CN112667379A - 任务调度方法及服务器 - Google Patents
任务调度方法及服务器 Download PDFInfo
- Publication number
- CN112667379A CN112667379A CN202011596284.7A CN202011596284A CN112667379A CN 112667379 A CN112667379 A CN 112667379A CN 202011596284 A CN202011596284 A CN 202011596284A CN 112667379 A CN112667379 A CN 112667379A
- Authority
- CN
- China
- Prior art keywords
- task
- population
- target
- tasks
- individuals
- 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
- 238000000034 method Methods 0.000 title claims abstract description 81
- 230000035772 mutation Effects 0.000 claims description 25
- 238000013527 convolutional neural network Methods 0.000 claims description 23
- 230000002159 abnormal effect Effects 0.000 claims description 10
- 238000004364 calculation method Methods 0.000 claims description 10
- 238000005457 optimization Methods 0.000 claims description 10
- 238000004422 calculation algorithm Methods 0.000 description 20
- 230000002068 genetic effect Effects 0.000 description 17
- 238000004891 communication Methods 0.000 description 15
- 230000008569 process Effects 0.000 description 15
- 230000006870 function Effects 0.000 description 14
- 230000000694 effects Effects 0.000 description 5
- 230000005540 biological transmission Effects 0.000 description 4
- 238000007635 classification algorithm Methods 0.000 description 4
- 238000012850 discrimination method Methods 0.000 description 3
- 238000012545 processing Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 2
- 238000011156 evaluation Methods 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 1
- 238000003066 decision tree Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000012804 iterative process Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000011176 pooling Methods 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
Images
Landscapes
- Mobile Radio Communication Systems (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种任务调度方法及服务器,所述任务调度方法应用于服务器,所述任务调度方法包括:获取任务的特征,所述特征为所述任务被执行时所占用的计算机的虚拟资源或者硬件资源的属性,根据所述特征对所述任务进行分类,得到分类后的所述任务,根据分类后的所述任务对应的目标种群,确定目标调度信息,所述目标调度信息为使得所述任务被执行时所占用的计算机的虚拟资源或者硬件资源最小的调度信息,所述目标调度信息为使得所述任务被执行时所占用的计算机的虚拟资源或者硬件资源最小的调度信息,根据所述目标调度信息,将所述任务调度至任务执行设备。能够将任务调度至合适的任务执行设备,以提升对任务执行设备的利用效率。
Description
技术领域
本发明涉及云计算领域,尤其涉及一种任务调度方法及服务器。
背景技术
在云计算领域,服务器需要将任务调度至某个任务执行设备执行,任务的数量比较庞大,并且每个任务执行设备自身的计算机特性不同,比如有的任务执行设备能够处理比较大的带宽资源的任务,但是延迟比较高,如果将有低延迟需求的任务调度至该任务执行设备,会使得资源利用不合理,可见,如果对于任务的调度不合理,则会导致对任务执行设备的利用效率较低。
发明内容
本发明的主要目的在于提供一种任务调度方法及服务器,旨在解决任务的调度不合理,导致对任务执行设备的利用效率较低的技术问题。
为实现上述目的,本发明提供一种任务调度方法,所述任务调度方法应用于服务器,所述任务调度方法包括:
获取任务的特征,所述特征为所述任务被执行时所占用的计算机的虚拟资源或者硬件资源的属性;
根据所述特征对所述任务进行分类,得到分类后的所述任务;
根据分类后的所述任务对应的目标种群,确定目标调度信息,所述目标调度信息为使得所述任务被执行时所占用的计算机的虚拟资源或者硬件资源最小的调度信息;
根据所述目标调度信息,将所述任务调度至任务执行设备。
可选地,所述根据所述特征对所述任务进行分类的步骤包括:
确定所述特征对应的分类权重;
根据所述分类权重以及预设卷积神经网络,对所述特征对应的任务进行分类,所述预设卷积神经网络为预先训练的卷积神经网络,所述预设卷积神经网络包括卷积层以及全连接层,所述分类权重用于设定所述卷积层或者所述全连接层的权重。
可选地,所述确定所述特征对应的分类权重的步骤包括:
根据所述特征以及所述特征对应的任务的执行优先级,确定所述特征对应的分类权重,所述执行优先级为任务执行的先后顺序的优先级。
可选地,所述特征包括任务执行的时长、任务执行占用的网络资源以及任务执行占用的计算资源。
可选地,所述根据分类后的所述任务对应的目标种群,确定目标调度信息的步骤之前,还包括:
生成分类后的所述任务对应的初始种群,所述初始种群中包括所述特征,其中,分类后得到的不同类型的所述任务对应不同所述初始种群;
确定对所述初始种群迭代得到的所述目标种群;
确定分类后的所述任务对应的所述目标种群。
可选地,所述生成分类后的所述任务对应的初始种群的步骤包括:
获取分类后的所述任务的特征,以及各个所述任务执行设备的属性信息,所述属性信息包括虚拟资源信息以及硬件资源信息中的至少一个;
对所述特征以及所述属性信息进行编码,以得到分类后的所述任务对应的个体;
根据分类后的所述任务对应的个体,生成所述初始种群。
可选地,所述确定对所述初始种群迭代得到的目标种群的步骤包括:
