CN113419830B - 一种基于神经网络的多维度调度方法及系统 - Google Patents

一种基于神经网络的多维度调度方法及系统 Download PDF

Info

Publication number
CN113419830B
CN113419830B CN202110699699.5A CN202110699699A CN113419830B CN 113419830 B CN113419830 B CN 113419830B CN 202110699699 A CN202110699699 A CN 202110699699A CN 113419830 B CN113419830 B CN 113419830B
Authority
CN
China
Prior art keywords
task
scheduler
scheduling
neural network
unit
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
CN202110699699.5A
Other languages
English (en)
Other versions
CN113419830A (zh
Inventor
刘尚鑫
朱明甫
马传琦
李青修
武志强
赵文俊
段崇
陈亚飞
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.)
Hebi National Lighting Photoelectric Technology Co ltd
Original Assignee
Hebi National Lighting Photoelectric Technology 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 Hebi National Lighting Photoelectric Technology Co ltd filed Critical Hebi National Lighting Photoelectric Technology Co ltd
Priority to CN202110699699.5A priority Critical patent/CN113419830B/zh
Publication of CN113419830A publication Critical patent/CN113419830A/zh
Application granted granted Critical
Publication of CN113419830B publication Critical patent/CN113419830B/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
    • 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
    • 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
    • G06N3/044—Recurrent networks, e.g. Hopfield 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
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/049—Temporal neural networks, e.g. delay elements, oscillating neurons or pulsed inputs
    • 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
    • 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)
  • Software Systems (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Computational Linguistics (AREA)
  • Biophysics (AREA)
  • Evolutionary Computation (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Biomedical Technology (AREA)
  • Artificial Intelligence (AREA)
  • Mathematical Physics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明公开了一种基于神经网络的多维度调度方法，多维度调度方法包括：根据任务优先级向下级发布调度任务、将带有优先级任务的节点时序信息传入到长短记忆网络模型行提取任务节点的特征向量、根据任务调度器负载状态和端口使用率提取任务调度器状态特征向量、确定任务优先级、基于神经网络输出的任务调度层级传入FIFO中，然后根据任务的调度器使用情况将任务调度发给任务调度器，进而发布给执行单元，本发明通过对发布调度任务的特征进行提取并通过神经网络进行训练，可以根据任务调度器的状态及任务优先级输出最优的调度优先级，实现不同层级的多维度调度，保证系统的高效运行及低延迟。

