CN112905331B - 任务处理系统、方法及装置、电子设备和存储介质 - Google Patents
任务处理系统、方法及装置、电子设备和存储介质 Download PDFInfo
- Publication number
- CN112905331B CN112905331B CN201911135624.3A CN201911135624A CN112905331B CN 112905331 B CN112905331 B CN 112905331B CN 201911135624 A CN201911135624 A CN 201911135624A CN 112905331 B CN112905331 B CN 112905331B
- Authority
- CN
- China
- Prior art keywords
- execution
- processes
- executing
- information
- execution processes
- 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
- 238000000034 method Methods 0.000 title claims abstract description 974
- 238000012545 processing Methods 0.000 title claims abstract description 71
- 238000003860 storage Methods 0.000 title claims abstract description 28
- 230000008569 process Effects 0.000 claims abstract description 918
- 230000002159 abnormal effect Effects 0.000 claims description 96
- 238000013528 artificial neural network Methods 0.000 claims description 16
- 238000004590 computer program Methods 0.000 claims description 15
- 238000012549 training Methods 0.000 claims description 15
- 238000012544 monitoring process Methods 0.000 claims description 14
- 230000005856 abnormality Effects 0.000 claims description 13
- 230000000903 blocking effect Effects 0.000 claims description 12
- 230000002093 peripheral effect Effects 0.000 claims description 10
- 238000003672 processing method Methods 0.000 claims description 9
- 238000009826 distribution Methods 0.000 abstract description 2
- 238000004891 communication Methods 0.000 description 25
- 238000010586 diagram Methods 0.000 description 24
- 230000006870 function Effects 0.000 description 9
- 238000005516 engineering process Methods 0.000 description 7
- 230000002829 reductive effect Effects 0.000 description 6
- 230000003287 optical effect Effects 0.000 description 5
- 230000005540 biological transmission Effects 0.000 description 4
- 230000005236 sound signal Effects 0.000 description 4
- 238000003491 array Methods 0.000 description 3
- 230000001133 acceleration Effects 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 239000000835 fiber Substances 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 230000001902 propagating effect Effects 0.000 description 2
- 230000003068 static effect Effects 0.000 description 2
- RYGMFSIKBFXOCR-UHFFFAOYSA-N Copper Chemical compound [Cu] RYGMFSIKBFXOCR-UHFFFAOYSA-N 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 229910052802 copper Inorganic materials 0.000 description 1
- 239000010949 copper Substances 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000012804 iterative process Methods 0.000 description 1
- 230000000670 limiting effect Effects 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 230000002441 reversible effect Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 230000001360 synchronised effect Effects 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
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]
- G06F9/5005—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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2209/00—Indexing scheme relating to G06F9/00
- G06F2209/50—Indexing scheme relating to G06F9/50
- G06F2209/5012—Processor sets
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2209/00—Indexing scheme relating to G06F9/00
- G06F2209/50—Indexing scheme relating to G06F9/50
- G06F2209/5018—Thread allocation
Landscapes
- Engineering & Computer Science (AREA)
- Software Systems (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Debugging And Monitoring (AREA)
Abstract
本公开涉及一种任务处理系统、方法及装置、电子设备和存储介质，所述系统包括多个中央处理器CPU以及多个图形处理器GPU，所述多个CPU中的第一CPU用于运行管理进程，所述多个CPU中的多个第二CPU用于运行多个执行进程，所述多个执行进程调用所述多个GPU执行预设任务，所述管理进程被配置为：管理所述预设任务对应的多个执行进程和/或所述多个执行进程之间的拓扑连接关系。本公开实施例可通过第一CPU上运行的管理进程来进行执行进程的调度和分配，有利于提高任务执行效率。
Description
技术领域
本公开涉及计算机技术领域，尤其涉及一种任务处理系统、方法及装置、电子设备和存储介质。
背景技术
图形处理器(Graphics Processing Unit，GPU)在高性能计算领域常用于并行计算。GPU使用时需要外接在电子设备的插槽(例如PCIe插槽)上，人工智能领域常常会在电子设备上外接多个GPU卡，以进行多机多卡训练等任务。多个GPU之间可进行集合通信，以便提高带宽利用率。然而，采用相关技术中的集合通信方式，通信成本受限于最慢的GPU，如果运行时某个GPU发生异常，可能导致整个系统效率降低。
发明内容
本公开提出了一种任务处理技术方案。
根据本公开的一方面，提供了一种任务处理系统，所述系统包括多个中央处理器CPU以及多个图形处理器GPU，所述多个CPU中的第一CPU用于运行管理进程，所述多个CPU中的多个第二CPU用于运行多个执行进程，所述多个执行进程调用所述多个GPU执行预设任务，所述管理进程被配置为：管理所述预设任务对应的多个执行进程和/或所述多个执行进程之间的拓扑连接关系。
在一些可能的实现方式中，所述管理进程管理所述预设任务对应的多个执行进程，包括：在所述多个执行进程的运行期间，调整所述预设任务对应的多个执行进程。
在一些可能的实现方式中，所述管理进程调整所述预设任务对应的多个执行进程，包括：确定所述预设任务对应的调整后的多个执行进程；基于所述调整后的多个执行进程的进程信息，确定所述调整后的多个执行进程之间的更新拓扑连接关系；将所述更新拓扑连接关系的信息发送到所述调整后的多个执行进程。
在一些可能的实现方式中，所述管理进程还被配置为：在接收到进程调整指令的情况下，确定调整所述预设任务对应的多个执行进程。
在一些可能的实现方式中，所述管理进程还被配置为：在确定所述多个执行进程中存在状态异常的执行进程的情况下，确定调整所述预设任务对应的多个执行进程。
在一些可能的实现方式中，所述管理进程还被配置为：
接收来自于集群管理系统的进程异常指令，所述进程异常指令指示所述多个执行进程中存在状态异常的执行进程。
在一些可能的实现方式中，所述管理进程还被配置为：获取所述多个执行进程的当前运行状态信息；根据所述多个执行进程的当前运行状态信息，判断所述多个执行进程中是否存在状态异常的执行进程。
