CN112817763B - 基于表函数的类脑超算任务队列调度方法、系统以及计算机存储介质 - Google Patents

基于表函数的类脑超算任务队列调度方法、系统以及计算机存储介质 Download PDF

Info

Publication number
CN112817763B
CN112817763B CN202110157811.2A CN202110157811A CN112817763B CN 112817763 B CN112817763 B CN 112817763B CN 202110157811 A CN202110157811 A CN 202110157811A CN 112817763 B CN112817763 B CN 112817763B
Authority
CN
China
Prior art keywords
brain
task
super
calculation
supercomputing
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
Application number
CN202110157811.2A
Other languages
English (en)
Other versions
CN112817763A (zh
Inventor
戚建淮
周杰
郑伟范
刘建辉
唐娟
姚兆东
彭华
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 Y&D Electronics Information Co Ltd
Original Assignee
Shenzhen Y&D Electronics Information Co Ltd
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 Y&D Electronics Information Co Ltd filed Critical Shenzhen Y&D Electronics Information Co Ltd
Priority to CN202110157811.2A priority Critical patent/CN112817763B/zh
Publication of CN112817763A publication Critical patent/CN112817763A/zh
Application granted granted Critical
Publication of CN112817763B publication Critical patent/CN112817763B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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]
    • G06F9/5061—Partitioning or combining of resources
    • G06F9/5072—Grid computing
    • 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
    • G06F9/54—Interprogram communication
    • G06F9/546—Message passing systems or structures, e.g. queues
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2209/00—Indexing scheme relating to G06F9/00
    • G06F2209/54—Indexing scheme relating to G06F9/54
    • G06F2209/548—Queue
    • 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)
  • Mathematical Physics (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明涉及一种基于表函数的类脑超算任务队列调度方法、系统以及计算机存储介质。本发明通过设置统一的表征函数库显示给使用以存储类脑超算任务信息；通过设置SDN资源管控适配器查询表征函数库，并通过任务队列的方式将类脑超算任务信息进行下发；通过在每个类脑超算节点的上位机部署的执行任务节点在任务队列中查找并下发类脑超算任务信息，可以实现SDN弹性伸缩的任务调度，通过执行任务节点主动申请的方式将不同的类脑超算任务分布到多个类脑超算节点执行，可以实现类脑超算系统的大规模运算。