Description

一种基于神经网络的多维度调度方法及系统
技术领域
本发明涉及任务调度领域，特别涉及一种基于神经网络的多维度调度方法及系统。
背景技术
近年来由于硬件算力的不断提升，神经网络的技术和应用越来越多，能供通过大量数据进行训练网络模型，使结果更适合成产生活，而在一些任务执行和调度平台的工作和利用效率非常的低，应该提高任务调度的方法和效率，解决单靠任务队列来进行任务调度的单一，因此可以通过利用神经网络的算法来提高多维度的调度方法。
发明内容
本发明解决的技术问题为提供一种基于神经网络的多维度调度方法及系统，提高任务调度的方法和效率，以及解决单靠任务队列来进行任务调度的单一。
针对上述技术问题本发明的技术方案为提供一种基于神经网络的多维度调度方法包括：
步骤S1：调度系统根据任务优先级向下级发布调度任务，将各任务节点时序信息传入神经网络系统中。
所述步骤S1包括：
步骤S11:调度系统接收待调度任务；
步骤S12：根据经验任务优先级将调度任务划分优先级；
步骤S13：将调度任务映射为多维空间向量；
步骤S14：将各任务节点时序信息插入到神经网络系统中。
所述一种基于神经网络的多维度调度方法还包括：
步骤S2：将节点时序信息传入到长短记忆网络模型计算节点间相关分数，提取任务节点的特征向量。
所述步骤S2包括：
步骤S21：输入节点时序信息；
步骤S22：将各时序信息转换为时序向量，并对每个不定长的时序向量根据调度模式进行向量补全和裁剪，使之成为固定长度；
步骤S23：通过长短记忆网络模型计算时序信息前后相关度分数；
步骤S24：输出时序信息的特征向量。
所述一种基于神经网络的多维度调度方法还包括：
步骤S3：将任务调度器负载状态和端口使用率信息向量化，提取任务调度器状态特征向量。
所述步骤S3包括：
步骤S31：任务调度器通过传感器回传负载状态和端口使用率；
步骤S32：将回传信息通过进行特征抽取；
步骤S33：根据特征抽取的信息映射到特征向量。
所述一种基于神经网络的多维度调度方法还包括：
步骤S4：任务节点特征向量与任务调度器状态向量传入到若干全连接层中，最终通过柔性最大值层计算任务节点的概率分布，确定最优的任务优先级。
所述步骤S4包括：
步骤S41：任务节点特征向量和任务调度器状态向量分别与对应的权重相乘做计算，然后接入一层全连接层；
步骤S42：全连接层计算后通过激活函数得到输出；
步骤S43：将激活函数输出通过荣幸最大值层计算任务节点概率分布；
步骤S44：确定最优的任务优先级。
所述一种基于神经网络的多维度调度方法还包括：
步骤S5：基于神经网络输出的最优任务调度层级传入队列中，然后根据任务的调度器使用情况将任务调度发给任务调度器，进而发布给执行单元。
所述步骤S5包括：
步骤S51：最优的任务调度层级传入队列中；
步骤S52：调度器接收到任务调度将命令发布给动作单元；
步骤S53：调度器将任务调度发布给执行单元，同时回传调度器的负载信息和端口利用率。
本发明还提出了一种基于神经网络的多维度调度系统，所述系统包括：服务器系统和任务调度器模块；
服务器系统为服务器上深度神经网络系统，用于训练任务调度权重，计算最优调度；
任务调度器模块为硬件装置，用于执行对执行器的调度动作。
本发明还提出了一种用于基于神经网络的多维度调度系统的任务调度器模块，包括调度器外壳、调度器命令单元、调度器动作单元、调度延时单元，所述的调度器命令单元设置在调度器外壳上端部的内侧，调度器外壳的前端面内侧依次设置有多个调度器动作单元，每个调度器动作单元的前端分别设置有两个调度延时单元。
进一步的，所述的调度器命令单元包括垂直安装板、电缸安装板、驱动电缸、转动电机座、转动电机、转动主动齿轮、转动从动齿轮、转动轴，所述的垂直安装板的上端面固定安装在调度器外壳两端的内侧，电缸安装板垂直设置在垂直安装板上，所述的驱动电缸的后端部固定装在电缸安装板上，驱动电缸的前端安装有转动电机座，所述的转动电机通过前端电机面安装在转动电机座上，所述的转动主动齿轮与转动电机的外壳同轴心连接，所述的转动从动齿轮安装在转动轴上，转动从动齿轮与转动主动齿轮啮合安装。
