CN113127153A - 一种用于确定目标任务描述信息的方法与设备 - Google Patents
一种用于确定目标任务描述信息的方法与设备 Download PDFInfo
- Publication number
- CN113127153A CN113127153A CN202110426295.9A CN202110426295A CN113127153A CN 113127153 A CN113127153 A CN 113127153A CN 202110426295 A CN202110426295 A CN 202110426295A CN 113127153 A CN113127153 A CN 113127153A
- Authority
- CN
- China
- Prior art keywords
- information
- description information
- task
- instruction
- determining
- 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.)
- Pending
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F9/00—Arrangements for program control, e.g. control units
- G06F9/06—Arrangements for program control, e.g. control units using stored programs, i.e. using an internal store of processing equipment to receive or retain programs
- G06F9/44—Arrangements for executing specific programs
- G06F9/455—Emulation; Interpretation; Software simulation, e.g. virtualisation or emulation of application or operating system execution engines
- G06F9/45533—Hypervisors; Virtual machine monitors
- G06F9/45558—Hypervisor-specific management and integration aspects
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
- G06N20/10—Machine learning using kernel methods, e.g. support vector machines [SVM]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- 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
- G06F9/44—Arrangements for executing specific programs
- G06F9/455—Emulation; Interpretation; Software simulation, e.g. virtualisation or emulation of application or operating system execution engines
- G06F9/45533—Hypervisors; Virtual machine monitors
- G06F9/45558—Hypervisor-specific management and integration aspects
- G06F2009/45562—Creating, deleting, cloning virtual machine instances
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Software Systems (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Computing Systems (AREA)
- Life Sciences & Earth Sciences (AREA)
- Mathematical Physics (AREA)
- Biophysics (AREA)
- Molecular Biology (AREA)
- General Health & Medical Sciences (AREA)
