CN112600906A - 在线场景的资源分配方法、装置及电子设备 - Google Patents

在线场景的资源分配方法、装置及电子设备 Download PDF

Info

Publication number
CN112600906A
CN112600906A CN202011428352.9A CN202011428352A CN112600906A CN 112600906 A CN112600906 A CN 112600906A CN 202011428352 A CN202011428352 A CN 202011428352A CN 112600906 A CN112600906 A CN 112600906A
Authority
CN
China
Prior art keywords
scene
online
resource
online scene
decision model
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
CN202011428352.9A
Other languages
English (en)
Other versions
CN112600906B (zh
Inventor
王洋
吴嘉澍
须成忠
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.)
Shenzhen Institute of Advanced Technology of CAS
Original Assignee
Shenzhen Institute of Advanced Technology of CAS
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 Shenzhen Institute of Advanced Technology of CAS filed Critical Shenzhen Institute of Advanced Technology of CAS
Priority to CN202011428352.9A priority Critical patent/CN112600906B/zh
Priority to PCT/CN2020/139560 priority patent/WO2022120993A1/zh
Publication of CN112600906A publication Critical patent/CN112600906A/zh
Application granted granted Critical
Publication of CN112600906B publication Critical patent/CN112600906B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L67/00—Network arrangements or protocols for supporting network services or applications
    • H04L67/01—Protocols
    • H04L67/10—Protocols in which an application is distributed across nodes in the network
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L67/00—Network arrangements or protocols for supporting network services or applications
    • H04L67/50—Network services
    • H04L67/51—Discovery or management thereof, e.g. service location protocol [SLP] or web services
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L67/00—Network arrangements or protocols for supporting network services or applications
    • H04L67/50—Network services
    • H04L67/54—Presence management, e.g. monitoring or registration for receipt of user log-on information, or the connection status of the users
    • 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)
  • Computer Networks & Wireless Communication (AREA)
  • Signal Processing (AREA)
  • Debugging And Monitoring (AREA)

Abstract

本发明适用设备资源分配技术领域，提供了一种在线场景的资源分配方法及装置、电子设备，该方法包括：依次接收在线场景，并获取所述在线场景的资源需求；在可用资源满足所述在线场景的资源需求时，采用预先训练的决策模型对所述在线场景进行特征判断；根据特征判断结果，确定针对所述在线场景的资源分配方案。由于在可用资源满足在线场景的资源需求后，再采用预先训练的决策模型对该在线场景进行特征判断，以确定针对该在线场景的资源分配方案，使在避免死锁的前提下对在线场景进行资源分配时具备最大化利润及最小化总体失服场景个数的判断能力，保证了对在线场景资源分配时的合理性和可靠性。

