所述需求-资源模型适配算法,是一种最优化映射算法,通过对所述规约化的系统需求中各类需求组合优化,求解出最优资源配置方案;
所述资源实例化,是按照所述最优资源配置方案,给出芯片级、模块级、系统级的分布计算系统模型。
进一步的,网络化的系统模型生成是根据分布计算系统实现分布式计算的需要,通过分布式网络配置算法,构建包含所有资源组件模型实例的系统网络模型,提供高带宽分布式数据通信,支持网络性能分析;
所述分布式网络配置算法,是一种网络配置优化算法,集成在网络建模工具软件中,实现不同网络协议、拓扑结构、交换机制、服务质量的网络配置,支持时延、吞吐等网络性能分析。
进一步的,任务驱动的功能仿真是在所述分布式网络配置算法完成网络配置后,形成的体现系统总体设计方案的任务驱动的功能仿真模型,它是以系统典型的分布式计算任务应用为输入,开展系统功能仿真;
所述任务驱动的功能仿真模型,是支持任务应用运行的网络化系统仿真模型,支持系统设计的软硬件功能仿真;
所述典型分布式计算任务应用,包括分布式的数据计算、信号处理、图像处理、文件管理、综合控制等;
所述功能仿真,包括单个任务在单个资源组件、单个任务在多个资源组件、多个任务在多个资源组件等场景下的功能/时序仿真验证。
进一步的,其特征在于,综合性能评估分析基于所述任务驱动的功能仿真模型,生成所述系统设计方案的资源占用率、任务处理时延、网络带宽吞吐、功耗等性能指标评估结果。
进一步的,其特征在于,系统需求验证及优化是对系统设计方案与分布计算系统需求进行对比验证,通过对比性能指标评估结果和标准化需求模型实现;如满足分布计算系统需求,以文件或可视化界面等输出系统配置方案及性能指标,如不满足,采用反向优化算法进行迭代设计;
所述调整优化算法,是根据对比结果中不满足设计要求的项目,对所述面向异构计算的资源模型库适配及所述网络化的系统模型生成的对应调整优化。
第二方面,本发明实施例还提供了一种分布计算系统的综合设计验证的软件及算法,所述软件及算法包括:
需求分析软件,实现分布计算系统需求分析和规约化;
异构资源组件模型库,对异构计算资源进行抽象,形成标准的资源组件模型库,包含资源的处理能力等属性;
需求-资源模型适配算法,实现标准化需要到资源组件模型库的最优化映射,形成芯片级、模块级、系统级的系统资源配置方案;
分布式网络配置算法,构建包含所有资源组件模型实例的网络化系统模型,形成分布式系统总体设计方案;
任务驱动的功能仿真模型,是支持任务应用运行的网络化系统仿真模型,支持单个任务在单个资源组件、单个任务在多个资源组件、多个任务在多个资源组件等场景下的功能/时序仿真验证;
综合性能评估分析软件,生成资源占用率、任务处理时延、网络带宽吞吐、功耗等性能指标评估结果;
调整优化算法,对比性能评估结果和设计需求,针对不一致的地方,调整优化系统设计。
实施例二
以下结合附图对本发明进行详述。
参见图1,为本发明实施例提供的一种分布计算系统的综合验证方法的流程示意图。所提供的配置方法应用于计算系统。如图1所示,所述分布计算系统的综合验证方法主要包括:
S101,接收分布计算系统需求,需求包括所述分布计算系统的功能需求及性能指标要求;
S102,系统总体需求分析,生成所述分布计算系统的需求规约;
S103,面向异构计算的资源模型库适配,按照S102所述分布计算系统需求规约,采用需求-资源模型适配算法,从异构资源组件模型库适配选取最优资源组件模型,并进行资源实例化;
S104,网络化的系统模型生成,将S103所述生成的资源组件模型实例,采用分布式网络配置算法,生成分布计算系统的最优网络模型,支持分布式、集中-分布结合式网络;
S105,任务驱动的功能仿真,以分布计算系统典型任务应用为输入,对S104所述网络化的系统模型开展单节点、多节点的以及单任务、多任务的功能/时序仿真验证;
S106,综合性能评估分析,建立S104所述网络化的系统的性能参数模型,通过S105所述功能仿真,生成所述系统的资源占用率、任务处理时延、网络带宽吞吐、功耗等性能指标评估结果;
S107系统需求验证及优化,对比S106的性能指标评估结果与步骤S101的分布计算系统性能指标要求,如满足分布计算系统需求,以文件或可视化界面等输出系统配置方案及性能指标,如不满足,采用反向优化算法进行迭代设计。
可见,本发明面向基于异构分布式架构的大规模复杂分布计算系统按照需求快速设计开发及资源最优配置的需求,提出一种分布计算系统的综合验证方法,支持从设计需求分析、异构计算资源选用、系统分布组网、任务驱动的功能模型构建,到功能仿真和综合性能分析的整个设计验证过程,解决目前大规模复杂分布计算系统按经验设计、缺乏技术数据支撑的问题,提升系统整体性能和设计开发效率。
参见图2,为本发明实施例提供的一种分布计算系统的综合验证方法的软件及算法交互关系示意图,所述软件及算法主要包括:
需求分析软件,实现分布计算系统需求分析和规约化;
异构资源组件模型库,对异构计算资源进行抽象,形成标准的资源组件模型库,包含资源的处理能力等属性;
需求-资源模型适配算法,实现标准化需要到资源组件模型库的最优化映射,形成芯片级、模块级、系统级的系统资源配置方案;
分布式网络配置算法,构建包含所有资源组件模型实例的网络化系统模型,形成分布式系统总体设计方案;