进一步的，所述的调度器动作单元包括动作单元安装板、固定间隔板、上下滑轨、上下接触单元、推动缓冲弹簧、推动滑动块、推动连杆、固定转动轴、固定转动轴、固定垂直杆、滑动推动杆、滑动齿条、齿条安装座、齿条驱动齿轮、上下接触杆、接触杆缓冲弹簧，所述的固定间隔板平行的设置在动作单元安装板的上端面上，每个固定间隔板中间位置设置梯形缺口，并且下方有方形孔，所述的上下滑轨设置在每个固定间隔板的一侧，上下接触单元通过一侧设置的安装滑块滑动安装在上下滑轨内，所述的推动滑动块滑动安装在上下接触单元上方，推动缓冲弹簧设置在推动滑动块和上下接触单元之间，所述的固定垂直杆固定安装在动作单元安装板的两侧，固定转动轴固定安装在两个固定垂直杆之间，所述的推动连杆的中间转动安装在固定转动轴上，推动连杆的下端与推动滑动块两侧设置的安装轴转动连接，推动连杆的上方通过滑动推动杆连接起来，所述的齿条安装座的下端固定安装在动作单元安装板上，滑动齿条滑动安装在齿条安装座上，所述的齿条驱动齿轮与齿条安装座啮合安装，滑动齿条的顶端与滑动推动杆转动连接，所述的上下接触杆设置在上下接触单元的底端，所述的接触杆缓冲弹簧套装在上下接触杆上。
进一步的，所述的调度延时单元包括缓冲弹簧支架、延时电机支架、延时电机、转动驱动齿轮、转动齿轮盘、弧形滑轨、接通圆孔、执行单元接通板、接通板弹簧，所述的缓冲弹簧支架设置在动作单元安装板中间的下端面，所述的延时电机支架设置在缓冲弹簧支架上，延时电机通过电机面安装在延时电机支架上，延时电机的转动轴安装有转动驱动齿轮，所述的转动齿轮盘转动安装在缓冲弹簧支架的前端，所述的弧形滑轨设置在转动齿轮盘上，所述的接通圆孔分别设置在两个弧形滑轨的两端，所述的执行单元接通板通过接通板弹簧设置在调度器外壳的内侧上。
本发明与现有技术相比的有益效果是：本发明通过对发布调度任务的特征进行提取并通过神经网络进行训练，可以根据任务调度器的状态及任务优先级输出最优的调度优先级，实现不同层级的多维度调度，保证系统的高效运行及低延迟，同时本发明通过设置了任务调度器，任务调度器通过动作单元和延时单元共同作用，来对任务队列中对执行器的任务调度，解决使用FIFO队列调度的单一性，进一步提高工作效率。
附图说明
图1为本发明任务调度流程图神经网络框图；
图2为本发明神经网络框图；
图3为本发明任务调度器结构示意图；
图4为本发明调度器命令单元局部结构示意图；
图5为本发明调度器动作单元局部结构示意图；
图6为本发明调度延时单元局部结构示意图。
具体实施方式
在本发明以下的描述中，需要说明的是，术语“上”、“下”、“前”、“后”、“左”、“右”、“顶”、“底”、“内”、“外”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。
在本发明以下的描述中，需要说明的是，除非另有明确规定和限定，术语“安装”、“设置”、“连接”应做广义理解，例如，可以是固定连接，也可以是可拆卸连接，或一体地连接；可以是直接连接，亦可以是通过中间媒介间接连接，可以是两个部件内部的连通。对于本领域的普通技术人员而言，可以具体情况理解上述术语在本发明中的具体含义。
下面结合附图和示例性实施例对本发明作进一步地描述，在此发明的示意性实施例以及说明用来解释本发明，但并不作为对本发明的限定。此外，如果已知技术的详细描述对于示出本发明的特征是不必要的，则将其省略。
本发明提出了一种基于神经网络的多维度调度方法，参阅图1，图1为本发明提供的任务调度流程示意图。
具体而言，本实施例的基于神经网络的多维度调度方法包括：
步骤S1：调度系统根据任务优先级向下级发布调度任务，将各任务节点时序信息传入神经网络系统中。