在一些可能的实现方式中，所述管理进程根据所述多个执行进程的当前运行状态信息，判断所述多个执行进程中是否存在状态异常的执行进程，包括：通过比较所述多个执行进程的当前运行状态信息，和/或，通过比较所述多个执行进程中每个执行进程的当前运行状态信息与历史运行状态信息，判断所述多个执行进程中是否存在状态异常的执行进程。
在一些可能的实现方式中，所述管理进程根据所述多个执行进程的当前运行状态信息，判断所述多个执行进程中是否存在状态异常的执行进程，包括：基于所述多个执行进程的当前运行状态信息，确定所述多个执行进程的状态统计信息；基于所述多个执行进程中每个执行进程的当前运行状态信息和所述状态统计信息之间的差异，判断所述多个执行进程中是否存在状态异常的执行进程。
在一些可能的实现方式中，所述多个CPU中的第三CPU用于运行监控进程，所述监控进程被配置为：获取系统运行参数，所述系统运行参数至少包括所述多个执行进程的运行参数；向所述管理进程和/或集群管理系统发送所述系统运行参数，其中，所述系统运行参数用于确定所述多个执行进程中是否存在状态异常的执行进程。
在一些可能的实现方式中，所述管理进程还被配置为：在接收到所述多个执行进程中第一执行进程发送的异常报告的情况下，确定与所述第一执行进程在拓扑连接关系中邻接的第二执行进程；确定从所述多个执行进程中删除所述第二执行进程。
在一些可能的实现方式中，所述预设任务包括神经网络训练任务，所述管理进程在所述多个执行进程的运行期间，调整所述预设任务对应的多个执行进程，包括：在所述多个执行进程的同一迭代结束的情况下，阻塞所述多个执行进程的执行，直到所述调整后的多个执行进程接收到所述更新拓扑连接关系的信息。
在一些可能的实现方式中，所述管理进程被配置为：将第三执行进程添加到所述预设任务对应的多个执行进程中；所述多个执行进程被配置为向所述第三执行进程发送所述多个执行进程得到的当前网络参数信息和当前网络参数更新信息。
在一些可能的实现方式中，所述管理进程还被配置为：在通过所述多个执行进程执行所述预设任务之前，获取所述预设任务对应的多个执行进程的进程信息；根据所述多个执行进程的进程信息，确定所述多个执行进程的初始拓扑连接关系。
在一些可能的实现方式中，所述进程信息包括：所述执行进程所在设备的IP地址、外围组件互连高速PCIE总线状态、英伟达互连NVLink总线状态、无限带宽Infiniband总线状态及网卡状态中的至少一种。
根据本公开的一方面，提供了一种任务处理方法，应用于电子设备的中央处理器CPU，该方法包括：在多个执行进程调用多个图形处理器GPU执行预设任务期间，调整所述多个执行进程；基于所述调整后的多个执行进程的进程信息，确定所述调整后的多个执行进程之间的更新拓扑连接关系；将所述更新拓扑连接关系的信息发送到所述调整后的多个执行进程。
在一些可能的实现方式中，所述方法还包括：在接收到进程调整指令的情况下，确定调整所述预设任务对应的多个执行进程。
在一些可能的实现方式中，所述方法还包括：在确定所述多个执行进程中存在状态异常的执行进程的情况下，确定调整所述预设任务对应的多个执行进程。
在一些可能的实现方式中，所述方法还包括：接收来自于集群管理系统的进程异常指令，所述进程异常指令指示所述多个执行进程中存在状态异常的执行进程。
在一些可能的实现方式中，所述方法还包括：获取所述多个执行进程的当前运行状态信息；根据所述多个执行进程的当前运行状态信息，判断所述多个执行进程中是否存在状态异常的执行进程。
在一些可能的实现方式中，所述根据所述多个执行进程的当前运行状态信息，判断所述多个执行进程中是否存在状态异常的执行进程，包括：通过比较所述多个执行进程的当前运行状态信息，和/或，通过比较所述多个执行进程中每个执行进程的当前运行状态信息与历史运行状态信息，判断所述多个执行进程中是否存在状态异常的执行进程。
在一些可能的实现方式中，所述根据所述多个执行进程的当前运行状态信息，判断所述多个执行进程中是否存在状态异常的执行进程，包括：基于所述多个执行进程的当前运行状态信息，确定所述多个执行进程的状态统计信息；基于所述多个执行进程中每个执行进程的当前运行状态信息和所述状态统计信息之间的差异，判断所述多个执行进程中是否存在状态异常的执行进程。
在一些可能的实现方式中，所述方法还包括：在接收到所述多个执行进程中第一执行进程发送的异常报告的情况下，确定与所述第一执行进程在拓扑连接关系中邻接的第二执行进程；确定从所述多个执行进程中删除所述第二执行进程。
在一些可能的实现方式中，所述预设任务包括神经网络训练任务，所述在多个执行进程调用多个图形处理器GPU执行预设任务期间，调整所述多个执行进程，包括：在所述多个执行进程的同一迭代结束的情况下，阻塞所述多个执行进程的执行，直到所述调整后的多个执行进程接收到所述更新拓扑连接关系的信息。
在一些可能的实现方式中，所述方法还包括：将第三执行进程添加到所述预设任务对应的多个执行进程中；所述多个执行进程被配置为向所述第三执行进程发送所述多个执行进程得到的当前网络参数信息和当前网络参数更新信息。
在一些可能的实现方式中，所述方法还包括：在通过所述多个执行进程执行所述预设任务之前，获取所述预设任务对应的多个执行进程的进程信息；根据所述多个执行进程的进程信息，确定所述多个执行进程的初始拓扑连接关系。
在一些可能的实现方式中，所述进程信息包括：所述执行进程所在设备的IP地址、外围组件互连高速PCIE总线状态、英伟达互连NVLink总线状态、无限带宽Infiniband总线状态及网卡状态中的至少一种。
根据本公开的一方面，提供了一种任务处理装置，应用于电子设备的中央处理器CPU，该装置包括：进程调整模块，用于在多个执行进程调用多个图形处理器GPU执行预设任务期间，调整所述多个执行进程；第一连接关系确定模块，用于基于所述调整后的多个执行进程的进程信息，确定所述调整后的多个执行进程之间的更新拓扑连接关系；连接信息发送模块，用于将所述更新拓扑连接关系的信息发送到所述调整后的多个执行进程。
在一些可能的实现方式中，所述装置还包括：第一调整模块，用于在接收到进程调整指令的情况下，确定调整所述预设任务对应的多个执行进程。
在一些可能的实现方式中，所述装置还包括：第二调整模块，用于在确定所述多个执行进程中存在状态异常的执行进程的情况下，确定调整所述预设任务对应的多个执行进程。
在一些可能的实现方式中，所述装置还包括：指令接收模块，用于接收来自于集群管理系统的进程异常指令，所述进程异常指令指示所述多个执行进程中存在状态异常的执行进程。
在一些可能的实现方式中，所述装置还包括：状态信息获取模块，用于获取所述多个执行进程的当前运行状态信息；异常判断模块，用于根据所述多个执行进程的当前运行状态信息，判断所述多个执行进程中是否存在状态异常的执行进程。
在一些可能的实现方式中，所述异常判断模块包括：第一判断子模块，用于通过比较所述多个执行进程的当前运行状态信息，和/或，通过比较所述多个执行进程中每个执行进程的当前运行状态信息与历史运行状态信息，判断所述多个执行进程中是否存在状态异常的执行进程。
在一些可能的实现方式中，所述异常判断模块包括：统计信息确定子模块，用于基于所述多个执行进程的当前运行状态信息，确定所述多个执行进程的状态统计信息；第二判断子模块，用于基于所述多个执行进程中每个执行进程的当前运行状态信息和所述状态统计信息之间的差异，判断所述多个执行进程中是否存在状态异常的执行进程。
在一些可能的实现方式中，所述装置还包括：邻接进程确实模块，用于在接收到所述多个执行进程中第一执行进程发送的异常报告的情况下，确定与所述第一执行进程在拓扑连接关系中邻接的第二执行进程；进程删除模块，用于确定从所述多个执行进程中删除所述第二执行进程。
在一些可能的实现方式中，所述预设任务包括神经网络训练任务，所述进程调整模块包括：进程阻塞子模块，用于在所述多个执行进程的同一迭代结束的情况下，阻塞所述多个执行进程的执行，直到所述调整后的多个执行进程接收到所述更新拓扑连接关系的信息。
在一些可能的实现方式中，所述装置还包括：进程添加模块，用于将第三执行进程添加到所述预设任务对应的多个执行进程中；所述多个执行进程被配置为向所述第三执行进程发送所述多个执行进程得到的当前网络参数信息和当前网络参数更新信息。
在一些可能的实现方式中，所述装置还包括：进程信息获取模块，用于在通过所述多个执行进程执行所述预设任务之前，获取所述预设任务对应的多个执行进程的进程信息；第二连接关系确定模块，用于根据所述多个执行进程的进程信息，确定所述多个执行进程的初始拓扑连接关系。
在一些可能的实现方式中，所述进程信息包括：所述执行进程所在设备的IP地址、外围组件互连高速PCIE总线状态、英伟达互连NVLink总线状态、无限带宽Infiniband总线状态及网卡状态中的至少一种。
根据本公开的一方面，提供了一种电子设备，包括：处理器；用于存储处理器可执行指令的存储器；其中，所述处理器被配置为调用所述存储器存储的指令，以执行上述方法。
根据本公开的一方面，提供了一种计算机可读存储介质，其上存储有计算机程序指令，所述计算机程序指令被处理器执行时实现上述方法。
根据本公开的实施例，能够通过第一CPU上运行的管理进程来管理预设任务对应的多个执行进程和/或多个执行进程之间的拓扑连接关系，实现调用多个GPU的多个执行进程的调度和分配，有利于提高任务执行效率。
应当理解的是，以上的一般描述和后文的细节描述仅是示例性和解释性的，而非限制本公开。根据下面参考附图对示例性实施例的详细说明，本公开的其它特征及方面将变得清楚。
附图说明
此处的附图被并入说明书中并构成本说明书的一部分，这些附图示出了符合本公开的实施例，并与说明书一起用于说明本公开的技术方案。
图1示出根据本公开实施例的任务处理系统的示意图。
图2示出根据本公开实施例的任务处理系统的GPU环路的示意图。
图3示出根据本公开实施例的任务处理系统的报告的示意图。
图4示出根据本公开实施例的任务处理系统的接口的流程示意图。
图5示出根据本公开实施例的任务处理方法的流程图。
图6示出根据本公开实施例的任务处理装置的框图。
图7示出根据本公开实施例的一种电子设备的框图。
图8示出根据本公开实施例的一种电子设备的框图。
具体实施方式
以下将参考附图详细说明本公开的各种示例性实施例、特征和方面。附图中相同的附图标记表示功能相同或相似的元件。尽管在附图中示出了实施例的各种方面，但是除非特别指出，不必按比例绘制附图。
在这里专用的词“示例性”意为“用作例子、实施例或说明性”。这里作为“示例性”所说明的任何实施例不必解释为优于或好于其它实施例。
本文中术语“和/或”，仅仅是一种描述关联对象的关联关系，表示可以存在三种关系，例如，A和/或B，可以表示：单独存在A，同时存在A和B，单独存在B这三种情况。另外，本文中术语“至少一种”表示多种中的任意一种或多种中的至少两种的任意组合，例如，包括A、B、C中的至少一种，可以表示包括从A、B和C构成的集合中选择的任意一个或多个元素。
另外，为了更好地说明本公开，在下文的具体实施方式中给出了众多的具体细节。本领域技术人员应当理解，没有某些具体细节，本公开同样可以实施。在一些实例中，对于本领域技术人员熟知的方法、手段、元件和电路未作详细描述，以便于凸显本公开的主旨。
根据本公开实施例的任务处理系统包括多个中央处理器CPU以及多个图形处理器GPU，所述多个CPU中的第一CPU用于运行管理进程，所述多个CPU中的多个第二CPU用于运行多个执行进程，所述多个执行进程调用所述多个GPU执行预设任务，所述管理进程被配置为：管理所述预设任务对应的多个执行进程和/或所述多个执行进程之间的拓扑连接关系。
