CN113075994B - 面向x86和arm混合云计算的节能调度系统、方法和存储介质 - Google Patents

面向x86和arm混合云计算的节能调度系统、方法和存储介质 Download PDF

Info

Publication number
CN113075994B
CN113075994B CN202110452258.5A CN202110452258A CN113075994B CN 113075994 B CN113075994 B CN 113075994B CN 202110452258 A CN202110452258 A CN 202110452258A CN 113075994 B CN113075994 B CN 113075994B
Authority
CN
China
Prior art keywords
load
library
type
module
arm
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
CN202110452258.5A
Other languages
English (en)
Other versions
CN113075994A (zh
Inventor
林伟伟
许银海
石方
王江涛
上官栋栋
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.)
South China University of Technology SCUT
Huawei Technologies Co Ltd
Original Assignee
South China University of Technology SCUT
Huawei Technologies 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 South China University of Technology SCUT, Huawei Technologies Co Ltd filed Critical South China University of Technology SCUT
Priority to CN202110452258.5A priority Critical patent/CN113075994B/zh
Publication of CN113075994A publication Critical patent/CN113075994A/zh
Application granted granted Critical
Publication of CN113075994B publication Critical patent/CN113075994B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F1/00—Details not covered by groups G06F3/00 - G06F13/00 and G06F21/00
    • G06F1/26—Power supply means, e.g. regulation thereof
    • G06F1/32—Means for saving power
    • G06F1/3203—Power management, i.e. event-based initiation of a power-saving mode
    • G06F1/3234—Power saving characterised by the action undertaken
    • G06F1/329—Power saving characterised by the action undertaken by task scheduling
    • 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
    • G06F9/505—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 load
    • 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)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Software Systems (AREA)
  • Power Sources (AREA)
  • Supply And Distribution Of Alternating Current (AREA)

Abstract

本发明公开了一种面向X86和ARM混合云计算的节能调度系统、方法和存储介质，系统包括负载识别匹配模块、混合服务器集群模块和负载类型试验模块，用负载识别匹配模块对负载进行分类和匹配，判断负载所属类型是否在负载库中，如存在则直接根据负载库的分配方式，将此负载分配给相应类别的服务器集群；若所属的负载类型没有在库中匹配成功，则将此负载放入负载类别试验模块，分析负载分配规则更新负载库、负载分配规则以及负载识别模型；本发明提出了一种面向X86和ARM混合服务器集群的负载调度方法，此方法基于负载在X86和ARM服务器上的性能差异进行调度，相比于单服务器集群调度，X86和ARM服务器混合集群负载调度方法更加细晶粒度，同时可以进一步降低能耗。