进一步地，该步骤主要为调度系统接收任务，并发布调度过程，具体执行过程包括：
步骤S11:调度系统接收待调度任务；
步骤S12：根据经验任务优先级将调度任务划分优先级；
步骤S13：将调度任务映射为多维空间向量；
步骤S14：将各任务节点时序信息插入到神经网络系统中。
具体而言，本实施例的基于神经网络的多维度调度方法还包括：
步骤S2：将节点时序信息传入到长短记忆网络模型计算节点间相关分数，提取任务节点的特征向量。
进一步地，上述步骤的具体执行过程包括：
步骤S21：输入节点时序信息，由于调度任务的不同，节点时序信息长度也不同；
步骤S22：将各时序信息转换为时序向量，此时每个时序向量是不定长的，我们可以根据调度模式进行向量补全和裁剪，使之成为固定长度；
步骤S23：通过长短记忆网络模型计算时序信息前后相关度分数；
步骤S24：输出时序信息的特征向量，即为各个任务的特征向量。
具体而言，本实施例的基于神经网络的多维度调度方法还包括：
步骤S3：将任务调度器负载状态和端口使用率信息向量化，提取任务调度器状态特征向量。
本发明实施例中，任务调度器为调度硬件，内部设置有负载传感器和端口占用率回调传感器，这些信息通过回传给服务器系统，来确定任务调度器的使用情况，来进一步优化任务调度；
进一步地，上述步骤的具体执行过程包括：
步骤S31：任务调度器通过传感器回传负载状态和端口使用率，负载信息包括任务调度器内部各个动作单元的温度和延时单元的延时状态等；端口使用率包括正在使用的执行器端口和即将释放的执行器端口等信息；
步骤S32：将回传信息通过进行特征抽取，特征抽取过程实际上也是经过一次神经网络；
步骤S33：根据特征抽取的信息映射到特征向量，即为任务调度器状态特征向量。
具体而言，本实施例的基于神经网络的多维度调度方法还包括：
步骤S4：任务节点特征向量与任务调度器状态向量传入到若干全连接层中，最终通过柔性最大值层计算任务节点的概率分布，确定最优的任务优先级。
进一步地，上述步骤的具体执行过程包括：
步骤S41：任务节点特征向量和任务调度器状态向量分别与对应的权重相乘做计算，然后接入一层全连接层；
步骤S42：全连接层计算后通过激活函数得到输出；
步骤S43：将激活函数输出通过荣幸最大值层计算任务节点概率分布；
步骤S44：确定最优的任务优先级。
具体而言，本实施例的基于神经网络的多维度调度方法还包括：
步骤S5：基于神经网络输出的最优任务调度层级传入队列中，然后根据任务的调度器使用情况将任务调度发给任务调度器，进而发布给执行单元。
进一步地，上述步骤的具体执行过程包括：
步骤S51：最优的任务调度层级传入队列中；
步骤S52：调度器接收到任务调度将命令发布给动作单元；
步骤S53：调度器将任务调度发布给执行单元，同时回传调度器的负载信息和端口利用率。
本发明还提出了一种基于神经网络的多维度调度系统，参阅图2，图2为本发明提供的神经网络框示意图。
具体而言，本实施例的系统包括服务器系统和任务调度器模块，服务器系统为服务器上深度神经网络系统，用于训练任务调度权重，计算最优调度；任务调度器模块硬件装置，用于执行对执行器的调度动作。
本发明基于服务器调度系统将调度任务根据优先级映射到多维度空间，得到优先级空间向量，主要是进行多维任务分割。
将调度任务的时序信息传入到神经网络进行计算得到任务执行优先级概率，确定最优的调度方法，由于任务调度是实时发布的，当有新的任务时序信息进入网络时，网络会根据当前任务执行情况，调整权重，重新计算最优调度。
基于神经网络输出的执行顺序发布给任务调度器，任务调度器执行动作进而将调度任务发布给执行单元后根据调度系统任务优先级提取特征向量，实现任务调度。
本发明所提供的系统可以根据上述提出的一种基于神经网络的多维度调度方法将调度任务输入如图2所示的神经网络中，得到任务节点优先级概率后，任务调度器模块会根据调度系统任务优先级提取特征向量，实现任务调度。