对所述初始种群进行迭代,其中,所述迭代包括对任意两个所述初始种群进行交叉操作和变异操作得到进化种群;
在满足迭代的终止条件时,获取所述进化种群中适应度值最大的目标个体,所述适应度值为指示个体在优化计算中与最优解的相似程度的值;或者,
在不满足迭代的终止条件时,将所述进化种群作为所述初始种群,返回执行所述对所述初始种群进行迭代的步骤。
可选地,所述对任意两个所述初始种群进行交叉操作和变异操作,得到进化种群的步骤包括:
对任意两个所述初始种群中的个体进行交叉操作,以及对所述初始种群中的个体进行变异操作;
合并交叉操作后的所述个体以及变异操作后的所述个体,得到合并种群;
根据所述合并种群,生成所述进化种群。
可选地,所述根据所述合并种群,生成所述进化种群的步骤包括:
确定所述合并种群中每一个体的适应度值;
确定所述适应度值小于预设适应度值的异常个体;
剔除所述合并种群中的所述异常个体以得到所述进化种群。
可选地,所述服务器根据预设适应度值判别规则确定所述适应度值,其中,所述确定所述适应度值包括:
确定当前迭代次数对应的全部种群中目标适应度值的最小值,以及所述当前迭代次数对应的目标种群的目标适应度值,所述目标种群为所述初始种群或者所述进化种群;
确定所述当前迭代次数对应的各所述目标种群的目标适应度值的和为总适应度值,以及所述目标种群的目标适应度值与所述最小值的第一差值;
确定所述总适应度值与所述最小值的第二差值;
将所述第一差值与所述第二差值的比值作为所述适应度值。
可选地,所述终止条件包括以下至少一个:
迭代次数达到预设迭代次数;
所述进化种群中存在任一个体的适应度值大于或者等于最优适应度值。
可选地,所述任务由物联网设备经网关发送至所述服务器。
可选地,所述根据目标调度信息,将所述任务调度至任务执行设备的步骤包括:
向网关发送所述目标调度信息,以使所述网关根据所述目标调度信息将所述任务调度至所述任务执行设备。
可选地,所述根据所述目标种群,确定目标调度信息的步骤包括:
确定所述目标种群中的目标个体,所述目标个体为所述目标种群中适应度值最大的个体,所述适应度值为指示个体在优化计算中与最优解的相似程度的值;
对所述目标个体进行解码,得到所述目标调度信息,所述目标调度信息包括解码后得到的所述任务的特征以及所述任务执行设备的属性信息。
此外,为实现上述目的,本发明还提供一种服务器,所述服务器包括存储器、处理器以及存储在所述存储器上并可在所述处理器上运行的任务调度程序,所述任务调度程序被所述处理器执行时实现上述任一项所述的任务调度方法的步骤。
本发明实施例提出的一种任务调度方法及服务器,通过获取任务的特征,从而确定了任务被执行时所需要占用的计算机的虚拟资源或者硬件资源的属性,进一步根据特征对任务进行分类,得到分类后的任务,根据分类后的任务对应的目标种群,确定目标调度信息,根据目标调度信息将任务调度至任务执行设备,服务器在通过上述方式进行任务调度时,首先对任务进行分类,得到分类后的任务,进一步根据分类后的任务对应的目标种群,确定目标调度信息,目标种群作为分类后的任务对应的解空间,其中包括了对于任务调度的最优解,最优解所对应的即为目标调度信息,目标调度信息为使得任务被执行时占用的计算机的虚拟资源或者硬件资源最小的调度信息,使得服务器在通过目标调度信息进行调度时,能够将任务调度至合适的任务执行设备,避免任务执行设备未得到充分利用,以提升对任务执行设备的利用效率。
附图说明
图1是本发明实施例方案涉及的服务器的结构示意图;
图2为本发明任务调度方法第一实施例的流程示意图;
图3为本发明任务调度方法第二实施例的流程示意图;
图4为本发明任务调度方法第三实施例的流程示意图;
图5为本发明任务调度方法第四实施例的流程示意图;
图6为本发明任务调度方法第五实施例的流程示意图;
图7为本发明任务调度方法第六实施例的流程示意图;
图8为本发明任务调度方法第七实施例的流程示意图;
图9为本发明实施例涉及的云服务器、网关以及物联网设备的通信连接示意图。
本发明目的的实现、功能特点及优点将结合实施例,参照附图做进一步说明。
具体实施方式
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。
如图1所示,图1是本发明实施例方案涉及的服务器的结构示意图。
本发明实施例为服务器,服务器是一种能够管理资源并为用户提供服务的计算机设备,服务器包括多种类型,比如云服务器以及物理服务器,云服务器指对于被提供计算服务的用户来讲,服务器是“云端”的,即服务器本身的物理实体并不可见,但是能够提供各类计算服务和存储服务,物理服务器指物理实体往往能够被用户所接触的服务器;本发明中的任务调度方法可以应用于云服务器中,但并不限定于此,实际上,具备足够的计算能力的计算机设备即可执行本发明实施例涉及的任务调度方法。
如图1所示,该服务器可以包括处理器1001,例如CPU,通信接口1002,存储器1003,通信总线1004。其中,通信总线1002用于实现这些组件之间的连接通信。通信接口1002可选的可以包括标准的有线接口、无线接口(如WI-FI接口)。存储器1003可以是高速RAM存储器,也可以是稳定的存储器(non-volatile memory),例如磁盘存储器。存储器1003可选的还可以是独立于前述处理器1001的存储装置。
本领域技术人员可以理解,图1中示出的服务器的结构并不构成对服务器的限定,可以包括比图示更多或更少的部件,或者组合某些部件,或者不同的部件布置。
如图1所示,作为一种计算机存储介质的存储器1003中可以包括操作系统、通信模块以及任务调度程序。
在图1所示的服务器中,通信接口1002主要用于连接网络设备,网络设备比如网关或者路由器,与网络设备进行数据通信;而处理器1001可以用于调用存储器1003中存储的任务调度程序,并执行以下操作:
获取任务的特征,所述特征为所述任务被执行时所占用的计算机的虚拟资源或者硬件资源的属性;
根据所述特征对所述任务进行分类,得到分类后的所述任务;
根据分类后的所述任务对应的目标种群,确定目标调度信息,所述目标调度信息为使得所述任务被执行时所占用的计算机的虚拟资源或者硬件资源最小的调度信息;
根据所述目标调度信息,将所述任务调度至任务执行设备。
进一步地,处理器1001可以调用存储器1003中存储的任务调度程序,还执行以下操作:
确定所述特征对应的分类权重;
根据所述分类权重以及预设卷积神经网络,对所述特征对应的任务进行分类,所述预设卷积神经网络为预先训练的卷积神经网络,所述预设卷积神经网络包括卷积层以及全连接层,所述分类权重用于设定所述卷积层或者所述全连接层的权重。
进一步地,处理器1001可以调用存储器1003中存储的任务调度程序,还执行以下操作:
根据所述特征以及所述特征对应的任务的执行优先级,确定所述特征对应的分类权重,所述执行优先级为任务执行的先后顺序的优先级。
进一步地,处理器1001可以调用存储器1003中存储的任务调度程序,还执行以下操作:
生成分类后的所述任务对应的初始种群,所述初始种群中包括所述特征,其中,分类后得到的不同类型的所述任务对应不同所述初始种群;
确定对所述初始种群迭代得到的所述目标种群;
确定分类后的所述任务对应的所述目标种群。
进一步地,处理器1001可以调用存储器1003中存储的任务调度程序,还执行以下操作:
获取分类后的所述任务的特征,以及各个所述任务执行设备的属性信息,所述属性信息包括虚拟资源信息以及硬件资源信息中的至少一个;
对所述特征以及所述属性信息进行编码,以得到分类后的所述任务对应的个体;
根据分类后的所述任务对应的个体,生成所述初始种群。
进一步地,处理器1001可以调用存储器1003中存储的任务调度程序,还执行以下操作:
对所述初始种群进行迭代,其中,所述迭代包括对任意两个所述初始种群进行交叉操作和变异操作得到进化种群;
在满足迭代的终止条件时,获取所述进化种群中适应度值最大的目标个体,所述适应度值为指示个体在优化计算中与最优解的相似程度的值;或者,