Description

在线场景的资源分配方法、装置及电子设备
技术领域
本发明属于设备资源分配技术领域，尤其涉及一种在线场景的资源分配方法、装置及电子设备。
背景技术
随着云计算技术的发展以及其在人机物环境下的广泛应用，高效地进行在线场景的动态资源分配变得愈发重要。多种在线场景实时到来，将对资源有一定的需求，静态的离线算法显然无法处理所面对的在线场景及其资源需求的分配问题。
在云计算等人机物环境下，不同的场景会以在线的方式来申请在不同时间段使用一种或多种资源。对资源的分配应该既可以避免死锁情况的出现，又能够高效的将资源合理地分配给场景，以达到尽可能高的利润，同时尽可能地减少失服场景的数量。因此，如何在保证避免死锁的前提下对资源进行合理分配，从而最大化所满足的场景的总利润(profit)，同时减少失服(service failure)场景数量，成为了亟需解决的关键问题。
发明内容
本发明的目的在于提供一种在线场景的资源分配方法、装置及电子设备，旨在解决现有技术中对在线场景进行资源分配的可靠性和合理度不高的技术问题。
第一方面，本发明提供了一种在线场景的资源分配方法，应用于电子设备，包括：
依次接收在线场景，并获取所述在线场景的资源需求；
在可用资源满足所述在线场景的资源需求时，采用预先训练的决策模型对所述在线场景进行特征判断；
根据特征判断结果，确定针对所述在线场景的资源分配方案。
进一步的，所述方法还包括：
在可用资源不满足所述在线场景的资源需求时，拒绝所述在线场景。
进一步的，所述在可用资源满足所述在线场景的资源需求时，采用预先训练的决策模型对所述在线场景进行特征判断的步骤之前，所述方法还包括：
获取所述在线场景运行时的场景特征；
采用机器学习算法对所述场景特征进行训练，生成所述决策模型。
进一步的，所述场景特征包括当前资源情况、资源需求、资源分配方案，所述采用机器学习算法对所述场景特征进行训练，生成所述决策模型的步骤包括：
将所述当前资源情况、资源需求与资源分配方案进行对应存储，形成决策数据集；
采用XGBoost算法在所述决策数据集上进行预训练，生成所述决策模型。
进一步的，所述在可用资源满足所述在线场景的资源需求时，采用预先训练的决策模型对所述在线场景进行特征判断的步骤包括：
在可用资源满足所述在线场景的资源需求时，获取所述在线场景的场景特征；
采用XGBoost算法将所述场景特征在预先训练的决策模型中进行迭代运算，判断是否向所述在线场景分配资源。
进一步的，所述采用XGBoost算法将所述场景特征在预先训练的决策模型中进行迭代运算，判断是否向所述在线场景分配资源的步骤包括：
采用XGBoost算法将所述场景特征在预先训练的决策模型中进行迭代运算，计算所述在线场景的资源价值是否值得接受的决策；
根据所述决策决定是否向所述在线场景分配资源。
第二方面，本发明提供了一种在线场景的资源分配装置，包括：
场景接收模块，用于依次接收在线场景，并获取所述在线场景的资源需求；
特征判断模块，用于在可用资源满足所述在线场景的资源需求时，采用预先训练的决策模型对所述在线场景进行特征判断；
资源分配模块，用于根据特征判断结果，确定针对所述在线场景的资源分配方案。
第三方面，本发明还提供了一种电子设备，包括：
处理器；以及
与所述处理器通讯连接的存储器；其中，
所述存储器存储有可读性指令，所述可读性指令被所述处理器执行时实现如第一方面所述的方法。
第四方面，本发明提供了一种计算机可读性存储介质，其上存储有计算机程序，所述计算机程序在被执行时实现如第一方面的方法。
本发明提供的在线场景的资源分配方法及装置、电子设备中，在可用资源满足在线场景的资源需求后，再采用预先训练的决策模型对该在线场景进行特征判断，以确定针对该在线场景的资源分配方案，使在避免死锁的前提下对在线场景进行资源分配时具备最大化利润及最小化总体失服场景个数的判断能力，保证了对在线场景资源分配时的合理性和可靠性。
附图说明
图1是实施例一示出的在线场景的资源分配方法的实现流程图。
图2是根据实施例一示出的人机物环境下多个场景依次到达以及其各自对应的资源需求的示意图。
图3是根据实施例一示出的一种具体应用方法流程图。
图4是实施例二示出的在线场景的资源分配装置的结构框图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。
以下结合具体实施例对本发明的具体实现进行详细描述：
实施例一：
图1是实施例一示出的在线场景的资源分配方法的实现流程图。实施例一示出的在线场景的资源分配方法适用于电子设备中，该电子设备中设置处理器，以根据在线场景的资源需求对其进行资源分配。为了便于说明，仅示出了与本发明实施例相关的部分，详述如下：
步骤S110，依次接收在线场景，并获取所述在线场景的资源需求。
步骤S120，在可用资源满足所述在线场景的资源需求时，采用预先训练的决策模型对所述在线场景进行特征判断。
步骤S130，根据特征判断结果，确定针对所述在线场景的资源分配方案。
在人机环境下，电子设备将不时地实时接收在线场景，电子设备接收在线场景后，将对在线场景进行相应的资源分配。