Description

基于表函数的类脑超算任务队列调度方法、系统以及计算机 存储介质
技术领域
本发明涉及类脑超算技术领域，更具体地说，涉及一种基于表函数的类脑超算任务队列调度方法、系统以及计算机存储介质。
背景技术
目前，由于互联网、物联网等技术的快速发展，计算量剧增、计算复杂度不断提高，对计算能力的要求越来越高。迫切需要新的计算模式的创新来适应时代的需求。类脑超算对数据的处理可以实现运算的并行及大规模计算，运算速度会大大提高，同时，类脑超算的速度会随着类脑子节点的不断增加而呈指数级提升。因此，未来类脑超算可应用于需要大规模计算的科学难题。针对类脑超算系统的SDN(Software Defined Network)弹性伸缩计算的动态任务管理也势在必行。
目前类脑超算计算任务对于大量的计算任务处理，需要多节点的协同处理，处理可能比较繁重。因此如何提供一种基于类脑超算的可灵活适配的多节点系统是本领域技术人员急需解决的问题。
发明内容
本发明要解决的技术问题在于，针对现有技术的上述缺陷，提供一种可以提高类脑超算计算任务的执行效率的基于表函数的类脑超算任务队列调度方法、系统以及计算机存储介质。
本发明解决其技术问题所采用的技术方案是：构造一种基于表函数的类脑超算任务队列调度方法，应用于SDN资源管控适配器，包括：
S1、查询表征函数库内新增的类脑超算任务信息；
S2、将所述类脑超算任务信息上传至任务队列；
S3、当获取到任一执行任务节点所发送的任务请求时，根据所述任务队列内类脑超算任务信息的优先程度，将预设个数的所述类脑超算任务信息发送至所述执行任务节点，以通过与所述执行任务节点连接的类脑超算节点处理所述类脑超算任务信息；
其中多个所述执行任务节点与多个所述类脑超算节点一一对应连接。
进一步地，所述步骤S1进一步包括：所述SDN资源管控适配器定期查询表征函数库内新增的类脑超算任务信息；其中所述表征函数库为关系型函数库。
进一步地，所述类脑超算任务信息包括提交时间和优先程度；所述步骤S2包括：依据所述优先程度和所述提交时间在所述任务队列内动态适配所述类脑超算任务信息。
进一步地，所述步骤S2进一步包括：
S21、所述SDN资源管控适配器将新增的所述类脑超算任务信息下载到自身缓存中建立的本地队列；
S22、所述SDN资源管控适配器将所述类脑超算任务信息上传至任务队列；
S23、所述SDN资源管控适配器依据所述优先程度在所述任务队列对不同的所述类脑超算任务信息进行动态适配；
S24、所述SDN资源管控适配器在同一优先程度中，按照提交时间的先后顺序再次动态适配所述任务队列。
进一步地，在所述步骤S3中，所述类脑超算节点采用表函数存算一体计算过程处理所述类脑超算任务信息，所述表函数存算一体计算过程包括：认知的分类表征、表征的编码、表征的分类计算、表征的存储、存算一体的输入输出函数映射关系表生成、搜索匹配计算过程。
进一步地，所述基于表函数的类脑超算任务队列调度方法进一步包括：
S4、通过结果队列接收由所述执行任务节点所发送的任务处理结果信息；所述任务处理结果信息为所述类脑超算节点处理所述类脑超算任务信息后得到的任务处理结果信息。
进一步地，所述基于表函数的类脑超算任务队列调度方法进一步包括：
S5、将所述结果队列内存储的任务处理结果信息发送至所述表征函数库进行存储。
本发明解决其技术问题所采用的技术方案是：构造一种计算机存储介质，其上存储计算机程序，所述计算机程序被处理器执行时实现所述的基于表函数的类脑超算任务队列调度方法。
本发明解决其技术问题所采用的技术方案是：构造一种基于表函数的类脑超算任务队列调度系统，包括表征函数库、SDN资源管控适配器、多个类脑超算节点和多个执行任务节点，多个所述执行任务节点与多个所述类脑超算节点一一对应连接，所述执行任务节点均与所述SDN资源管控适配器连接，所述SDN资源管控适配器与所述表征函数库通信；所述SDN资源管控适配器内维护有任务队列，所述SDN资源管控适配器上存储计算机程序，所述计算机程序被执行时实现根据权利要求1-7中任意一项权利要求所述的基于表函数的类脑超算任务队列调度方法。
本发明解决其技术问题所采用的技术方案是：构造一种基于表函数的类脑超算任务队列调度系统，包括表征函数库、SDN资源管控适配器、多个类脑超算节点和多个执行任务节点，多个所述执行任务节点与多个所述类脑超算节点一一对应连接，所述执行任务节点均与所述SDN资源管控适配器连接，所述SDN资源管控适配器与所述表征函数库通信；所述SDN资源管控适配器内维护有任务队列，所述SDN资源管控适配器进一步包括：