在不满足迭代的终止条件时,将所述进化种群作为所述初始种群,返回执行所述对所述初始种群进行迭代的步骤。
进一步地,处理器1001可以调用存储器1003中存储的任务调度程序,还执行以下操作:
对任意两个所述初始种群中的个体进行交叉操作,以及对所述初始种群中的个体进行变异操作;
合并交叉操作后的所述个体以及变异操作后的所述个体,得到合并种群;
根据所述合并种群,生成所述进化种群。
进一步地,处理器1001可以调用存储器1003中存储的任务调度程序,还执行以下操作:
确定所述合并种群中每一个体的适应度值;
确定所述适应度值小于预设适应度值的异常个体;
剔除所述合并种群中的所述异常个体以得到所述进化种群。
进一步地,处理器1001可以调用存储器1003中存储的任务调度程序,还执行以下操作:
所述服务器根据预设适应度值判别规则确定所述适应度值,其中,所述确定所述适应度值包括:
确定当前迭代次数对应的全部种群中目标适应度值的最小值,以及所述当前迭代次数对应的目标种群的目标适应度值,所述目标种群为所述初始种群或者所述进化种群;
确定所述当前迭代次数对应的各所述目标种群的目标适应度值的和为总适应度值,以及所述目标种群的目标适应度值与所述最小值的第一差值;
确定所述总适应度值与所述最小值的第二差值;
将所述第一差值与所述第二差值的比值作为所述适应度值。
进一步地,处理器1001可以调用存储器1003中存储的任务调度程序,还执行以下操作:
向网关发送所述目标调度信息,以使所述网关根据所述目标调度信息将所述任务调度至所述任务执行设备。
进一步地,处理器1001可以调用存储器1003中存储的任务调度程序,还执行以下操作:
确定所述目标种群中的目标个体,所述目标个体为所述目标种群中适应度值最大的个体,所述适应度值为指示个体在优化计算中与最优解的相似程度的值;
对所述目标个体进行解码,得到所述目标调度信息,所述目标调度信息包括解码后得到的所述任务的特征以及所述任务执行设备的属性信息。
参照图2,本发明第一实施例提供一种任务调度方法,所述任务调度方法应用于服务器,所述任务调度方法包括:
步骤S10,获取任务的特征,所述特征为所述任务被执行时所占用的计算机的虚拟资源或者硬件资源的属性;
在本实施例中,执行主体为服务器。服务器为一种能够管理资源并为用户提供服务的计算机设备,执行本实施例的方法的服务器的数量可以为一个或者多个,可以根据任务的数量或者服务器的性能设定服务器的数量;任务作为一种计算机数据,是计算机设备为实现特定功能所建立的一个或一组计算机指令,与任务相关的信息可以用变量表示,并记录在结构体中;特征为任务被执行时所占用的计算机的虚拟资源或者硬件资源的属性,任务作为某种计算机指令在被执行时需要消耗计算机的资源,资源可以视作对于某计算机设备而言,限制其运算能力的任何实体或者虚拟的组成元件,计算机资源可划分为硬件资源和虚拟资源,硬件资源即硬件实体,比如中央处理器(Central Processing Unit,CPU)以及存储器,虚拟资源指各类无实体的虚拟元件,比如程序、文件、通信方式以及协议等,属性用于描述计算机的各种性质。
本实施例中的任务调度方法可以运用在各种场景中,其中主要运用在云计算场景中,云计算是一种通过云端服务器为用户提供计算服务以及存储服务的技术,用户可以向云计算平台提交各类任务,云计算平台所接收到的任务往往是包含多个的,云计算平台的实体云服务器在接收到各类任务之后,需要将任务调度至任务执行设备进行执行,由于任务设备的硬件资源或者虚拟资源的属性不同,其在执行各种任务时执行的效果也不同,执行的效果比如执行任务的完成时间以及各种任务先后完成的顺序,使得在存在多个任务进行调度时,如果调度不合理会使得任务执行设备可能无法针对性的处理适合其执行能力的任务,以使任务执行设备得到合理利用,降低对任务执行设备的利用效率;为了提升对任务执行设备的利用效率,本实施例中首先获取任务的特征,任务的数量为两个以上,实际应用中任务的数量往往是海量的,获取任务的特征主要包括获取任务和提取特征两个部分,获取任务的方式可以是提取任务请求中的任务,提取特征的方式包括但不限于将任务的特征转换为特定的格式,特征比如带宽、计算资源、任务执行时间等,在得到特征之后,根据特征对任务进行分类,比如可以分类成低时延任务、高带宽任务、高计算任务,在分类得到各种任务之后,分别得到分类后的任务对应的目标种群,得到目标种群的方法可以是,生成每种类型的任务对应的初始种群,即分别获取每个任务的特征,对特征进行编码得到个体,编码的方式比如实数编码、二进制编码等,在得到个体之后,可以采用随机生成算法生成多个个体,通过多个个体组成初始种群,个体是遗传算法中用于表示候选解的参数,种群是遗传算法中的解空间,在得到不同类型的任务的初始种群之后,对初始种群进行迭代,迭代的方式包括但不限于,对每个初始种群中的个体之间进行交叉操作、变异操作和选择操作,或者对不同种群之间的个体进行交叉操作、变异操作和选择操作,迭代的目的在于搜索方案的最优解,或者接近最优解的目标解,分类的目的之一在于提升迭代的效率,便于快速找到最优解,通过迭代可以得到目标种群,在得到目标种群之后,查找目标种群中接近最优解的个体,对个体进行解码,解码的方式与前述编码的方式对应,解码之后可以得到目标调度信息,目标调度信息指示了根据某一任务的特征如何选择需要调度的任务执行设备,在得到目标调度信息之后,服务器可以直接根据目标调度信息将任务调度至任务执行设备,或者将任务调度信息转发至其他设备,以使其他设备根据任务调度信息将任务调度至任务执行设备,从而使得任务调度至合适的任务执行设备,以实现任务调度设备的合理利用,提升对任务调度设备的利用效率。
服务器在获取任务的特征时,可以通过通信接口接收任何其他设备发送的任务数据,任务数据可以是通过某种计算机语言编写和封装的任务请求或者任务指令,在不同的场景中,服务器可以通过不同的通信架构获取任务的特征,比如,参照图9,对于一物联网(Internet of Things,IoT)场景,由于物联网场景中各类物联网设备发出的任务具备复杂的特性,这种复杂的特性表现在任务本身的复杂程度无法提前预知以及不同任务之间的差异较大,从而使得在对任务进行调度时,存在调度不合理,对任务执行设备的利用效率较低的技术问题,为解决此问题,可以使云服务器10与网关20通信连接,网关20与物联网设备30通信连接,在物联网设备30需要通过云计算执行任务时,可以首先向网关20发送任务,网关20接收到任务之后,将任务转发至云服务器10,云服务器10进行任务的调度;在物联网场景中,任务由物联网设备30经网关发送至服务器10,由于网关20与物联网设备30直接通信连接,能够降低任务在网络传输中的传输时延,避免长距离传输所带来的高时延问题;此外,基于网关20本身的计算能力并不足以实现任务调度方法的全部步骤,因此本实施例中在云服务器10中通过特征提取、分类、生成初始种群、对初始种群迭代得到目标种群、根据目标种群确定目标调度信息、并根据目标调度信息进行任务的调度,其中云服务器10在将任务调度至任务执行设备时,可以向与云服务器10连接的任务调度网关发送目标调度信息,以使任务调度网关根据目标调度信息将任务调度至任务执行设备,任务执行设备时执行任务的计算机设备,通过任务调度网关进行任务的调度能够降低数据传输的时延,提高调度的效率。
步骤S20,根据所述特征对所述任务进行分类,得到分类后的所述任务;
