CN113051053B - 异构资源调度方法、装置、设备和计算机可读存储介质 - Google Patents

异构资源调度方法、装置、设备和计算机可读存储介质 Download PDF

Info

Publication number
CN113051053B
CN113051053B CN202110313443.6A CN202110313443A CN113051053B CN 113051053 B CN113051053 B CN 113051053B CN 202110313443 A CN202110313443 A CN 202110313443A CN 113051053 B CN113051053 B CN 113051053B
Authority
CN
China
Prior art keywords
heterogeneous
overall general
general task
resources
hardware
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
CN202110313443.6A
Other languages
English (en)
Other versions
CN113051053A (zh
Inventor
齐文
李劲
郭玮
苏力强
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.)
Bohan Intelligent Shenzhen Co ltd
Original Assignee
Bohan Intelligent Shenzhen 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 Bohan Intelligent Shenzhen Co ltd filed Critical Bohan Intelligent Shenzhen Co ltd
Priority to CN202110313443.6A priority Critical patent/CN113051053B/zh
Publication of CN113051053A publication Critical patent/CN113051053A/zh
Application granted granted Critical
Publication of CN113051053B publication Critical patent/CN113051053B/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
    • G06F9/48—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
    • G06F9/4881—Scheduling strategies for dispatcher, e.g. round robin, multi-level priority queues
    • 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
    • G06F9/5011—Allocation of resources, e.g. of the central processing unit [CPU] to service a request the resources being hardware resources other than CPUs, Servers and Terminals
    • 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
    • G06F9/5038—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 considering the execution order of a plurality of tasks, e.g. taking priority or time dependency constraints into consideration
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2209/00—Indexing scheme relating to G06F9/00
    • G06F2209/48—Indexing scheme relating to G06F9/48
    • G06F2209/484—Precedence
    • 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
    • G06F2209/5021—Priority
    • 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)
  • Stored Programmes (AREA)

Abstract

本申请涉及人工智能领域，提供了异构资源调度方法、设备和计算机可读存储介质，以打通异构资源的隔离，平衡使用AI平台的异构资源。所述方法包括：通过深度学习框架统一接口接收总体通用任务；基于异构硬件架构中各异构硬件单元的资源特征，确定执行总体通用任务的调度策略；基于确定出的调度策略，将总体通用任务所包含的各个子任务通过统一的硬件抽象与应用编程接口分发至适配的异构硬件单元执行。由于总体通用任务是通过深度学习框架统一接口接收，并且，其子任务通过统一的硬件抽象与应用编程接口分发，因此，本申请的技术方案可以兼容不同的硬件(芯片)，屏蔽了异构硬件单元的差异，从而打通异构资源的隔离，各种任务平衡使用AI平台的资源。