查询模块，用于查询表征函数库内新增的类脑超算任务信息；
上传模块，用于将所述类脑超算任务信息上传至任务队列；
处理模块，当获取到任一执行任务节点所发送的任务请求时，用于根据所述任务队列内类脑超算任务信息的优先程度，将预设个数的所述类脑超算任务信息发送至所述执行任务节点，以通过与所述执行任务节点连接的类脑超算节点处理所述类脑超算任务信息。
实施本发明的基于表函数的类脑超算任务队列调度方法、系统以及计算机存储介质，通过设置统一的表征函数库用以存储类脑超算任务信息；通过设置SDN资源管控适配器查询表征函数库，并通过任务队列的方式将类脑超算任务信息进行下发；通过在每个类脑超算节点的上位机部署的执行任务节点在任务队列中查找并下发类脑超算任务信息，可以实现SDN弹性伸缩的任务调度，通过执行任务节点主动申请的方式将不同的类脑超算任务分布到多个类脑超算节点执行，可以实现类脑超算系统的大规模运算。
附图说明
下面将结合附图及实施例对本发明作进一步说明，附图中：
图1是本发明的第一优选实施例的基于表函数的类脑超算任务队列调度方法的流程图；
图2是本发明的第二优选实施例的基于表函数的类脑超算任务队列调度方法的流程图；
图3是本发明的第一优选实施例的基于表函数的类脑超算任务队列调度系统的结构图；
图4是本发明的第二优选实施例的基于表函数的类脑超算任务队列调度系统的原理框图。
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。
本发明的核心是提供一种基于表函数的类脑超算任务队列调度方法。目前类脑超算计算任务对于大量的计算任务处理，需要多节点的协同处理，处理可能比较繁重。而本发明所提供的一种基于表函数的类脑超算任务队列调度方法，应用于SDN资源管控适配器，包括查询表征函数库内新增的类脑超算任务信息；将类脑超算任务信息上传至任务队列；当获取到任一执行任务节点所发送的任务请求时，根据任务队列内类脑超算任务信息的优先程度，将预设个数的类脑超算任务信息发送至执行任务节点，以通过与执行任务节点连接的类脑超算系统处理类脑超算任务信息；多个执行任务节点与多个类脑超算系统一一对应连接。本发明还涉及对应的类脑超算任务队列调度系统和SDN资源管控适配器。
本发明通过设置统一的表征函数库显示给使用以存储类脑超算任务信息；通过设置SDN资源管控适配器查询表征函数库，并通过任务队列的方式将类脑超算任务信息进行下发；通过在每个类脑超算节点的上位机部署的执行任务节点在任务队列中查找并下发类脑超算任务信息，可以实现SDN弹性伸缩的任务调度，通过执行任务节点主动申请的方式将不同的类脑超算任务分布到多个类脑超算节点执行，可以实现类脑超算系统的大规模运算。
为了使本技术领域的人员更好地理解本发明方案，下面结合附图和具体实施方式对本发明作进一步的详细说明。显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
图1是本发明的第一优选实施例的基于表函数的类脑超算任务队列调度方法的流程图。如图1所示，该基于表函数的类脑超算任务队列调度方法应用于SDN资源管控适配器，且包括以下步骤。
在步骤S01中，查询表征函数库内新增的类脑超算计算任务信息。
在本发明实施例中，预先建立有表征函数库，使用端可以访问该表征函数库，并将需要执行的类脑超算任务信息上传至该表征函数库，以便后续步骤中通过类脑超算节点执行该类脑超算任务信息。所谓类脑超算任务信息即需要通过类脑超算系统进行运算的任务信息，有关类脑超算任务信息的具体内容可以根据实际情况自行设置，在此不做具体限定。在此，每个类脑超算系统可以包括一个或者多个类脑超算节点。在本发明的优选实施例中，所述表征函数库可以为关系型函数库，即该表征函数库的本质为一张映射表格，即任务数据映射表。该关系型函数库中通常包括计算任务ID、计算任务具体内容、排队状态、计算所需资源大小等。
上述SDN资源管控适配器即预先建立有任务队列并能自适应适配任务的服务器。在本步骤中，SDN资源管控适配器通常会定期查询表征函数库内新增的类脑超算任务信息，以便自适应的分配任务到各计算子节点，然后在后续步骤中将类脑超算任务信息上传至任务队列。
在步骤S02中，将类脑超算计算任务信息上传至任务队列。具体的，SDN资源管控适配器会维护一任务队列。在本步骤中，SDN资源管控适配器通常会先将新增的类脑超算任务信息下载至SDN资源管控适配器自身缓存中建立的本地队列，再将本地队列中的类脑超算任务信息上传至任务队列。