在线场景到达时，将会声明其所需要的所有资源以及期望占用资源的起始、截止时间。因此，在接收在线场景后，电子设备即可获取该在线场景的资源需求。
图2是根据实施例一示出的人机物环境下多个场景依次到达以及其各自对应的资源需求的示意图。如图2所示，圆形字母A、B、C代表在线场景，长条形代表资源，面对到来的在线场景A、B、C，将根据其资源需求进行共享资源的分配。
在该在线场景的资源需求可以被全部满足的前提下，才会采用预先训练的决策模型对所述在线场景进行特征判断，以进一步确定该在线场景的资源分配方案，不允许出现资源需求只能部分满足的情况，从可以避免某一在线场景在持有一部分资源的情况下而等待其他在线场景持有的其他资源，从而有效地避免了死锁的出现，保证了资源分配时的可靠性。
在可用资源满足所述在线场景的资源需求后，本发明采用预先训练的决策模型对该在线场景进行特征判断，以确定针对该在线场景的资源分配方案。由于预先训练的决策模型中包含有使用特定的数据特征及包含最优决策信息的数据集，使得决策模型在进行动态资源分配时具备最大化利润及最小化总体失服场景个数的判断能力，进一步提高了对在线场景进行资源分配的合理性。
进一步的，在可用资源不满足所述在线场景的资源需求时，直接拒绝该在线场景，从而避免该在线场景运行过程中由于缺少部分资源而陷入死锁状态。
如前所述，决策模型是预先训练的。进行决策模型的训练时，先获取所述在线场景运行时的场景特征，再采用机器学习算法对所述场景特征进行训练，生成所述决策模型。
机器学习算法包括但不限于XGBoost算法、支持向量机(Support VectorMachine)以及神经网络(Neural Networks)等。
具体的，场景特征包括当前资源情况、资源需求、资源分配方案，先将当前资源情况、资源需求与资源分配方案进行对应存储，形成决策数据集，再采用XGBoost算法在所述决策数据集上进行预训练，生成所述决策模型。
在每次算法进行决策时，当前各个资源的可用量与占用量均被作为特征输入至模型中，这使得：其一，算法可以对多种资源进行分配而不是仅局限于对单一资源的分配；其二，算法可以在决策时将实时动态的资源利用情况考虑进去，从而实现对资源更高效更合理的分配与利用。例如，训练时作为输入的特征如表1所示。
表1-训练特征表
Figure BDA0002825712410000061
进一步的，在可用资源满足所述在线场景的资源需求时而采用采用预先训练的决策模型对所述在线场景进行特征判断时，先获取所述在线场景的场景特征，再采用XGBoost算法将所述场景特征在预先训练的决策模型中进行迭代运算，判断是否向所述在线场景分配资源。
具体的，采用XGBoost算法将所述场景特征在预先训练的决策模型中进行迭代运算，计算所述在线场景的资源价值是否值得接受的决策，再根据所述决策决定是否向所述在线场景分配资源。
由于决策模型是通过对在线场景的场景特征(资源需求、资源分配方案等)进行训练而生成的，因此决策模型具有评判在线场景价值的能力，即判断在线场景是否值得接收。例如，当前可用资源满足在线场景的所有资源需求，但可能这个在线场景需要大量资源，而收效甚微，因此通过训练的决策模型判断其资源价值不高时，则就会将其判断为拒绝，从而保证场景目标最优化，以实现在线场景资源分配时的最优化目标。
图3是根据一示例性实施例示出的实施例一的方法流程图。如图3所示，首先进行模型的预训练，生成决策模型。然后将动态接收场景，获取并预测当前的可用资源以及场景的资源需求，在场景所需的资源不能全部满足时，则拒绝分配资源；在场景所需的资源均可用时，则采用模型进行运算，判断是否接受其资源分配请求，在判定将分配资源给该场景时，将更新参数，分配资源给该场景，并更新资源利用情况。
实施例二：
如图4所示，本发明实施例二提供了一种在线场景的资源分配装置，该装置可执行上述任一所示的在线场景的资源分配方法的全部或者部分步骤。该系统包括：
场景接收模块1，用于依次接收在线场景，并获取所述在线场景的资源需求；
特征判断模块2，用于在可用资源满足所述在线场景的资源需求时，采用预先训练的决策模型对所述在线场景进行特征判断；
资源分配模块3，用于根据特征判断结果，确定针对所述在线场景的资源分配方案。
具体的，该装置还包括：
场景特征获取模块4，用于获取所述在线场景运行时的场景特征；
训练模块5，用于采用机器学习算法对所述场景特征进行训练，生成所述决策模型。
实施例三：
本发明实施例三提供了一种电子设备，该电子设备可执行上述任一所示的在线场景的资源分配方法的全部或者部分步骤。该电子设备包括：
处理器；以及
与处理器通信连接的存储器；其中，
所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行如上述任一示例性实施例所述的方法，此处将不做详细阐述说明。
在本实施例中，还提供了一种存储介质，该存储介质为计算机可读存储介质，例如可以为包括指令的临时性和非临时性计算机可读存储介质。该存储介质例如包括指令的存储器，上述指令可由服务器系统的处理器执行以完成上述在线场景的资源分配方法。
以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明的保护范围之内。