本发明还提出了一种基于神经网络的多维度调度系统中的任务调度器，参阅图3-图6，图3-图6为本发明提供的任务调度器结构示意图。
参阅图3所示的任务调度器模块包括：调度器外壳1、调度器命令单元2、调度器动作单元3、调度延时单元4，调度器命令单元2设置在调度器外壳1上端部的内侧，调度器外壳1的前端面内侧依次设置有多个调度器动作单元3，每个调度器动作单元3的前端分别设置有两个调度延时单元4。调度器命令单元2用于发布服务器系统的调度任务，调度器动作单元3用于执行动作，调度延时单元4根据当前任务执行，将调度器动作单元3的动作延时。
参阅图4所示的调度器命令单元2的垂直安装板201的上端面固定安装在调度器外壳1两端的内侧，电缸安装板202垂直设置在垂直安装板201上，驱动电缸203的后端部固定装在电缸安装板202上，驱动电缸203的前端安装有转动电机座204，转动电机205通过前端电机面安装在转动电机座204上，转动主动齿轮206与转动电机205的外壳同轴心连接，转动从动齿轮207安装在转动轴208上，转动从动齿轮207与转动主动齿轮206啮合安装，当服务器下达调度任务，驱动电缸203伸长，使转动电机205上的转动主动齿轮206与转动从动齿轮接触，驱动转动轴208转动，进而驱动动作单元的齿条驱动齿轮313转动。
参阅图5所示的调度器动作单元3上固定间隔板302平行的设置在动作单元安装板301的上端面上，每个固定间隔板302中间位置设置梯形缺口，并且下方有方形孔，上下滑轨303设置在每个固定间隔板302的一侧，上下接触单元304通过一侧设置的安装滑块滑动安装在上下滑轨303内，推动滑动块306滑动安装在上下接触单元304上方，推动缓冲弹簧305设置在推动滑动块306和上下接触单元304之间，固定垂直杆309固定安装在动作单元安装板301的两侧，固定转动轴308固定安装在两个固定垂直杆309之间，推动连杆307的中间转动安装在固定转动轴308上，推动连杆307的下端与推动滑动块306两侧设置的安装轴转动连接，推动连杆307的上方通过滑动推动杆310连接起来，齿条安装座312的下端固定安装在动作单元安装板301上，滑动齿条311滑动安装在齿条安装座312上，齿条驱动齿轮313与齿条安装座312啮合安装，滑动齿条311的顶端与滑动推动杆310转动连接，上下接触杆314设置在上下接触单元304的底端，接触杆缓冲弹簧315套装在上下接触杆314上，当齿条驱动齿轮313转动，驱动滑动齿条311向上移动，是推动连杆307向下移动，推动上下接触单元304向下移动，进而使上下接触杆314向下移动，由于上下接触杆314受到接触杆缓冲弹簧315的弹力作用，容易恢复原状。
参阅图6所示的调度延时单元4的缓冲弹簧支架401设置在动作单元安装板301中间的下端面，延时电机支架402设置在缓冲弹簧支架401上，延时电机403通过电机面安装在延时电机支架402上，延时电机403转动轴上安装有转动驱动齿轮404，转动齿轮盘405转动安装在缓冲弹簧支架401的前端，弧形滑轨406设置在转动齿轮盘405上，接通圆孔407分别设置在两个弧形滑轨406的两端，执行单元接通板408通过接通板弹簧409设置在调度器外壳1的内侧上，当需要对上下接触杆314进行延时作用时，延时电机403驱动转动齿轮盘405转动，使上下接触杆314不能通过接通圆孔407，使其还在弧形滑轨406内停留让上下接触杆314不能与执行单元接通板408接触，当需要接通时，上下接触杆314穿过接通圆孔407与执行单元接通板408接触，使其向前与执行器接通，完成任务调度工作。
应当理解的是，以上实施例仅用以说明本发明的技术方案，而非对其限制，对本领域技术人员来说，可以对上述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，而所有这些修改和替换，都应属于本发明所附权利要求的保护范围。