Description

异构资源调度方法、装置、设备和计算机可读存储介质
技术领域
本发明涉及人工智能领域，特别涉及一种异构资源调度方法、装置、设备和计算机可读存储介质。
背景技术
随着人工智能(Artificial Intelligence，AI)的飞速发展，AI技术逐渐应用到与人们生活密切相关的领域。AI平台配置有各种资源，这些资源用于完成各种类型的任务。
基于各方面的考虑，AI平台并非只有一种类型的资源可供调用，换言之，AI平台具有各种不同类型的资源，例如图形处理器、神经网络处理器等，这些资源之间互相异构即相互之间成为异构资源。当用户向AI平台提交任务时，实际是由用户决定使用哪种资源类型，例如，用户提交的是图像识别类的任务，则可能倾向于调度图形处理器。
显然，上述异构资源之间是互相隔离的，此外，异构资源的需求并不平衡，在调度这些异构资源调度时，可能存在某种特定资源近乎耗尽，而其他资源则大量闲置。
发明内容
本申请提供一种异构资源调度方法、装置、设备和计算机可读存储介质，以打通异构资源的隔离，平衡使用AI平台的异构资源。
一方面，本申请提供了一种异构资源调度方法，包括：
通过深度学习框架统一接口接收总体通用任务；
基于异构硬件架构中各异构硬件单元的资源特征，确定执行所述总体通用任务的调度策略；
基于所述调度策略，将所述总体通用任务所包含的各个子任务通过统一的硬件抽象与应用编程接口分发至适配的异构硬件单元执行。
另一方面，本申请提供了一种异构资源调度装置，包括：
接收模块，用于通过深度学习框架统一接口接收总体通用任务；
确定模块，用于基于异构硬件架构中各异构硬件单元的资源特征，确定执行所述总体通用任务的调度策略；
分发模块，用于基于所述调度策略，将所述总体通用任务所包含的各个子任务通过统一的硬件抽象与应用编程接口分发至适配的异构硬件单元执行。
第三方面，本申请提供了一种设备，所述设备包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现如上述异构资源调度方法的技术方案的步骤。
第四方面，本申请提供了一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时实现如上述异构资源调度方法的技术方案的步骤。
从上述本申请提供的技术方案可知，通过深度学习框架统一接口接收总体通用任务，基于异构硬件架构中各异构硬件单元的资源特征，确定执行总体通用任务的调度策略，然后，基于确定出的调度策略，将总体通用任务所包含的各个子任务通过统一的硬件抽象与应用编程接口分发至适配的异构硬件单元执行。由于总体通用任务是通过深度学习框架统一接口接收，并且，其子任务通过统一的硬件抽象与应用编程接口分发，因此，可以兼容不同的硬件(芯片)，屏蔽了异构硬件单元的差异，从而打通异构资源的隔离，各种任务平衡使用AI平台的资源。
附图说明
为了更清楚地说明本申请实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本申请的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1是本申请实施例提供的异构资源调度方法的流程图；
图2是本申请实施例提供的异构资源调度装置的结构示意图；
图3是本申请另一实施例提供的异构资源调度装置的结构示意图；
图4是本申请实施例提供的设备的结构示意图。
具体实施方式
下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，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，都属于本申请保护的范围。
在本说明书中，诸如第一和第二这样的形容词仅可以用于将一个元素或动作与另一元素或动作进行区分，而不必要求或暗示任何实际的这种关系或顺序。在环境允许的情况下，参照元素或部件或步骤(等)不应解释为局限于仅元素、部件、或步骤中的一个，而可以是元素、部件、或步骤中的一个或多个等。
在本说明书中，为了便于描述，附图中所示的各个部分的尺寸并不是按照实际的比例关系绘制的。
本申请提出了一种异构资源调度方法。如附图1所示，异构资源调度方法主要包括步骤S101至S103，详述如下：
步骤S101：通过深度学习框架统一接口接收总体通用任务。
考虑到TensorFlow和PyTorch等深度学习框架，其接口并不一致，利于方便用户学习和使用，在本申请实施例中，可以统一封装各个深度学习框架的访问接口，例如，可以通过借助Shell语言中的流程控制语句，使用一个Shell脚本作为整个系统的使用入口，根据用户输入的不同参数来选择应当启动哪个框架、执行哪些功能以及设定哪些参数，从而屏蔽各深度学习框架间不同的调用接口，向用户提供一个统一且经过精简的访问方式，极大地方便了用户的学习和使用。通过封装的深度学习框架统一接口，接收总体通用任务。所谓总体通用任务，是指接收的这些任务均通过预设的规则或统一的格式进行描述，屏蔽了各个任务之间在格式描述上的差异，以便能够通过封装的深度学习框架统一接口处理。这些总体通用任务被接收后，存放在AI平台的任务队列中。
步骤S102：基于异构硬件架构中各异构硬件单元的资源特征，确定执行总体通用任务的调度策略。
一般而言，硬件单元的资源特征，例如，中央处理器的类型(例如，是普通的中央处理器CPU、图形处理器GPU、现场可编程门阵列FPGA、专用集成电路ASIC还是神经网络处理器NPU，等等)及其频率、内存大小和带宽大小，等等，很大程度上决定了该硬件单元的算力特征。这也意味着，异构硬件架构中各异构硬件单元的资源特征的不同，理应采用不同的调度策略给这些硬件单元分配任务。因此，当通过深度学习框架统一接口接收到总体通用任务后，可以基于异构硬件架构中各异构硬件单元的资源特征，确定执行所述总体通用任务的调度策略。