图1示出根据本公开实施例的任务处理系统的示意图。如图1所示，该系统100可例如包括一个或多个服务器，其中，每个服务器包括至少一个CPU102和/或至少一个GPU200。该系统包括CPU101、至少一个CPU102以及多个GPU200，CPU 101用于运行管理进程103，CPU102用于运行至少一个执行进程104，多个执行进程104可调用多个GPU200执行预设任务。其中，管理进程103用于对至少一个CPU102中的执行进程104进行管理。
其中，多个CPU102可处于相同或不同的服务器中，并且运行管理进程103的CPU101可以运行一个或多个执行进程104，或不运行执行进程104，也即，可以分别在不同的CPU中运行管理进程103和多个执行进程104；或者在某一个CPU中同时运行管理进程103以及全部执行进程104，或者在某一个CPU中同时运行管理进程和部分执行进程104，而在其它一个或多个CPU中运行其它的执行进程104，等等，应当理解，本领域技术人员可根据实际情况设置任务处理系统的CPU及GPU的数量、CPU与各GPU之间的连接关系，以及各个CPU中运行的进程，本公开实施例对此不作限制。
在一些可能的实现方式中，预设任务可包括神经网络训练任务，可通过多个执行进程(可例如称为Worker)调用多个GPU执行该预设任务，实现多GPU的并行执行，从而提高预设任务的执行效率。
在一些可能的实现方式中，神经网络训练任务需要多轮迭代来更新网络参数，以使神经网络收敛，因此，预设任务的多个执行进程可包括多轮迭代过程。在每轮迭代结束时，可通过加和操作(称为All Reduce)实现所述多个进程之间的数据同步，也即神经网络的网络参数的同步。可选地，可根据该电子设备中各个GPU之间的连接关系，将多个GPU组成环状拓扑结构。在进行集合通信操作以实现数据同步的时候，数据沿着GPU环路进行流动，每个GPU只会与环路上的邻居(也即邻接的GPU)通信，充分利用环路上GPU之间的网络带宽。
在一些可能的实现方式中，可建立在第一CPU中运行的管理进程(可例如称为Master)，该管理进程被配置为管理预设任务对应的多个执行进程和/或所述多个执行进程之间的拓扑连接关系。其中，可选地，该管理进程是一个中心化的守护进程，负责分配和调度预设任务的GPU资源。预设任务的各个执行进程都需要通过管理进程来获取和调整GPU资源。管理进程还有能力在适当时候向正在运行中的预设任务重新分配GPU，从而实现GPU资源的弹性伸缩，提高任务执行效率。
在一些可能的实现方式中，可以由管理进程为预设任务建立多个执行进程，各个执行进程可运行于多个第二CPU中。执行进程的数量可与为预设任务分配的GPU数量对应，例如与GPU数量相同，以使各个执行进程的计算速度相近，提高计算效率。例如，可用的GPU数量为32个/16个/8个，对应的执行进程的数量也可为32个/16个/8个。本公开对执行进程的数量与GPU数量之间的对应关系不作限制。
相应地，预设任务进行加和通信操作的数据块也被划分为多个数据分块，数据分块的数量与执行进程的数量对应，以便通过各个执行进程处理对应的数据分块。各个数据分块具有对应的数据分块编号(称为rank号)，以便与各个进程对应。
在一些可能的实现方式中，可通过集群管理系统确定预设任务的执行进程数量。其中，集群管理系统可运行于服务器集群的任意服务器中，用于管理一个或多个预设任务的生命周期，例如创建或停止进程等，并指示管理进程执行，例如由管理进程处理增加或删除执行进程的逻辑等。
在一些可能的实现方式中，在开始执行预设任务之前，可对系统进行初始化。其中，管理进程还被配置为：
在通过所述多个执行进程执行所述预设任务之前，获取所述预设任务对应的多个执行进程的进程信息；
根据所述多个执行进程的进程信息，确定所述多个执行进程的初始拓扑连接关系。
举例来说，在系统初始化阶段，管理进程可获取任务处理系统中预设任务对应的多个执行进程的进程信息，该进程信息至少包括为预设任务分配的多个GPU的GPU信息(例如GPU设备号)以及所述多个GPU之间的连接关系。
在一些可能的实现方式中，该进程信息还可包括所述执行进程所在设备的IP地址、外围组件互连高速PCIE总线状态、英伟达互连NVLink总线状态、无限带宽Infiniband总线状态及网卡状态中的至少一种。也就是说，管理进程可获取任务处理系统的各种资源信息，以便计算得到多个GPU的环状拓扑连接关系。本公开对进程信息包括的具体内容不作限制。
如果已经为各个执行进程分配了GPU，则可由各个执行进程将进程信息上报给管理进程；如果各个执行进程还未分配GPU，则可通过其他方式将进程信息上报给管理进程，本公开对此不作限制。
在一些可能的实现方式中，如果各个执行进程还未分配GPU，则管理进程可根据多个GPU的GPU信息，为各个执行进程分配GPU。例如每个执行进程分配一个GPU，或若干个执行进程分配一个GPU。
在一些可能的实现方式中，管理进程可根据所述多个执行进程的进程信息，确定所述多个执行进程的初始拓扑连接关系。也就是说，管理进程可根据多个GPU之间的连接关系及连接方式、各个GPU与各个CPU之间的连接关系及连接方式等信息，构建GPU的环状拓扑连接关系(可能包括一个或多个GPU环路)，从而得到多个GPU之间的初始拓扑连接关系。每个环状结构的初始拓扑连接关系包含各个进程的数据分块编号(rank号)，GPU设备号等信息。
图2示出根据本公开实施例的任务处理系统的GPU环路的示意图。如图2所示，该任务处理系统包括CPU0、CPU1以及GPU0-GPU7，各个GPU通过PCIe插槽连接到CPU，GPU0-GPU3连接到CPU0，GPU4-GPU7连接到CPU1。其中，GPU通信效率从高到低分别是PCIe总线、CPU、跨CPU，因此，在图2中，在GPU0-GPU7均被分配给预设任务的情况下，GPU环路被建为GPU0-GPU1-GPU2-GPU3-GPU4-GPU5-GPU6-GPU7-GPU0，每个GPU与该GPU在环状结构中邻接的GPU通信，例如GPU2与GPU1、GPU3之间通信。
在一些可能的实现方式中，在确定预设任务的多个GPU之间的初始拓扑连接关系后，可将初始拓扑连接关系发送到多个执行进程，以使所述多个执行进程调用多个GPU执行多个执行进程，并实现所述多个GPU之间的通信。各个执行进程可根据初始拓扑连接关系协调GPU之间的数据传输。在多个执行进程的每轮迭代结束时，可通过加和操作(称为AllReduce)实现多个执行进程之间的数据同步。
通过这种方式，可由多个GPU并行执行预设任务的多个进程，并建立GPU环路实现多个GPU之间的通信，从而提高任务处理效率及GPU之间的通信效率。
在一些可能的实现方式中，所述管理进程管理所述预设任务对应的多个执行进程，包括：在所述多个执行进程的运行期间，调整所述预设任务对应的多个执行进程。
也就是说，在调用多个GPU执行预设任务的多个执行进程期间，管理进程可对多个执行进程的数量进行调整。例如，在预设任务的优先级提高或服务器集群的空闲资源较多等情况下，可增加执行预设任务的GPU数量，并相应地增加进程数量；在执行预设任务的GPU中存在故障或预设任务的优先级较低等情况下，可减少执行预设任务的GPU数量，并相应地减少进程数量。本公开对调整执行进程的数量的具体判断条件不作限制。
在一些可能的实现方式中，所述管理进程调整所述预设任务对应的多个执行进程，包括：
确定所述预设任务对应的调整后的多个执行进程；
基于所述调整后的多个执行进程的进程信息，确定所述调整后的多个执行进程之间的更新拓扑连接关系；
将所述更新拓扑连接关系的信息发送到所述调整后的多个执行进程。
举例来说，如果管理进程获取到集群管理系统的进程调整指令，或发现存在状态异常的执行进程等，则可确定需要调整所述预设任务对应的多个执行进程。在该情况下，根据进程调整指令中的信息或状态异常的执行进程等，管理进程可确定预设任务对应的调整后的多个执行进程。例如，进程调整指令为减少图2中的GPU6和GPU7，则管理进程可确定预设任务的GPU数量为6个(GPU0-GPU5)，确定预设任务对应的调整后的多个执行进程为6个。
在一些可能的实现方式中，根据调整后的多个执行进程，管理进程可确定与调整后的多个执行进程对应的GPU，调整后的多个执行进程包括全部或部分原来的执行进程。如果GPU数量增加，则执行进程可包括全部的执行进程和部分新注册的进程，管理进程可为新注册的进程分配GPU；如果GPU数量减少，则调整后的多个执行进程可包括部分原来的执行进程，管理进程可删除与减少的GPU对应的进程；如果GPU数量不变但更换了全部或部分GPU，则调整后的多个执行进程可包括部分原来的执行进程，管理进程可为各个执行进程重新分配GPU。经处理后，可确定各个执行进程对应的GPU。
在一些可能的实现方式中，基于所述调整后的多个执行进程的进程信息，管理进程可根据调整后的多个GPU之间的连接关系(例如GPU0-GPU3连接到CPU0，GPU4-GPU5连接到CPU1)，确定调整后的多个执行进程之间的更新拓扑连接关系。也即，管理进程可根据调整后的多个GPU之间的连接关系及连接方式、调整后的各GPU与CPU之间的连接关系及连接方式等信息，构建GPU的环状结构(可能包括一个或多个GPU环路)，从而得到调整后的多个执行进程之间的更新拓扑连接关系。每个环状结构的更新拓扑连接关系包含各个进程的数据分块编号(rank号)，GPU设备号等信息。例如，在减少图2中的GPU6和GPU7的情况下，可将GPU环路建为GPU0-GPU1-GPU2-GPU3-GPU4-GPU5-GPU0。
在一些可能的实现方式中，管理进程可将更新拓扑连接关系发送到多个执行进程，以使调整后的多个执行进程调用多个GPU执行并实现调整后的多个执行进程之间的通信。也就是说，管理进程Master将GPU环路的更新拓扑连接关系(也可称为环信息)发给所有的执行进程，以使得各个执行进程根据拓扑连接关系信息协调传输数据，实现各个执行进程之间的数据同步。由于调整GPU不是一个频繁的操作，因此增删GPU所带来的开销可以忽略不计。
通过这种方式，能够确定预设任务对应的调整后的多个执行进程，确定所述调整后的多个执行进程之间的更新拓扑连接关系；并将更新拓扑连接关系的信息发送到调整后的多个执行进程，以使调整后的多个执行进程调用多个GPU执行并实现调整后的多个执行进程之间的通信，从而实现任务执行过程中GPU资源及GPU环路的动态伸缩，避免单点故障影响整体系统正常运行，同时也为资源调度提供方便，进一步提高任务处理效率及GPU之间的通信效率。
在一些可能的实现方式中，所述管理进程还被配置为：在接收到进程调整指令的情况下，确定调整所述预设任务对应的多个执行进程。
举例来说，可通过集群管理系统来调整预设任务的执行进程数量。集群管理系统可确定是否需要调整执行预设任务的GPU数量，并在需要调整的GPU数量时向管理进程发送进程调整指令。管理进程在接收到进程调整指令时，可根据进程调整指令确定调整所述预设任务对应的多个执行进程，例如增加或减少执行进程的数量。
通过这种方式，管理进程可根据进程调整指令确定调整执行进程数量，实现了执行进程的管理。