- Computational Linguistics (AREA)
- Biomedical Technology (AREA)
- Health & Medical Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Medical Informatics (AREA)
- Power Sources (AREA)
Abstract
本申请的目的是提供一种确定目标任务描述信息的方法与设备。与现有技术相比,本申请通过获取中心服务器发送的指令任务信息,并基于所述指令任务信息确定执行所述指令任务信息对应的算力描述信息,然后基于所述指令任务信息及所述算力描述信息生成目标任务描述信息,其中,所述目标任务描述信息包括所述指令任务信息及所述算力描述信息,最后,将所述目标任务描述信息发送至目标边缘服务器,以使所述目标边缘服务器基于所述目标任务描述信息确定是否在本地执行其携带的所述指令任务信息。通过这种方式能够使目标边缘服务器来确定是否执行所述指令任务信息,从而使目标边缘服务器不会发生过载显现,避免了延迟问题的出现。
Description
技术领域
本申请涉及计算机技术领域,尤其涉及一种用于确定目标任务描述信息的技术。
背景技术
虚拟化通常是指计算机操作系统和程序在虚拟的硬件上而不是真实的硬件运行。设备的虚拟化就是将一台物理服务器通过软件的方法在这台服务器上虚拟出很多虚拟的设备,例如手机,平板,PC,智能家居设备等。虚拟化的设备一般使用远程桌面协议,将显示数据在远端的终端显示。
现有技术中,虚拟化的实现通常通过边缘计算来实现,也即,会将中心服务器发送的指令任务发送至靠近终端的边缘服务器来执行,但是,由于边缘服务器的工作量受限,当指令任务过多而边缘服务器无法及时处理,会导致边缘服务器过载,进而出现终端等待延迟问题。
发明内容
本申请的目的是提供一种用于确定目标任务描述信息的方法与设备。
根据本申请的一个方面,提供了一种在智能服务器端用于确定目标任务描述信息的方法,其中,所述方法包括:
获取中心服务器发送的指令任务信息;
基于所述指令任务信息确定执行所述指令任务信息对应的算力描述信息;
基于所述指令任务信息及所述算力描述信息生成目标任务描述信息,其中,所述目标任务描述信息包括所述指令任务信息及所述算力描述信息;
将所述目标任务描述信息发送至目标边缘服务器,以使所述目标边缘服务器基于所述目标任务描述信息确定是否在本地执行其携带的所述指令任务信息。
进一步地,其中,所述获取中心服务器发送的指令任务信息还包括:
获取中心服务器发送的场景数据信息;
其中,所述基于所述指令任务信息确定执行所述指令任务信息对应的算力描述信息包括:
基于所述指令任务信息以及所述场景数据信息确定执行所述指令任务信息对应的算力描述信息。
进一步地,其中,所述基于所述指令任务信息以及所述场景数据信息确定执行所述指令任务信息对应的算力描述信息包括:
基于所述指令任务信息确定任务算力描述信息;
基于所述场景数据信息确定场景算力描述信息;
基于所述任务算力描述信息及所述场景算力描述信息确定执行所述指令任务信息对应的算力描述信息。
进一步地,其中,所述基于所述指令任务信息确定任务算力描述信息包括:
基于所述指令任务信息通过神经网络模型确定任务算力描述信息。
进一步地,其中,所述任务算力描述信息的确定可通过以下公式:MFLOP1=Pfpu乘以Ffpu,其中,Ffpu为根据指令任务信息的工作量大小确定的基本算力预测值;Pfpu为基于历史指令任务信息确定的置信概率,用以表征所述基本算力预测值的可能性。
进一步地,其中,所述基于所述场景数据信息确定场景算力描述信息包括:
基于所述场景数据信息通过神经网络模型确定场景算力描述信息。
进一步地,其中,所述场景算力描述信息的确定可通过以下公式:
MFLOP2=Ps乘以Fs,其中,Fs为硬件的预测算力值,其基于硬件处理历史相似场景数据信息确定;Ps为场景权值,所述场景权值用以表征所述场景数据信息的重要程度。
进一步地,其中,所述硬件的预测算力值基于硬件处理历史相似场景数据信息消耗时间与硬件的算力值之积确定。
根据本申请的另一方面,还提供了一种在目标边缘服务器端用于确定目标任务描述信息的方法,其中,所述方法包括:
接收智能服务器发送的目标任务描述信息,其中,所述,目标任务描述信息包括指令任务信息及所述指令任务信息对应的算力描述信息;
基于所述目标任务描述信息确定所述算力描述信息;
基于所述算力描述信息以及本地剩余算力描述信息,确定是否在本地执行所述指令任务信息。
进一步地,其中,所述基于所述算力描述信息以及本地剩余算力描述信息,确定是否在本地执行所述指令任务信息包括:
确定所述算力描述信息以及本地剩余算力描述信息的比值;
当所述比值小于预设阈值,确定在本地执行所述指令任务信息,或者,当所述比值大于预设阈值,将所述指令任务信息发送至其他边缘服务器,以使其他边缘服务器执行所述指令任务信息。