作为本申请一个实施例，基于异构硬件架构中各异构硬件单元的资源特征，确定执行总体通用任务的调度策略可以通过步骤Sa1021至步骤Sa1023实现，说明如下：
步骤Sa1021：分析完成总体通用任务所需的各资源类型的资源量，为完成总体通用任务所需的各资源类型分配资源权重。
例如，可以分析完成总体通用任务所需的计算资源的资源量、通信资源的资源量和数据资源的资源量等，根据经验预先确定各种不同资源类型对应的权重，例如，请求业务类型、计算量资源等对应权重可较大。
步骤Sa1022：根据各资源类型的资源量和各资源类型的资源权重，计算完成总体通用任务所需总资源量。
具体地，可以通过将各资源量乘以其各自权重再求和，得到完成总体通用任务所需总资源量。
步骤Sa1023：以总体通用任务在不同的异构硬件单元上的执行性能为优化目标，结合完成总体通用任务所需总资源量生成调度策略。
在本申请实施例中，可以生成多种候选调度策略，以总体通用任务在不同的异构硬件单元上的执行性能为优化目标，结合完成总体通用任务所需总资源量，从生成的多种候选调度策略选择出一种调度策略，作为最终生成的调度策略。
作为本申请一个实施例，基于异构硬件架构中各异构硬件单元的资源特征，确定执行总体通用任务的调度策略可以通过步骤Sb1021和步骤Sb1022实现，说明如下：
步骤Sb1021：根据总体通用任务的标识信息，遍历经验信息数据库中总体通用任务对应的多组历史运行信息，其中，历史运行信息包括历史执行成本和历史执行成本对应的算法标识信息。
在本申请实施例中，经验信息数据库保存了任务的历史运行信息，例如，任务的标识信息、最小完成时间、最大完成时间、估计完成时间、映射输出数据大小、执行周期、等待时间、内存单元数、CPU单元数、磁盘单元数、重试次数和估计资源使用量等。可以总体通用任务的标识信息为索引，在经验信息数据库中遍历该总体通用任务对应的多组历史运行信息。
步骤Sb1022：计算各异构硬件单元按照其资源特征执行总体通用任务时对应的多组历史执行成本的方差值，将方差值最小的历史执行成本对应的调度策略确定为执行总体通用任务的调度策略。
具体地，确定出的调度策略可以是通过对异构硬件架构中各异构硬件单元的优先级别进行排序来构造一个调度列表，从调度列表中顺序取出一个硬件单元，并将该硬件单元分配到使它的启动时间最早的处理机器上；还可以是计算出每个总体通用任务在可用资源中能完成的时间，使用最贴近的资源优先调度给最小执行时间的总体通用任务；当然，还可以是计算出每个总体通用任务在可用资源中能完成的时间，使用最贴近的资源优先调度给最大执行时间的总体通用任务；还可以是优先将资源调度给备选资源运行时间与首选资源运行时间相差很大的任务，等等。
作为本申请另一实施例，基于异构硬件架构中各异构硬件单元的资源特征，确定执行总体通用任务的调度策略可以通过步骤Sc1021至步骤Sc1023实现，说明如下：
步骤Sc1021：根据总体通用任务所包含的各个子任务的热度，确定各个子任务的加权热度Tw。
在本申请实施例中，总体通用任务是由各个子任务组成。需要说明的是，本申请实施例中的AI平台同时集成通用处理器(General Purpose Processor，GPP)，比如中央处理器(Central Processing Unit，CPU)以及现场可编程门阵列(Field Programmable GateArrays，FPGA)、NPU和GPU等多种核心的计算系统，其中，FPGA具有可重配的硬件特性。具体而言，AI平台的异构特征具体体现于，计算模块的功能单元的动态变化状态，例如针对物理芯片上集成的用来完成第一功能的第一IP核，将其更换为用于完成第二功能的第二IP核，则为可重配。一个子任务的热度表征了该子任务在此前一段时间内对硬件单元的占有率，其中，此处的提到的此前一段时间例如可以是可重配资源上次发生知识产权(Intellectual Property，IP)核配置的时刻到当前时刻之间的时间段。
步骤Sc1022：根据各异构硬件单元的资源特征，确定各异构硬件单元的可重配资源的使用率Up。
需要说明的是，可重配资源指的是AI平台上的可重配的硬件资源，具体来说，指的是物理芯片上集成的FPGA逻辑资源，该FPGA具有可重配的硬件特性。异构硬件单元的可重配资源的使用率Up是根据AI平台上布局的所有IP核(这些布局的IP核不用于执行当前待执行的目标任务)的使用率来确定，其中，一个IP核的使用率用于表征从可重配资源上次发生IP核配置的时刻到当前时刻之间的时间段，该IP核执行该第i个IP核的对应任务(该IP核能够执行的功能所对应的任务)的次数。
步骤Sc1023：根据各个子任务的加权热度Tw和逻辑资源的使用率Up，确定执行总体通用任务的调度策略。
具体地，根据各个子任务的加权热度Tw和逻辑资源的使用率Up，确定执行总体通用任务的调度策略可以是：当确定各个子任务的加权热度Tw不小于Up与k的乘积时，确定调度异构硬件单元执行各个子任务，其中，k为AI平台的重配置系数，用于指示所述异构硬件单元的重配置开销；当确定各个子任务的加权热度Tw小于Up与k的乘积时，确定以软件方式执行各个子任务。
步骤S103：基于调度策略，将总体通用任务所包含的各个子任务通过统一的硬件抽象与应用编程接口分发至适配的异构硬件单元执行。
在本申请实施例中，硬件抽象与应用编程接口由硬件抽象层提供，硬件抽象层对异构硬件单元进行统一抽象，并通过通信层与异构硬件单元进行交互。硬件抽象层可以支持通过标准的软件shell和硬件shell实现的以下标准特性：异构硬件单元多任务进程并发支持、异构硬件单元之间远程直接数据存取RDMA以及异构硬件单元计算和传输并发，等等。当经步骤S102确定了执行总体通用任务的调度策略后，可以基于该调度策略，将总体通用任务所包含的各个子任务通过统一的硬件抽象与应用编程接口分发至适配的异构硬件单元执行。