任务驱动的功能仿真模型,是支持任务应用运行的网络化系统仿真模型,支持单个任务在单个资源组件、单个任务在多个资源组件、多个任务在多个资源组件等场景下的功能/时序仿真验证;
综合性能评估分析软件,生成资源占用率、任务处理时延、网络带宽吞吐、功耗等性能指标评估结果;
调整优化算法,对比性能评估结果和设计需求,针对不一致的地方,调整优化系统设计。
上述本公开实施例提供的综合验证方法,基于异构分布式架构的大规模复杂分布计算系统按照需求快速设计开发及资源最优配置的需求,提供一种分布计算系统的综合验证方法,该方法支持从设计需求分析、异构计算资源选用、系统分布组网、任务驱动的功能模型构建,到功能仿真和综合性能分析的整个设计验证过程,提升系统整体性能和设计开发效率。
本发明提供一种分布计算系统的综合验证方法,该方法针对基于异构分布式架构的复杂分布计算系统的快速设计验证,方法包括:接收分布计算系统需求、系统总体需求分析、面向异构计算的资源模型库适配、网络化的系统模型生成、任务驱动的功能仿真、综合性能评估分析、系统需求验证及优化。实现该方法的软件及算法包括:需求分析软件、异构资源组件模型库、需求-资源模型适配算法、分布式网络配置算法、任务驱动的功能仿真模型、综合性能评估分析软件、调整优化算法。工作流程包括:以系统的功能需求和性能指标要求为输入开展需求规约;基于异构计算资源的组件模型库进行需求到资源的适配;采用分布式网络配置算法,按照网络化系统建模的方法,建立分布计算系统模型;通过任务功能验证和性能评估及反向迭代优化,生成分布计算系统的最优资源配置、网络结构、资源任务加载等设计方案,以及资源占用率、任务处理时延、网络带宽吞吐、功耗等指标参数。通过分布计算系统的综合验证方法及模型软件,提高对大规模复杂分布计算系统的设计验证能力,提升系统资源利用率和性能评估能力。
以上所述,仅为本公开的具体实施方式,但本公开的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本公开揭露的技术范围内,可轻易想到的变化或替换,都应涵盖在本公开的保护范围之内。因此,未公开的保护范围应以权利要求的保护范围为主。
Claims (6)
1.一种分布计算系统的综合验证方法,其特征在于,应用于分布计算系统,所述分布计算系统包括至少两类计算单元,计算单元数量至少两个;所述综合验证方法包括以下步骤:
接收分布计算系统需求,所述需求包括分布计算系统的功能需求及性能指标要求;
根据所述功能需求及性能指标要求,生成所述分布计算系统的需求规约;
按照所述需求规约,采用需求-资源模型适配算法,从异构资源组件模型库适配选取最优资源组件模型,并对所述最优资源组件模型进行资源实例化,生成资源组件模型实例;
将所述资源组件模型实例,采用分布式网络配置算法,生成分布计算系统的最优网络模型,所述最优网络模型包括分布式网络、集中-分布结合式网络;
将分布计算系统的任务应用作为所述最优网络模型的输入,对所述最优网络模型进行单个任务在单个资源组件、单个任务在多个资源组件、多个任务在多个资源组件场景下的功能/时序仿真验证;
建立所述最优网络模型的性能分析模型,通过性能参数模型生成性能指标评估结果,所述性能指标评估结果包括分布计算系统的资源占用率、任务处理时延、网络带宽吞吐和功耗;
对比所述性能指标评估结果与分布计算系统的性能指标要求,若所述性能指标评估结果满足性能指标要求,则输出所述最优网络模型及所述性能指标评估结果;如所述性能指标评估结果不满足性能指标要求,则返回需求-资源模型适配算法,重新选取最优资源组件模型,进行迭代计算;
所述需求-资源模型适配算法是一种资源受限的多目标资源配置优化算法,包括贪心算法、粒子群算法、遗传算法和模拟退火算法,优化目标包括资源种类最小、资源总数量最小、分布计算系统的总处理能力最大、数据带宽最大和计算任务的服务质量保障QoS最优;
所述分布式网络配置算法是一种多目标网络配置优化算法,根据所述资源组件模型实例之间数据传输的交换关系和数据量,配置分布式网络的拓扑、路由和链路带宽;所述分布式网络配置算法包括Dijkstra算法、蚁群算法、遗传算法,优化目标包括数据传输路径最小、数据传输延迟最小、数据平均拥塞最小、网络中单链路带宽最小。
2.根据权利要求1所述的方法,其特征在于,
所述功能需求包括:分布计算系统的应用场景、任务功能清单、各任务功能处理流程、任务功能依赖关系、系统外部交联设备类型及数量;
所述性能指标要求包括:分布计算系统的硬件性能指标要求和各任务功能软件要求;所述硬件性能指标要求包括:CPU计算能力要求、数据存储空间要求、信号处理能力要求、图形图像处理能力要求、对外接口类型/数量/速率、通信网络协议/端口数/带宽、网络最大时延/时延抖动、硬件体积重量功耗要求;所述各任务功能软件要求包括:操作系统、网络协议栈、运行环境、驱动软件,以及软件运行依赖的计算资源、数据存储空间。
3.根据权利要求1所述的方法,其特征在于,根据所述功能需求及性能指标要求,生成所述分布计算系统的需求规约,具体包括:
通过SysML系统建模工具生成形式化的需求分析软件,所述需求分析软件按照标准化的需求模型,对所述分布计算系统需求进行规约化。
4.根据权利要求1所述的方法,其特征在于,所述异构资源组件模型库,包括高性能通用处理、信号处理、图像处理、智能计算、数据管理、大容量数据存储、接口管理和传感器管理的资源组件模型;每个资源组件包含处理能力、存储、接口、系统软件的属性;所述资源组件模型采用SystemC建模语言描述。