服务器在获取到特征之后,为了便于进行种群的迭代,提升种群迭代的效率,还需要根据特征对任务进行分类,将任务划分为不同的类型,任务的特征比如带宽、存储、CPU;每个任务在执行时都需要占用的特定的计算机资源,不过不同的任务执行时所需要占用的计算机资源的特性不同,比如,有的任务执行时需要占用大量的CPU、而对于带宽以及存储的占用较少,并且对于任务处理得时间长度要求较短,在此情况下可以通过分类算法设置合适的分类权重,将此类任务划分为高CPU占用的任务,基于同样的原理,也可以将任务划分为低时延的任务、高存储的任务;在进行分类时,可以选择合适的分类算法,分类算法比如朴素贝叶斯算法,通过求解每个任务在各个类型的概率实现分类,决策树分类算法通过选择任务的特征,将特征看做一个内部节点,对每个内部节点进行递归分割,递归停止条件,进一步根据递归停止条件实现分类;分类后得到的任务是与类型关联的任务,除上述类型外还可以设置其他类型的任务,在此不做限定。
步骤S30,根据分类后的所述任务对应的目标种群,确定目标调度信息,所述目标调度信息为使得所述任务被执行时所占用的计算机的虚拟资源或者硬件资源最小的调度信息;
目标种群是采用遗传算法对种群进行迭代时,得到的最后一代种群。其中,分类后的任务均存在对应的个体,通过对应的个体形成对应的种群,将对应的种群进行迭代,在迭代终止时,即可得到对应的目标种群,每一任务均对应一目标种群,或者可以理解为,每一任务对应的个体存在于一目标种群中;目标调度信息为使得任务被执行时占用的计算机的虚拟资源或者硬件资源最小的调度信息,这里所述的虚拟资源或者硬件资源最小的含义为,任务被执行时全部任务所占用全部任务执行设备的总的虚拟资源或者硬件资源最小,可以理解的是,在全部的任务执行设备的总的虚拟资源或者硬件资源最小的情况下,每个任务执行设备所执行的任务最符合自身的计算机资源的属性,从而使得能够让每个任务执行设备得到合理利用。在迭代得到目标种群之后,从目标种群中选择适应度最大的个体,对适应度最大的个体进行解码,可以得到目标调度信息。
步骤S40,根据所述目标调度信息,将所述任务调度至任务执行设备。
任务执行设备为执行任务的设备,任务执行设备作为一种计算机设备,可以是任何类型的设备,只要具备执行任务的能力即可,比如,任务执行设备可以是服务器以及各种终端设备,其中,作为任务执行设备的服务器与执行任务调度方法的服务器一般为不同的服务器,不过并不作限定,也可以设置成相同的服务器;调度指将任务分配至不同的任务执行设备进行执行的过程。
在本实施例中,通过获取任务的特征,从而确定了任务被执行时所需要占用的计算机的虚拟资源或者硬件资源的属性,进一步根据特征对任务进行分类,得到分类后的任务,根据分类后的任务对应的目标种群,确定目标调度信息,根据目标调度信息将任务调度至任务执行设备,服务器在通过上述方式进行任务调度时,首先对任务进行分类,进一步根据分类后的任务对应的目标种群,得到目标调度信息,目标种群作为分类后的任务对应的解空间,其中包括了对于任务调度的最优解,最优解所对应的即为目标调度信息,目标调度信息为使得任务被执行时占用的计算机的虚拟资源或者硬件资源最小的调度信息,使得服务器在通过目标调度信息进行调度时,能够将任务调度至合适的任务执行设备,以提升任务执行设备的利用效率,避免任务执行设备在执行了并不符合自身特性的任务的情况下,利用效率低的问题。
参照图3,本发明第二实施例提供一种任务调度方法,基于上述图2所示的第一实施例,所述步骤S20包括:
步骤S21,确定所述特征对应的分类权重;
分类权重为在通过分类算法进行分类时,需要为特征设定的权重,分类权重用于指示分类时某一特征的在分类器中的重要程度。
在确定分类权重时,可以提取任务中所包含的特征的参数,特征的参数比如时间参数以及存储参数,时间参数指示了任务执行所需要的执行时间,若要求执行时间要尽可能短,而对于存储或者带宽并无要求,那么在进行分类时,可以将执行时间的权重设置大于其他参数的权重,以在分类过程中,将任务划分为低时延的任务,此外,若是对于网络资源的占用要求较高,比如需要大量的带宽资源,而对时延、存储等要求较低,那么在分类时,将带宽资源设置较大的权重,以将该任务划分为高带宽的任务,或者,如果对于计算能力要求比较高,可以将任务占用的CPU资源设置较大的权重,而将其他资源设置较低的权重,以将该任务划分为高CPU的任务。在确定特征的分类权重时,特征可以包括任务执行的时长、任务执行占用的网络资源以及任务执行占用的计算资源,还可以设置其他特征的权重,在此不作限定。
服务器在对任务进行分类时,除了需要考虑任务自身的特征以外,由于在云计算的场景中,海量的任务往往无法同时被任务执行设备执行,因此,还需要根据任务的优先级划分为不同优先级的任务或者不同紧急程度的任务,此外,还可以结合任务的完成时间进行划分,得到不同类型的任务。其中,优先级特指特征对应的任务的执行优先级,执行优先级为任务执行的先后顺序的优先级,任务优先级可以表示任务执行的紧急程度,具有较高任务执行优先级的任务在执行时,可以先于具有较低任务执行优先级的任务。设置任务的优先级是必要的,比如在远程医疗的场景中,存在部分医疗任务的紧急程度要高于其他任务,此时需要尽可能地按照医疗场景所需的任务的紧急程度设置任务执行优先级。
步骤S22,根据所述分类权重以及预设卷积神经网络,对所述特征对应的任务进行分类,所述预设卷积神经网络为预先训练的卷积神经网络,所述预设卷积神经网络包括卷积层以及全连接层,所述分类权重用于设定所述卷积层或者所述全连接层的权重。
预设卷积神经网络为预先训练的卷积神经网络,预设卷积神经网络可以在提前训练好后保存至服务器中,也可以在需要进行分类时,从其他服务器获取。
在进行具体的分类时,本实施例结合分类权重以及预设卷积神经网络,对特征对应的任务进行分类,其中,预设卷积神经网络(Convolutional Neural Network,CNN)由一个或者多个卷积层和顶端的全连接层组成,同时包括关联权重和池化层,在通过预设卷积神经网络对任务进行分类时,将卷积层和全连接层的权重系数设置为前述的分类权重;卷积神经网络的权重共享可以减少网络的参数,使神经网络结构变得更简单,适应性更强;通过预设卷积神经网络对任务进行分类,得到初始种群,进一步迭代得到目标种群,能够提升遗传算法的效率,更快速地确定最优解。
在本实施例中,通过确定特征对应的分类权重,根据分类权重以及预设卷积神经网络对特征对应的任务进行分类,从而能够提升迭代的效率,更快速地查找最优解,即更快速地得到目标调度信息,提升任务调度的效率和速度。
参照图4,本发明第三实施例提供一种任务调度方法,基于上图2所示的第一实施例,所述步骤S30之前,还包括:
步骤S50,生成分类后的所述任务对应的初始种群,所述初始种群中包括所述特征,其中,分类后得到的不同类型的所述任务对应不同所述初始种群;
初始种群是遗传算法进行迭代时的第一代种群。
分类得到各种类型的任务之后,在采用遗传算法进行迭代得到最优解的过程中,需要首先生成初始种群,初始种群是迭代中的第一代种群,本实施例中分类后的不同类型的任务对应不同的初始种群,初始种群包括特征,可以理解的是,初始种群中的特征还可以是编码后的特征,编码后的特征可视作个体;在生成初始种群时,除了将不同类型的任务划分为不同的种群之外,还可以将所有的任务划分为同一种群,在将所有的任务划分为同一种群的情况下,在进行迭代时,可以对同一种群中的各个任务对应的个体进行交叉操作、变异操作和选择操作,以实现迭代。
本实施例中,为了获得任务调度的最优解,或者为了获得使得目标调度信息,在构建初始种群时,需要得到用于表示候选解的个体;在得到个体时,首先进行编码操作,编码时确定任务的信息,任务执行设备的信息,任务的信息包括但不限于任务的总数量,每个任务的长度,以及每个任务的特征,任务执行设备的信息包括但不限于任务执行设备的总数以及每个任务执行设备的计算机资源或者处理任务的能力;编码可以采用实数编码、二进制编码、有序列编码以及其他编码方式;根据编码之后的个体生成初始种群,可以通过随机生成算法根据某一任务的个体生成该任务的初始种群。
,步骤S60,确定对所述初始种群迭代得到的所述目标种群;
目标种群是遗传算法进行迭代时的最末代种群。