Claims (10)

1.一种在线场景的资源分配方法，应用于电子设备，其特征在于，所述方法包括：
依次接收在线场景，并获取所述在线场景的资源需求；
在可用资源满足所述在线场景的资源需求时，采用预先训练的决策模型对所述在线场景进行特征判断；
根据特征判断结果，确定针对所述在线场景的资源分配方案。
2.如权利要求1所述的方法，其特征在于，所述方法还包括：
在可用资源不满足所述在线场景的资源需求时，拒绝所述在线场景。
3.如权利要求1所述的方法，其特征在于，所述在可用资源满足所述在线场景的资源需求时，采用预先训练的决策模型对所述在线场景进行特征判断的步骤之前，所述方法还包括：
获取所述在线场景运行时的场景特征；
采用机器学习算法对所述场景特征进行训练，生成所述决策模型。
4.如权利要求3所述的方法，其特征在于，所述场景特征包括当前资源情况、资源需求、资源分配方案，所述采用机器学习算法对所述场景特征进行训练，生成所述决策模型的步骤包括：
将所述当前资源情况、资源需求与资源分配方案进行对应存储，形成决策数据集；
采用XGBoost算法在所述决策数据集上进行预训练，生成所述决策模型。
5.如权利要求1所述的方法，其特征在于，所述在可用资源满足所述在线场景的资源需求时，采用预先训练的决策模型对所述在线场景进行特征判断的步骤包括：
在可用资源满足所述在线场景的资源需求时，获取所述在线场景的场景特征；
采用XGBoost算法将所述场景特征在预先训练的决策模型中进行迭代运算，判断是否向所述在线场景分配资源。
6.如权利要求5所述的方法，其特征在于，所述采用XGBoost算法将所述场景特征在预先训练的决策模型中进行迭代运算，判断是否向所述在线场景分配资源的步骤包括：
采用XGBoost算法将所述场景特征在预先训练的决策模型中进行迭代运算，计算所述在线场景的资源价值是否值得接受的决策；
根据所述决策决定是否向所述在线场景分配资源。
7.一种在线场景的资源分配装置，其特征在于，所述装置包括：
场景接收模块，用于依次接收在线场景，并获取所述在线场景的资源需求；
特征判断模块，用于在可用资源满足所述在线场景的资源需求时，采用预先训练的决策模型对所述在线场景进行特征判断；
资源分配模块，用于根据特征判断结果，确定针对所述在线场景的资源分配方案。
8.如权利要求7所述的装置，其特征在于，所述装置还包括：
场景特征获取模块，用于获取所述在线场景运行时的场景特征；
训练模块，用于采用机器学习算法对所述场景特征进行训练，生成所述决策模型。
9.一种电子设备，其特征在于，所述电子设备包括：
处理器；以及
与所述处理器通讯连接的存储器；其中，
所述存储器存储有可读性指令，所述可读性指令被所述处理器执行时实现如权利要求1-6任一项所述的方法。
10.一种计算机可读性存储介质，其上存储有计算机程序，所述计算机程序在被执行时实现如权利要求1-6任一项所述的方法。
CN202011428352.9A 2020-12-09 2020-12-09 在线场景的资源分配方法、装置及电子设备 Active CN112600906B (zh)