在步骤S03：当获取到任一执行任务节点所发送的任务请求时，根据任务队列内类脑超算计算任务信息的优先程度，将预设个数的类脑超算计算任务信息发送至执行任务节点，以通过类脑超算计算节点处理计算任务信息。在本发明实施例中，多个所述执行任务节点与多个所述类脑超算节点一一对应连接。上述执行任务节点通常建立在类脑超算系统的上位机中，与类脑超算系统的各子节点直接连接，用于直接向类脑超算系统的各节点下发类脑超算计算任务信息。在本发明实施例中，SDN资源管控适配器会与全部执行任务节点相互通信连接。
在本发明实施例中，当某一执行任务节点发现自身对应的类脑超算节点没有执行任务或负载较低时，就会主动向SDN资源管控适配器发送需要下载任务的任务请求。有关执行任务节点发送任务请求的具体标准可以根据实际情况自行设定，在此不做具体限定。此时在本步骤中，SDN资源管控适配器会收到该任务请求，然后SDN资源管控适配器会依据该任务请求，根据任务队列内类脑超算任务信息的优先程度，向该执行任务节点发送类脑超算计算任务信息；之后执行任务节点会将接收的类脑超算任务信息发送至类脑超算节点，使得该类脑超算节点处理接收的类脑超算任务信息，实现类脑超算任务信息的分配。上述预设个数通常为一个，当然，该预设个数也可以有其他合理取值，在本发明实施例中不做具体限定。
实施本发明的基于表函数的类脑超算任务队列调度方法，通过设置统一的表征函数库用以存储类脑超算任务信息；通过设置SDN资源管控适配器查询表征函数库，并通过任务队列的方式将类脑超算任务信息进行下发；通过在每个类脑超算节点的上位机部署的执行任务节点在任务队列中查找并下发类脑超算任务信息，可以实现SDN弹性伸缩的任务调度，通过执行任务节点主动申请的方式将不同的类脑超算任务分布到多个类脑超算节点执行，可以实现类脑超算系统的大规模运算。
图2是本发明的第二优选实施例的基于表函数的类脑超算任务队列调度方法的流程图。如图2所示，该基于表函数的类脑超算任务队列调度方法应用于SDN资源管控适配器，且包括以下步骤。
在步骤S21中，查询表征函数库内新增的类脑超算计算任务信息。在本发明实施例中，所述类脑超算计算任务信息包括提交时间和优先程度。其中提交时间可以表示不同类脑超算任务信息之间提交的先后顺序，而优先程度可以表示不同类脑超算任务信息之间的优先程度。具体的，在本发明实施例中，上述表征函数库通常为关系型函数库，即该表征函数库的本质为一张映射表格，即任务数据映射表。该关系型函数库中通常包括计算任务ID、计算任务具体内容、排队状态、计算所需资源大小等。在本发明实施例中，关系型函数库还记载有类脑超算任务信息所对应的提交时间和优先程度等。
在本发明实施例中，预先建立有表征函数库，使用端可以访问该表征函数库，并将需要执行的类脑超算任务信息上传至该表征函数库，以便后续步骤中通过类脑超算节点执行该类脑超算任务信息。如前所述，所谓类脑超算任务信息即需要通过类脑超算系统进行运算的任务信息，有关类脑超算任务信息的具体内容可以根据实际情况自行设置，在此不做具体限定。在此，每个类脑超算系统可以包括一个或者多个类脑超算节点。
优选的，上述SDN资源管控适配器即预先建立有任务队列并能自适应适配任务的服务器。在本步骤中，SDN资源管控适配器通常会定期查询表征函数库内新增的类脑超算任务信息，以便自适应的分配任务到各计算子节点，然后在后续步骤中将类脑超算任务信息上传至任务队列。
在步骤S22中，依据优先程度和提交时间在任务队列内动态适配类脑超算任务信息。在本步骤中，优选地，在本步骤中，SDN资源管控适配器通常会先将新增的类脑超算任务信息下载至SDN资源管控适配器自身缓存中建立的本地队列，再将本地队列中的类脑超算任务信息上传至任务队列。然后依据不同类脑超算任务信息的优先程度和提交时间在任务队列内进行动态适配。例如，首先根据优先程度在任务队列对不同类脑超算任务信息进行动态适配；之后在同一优先程度中，根据提交时间，按照提交时间的先后顺序动态适配类脑超算任务信息，以实现对任务队列内类脑超算任务信息顺序的动态适配。当然，在本发明实施例中还可以根据其他参数，或根据其他规则动态适配类脑超算任务信息，在本发明实施例中不做具体限定。
在步骤S23中，当获取到任一执行任务节点所发送的任务请求时，根据任务队列内类脑超算任务信息的优先程度，将预设个数的类脑超算任务信息发送至执行任务节点，以通过与执行任务节点连接的类脑超算系统处理类脑超算任务信息。
在本发明实施例中，多个所述执行任务节点与多个所述类脑超算节点一一对应连接。上述执行任务节点通常建立在类脑超算系统的上位机中，与类脑超算系统的各子节点直接连接，用于直接向类脑超算系统的各节点下发类脑超算计算任务信息。在本发明实施例中，SDN资源管控适配器会与全部执行任务节点相互通信连接。