在一些可能的实现方式中，所述管理进程还被配置为：在确定所述多个执行进程中存在状态异常的执行进程的情况下，确定调整所述预设任务对应的多个执行进程。
举例来说，可通过多个执行进程的状态来判断是否调整预设任务对应的多个执行进程。如果存在状态异常的执行进程，则管理进程可调整所述预设任务对应的多个执行进程。进而根据该状态异常的执行进程，确定预设任务对应的调整后的多个执行进程。
通过这种方式，管理进程可根据进程状态确定调整执行进程数量，实现了执行进程的自动管理。
在一些可能的实现方式中，所述多个CPU中的第三CPU用于运行监控进程，所述监控进程被配置为：
获取系统运行参数，所述系统运行参数至少包括所述多个执行进程的运行参数；
向所述管理进程和/或集群管理系统发送所述系统运行参数，其中，所述系统运行参数用于确定所述多个执行进程中是否存在状态异常的执行进程。
举例来说，在GPU实际长期运行中，可能会发生各种意外情况，如GPU温度过高导致自动降频、自我保护，掉电，显存溢出，插口松动等等。当某个程序需要长期使用若干GPU，在此过程中可能会因为GPU发生意外情况导致程序崩溃。因此，可在任务处理系统中预先设置有监控进程(可称为Monitor)，用于监控任务处理系统中的每个GPU及其他设备的使用情况。此外，用户也可以自定义监控进程，以便用户实际需求自定义监控数据。其中，监控进程可运行于多个CPU中的第三CPU，该第三CPU可以与第一CPU和第二CPU相同或不同，例如，第三CPU可以为第一CPU，或者第三CPU可以与多个第二CPU中的某个第二CPU相同，或者，第三CPU可以为除第一CPU和多个第二CPU之外的CPU，等等，可选地，每个服务器可以包括一个用于运行监控进程的第三CPU，但本公开实施例对此不作限制。
在一些可能的实现方式中，可通过监控进程监测所述系统的系统运行参数，系统运行参数至少包括所述多个执行进程的运行参数，例如各个执行进程对应的GPU显存使用率、GPU温度、GPU使用功耗、GPU利用率等。此外，系统运行参数好可包括CPU每个核的利用率、NUMA内存使用率、网络带宽使用率、磁盘利用率、读带宽、写带宽、磁盘队列长度等。应当理解，本领域技术人员可根据任务处理系统的各个部件类型及连接关系的类型，确定监控进程所监测的系统运行参数，本公开对此不作限制。
在一些可能的实现方式中，监控进程可定期(例如每轮迭代结束时)将监控到的系统运行参数上传到管理进程或集群管理系统，以使得管理进程或集群管理系统根据系统运行参数，确定多个执行进程中是否存在状态异常的执行进程。
通过这种方式，可以实现执行进程的状态监控，以便及时发现异常，提高系统的运行效率。
在一些可能的实现方式中，所述管理进程还被配置为：
获取所述多个执行进程的当前运行状态信息；
根据所述多个执行进程的当前运行状态信息，判断所述多个执行进程中是否存在状态异常的执行进程。
举例来说，如果监控进程将监控到的系统运行参数上传到管理进程，则管理进程可根据系统运行参数确定各个执行进程的对应的当前运行状态信息(也即各个执行进程所调用的GPU的当前运行状态信息)。其中，可通过如下公式确定一个执行进程对应的当前运行状态信息status：
在公式(1)中，Ti表示与该执行进程对应的系统运行参数中的第i个参数(例如GPU显存使用率，GPU温度，或GPU使用功耗等)；Wi表示参数Ti的权重；n表示系统运行参数的数量。
在一些可能的实现方式中，所述管理进程根据所述多个执行进程的当前运行状态信息，判断所述多个执行进程中是否存在状态异常的执行进程，包括：通过比较所述多个执行进程的当前运行状态信息，和/或，通过比较所述多个执行进程中每个执行进程的当前运行状态信息与历史运行状态信息，判断所述多个执行进程中是否存在状态异常的执行进程。
举例来说，根据多个执行进程的当前运行状态信息，管理进程可对各个执行进程的当前运行状态信息进行纵向和/或横向两方面对比。纵向是对每个执行进程分析其历史记录(例如执行进程对应的GPU的历史运行状态信息)判断其状态。横向是对所有执行进程对应的GPU的状态进行对比，分析某些GPU是否存在异常(例如存在运行缓慢的GPU)。如果存在异常，就可将存在异常的GPU剔除或替换以保证整个系统的高效。
在一些可能的实现方式中，所述管理进程根据所述多个执行进程的当前运行状态信息，判断所述多个执行进程中是否存在状态异常的执行进程，包括：
基于所述多个执行进程的当前运行状态信息，确定所述多个执行进程的状态统计信息；
基于所述多个执行进程中每个执行进程的当前运行状态信息和所述状态统计信息之间的差异，判断所述多个执行进程中是否存在状态异常的执行进程。
举例来说，可以对多个执行进程的当前运行状态信息进行统计，得到多个执行进程的状态统计信息。例如计算所有执行进程的当前运行状态信息的平均值，将该平均值作为状态统计信息。然后，比较多个执行进程中每个执行进程的当前运行状态信息和所述状态统计信息之间的差异，从而判断所述多个执行进程中是否存在状态异常的执行进程。
如果各个执行进程的当前运行状态信息与所述状态统计信息之间的差异均较小(例如小于预设的阈值)，则可确定多个执行进程中不存在状态异常的执行进程；如果某一个或几个执行进程的当前运行状态信息与所述状态统计信息之间的差异较大(例如大于或等于预设的阈值)，则可认为多个执行进程中存在状态异常的执行进程，也即该一个或几个执行进程为状态异常的执行进程。通过这种方式，能够以简单的方式分析出存在异常的执行进程。
通过这种方式，能够利用监控进程主动监测并上报任务处理系统的系统运行参数，通过管理进程确定当前运行状态信息，并判断各个执行进程是否状态异常，从而能够剔除状态异常的执行进程，提高整个任务处理系统的效率。
在一些可能的实现方式中，监控进程可定期(例如每轮迭代结束时)将监控到的系统运行参数直接上传到集群管理系统，以使得集群管理系统根据系统运行参数，确定多个执行进程中是否存在状态异常的执行进程。集群管理系统确定各个执行进程是否状态异常的方式，与管理进程的上述确定方式类似，此处不再重复描述。如果集群管理系统确定存在状态异常的执行进程，则可生成并向管理进程发送进程异常指令，以便指示管理进程对多个执行进程进行调整。通过这种方式，可减少管理进程的计算量，提高系统的运行效率。
在一些可能的实现方式中，所述管理进程还被配置为：接收来自于集群管理系统的进程异常指令，所述进程异常指令指示所述多个执行进程中存在状态异常的执行进程。
举例来说，管理进程可根据系统运行参数确定执行进程是否状态异常，将存在异常的执行进程上报给集群管理系统，由集群管理系统决定是否调整执行进程的数量，并在需要调整执行进程时生成进程异常指令并向管理进程发送进程异常指令。可选地，监控进程可将系统运行参数直接上传到集群管理系统，由集群管理系统确定执行进程是否状态异，并在确定存在状态异常的执行进程时，向管理进程发送进程异常指令。管理进程在接收到进程异常指令时，可根据进程异常指令确定调整预设任务对应的多个执行进程，例如删除状态异常的执行进程。
通过这种方式，管理进程可根据进程异常指令确定调整执行进程数量，实现了执行进程的管理。
在一些可能的实现方式中，所述管理进程还被配置为：
在接收到所述多个执行进程中第一执行进程发送的异常报告的情况下，确定与所述第一执行进程在拓扑连接关系中邻接的第二执行进程；
确定从所述多个执行进程中删除所述第二执行进程。
举例来说，预设任务的各个执行进程可主动向管理进程发送异常报告。例如，各个执行进程可对拓扑连接关系(也即GPU环路)中邻接的GPU中的执行进程进行超时检查。如果某些执行进程出现卡顿死机等监控进程无法正常监测到进程的状态或无法正常工作的情况，则与该执行进程的邻接的第一执行进程可检查到通信超时，该第一执行进程可生成异常报告，并主动向管理进程报告。
在一些可能的实现方式中，管理进程在接收到多个执行进程中第一执行进程发送的异常报告时，可确定与所述异常报告对应的，与第一执行进程在拓扑连接关系中邻接的第二执行进程。然后，管理进程可删除与异常报告对应的第二执行进程；或者向集群管理系统上报，以便根据集群管理系统的命令删除与异常报告对应的第二执行进程。通过这种方式，能够删除异常的执行进程，从而保证系统正常运行。
在一些可能的实现方式中，所述管理进程被配置为：
将第三执行进程添加到所述预设任务对应的多个执行进程中；所述多个执行进程被配置为向所述第三执行进程发送所述多个执行进程得到的当前网络参数信息和当前网络参数更新信息。
举例来说，在管理进程调整预设任务对应的多个执行进程的情况下，如果增加了执行进程，则管理进程可启动对应数量的执行进程(称为第三执行进程)，将第三执行进程添加到所述预设任务对应的多个执行进程中，并为启动的第三执行进程分配GPU，例如每个执行进程分配一个GPU，以使调整后的多个执行进程调用GPU执行预设任务。
在一些可能的实现方式中，多个执行进程被配置为向第三执行进程发送多个执行进程得到的当前网络参数信息和当前网络参数更新信息。
举例来说，管理进程在调整多个执行进程的情况下，确定调整后的多个执行进程之间的更新拓扑连接关系，并将更新拓扑连接关系的信息发送到所述调整后的多个执行进程。各个执行进程在得到当前网络参数信息(例如CPU及各个GPU之间的连接关系及连接类型)和当前网络参数更新信息(例如，增加的GPU与CPU及其他GPU之间的连接关系及连接类型)后，可主动将当前网络参数信息和当前网络参数更新信息发送给第三执行进程，从而实现各个执行进程之间的信息同步。
在一些可能的实现方式中，所述管理进程在所述多个执行进程的运行期间，调整所述预设任务对应的多个执行进程，包括：
在所述多个执行进程的同一迭代结束的情况下，阻塞所述多个执行进程的执行，直到所述调整后的多个执行进程接收到所述更新拓扑连接关系的信息。
举例来说，在需要调整多个执行进程的情况下，管理进程可在多个执行进程的同一迭代结束(各个执行进程的数据完成同步)时，对多个执行进程进行调整。在调整过程中，管理进程可阻塞所述多个执行进程的执行，这些执行进程会从调整开始一直阻塞到更新拓扑连接关系的信息更新完毕。在各个执行进程均接收到更新拓扑连接关系的信息的情况下，可以开始执行各个执行进程，从而继续执行预设任务。
通过这种方式，可保证各个进程的正常执行，避免产生错误。
根据本公开的实施例，管理进程在预设任务对应的多个执行进程的过程中，可能需要启动新的执行进程并分配对应的GPU，在此期间其他执行进程需要阻塞到新执行进程准备好为止。因此，可设置相应的编程接口，以便于用户使用。
在一些可能的实现方式中，可在各个执行进程中设置有报告(Report)接口，用于发送报告，该报告可能向管理进程请求加入或退出拓扑连接关系(也即GPU环路)。也即，各个执行进程可主动请求加入或退出拓扑连接关系。
图3示出根据本公开实施例的任务处理系统的报告的示意图。如图3所示，执行进程(Worker)可定期(例如每次迭代结束时)向管理进程(Master)发送报告；管理进程在接收到该执行进程的报告后，等待其他执行进程的报告，直到全部执行进程的报告到达。然后，管理进程判断是否有加入或退出拓扑连接关系的调整请求。如果有调整请求，则管理进程会重建整个环信息(也即GPU环路)，并向所有执行进程发送新的环信息(也即反馈信息)，各个执行进程接收到这些环信息后，会检查相邻的执行进程有没有发生变化(也即检查环是否改变)，并做出对应的调整，调整执行进程自身的环结构。