上述本申请实施例中，还包括通过对各异构硬件单元的资源的封装，提供管理各异构硬件单元的应用编程接口，通过对异构硬件架构中存储资源进行资源封装，实现统一的数据存储资源封装。上述实施例通过对AI平台各异构硬件单元不同的资源封装，进而形成标准的多层封装模型，既简化了整体系统的结构设计，又使得所有异构资源保持统一的模型；同时基于资源的标准化封装还可以扩展资源封装的类型和灵活性，从而提高资源的利用率。
从上述附图1示例的异构资源调度方法可知，通过深度学习框架统一接口接收总体通用任务，基于异构硬件架构中各异构硬件单元的资源特征，确定执行总体通用任务的调度策略，然后，基于确定出的调度策略，将总体通用任务所包含的各个子任务通过统一的硬件抽象与应用编程接口分发至适配的异构硬件单元执行。由于总体通用任务是通过深度学习框架统一接口接收，并且，其子任务通过统一的硬件抽象与应用编程接口分发，因此，可以兼容不同的硬件(芯片)，屏蔽了异构硬件单元的差异，从而打通异构资源的隔离，各种任务平衡使用AI平台的资源。
请参阅附图2，是本申请实施例提供的一种异构资源调度装置，可以包括接收模块201、确定模块202和分发模块203，详述如下：
接收模块201，用于通过深度学习框架统一接口接收总体通用任务；
确定模块202，用于基于异构硬件架构中各异构硬件单元的资源特征，确定执行总体通用任务的调度策略；
分发模块203，用于基于确定模块202确定的调度策略，将总体通用任务所包含的各个子任务通过统一的硬件抽象与应用编程接口分发至适配的异构硬件单元执行。
可选地，附图2示例的装置中，确定模块202可以包括分析单元、总资源量计算单元和调度策略第一生成单元，其中：
分析单元，用于分析完成总体通用任务所需的各资源类型的资源量，为完成总体通用任务所需的各资源类型分配资源权重；
总资源量计算单元，用于根据各资源类型的资源量和各资源类型的资源权重，计算完成总体通用任务所需总资源量；
调度策略第一生成单元，用于以总体通用任务在不同的异构硬件单元上的执行性能为优化目标，结合完成总体通用任务所需总资源量生成调度策略。
可选地，附图2示例的装置中，确定模块202可以包括遍历单元和调度策略第二生成单元，其中：
遍历单元，用于根据总体通用任务的标识信息，遍历经验信息数据库中总体通用任务对应的多组历史运行信息，其中，历史运行信息包括历史执行成本和历史执行成本对应的算法标识信息；
调度策略第二生成单元，用于计算各异构硬件单元按照其资源特征执行总体通用任务时对应的多组历史执行成本的方差值，将方差值最小的历史执行成本对应的调度策略确定为执行总体通用任务的调度策略。
可选地，附图2示例的装置中，确定模块202可以包括加权热度确定单元、使用率确定单元、和调度策略第三生成单元，其中：
加权热度确定单元，用于根据总体通用任务所包含的各个子任务的热度，确定各个子任务的加权热度Tw；
使用率确定单元，用于根据各异构硬件单元的资源特征，确定各异构硬件单元的可重配资源的使用率Up；
调度策略第三生成单元，用于根据各个子任务的加权热度Tw和可重配资源的使用率Up，确定执行总体通用任务的调度策略。
可选地，上述调度策略第三生成单元具体用于当确定各个子任务的加权热度Tw不小于Up与k的乘积时，确定调度异构硬件单元执行各个子任务，当确定各个子任务的加权热度Tw小于Up与k的乘积时，确定以软件方式执行各个子任务，其中，k为AI平台的重配置系数，用于指示异构硬件单元的重配置开销。
可选地，附图2示例的装置还可以包括第一封装模块301和第二封装模块302，如附图3所示本申请另一实施例提供的异构资源调度装置，其中：
第一封装模块301，用于通过对各异构硬件单元的资源的封装，提供管理各异构硬件单元的应用编程接口；
第二封装模块302，用于通过对异构硬件架构中存储资源进行资源封装，实现统一的数据存储资源封装。
从以上技术方案的描述中可知，通过深度学习框架统一接口接收总体通用任务，基于异构硬件架构中各异构硬件单元的资源特征，确定执行总体通用任务的调度策略，然后，基于确定出的调度策略，将总体通用任务所包含的各个子任务通过统一的硬件抽象与应用编程接口分发至适配的异构硬件单元执行。由于总体通用任务是通过深度学习框架统一接口接收，并且，其子任务通过统一的硬件抽象与应用编程接口分发，因此，可以兼容不同的硬件(芯片)，屏蔽了异构硬件单元的差异，从而打通异构资源的隔离，各种任务平衡使用AI平台的资源。
图4是本申请一实施例提供的设备的结构示意图。如图4所示，该实施例的设备4主要包括：处理器40、存储器41以及存储在存储器41中并可在处理器40上运行的计算机程序42，例如异构资源调度方法的程序。处理器40执行计算机程序42时实现上述异构资源调度方法实施例中的步骤，例如图1所示的步骤S101至S103。或者，处理器40执行计算机程序42时实现上述各装置实施例中各模块/单元的功能，例如图2所示接收模块201、确定模块202和分发模块203的功能。
示例性地，异构资源调度方法的计算机程序42主要包括：通过深度学习框架统一接口接收总体通用任务；基于异构硬件架构中各异构硬件单元的资源特征，确定执行总体通用任务的调度策略；基于确定的调度策略，将总体通用任务所包含的各个子任务通过统一的硬件抽象与应用编程接口分发至适配的异构硬件单元执行。计算机程序42可以被分割成一个或多个模块/单元，一个或者多个模块/单元被存储在存储器41中，并由处理器40执行，以完成本申请。一个或多个模块/单元可以是能够完成特定功能的一系列计算机程序指令段，该指令段用于描述计算机程序42在设备4中的执行过程。例如，计算机程序42可以被分割成接收模块201、确定模块202和分发模块203(虚拟装置中的模块)的功能，各模块具体功能如下：接收模块201，用于通过深度学习框架统一接口接收总体通用任务；确定模块202，用于基于异构硬件架构中各异构硬件单元的资源特征，确定执行总体通用任务的调度策略；分发模块203，用于基于确定模块202确定的调度策略，将总体通用任务所包含的各个子任务通过统一的硬件抽象与应用编程接口分发至适配的异构硬件单元执行。