在得到初始种群之后,对初始种群进行迭代,迭代的过程主要是将不同的个体进行交叉操作、变异操作和选择操作,以剔除适应度低的个体,保留适应度高的个体,根据适应度高的个体再次进行交叉操作、变异操作和选择操作,从而使种群中个体的适应度不断增大,如此反复,最终得到适应度最高的最优解的过程;在迭代终止时,对应的最后一代的种群即为目标种群。在进行迭代的过程中,还可以设具体的遗传算法的参数,遗传算法的参数比如终止迭代的迭代次数,以及交叉概率和变异概率,并根据遗传算法的参数进行迭代。
步骤S70,确定分类后的所述任务对应的所述目标种群。
分类后的任务对应的目标种群指,针对分类后的任务对应的初始种群进行迭代,所得到的目标种群,分类后的每个任务均对应一目标种群,在确定目标调度信息时,需要从任务对应的目标种群中确定最优解,根据最优解确定目标调度信息,并根据目标调度信息进行任务的调度。
在本实施例中,通过生成分类后的任务对应的初始种群,确定对初始种群进行迭代得到的目标种群,确定分类后的任务对应的目标种群,从而迭代得到了目标种群,通过基于不同类型的任务的初始种群进行迭代,能够提升迭代的效率,提升搜索最优解的速度,从而提升得到目标调度信息的效率。
参照图5,本发明第四实施例提供一种任务调度方法,基于上图4所示的第三实施例,所述步骤S50包括:
步骤S51,获取分类后的所述任务的特征,以及各个所述任务执行设备的属性信息,所述属性信息包括虚拟资源信息以及硬件资源信息中的至少一个;
属性信息为描述计算机资源的特性的信息,属性信息包括虚拟资源信息以及硬件资源信息中的至少一个。
服务器在对任务进行分类之后,得到不同类型的多个任务,为了进一步进行种群的迭代,需要首先生成初始种群,将同一类型的任务的个体加入同一初始种群中;首先需要生成个体,个体用于描述任务的特征与所要调度的任务执行设备属性信息的映射关系;任务的特征可以从任务请求中获取,任务执行设备的属性信息可以是预先设定并保存在服务器中的信息,也可以从任务执行设备获取该属性信息。
步骤S52,对所述特征以及所述属性信息进行编码,以得到分类后的所述任务对应的个体;
在得到特征以及属性信息之后,需要对特征及属性信息进行编码,得到个体,个体可以理解为某个任务到的调度方案,比如,将某一任务的特征与各个任务执行设备的属性信息进行一一对应,从而可以得到该任务对应的各个调度方案,通过将每一任务的特征通过上述方式,与任务执行设备的属性信息进行一一对应,可以得到多个调度方案,此时通过设置目标函数以及适应度函数,可以确定哪种调度方案的适应度最高,从而能够进一步得到最优解,即最优调度方案。
步骤S53,根据分类后的所述任务对应的个体,生成所述初始种群。
在得到分类后的任务对应的个体之后,根据分类后的任务的个体生成初始种群;在生成初始种群时,将相同类型的个体加入同一初始种群,以使每个初始种群中仅包括相同类型的个体,便于后续迭代过程中在不同种群之间进行交叉,从而提升遗传算法的搜索效果。
在本实施例中,通过获取分类后的任务的特征,以及各个任务执行设备的属性信息,对特征以及属性信息进行编码,以得到分类后的任务对应的个体,根据分类后的任务对应的个体,生成初始种群,使得个体能够代表一个小的调度方案,多个调度方案组成种群,通过对种群迭代可以得到最优的调度方案,并且,不同初始种群中包括不同类型的任务,也即包括不同类型的个体,在迭代过程中,不同种群间进行交叉时,能够提升遗传算法的搜索效果,提升遗传算法的效率。
参照图6,本发明第五实施例提供一种任务调度方法,基于上图4所示的第三实施例,所述步骤S60包括:
步骤S61,对所述初始种群进行迭代,其中,所述迭代包括对任意两个所述初始种群进行交叉操作和变异操作得到进化种群;
迭代指将任意两个初始种群进行交叉操作和变异操作得到进行种群的过程,在进行交叉操作时,具体是对任意两个初始种群中的个体之间进行交叉操作,在进行变异操作时,具体是对任意两个种群中的个体进行变异操作,经过交叉操作和变异操作之后,合并交叉操作以及变异操作得到的各个个体得到进化种群,进化种群是指种群在迭代之后得到的迭代后的种群,可以将初始种群以及目标种群之外的种群均视作进化种群。
步骤S62,在满足迭代的终止条件时,获取所述进化种群中适应度值最大的目标个体,所述适应度值为指示个体在优化计算中与最优解的相似程度的值;
遗传算法在迭代的过程中需要设定遗传算法的终止条件,并将迭代终止时对应的最后一代种群作为目标种群,终止条件可以设置为迭代次数达到预设迭代次数;或者设置为进化种群中存在任一个体的适应度值大于或者等于最优适应度值,其中适应度值为指示个体在优化计算中与最优解的相似程度的值,适应度值根据预设的适应度判别规则或者预设适应度函数得到,适应度函数可以由目标函数变换得到,目标函数用于评价每个初始种群中的个体在不同评价指标中的表现,目标函数的评价指标可以设定为任务的完成时间和优先级,并根据不同的权重设置目标函数,每一种群均存在对应的目标函数。
本实施例在确定适应度值时,采用改进的适应度值判别法,首先确定当前迭代次数对应的全部种群中目标适应度值的最小值,以及所述当前迭代次数对应的目标种群的目标适应度值,目标种群为初始种群或者进化种群,此外,目标适应度值为某一个体的目标适应度值,目标适应度值可以根据目标函数进行计算,不同种群的目标函数不同,计算目标适应度值的方法也不同,目标函数可以根据需要具体设置,在此不作限定;在确定目标适应度值之后,继而确定当前迭代次数对应的各目标种群的目标适应度值的和为总适应度值,以及目标种群的目标适应度值与最小值的第一差值;确定总适应度值与最小值的第二差值,将第一差值与第二差值的比值作为适应度值。
步骤S63,在不满足迭代的终止条件时,将所述进化种群作为所述初始种群,返回执行所述对所述初始种群进行迭代的步骤。
在不满足迭代的终止条件的情况下,需要对种群进一步进行迭代,此时,将进化种群作为初始种群重新进行迭代,以进一步搜索最优解。
在本实施例中,通过对初始种群进行迭代,迭代包括对任意两个初始种群进行交叉操作和变异操作得到进化种群,在满足迭代的终止条件时,获取进化种群中适应度值最大的目标个体,在不满足迭代的种植条件时,将进化种群作为初始种群,返回执行对初始种群进行迭代,从而通过对种群不断进行迭代,而得到了目标种群,进一步得到目标调度信息,其中,本实施例中还采用了改进的适应度值判别法,使得遗传算法的搜索效果更佳。
参照图7,本发明第六实施例提供一种任务调度方法。基于上图6所示的第五实施例,所述步骤S61包括:
步骤S611,对所述初始种群进行迭代,其中,所述迭代包括对任意两个所述初始种群中的个体进行交叉操作,以及对所述初始种群中的个体进行变异操作;
服务器在对初始种群进行迭代时,具体是对任意两个初始种群中的个体进行交叉操作,以及对初始种群中的个体进行变异操作;比如,初始种群包括低时延种群A、高带宽种群B以及高计算种群C,在进行迭代时,首先选取每个种群中的全部个体,此处选择其中部分个体进行举例说明,A种群中的个体为A1、A2、A3、A4,B种群中的个体为B1、B2、B3、B4,C种群中的个体为C1、C2、C3、C4,首先可以先对A、B、C三个种群中的每一个个体计算适应度值,以确定每个个体的适应度,将适应度值小于预设的适应度值的异常个体筛选剔除,只留下适应度值大于或者等于预设适应度值的优秀个体,经过筛选之后,A种群中留下的个体为A1、A2、A3,B种群中留下的个体为B1、B2、B3,C种群中留下的个体为C1、C2、C3,此时在任意两个种群中进行交叉,在A、B之间进行交叉操作,得到交叉后的个体A1B1、A2B2、A3B3、A1B2等个体,在A、C之间交叉得到A1C1、A2C2、A3C3、A1C2等个体,在B、C之间交叉得到B1C1、B2C2、B3C3、B1C2等个体,在A中进行变异得到个体A5、在B中进行变异得到个体B5,在C中进行变异得到个体C5,此时即得到了交叉操作和变异操作的个体,上述仅作举例,并未列出全部的交叉操作和变异操作得到的个体。