根据本申请的再一方面,还提供了一种计算机可读介质,其上存储有计算机可读指令,所述计算机可读指令可被处理器执行以实现前述操作的方法。
与现有技术相比,本申请通过获取中心服务器发送的指令任务信息,并基于所述指令任务信息确定执行所述指令任务信息对应的算力描述信息,然后基于所述指令任务信息及所述算力描述信息生成目标任务描述信息,其中,所述目标任务描述信息包括所述指令任务信息及所述算力描述信息,最后,将所述目标任务描述信息发送至目标边缘服务器,以使所述目标边缘服务器基于所述目标任务描述信息确定是否在本地执行其携带的所述指令任务信息。通过这种方式能够使目标边缘服务器来确定是否执行所述指令任务信息,从而使目标边缘服务器不会发生过载显现,避免了延迟问题的出现。
附图说明
通过阅读参照以下附图所作的对非限制性实施例所作的详细描述,本发明的其它特征、目的和优点将会变得更明显:
图1示出根据本申请一个方面的一种用于在智能服务器端确定目标任务描述信息的方法流程图;
图2示出根据本申请另一个方面的一种用于在目标边缘服务器端确定目标任务描述信息的方法流程图;
图3示出根据本申请一个优选实施例的一种用于确定目标任务描述信息的方法流程图。
附图中相同或相似的附图标记代表相同或相似的部件。
具体实施方式
下面结合附图对本发明作进一步详细描述。
在本申请一个典型的配置中,终端、服务网络的设备和可信方均包括一个或多个处理器(CPU)、输入/输出接口、网络接口和内存。
内存可能包括计算机可读介质中的非永久性存储器,随机存取存储器(RAM)和/或非易失性内存等形式,如只读存储器(ROM)或闪存(flash RAM)。内存是计算机可读介质的示例。
计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括,但不限于相变内存(PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、其他类型的随机存取存储器(RAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、快闪记忆体或其他内存技术、只读光盘只读存储器(CD-ROM)、数字多功能光盘(DVD)或其他光学存储、磁盒式磁带,磁带磁盘存储或其他磁性存储设备或任何其他非传输介质,可用于存储可以被计算设备访问的信息。按照本文中的界定,计算机可读介质不包括非暂存电脑可读媒体(transitory media),如调制的数据信号和载波。
为更进一步阐述本申请所采取的技术手段及取得的效果,下面结合附图及优选实施例,对本申请的技术方案,进行清楚和完整的描述。
图1示出本申请一个方面的一种在智能服务器端用于确定目标任务描述信息的方法流程图,其中,所述方法包括:
S11获取中心服务器发送的指令任务信息;
S12基于所述指令任务信息确定执行所述指令任务信息对应的算力描述信息;
S13基于所述指令任务信息及所述算力描述信息生成目标任务描述信息,其中,所述目标任务描述信息包括所述指令任务信息及所述算力描述信息;
S14将所述目标任务描述信息发送至目标边缘服务器,以使所述目标边缘服务器基于所述目标任务描述信息确定是否在本地执行其携带的所述指令任务信息。
在该实施例中,在所述步骤S11中,获取中心服务器发送的指令任务信息。在本申请中,其中,所述智能服务器或者中心服务器或者边缘服务器为计算机设备和/或云,所述计算机设备包括但不限于个人计算机、笔记本电脑、工业计算机、网络主机、单个网络服务器、多个网络服务器集;所述云由基于云计算(Cloud Computing)的大量计算机或网络服务器构成,其中,云计算是分布式计算的一种,由一群松散耦合的计算机集组成的一个虚拟超级计算机。其中,边缘服务器还包括但不限于接入点、基站、网关、路由器、交换机等等,优选地的,本申请中所述边缘服务器包括图形处理器(GPU,graphics processing unit)。
在该实施例中,智能服务器可作为单独的服务器设备与中心服务器进行信息交互,也可以配置在中心服务器中,作为中心服务器的一部分,在此,不做具体的限定。其中,所述指令任务信息包括为了使虚拟化的终端达到可呈现在显示器上的目的而必须经过的处理过程,例如包括但不限于顶点、光照处理,纹理绑定等等。具体地,所述指令任务信息通过所述中心服务器生成,例如,虚拟终端可通过向中心服务器发送触发指令,可触发中心服务器生成所述指令任务信息。
当所述中心服务器生成所述任务指令信息后可将所述任务指令信息发送至所述智能服务器,相应地,所述智能服务器获取中心服务器发送的所述指令任务信息。
继续在该实施例中,在所述步骤S12中,基于所述指令任务信息确定执行所述指令任务信息对应的算力描述信息。在此,所述算力描述信息用以表征执行所述指令任务信息对于服务器的工作量大小,例如,传统“算力”(即算力描述信息)是计算机对浮点数计算能力的度量,以每秒浮点运算次数(FLOPS,floating point operations per seconds)来表示。