设备4可包括但不仅限于处理器40、存储器41。本领域技术人员可以理解，图4仅仅是设备4的示例，并不构成对设备4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，例如计算设备还可以包括输入输出设备、网络接入设备、总线等。
所称处理器40可以是中央处理单元(Central Processing Unit，CPU)，还可以是其他通用处理器、数字信号处理器(Digital Signal Processor，DSP)、专用集成电路(Application Specific Integrated Circuit，ASIC)、现成可编程门阵列(Field-Programmable GateArray，FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
存储器41可以是设备4的内部存储单元，例如设备4的硬盘或内存。存储器41也可以是设备4的外部存储设备，例如设备4上配备的插接式硬盘，智能存储卡(Smart MediaCard，SMC)，安全数字(Secure Digital，SD)卡，闪存卡(Flash Card)等。进一步地，存储器41还可以既包括设备4的内部存储单元也包括外部存储设备。存储器41用于存储计算机程序以及设备所需的其他程序和数据。存储器41还可以用于暂时地存储已经输出或者将要输出的数据。
所属领域的技术人员可以清楚地了解到，为了描述的方便和简洁，仅以上述各功能单元、模块的划分进行举例说明，实际应用中，可以根据需要而将上述功能分配由不同的功能单元、模块完成，即，将装置的内部结构划分成不同的功能单元或模块，以完成以上描述的全部或者部分功能。实施例中的各功能单元、模块可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中，上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。另外，各功能单元、模块的具体名称也只是为了便于相互区分，并不用于限制本申请的保护范围。上述装置中单元、模块的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
在上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述或记载的部分，可以参见其它实施例的相关描述。
本领域普通技术人员可以意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本申请的范围。
在本申请所提供的实施例中，应该理解到，所揭露的装置/设备和方法，可以通过其它的方式实现。例如，以上所描述的装置/设备实施例仅仅是示意性的，例如，模块或单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个装置，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通讯连接可以是通过一些接口，装置或单元的间接耦合或通讯连接，可以是电性，机械或其它的形式。
作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外，在本申请各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。
集成的模块/单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个非临时性计算机可读取存储介质中。基于这样的理解，本申请实现上述实施例方法中的全部或部分流程，也可以通过计算机程序来指令相关的硬件来完成，异构资源调度方法的计算机程序可存储于一计算机可读存储介质中，该计算机程序在被处理器执行时，可实现上述各个方法实施例的步骤，即，通过深度学习框架统一接口接收总体通用任务；基于异构硬件架构中各异构硬件单元的资源特征，确定执行总体通用任务的调度策略；基于确定的调度策略，将总体通用任务所包含的各个子任务通过统一的硬件抽象与应用编程接口分发至适配的异构硬件单元执行。其中，计算机程序包括计算机程序代码，计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。非临时性计算机可读介质可以包括：能够携带计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读内存(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、电载波信号、电信信号以及软件分发介质等。需要说明的是，非临时性计算机可读介质包含的内容可以根据司法管辖区内立法和专利实践的要求进行适当的增减，例如在某些司法管辖区，根据立法和专利实践，非临时性计算机可读介质不包括电载波信号和电信信号。以上实施例仅用以说明本申请的技术方案，而非对其限制；尽管参照前述实施例对本申请进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本申请各实施例技术方案的精神和范围，均应包含在本申请的保护范围之内。以上所述的具体实施方式，对本申请的目的、技术方案和有益效果进行了进一步详细说明，所应理解的是，以上所述仅为本申请的具体实施方式而已，并不用于限定本申请的保护范围，凡在本申请的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (6)

