CN112764905A - 一种基于软件定义的云渲染系统的能源管理方法 - Google Patents
一种基于软件定义的云渲染系统的能源管理方法 Download PDFInfo
- Publication number
- CN112764905A CN112764905A CN202110094739.3A CN202110094739A CN112764905A CN 112764905 A CN112764905 A CN 112764905A CN 202110094739 A CN202110094739 A CN 202110094739A CN 112764905 A CN112764905 A CN 112764905A
- Authority
- CN
- China
- Prior art keywords
- rendering
- energy consumption
- data
- energy
- node
- 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
- 238000009877 rendering Methods 0.000 title claims abstract description 171
- 238000007726 management method Methods 0.000 title claims abstract description 42
- 238000005265 energy consumption Methods 0.000 claims abstract description 126
- 238000000034 method Methods 0.000 claims abstract description 24
- 238000013135 deep learning Methods 0.000 claims abstract description 22
- 238000007405 data analysis Methods 0.000 claims abstract description 10
- 230000008569 process Effects 0.000 claims description 14
- 238000004458 analytical method Methods 0.000 claims description 13
- 230000003993 interaction Effects 0.000 claims description 10
- 238000005457 optimization Methods 0.000 claims description 10
- 238000013523 data management Methods 0.000 claims description 9
- 238000012549 training Methods 0.000 claims description 9
- 238000012545 processing Methods 0.000 claims description 8
- 210000001503 joint Anatomy 0.000 claims description 5
- 230000000694 effects Effects 0.000 claims description 3
- 238000012544 monitoring process Methods 0.000 claims description 3
- 238000003860 storage Methods 0.000 claims description 3
- 238000005516 engineering process Methods 0.000 description 6
- 238000010586 diagram Methods 0.000 description 5
- 238000004134 energy conservation Methods 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 239000000126 substance Substances 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
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- 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)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Medical Informatics (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种基于软件定义的云渲染系统的能源管理方法,属于计算机信息技术领域,包括以下步骤:步骤1:采用软件定义的方式,在云渲染系统架构的应用层增加耗能模块,在控制层增加节能策略模块,在数据层增加链上数据模块和状态数据模块;步骤2:构建了云渲染系统能源管理框架,所述框架包括前端、中端、后端和数据库;步骤3:以AI的深度学习和大数据分析方法形成可迭代演进的系统能耗模型;步骤4:借助数字孪生手段实现系统实时动态重定义,基于从深度学习平台中得到数据的平均值,使其达到系统性能和能耗之间的平衡;本发明并通过软件定义的方式,对系统耗能模型进行实时动态重定义,提高资源利用率,有效降低成本。