具体地,所述智能服务器可基于所述指令任务信息的内容大小来判断对应的算力描述信息,或者,还可以基于历史指令任务信息来确定对应的算力描述信息,例如,可将相同或者相似历史指令任务信息对应的算力描述信息确定为当前指令任务信息对应的算力描述信息,在此,所述基于所述指令任务信息确定执行所述指令任务信息对应的算力描述信息仅为举例,其他现有的或者今后可能出现的方式如适用于本申请,也应包含在本申请的保护范围内,在此,以引用的方式包含于此。
优选地,其中,所述步骤S11还包括:获取中心服务器发送的场景数据信息,其中,所述步骤S12包括:基于所述指令任务信息以及所述场景数据信息确定执行所述指令任务信息对应的算力描述信息。
在该实施例中,所述场景数据信息包括终端用户所进行的通信活动信息,例如,通过场景数据信息可确定对应的场景,比如,包括但不限于游戏场景,视频直播场景,休闲娱乐场景,通话场景等等。显然,由于各个场景下的显示内容各不相同,渲染复杂度也完全不同,比如“游戏场景”明显会比“休闲娱乐场景”需要更多的算力(也即算力描述信息更大)。
因此,可基于所述指令任务信息以及所述场景数据信息确定执行所述指令任务信息对应的算力描述信息。具体地,可通过将指令任务信息以及所述场景数据信息综合判断来确定对应的算力描述信息,例如,可以赋予不同的场景数据信息对应的场景为不同的权重值,通过权重值与指令任务信息相乘来确定对应的算力描述信息,比如,赋予游戏场景的权重值比休闲娱乐场景的权重值大,则在相同指令任务信息的情况下,游戏场景比休闲娱乐场景需要更多的算力。
在另一个优选实施例中,所述场景数据信息包括但不限于:1)网络行为数据,例如,包括但不限于活跃人数、访问和或启动次数、页面浏览量、访问时间长短、激活率、渗透率、外部触点等信息;2)网站内行为数据,例如,包括但不限于唯一页面浏览次数、页面停留时间、直接跳出访问次数、访问深度、进入或离开页面、浏览路径、评论次数与内容等信息;3)用户内容偏好数据,例如,包括但不限于使用APP或者登录网站、时间或频次、浏览或收藏内容、评论内容、互动内容、用户的生活形态偏好、用户的品牌偏好、用户地理位置等偏好等信息;(4)用户交易数据,例如,包括但不限于贡献率连带率、回头率、流失率、促销活动转化率、唤醒率等信息。通过将包括但不限于上述场景数据信息进行整合,来确定对应的场景,进而确定该场景对应的权值,再将指令任务信息以及所述场景数据信息综合判断来确定对应的算力描述信息。
优选地,所述基于所述指令任务信息以及所述场景数据信息确定执行所述指令任务信息对应的算力描述信息包括:
S121(未示出)基于所述指令任务信息确定任务算力描述信息;
S122(未示出)基于所述场景数据信息确定场景算力描述信息;
S123(未示出)基于所述任务算力描述信息及所述场景算力描述信息确定执行所述指令任务信息对应的算力描述信息。
在该实施例中,在所述步骤S121中,基于所述指令任务信息确定任务算力描述信息,在此,所述任务算力描述信息用以表征执行所述指令任务信息对于服务器的工作量大小。优选地,所述步骤S121包括:基于所述指令任务信息通过神经网络模型确定任务算力描述信息。其中,所述神经网络模型包括但不限于CNN模型。
其中,所述任务算力描述信息的确定可通过以下公式:MFLOP1=Pfpu乘以Ffpu,其中,Ffpu为根据指令任务信息的工作量大小确定的基本算力预测值;Pfpu为基于历史指令任务信息确定的置信概率,用以表征所述基本算力预测值的可能性。
例如,对于是Ffpu预测,可根据它的大小和所包含的像素点做初步的基本算力预测,比如,通过CNN分类,把它分到了10000这个数值,那么当前它的Ffpu就是10000MFLOP,再根据历史相关性,即之前对类似任务的处理情况作出一个置信概率Pfpu,也就是Ffpu为10000MFLOP有多大的可能性,比如可能性很大为0.8,则它俩相乘就是MFLOP1。
优选地,所述步骤S122包括:基于所述场景数据信息通过神经网络模型确定场景算力描述信息。其中,所述神经网络模型包括但不限于SVM或者CNN。其中,所述场景算力描述信息的确定可通过以下公式:
MFLOP2=Ps乘以Fs,其中,Fs为硬件的预测算力值,其基于硬件处理历史相似场景数据信息确定;Ps为场景权值,所述场景权值用以表征所述场景数据信息的重要程度。优选地,其中,所述硬件的预测算力值基于硬件处理历史相似场景数据信息消耗时间与硬件的算力值之积确定。