1.一种异构资源调度方法，其特征在于，所述方法包括：
通过深度学习框架统一接口接收总体通用任务，所述深度学习框架统一接口向用户提供一个统一且经过精简的访问方式，所述总体通用任务均通过预设的规则或统一的格式进行描述；
基于异构硬件架构中各异构硬件单元的资源特征，确定执行所述总体通用任务的调度策略；
基于所述调度策略，将所述总体通用任务所包含的各个子任务通过由硬件抽象层提供的统一的硬件抽象与应用编程接口分发至适配的异构硬件单元执行，所述硬件抽象层对所述异构硬件单元进行统一抽象，并通过通信层与所述异构硬件单元进行交互，所述硬件抽象层支持通过标准的软件 shell和硬件 shell实现的以下标准特性：异构硬件单元多任务进程并发支持、异构硬件单元之间远程直接数据存取RDMA以及异构硬件单元计算和传输并发；
所述基于异构硬件架构中各异构硬件单元的资源特征，确定执行所述总体通用任务的调度策略，包括：根据所述总体通用任务的标识信息，遍历经验信息数据库中所述总体通用任务对应的多组历史运行信息，所述历史运行信息包括历史执行成本和所述历史执行成本对应的算法标识信息；计算各异构硬件单元按照其资源特征执行总体通用任务时对应的多组历史执行成本的方差值，将方差值最小的历史执行成本对应的调度策略确定为执行所述总体通用任务的调度策略；
所述确定为执行所述总体通用任务的调度策略包括通过对异构硬件架构中各异构硬件单元的优先级别进行排序来构造一个调度列表，从所述调度列表中顺序取出一个硬件单元，并将该硬件单元分配到使它的启动时间最早的处理机器上，或者是计算出每个总体通用任务在可用资源中能完成的时间，使用最贴近的资源优先调度给最小执行时间的总体通用任务，或者是计算出每个总体通用任务在可用资源中能完成的时间，使用最贴近的资源优先调度给最大执行时间的总体通用任务，或者是优先将资源调度给备选资源运行时间与首选资源运行时间相差很大的任务。
2.如权利要求1所述异构资源调度方法，其特征在于，所述方法还包括：
通过对所述各异构硬件单元的资源的封装，提供管理所述各异构硬件单元的应用编程接口；
通过对所述异构硬件架构中存储资源进行资源封装，实现统一的数据存储资源封装。
3.一种异构资源调度装置，其特征在于，所述装置包括：
接收模块，用于通过深度学习框架统一接口接收总体通用任务，所述深度学习框架统一接口向用户提供一个统一且经过精简的访问方式，所述总体通用任务均通过预设的规则或统一的格式进行描述；
确定模块，用于基于异构硬件架构中各异构硬件单元的资源特征，确定执行所述总体通用任务的调度策略；
分发模块，用于基于所述调度策略，将所述总体通用任务所包含的各个子任务通过由硬件抽象层提供的统一的硬件抽象与应用编程接口分发至适配的异构硬件单元执行，所述硬件抽象层对所述异构硬件单元进行统一抽象，并通过通信层与所述异构硬件单元进行交互，所述硬件抽象层支持通过标准的软件 shell和硬件 shell实现的以下标准特性：异构硬件单元多任务进程并发支持、异构硬件单元之间远程直接数据存取RDMA以及异构硬件单元计算和传输并发；
所述基于异构硬件架构中各异构硬件单元的资源特征，确定执行所述总体通用任务的调度策略，包括：根据所述总体通用任务的标识信息，遍历经验信息数据库中所述总体通用任务对应的多组历史运行信息，所述历史运行信息包括历史执行成本和所述历史执行成本对应的算法标识信息；计算各异构硬件单元按照其资源特征执行总体通用任务时对应的多组历史执行成本的方差值，将方差值最小的历史执行成本对应的调度策略确定为执行所述总体通用任务的调度策略；
所述确定为执行所述总体通用任务的调度策略包括通过对异构硬件架构中各异构硬件单元的优先级别进行排序来构造一个调度列表，从所述调度列表中顺序取出一个硬件单元，并将该硬件单元分配到使它的启动时间最早的处理机器上，或者是计算出每个总体通用任务在可用资源中能完成的时间，使用最贴近的资源优先调度给最小执行时间的总体通用任务，或者是计算出每个总体通用任务在可用资源中能完成的时间，使用最贴近的资源优先调度给最大执行时间的总体通用任务，或者是优先将资源调度给备选资源运行时间与首选资源运行时间相差很大的任务。
4.如权利要求3所述异构资源调度装置，其特征在于，所述装置还包括：
第一封装模块，用于通过对所述各异构硬件单元的资源的封装，提供管理所述各异构硬件单元的应用编程接口；
第二封装模块，用于通过对所述异构硬件架构中存储资源进行资源封装，实现统一的数据存储资源封装。
5.一种计算机设备，所述计算机设备包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现如权利要求1至2任意一项所述方法的步骤。
6.一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1至2任意一项所述方法的步骤。
CN202110313443.6A 2021-03-24 2021-03-24 异构资源调度方法、装置、设备和计算机可读存储介质 Active CN113051053B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110313443.6A CN113051053B (zh) 2021-03-24 2021-03-24 异构资源调度方法、装置、设备和计算机可读存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110313443.6A CN113051053B (zh) 2021-03-24 2021-03-24 异构资源调度方法、装置、设备和计算机可读存储介质