Priority Applications (2)

Application Number Priority Date Filing Date Title
CN202011428352.9A CN112600906B (zh) 2020-12-09 2020-12-09 在线场景的资源分配方法、装置及电子设备
PCT/CN2020/139560 WO2022120993A1 (zh) 2020-12-09 2020-12-25 在线场景的资源分配方法、装置及电子设备

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011428352.9A CN112600906B (zh) 2020-12-09 2020-12-09 在线场景的资源分配方法、装置及电子设备

Publications (2)

Publication Number Publication Date
CN112600906A true CN112600906A (zh) 2021-04-02
CN112600906B CN112600906B (zh) 2022-04-26

Family

ID=75191394

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011428352.9A Active CN112600906B (zh) 2020-12-09 2020-12-09 在线场景的资源分配方法、装置及电子设备

Country Status (2)

Country Link
CN (1) CN112600906B (zh)
WO (1) WO2022120993A1 (zh)

Citations (22)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101361056A (zh) * 2006-01-19 2009-02-04 国际商业机器公司 协调和选择从多个资源管理器获取资源的计算机协议
CN103473137A (zh) * 2013-09-16 2013-12-25 东软集团股份有限公司 避免死锁的资源分配方法及系统
US20160301624A1 (en) * 2015-04-10 2016-10-13 International Business Machines Corporation Predictive computing resource allocation for distributed environments
CN107239347A (zh) * 2017-06-15 2017-10-10 杭州迪普科技股份有限公司 一种虚拟化场景下的设备资源分配方法和装置
CN108595267A (zh) * 2018-04-18 2018-09-28 中国科学院重庆绿色智能技术研究院 一种基于深度强化学习的资源调度方法和系统
CN108809718A (zh) * 2018-06-12 2018-11-13 深圳华讯网络科技有限公司 基于虚拟资源的网络访问方法、系统、计算机设备和介质
US20190034830A1 (en) * 2017-07-26 2019-01-31 Yandex Europe Ag Methods and systems for evaluating training objects by a machine learning algorithm
CN109445947A (zh) * 2018-11-07 2019-03-08 东软集团股份有限公司 资源的分配处理方法、装置、设备及存储介质
CN109522129A (zh) * 2018-11-23 2019-03-26 快云信息科技有限公司 一种资源动态均衡方法、装置及相关设备
CN109996247A (zh) * 2019-03-27 2019-07-09 中国电子科技集团公司信息科学研究院 网络化资源调配方法、装置、设备及存储介质
CN110321222A (zh) * 2019-07-01 2019-10-11 中国人民解放军国防科技大学 基于决策树预测的数据并行作业资源分配方法
CN110852171A (zh) * 2019-10-14 2020-02-28 清华大学深圳国际研究生院 在线训练的场景描述机器人系统及方法
CN111181770A (zh) * 2019-12-12 2020-05-19 北京淇瑀信息科技有限公司 一种资源分配方法、系统、电子设备和存储介质
CN111198761A (zh) * 2019-11-08 2020-05-26 深圳传音控股股份有限公司 资源调度分配装置、方法及计算机可读存储介质
CN111444009A (zh) * 2019-11-15 2020-07-24 北京邮电大学 一种基于深度强化学习的资源分配方法及装置
CN111722928A (zh) * 2020-06-12 2020-09-29 北京字节跳动网络技术有限公司 一种资源调度方法、装置、电子设备及存储介质
CN111768006A (zh) * 2020-06-24 2020-10-13 北京金山云网络技术有限公司 一种人工智能模型的训练方法、装置、设备及存储介质
CN111967543A (zh) * 2020-10-23 2020-11-20 北京淇瑀信息科技有限公司 用户资源配额确定方法、装置及电子设备
CN111985831A (zh) * 2020-08-27 2020-11-24 北京华胜天成科技股份有限公司 云计算资源的调度方法、装置、计算机设备及存储介质
CN112015562A (zh) * 2020-10-27 2020-12-01 北京淇瑀信息科技有限公司 基于迁移学习的资源分配方法、装置及电子设备
CN112052071A (zh) * 2020-09-08 2020-12-08 福州大学 强化学习和机器学习相结合的云软件服务资源分配方法
CN113793220A (zh) * 2021-09-15 2021-12-14 平安科技（深圳）有限公司 基于人工智能模型的股市投资决策方法及相关设备