Description
技术领域
本发明涉及计算机信息技术领域,涉及一种基于软件定义的云渲染系统的能源管理方法。
背景技术
随着计算机软硬件技术的发展,将云计算与渲染技术结合的模式成为3D渲染的主流。在云渲染系统中,云管理平台将接入网络的渲染工作站聚合形成云渲染集群,然后对渲染资源虚拟化处理,并由云渲染平台统一管理,使渲染系统灵活部署,有利于负载均衡和资源利用,有效缩短了项目制作周期。
在相关技术中的基于软件定义的云渲染系统,将集中化和控制与执行分离,对渲染资源与其接入模式、部署方式、实现功能进行解耦和重构,强化集中资源同时优化系统自身功能,降低整体负载,使系统更加高效、可扩展的运行;同时用户可自行设置3D渲染引擎、所需使用的插件、渲染服务器规模和渲染集群管理软件,定制化渲染环境同时成本可控,以满足不同用户各种渲染场景下需求。如图1,它包括应用层、控制层、基础设施层和数据层;重构了对渲染软件资源控制方法,组建相应的功能模,并提供了自定义指令系统,包括分析指令、判断指令、资源调度指令、执行指令和通信指令五大类;根据软件定义特点,对渲染过程和管理流程进行了改造,使其更具柔性。
在上述相关技术中,云渲染集群解决了低效问题,与此同时云渲染集群中计算机硬件资源和渲染软件资源的能源消耗是巨大的,包括CPU能耗、内存能耗、磁盘能耗以及渲染资源的消耗等,不仅带来了大规模的用电量致使环境影响,而且造成了大量能源的浪费。目前,以低能耗计算系统为重要支撑的绿色IT技术已成为十大IT关键技术之首,并且随着能源供应的日趋紧张,以及人们对集群可控性、节能性的要求愈来愈高,迫切要求在保持集群负载和吞吐量的前提下,最大限度地降低集群能耗。
在传统的渲染节能任务调度中,调度的主要目标是提高资源利用率即减少渲染资源的使用量和占用时间,而不是最小化渲染时间,即在系统性能与能耗之间寻求平衡。
发明内容
本发明提供了一种基于软件定义的渲染系统的能源管理方法,通过对耗能模型进行优化和重构,达到节能降耗的目的。
为了实现上述发明目的,本发明采用的技术方案为:
步骤1:提供一种软件定义的云渲染系统的拓展服务;
步骤2:构建了云渲染系统能源管理框架;
步骤3:以AI的深度学习和大数据分析方法形成可迭代演进的系统能耗模型;
步骤4:借助数字孪生手段实现系统实时动态重定义,使其达到系统性能和能耗之间的平衡。
所述步骤1是软件定义的云渲染系统的拓展服务,在上述相关技术中的云渲染系统基础架构上,新增能源管理模块,基于软件定义提供能耗优化解决方案。
在所述云渲染系统架构的应用层新增耗能模型,在控制层新增节能策略模块,在数据层新增链上数据和状态数据。
进一步,通过对渲染任务分析和分解,可在云渲染集群中并行渲染,将渲染任务均衡的分配到集群的各个计算节点,进而通过采集渲染节点的耗能数据形成能耗模型,并与区块链对接,将渲染节点耗能数据作上链处理,即为链上数据;通过将链上数据与实际渲染状态数据进行对比,获得渲染集群耗能优化策略,从而对耗能模型进行优化和重定义,以实现最小化渲染时长。
所述步骤2,构建了云渲染系统能源管理框架,是渲染系统能源管理方法的基础环节。该能源管理框架包括前端、中端、后端和数据库。
所述前端用于应用接入和数据展示,创建生成用户界面,主要包括用户模块、权限控制和能量传感器。所述用户模块用于用户信息的管理,包括用户注册、登入、用户权限等。所述权限控制用于用户权限认证,涉及Portal认证,以提高数据交互的安全性。
所述中端用于数据交互和资源调度,包括资源管理系统和渲染中台服务器。所述资源管理系统用于计算资源、存储资源、网络资源的存储和调度,可根据资源调度策略,优化耗能模型,以提升资源利用效率。所述渲染中台服务器可将渲染任务分发至渲染节点集群,在渲染系统前端和后端承接作用。
所述后端用于数据管理和业务处理,主要包括渲染节点集群、能耗模型和数据管理。所述渲染节点集群用于计算、存储和传输,将任务分配至相应的渲染节点,分析渲染集群能耗以及渲染能耗的构成。所述数据管理即数据库的调度、更新和优化。所述能耗模型为渲染系统能耗内在关联的体现,是能耗优化的基础;所述渲染系统能耗由渲染节点运行能耗和渲染节点空闲能耗两部分组成。
所述数据库包括状态数据和链上数据。所述状态数据即渲染节点状态的能耗数据;所述链上数据即存储于区块链中的耗能数据。
所述步骤3,提供一种以AI的深度学习和大数据分析方法形成的可迭代演进的系统能耗模型,建立在比较环节和训练环节从深度学习中得到相关数据之上,可与区块链对接,安全的保护相关的过程数据。具体步骤如下:
步骤3.1、实时数据采集:实时监控和采集渲染节点运行状态数据,是能耗模型的建立的关键;该环节在链上完成,将监测的能耗相关的数据存于区块链中。
步骤3.2、大数据分析和建模:通过对链上数据分析,在分析过程中利用这些数据建立能耗模型,并对渲染节点能耗情况进行预测,为能源优化提供基础支撑。