在本发明实施例中，当某一执行任务节点发现自身对应的类脑超算节点没有执行任务或负载较低时，就会主动向SDN资源管控适配器发送需要下载任务的任务请求。有关执行任务节点发送任务请求的具体标准可以根据实际情况自行设定，在此不做具体限定。此时在本步骤中，SDN资源管控适配器会收到该任务请求，然后SDN资源管控适配器会依据该任务请求，根据任务队列内类脑超算任务信息的优先程度，向该执行任务节点发送类脑超算计算任务信息；之后执行任务节点会将接收的类脑超算任务信息发送至类脑超算节点，使得该类脑超算节点处理接收的类脑超算任务信息，实现类脑超算任务信息的分配。上述预设个数通常为一个，当然，该预设个数也可以有其他合理取值，在本发明实施例中不做具体限定。
进一步的，在本优选实施例中，所述类脑超算节点采用表函数存算一体计算过程处理所述类脑超算任务信息。所述表函数存算一体计算过程包括：认知的分类表征、表征的编码、表征的分类计算、表征的存储、存算一体的输入输出函数映射关系表生成、搜索匹配计算过程。
其中，该认知的分类表征包括：基于人脑认知功能结构，采用形式化描述方法，对物理世界或问题空间的认知内容进行分类表征或描述，建立对应于人脑认知功能类的知识表征体系。
该表征的编码包括：根据不同表征类别的不同属性特征，建立相应的数据结构，形成分类表征的不同编码。
该表征的分类计算包括：根据不同表征类别及编码，对不同的表征类采用不同的计算算法等进行计算和数据处理。
该表征的存储包括：根据分类表征、编码及分类处理结果，基于定制的一维无限深势阱数据存储模型，对相应的数据进行压缩存储，支持指数级的快速存取。
该存算一体的输入输出函数映射关系表生成包括：依据分类表征、编码和分类计算算法，离线计算生成不同输入信息对应的输出信息结果值；基于统一的表函数模板，形成相应结果的输入输出真值映射关系表。
该搜索匹配计算包括：在有计算任务时，采用ART3(Adaptive Resonance Theorynetwork 3)自适应共振网络3多级模式搜索算法，通过输入的变量值直接在真值映射表的输入空间中进行搜索；采用模式相似度阈值计算方法及规则，判定输入与映射表中的输入模式进行匹配；根据满足匹配的输入对应的输出真值即为计算结果值，可直接输出。
在步骤S24中，通过结果队列接收由执行任务节点所发送的任务处理结果信息。在本发明优选实施例中，所述任务处理结果信息为所述类脑超算系统处理所述类脑超算任务信息后得到的任务处理结果信息。上述SDN资源管控适配器除了维护有任务队列之外，还可以维护有一结果队列，每当一类脑超算系统子节点完成一类脑超算任务计算之后，会产生一任务处理结果信息，此时执行任务节点可以将该任务处理结果信息上传至SDN资源管控适配器维护的结果队列。
在步骤S25中，将结果队列内存储的任务处理结果信息发送至表征函数库进行存储。在本步骤中，SDN资源管控适配器会从结果队列中将任务处理结果信息发送至表征函数库进行存储，从而便于使用端从表征函数库中检索自己类脑超算任务信息所对应的任务处理结果信息。当上述表征函数库为关系型函数库时，使用端可以依据任务数据表轻松查询到自己类脑超算任务信息所对应的任务处理结果信息。
在本发明的进一步的优选实施例中，通过结果队列可以将类脑超算系统所产生的任务处理结果信息返回表征函数库以便于用户端查询。
图3是本发明的第一优选实施例的基于表函数的类脑超算任务队列调度系统的结构图。如图3所示，本发明的基于表函数的类脑超算任务队列调度系统包括表征函数库110、SDN资源管控适配器120、多个类脑超算系统子节点140和多个执行任务节点130，多个所述执行任务节点140与多个所述类脑超算系统子节点150一一对应连接，全部所述执行任务节点140均与所述SDN资源管控适配器120连接，所述SDN资源管控适配器120与所述表征函数库110连接；所述SDN资源管控适配器120内维护有任务队列130。
在本优选实施例中，所述SDN资源管控适配器120可以是任何适合的服务器，该服务器中存储有计算机程序，所述计算机程序被执行时实现根据图1-2中任意实施例所述的基于表函数的类脑超算任务队列调度方法。
本发明还涉及一种计算机可读存储介质，其上存储有计算机程序，该计算机程序包含能够实现本发明方法的全部特征，当其安装到计算机系统中时，可以实现本发明的方法。本文件中的计算机程序所指的是、可以采用任何程序语言、代码或符号编写的一组指令的任何表达式，该指令组使系统具有信息处理能力，以直接实现特定功能，或在进行下述一个或两个步骤之后实现特定功能、a)转换成其它语言、编码或符号；b)以不同的格式再现。