例如,对于Fs的预测,它是基于硬件的历史数据的,以前处理过这种类似数据硬件所消耗的时间乘以硬件的算力(硬件的算力在选购配置的时候就能获知)可作为Fs。另外,对于Ps的计算,起初需要大量的场景输入到SVM分类器来训练的,此处当场景数非常多也可以考虑用CNN来分类,最终目的是得出一个0~1之间精度为0.001的场景概率,这个场景概率就是描述当前场景的重要程度,换言之把一个个的场景按重要程度来从0到999排序,比如,一张美颜的自拍那么它的重要程度就没有那么重要,可能只能达到50的重要程度,而游戏场景中人物移动的一帧重要程度可能就达到500,由此也可以得到Ps,接着与Fs相乘即可得到MFLOP2。通过MFLOP1与MFLOP2相加即可确定总的算力描述信息。
继续在该实施例中,在所述步骤S13中,基于所述指令任务信息及所述算力描述信息生成目标任务描述信息,其中,所述目标任务描述信息包括所述指令任务信息及所述算力描述信息。
具体地,可将指令任务信息及所述算力描述信息进行打包,生成数据包结构作为目标任务描述信息,相应地,通过解析所述目标任务描述信息可获得其中的算力描述信息。
继续在该实施例中,在所述步骤S14中,将所述目标任务描述信息发送至目标边缘服务器,以使所述目标边缘服务器基于所述目标任务描述信息确定是否在本地执行其携带的所述指令任务信息。
具体地,智能服务器将打包好的目标任务描述信息发送至目标边缘服务器,以使所述目标边缘服务器基于其中的算力描述信息确定是否可在本地执行对应的指令任务信息,例如,如果本地有足够的算力,则可在本地执行,如果在本地没有足够的算力,则不在本地执行。
图2示出一种在目标边缘服务器端用于确定目标任务描述信息的方法,其中,所述方法包括:
S21接收智能服务器发送的目标任务描述信息,其中,所述,目标任务描述信息包括指令任务信息及所述指令任务信息对应的算力描述信息;
S22基于所述目标任务描述信息确定所述算力描述信息;
S23基于所述算力描述信息以及本地剩余算力描述信息,确定是否在本地执行所述指令任务信息。
在该实施例中,在所述步骤S21中,目标边缘服务器接收智能服务器发送的目标任务描述信息,其中,所述,目标任务描述信息包括指令任务信息及所述指令任务信息对应的算力描述信息。
在此,所述目标边缘服务器为智能服务器或者是中心服务器确定的边缘服务器,例如,可将与终端最近的边缘服务器确定为目标边缘服务器。
继续在该实施例中,在所述步骤S22中,基于所述目标任务描述信息确定所述算力描述信息。具体地,可通过解析所述目标任务描述信息来确定其中的算力描述信息,例如,所述目标任务描述信息在打包时的数据包结构为第一部分为算力描述信息,则可通过解析所述目标任务描述信息,获得其中的第一部分信息作为算力描述信息。在此,所述打包或者解析方式仅为举例,并不做具体限定。
继续在该实施例中,在所述步骤S23中,目标边缘服务器基于所述算力描述信息以及本地剩余算力描述信息,确定是否在本地执行所述指令任务信息。具体地,当本地剩余算力描述信息比所述算力描述信息大时,可确定在本地执行所述指令任务信息,反之,不在本地执行所述指令任务信息。
优选地,其中,所述步骤S23包括:确定所述算力描述信息以及本地剩余算力描述信息的比值;当所述比值小于预设阈值,确定在本地执行所述指令任务信息,或者,当所述比值大于预设阈值,将所述指令任务信息发送至其他边缘服务器,以使其他边缘服务器执行所述指令任务信息。
在该实施例中,具体地,可通过获取所述算力描述信息以及本地剩余算力描述信息的比值来确定是否在本地执行所述指令任务信息。
图3示出根据本申请一个优选实施例的一种用于确定目标任务描述信息的方法流程图。
其中,ARM(Advanced RISC Machine)虚拟化服务器代表中心服务器,AI场景服务器代表智能服务器,边缘云代理边缘服务器,指令流代表指令任务信息,算力描述对应算力描述信息,指令流加算力描述代表目标任务描述信息。
在第一步中,ARM虚拟化服务器生成指令流,第二步中,ARM虚拟化服务器将指令流及对应的场景数据发送至AI场景服务器,第三步中,AI场景服务器通过对场景数据进行机器学习确定场景对应的权值,第四步中输出预测的结果,即输出目标任务描述信息至目标边缘服务器,其中,第五步中,会基于所述算力描述信息以及本地剩余算力描述信息进行算力匹配,如果可在本地执行,则第六步中,目标边缘服务器会在本地进行执行指令处理。如果,所述目标边缘服务器无法在本地执行指令,则可将所述目标任务描述信息发送至别的边缘服务器,例如,可发送至最近的一个边缘服务器,以使该边缘服务器继续判断是否可在本地执行指令还是继续发送至别的边缘服务器。
与现有技术相比,本申请通过获取中心服务器发送的指令任务信息,并基于所述指令任务信息确定执行所述指令任务信息对应的算力描述信息,然后基于所述指令任务信息及所述算力描述信息生成目标任务描述信息,其中,所述目标任务描述信息包括所述指令任务信息及所述算力描述信息,最后,将所述目标任务描述信息发送至目标边缘服务器,以使所述目标边缘服务器基于所述目标任务描述信息确定是否在本地执行其携带的所述指令任务信息。通过这种方式能够使目标边缘服务器来确定是否执行所述指令任务信息,从而使目标边缘服务器不会发生过载显现,避免了延迟问题的出现。