5.根据权利要求1所述的方法,其特征在于,对所述最优资源组件模型进行资源实例化,具体包括:
对所述最优资源组件模型进行芯片级、模块级、系统级的资源实例化,生成资源组件模型实例,完成所述资源组件模型实例的处理能力、存储、接口、系统软件属性配置。
6.根据权利要求1所述的方法,其特征在于,所述分布计算系统的任务应用,包括分布式的并行数据计算、信号处理、图像处理、文件管理、综合控制。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011549341.6A CN112579293B (zh) | 2020-12-24 | 2020-12-24 | 一种分布计算系统的综合验证方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011549341.6A CN112579293B (zh) | 2020-12-24 | 2020-12-24 | 一种分布计算系统的综合验证方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112579293A CN112579293A (zh) | 2021-03-30 |
CN112579293B true CN112579293B (zh) | 2023-03-14 |
Family
ID=75140255
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011549341.6A Active CN112579293B (zh) | 2020-12-24 | 2020-12-24 | 一种分布计算系统的综合验证方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112579293B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114021440B (zh) * | 2021-10-28 | 2022-07-12 | 中航机载系统共性技术有限公司 | 一种基于matlab的fpga时序仿真验证方法及装置 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102123053A (zh) * | 2011-03-31 | 2011-07-13 | 浙江大学 | 水平分解的多类闭合分叉-汇集排队网络性能分析方法 |
CN109560968A (zh) * | 2018-12-20 | 2019-04-02 | 中国电子科技集团公司第三十研究所 | 一种动态策略驱动的网络资源智能规划与配置方法 |
CN109672709A (zh) * | 2017-10-17 | 2019-04-23 | 上海仪电(集团)有限公司中央研究院 | 一种混合云业务调度系统及方法 |
CN109710404A (zh) * | 2018-12-20 | 2019-05-03 | 上海交通大学 | 分布式系统中的任务调度方法 |
KR102120011B1 (ko) * | 2019-07-17 | 2020-06-05 | 이재호 | 통합 수요반응자원 운영 시스템 및 방법 |
-
2020
- 2020-12-24 CN CN202011549341.6A patent/CN112579293B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102123053A (zh) * | 2011-03-31 | 2011-07-13 | 浙江大学 | 水平分解的多类闭合分叉-汇集排队网络性能分析方法 |
CN109672709A (zh) * | 2017-10-17 | 2019-04-23 | 上海仪电(集团)有限公司中央研究院 | 一种混合云业务调度系统及方法 |
CN109560968A (zh) * | 2018-12-20 | 2019-04-02 | 中国电子科技集团公司第三十研究所 | 一种动态策略驱动的网络资源智能规划与配置方法 |
CN109710404A (zh) * | 2018-12-20 | 2019-05-03 | 上海交通大学 | 分布式系统中的任务调度方法 |
KR102120011B1 (ko) * | 2019-07-17 | 2020-06-05 | 이재호 | 통합 수요반응자원 운영 시스템 및 방법 |
Non-Patent Citations (4)
Title |
---|
"A Resource Scheduling Design Method with Model Checking for Distributed Embedded Software";Masahiko Watanabe等;《Seventh International Conference on Quality Software (QSIC 2007)》;20071121;全文 * |
"基于系统多维要素的安全关键软件验证方法";吕小虎等;《计算机科学》;20190915;第46卷(第09期);第156-161页 * |