Description

面向X86和ARM混合云计算的节能调度系统、方法和存储介质
技术领域
本发明涉及云计算平台中负载调度领域，特别涉及一种面向X86和ARM混合云计算的节能调度系统、方法和存储介质。
背景技术
随着云平台中业务的日益复杂，负载的类型趋于多样化，负载调度逐渐成为了云平台中的关键技术。同时随着ARM架构服务器的持续发展，ARM服务器正在代替X86服务器进入政府、企业的服务器领域中。ARM和X86混合服务器集群场景不断增多。服务器性能上升的后背是功耗的快速上涨，功耗支出成为企业的一大负担，同时也对环境造成极大的破坏。设计高效的混合服务器集群调度方法对节约成本和保护环境都有重大意义。
现有的负载调度方法如时间序列模型、群体智能优化算法都只考虑单一指令类型的服务器集群间的负载调度，没有考虑多指令类型的服务器集群场景。因为提出一种面向ARM和X86混合服务器集群场景的负载调度方法具有重大意义。
发明内容
本发明的主要目的在于克服现有技术的缺点与不足，提供一种面向X86和ARM混合云计算的节能调度系统、方法和存储介质，本发明基于负载在X86和ARM服务器上的性能差异进行调度，相比于单服务器集群调度，X86和ARM服务器混合集群负载调度方法更加细晶粒度，同时可以进一步降低能耗。
为了达到上述目的，本发明采用以下技术方案：
本发明提供的一种面向X86和ARM混合云计算的节能调度系统，包括负载识别匹配模块、负载类型实验模块以及混合服务器集群模块；
所述负载识别模块，用于识别负载是否在负载库内部；当负载没有在负载库中时，将该负载放置到负载类型试验模块，训练该负载的分配方式；否则，就根据负载库的分配方式在X86和ARM混合服务器集群模块进行分配；
所述负载类型试验模块，用于将负载识别匹配模块中匹配失败的负载同时放于X86和ARM服务器中，通过收集分析两者不同的能耗等性能指标判断该负载的分配方式；
所述的混合服务器集群模块，用于执行负载任务，根据负载的分配方式将负载置于相应类型的服务器集群；服务器集群包括X86服务器集群和ARM服务器集群。
作为优选的技术方案，所述负载识别匹配模块包括第一级匹配模块和第二级匹配模块，所述第一级匹配模块，用于将识别出的负载类型与资源库中负载类型进行匹配；
所述第二级匹配模块，用于当经过第一级匹配模块匹配后，若负载库中没有此类型的负载，则采用第二级匹配方法计算该负载与库中负载类型的相似度，若相似度大于设定的阈值，则采用相似负载类型的分配规则，否则匹配失败，将负载放于负载类型试验模块。
作为优选的技术方案，所述第二级匹配方法采用皮尔逊相关系数计算该负载与库中负载类型的相似度，计算方式如下：
Figure GDA0004170738790000021
其中Ri,p表示负载i对特征值P的评分，Rj,p表示负载j对特征值P的评分。
作为优选的技术方案，所述的负载识别匹配模块包括负载识别模型和负载库，所述负载识别模型为机器学习模型或深度神经网络模型，所述的负载库包括负载的类型以及该类型负载的分配方式。
作为优选的技术方案，所述负载识别匹配模块判断负载所属类型是否在负载库中，如存在则直接根据负载库的分配方式，将此负载分配给相应类别的服务器集群；若所属的负载类型没有在库中匹配成功，则将此负载放入负载类别试验模块，分析负载分配规则更新负载库、负载分配规则以及负载识别模型。
本发明另一方面提供了一种面向X86和ARM混合云计算的节能调度方法，包括下述步骤：
对负载进行分类和匹配；
判断负载所属类型是否在负载库中，如存在则根据负载库的分配方式，将此负载分配给相应类别的服务器集群；
若所属的负载类型没有在负载库中匹配成功，则将此负载放入负载类别试验模块，分析负载分配规则；
根据负载类别试验模块更新负载库、负载分配规则以及负载识别模型；
根据负载库的分配方式，将此负载分配给相应类别的服务器集群；
执行任务并输出结果。
作为优选的技术方案，所述对负载进行分类和匹配，具体为：采用两级匹配技术，第一级先利用负载识别模型判断负载是否在负载库中，若负载库中没有此类型的负载，则采用第二级匹配方法计算该负载与库中负载类型的相似度，若相似度大于规定的阈值，则采用相似负载类型的分配规则，否则匹配失败，将负载放于负载类型试验模块；
所述负载识别模型为机器学习模型或深度神经网络模型，具体地：