在一些可能的实现方式中，还可设置有创建(Create)、注册(Register)、初始化(Init)等接口，以及Allreduce(加和操作)、Broadcast等集合通信算子。创建用于建立与Master的网络连接；注册用于注册新加入的执行进程需要填充的数据；初始化用于将执行进程的拓扑信息发送给Master，并接收Master的反馈信息；报告用于向Master请求加入或退出拓扑连接关系。这些接口能够方便用户自定义弹性逻辑。
图4示出根据本公开实施例的任务处理系统的接口的流程示意图。如图4所示，在加入新的执行进程时，先通过创建建立与管理进程Master的网络连接；注册新加入的执行进程需要填充的数据(例如该执行进程对应的数据分块)；初始化将该执行进程的拓扑信息发送给管理进程Master，并接收Master的反馈信息；报告会向Master请求加入或退出拓扑连接关系。在每轮迭代结束时，通过Allreduce、Broadcast等集合通信算子实现各个执行进程之间的数据同步；在完成数据同步时，报告会向管理进程(Master)周期性地发送报告，报告自身的状态。这样，通过多轮迭代，预设任务执行结束(End)，得到训练后的神经网络。
根据本公开的实施例，能够在运行时弹性伸缩GPU数目，避免单点故障影响整体系统正常运行，同时也为资源调度提供方便。在任务执行过程中，用户可以通过增加GPU数目来减少任务执行时间，或者剔除某个有异常的GPU提升整体计算效率。根据本公开的实施例，能够应用于神经网络的训练阶段，高效地完成神经网络的训练任务，使得神经网络能够实现图像、文字、音频等的处理。
可以理解，本公开提及的上述各个系统实施例，在不违背原理逻辑的情况下，均可以彼此相互结合形成结合后的实施例，限于篇幅，本公开不再赘述。本领域技术人员可以理解，在具体实施方式的上述系统中，各配置步骤的具体执行顺序应当以其功能和可能的内在逻辑确定。
此外，本公开还提供了一种任务处理方法，该方法可应用于电子设备(例如上述的任务处理系统)的中央处理器CPU中。图5示出根据本公开实施例的任务处理方法的流程图。如图5所示，该方法包括：
在步骤S51中，在多个执行进程调用多个图形处理器GPU执行预设任务期间，调整所述多个执行进程；
在步骤S52中，基于所述调整后的多个执行进程的进程信息，确定所述调整后的多个执行进程之间的更新拓扑连接关系；
在步骤S53中，将所述更新拓扑连接关系的信息发送到所述调整后的多个执行进程。
在一些可能的实现方式中，所述方法还包括：在接收到进程调整指令的情况下，确定调整所述预设任务对应的多个执行进程。
在一些可能的实现方式中，所述方法还包括：在确定所述多个执行进程中存在状态异常的执行进程的情况下，确定调整所述预设任务对应的多个执行进程。
在一些可能的实现方式中，所述方法还包括：接收来自于集群管理系统的进程异常指令，所述进程异常指令指示所述多个执行进程中存在状态异常的执行进程。
在一些可能的实现方式中，所述方法还包括：获取所述多个执行进程的当前运行状态信息；根据所述多个执行进程的当前运行状态信息，判断所述多个执行进程中是否存在状态异常的执行进程。
在一些可能的实现方式中，所述根据所述多个执行进程的当前运行状态信息，判断所述多个执行进程中是否存在状态异常的执行进程，包括：通过比较所述多个执行进程的当前运行状态信息，和/或，通过比较所述多个执行进程中每个执行进程的当前运行状态信息与历史运行状态信息，判断所述多个执行进程中是否存在状态异常的执行进程。
在一些可能的实现方式中，所述根据所述多个执行进程的当前运行状态信息，判断所述多个执行进程中是否存在状态异常的执行进程，包括：基于所述多个执行进程的当前运行状态信息，确定所述多个执行进程的状态统计信息；基于所述多个执行进程中每个执行进程的当前运行状态信息和所述状态统计信息之间的差异，判断所述多个执行进程中是否存在状态异常的执行进程。
在一些可能的实现方式中，所述方法还包括：在接收到所述多个执行进程中第一执行进程发送的异常报告的情况下，确定与所述第一执行进程在拓扑连接关系中邻接的第二执行进程；确定从所述多个执行进程中删除所述第二执行进程。
在一些可能的实现方式中，所述预设任务包括神经网络训练任务，所述在多个执行进程调用多个图形处理器GPU执行预设任务期间，调整所述多个执行进程，包括：在所述多个执行进程的同一迭代结束的情况下，阻塞所述多个执行进程的执行，直到所述调整后的多个执行进程接收到所述更新拓扑连接关系的信息。
在一些可能的实现方式中，所述方法还包括：将第三执行进程添加到所述预设任务对应的多个执行进程中；所述多个执行进程被配置为向所述第三执行进程发送所述多个执行进程得到的当前网络参数信息和当前网络参数更新信息。
在一些可能的实现方式中，所述方法还包括：在通过所述多个执行进程执行所述预设任务之前，获取所述预设任务对应的多个执行进程的进程信息；根据所述多个执行进程的进程信息，确定所述多个执行进程的初始拓扑连接关系。
在一些可能的实现方式中，所述进程信息包括：所述执行进程所在设备的IP地址、外围组件互连高速PCIE总线状态、英伟达互连NVLink总线状态、无限带宽Infiniband总线状态及网卡状态中的至少一种。
此外，本公开还提供了任务处理装置、电子设备、计算机可读存储介质、程序，上述均可用来实现本公开提供的任一种任务处理方法，相应技术方案和描述和参见方法部分的相应记载，不再赘述。
图6示出根据本公开实施例的任务处理装置的框图。如图6所示，所述装置应用于电子设备的中央处理器CPU，该装置包括：
进程调整模块61，用于在多个执行进程调用多个图形处理器GPU执行预设任务期间，调整所述多个执行进程；
第一连接关系确定模块62，用于基于所述调整后的多个执行进程的进程信息，确定所述调整后的多个执行进程之间的更新拓扑连接关系；
连接信息发送模块63，用于将所述更新拓扑连接关系的信息发送到所述调整后的多个执行进程。
在一些可能的实现方式中，所述装置还包括：第一调整模块，用于在接收到进程调整指令的情况下，确定调整所述预设任务对应的多个执行进程。
在一些可能的实现方式中，所述装置还包括：第二调整模块，用于在确定所述多个执行进程中存在状态异常的执行进程的情况下，确定调整所述预设任务对应的多个执行进程。
在一些可能的实现方式中，所述装置还包括：指令接收模块，用于接收来自于集群管理系统的进程异常指令，所述进程异常指令指示所述多个执行进程中存在状态异常的执行进程。
在一些可能的实现方式中，所述装置还包括：状态信息获取模块，用于获取所述多个执行进程的当前运行状态信息；异常判断模块，用于根据所述多个执行进程的当前运行状态信息，判断所述多个执行进程中是否存在状态异常的执行进程。
在一些可能的实现方式中，所述异常判断模块包括：第一判断子模块，用于通过比较所述多个执行进程的当前运行状态信息，和/或，通过比较所述多个执行进程中每个执行进程的当前运行状态信息与历史运行状态信息，判断所述多个执行进程中是否存在状态异常的执行进程。
在一些可能的实现方式中，所述异常判断模块包括：统计信息确定子模块，用于基于所述多个执行进程的当前运行状态信息，确定所述多个执行进程的状态统计信息；第二判断子模块，用于基于所述多个执行进程中每个执行进程的当前运行状态信息和所述状态统计信息之间的差异，判断所述多个执行进程中是否存在状态异常的执行进程。
在一些可能的实现方式中，所述装置还包括：邻接进程确实模块，用于在接收到所述多个执行进程中第一执行进程发送的异常报告的情况下，确定与所述第一执行进程在拓扑连接关系中邻接的第二执行进程；进程删除模块，用于确定从所述多个执行进程中删除所述第二执行进程。
在一些可能的实现方式中，所述预设任务包括神经网络训练任务，所述进程调整模块包括：进程阻塞子模块，用于在所述多个执行进程的同一迭代结束的情况下，阻塞所述多个执行进程的执行，直到所述调整后的多个执行进程接收到所述更新拓扑连接关系的信息。
在一些可能的实现方式中，所述装置还包括：进程添加模块，用于将第三执行进程添加到所述预设任务对应的多个执行进程中；所述多个执行进程被配置为向所述第三执行进程发送所述多个执行进程得到的当前网络参数信息和当前网络参数更新信息。
在一些可能的实现方式中，所述装置还包括：进程信息获取模块，用于在通过所述多个执行进程执行所述预设任务之前，获取所述预设任务对应的多个执行进程的进程信息；第二连接关系确定模块，用于根据所述多个执行进程的进程信息，确定所述多个执行进程的初始拓扑连接关系。
在一些可能的实现方式中，所述进程信息包括：所述执行进程所在设备的IP地址、外围组件互连高速PCIE总线状态、英伟达互连NVLink总线状态、无限带宽Infiniband总线状态及网卡状态中的至少一种。
在一些实施例中，本公开实施例提供的装置具有的功能或包含的模块可以用于执行上文方法实施例描述的方法，其具体实现可以参照上文方法实施例的描述，为了简洁，这里不再赘述。
本公开实施例还提出一种计算机可读存储介质，其上存储有计算机程序指令，所述计算机程序指令被处理器执行时实现上述方法。计算机可读存储介质可以是非易失性计算机可读存储介质。
本公开实施例还提出一种电子设备，包括：处理器；用于存储处理器可执行指令的存储器；其中，所述处理器被配置为调用所述存储器存储的指令，以执行上述方法。
本公开实施例还提供了一种计算机程序产品，包括计算机可读代码，当计算机可读代码在设备上运行时，设备中的处理器执行用于实现如上任一实施例提供的任务处理方法的指令。
本公开实施例还提供了另一种计算机程序产品，用于存储计算机可读指令，指令被执行时使得计算机执行上述任一实施例提供的任务处理方法的操作。
电子设备可以被提供为终端、服务器或其它形态的设备。
图7示出根据本公开实施例的一种电子设备800的框图。例如，电子设备800可以是移动电话，计算机，数字广播终端，消息收发设备，游戏控制台，平板设备，医疗设备，健身设备，个人数字助理等终端。
参照图7，电子设备800可以包括以下一个或多个组件：处理组件802，存储器804，电源组件806，多媒体组件808，音频组件810，输入/输出(I/O)的接口812，传感器组件814，以及通信组件816。
处理组件802通常控制电子设备800的整体操作，诸如与显示，电话呼叫，数据通信，相机操作和记录操作相关联的操作。处理组件802可以包括一个或多个处理器820来执行指令，以完成上述的方法的全部或部分步骤。此外，处理组件802可以包括一个或多个模块，便于处理组件802和其他组件之间的交互。例如，处理组件802可以包括多媒体模块，以方便多媒体组件808和处理组件802之间的交互。
存储器804被配置为存储各种类型的数据以支持在电子设备800的操作。这些数据的示例包括用于在电子设备800上操作的任何应用程序或方法的指令，联系人数据，电话簿数据，消息，图片，视频等。存储器804可以由任何类型的易失性或非易失性存储设备或者它们的组合实现，如静态随机存取存储器(SRAM)，电可擦除可编程只读存储器(EEPROM)，可擦除可编程只读存储器(EPROM)，可编程只读存储器(PROM)，只读存储器(ROM)，磁存储器，快闪存储器，磁盘或光盘。
电源组件806为电子设备800的各种组件提供电力。电源组件806可以包括电源管理系统，一个或多个电源，及其他与为电子设备800生成、管理和分配电力相关联的组件。