该计算机可读介质包括但不限于U盘、移动硬盘、只读存储器(Read-Only Memory，ROM)、随机存取存储器(Random Access Memory，RAM)、电可擦除可编程ROM、寄存器、硬盘、可移动磁盘、CD-ROM、磁碟或者光盘等各种可以存储程序代码的介质。
基于本发明的教导，本领域技术人员能够实现各种对应前述基于表函数的类脑超算任务队列调度方法的基于表函数的类脑超算任务队列调度系统，在此就不再累述了。
图4是本发明的第二优选实施例的基于表函数的类脑超算任务队列调度系统的原理框图。如图4所示，本发明的基于表函数的类脑超算任务队列调度系统包括表征函数库110、SDN资源管控适配器120、多个类脑超算系统子节点140和多个执行任务节点130，多个所述执行任务节点140与多个所述类脑超算系统子节点150一一对应连接，全部所述执行任务节点140均与所述SDN资源管控适配器120连接，所述SDN资源管控适配器120与所述表征函数库110连接；所述SDN资源管控适配器120内维护有任务队列130。
进一步如图4所示，所述SDN资源管控适配器120进一步包括查询模块121、上传模块122和处理模块123。所述查询模块121用于查询表征函数库110内新增的类脑超算任务信息。所述上传模块122用于将所述类脑超算任务信息上传至任务队列130。获取到任一执行任务节点140所发送的任务请求时，所述处理模块123用于根据所述任务队列130内类脑超算任务信息的优先程度，将预设个数的所述类脑超算任务信息发送至所述执行任务节点140，以通过与所述执行任务节点140连接的类脑超算节点150处理所述类脑超算任务信息。
本领域技术人员知悉，所述查询模块121、上传模块122和处理模块123可以分别根据前述基于表函数的类脑超算任务队列调度的对应步骤构建。在此就不再累述了。基于本发明的教导，本领域技术人员能够实现各种对应前述基于表函数的类脑超算任务队列调度方法的基于表函数的类脑超算任务队列调度系统，在此就不再累述了。
在本发明的进一步的优选实施例中，所述SDN资源管控适配器120内还维护有结果队列。所述SDN资源管控适配器120通过所述结果队列接收由所述执行任务节点140所发送的任务处理结果信息；所述任务处理结果信息为所述类脑超算系统子节点150处理所述类脑超算任务信息后得到的任务处理结果信息。
在本发明的进一步的优选实施例中，所述SDN资源管控适配器120内还包括发送模块，用于将所述结果队列内存储的任务处理结果信息发送至所述表征函数库110进行存储。具体的，在本发明实施例中，所述表征函数库110为关系型函数库。具体的，在本发明实施例中，所述类脑超算任务信息包括提交时间和优先程度。所述上传模块122进一步用于依据所述优先程度和所述提交时间在所述任务队列130内动态适配所述类脑超算任务信息。
在本发明实施例中，任一类脑超算系统子节点150均与一执行任务节点140一一对应连接，全部执行任务节点140均通过网络与SDN资源管控适配器120通信连接，SDN资源管控适配器120与提供给使用端的表征函数库110通信连接，SDN资源管控适配器02内维护有任务队列和结果队列。
本领域技术人员知悉，查询模块121、上传模块122、处理模块123、任务队列，结果队列，发送模块可以是任何适合的软件模块，硬件模块，或者软硬结合模块，其可以分别根据前述基于表函数的类脑超算任务队列调度的对应步骤构建。在此就不再累述了。基于本发明的教导，本领域技术人员能够实现各种对应前述基于表函数的类脑超算任务队列调度方法的基于表函数的类脑超算任务队列调度系统，在此就不再累述了。
本发明通过设置统一的表征函数库显示给使用以存储类脑超算任务信息；通过设置SDN资源管控适配器查询表征函数库，并通过任务队列的方式将类脑超算任务信息进行下发；通过在每个类脑超算节点的上位机部署的执行任务节点在任务队列中查找并下发类脑超算任务信息，可以实现SDN弹性伸缩的任务调度，通过执行任务节点主动申请的方式将不同的类脑超算任务分布到多个类脑超算节点执行，可以实现类脑超算系统的大规模运算。
虽然本发明是通过具体实施例进行说明的，本领域技术人员应当明白，在不脱离本发明范围的情况下，还可以对本发明进行各种变换及等同替代。另外，针对特定情形或材料，可以对本发明做各种修改，而不脱离本发明的范围。因此，本发明不局限于所公开的具体实施例，而应当包括落入本发明权利要求范围内的全部实施方式。
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 (8)