若采用K-Center，则根据离聚类中心的距离判断此负载所属类别；若离所有聚类中心的距离超过阈值S，则判断此负载为新负载。
作为优选的技术方案，所述第二级匹配，采用皮尔逊相关系数计算该负载与库中负载类型的相似度，计算方式如下：
Figure GDA0004170738790000041
其中Ri,p表示负载i对特征值P的评分，Rj,p表示负载j对特征值P的评分。
作为优选的技术方案，当进入一个加解密算法的负载，经过所述两级匹配技术后结果为匹配失败，即负载库中无此负载并且没有与此相似的负载类型，则将此解密算法负载放入负载类别试验模块，通过计算此负载在X86和ARM服务器上的能效得分Effload来为负载制定分配规则，负载的能效得分Effload定义如下：
Figure GDA0004170738790000042
其中，Normalized Performance为标准化性能，是指是负载的标准化吞吐量；Power Consumption为功耗，是指负载的平均测量功耗。
当进入排序算法负载，经过负载识别模型识别发现无此负载，进行第二级匹配，利用皮尔逊相关系数计算排序算法负载与加解密算法负载相似度较高，故将排序算法负载分配至ARM服务器集群运行。
本发明的又一方面还提供了一种存储介质，存储有程序，所述程序被处理器执行时，实现所述的面向X86和ARM混合云计算的节能调度方法。
本发明与现有技术相比，具有如下优点和有益效果：
(1)本发明的X86和ARM混合云计算负载调度方法，解决了ARM和X86混合服务器集群场景下负载调度问题。
(2)本发明可以通过负载识别模型识别匹配负载类型，基于负载库将负载分配给能耗低的服务器集群，相比于单服务器集群调度，X86和ARM服务器混合集群负载调度方法更加细晶粒度，同时可以进一步降低能耗。
(3)本发明中的负载类型试验模块可以适用于未知负载以及负载种类繁多的情况，并且可以不断完善负载库与负载识别模型。
附图说明
图1为本发明实施例面向X86和ARM混合云计算的节能调度系统结构示意图。
图2为本发明实施例面向X86和ARM混合云计算的节能调度方法流程图。
图3是本发明实施例的存储介质的结构示意图。
具体实施方式
为了使本技术领域的人员更好地理解本申请方案，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。
实施例
如图1所示，本实施例面向X86和ARM混合云计算的节能调度系统，包括负载识别匹配模块、负载类型实验模块以及混合服务器集群模块。
所述负载识别模块，用于识别负载是否在负载库内部；当负载没有在负载库中时，将该负载放置到负载类型试验模块，训练该负载的分配方式；否则，就根据负载库的分配方式在X86和ARM混合服务器集群模块进行分配；
进一步的，所述负载识别匹配模块包括第一级匹配模块和第二级匹配模块，所述第一级匹配模块，用于将识别出的负载类型与资源库中负载类型进行匹配；所述第二级匹配模块，用于当经过第一级匹配模块匹配后，若负载库中没有此类型的负载，则采用第二级匹配方法计算该负载与库中负载类型的相似度，若相似度大于设定的阈值，则采用相似负载类型的分配规则，否则匹配失败，将负载放于负载类型试验模块。
更进一步的，所述第二级匹配方法采用皮尔逊相关系数计算该负载与库中负载类型的相似度，计算方式如下：
Figure GDA0004170738790000061
其中Ri,p表示负载i对特征值P的评分，Rj,p表示负载j对特征值P的评分。
可以理解的是，所述的负载识别匹配模块包括负载识别模型和负载库，所述负载识别模型为机器学习模型或深度神经网络模型，所述的负载库包括负载的类型以及该类型负载的分配方式。
所述负载识别匹配模块判断负载所属类型是否在负载库中，如存在则直接根据负载库的分配方式，将此负载分配给相应类别的服务器集群；若所属的负载类型没有在库中匹配成功，则将此负载放入负载类别试验模块，分析负载分配规则更新负载库、负载分配规则以及负载识别模型。
所述负载类型试验模块，用于将负载识别匹配模块中匹配失败的负载同时放于X86和ARM服务器中，通过收集分析两者不同的能耗等性能指标判断该负载的分配方式；