此外,在进行交叉操作和变异操作时,需要设置特定的交叉概率以及变异概率,比如可以把交叉概率设置为60%,把变异概率设置为0.01%,在对个体进行交叉操作和变异操作时,依据个体的编码类型不同,交叉操作和变异操作也有所不同,比如,若采用二进制编码方式编码得到的个体,在进行交叉操作时,根据交叉概率进行单点交叉、两点交叉或者多点交叉,在变异时,随机选择二进制的某一位进行变异。
步骤S612,合并交叉操作后的所述个体以及变异操作后的所述个体,得到合并种群;
在得到交叉操作后的个体以及变异操作后的个体之后,将进行交叉的两个种群得到的交叉个体假如同一合并种群,并将进行了交叉操作的两个种群进行变异操作,变异操作后得到的变异个体也加入同一合并种群,比如,A、B之间交叉得到的个体为A1B1、A2B2、A3B3、A1B2,A种群变异得到的个体为A5、B种群变异得到的个体为B5,此时可以将上述个体均加入同一合并种群,得到合并种群包括A1B1、A2B2、A3B3、A1B2、A5、B5,此处示出的个体并不完整,仅作举例。
步骤S613,根据所述合并种群,生成所述进化种群。
在得到合并种群之后,确定合并种群中每一个体的适应度值;确定适应度值小于预设适应度值的异常个体;剔除合并种群中的异常个体以得到进化种群,比如,合并种群中包括以下个体,A1B1、A2B2、A3B3、A1B2、A5、B5,则进一步通过适应度值判别法确定每一个体的适应度值,此时发现A3B3、A2B2的适应度值小于预设的适应度值,则将A3B3剔除,得到优秀个体,优秀个体包括A1B1、A1B2、A5、B5,则根据优秀个体组成进化种群,将进化种群作为初始种群进行迭代,或者在迭代终止时,确定最优解;上述的异常个体为适应度值小于预设适应度值的个体,优秀个体为适应度值大于或者等于预设适应度值的个体。
在本实施例中,通过对任意两个初始种群中的个体进行交叉操作,以及对初始种群中的个体进行变异操作,合并交叉操作后的个体以及变异操作后的个体,得到合并种群,根据合并种群生成进化种群,从而实现对种群进行迭代,通过将不同类型的种群进行交叉操作以及变异操作,能够提升遗传算法的搜索能力,提升遗传算法的效率,得到最优解。
参照图8,本发明第七实施例提供一种任务调度方法,基于上述任一实施例,所述步骤S30包括:
步骤S31,确定所述目标种群中的目标个体,所述目标个体为所述目标种群中适应度值最大的个体,所述适应度值为指示个体在优化计算中与最优解的相似程度的值;
目标个体为目标种群中适应度值最大的个体,适应度值为指示个体在优化计算中与最优解的相似程度的值。
在得到目标种群之后,服务器已经完成了迭代的过程,此时只需要确定目标种群中的最优解即可,最优解对应目标个体,若存在多个目标种群,则需要确定各个目标种群的最优解,并从各个目标种群中的最优解中选择目标个体。
步骤S32,对所述目标个体进行解码,得到所述目标调度信息,所述目标调度信息包括解码后得到的所述任务的特征以及所述任务执行设备的属性信息。
目标个体本身是对特征以及任务执行设备的属性进行编码的到的数据,因此,在得到目标个体之后,还需要对目标个体进行解码,解码后得到目标调度信息,目标调度信息包括解码后得到的任务的特征以及任务执行设备的属性信息。
在物联网场景中,服务器在进行调度时,可以采用分布式方式处理任务,将不同地点,或者具有不同功能的任务执行设备通过通信网络连接,实现任务的调度,具体而言,服务器在进行调度时,将目标调度信息发送至多个边缘网关,边缘网关是直接与任务执行设备连接的网关,边缘网关根据目标调度信息中的任务的特征以及任务执行设备的属性进行任务的调度,任务的特征中可以包括任务执行所需要消耗的能源以及占用的CPU资源等,边缘网关根据此类特征以及任务执行设备的属性查询到对应的任务执行设备,将任务发送到任务执行设备进行执行。在进行任务的调度时,还可以设定调度的制约条件,比如,在调度时,一个任务只能在一个任务执行设备上执行,并且仅能被执行一次。
在本实施例中,通过确定目标种群中的目标个体,对目标个体进行解码,得到目标调度信息,进一步根据目标调度信息进行任务的调度,从而能够将任务调度至合适的任务执行设备,实现了对任务执行设备的合理利用,提升了对任务执行设备的利用效率。
需要说明的是,在本文中,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者系统不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者系统所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括该要素的过程、方法、物品或者系统中还存在另外的相同要素。
上述本发明实施例序号仅仅为了描述,不代表实施例的优劣。
通过以上的实施方式的描述,本领域的技术人员可以清楚地了解到上述实施例方法可借助软件加必需的通用硬件平台的方式来实现,当然也可以通过硬件,但很多情况下前者是更佳的实施方式。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来,该计算机软件产品存储在如上所述的一个存储介质(如ROM/RAM、磁碟、光盘)中,包括若干指令用以使得一台或者多台服务器执行本发明各个实施例所述的方法。
以上仅为本发明的优选实施例,并非因此限制本发明的专利范围,凡是利用本发明说明书及附图内容所作的等效结构或等效流程变换,或直接或间接运用在其他相关的技术领域,均同理包括在本发明的专利保护范围内。
Claims (15)
1.一种任务调度方法,其特征在于,所述任务调度方法应用于服务器,所述任务调度方法包括:
获取任务的特征,所述特征为所述任务被执行时所占用的计算机的虚拟资源或者硬件资源的属性;
根据所述特征对所述任务进行分类,得到分类后的所述任务;
根据分类后的所述任务对应的目标种群,确定目标调度信息,所述目标调度信息为使得所述任务被执行时所占用的计算机的虚拟资源或者硬件资源最小的调度信息;
根据所述目标调度信息,将所述任务调度至任务执行设备。
2.如权利要求1所述的任务调度方法,其特征在于,所述根据所述特征对所述任务进行分类的步骤包括:
确定所述特征对应的分类权重;
根据所述分类权重以及预设卷积神经网络,对所述特征对应的任务进行分类,所述预设卷积神经网络为预先训练的卷积神经网络,所述预设卷积神经网络包括卷积层以及全连接层,所述分类权重用于设定所述卷积层或者所述全连接层的权重。
3.如权利要求2所述的任务调度方法,其特征在于,所述确定所述特征对应的分类权重的步骤包括:
根据所述特征以及所述特征对应的任务的执行优先级,确定所述特征对应的分类权重,所述执行优先级为任务执行的先后顺序的优先级。
4.如权利要求3所述的任务调度方法,其特征在于,所述特征包括任务执行的时长、任务执行占用的网络资源以及任务执行占用的计算资源。
5.如权利要求1所述的任务调度方法,其特征在于,所述根据分类后的所述任务对应的目标种群,确定目标调度信息的步骤之前,还包括:
生成分类后的所述任务对应的初始种群,所述初始种群中包括所述特征,其中,分类后得到的不同类型的所述任务对应不同所述初始种群;
确定对所述初始种群迭代得到的所述目标种群;
确定分类后的所述任务对应的所述目标种群。
6.如权利要求5所述的任务调度方法,其特征在于,所述生成分类后的所述任务对应的初始种群的步骤包括:
获取分类后的所述任务的特征,以及各个所述任务执行设备的属性信息,所述属性信息包括虚拟资源信息以及硬件资源信息中的至少一个;
对所述特征以及所述属性信息进行编码,以得到分类后的所述任务对应的个体;
根据分类后的所述任务对应的个体,生成所述初始种群。
7.如权利要求6所述的任务调度方法,其特征在于,所述确定对所述初始种群迭代得到的目标种群的步骤包括:
对所述初始种群进行迭代,其中,所述迭代包括对任意两个所述初始种群进行交叉操作和变异操作得到进化种群;