Family Cites Families (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101232503B (zh) * 2008-02-22 2012-05-23 中兴通讯股份有限公司 资源分配方法及资源释放方法
CN106487715B (zh) * 2015-08-25 2020-10-02 上海优扬新媒信息技术有限公司 一种用于为用户分配资源的方法和装置
CN105260235A (zh) * 2015-09-23 2016-01-20 浪潮集团有限公司 一种云平台中基于应用场景的资源调度方法及装置
CN107193658A (zh) * 2017-05-25 2017-09-22 重庆工程学院 基于博弈论的云计算资源调度方法
CN109961664A (zh) * 2017-12-14 2019-07-02 广州市华势信息科技有限公司 一种云培训方法及云培训平台

Patent Citations (22)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101361056A (zh) * 2006-01-19 2009-02-04 国际商业机器公司 协调和选择从多个资源管理器获取资源的计算机协议
CN103473137A (zh) * 2013-09-16 2013-12-25 东软集团股份有限公司 避免死锁的资源分配方法及系统
US20160301624A1 (en) * 2015-04-10 2016-10-13 International Business Machines Corporation Predictive computing resource allocation for distributed environments
CN107239347A (zh) * 2017-06-15 2017-10-10 杭州迪普科技股份有限公司 一种虚拟化场景下的设备资源分配方法和装置
US20190034830A1 (en) * 2017-07-26 2019-01-31 Yandex Europe Ag Methods and systems for evaluating training objects by a machine learning algorithm
CN108595267A (zh) * 2018-04-18 2018-09-28 中国科学院重庆绿色智能技术研究院 一种基于深度强化学习的资源调度方法和系统
CN108809718A (zh) * 2018-06-12 2018-11-13 深圳华讯网络科技有限公司 基于虚拟资源的网络访问方法、系统、计算机设备和介质
CN109445947A (zh) * 2018-11-07 2019-03-08 东软集团股份有限公司 资源的分配处理方法、装置、设备及存储介质
CN109522129A (zh) * 2018-11-23 2019-03-26 快云信息科技有限公司 一种资源动态均衡方法、装置及相关设备
CN109996247A (zh) * 2019-03-27 2019-07-09 中国电子科技集团公司信息科学研究院 网络化资源调配方法、装置、设备及存储介质
CN110321222A (zh) * 2019-07-01 2019-10-11 中国人民解放军国防科技大学 基于决策树预测的数据并行作业资源分配方法
CN110852171A (zh) * 2019-10-14 2020-02-28 清华大学深圳国际研究生院 在线训练的场景描述机器人系统及方法
CN111198761A (zh) * 2019-11-08 2020-05-26 深圳传音控股股份有限公司 资源调度分配装置、方法及计算机可读存储介质
CN111444009A (zh) * 2019-11-15 2020-07-24 北京邮电大学 一种基于深度强化学习的资源分配方法及装置
CN111181770A (zh) * 2019-12-12 2020-05-19 北京淇瑀信息科技有限公司 一种资源分配方法、系统、电子设备和存储介质
CN111722928A (zh) * 2020-06-12 2020-09-29 北京字节跳动网络技术有限公司 一种资源调度方法、装置、电子设备及存储介质
CN111768006A (zh) * 2020-06-24 2020-10-13 北京金山云网络技术有限公司 一种人工智能模型的训练方法、装置、设备及存储介质
CN111985831A (zh) * 2020-08-27 2020-11-24 北京华胜天成科技股份有限公司 云计算资源的调度方法、装置、计算机设备及存储介质
CN112052071A (zh) * 2020-09-08 2020-12-08 福州大学 强化学习和机器学习相结合的云软件服务资源分配方法
CN111967543A (zh) * 2020-10-23 2020-11-20 北京淇瑀信息科技有限公司 用户资源配额确定方法、装置及电子设备
CN112015562A (zh) * 2020-10-27 2020-12-01 北京淇瑀信息科技有限公司 基于迁移学习的资源分配方法、装置及电子设备
CN113793220A (zh) * 2021-09-15 2021-12-14 平安科技（深圳）有限公司 基于人工智能模型的股市投资决策方法及相关设备