Publications (2)

Publication Number Publication Date
CN113051053A CN113051053A (zh) 2021-06-29
CN113051053B true CN113051053B (zh) 2023-09-08

Family

ID=76514811

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110313443.6A Active CN113051053B (zh) 2021-03-24 2021-03-24 异构资源调度方法、装置、设备和计算机可读存储介质

Country Status (1)

Country Link
CN (1) CN113051053B (zh)

Families Citing this family (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113612642B (zh) * 2021-08-03 2024-03-08 北京八分量信息科技有限公司 基于通信开销进行异构任务的刻画方法、装置及相关产品
CN113535157A (zh) * 2021-09-16 2021-10-22 中国电子科技集团公司第十五研究所 运行时可插拔的异构大数据资源封装集成系统及方法
CN116938837A (zh) * 2022-04-01 2023-10-24 中国移动通信有限公司研究院 一种资源调度方法、装置及设备
CN114764509B (zh) * 2022-06-14 2022-08-26 深圳致星科技有限公司 隐私计算、隐私数据和联邦学习的互联互通方法及装置
CN114938322B (zh) * 2022-07-22 2022-11-08 之江实验室 一种可编程网元编译系统和编译方法
CN116167437B (zh) * 2023-04-18 2023-07-11 之江实验室 一种芯片管理系统、方法、设备及存储介质