根据本申请的又一方面,还提供了一种计算机可读介质,所述计算机可读介质存储有计算机可读指令,所述计算机可读指令可被处理器执行以实现前述方法。
根据本申请的又一方面,还提供了一种用于确定目标任务描述信息的智能服务器,其中,该服务器包括:
一个或多个处理器;以及
存储有计算机可读指令的存储器,所述计算机可读指令在被执行时使所述处理器执行如前述方法的操作。
例如,计算机可读指令在被执行时使所述一个或多个处理器:获取中心服务器发送的指令任务信息;基于所述指令任务信息确定执行所述指令任务信息对应的算力描述信息;基于所述指令任务信息及所述算力描述信息生成目标任务描述信息,其中,所述目标任务描述信息包括所述指令任务信息及所述算力描述信息;将所述目标任务描述信息发送至目标边缘服务器,以使所述目标边缘服务器基于所述目标任务描述信息确定是否在本地执行其携带的所述指令任务信息。
根据本申请的又一方面,还提供了一种用于确定目标任务描述信息的目标边缘服务器,其中,该服务器包括:
一个或多个处理器;以及
存储有计算机可读指令的存储器,所述计算机可读指令在被执行时使所述处理器执行如前述方法的操作。
例如,计算机可读指令在被执行时使所述一个或多个处理器:接收智能服务器发送的目标任务描述信息,其中,所述,目标任务描述信息包括指令任务信息及所述指令任务信息对应的算力描述信息;基于所述目标任务描述信息确定所述算力描述信息;基于所述算力描述信息以及本地剩余算力描述信息,确定是否在本地执行所述指令任务信息。
对于本领域技术人员而言,显然本发明不限于上述示范性实施例的细节,而且在不背离本发明的精神或基本特征的情况下,能够以其他的具体形式实现本发明。因此,无论从哪一点来看,均应将实施例看作是示范性的,而且是非限制性的,本发明的范围由所附权利要求而不是上述说明限定,因此旨在将落在权利要求的等同要件的含义和范围内的所有变化涵括在本发明内。不应将权利要求中的任何附图标记视为限制所涉及的权利要求。此外,显然“包括”一词不排除其他单元或步骤,单数不排除复数。装置权利要求中陈述的多个单元或装置也可以由一个单元或装置通过软件或者硬件来实现。第一,第二等词语用来表示名称,而并不表示任何特定的顺序。
Claims (13)
1.一种在智能服务器端用于确定目标任务描述信息的方法,其中,所述方法包括:
获取中心服务器发送的指令任务信息;
基于所述指令任务信息确定执行所述指令任务信息对应的算力描述信息;
基于所述指令任务信息及所述算力描述信息生成目标任务描述信息,其中,所述目标任务描述信息包括所述指令任务信息及所述算力描述信息;
将所述目标任务描述信息发送至目标边缘服务器,以使所述目标边缘服务器基于所述目标任务描述信息确定是否在本地执行其携带的所述指令任务信息。
2.根据权利要求1所述的方法,其中,所述获取中心服务器发送的指令任务信息还包括:
获取中心服务器发送的场景数据信息;
其中,所述基于所述指令任务信息确定执行所述指令任务信息对应的算力描述信息包括:
基于所述指令任务信息以及所述场景数据信息确定执行所述指令任务信息对应的算力描述信息。
3.根据权利要求2所述的方法,其中,所述基于所述指令任务信息以及所述场景数据信息确定执行所述指令任务信息对应的算力描述信息包括:
基于所述指令任务信息确定任务算力描述信息;
基于所述场景数据信息确定场景算力描述信息;
基于所述任务算力描述信息及所述场景算力描述信息确定执行所述指令任务信息对应的算力描述信息。
4.根据权利要求3所述的方法,其中,所述基于所述指令任务信息确定任务算力描述信息包括:
基于所述指令任务信息通过神经网络模型确定任务算力描述信息。
5.根据权利要求3所述的方法,其中,所述任务算力描述信息的确定可通过以下公式:MFLOP1=Pfpu乘以Ffpu,其中,Ffpu为根据指令任务信息的工作量大小确定的基本算力预测值;Pfpu为基于历史指令任务信息确定的置信概率,用以表征所述基本算力预测值的可能性。
6.根据权利要求3至5中任一项所述的方法,其中,所述基于所述场景数据信息确定场景算力描述信息包括:
基于所述场景数据信息通过神经网络模型确定场景算力描述信息。
7.根据权利要求6所述的方法,其中,所述场景算力描述信息的确定可通过以下公式:
MFLOP2=Ps乘以Fs,其中,Fs为硬件的预测算力值,其基于硬件处理历史相似场景数据信息确定;Ps为场景权值,所述场景权值用以表征所述场景数据信息的重要程度。
8.根据权利要求7所述的方法,其中,所述硬件的预测算力值基于硬件处理历史相似场景数据信息消耗时间与硬件的算力值之积确定。
9.一种在目标边缘服务器端用于确定目标任务描述信息的方法,其中,所述方法包括:
接收智能服务器发送的目标任务描述信息,其中,所述,目标任务描述信息包括指令任务信息及所述指令任务信息对应的算力描述信息;
基于所述目标任务描述信息确定所述算力描述信息;