Claims (10)

1.一种基于神经网络的多维度调度方法，其特征在于，包括：
步骤S1：调度系统根据任务优先级向下级发布调度任务，将各任务节点时序信息传入神经网络系统中；
步骤S2：将节点时序信息传入到长短记忆网络模型计算节点间相关分数，提取任务节点的特征向量；
步骤S3：将任务调度器负载状态和端口使用率信息向量化，提取任务调度器状态特征向量；
步骤S4：任务节点特征向量任务于调度器状态向量传入到若干全连接层中，最终通过柔性最大值层计算任务节点的概率分布，确定最优任务调度层级；
步骤S5：基于神经网络输出的最优任务调度层级传入队列中，然后根据任务的调度器使用情况将任务调度发给任务调度器，进而发布给执行单元。
2.如权利要求1所述的一种基于神经网络的多维度调度方法，其特征在于，步骤S1包括：
步骤S11：调度系统接收待调度任务；
步骤S12：根据经验任务优先级将调度任务划分优先级；
步骤S13：将调度任务映射为多维空间向量；
步骤S14：将各任务节点时序信息插入到神经网络系统中。
3.如权利要求1所述的一种基于神经网络的多维度调度方法，其特征在于，步骤S2包括：
步骤S21：输入节点时序信息；
步骤S22：将各时序信息转换为时序向量，并对每个不定长的时序向量根据调度模式进行向量补全和裁剪，使之成为固定长度；
步骤S23：通过长短记忆网络模型计算时序信息前后相关度分数；
步骤S24：输出时序信息的特征向量。
4.如权利要求1所述的一种基于神经网络的多维度调度方法，其特征在于，步骤S3包括：
步骤S31：任务调度器通过传感器回传负载状态和端口使用率；步骤S32：将回传信息通过进行特征抽取；步骤S33：根据特征抽取的信息映射到特征向量。
5.如权利要求1所述的一种基于神经网络的多维度调度方法，其特征在于，步骤S4包括：
步骤S41：任务节点特征向量和任务调度器状态向量分别与对应的权重相乘做计算，然后接入一层全连接层；
步骤S42：全连接层计算后通过激活函数得到输出；
步骤S43：将激活函数输出通过柔性最大值层计算任务节点概率分布；
步骤S44：确定最优的任务优先级；
6.如权利要求1所述的一种基于神经网络的多维度调度方法，其特征在于，步骤S5包括：
步骤S51：最优的任务调度层级传入队列中；
步骤S52：调度器接收到任务调度将命令发布给动作单元；
步骤S53：调度器将任务调度发布给执行单元，同时回传调度器的负载信息和端口利用率。
7.根据采用权利要求1-6任一所述方法的一种基于神经网络的多维度调度系统，其特征在于：所述系统包括：服务器系统和任务调度器模块；
服务器系统为服务器上深度神经网络系统，用于训练任务调度权重，计算最优调度；
任务调度器模块为硬件装置，用于执行对执行器的调度动作。
8.根据用于权利要求1-6任一所述方法的一种任务调度器模块，其特征在于：所述任务调度器模块包括调度器外壳、设置在调度器外壳上端部内侧的调度器命令单元、设置在调度器外壳前端面内侧的多个调度器动作单元以及设置在每个调度器动作单元的前端的调度延时单元，所述调度器命令单元，调度器命令单元用于发布服务器系统的调度任务，调度器动作单元用于执行动作，调度延时单元根据当前任务执行，将调度器动作单元的动作延时。
9.如权利要求7所述的一种任务调度器模块，其特征在于：调度器命令单元为调度器动作单元提供动力源，所述调度器动作单元包括由调度器命令单元驱动的直线运动机构，所述直线运动机构与连杆机构一端连接，所述连杆机构另一端与上下接触单元连接，当调度器命令单元驱动直线运动机构时，直线运动机构通过连杆机构使上下接触单元与执行器接通，完成任务调度工作。
10.如权利要求8所述的一种任务调度器模块，其特征在于：所述调度延时单元包括设置有弧形滑轨的转动齿轮盘，所述弧形滑轨的两端设置两个接通圆孔，执行单元接通板通过接通板弹簧设置在调度器外壳的内侧上，当需要对上下接触杆进行延时作用时，延时电机驱动转动齿轮盘转动，使上下接触杆不能通过接通圆孔，使其还在弧形滑轨内停留让上下接触杆不能与执行单元接通板接触，当需要接通时，上下接触杆穿过接通圆孔与执行单元接通板接触，使其向前与执行器接通，完成任务调度工作。
CN202110699699.5A 2021-06-23 2021-06-23 一种基于神经网络的多维度调度方法及系统 Active CN113419830B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110699699.5A CN113419830B (zh) 2021-06-23 2021-06-23 一种基于神经网络的多维度调度方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110699699.5A CN113419830B (zh) 2021-06-23 2021-06-23 一种基于神经网络的多维度调度方法及系统