所述的混合服务器集群模块，用于执行负载任务，根据负载的分配方式将负载置于相应类型的服务器集群；服务器集群包括X86服务器集群和ARM服务器集群。
在此需要说明的是，上述实施例提供的系统仅以上述各功能模块的划分进行举例说明，在实际应用中，可以根据需要而将上述功能分配由不同的功能模块完成，即将内部结构划分成不同的功能模块，以完成以上描述的全部或者部分功能，该系统是应用于下述实施例的面向X86和ARM混合云计算的节能调度方法。
如图2所示，在另一个实施例中，提供了面向X86和ARM混合云计算的节能调度方法，该方法包括下述步骤：
S1、对负载进行分类和匹配；
S2、判断负载所属类型是否在负载库中，如存在则根据负载库的分配方式，将此负载分配给相应类别的服务器集群；
S3、若所属的负载类型没有在负载库中匹配成功，则将此负载放入负载类别试验模块，分析负载分配规则；
S4、根据负载类别试验模块更新负载库、负载分配规则以及负载识别模型；
S5、根据负载库的分配方式，将此负载分配给相应类别的服务器集群；
S6、执行任务并输出结果。
进一步的，所述对负载进行分类和匹配，具体为：
采用两级匹配技术，第一级先利用机器学习模型或者深度学习模型判断负载库中是否有此负载；如采用K-Center，则根据离聚类中心的距离判断此负载所属类别；若离所有聚类中心的距离超过阈值(S)，则判断此负载为新负载。若负载库中没有此类型的负载，则采用第二级匹配方法计算该负载与库中负载类型的相似度，若相似度大于规定的阈值，则采用相似负载类型的分配规则，否则匹配失败，将负载放于负载类型试验模块。
所述第二级匹配，采用皮尔逊相关系数计算该负载与库中负载类型的相似度，计算方式如下：
Figure GDA0004170738790000081
其中Ri,p表示负载i对特征值P的评分，Rj,p表示负载j对特征值P的评分。
如现进入一个加解密算法的负载，经过上述的两级匹配技术后结果为匹配失败，即负载库中无此负载并且没有与此相似的负载类型，则将此解密算法负载放入负载类别试验模块，通过计算此负载在X86和ARM服务器上的能效得分Effload来为负载制定分配规则。负载的能效得分Effload定义如下：
Figure GDA0004170738790000082
标准化性能(Normalized Performance)是指是负载的标准化吞吐量，功耗(PowerConsumption)是指负载的平均测量功耗。
实验结果显示加解密算法在ARM服务器上能效更好，所以将加解密算法负载的分配规则为ARM服务器集群，将上述加解密算法负载类型以及分配方式更新至负载库。
后续进入负载如排序算法负载，经过负载识别模型识别发现无此负载，进行第二级匹配。利用上述皮尔逊相关系数计算排序算法负载与加解密算法负载相似度较高，故将排序算法负载分配至ARM服务器集群运行。后续将排序算法负载放入负载类别试验模块实验结果显示排序算法负载在ARM服务器上能效值远大于X86服务器，验证了此方法的可行性。
如图3所示，在本申请的另一个实施例中，还提供了一种存储介质，存储有程序，所述程序被处理器执行时，实现面向X86和ARM混合云计算的节能调度方法，具体为：
对负载进行分类和匹配；
判断负载所属类型是否在负载库中，如存在则根据负载库的分配方式，将此负载分配给相应类别的服务器集群；
若所属的负载类型没有在负载库中匹配成功，则将此负载放入负载类别试验模块，分析负载分配规则；
根据负载类别试验模块更新负载库、负载分配规则以及负载识别模型；
根据负载库的分配方式，将此负载分配给相应类别的服务器集群；
执行任务并输出结果。
应当理解，本申请的各部分可以用硬件、软件、固件或它们的组合来实现。在上述实施方式中，多个步骤或方法可以用存储在存储器中且由合适的指令执行系统执行的软件或固件来实现。例如，如果用硬件来实现，和在另一实施方式中一样，可用本领域公知的下列技术中的任一项或他们的组合来实现：具有用于对数据信号实现逻辑功能的逻辑门电路的离散逻辑电路，具有合适的组合逻辑门电路的专用集成电路，可编程门阵列(PGA)，现场可编程门阵列(FPGA)等。
上述实施例为本发明较佳的实施方式，但本发明的实施方式并不受上述实施例的限制，其他的任何未背离本发明的精神实质与原理下所作的改变、修饰、替代、组合、简化，均应为等效的置换方式，都包含在本发明的保护范围之内。