基于所述算力描述信息以及本地剩余算力描述信息,确定是否在本地执行所述指令任务信息。
10.根据权利要求9所述的方法,其中,所述基于所述算力描述信息以及本地剩余算力描述信息,确定是否在本地执行所述指令任务信息包括:
确定所述算力描述信息以及本地剩余算力描述信息的比值;
当所述比值小于预设阈值,确定在本地执行所述指令任务信息,或者,当所述比值大于预设阈值,将所述指令任务信息发送至其他边缘服务器,以使其他边缘服务器执行所述指令任务信息。
11.一种计算机可读介质,其上存储有计算机可读指令,所述计算机可读指令可被处理器执行以实现如权利要求1至10中任一项所述的方法。
12.一种用于确定目标任务描述信息的智能服务器,其中,该服务器包括:
一个或多个处理器;以及
存储有计算机可读指令的存储器,所述计算机可读指令在被执行时使所述处理器执行如权利要求1至8中任一项所述方法的操作。
13.一种用于目标任务描述信息的目标边缘服务器,其中,该服务器包括:
一个或多个处理器;以及
存储有计算机可读指令的存储器,所述计算机可读指令在被执行时使所述处理器执行如权利要求9至10中任一项所述方法的操作。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110426295.9A CN113127153A (zh) | 2021-04-20 | 2021-04-20 | 一种用于确定目标任务描述信息的方法与设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110426295.9A CN113127153A (zh) | 2021-04-20 | 2021-04-20 | 一种用于确定目标任务描述信息的方法与设备 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113127153A true CN113127153A (zh) | 2021-07-16 |
Family
ID=76778488
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110426295.9A Pending CN113127153A (zh) | 2021-04-20 | 2021-04-20 | 一种用于确定目标任务描述信息的方法与设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113127153A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113626200A (zh) * | 2021-08-24 | 2021-11-09 | Oppo广东移动通信有限公司 | 任务负载计算方法、装置、存储介质以及终端 |
CN113641124A (zh) * | 2021-08-06 | 2021-11-12 | 珠海格力电器股份有限公司 | 一种算力分配方法、装置、控制器及楼宇控制系统 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20140122725A1 (en) * | 2012-11-01 | 2014-05-01 | Microsoft Corporation | Cdn load balancing in the cloud |
CN111475276A (zh) * | 2020-05-29 | 2020-07-31 | 深圳市元征科技股份有限公司 | 一种基于边缘计算的任务管理方法及其装置 |
CN111507650A (zh) * | 2020-07-02 | 2020-08-07 | 深圳微品致远信息科技有限公司 | 一种边缘计算平台算力分配调度方法及系统 |
CN112631758A (zh) * | 2020-12-30 | 2021-04-09 | 杭州雾联科技有限公司 | 一种边缘计算资源调度方法、装置、设备及可读存储介质 |
-
2021
- 2021-04-20 CN CN202110426295.9A patent/CN113127153A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20140122725A1 (en) * | 2012-11-01 | 2014-05-01 | Microsoft Corporation | Cdn load balancing in the cloud |
CN111475276A (zh) * | 2020-05-29 | 2020-07-31 | 深圳市元征科技股份有限公司 | 一种基于边缘计算的任务管理方法及其装置 |