步骤3.3、可迭代演进的系统能耗模型,基于AI的深度学习来完成,具体步骤如下:
步骤3.31、初始模型的利用:利用海量历史渲染作业及其能耗数据,进行训练,得到能耗初步模型,根据比较值对能耗模型进行分析和优化,形成节能的资源调度策略,对原始模型进行调整。
步骤3.32、通过部署的深度学习平台对训练模式输出的模型进一步处理、升级,采用最优化能源管理策略,实现构建可迭代演进的能耗模型,形成资源调度策略的目标。
所述步骤4,借助数字孪生手段实现系统实时动态重定义,基于从深度学习平台中得到相关数据的平均值,具体步骤如下:
步骤4.1、预分析:对用户提出的渲染需求,通过对节点渲染过程进行分析,并据此进行预测分析,得到渲染进度和能耗期望;
步骤4.2、比较:采用数字孪生手段,通过与渲染工具的交互,实时了解节点的作业实际进度,与预测分析模型进行对比,根据渲染进度节点反映能耗偏差。
步骤4.3、渲染节点调度:通过节能资源调度策略和能源管理策略,调度渲染节点集群和渲染软件、插件、其他工具等资源,实现渲染节点与渲染工具之间的互动,从而能够实时调整渲染节点的能耗数据,对系统能耗模型进行动态调整,以达到节能的效果。
本发明的有益效果:
本发明所提供的基于软件定义的云渲染系统的能源管理方法,采用AI深度学习和大数据分析构建系统能耗模型,并通过软件定义的方式,对系统耗能模型进行实时动态重定义,以达到系统性能和能耗之间的平衡,提高资源利用率,有效降低成本。
附图说明
图1为本发明实施例的云渲染系统框架示意图。
图2为本发明实施例的系统能源管理框架示意图。
图3为本发明实施例的基于AI深度学习的能耗模型示意图。
图4为本发明实施例的能渲染节点能耗流程示意图。
具体实施方式
以下结合附图和具体实施例对本发明作进一步详细说明。
本发明公开了一种基于软件定义的云渲染系统的能源管理方法,包括以下步骤:
步骤1:采用软件定义的方式,在云渲染系统架构的应用层增加耗能模块,在控制层增加节能策略模块,在数据层增加链上数据模块和状态数据模块;
步骤2:构建了云渲染系统能源管理框架,所述框架包括前端、中端、后端和数据库;
步骤3:以AI的深度学习和大数据分析方法形成可迭代演进的系统能耗模型;
步骤4:借助数字孪生手段实现系统实时动态重定义,基于从深度学习平台中得到数据的平均值,使其达到系统性能和能耗之间的平衡。
如图1所示,本实施例的云渲染系统框架示意图。在云渲染系统架构的应用层增加耗能模块,在控制层增加节能策略模块,在数据层增加链上数据模块和状态数据模块;
进一步的,通过对渲染任务分析和分解,可在云渲染集群中并行渲染,将渲染任务均衡的分配到集群的各个计算节点,进而通过采集渲染节点的耗能数据形成能耗模型,并与区块链对接,将渲染节点耗能数据作上链处理,即为链上数据;通过将链上数据与实际渲染状态数据进行对比,获得渲染集群耗能优化策略,从而对耗能模型进行优化和重定义,以实现最小化渲染时长。
如图2所示,本实施例的系统能源管理框架示意图;包括前端、中端、后端和数据库;所述前端用于应用接入和数据展示,创建生成用户界面,包括用户模块、权限控制和能量传感器;所述用户模块用于用户信息的管理,包括用户注册、登入、用户权限;所述权限控制用于用户权限认证,涉及Portal认证,以提高数据交互的安全性。
所述中端用于数据交互和资源调度,包括资源管理系统和渲染中台服务器;所述资源管理系统用于计算资源、存储资源、网络资源的存储和调度,可根据资源调度策略,优化耗能模型,以提升资源利用效率;所述渲染中台服务器可将渲染任务分发至渲染节点集群,在渲染系统前端和后端承接作用。
所述后端用于数据管理和业务处理,包括渲染节点集群、能耗模型和数据管理;所述渲染节点集群用于计算、存储和传输,将任务分配至相应的渲染节点,分析渲染集群能耗以及渲染能耗的构成;所述数据管理即数据库的调度、更新和优化;所述能耗模型为渲染系统能耗内在关联的体现,是能耗优化的基础;所述渲染系统能耗由渲染节点运行能耗和渲染节点空闲能耗两部分组成。
所述数据库包括状态数据和链上数据;所述状态数据即渲染节点状态的能耗数据;所述链上数据即存储于区块链中的耗能数据。
如图3所示,本实施例的基于AI深度学习的能耗模型示意图;提供一种以AI的深度学习和大数据分析方法形成的可迭代演进的系统能耗模型,建立在比较环节和训练环节从深度学习中得到相关数据之上,可与区块链对接,安全的保护相关的过程数据。具体步骤如下:
步骤3.1、实时数据采集:实时监控和采集渲染节点运行状态数据,是能耗模型的建立的关键;该环节在链上完成,将监测的能耗相关的数据存于区块链中。
步骤3.2、大数据分析和建模:通过对链上数据分析,在分析过程中利用这些数据建立能耗模型,并对渲染节点能耗情况进行预测,为能源优化提供基础支撑。
步骤3.3、可迭代演进的系统能耗模型,基于AI的深度学习来完成,具体步骤如下:
步骤3.31、初始模型的利用:利用海量历史渲染作业及其能耗数据,进行训练,得到能耗初步模型,根据比较值对能耗模型进行分析和优化,形成节能的资源调度策略,对原始模型进行调整。
步骤3.32、通过部署的深度学习平台对训练模式输出的模型进一步处理、升级,采用最优化能源管理策略,实现构建可迭代演进的能耗模型,形成资源调度策略的目标。