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102360313A (zh) * 2011-09-29 2012-02-22 中国科学技术大学苏州研究院 片上异构多核计算平台的性能加速方法
CN104615488A (zh) * 2015-01-16 2015-05-13 华为技术有限公司 异构多核可重构计算平台上任务调度的方法和装置
CN104778083A (zh) * 2015-03-27 2015-07-15 华为技术有限公司 异构多核可重构计算平台上任务调度的方法和装置
CN107678752A (zh) * 2017-08-31 2018-02-09 北京百度网讯科技有限公司 一种面向异构集群的任务处理方法及装置
US10686673B1 (en) * 2016-07-29 2020-06-16 Juniper Networks, Inc. Methods and apparatus for centralized operational management of heterogenous network devices through software-based node unification
CN111488205A (zh) * 2019-01-25 2020-08-04 上海登临科技有限公司 面向异构硬件架构的调度方法和调度系统

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102360313A (zh) * 2011-09-29 2012-02-22 中国科学技术大学苏州研究院 片上异构多核计算平台的性能加速方法
CN104615488A (zh) * 2015-01-16 2015-05-13 华为技术有限公司 异构多核可重构计算平台上任务调度的方法和装置
CN104778083A (zh) * 2015-03-27 2015-07-15 华为技术有限公司 异构多核可重构计算平台上任务调度的方法和装置
CN109144688A (zh) * 2015-03-27 2019-01-04 华为技术有限公司 异构多核可重构计算平台上任务调度的方法和装置
US10686673B1 (en) * 2016-07-29 2020-06-16 Juniper Networks, Inc. Methods and apparatus for centralized operational management of heterogenous network devices through software-based node unification
CN107678752A (zh) * 2017-08-31 2018-02-09 北京百度网讯科技有限公司 一种面向异构集群的任务处理方法及装置
CN111488205A (zh) * 2019-01-25 2020-08-04 上海登临科技有限公司 面向异构硬件架构的调度方法和调度系统

Also Published As

Publication number Publication date
CN113051053A (zh) 2021-06-29

Similar Documents

Publication Publication Date Title
CN113051053B (zh) 异构资源调度方法、装置、设备和计算机可读存储介质
CN110851529B (zh) 算力调度方法及相关设备
US20200257968A1 (en) Self-learning scheduler for application orchestration on shared compute cluster
US11175940B2 (en) Scheduling framework for tightly coupled jobs
CN105808328B (zh) 任务调度的方法、装置和系统
CN111768006A (zh) 一种人工智能模型的训练方法、装置、设备及存储介质
CN110389816B (zh) 用于资源调度的方法、装置以及计算机可读介质
CN109992404A (zh) 集群计算资源调度方法、装置、设备及介质
US9875139B2 (en) Graphics processing unit controller, host system, and methods
CN109857535B (zh) 面向Spark JDBC的任务优先级控制的实现方法及装置
WO2023051505A1 (zh) 一种任务求解方法及其装置
US20240111586A1 (en) Multi-policy intelligent scheduling method and apparatus oriented to heterogeneous computing power
CN115543577B (zh) 基于协变量的Kubernetes资源调度优化方法、存储介质及设备
CN111352711B (zh) 多计算引擎调度方法、装置、设备及存储介质
CN112764893B (zh) 数据处理方法和数据处理系统
CN116541134B (zh) 多架构集群中容器的部署方法及装置
CN116708451B (zh) 一种边云协同调度方法及系统
CN115134371A (zh) 包含边缘网络算力资源的调度方法、系统、设备及介质
CN108776833A (zh) 一种数据处理方法、系统及计算机可读存储介质
KR20220016859A (ko) 디지털 처리 시스템에서 매트릭스 작업을 스케줄링하기 위한 방법 및 장치
CN115292016A (zh) 基于人工智能的任务调度方法及相关设备
CN115600676A (zh) 深度学习模型推理方法、装置、设备及存储介质
JP2023511467A (ja) 機械学習ワークロードのためのタスクスケジューリング
CN116991560A (zh) 针对语言模型的并行调度方法、装置、设备及存储介质
CN115586961A (zh) 一种ai平台计算资源任务调度方法、装置及介质

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
CB02 Change of applicant information

Address after: 518000 18B, Microsoft Science Building, No. 55, Gaoxin South 9th Road, High tech Zone Community, Yuehai Street, Nanshan District, Shenzhen, Guangdong

Applicant after: Bohan Intelligent (Shenzhen) Co.,Ltd.

Address before: 518000 18D, Microsoft tech building, 55 Gaoxin South 9th Road, high tech Zone community, Yuehai street, Nanshan District, Shenzhen City, Guangdong Province

Applicant before: Yitong Technology (Shenzhen) Co.,Ltd.

CB02 Change of applicant information
GR01 Patent grant
GR01 Patent grant