多媒体组件808包括在所述电子设备800和用户之间的提供一个输出接口的屏幕。在一些实施例中，屏幕可以包括液晶显示器(LCD)和触摸面板(TP)。如果屏幕包括触摸面板，屏幕可以被实现为触摸屏，以接收来自用户的输入信号。触摸面板包括一个或多个触摸传感器以感测触摸、滑动和触摸面板上的手势。所述触摸传感器可以不仅感测触摸或滑动动作的边界，而且还检测与所述触摸或滑动操作相关的持续时间和压力。在一些实施例中，多媒体组件808包括一个前置摄像头和/或后置摄像头。当电子设备800处于操作模式，如拍摄模式或视频模式时，前置摄像头和/或后置摄像头可以接收外部的多媒体数据。每个前置摄像头和后置摄像头可以是一个固定的光学透镜系统或具有焦距和光学变焦能力。
音频组件810被配置为输出和/或输入音频信号。例如，音频组件810包括一个麦克风(MIC)，当电子设备800处于操作模式，如呼叫模式、记录模式和语音识别模式时，麦克风被配置为接收外部音频信号。所接收的音频信号可以被进一步存储在存储器804或经由通信组件816发送。在一些实施例中，音频组件810还包括一个扬声器，用于输出音频信号。
I/O接口812为处理组件802和外围接口模块之间提供接口，上述外围接口模块可以是键盘，点击轮，按钮等。这些按钮可包括但不限于：主页按钮、音量按钮、启动按钮和锁定按钮。
传感器组件814包括一个或多个传感器，用于为电子设备800提供各个方面的状态评估。例如，传感器组件814可以检测到电子设备800的打开/关闭状态，组件的相对定位，例如所述组件为电子设备800的显示器和小键盘，传感器组件814还可以检测电子设备800或电子设备800一个组件的位置改变，用户与电子设备800接触的存在或不存在，电子设备800方位或加速/减速和电子设备800的温度变化。传感器组件814可以包括接近传感器，被配置用来在没有任何的物理接触时检测附近物体的存在。传感器组件814还可以包括光传感器，如CMOS或CCD图像传感器，用于在成像应用中使用。在一些实施例中，该传感器组件814还可以包括加速度传感器，陀螺仪传感器，磁传感器，压力传感器或温度传感器。
通信组件816被配置为便于电子设备800和其他设备之间有线或无线方式的通信。电子设备800可以接入基于通信标准的无线网络，如WiFi，2G或3G，或它们的组合。在一个示例性实施例中，通信组件816经由广播信道接收来自外部广播管理系统的广播信号或广播相关信息。在一个示例性实施例中，所述通信组件816还包括近场通信(NFC)模块，以促进短程通信。例如，在NFC模块可基于射频识别(RFID)技术，红外数据协会(IrDA)技术，超宽带(UWB)技术，蓝牙(BT)技术和其他技术来实现。
在示例性实施例中，电子设备800可以被一个或多个应用专用集成电路(ASIC)、数字信号处理器(DSP)、数字信号处理设备(DSPD)、可编程逻辑器件(PLD)、现场可编程门阵列(FPGA)、控制器、微控制器、微处理器或其他电子元件实现，用于执行上述方法。
在示例性实施例中，还提供了一种非易失性计算机可读存储介质，例如包括计算机程序指令的存储器804，上述计算机程序指令可由电子设备800的处理器820执行以完成上述方法。
图8示出根据本公开实施例的一种电子设备1900的框图。例如，电子设备1900可以被提供为一服务器。参照图8，电子设备1900包括处理组件1922，其进一步包括一个或多个处理器，以及由存储器1932所代表的存储器资源，用于存储可由处理组件1922的执行的指令，例如应用程序。存储器1932中存储的应用程序可以包括一个或一个以上的每一个对应于一组指令的模块。此外，处理组件1922被配置为执行指令，以执行上述方法。
电子设备1900还可以包括一个电源组件1926被配置为执行电子设备1900的电源管理，一个有线或无线网络接口1950被配置为将电子设备1900连接到网络，和一个输入输出(I/O)接口1958。电子设备1900可以操作基于存储在存储器1932的操作系统，例如Windows ServerTM，Mac OS XTM，UnixTM,LinuxTM，FreeBSDTM或类似。
在示例性实施例中，还提供了一种非易失性计算机可读存储介质，例如包括计算机程序指令的存储器1932，上述计算机程序指令可由电子设备1900的处理组件1922执行以完成上述方法。
本公开可以是系统、方法和/或计算机程序产品。计算机程序产品可以包括计算机可读存储介质，其上载有用于使处理器实现本公开的各个方面的计算机可读程序指令。
计算机可读存储介质可以是可以保持和存储由指令执行设备使用的指令的有形设备。计算机可读存储介质例如可以是――但不限于――电存储设备、磁存储设备、光存储设备、电磁存储设备、半导体存储设备或者上述的任意合适的组合。计算机可读存储介质的更具体的例子(非穷举的列表)包括：便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、静态随机存取存储器(SRAM)、便携式压缩盘只读存储器(CD-ROM)、数字多功能盘(DVD)、记忆棒、软盘、机械编码设备、例如其上存储有指令的打孔卡或凹槽内凸起结构、以及上述的任意合适的组合。这里所使用的计算机可读存储介质不被解释为瞬时信号本身，诸如无线电波或者其他自由传播的电磁波、通过波导或其他传输媒介传播的电磁波(例如，通过光纤电缆的光脉冲)、或者通过电线传输的电信号。
这里所描述的计算机可读程序指令可以从计算机可读存储介质下载到各个计算/处理设备，或者通过网络、例如因特网、局域网、广域网和/或无线网下载到外部计算机或外部存储设备。网络可以包括铜传输电缆、光纤传输、无线传输、路由器、防火墙、交换机、网关计算机和/或边缘服务器。每个计算/处理设备中的网络适配卡或者网络接口从网络接收计算机可读程序指令，并转发该计算机可读程序指令，以供存储在各个计算/处理设备中的计算机可读存储介质中。
用于执行本公开操作的计算机程序指令可以是汇编指令、指令集架构(ISA)指令、机器指令、机器相关指令、微代码、固件指令、状态设置数据、或者以一种或多种编程语言的任意组合编写的源代码或目标代码，所述编程语言包括面向对象的编程语言—诸如Smalltalk、C++等，以及常规的过程式编程语言—诸如“C”语言或类似的编程语言。计算机可读程序指令可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中，远程计算机可以通过任意种类的网络—包括局域网(LAN)或广域网(WAN)—连接到用户计算机，或者，可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。在一些实施例中，通过利用计算机可读程序指令的状态信息来个性化定制电子电路，例如可编程逻辑电路、现场可编程门阵列(FPGA)或可编程逻辑阵列(PLA)，该电子电路可以执行计算机可读程序指令，从而实现本公开的各个方面。
这里参照根据本公开实施例的方法、装置(系统)和计算机程序产品的流程图和/或框图描述了本公开的各个方面。应当理解，流程图和/或框图的每个方框以及流程图和/或框图中各方框的组合，都可以由计算机可读程序指令实现。
这些计算机可读程序指令可以提供给通用计算机、专用计算机或其它可编程数据处理装置的处理器，从而生产出一种机器，使得这些指令在通过计算机或其它可编程数据处理装置的处理器执行时，产生了实现流程图和/或框图中的一个或多个方框中规定的功能/动作的装置。也可以把这些计算机可读程序指令存储在计算机可读存储介质中，这些指令使得计算机、可编程数据处理装置和/或其他设备以特定方式工作，从而，存储有指令的计算机可读介质则包括一个制造品，其包括实现流程图和/或框图中的一个或多个方框中规定的功能/动作的各个方面的指令。
也可以把计算机可读程序指令加载到计算机、其它可编程数据处理装置、或其它设备上，使得在计算机、其它可编程数据处理装置或其它设备上执行一系列操作步骤，以产生计算机实现的过程，从而使得在计算机、其它可编程数据处理装置、或其它设备上执行的指令实现流程图和/或框图中的一个或多个方框中规定的功能/动作。
附图中的流程图和框图显示了根据本公开的多个实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段或指令的一部分，所述模块、程序段或指令的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。在有些作为替换的实现中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个连续的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或动作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。
该计算机程序产品可以具体通过硬件、软件或其结合的方式实现。在一个可选实施例中，所述计算机程序产品具体体现为计算机存储介质，在另一个可选实施例中，计算机程序产品具体体现为软件产品，例如软件开发包(Software Development Kit，SDK)等等。
以上已经描述了本公开的各实施例，上述说明是示例性的，并非穷尽性的，并且也不限于所披露的各实施例。在不偏离所说明的各实施例的范围和精神的情况下，对于本技术领域的普通技术人员来说许多修改和变更都是显而易见的。本文中所用术语的选择，旨在最好地解释各实施例的原理、实际应用或对市场中的技术的改进，或者使本技术领域的其它普通技术人员能理解本文披露的各实施例。
Claims (32)
1.一种任务处理系统，其特征在于，所述系统包括多个中央处理器CPU以及多个图形处理器GPU，所述多个CPU中的第一CPU用于运行管理进程，所述多个CPU中的多个第二CPU用于运行多个执行进程，所述多个执行进程调用所述多个GPU执行预设任务，所述管理进程被配置为：
管理所述预设任务对应的多个执行进程和/或所述多个执行进程之间的拓扑连接关系；
其中，所述管理进程还被配置为：
获取所述多个执行进程的当前运行状态信息，其中，任意一个执行进程的当前运行状态信息包括该执行进程所调用的GPU的当前运行状态信息；
根据所述多个执行进程的当前运行状态信息，判断所述多个执行进程中是否存在状态异常的执行进程；
在确定所述多个执行进程中存在状态异常的执行进程的情况下，确定调整所述预设任务对应的多个执行进程；
所述根据所述多个执行进程的当前运行状态信息，判断所述多个执行进程中是否存在状态异常的执行进程，包括：
通过比较所述多个执行进程的当前运行状态信息，和/或，通过比较所述多个执行进程中每个执行进程的当前运行状态信息与历史运行状态信息，判断所述多个执行进程中是否存在状态异常的执行进程。
2.根据权利要求1所述的系统，其特征在于，所述管理进程管理所述预设任务对应的多个执行进程，包括：
在所述多个执行进程的运行期间，调整所述预设任务对应的多个执行进程。
3.根据权利要求2所述的系统，其特征在于，所述管理进程调整所述预设任务对应的多个执行进程，包括：
确定所述预设任务对应的调整后的多个执行进程；
基于所述调整后的多个执行进程的进程信息，确定所述调整后的多个执行进程之间的更新拓扑连接关系；
将所述更新拓扑连接关系的信息发送到所述调整后的多个执行进程。