如图4所示,本实施例的能渲染节点能耗流程示意图;借助数字孪生手段实现系统实时动态重定义,基于从深度学习平台中得到相关数据的平均值,具体步骤如下:
步骤4.1、预分析:对用户提出的渲染需求,通过对节点渲染过程进行分析,并据此进行预测分析,得到渲染进度和能耗期望;
步骤4.2、比较:采用数字孪生手段,通过与渲染工具的交互,实时了解节点的作业实际进度,与预测分析模型进行对比,根据渲染进度节点反映能耗偏差。
步骤4.3、渲染节点调度:通过节能资源调度策略和能源管理策略,调度渲染节点集群和渲染软件、插件、其他工具等资源,实现渲染节点与渲染工具之间的互动,从而能够实时调整渲染节点的能耗数据,对系统能耗模型进行动态调整,以达到节能的效果。
本发明所提供的基于软件定义的云渲染系统的能源管理方法,采用AI深度学习和大数据分析构建系统能耗模型,并通过软件定义的方式,对系统耗能模型进行实时动态重定义,以达到系统性能和能耗之间的平衡,提高资源利用率,有效降低成本。
可以理解的是,以上实施方式仅仅是为了说明本发明的原理而采用的示例性实施方式,然而本发明并不局限于此。对于本领域内的普通技术人员而言,在不脱离本发明的精神和实质的情况下,可以做出各种变型和改进,这些变型和改进也视为本发明的保护范围。
Claims (9)
1.一种基于软件定义的云渲染系统的能源管理方法,其特征在于,包括以下步骤:
步骤1:采用软件定义的方式,在云渲染系统架构的应用层增加耗能模块,在控制层增加节能策略模块,在数据层增加链上数据模块和状态数据模块;
步骤2:构建了云渲染系统能源管理框架,所述框架包括前端、中端、后端和数据库;
步骤3:以AI的深度学习和大数据分析方法形成可迭代演进的系统能耗模型;
步骤4:借助数字孪生手段实现系统实时动态重定义,基于从深度学习平台中得到数据的平均值,使其达到系统性能和能耗之间的平衡。
2.根据权利要求1所述的基于软件定义的云渲染系统的能源管理方法,其特征在于:所述步骤1具体为:通过对渲染任务分析和分解,可在云渲染集群中并行渲染,将渲染任务均衡的分配到集群的各个计算节点,进而通过采集渲染节点的耗能数据形成能耗模型,并与区块链对接,将渲染节点耗能数据作上链处理,即为链上数据;通过将链上数据与实际渲染状态数据进行对比,获得渲染集群耗能优化策略,从而对耗能模型进行优化和重定义,以实现最小化渲染时长。
3.根据权利要求1所述的基于软件定义的云渲染系统的能源管理方法,其特征在于:所述前端用于应用接入和数据展示,创建生成用户界面,包括用户模块、权限控制和能量传感器;所述用户模块用于用户信息的管理,包括用户注册、登入、用户权限;所述权限控制用于用户权限认证,涉及Portal认证,以提高数据交互的安全性。
4.根据权利要求1所述的基于软件定义的云渲染系统的能源管理方法,其特征在于:所述中端用于数据交互和资源调度,包括资源管理系统和渲染中台服务器;所述资源管理系统用于计算资源、存储资源、网络资源的存储和调度,可根据资源调度策略,优化耗能模型,以提升资源利用效率;所述渲染中台服务器可将渲染任务分发至渲染节点集群,在渲染系统前端和后端承接作用。
5.根据权利要求1所述的基于软件定义的云渲染系统的能源管理方法,其特征在于:所述后端用于数据管理和业务处理,包括渲染节点集群、能耗模型和数据管理;所述渲染节点集群用于计算、存储和传输,将任务分配至相应的渲染节点,分析渲染集群能耗以及渲染能耗的构成;所述数据管理即数据库的调度、更新和优化;所述能耗模型为渲染系统能耗内在关联的体现,是能耗优化的基础;所述渲染系统能耗由渲染节点运行能耗和渲染节点空闲能耗两部分组成。
6.根据权利要求1所述的基于软件定义的云渲染系统的能源管理方法,其特征在于:所述数据库包括状态数据和链上数据;所述状态数据即渲染节点状态的能耗数据;所述链上数据即存储于区块链中的耗能数据。
7.根据权利要求1所述的基于软件定义的云渲染系统的能源管理方法,其特征在于:所述步骤3具体为:
步骤3.1、实时数据采集:实时监控和采集渲染节点运行状态数据,是能耗模型的建立的关键;该环节在链上完成,将监测的能耗相关的数据存于区块链中;
步骤3.2、大数据分析和建模:通过对链上数据分析,在分析过程中利用这些数据建立能耗模型,并对渲染节点能耗情况进行预测,为能源优化提供基础支撑;
步骤3.3:基于AI的深度学习完成可迭代演进的系统能耗模型。
8.根据权利要求7所述的基于软件定义的云渲染系统的能源管理方法,其特征在于:所述步骤3.3包括:
步骤3.31、初始模型的利用:利用海量历史渲染作业及其能耗数据,进行训练,得到能耗初步模型,根据比较值对能耗模型进行分析和优化,形成节能的资源调度策略,对原始模型进行调整;
步骤3.32:通过部署的深度学习平台对训练模式输出的模型进一步处理、升级,采用最优化能源管理策略,实现构建可迭代演进的能耗模型,形成资源调度策略的目标。
9.根据权利要求1所述的基于软件定义的云渲染系统的能源管理方法,其特征在于:所述步骤4具体为:
步骤4.1、预分析:对用户提出的渲染需求,通过对节点渲染过程进行分析,并据此进行预测分析,得到渲染进度和能耗期望;
步骤4.2、比较:采用数字孪生手段,通过与渲染工具的交互,实时了解节点的作业实际进度,与预测分析模型进行对比,根据渲染进度节点反映能耗偏差;