1.一种基于表函数的类脑超算任务队列调度方法，其特征在于，应用于SDN资源管控适配器，包括：
S1、查询表征函数库内新增的类脑超算任务信息；
S2、将所述类脑超算任务信息上传至任务队列；
S3、当获取到任一执行任务节点所发送的任务请求时，根据所述任务队列内类脑超算任务信息的优先程度，将预设个数的所述类脑超算任务信息发送至所述执行任务节点，以通过与所述执行任务节点连接的类脑超算节点处理所述类脑超算任务信息；
其中多个所述执行任务节点与多个所述类脑超算节点一一对应连接；
在所述步骤S3中，所述类脑超算节点采用表函数存算一体计算过程处理所述类脑超算任务信息，所述表函数存算一体计算过程包括：认知的分类表征、表征的编码、表征的分类计算、表征的存储、存算一体的输入输出函数映射关系表生成和搜索匹配计算过程；
在有计算任务时，采用自适应共振网络3的多级模式搜索算法，通过输入的变量值直接在真值映射表的输入空间中进行搜索；采用模式相似度阈值计算方法及规则，判定输入与映射表中的输入模式进行匹配；根据满足匹配的输入对应的输出真值即为计算结果值，直接输出。
2.根据权利要求1所述的基于表函数的类脑超算任务队列调度方法，其特征在于，所述步骤S1进一步包括：所述SDN资源管控适配器定期查询表征函数库内新增的类脑超算任务信息；其中所述表征函数库为关系型函数库。
3.根据权利要求1所述的基于表函数的类脑超算任务队列调度方法，其特征在于，所述类脑超算任务信息包括提交时间和优先程度；所述步骤S2包括：依据所述优先程度和所述提交时间在所述任务队列内动态适配所述类脑超算任务信息。
4.根据权利要求3所述的基于表函数的类脑超算任务队列调度方法，其特征在于，所述步骤S2进一步包括：
S21、所述SDN资源管控适配器将新增的所述类脑超算任务信息下载到自身缓存中建立的本地队列；
S22、所述SDN资源管控适配器将所述类脑超算任务信息上传至任务队列；
S23、所述SDN资源管控适配器依据所述优先程度在所述任务队列对不同的所述类脑超算任务信息进行动态适配；
S24、所述SDN资源管控适配器在同一优先程度中，按照提交时间的先后顺序再次动态适配所述任务队列。
5.根据权利要求1所述的基于表函数的类脑超算任务队列调度方法，其特征在于，进一步包括：
S4、通过结果队列接收由所述执行任务节点所发送的任务处理结果信息；所述任务处理结果信息为所述类脑超算节点处理所述类脑超算任务信息后得到的任务处理结果信息。
6.根据权利要求5所述的基于表函数的类脑超算任务队列调度方法，其特征在于，进一步包括：
S5、将所述结果队列内存储的任务处理结果信息发送至所述表征函数库进行存储。
7.一种计算机存储介质，其上存储计算机程序，所述计算机程序被处理器执行时实现根据权利要求1-6中任意一项权利要求所述的基于表函数的类脑超算任务队列调度方法。
8.一种基于表函数的类脑超算任务队列调度系统，其特征在于，包括表征函数库、SDN资源管控适配器、多个类脑超算节点和多个执行任务节点，多个所述执行任务节点与多个所述类脑超算节点一一对应连接，所述执行任务节点均与所述SDN资源管控适配器连接，所述SDN资源管控适配器与所述表征函数库通信；所述SDN资源管控适配器内维护有任务队列，所述SDN资源管控适配器上存储计算机程序，所述计算机程序被执行时实现根据权利要求1-6中任意一项权利要求所述的基于表函数的类脑超算任务队列调度方法。
CN202110157811.2A 2021-02-04 2021-02-04 基于表函数的类脑超算任务队列调度方法、系统以及计算机存储介质 Active CN112817763B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110157811.2A CN112817763B (zh) 2021-02-04 2021-02-04 基于表函数的类脑超算任务队列调度方法、系统以及计算机存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110157811.2A CN112817763B (zh) 2021-02-04 2021-02-04 基于表函数的类脑超算任务队列调度方法、系统以及计算机存储介质