4.根据权利要求1至3中任一项所述的系统，其特征在于，所述管理进程还被配置为：
在接收到进程调整指令的情况下，确定调整所述预设任务对应的多个执行进程。
5.根据权利要求1所述的系统，其特征在于，所述管理进程还被配置为：
接收来自于集群管理系统的进程异常指令，所述进程异常指令指示所述多个执行进程中存在状态异常的执行进程。
6.根据权利要求1所述的系统，其特征在于，所述管理进程根据所述多个执行进程的当前运行状态信息，判断所述多个执行进程中是否存在状态异常的执行进程，包括：
基于所述多个执行进程的当前运行状态信息，确定所述多个执行进程的状态统计信息；
基于所述多个执行进程中每个执行进程的当前运行状态信息和所述状态统计信息之间的差异，判断所述多个执行进程中是否存在状态异常的执行进程。
7.根据权利要求1至3中任一项所述的系统，其特征在于，所述多个CPU中的第三CPU用于运行监控进程，所述监控进程被配置为：
获取系统运行参数，所述系统运行参数至少包括所述多个执行进程的运行参数；
向所述管理进程和/或集群管理系统发送所述系统运行参数，其中，所述系统运行参数用于确定所述多个执行进程中是否存在状态异常的执行进程。
8.根据权利要求1至3中任一项所述的系统，其特征在于，所述管理进程还被配置为：
在接收到所述多个执行进程中第一执行进程发送的异常报告的情况下，确定与所述第一执行进程在拓扑连接关系中邻接的第二执行进程；
确定从所述多个执行进程中删除所述第二执行进程。
9.根据权利要求3所述的系统，其特征在于，所述预设任务包括神经网络训练任务，所述管理进程在所述多个执行进程的运行期间，调整所述预设任务对应的多个执行进程，包括：
在所述多个执行进程的同一迭代结束的情况下，阻塞所述多个执行进程的执行，直到所述调整后的多个执行进程接收到所述更新拓扑连接关系的信息。
10.根据权利要求1至3中任意一项所述的系统，其特征在于，所述管理进程被配置为：
将第三执行进程添加到所述预设任务对应的多个执行进程中；
所述多个执行进程被配置为向所述第三执行进程发送所述多个执行进程得到的当前网络参数信息和当前网络参数更新信息。
11.根据权利要求1至3中任意一项所述的系统，其特征在于，所述管理进程还被配置为：
在通过所述多个执行进程执行所述预设任务之前，获取所述预设任务对应的多个执行进程的进程信息；
根据所述多个执行进程的进程信息，确定所述多个执行进程的初始拓扑连接关系。
12.根据权利要求11所述的系统，其特征在于，所述进程信息包括：所述执行进程所在设备的IP地址、外围组件互连高速PCIE总线状态、英伟达互连NVLink总线状态、无限带宽Infiniband总线状态及网卡状态中的至少一种。
13.一种任务处理方法，其特征在于，应用于电子设备的中央处理器CPU，所述方法包括：
在多个执行进程调用多个图形处理器GPU执行预设任务期间，调整所述多个执行进程；
基于所述调整后的多个执行进程的进程信息，确定所述调整后的多个执行进程之间的更新拓扑连接关系；
将所述更新拓扑连接关系的信息发送到所述调整后的多个执行进程；
其中，所述方法还包括：
获取所述多个执行进程的当前运行状态信息，其中，任意一个执行进程的当前运行状态信息包括该执行进程所调用的GPU的当前运行状态信息；
根据所述多个执行进程的当前运行状态信息，判断所述多个执行进程中是否存在状态异常的执行进程；
在确定所述多个执行进程中存在状态异常的执行进程的情况下，确定调整所述预设任务对应的多个执行进程；
所述根据所述多个执行进程的当前运行状态信息，判断所述多个执行进程中是否存在状态异常的执行进程，包括：
通过比较所述多个执行进程的当前运行状态信息，和/或，通过比较所述多个执行进程中每个执行进程的当前运行状态信息与历史运行状态信息，判断所述多个执行进程中是否存在状态异常的执行进程。
14.根据权利要求13所述的方法，其特征在于，所述方法还包括：
在接收到进程调整指令的情况下，确定调整所述预设任务对应的多个执行进程。
15.根据权利要求13所述的方法，其特征在于，所述方法还包括：
接收来自于集群管理系统的进程异常指令，所述进程异常指令指示所述多个执行进程中存在状态异常的执行进程。
16.根据权利要求13所述的方法，其特征在于，所述根据所述多个执行进程的当前运行状态信息，判断所述多个执行进程中是否存在状态异常的执行进程，包括：
基于所述多个执行进程的当前运行状态信息，确定所述多个执行进程的状态统计信息；
基于所述多个执行进程中每个执行进程的当前运行状态信息和所述状态统计信息之间的差异，判断所述多个执行进程中是否存在状态异常的执行进程。
17.根据权利要求13所述的方法，其特征在于，所述方法还包括：
在接收到所述多个执行进程中第一执行进程发送的异常报告的情况下，确定与所述第一执行进程在拓扑连接关系中邻接的第二执行进程；
确定从所述多个执行进程中删除所述第二执行进程。
18.根据权利要求13所述的方法，其特征在于，所述预设任务包括神经网络训练任务，所述在多个执行进程调用多个图形处理器GPU执行预设任务期间，调整所述多个执行进程，包括：
在所述多个执行进程的同一迭代结束的情况下，阻塞所述多个执行进程的执行，直到所述调整后的多个执行进程接收到所述更新拓扑连接关系的信息。
19.根据权利要求13至18中任意一项所述的方法，其特征在于，所述方法还包括：
将第三执行进程添加到所述预设任务对应的多个执行进程中；
所述多个执行进程被配置为向所述第三执行进程发送所述多个执行进程得到的当前网络参数信息和当前网络参数更新信息。
20.根据权利要求13至18中任意一项所述的方法，其特征在于，所述方法还包括：
在通过所述多个执行进程执行所述预设任务之前，获取所述预设任务对应的多个执行进程的进程信息；
根据所述多个执行进程的进程信息，确定所述多个执行进程的初始拓扑连接关系。
21.根据权利要求20所述的方法，其特征在于，所述进程信息包括：所述执行进程所在设备的IP地址、外围组件互连高速PCIE总线状态、英伟达互连NVLink总线状态、无限带宽Infiniband总线状态及网卡状态中的至少一种。
22.一种任务处理装置，其特征在于，应用于电子设备的中央处理器CPU，所述装置包括：
进程调整模块，用于在多个执行进程调用多个图形处理器GPU执行预设任务期间，调整所述多个执行进程；
第一连接关系确定模块，用于基于所述调整后的多个执行进程的进程信息，确定所述调整后的多个执行进程之间的更新拓扑连接关系；
连接信息发送模块，用于将所述更新拓扑连接关系的信息发送到所述调整后的多个执行进程；
其中，所述装置还包括：
状态信息获取模块，用于获取所述多个执行进程的当前运行状态信息，其中，任意一个执行进程的当前运行状态信息包括该执行进程所调用的GPU的当前运行状态信息；
异常判断模块，用于根据所述多个执行进程的当前运行状态信息，判断所述多个执行进程中是否存在状态异常的执行进程；
第二调整模块，用于在确定所述多个执行进程中存在状态异常的执行进程的情况下，确定调整所述预设任务对应的多个执行进程；
所述异常判断模块包括：
第一判断子模块，用于通过比较所述多个执行进程的当前运行状态信息，和/或，通过比较所述多个执行进程中每个执行进程的当前运行状态信息与历史运行状态信息，判断所述多个执行进程中是否存在状态异常的执行进程。
23.根据权利要求22所述的装置，其特征在于，所述装置还包括：
第一调整模块，用于在接收到进程调整指令的情况下，确定调整所述预设任务对应的多个执行进程。
24.根据权利要求22所述的装置，其特征在于，所述装置还包括：
指令接收模块，用于接收来自于集群管理系统的进程异常指令，所述进程异常指令指示所述多个执行进程中存在状态异常的执行进程。
25.根据权利要求22所述的装置，其特征在于，所述异常判断模块包括：
统计信息确定子模块，用于基于所述多个执行进程的当前运行状态信息，确定所述多个执行进程的状态统计信息；
第二判断子模块，用于基于所述多个执行进程中每个执行进程的当前运行状态信息和所述状态统计信息之间的差异，判断所述多个执行进程中是否存在状态异常的执行进程。
26.根据权利要求22所述的装置，其特征在于，所述装置还包括：
邻接进程确实模块，用于在接收到所述多个执行进程中第一执行进程发送的异常报告的情况下，确定与所述第一执行进程在拓扑连接关系中邻接的第二执行进程；
进程删除模块，用于确定从所述多个执行进程中删除所述第二执行进程。
27.根据权利要求22所述的装置，其特征在于，所述预设任务包括神经网络训练任务，所述进程调整模块包括：
进程阻塞子模块，用于在所述多个执行进程的同一迭代结束的情况下，阻塞所述多个执行进程的执行，直到所述调整后的多个执行进程接收到所述更新拓扑连接关系的信息。
28.根据权利要求22至27中任意一项所述的装置，其特征在于，所述装置还包括：
进程添加模块，用于将第三执行进程添加到所述预设任务对应的多个执行进程中；
所述多个执行进程被配置为向所述第三执行进程发送所述多个执行进程得到的当前网络参数信息和当前网络参数更新信息。
29.根据权利要求22至27中任意一项所述的装置，其特征在于，所述装置还包括：
进程信息获取模块，用于在通过所述多个执行进程执行所述预设任务之前，获取所述预设任务对应的多个执行进程的进程信息；
第二连接关系确定模块，用于根据所述多个执行进程的进程信息，确定所述多个执行进程的初始拓扑连接关系。
30.根据权利要求29所述的装置，其特征在于，所述进程信息包括：所述执行进程所在设备的IP地址、外围组件互连高速PCIE总线状态、英伟达互连NVLink总线状态、无限带宽Infiniband总线状态及网卡状态中的至少一种。
31.一种电子设备，其特征在于，包括：
处理器；
用于存储处理器可执行指令的存储器；
其中，所述处理器被配置为调用所述存储器存储的指令，以执行权利要求13至21中任意一项所述的方法。
32.一种计算机可读存储介质，其上存储有计算机程序指令，其特征在于，所述计算机程序指令被处理器执行时实现权利要求13至21中任意一项所述的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201911135624.3A CN112905331B (zh) | 2019-11-19 | 2019-11-19 | 任务处理系统、方法及装置、电子设备和存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201911135624.3A CN112905331B (zh) | 2019-11-19 | 2019-11-19 | 任务处理系统、方法及装置、电子设备和存储介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN112905331A CN112905331A (zh) | 2021-06-04 |
| CN112905331B true CN112905331B (zh) | 2024-06-07 |
Family
ID=76103468
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201911135624.3A Active CN112905331B (zh) | 2019-11-19 | 2019-11-19 | 任务处理系统、方法及装置、电子设备和存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112905331B (zh) |