步骤4.3、渲染节点调度:通过节能资源调度策略和能源管理策略,调度渲染节点集群和渲染软件、插件资源,实现渲染节点与渲染工具之间的互动,从而能够实时调整渲染节点的能耗数据,对系统能耗模型进行动态调整,以达到节能的效果。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110094739.3A CN112764905B (zh) | 2021-01-25 | 2021-01-25 | 一种基于软件定义的云渲染系统的能源管理方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110094739.3A CN112764905B (zh) | 2021-01-25 | 2021-01-25 | 一种基于软件定义的云渲染系统的能源管理方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112764905A true CN112764905A (zh) | 2021-05-07 |
CN112764905B CN112764905B (zh) | 2024-05-14 |
Family
ID=75706992
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110094739.3A Active CN112764905B (zh) | 2021-01-25 | 2021-01-25 | 一种基于软件定义的云渲染系统的能源管理方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112764905B (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115373762A (zh) * | 2022-09-20 | 2022-11-22 | 江苏赞奇科技股份有限公司 | 基于ai的实时云渲染中工具资源动态加载方法 |
CN115373507A (zh) * | 2022-10-26 | 2022-11-22 | 北京品立科技有限责任公司 | 一种基于电能损耗的整机资源均衡管理方法及系统 |
CN115550236A (zh) * | 2022-08-31 | 2022-12-30 | 国网江西省电力有限公司信息通信分公司 | 一种面向安全中台资源池路由优化的数据保护方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103268220A (zh) * | 2012-02-24 | 2013-08-28 | 苏州蓝海彤翔系统科技有限公司 | 一种适用于大规模动漫渲染服务云平台的软件体系结构 |
CN106101196A (zh) * | 2016-06-01 | 2016-11-09 | 上海上大海润信息系统有限公司 | 一种基于概率模型的云渲染平台任务调度系统及方法 |
CN108270833A (zh) * | 2016-12-31 | 2018-07-10 | 中国移动通信集团安徽有限公司 | 渲染云资源的自动调度方法、装置及系统 |
CN111970539A (zh) * | 2020-08-19 | 2020-11-20 | 赵蒙 | 基于深度学习和云计算服务的数据编码方法及大数据平台 |
-
2021
- 2021-01-25 CN CN202110094739.3A patent/CN112764905B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103268220A (zh) * | 2012-02-24 | 2013-08-28 | 苏州蓝海彤翔系统科技有限公司 | 一种适用于大规模动漫渲染服务云平台的软件体系结构 |
CN106101196A (zh) * | 2016-06-01 | 2016-11-09 | 上海上大海润信息系统有限公司 | 一种基于概率模型的云渲染平台任务调度系统及方法 |
CN108270833A (zh) * | 2016-12-31 | 2018-07-10 | 中国移动通信集团安徽有限公司 | 渲染云资源的自动调度方法、装置及系统 |
CN111970539A (zh) * | 2020-08-19 | 2020-11-20 | 赵蒙 | 基于深度学习和云计算服务的数据编码方法及大数据平台 |
Non-Patent Citations (3)
Title |
---|
仝伯兵;杨昕吉;谢振平;王士同;梅向东;: "集群渲染系统构建及优化", 软件导刊, no. 01 * |
王少鹏,王树龄: "数据中心能效指标与能耗模型研究", 《信息通信技术与政策》, no. 2, pages 18 - 21 * |
胡竹青;杨文清;: "研发桌面云系统设计及其在电力系统的应用", 电力信息与通信技术, no. 11 * |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115550236A (zh) * | 2022-08-31 | 2022-12-30 | 国网江西省电力有限公司信息通信分公司 | 一种面向安全中台资源池路由优化的数据保护方法 |