Claims (5)

1.面向X86和ARM混合云计算的节能调度系统，其特征在于，包括负载识别匹配模块、负载类型实验模块以及混合服务器集群模块；
所述负载识别模块，用于识别负载是否在负载库内部；当负载没有在负载库中时，将该负载放置到负载类型试验模块，训练该负载的分配方式；否则，就根据负载库的分配方式在X86和ARM混合服务器集群模块进行分配；
所述负载类型试验模块，用于将负载识别匹配模块中匹配失败的负载同时放于X86和ARM服务器中，通过收集分析两者不同的能耗性能指标判断该负载的分配方式；
所述的混合服务器集群模块，用于执行负载任务，根据负载的分配方式将负载置于相应类型的服务器集群；服务器集群包括X86服务器集群和ARM服务器集群；
所述节能调度系统的调度方法，包括下述步骤：
对负载进行分类和匹配，具体为：
采用两级匹配技术，第一级先利用负载识别模型判断负载是否在负载库中，若负载库中没有此类型的负载，则采用第二级匹配方法计算该负载与库中负载类型的相似度，若相似度大于规定的阈值，则采用相似负载类型的分配规则，否则匹配失败，将负载放于负载类型试验模块；
所述负载识别模型为机器学习模型或深度神经网络模型，具体地：
若采用K-Center，则根据离聚类中心的距离判断此负载所属类别；若离所有聚类中心的距离超过阈值，则判断此负载为新负载；
所述第二级匹配，采用皮尔逊相关系数计算该负载与库中负载类型的相似度；
判断负载所属类型是否在负载库中，如存在则根据负载库的分配方式，将此负载分配给相应类别的服务器集群；
若所属的负载类型没有在负载库中匹配成功，则将此负载放入负载类别试验模块，分析负载分配规则；
根据负载类别试验模块更新负载库、负载分配规则以及负载识别模型；
根据负载库的分配方式，将此负载分配给相应类别的服务器集群，具体为：
当进入一个加解密算法的负载，经过所述两级匹配技术后结果为匹配失败，即负载库中无此负载并且没有与此相似的负载类型，则将此解密算法负载放入负载类别试验模块，通过计算此负载在X86和ARM服务器上的能效得分Effload来为负载制定分配规则，负载的能效得分Effload定义如下：
Figure FDA0004189206350000021
其中，Normalized Performance为标准化性能，是指是负载的标准化吞吐量；PowerConsumption为功耗，是指负载的平均测量功耗；
当进入排序算法负载，经过负载识别模型识别发现无此负载，进行第二级匹配，利用皮尔逊相关系数计算排序算法负载与加解密算法负载相似度较高，故将排序算法负载分配至ARM服务器集群运行；
执行任务并输出结果。
2.根据权利要求1所述的面向X86和ARM混合云计算的节能调度系统，其特征在于，所述负载识别匹配模块包括第一级匹配模块和第二级匹配模块，所述第一级匹配模块，用于将识别出的负载类型与资源库中负载类型进行匹配；
所述第二级匹配模块，用于当经过第一级匹配模块匹配后，若负载库中没有此类型的负载，则采用第二级匹配方法计算该负载与库中负载类型的相似度，若相似度大于设定的阈值，则采用相似负载类型的分配规则，否则匹配失败，将负载放于负载类型试验模块。
3.根据权利要求2所述的面向X86和ARM混合云计算的节能调度系统，其特征在于，所述的负载识别匹配模块包括负载识别模型和负载库，所述负载识别模型为机器学习模型或深度神经网络模型，所述的负载库包括负载的类型以及该类型负载的分配方式。
4.根据权利要求1所述的面向X86和ARM混合云计算的节能调度系统，其特征在于，所述负载识别匹配模块判断负载所属类型是否在负载库中，如存在则直接根据负载库的分配方式，将此负载分配给相应类别的服务器集群；若所属的负载类型没有在库中匹配成功，则将此负载放入负载类别试验模块，分析负载分配规则更新负载库、负载分配规则以及负载识别模型。
5.一种存储介质，存储有程序，其特征在于，所述程序被处理器执行时，实现权利要求1-4任一项所述的面向X86和ARM混合云计算的节能调度系统。
CN202110452258.5A 2021-04-26 2021-04-26 面向x86和arm混合云计算的节能调度系统、方法和存储介质 Active CN113075994B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110452258.5A CN113075994B (zh) 2021-04-26 2021-04-26 面向x86和arm混合云计算的节能调度系统、方法和存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110452258.5A CN113075994B (zh) 2021-04-26 2021-04-26 面向x86和arm混合云计算的节能调度系统、方法和存储介质

Publications (2)

Publication Number Publication Date
CN113075994A CN113075994A (zh) 2021-07-06
CN113075994B true CN113075994B (zh) 2023-05-30

Family

ID=76618796

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110452258.5A Active CN113075994B (zh) 2021-04-26 2021-04-26 面向x86和arm混合云计算的节能调度系统、方法和存储介质

Country Status (1)

Country Link
CN (1) CN113075994B (zh)

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110908795A (zh) * 2019-11-04 2020-03-24 深圳先进技术研究院 云计算集群混部作业调度方法、装置、服务器及存储装置
CN111737078A (zh) * 2020-05-12 2020-10-02 华南理工大学 基于负载类型的自适应云服务器能耗测算方法、系统及设备

Family Cites Families (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104765804B (zh) * 2015-03-31 2019-07-30 浙江大学 一种根据特征选择负载的方法和系统
CN106161538B (zh) * 2015-04-12 2020-06-12 北京典赞科技有限公司 融合x86和arm架构的应用平台管理系统
CN106161552A (zh) * 2015-04-16 2016-11-23 国家电网公司 一种海量数据环境下负载均衡方法及系统
CN104850450B (zh) * 2015-05-14 2017-11-28 华中科技大学 一种面向混合云应用的负载均衡方法及系统
CN106302628B (zh) * 2015-12-29 2019-12-27 北京典赞科技有限公司 Arm架构网络集群中计算资源的统一管理调度方法
CN107241440B (zh) * 2017-07-28 2020-12-22 曙光信息产业(北京)有限公司 一种确定集群的节能策略的方法
CN206962865U (zh) * 2017-07-31 2018-02-02 河南腾龙信息工程有限公司 异构式一体化便携式云服务器
CN107483257B (zh) * 2017-08-25 2020-05-08 中国软件与技术服务股份有限公司 一种基于x86和arm混合环境的应用系统部署方法及架构
CN113900778A (zh) * 2018-03-16 2022-01-07 华为技术有限公司 调度方法、装置和主节点
CN111782355B (zh) * 2020-06-03 2024-05-28 上海交通大学 一种基于混合负载的云计算任务调度方法及系统
CN112162852A (zh) * 2020-09-18 2021-01-01 北京浪潮数据技术有限公司 一种多架构cpu节点的管理方法、装置及相关组件
CN112667373A (zh) * 2020-12-17 2021-04-16 北京紫光展锐通信技术有限公司 基于异构cpu架构的任务调度方法、装置、系统及存储介质