Families Citing this family (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113626368B (zh) * | 2021-06-30 | 2023-07-25 | 苏州浪潮智能科技有限公司 | 一种人工智能的数据处理方法及相关装置 |
| CN113268356B (zh) * | 2021-07-20 | 2021-10-29 | 西安芯瞳半导体技术有限公司 | 基于LINUX系统的多GPU板卡bounding的系统、方法及介质 |
| CN113590361A (zh) * | 2021-08-04 | 2021-11-02 | 中科曙光国际信息产业有限公司 | 虚拟进程拓扑方法、装置、计算机设备和存储介质 |
| CN113656175B (zh) * | 2021-08-18 | 2022-07-08 | 北京百度网讯科技有限公司 | 基于分布式系统训练模型的方法及设备 |
| CN118312281A (zh) * | 2022-12-30 | 2024-07-09 | 华为云计算技术有限公司 | 任务调度方法及云平台 |
Citations (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101697198A (zh) * | 2009-10-28 | 2010-04-21 | 浪潮电子信息产业股份有限公司 | 一种动态调整单一计算机系统内活动处理器数量的方法 |
| CN105573824A (zh) * | 2014-10-10 | 2016-05-11 | 腾讯科技（深圳）有限公司 | 分布式计算系统的监控方法及系统 |
| CN107479954A (zh) * | 2017-07-31 | 2017-12-15 | 广东欧珀移动通信有限公司 | 进程管理方法、装置、存储介质及电子设备 |
| CN108734286A (zh) * | 2017-04-24 | 2018-11-02 | 英特尔公司 | 在推断期间中对图形处理器的协调和增加利用 |
| CN108847988A (zh) * | 2018-06-29 | 2018-11-20 | 百度在线网络技术（北京）有限公司 | 动态拓扑维护方法、装置及设备 |
| CN108845970A (zh) * | 2018-05-30 | 2018-11-20 | 郑州云海信息技术有限公司 | 一种自由切换gpu服务器拓扑的装置及方法 |
| CN109714328A (zh) * | 2018-12-24 | 2019-05-03 | 网易（杭州）网络有限公司 | 游戏集群的容量调整方法和装置 |
| CN109725916A (zh) * | 2017-10-31 | 2019-05-07 | 北京国双科技有限公司 | 流处理的拓扑结构更新系统和方法 |
| CN109814998A (zh) * | 2019-01-22 | 2019-05-28 | 中国联合网络通信集团有限公司 | 一种多进程任务调度的方法及装置 |
| CN109933465A (zh) * | 2019-03-12 | 2019-06-25 | 北京同城必应科技有限公司 | 异常处理方法、装置、服务器和存储介质 |
| CN110213073A (zh) * | 2018-04-20 | 2019-09-06 | 腾讯科技（深圳）有限公司 | 数据流向变更方法、电子设备、计算节点及存储介质 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US10310908B2 (en) * | 2016-08-19 | 2019-06-04 | International Business Machines Corporation | Dynamic usage balance of central processing units and accelerators |
-
2019
- 2019-11-19 CN CN201911135624.3A patent/CN112905331B/zh active Active
Patent Citations (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101697198A (zh) * | 2009-10-28 | 2010-04-21 | 浪潮电子信息产业股份有限公司 | 一种动态调整单一计算机系统内活动处理器数量的方法 |
| CN105573824A (zh) * | 2014-10-10 | 2016-05-11 | 腾讯科技（深圳）有限公司 | 分布式计算系统的监控方法及系统 |
| CN108734286A (zh) * | 2017-04-24 | 2018-11-02 | 英特尔公司 | 在推断期间中对图形处理器的协调和增加利用 |
| CN107479954A (zh) * | 2017-07-31 | 2017-12-15 | 广东欧珀移动通信有限公司 | 进程管理方法、装置、存储介质及电子设备 |
| CN109725916A (zh) * | 2017-10-31 | 2019-05-07 | 北京国双科技有限公司 | 流处理的拓扑结构更新系统和方法 |
| CN110213073A (zh) * | 2018-04-20 | 2019-09-06 | 腾讯科技（深圳）有限公司 | 数据流向变更方法、电子设备、计算节点及存储介质 |
| CN108845970A (zh) * | 2018-05-30 | 2018-11-20 | 郑州云海信息技术有限公司 | 一种自由切换gpu服务器拓扑的装置及方法 |
| CN108847988A (zh) * | 2018-06-29 | 2018-11-20 | 百度在线网络技术（北京）有限公司 | 动态拓扑维护方法、装置及设备 |
| CN109714328A (zh) * | 2018-12-24 | 2019-05-03 | 网易（杭州）网络有限公司 | 游戏集群的容量调整方法和装置 |
| CN109814998A (zh) * | 2019-01-22 | 2019-05-28 | 中国联合网络通信集团有限公司 | 一种多进程任务调度的方法及装置 |
| CN109933465A (zh) * | 2019-03-12 | 2019-06-25 | 北京同城必应科技有限公司 | 异常处理方法、装置、服务器和存储介质 |
Non-Patent Citations (1)
| Title |
|---|
| 多CPU+多GPU协同计算的三维泊松方程求解;张明;顾乃杰;陈露;;小型微型计算机系统(04);全文 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN112905331A (zh) | 2021-06-04 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN112905331B (zh) | 任务处理系统、方法及装置、电子设备和存储介质 | |
| US10691319B2 (en) | Instant-messaging-based picture sending method and device | |
| KR101612390B1 (ko) | 호스트 디바이스의 능력들의 증강 | |
| CN108063773B (zh) | 一种基于移动边缘计算的应用服务接入方法及装置 | |
| CN113032112A (zh) | 资源调度方法及装置、电子设备和存储介质 | |
| CN111581174A (zh) | 基于分布式集群系统的资源管理方法及装置 | |
| CN114138439A (zh) | 任务调度方法及装置、电子设备和存储介质 | |
| CN112486658B (zh) | 一种任务调度方法、装置和用于任务调度的装置 | |
| CN113312103A (zh) | 智能摄像机的软件定义方法及装置、电子设备和存储介质 | |
| CN107562500B (zh) | 调试装置、方法及设备 | |
| CN111913850B (zh) | 数据异常检测方法、装置、设备和存储介质 | |
| CN112839065B (zh) | 信息处理方法、装置、第一设备及存储介质 | |
| CN111694571B (zh) | 编译方法及装置 | |
| CN111290843A (zh) | 进程管理方法及装置 | |
| CN112770415B (zh) | 关于无线热点的信息处理方法和装置 | |
| CN114981839B (zh) | 一种模型传输方法、模型传输装置及存储介质 | |
| CN111984423B (zh) | 一种运行深度学习模型的方法、装置及介质 | |
| CN113691526A (zh) | 基于WebRTC的推流方法、装置、系统、设备和介质 | |
| CN112416580A (zh) | 确定应用运行时最佳资源配置方式的方法、装置及介质 | |
| CN115391018B (zh) | 任务调度方法、装置和设备 | |
| US11983314B2 (en) | User interface reconfiguration in view of image capture device location | |
| CN117093052B (zh) | 时钟信号传输方法、装置、设备及介质 | |
| CN114912522B (zh) | 信息分类方法和装置 | |
| CN114116590B (zh) | 数据获取方法、装置、车辆、存储介质和电子设备 | |
| CN113014955B (zh) | 视频帧处理方法、装置、电子设备和计算机可读存储介质 |
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 | ||
| CB03 | Change of inventor or designer information | ||
| CB03 | Change of inventor or designer information |
Inventor after: Wang Yuanbo Inventor after: Xie Lei Inventor after: Yan Shengen Inventor after: Zhang Xingcheng Inventor before: Wang Yuanbo Inventor before: Xie Lei Inventor before: Yan Shengen Inventor before: Zhai Jidong Inventor before: Zhang Xingcheng |
|
| GR01 | Patent grant |