在满足迭代的终止条件时,获取所述进化种群中适应度值最大的目标个体,所述适应度值为指示个体在优化计算中与最优解的相似程度的值;或者,
在不满足迭代的终止条件时,将所述进化种群作为所述初始种群,返回执行所述对所述初始种群进行迭代的步骤。
8.如权利要求7所述的任务调度方法,其特征在于,所述对任意两个所述初始种群进行交叉操作和变异操作,得到进化种群的步骤包括:
对任意两个所述初始种群中的个体进行交叉操作,以及对所述初始种群中的个体进行变异操作;
合并交叉操作后的所述个体以及变异操作后的所述个体,得到合并种群;
根据所述合并种群,生成所述进化种群。
9.如权利要求8所述的任务调度方法,其特征在于,所述根据所述合并种群,生成所述进化种群的步骤包括:
确定所述合并种群中每一个体的适应度值;
确定所述适应度值小于预设适应度值的异常个体;
剔除所述合并种群中的所述异常个体以得到所述进化种群。
10.如权利要求1-9任一项所述的任务调度方法,其特征在于,所述服务器根据预设适应度值判别规则确定所述适应度值,其中,所述确定所述适应度值包括:
确定当前迭代次数对应的全部种群中目标适应度值的最小值,以及所述当前迭代次数对应的目标种群的目标适应度值,所述目标种群为所述初始种群或者所述进化种群;
确定所述当前迭代次数对应的各所述目标种群的目标适应度值的和为总适应度值,以及所述目标种群的目标适应度值与所述最小值的第一差值;
确定所述总适应度值与所述最小值的第二差值;
将所述第一差值与所述第二差值的比值作为所述适应度值。
11.如权利要求1-9任一项所述的任务调度方法,其特征在于,所述终止条件包括以下至少一个:
迭代次数达到预设迭代次数;
所述进化种群中存在任一个体的适应度值大于或者等于最优适应度值。
12.如权利要求1-9任一项所述的任务调度方法,其特征在于,所述任务由物联网设备经网关发送至所述服务器。
13.如权利要求1-9任一项所述的任务调度方法,其特征在于,所述根据目标调度信息,将所述任务调度至任务执行设备的步骤包括:
向网关发送所述目标调度信息,以使所述网关根据所述目标调度信息将所述任务调度至所述任务执行设备。
14.如权利要求1-9任一项所述的任务调度方法,其特征在于,所述根据所述目标种群,确定目标调度信息的步骤包括:
确定所述目标种群中的目标个体,所述目标个体为所述目标种群中适应度值最大的个体,所述适应度值为指示个体在优化计算中与最优解的相似程度的值;
对所述目标个体进行解码,得到所述目标调度信息,所述目标调度信息包括解码后得到的所述任务的特征以及所述任务执行设备的属性信息。
15.一种服务器,其特征在于,所述服务器包括存储器、处理器以及存储在所述存储器上并可在所述处理器上运行的任务调度程序,所述任务调度程序被所述处理器执行时实现如权利要求1至14任一项所述的任务调度方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011596284.7A CN112667379B (zh) | 2020-12-29 | 2020-12-29 | 任务调度方法及服务器 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011596284.7A CN112667379B (zh) | 2020-12-29 | 2020-12-29 | 任务调度方法及服务器 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112667379A true CN112667379A (zh) | 2021-04-16 |
CN112667379B CN112667379B (zh) | 2024-06-07 |
Family
ID=75410287
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011596284.7A Active CN112667379B (zh) | 2020-12-29 | 2020-12-29 | 任务调度方法及服务器 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112667379B (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113419830A (zh) * | 2021-06-23 | 2021-09-21 | 鹤壁国立光电科技股份有限公司 | 一种基于神经网络的多维度调度方法及系统 |
CN113806053A (zh) * | 2021-09-24 | 2021-12-17 | 国家石油天然气管网集团有限公司华南分公司 | 一种任务调度的方法、装置、及计算机可读存储介质 |
CN116185596A (zh) * | 2023-04-24 | 2023-05-30 | 之江实验室 | 提升广域多集群分布式系统执行任务效率的方法及装置 |
CN116755866A (zh) * | 2023-08-16 | 2023-09-15 | 中移(苏州)软件技术有限公司 | 一种资源调度方法、装置、电子设备及可读存储介质 |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103870317A (zh) * | 2012-12-10 | 2014-06-18 | 中兴通讯股份有限公司 | 云计算中的任务调度方法及系统 |
AU2016203619A1 (en) * | 2016-05-31 | 2017-12-14 | Canon Kabushiki Kaisha | Layer-based operations scheduling to optimise memory for CNN applications |
US20180329741A1 (en) * | 2017-05-10 | 2018-11-15 | King Abdulaziz University | Task scheduling in a green data center |
CN110059873A (zh) * | 2019-04-12 | 2019-07-26 | 广东电网有限责任公司信息中心 | 一种面向电网企业测试环境云资源的智能调度方法 |
CN110489229A (zh) * | 2019-07-17 | 2019-11-22 | 长沙学院 | 一种多目标任务调度方法及系统 |
US20200133735A1 (en) * | 2018-10-31 | 2020-04-30 | EMC IP Holding Company LLC | Method, device, and computer program product for assigning tasks to dedicated processing resources |
US20200184366A1 (en) * | 2018-12-06 | 2020-06-11 | Fujitsu Limited | Scheduling task graph operations |
US20200293838A1 (en) * | 2019-03-13 | 2020-09-17 | Deepmind Technologies Limited | Scheduling computation graphs using neural networks |
CN111913787A (zh) * | 2020-06-19 | 2020-11-10 | 合肥工业大学 | 基于遗传算法的成像卫星调度方法和系统 |
-
2020
- 2020-12-29 CN CN202011596284.7A patent/CN112667379B/zh active Active