Non-Patent Citations (4)

* Cited by examiner, † Cited by third party
Title
MICHAEL IBRAHIM等: "Maximal linear deadlock avoidance policies for sequential resource allocation systems: characterization, computation and approximation", 《IEEE TRANSACTIONS ON AUTOMATIC CONTROL ( EARLY ACCESS )》 *
MIKAEL CAPELLE,ET AL: "Online Virtual Links Resource Allocation in Software-Defined Networks", 《2015 IFIP NETWORKING CONFERENCE (IFIP NETWORKING)》 *
ROBERTO CORDONE等: "Designing Optimal Deadlock Avoidance Policies for Sequential Resource Allocation Systems Through Classification Theory: Existence Results and Customized Algorithms", 《 IEEE TRANSACTIONS ON AUTOMATIC CONTROL 》 *
钟思洁: "基于机器学习的MTC网络接入策略和资源分配", 《中国优秀博硕士学位论文全文数据库(硕士)信息科技辑》 *

Also Published As

Publication number Publication date
CN112600906B (zh) 2022-04-26
WO2022120993A1 (zh) 2022-06-16

Similar Documents

Publication Publication Date Title
CN106598735B (zh) 一种分布式计算方法、主控节点和计算系统
CN110569252B (zh) 一种数据处理系统及方法
CN111966289A (zh) 基于Kafka集群的分区优化方法和系统
Huang et al. Enabling DNN acceleration with data and model parallelization over ubiquitous end devices
CN105740085A (zh) 容错处理方法及装置
CN103067486A (zh) 基于PaaS平台的大数据处理方法
CN115658311A (zh) 一种资源的调度方法、装置、设备和介质
CN113032093B (zh) 分布式计算方法、装置及平台
CN112600906B (zh) 在线场景的资源分配方法、装置及电子设备
CN111143063B (zh) 任务的资源预约方法及装置
CN108770014B (zh) 网络服务器的计算评估方法、系统、装置及可读存储介质
CN112163734A (zh) 基于云平台整定计算资源动态调度方法及装置
CN116662509A (zh) 大规模语言模型的开放域问答实现方法、装置及设备
CN111124439A (zh) 一种云边协同的智能动态卸载算法
US10264061B2 (en) User service access allocation method and system
CN113032092B (zh) 分布式计算方法、装置及平台
CN112817732B (zh) 一种适应云边协同多数据中心场景下的流数据处理方法及系统
CN111459651B (zh) 一种负载均衡方法、装置、存储介质及调度系统
CN106131222A (zh) 一种服务器负载均衡调配方法和系统
CN115442432B (zh) 一种控制方法、装置、设备及存储介质
CN112437137B (zh) 一种物联网数据连接方法及系统
CN108733562B (zh) 一种软件平台的测试方法及系统
US20230214261A1 (en) Computing power sharing-related exception reporting and handling methods and devices, storage medium, and terminal apparatus
CN116756282A (zh) 任务处理方法、服务器、语言预测系统和人机交互系统
CN109117266B (zh) 基于多层架构的视频人工智能训练平台

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