Publications (2)

Publication Number Publication Date
CN113419830A CN113419830A (zh) 2021-09-21
CN113419830B true CN113419830B (zh) 2023-02-03

Family

ID=77716440

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110699699.5A Active CN113419830B (zh) 2021-06-23 2021-06-23 一种基于神经网络的多维度调度方法及系统

Country Status (1)

Country Link
CN (1) CN113419830B (zh)

Citations (14)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US6829764B1 (en) * 1997-06-23 2004-12-07 International Business Machines Corporation System and method for maximizing usage of computer resources in scheduling of application tasks
EP1724684A1 (en) * 2005-05-17 2006-11-22 BUSI Incubateur d'entreprises d'AUVEFGNE System and method for task scheduling, signal analysis and remote sensor
CN104317658A (zh) * 2014-10-17 2015-01-28 华中科技大学 一种基于MapReduce的负载自适应任务调度方法
WO2019127945A1 (zh) * 2017-12-26 2019-07-04 佛山科学技术学院 基于结构化神经网络的成像任务可调度性预测方法
CN110489223A (zh) * 2019-08-26 2019-11-22 北京邮电大学 一种异构集群中任务调度方法、装置及电子设备
CN110825502A (zh) * 2018-08-10 2020-02-21 北京百度网讯科技有限公司 神经网络处理器和用于神经网络处理器的任务调度方法
CN111694643A (zh) * 2020-05-12 2020-09-22 中国科学院计算技术研究所 一种面向图神经网络应用的任务调度执行系统及方法
CN112035251A (zh) * 2020-07-14 2020-12-04 中科院计算所西部高等技术研究院 基于强化学习作业布局的深度学习训练系统及方法
CN112231091A (zh) * 2020-11-05 2021-01-15 北京理工大学 一种基于强化学习策略的并行云工作流调度方法
CN112486641A (zh) * 2020-11-18 2021-03-12 鹏城实验室 一种基于图神经网络的任务调度方法
CN112667379A (zh) * 2020-12-29 2021-04-16 深圳Tcl新技术有限公司 任务调度方法及服务器
CN112711478A (zh) * 2019-10-24 2021-04-27 珠海零边界集成电路有限公司 基于神经网络的任务处理方法、装置、服务器和存储介质
CN112711475A (zh) * 2021-01-20 2021-04-27 上海交通大学 一种基于图卷积神经网络的工作流调度方法及系统
CN112905312A (zh) * 2021-01-20 2021-06-04 杭州电子科技大学 边缘计算环境中基于深度q神经网络的工作流调度方法

Family Cites Families (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US5442730A (en) * 1993-10-08 1995-08-15 International Business Machines Corporation Adaptive job scheduling using neural network priority functions
US8918789B2 (en) * 2011-10-26 2014-12-23 International Business Machines Corporation Task assignment using ranking support vector machines
US10447608B2 (en) * 2014-11-14 2019-10-15 Marvell Semiconductor, Inc. Packet scheduling using hierarchical scheduling process with priority propagation
CN107888669B (zh) * 2017-10-31 2020-06-09 武汉理工大学 一种基于深度学习神经网络的大规模资源调度系统及方法
CN112486648A (zh) * 2020-11-30 2021-03-12 北京百度网讯科技有限公司 任务调度方法、装置、系统、电子设备和存储介质

Patent Citations (14)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US6829764B1 (en) * 1997-06-23 2004-12-07 International Business Machines Corporation System and method for maximizing usage of computer resources in scheduling of application tasks
EP1724684A1 (en) * 2005-05-17 2006-11-22 BUSI Incubateur d'entreprises d'AUVEFGNE System and method for task scheduling, signal analysis and remote sensor
CN104317658A (zh) * 2014-10-17 2015-01-28 华中科技大学 一种基于MapReduce的负载自适应任务调度方法
WO2019127945A1 (zh) * 2017-12-26 2019-07-04 佛山科学技术学院 基于结构化神经网络的成像任务可调度性预测方法
CN110825502A (zh) * 2018-08-10 2020-02-21 北京百度网讯科技有限公司 神经网络处理器和用于神经网络处理器的任务调度方法
CN110489223A (zh) * 2019-08-26 2019-11-22 北京邮电大学 一种异构集群中任务调度方法、装置及电子设备
CN112711478A (zh) * 2019-10-24 2021-04-27 珠海零边界集成电路有限公司 基于神经网络的任务处理方法、装置、服务器和存储介质
CN111694643A (zh) * 2020-05-12 2020-09-22 中国科学院计算技术研究所 一种面向图神经网络应用的任务调度执行系统及方法
CN112035251A (zh) * 2020-07-14 2020-12-04 中科院计算所西部高等技术研究院 基于强化学习作业布局的深度学习训练系统及方法
CN112231091A (zh) * 2020-11-05 2021-01-15 北京理工大学 一种基于强化学习策略的并行云工作流调度方法
CN112486641A (zh) * 2020-11-18 2021-03-12 鹏城实验室 一种基于图神经网络的任务调度方法
CN112667379A (zh) * 2020-12-29 2021-04-16 深圳Tcl新技术有限公司 任务调度方法及服务器
CN112711475A (zh) * 2021-01-20 2021-04-27 上海交通大学 一种基于图卷积神经网络的工作流调度方法及系统
CN112905312A (zh) * 2021-01-20 2021-06-04 杭州电子科技大学 边缘计算环境中基于深度q神经网络的工作流调度方法