CN115550236B (zh) * | 2022-08-31 | 2024-04-30 | 国网江西省电力有限公司信息通信分公司 | 一种面向安全中台资源池路由优化的数据保护方法 |
CN115373762A (zh) * | 2022-09-20 | 2022-11-22 | 江苏赞奇科技股份有限公司 | 基于ai的实时云渲染中工具资源动态加载方法 |
CN115373762B (zh) * | 2022-09-20 | 2024-04-09 | 江苏赞奇科技股份有限公司 | 基于ai的实时云渲染中工具资源动态加载方法 |
CN115373507A (zh) * | 2022-10-26 | 2022-11-22 | 北京品立科技有限责任公司 | 一种基于电能损耗的整机资源均衡管理方法及系统 |
CN115373507B (zh) * | 2022-10-26 | 2023-01-06 | 北京品立科技有限责任公司 | 一种基于电能损耗的整机资源均衡管理方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN112764905B (zh) | 2024-05-14 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112764905A (zh) | 一种基于软件定义的云渲染系统的能源管理方法 | |
CN107888669B (zh) | 一种基于深度学习神经网络的大规模资源调度系统及方法 | |
CN105005570B (zh) | 基于云计算的海量智能用电数据挖掘方法及装置 | |
CN110389820B (zh) | 一种基于v-TGRU模型进行资源预测的私有云任务调度方法 | |
CN107861796B (zh) | 一种支持云数据中心能耗优化的虚拟机调度方法 | |
CN112115611B (zh) | 一种协同仿真管理系统 | |
Patni et al. | Load balancing strategies for grid computing | |
CN111176784B (zh) | 一种基于极限学习机和蚁群系统的虚拟机整合方法 | |
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 | |
Pang et al. | Energy-saving virtual machine placement method for user experience in cloud environment | |
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 | |
CN112162837B (zh) | 一种基于软件定义的边缘计算调度方法及系统 | |
CN112764883B (zh) | 一种基于软件定义的云桌面系统的能源管理方法 | |
Dai et al. | Rahec: A mechanism of resource management for heterogeneous clouds | |
CN106357800B (zh) | 一种基于QoE的云计算服务架构 | |
CN103729809A (zh) | 基于实时数据库的电力通信管理系统的监管机制 | |
CN117076882A (zh) | 一种云服务资源动态预测管理方法 | |
Yin et al. | An optimal image storage strategy for container-based edge computing in smart factory | |
Gong | Workflow scheduling based on mobile cloud computing machine learning | |
Zhang et al. | Data-intensive workflow scheduling strategy based on deep reinforcement learning in multi-clouds | |
Tang et al. | Edge computing energy-efficient resource scheduling based on deep reinforcement learning and imitation learning | |
Duan et al. | Lightweight federated reinforcement learning for independent request scheduling in microgrids | |
Caux et al. | Smart datacenter electrical load model for renewable sources management | |
CN103020197B (zh) | 网格仿真平台及网格仿真方法 | |
CN113220400A (zh) | 基于软件定义的云桌面系统质量控制方法 |
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 |