Publications (2)

Publication Number Publication Date
CN112817763A CN112817763A (zh) 2021-05-18
CN112817763B true CN112817763B (zh) 2023-08-11

Family

ID=75861531

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110157811.2A Active CN112817763B (zh) 2021-02-04 2021-02-04 基于表函数的类脑超算任务队列调度方法、系统以及计算机存储介质

Country Status (1)

Country Link
CN (1) CN112817763B (zh)

Families Citing this family (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113254946A (zh) * 2021-07-12 2021-08-13 深圳市永达电子信息股份有限公司 一种类脑计算平台及可管理控制漏洞扫描系统
CN113254936A (zh) * 2021-07-12 2021-08-13 深圳市永达电子信息股份有限公司 一种基于类脑计算的终端安全管理与控制平台
CN113791913B (zh) * 2021-11-16 2022-02-11 浙江大学 一种类脑计算机操作系统的任务迁移方法

Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111782361A (zh) * 2020-06-29 2020-10-16 济南浪潮高新科技投资发展有限公司 一种量子计算机集群分布式队列调度方法及系统

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20030126109A1 (en) * 2002-01-02 2003-07-03 Tanya Couch Method and system for converting message data into relational table format
EP3270536B1 (en) * 2016-07-14 2019-03-06 Huawei Technologies Co., Ltd. Sdn controller and method for task scheduling, resource provisioning and service providing

Patent Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111782361A (zh) * 2020-06-29 2020-10-16 济南浪潮高新科技投资发展有限公司 一种量子计算机集群分布式队列调度方法及系统

Also Published As

Publication number Publication date
CN112817763A (zh) 2021-05-18

Similar Documents

Publication Publication Date Title
CN112817763B (zh) 基于表函数的类脑超算任务队列调度方法、系统以及计算机存储介质
US10699186B2 (en) Determining orders of execution of a neural network
TWI547817B (zh) 叢集運算架構的資源規劃方法、系統及裝置
US20160253220A1 (en) Data center operation
JP6470165B2 (ja) サーバ、システム及び探索方法
CN109886859A (zh) 数据处理方法、系统、电子设备和计算机可读存储介质
WO2021218144A1 (zh) 数据处理方法、装置、计算机设备及存储介质
CN112231917A (zh) 空间数字孪生建模方法、装置、计算机设备及存储介质
CN111782361B (zh) 一种量子计算机集群分布式队列调度方法及系统
US11714834B2 (en) Data compression based on co-clustering of multiple parameters for AI training
CN116501828B (zh) 基于非结构化数据集的服务器无感知向量查询方法和系统
CN112035413B (zh) 元数据信息查询方法、装置及存储介质
CN116700933B (zh) 一种面向异构算力联邦的多集群作业调度系统和方法
Yang et al. Coded computing in unknown environment via online learning
CN109242680B (zh) 一种区块链共识动态调整的方法
EP2669810A1 (en) Information processing device, information processing system, information processing method and information processing program
CN112817560A (zh) 一种基于表函数的计算任务处理方法、系统及计算机可读存储介质
CN115204399A (zh) 一种量子计算任务计算方法、装置及量子计算机操作系统
Zehnder et al. Using virtual events for edge-based data stream reduction in distributed publish/subscribe systems
CN111291893A (zh) 调度方法、调度系统、存储介质和电子装置
CN110995815B (zh) 一种基于Gaia大数据分析系统的信息传输方法
KR102642396B1 (ko) 제한된 gpu리소스를 사용한 딥러닝 추론 모델을 위한 배치 스케줄링 장치
CN116523030B (zh) 动态调度模型训练资源的方法及装置
US11960449B2 (en) Computer-readable recording medium storing information processing program, information processing method, and information processing apparatus
CN113708966B (zh) 一种交换机网络化在线配置方法、系统和设备

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