分布式信息能源系统的耦合模型、网络架构与节点重要度评估;龚钢军等;《中国电机工程学报》;20200905(第17期);全文 * |
高性能交换与调度仿真平台的设计与实现;扈红超等;《软件学报》;20080415(第04期);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN112579293A (zh) | 2021-03-30 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107122243B (zh) | 用于cfd仿真计算的异构集群系统及计算cfd任务的方法 | |
CN109271015B (zh) | 一种降低大规模分布式机器学习系统能耗的方法 | |
Chaurasia et al. | Comprehensive survey on energy-aware server consolidation techniques in cloud computing | |
Patel et al. | Survey of load balancing techniques for grid | |
CN104092756A (zh) | 一种基于dht机制的云存储系统的资源动态分配方法 | |
CN111385226B (zh) | 应用于在线办公的网络资源分配方法、系统及网络设备 | |
CN113822456A (zh) | 一种云雾混构环境下基于深度强化学习的服务组合优化部署方法 | |
CN116680062B (zh) | 一种基于大数据集群的应用调度部署方法及存储介质 | |
Rui et al. | Petri net-based reliability assessment and migration optimization strategy of SFC | |
CN113572815A (zh) | 一种跨异构平台的通信技术方法、系统及介质 | |
Wen et al. | Load balancing job assignment for cluster-based cloud computing | |
Li et al. | Cost-aware automatic scaling and workload-aware replica management for edge-cloud environment | |
CN112579293B (zh) | 一种分布计算系统的综合验证方法 | |
CN113938930B (zh) | 适应5g网络多业务场景的虚拟网络功能转发图的构建方法 | |
CN115543626A (zh) | 采用异构计算资源负载均衡调度的电力缺陷图像仿真方法 | |
Sadegh et al. | A two-phase virtual machine placement policy for data-intensive applications in cloud | |
Ataie et al. | Modeling and evaluation of dispatching policies in IaaS cloud data centers using SANs | |
Sun et al. | Dynamic deployment and scheduling strategy for dual-service pooling-based hierarchical cloud service system in intelligent buildings | |
Fraccaroli et al. | Network synthesis for distributed embedded systems | |
Zhu et al. | Deep reinforcement learning-based edge computing offloading algorithm for software-defined IoT | |
Fang et al. | A Scheduling Strategy for Reduced Power Consumption in Mobile Edge Computing | |
CN110086662B (zh) | 一种需求定义网络的实现方法及网络架构 | |
Qiao et al. | A Novel Method for Resource Efficient Security Service Chain Embedding Oriented to Cloud Datacenter Networks | |
Yu et al. | A two steps method of resources utilization predication for large Hadoop data center | |
Lei et al. | Cost and qos balanced service function graph scaling algorithm in cloud-edge collaborative multimedia iot |
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 |