Non-Patent Citations (5)

* Cited by examiner, † Cited by third party
Title
A Novel Proposed Approach for Real-Time Scheduling Based on Neural Networks Approach with Minimization of Power Consumption;Ghofrane Rhaiem 等;《2016 World Symposium on Computer Applications & Research (WSCAR)》;20161222;第98-102页 *
Multi-Satellite Resource Scheduling Based on Deep Neural Network;Huan Meng 等;《2019 International Joint Conference on Neural Networks (IJCNN)》;20190930;第1-7页 *
基于优先级的任务调度与负载均衡模型研究;孟宪福;《小型微型计算机系统》;20050930(第09期);全文 *
基于模糊神经网络的相控阵雷达任务调度设计;郑玉军 等;《兵工学报》;20161231;第37卷(第11期);第2010-2014页 *
支持多优先级分组交换调度算法研究及其调度器设计;刘化君等;《计算机工程与应用》;20020731(第14期);全文 *

Also Published As

Publication number Publication date
CN113419830A (zh) 2021-09-21

Similar Documents

Publication Publication Date Title
JP5320802B2 (ja) 電力系統の制御システムおよび制御方法
WO2021227508A1 (zh) 基于深度强化学习的工业5g动态多优先级多接入方法
CN111507601A (zh) 基于深度强化学习与区块链共识的资源优化分配决策方法
CN105162414B (zh) 一种基于时序数据库平台的光伏电站功率预测系统
CN113419830B (zh) 一种基于神经网络的多维度调度方法及系统
CN106027328A (zh) 一种基于应用容器部署的集群监控的方法及系统
CN101254528A (zh) 一种大包下渣检测自动控制系统
CN115629873A (zh) 车路云协同任务卸载与任务队列稳定性控制系统和方法
CN102778848A (zh) 一种遥操作机器人自驱动采样系统及采样方法
CN109086238B (zh) 一种基于usb重定向的服务器串口管理系统及方法
CN113224747A (zh) 计及电动汽车需求响应的电力资源协调调度方法及系统
CN102546817A (zh) 集中式数据中心数据冗余消除方法
CN112465184A (zh) 一种少样本生成式对抗学习网络的云储能系统控制方法
CN113190583B (zh) 一种数据采集系统、方法、电子设备及存储介质
CN103873388A (zh) 一种网络内容控制方法和网络设备
CN103617305A (zh) 一种自适应的电力仿真云计算平台作业调度算法
CN115080197A (zh) 计算任务调度方法、装置、电子设备和存储介质
CN112365162A (zh) 一种基于事故致因网络的铁路运行风险控制方法
CN112217863B (zh) 一种边缘设备资源高效利用方法
Abbasian et al. Event-driven dynamic power management based on wavelet forecasting theory
Kuchuk Method of information flow control in a hyperconvergent system
CN105743077B (zh) 一种直流电网线路传输功率静态优化方法
CN212484109U (zh) 一种电子控制装置
CN110225070A (zh) 基于新能源车辆的实时数据处理方法及网关
CN103426662B (zh) 塑壳断路器储能式操作机构用手柄缓冲装置

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