CN111507650A (zh) * | 2020-07-02 | 2020-08-07 | 深圳微品致远信息科技有限公司 | 一种边缘计算平台算力分配调度方法及系统 |
CN112631758A (zh) * | 2020-12-30 | 2021-04-09 | 杭州雾联科技有限公司 | 一种边缘计算资源调度方法、装置、设备及可读存储介质 |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113641124A (zh) * | 2021-08-06 | 2021-11-12 | 珠海格力电器股份有限公司 | 一种算力分配方法、装置、控制器及楼宇控制系统 |
CN113626200A (zh) * | 2021-08-24 | 2021-11-09 | Oppo广东移动通信有限公司 | 任务负载计算方法、装置、存储介质以及终端 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110546654B (zh) | 通过构造接口的带宽控制来增强dnn模块的处理性能 | |
US10474693B2 (en) | Resolving conflicts within saved state data | |
Yi et al. | Heimdall: mobile GPU coordination platform for augmented reality applications | |
US8983860B1 (en) | Advertising auction system | |
US9842133B2 (en) | Auditing of web-based video | |
EP3203748B1 (en) | Cloud streaming service system, cloud streaming service method using optimal gpu, and apparatus for same | |
CN113127153A (zh) | 一种用于确定目标任务描述信息的方法与设备 | |
KR102305023B1 (ko) | 키 프레임 스케줄링 방법 및 장치, 전자 기기, 프로그램과 매체 | |
US10089145B1 (en) | Approximating sequential workloads on resource constrained systems | |
US11494237B2 (en) | Managing workloads of a deep neural network processor | |
CN101310256B (zh) | 用于翻译计算机程序代码的方法和系统 | |
Silva et al. | SmartRank: a smart scheduling tool for mobile cloud computing | |
CN110750482A (zh) | 一种用于提供小说阅读信息的方法与设备 | |
CN112965788B (zh) | 一种混合虚拟化方式的任务执行方法、系统及设备 | |
CN112882826B (zh) | 一种资源协同调度方法以及装置 | |
CN111913759A (zh) | 控制应用程序执行的方法、装置、计算设备和介质 | |
WO2017160377A1 (en) | Remote rendering of locally displayed content | |
US11507878B2 (en) | Adversarial training for event sequence analysis | |
CN111177062B (zh) | 一种用于提供阅读呈现信息的方法与设备 | |
WO2014040489A1 (en) | Method and apparatus for uploading a file | |
US11507349B2 (en) | Neural processing element with single instruction multiple data (SIMD) compute lanes | |
US9578131B2 (en) | Virtual machine migration based on communication from nodes | |
CN113742104A (zh) | 基于ai的rpa分身功能的生成方法及装置 | |
CN113992493A (zh) | 视频处理方法、系统、设备及存储介质 | |
KR102268817B1 (ko) | 분산 클라우드 환경에서의 기계 학습 성능 평가 방법 및 장치 |
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 |