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103870317A (zh) * | 2012-12-10 | 2014-06-18 | 中兴通讯股份有限公司 | 云计算中的任务调度方法及系统 |
AU2016203619A1 (en) * | 2016-05-31 | 2017-12-14 | Canon Kabushiki Kaisha | Layer-based operations scheduling to optimise memory for CNN applications |
US20180329741A1 (en) * | 2017-05-10 | 2018-11-15 | King Abdulaziz University | Task scheduling in a green data center |
US20200133735A1 (en) * | 2018-10-31 | 2020-04-30 | EMC IP Holding Company LLC | Method, device, and computer program product for assigning tasks to dedicated processing resources |
US20200184366A1 (en) * | 2018-12-06 | 2020-06-11 | Fujitsu Limited | Scheduling task graph operations |
US20200293838A1 (en) * | 2019-03-13 | 2020-09-17 | Deepmind Technologies Limited | Scheduling computation graphs using neural networks |
CN110059873A (zh) * | 2019-04-12 | 2019-07-26 | 广东电网有限责任公司信息中心 | 一种面向电网企业测试环境云资源的智能调度方法 |
CN110489229A (zh) * | 2019-07-17 | 2019-11-22 | 长沙学院 | 一种多目标任务调度方法及系统 |
CN111913787A (zh) * | 2020-06-19 | 2020-11-10 | 合肥工业大学 | 基于遗传算法的成像卫星调度方法和系统 |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113419830A (zh) * | 2021-06-23 | 2021-09-21 | 鹤壁国立光电科技股份有限公司 | 一种基于神经网络的多维度调度方法及系统 |
CN113419830B (zh) * | 2021-06-23 | 2023-02-03 | 鹤壁国立光电科技股份有限公司 | 一种基于神经网络的多维度调度方法及系统 |
CN113806053A (zh) * | 2021-09-24 | 2021-12-17 | 国家石油天然气管网集团有限公司华南分公司 | 一种任务调度的方法、装置、及计算机可读存储介质 |
CN116185596A (zh) * | 2023-04-24 | 2023-05-30 | 之江实验室 | 提升广域多集群分布式系统执行任务效率的方法及装置 |
CN116185596B (zh) * | 2023-04-24 | 2023-08-01 | 之江实验室 | 提升广域多集群分布式系统执行任务效率的方法及装置 |
CN116755866A (zh) * | 2023-08-16 | 2023-09-15 | 中移(苏州)软件技术有限公司 | 一种资源调度方法、装置、电子设备及可读存储介质 |
CN116755866B (zh) * | 2023-08-16 | 2024-01-26 | 中移(苏州)软件技术有限公司 | 一种资源调度方法、装置、电子设备及可读存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN112667379B (zh) | 2024-06-07 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112667379B (zh) | 任务调度方法及服务器 | |
CN111694656B (zh) | 基于多智能体深度强化学习的集群资源调度方法及系统 | |
JP2013206187A (ja) | 情報変換装置、情報検索装置、情報変換方法、情報検索方法、情報変換プログラム、情報検索プログラム | |
CN109656713B (zh) | 一种基于边缘计算框架的容器调度方法 | |
CN115408100A (zh) | 容器集群调度的方法、装置、设备及存储介质 | |
CN115860081B (zh) | 一种芯粒算法调度方法、系统、电子设备及存储介质 | |
CN113890902A (zh) | 特征识别库的构建方法及装置、流量识别方法 | |
Ouadah et al. | A hybrid MCDM framework for efficient web services selection based on QoS | |
CN116263681A (zh) | 移动边缘计算任务卸载方法、装置、设备及存储介质 | |
CN117271101B (zh) | 一种算子融合方法、装置、电子设备及存储介质 | |
CN111258743A (zh) | 基于离散编码的云任务调度方法、装置、设备及存储介质 | |
KR101961631B1 (ko) | 분산 컴퓨팅 환경에서의 서비스 실행 설정 방법 및 컴퓨팅 장치 | |
EP4339843A1 (en) | Neural network optimization method and apparatus | |
CN114268625B (zh) | 特征选择方法、装置、设备及存储介质 | |
Silva et al. | A model to estimate the Self-Organizing Maps grid dimension for Prototype Generation | |
US11676050B2 (en) | Systems and methods for neighbor frequency aggregation of parametric probability distributions with decision trees using leaf nodes | |
Lu et al. | A multiple QoS metrics-aware virtual network embedding algorithm | |
CN109746918B (zh) | 一种联合优化的云机器人系统延时的优化方法 | |
CN109300032B (zh) | 区块生成方法、装置、设备及计算机可读存储介质 | |
CN110795371B (zh) | 一种i/o请求处理方法、系统、设备及计算机存储介质 | |
CN114327925A (zh) | 一种电力数据实时计算调度优化方法及系统 | |
CN113468604A (zh) | 基于人工智能的大数据隐私信息解析方法及系统 | |
CN112905792A (zh) | 基于非文本场景的文本聚类方法、装置、设备及存储介质 | |
CN113760484A (zh) | 数据处理的方法和装置 | |
CN114443258B (zh) | 用于虚拟机的资源调度方法、装置、设备及存储介质 |
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 |