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110908795A (zh) * 2019-11-04 2020-03-24 深圳先进技术研究院 云计算集群混部作业调度方法、装置、服务器及存储装置
CN111737078A (zh) * 2020-05-12 2020-10-02 华南理工大学 基于负载类型的自适应云服务器能耗测算方法、系统及设备

Non-Patent Citations (4)

* Cited by examiner, † Cited by third party
Title
WEIWEI LIN, FANG SHI, et al.."A Taxonomy and Survey of Power Models and Power Modeling for Cloud Servers".ACM Computing Surveys.2020,第53卷(第5期),第1-41页. *
Weiwei Lin, Gaofeng Peng, et al.."Scheduling Algorithms for Heterogeneous Cloud Environment Main Resource Load Balancing Algorithm and Time Balancing Algorithm".J Grid Computing.2019,第699-726页. *
Weiwei Lin, Haoyu Wang, et al.."A cloud server energy consumption measurement system for heterogeneous cloud environments".Information Sciences.2018,第468卷第47-62页. *
Weiwei Lin, Tianhao Yu, et al.."A hardware-aware CPU power measurement based on the power-exponent function model for cloud servers".Information Sciences.2020,第547卷第1045-1065页. *

Also Published As

Publication number Publication date
CN113075994A (zh) 2021-07-06

Similar Documents

Publication Publication Date Title
JP6743124B2 (ja) 画像中のオブジェクト検出のためのコンテキストベースの事前分布
CN104574192A (zh) 在多个社交网络中识别同一用户的方法及装置
CN111008640A (zh) 图像识别模型训练及图像识别方法、装置、终端及介质
CN111309825A (zh) 数据聚类的存储方法、装置及计算机可读存储介质
WO2016167824A1 (en) Database query classification
CN113010393A (zh) 基于混沌工程的故障演练方法及装置
CN111444956A (zh) 低负载信息预测方法、装置、计算机系统及可读存储介质
US11210444B1 (en) Timing assistant for dynamic voltage drop impact on setup/hold constraints
CN108537273A (zh) 一种针对不均衡样本执行自动化机器学习的方法
CN116049412B (zh) 文本分类方法、模型训练方法、装置及电子设备
CN113111804B (zh) 一种人脸检测的方法、装置、电子设备及存储介质
CN113075994B (zh) 面向x86和arm混合云计算的节能调度系统、方法和存储介质
CN114974398A (zh) 一种信息处理方法、装置及计算机可读存储介质
CN113010677A (zh) 基于马尔可夫链模型的论文集体分类方法、系统和介质
CN116501444B (zh) 智能网联汽车域控制器虚拟机异常云边协同监测和恢复系统及方法
CN112214602A (zh) 基于幽默度的文本分类方法、装置、电子设备及存储介质
CN112396118A (zh) 一种基于gm-hmm的驾驶员加速意图建模方法
CN117035000A (zh) 基于混合初始化粒子群优化的进化双任务特征选择方法
CN113628043B (zh) 基于数据分类的投诉有效性判断方法、装置、设备及介质
CN112199287B (zh) 基于强化混合专家模型的跨项目软件缺陷预测方法
Wang et al. Overcoming Environmental Challenges in CAVs through MEC-based Federated Learning
CN114625868A (zh) 一种基于选择性集成学习的电力数据文本分类算法
CN114610758A (zh) 基于数据仓库的数据处理方法、装置、可读介质及设备
CN113239034A (zh) 一种基于人工智能的大数据资源整合方法、系统及云平台
KR102619539B1 (ko) 다중 gpu 시스템을 위한 신경망의 최적화 방법 및 이를 이용하는 최적화 시스템

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