CN113672489B - 超级计算机的资源性能等级确定方法及设备 - Google Patents

超级计算机的资源性能等级确定方法及设备 Download PDF

Info

Publication number
CN113672489B
CN113672489B CN202111237139.4A CN202111237139A CN113672489B CN 113672489 B CN113672489 B CN 113672489B CN 202111237139 A CN202111237139 A CN 202111237139A CN 113672489 B CN113672489 B CN 113672489B
Authority
CN
China
Prior art keywords
state value
memory
target
supercomputer
cpu
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
CN202111237139.4A
Other languages
English (en)
Other versions
CN113672489A (zh
Inventor
聂鹏飞
郑刚
刘腾萧
韩振鑫
康波
孟祥飞
冯景华
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.)
National Supercomputer Center In Tianjin
Original Assignee
National Supercomputer Center In Tianjin
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 National Supercomputer Center In Tianjin filed Critical National Supercomputer Center In Tianjin
Priority to CN202111237139.4A priority Critical patent/CN113672489B/zh
Publication of CN113672489A publication Critical patent/CN113672489A/zh
Application granted granted Critical
Publication of CN113672489B publication Critical patent/CN113672489B/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
    • G06F11/00—Error detection; Error correction; Monitoring
    • G06F11/30—Monitoring
    • G06F11/34—Recording or statistical evaluation of computer activity, e.g. of down time, of input/output operation ; Recording or statistical evaluation of user activity, e.g. usability assessment
    • G06F11/3466—Performance evaluation by tracing or monitoring
    • G06F11/3476—Data logging
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F11/00—Error detection; Error correction; Monitoring
    • G06F11/30—Monitoring
    • G06F11/3055—Monitoring arrangements for monitoring the status of the computing system or of the computing system component, e.g. monitoring if the computing system is on, off, available, not available

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • General Engineering & Computer Science (AREA)
  • Quality & Reliability (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Computing Systems (AREA)
  • Computer Hardware Design (AREA)
  • Debugging And Monitoring (AREA)

Abstract

本申请提供了一种超级计算机的资源性能等级确定方法、装置、计算机设备及存储介质，涉及超级计算技术领域，用于提高超级计算机资源的利用率。方法主要包括：获取目标超级计算机的中央处理器CPU状态值、内存状态值、网络状态值和输入/输出I/O状态值，以及目标应用在所述目标超级计算机下运行所需要的运行时间状态值、CPU利用率、和内存利用率；对所述CPU状态值、所述内存状态值、所述网络状态值和所述I/O状态值进行相加得到系统状态值，对所述运行时间状态值、CPU利用率和所述内存利用率进行相加得到应用状态值；根据所述系统状态值和所述应用状态值，确定所述目标超级计算机的资源性能等级。

Description

超级计算机的资源性能等级确定方法及设备
技术领域
本申请涉及超级计算技术领域，尤其涉及一种超级计算机评测方法、装置、计算机设备及存储介质。
背景技术
超级计算机是指多个计算节点组合起来的能平行进行大规模计算或数据处理的计算机，也称为并行计算机，是计算机中功能最强、运算最快、存储量最大的一类，多用于国家高科技领域和尖端技术研究，是一个国家科技发展水平和综合国力的重要体现。
目前，超级计算机的体系结构和技术路线越来越多，各地的超算中心也如雨后春笋，层出不穷，面对如此多的超级计算机，用户面临选择上的难题，不清楚选择哪个更好，此外，即使用户选择了一个超级计算机，也不清楚该使用多少的资源，可以在接受的时间内完成计算任务，甚至有的用户不清楚自己的计算任务最小运行资源是多大，如果请求资源不足，作业就可能因此超时或者内存溢出导致中止，无法得到期望的结果，也浪费了超算宝贵的计算能力。
发明内容
本申请实施例提供一种超级计算机的资源性能等级确定方法、装置、计算机设备及存储介质，用于提高超级计算机资源的利用率。
本发明实施例提供一种超级计算机的资源性能等级确定方法，所述方法包括：
获取目标超级计算机的中央处理器CPU状态值、内存状态值、网络状态值和输入/输出I/O状态值，以及目标应用在所述目标超级计算机下运行所需要的运行时间状态值、CPU利用率、和内存利用率；
对所述CPU状态值、所述内存状态值、所述网络状态值和所述I/O状态值进行相加得到系统状态值，对所述运行时间状态值、CPU利用率和所述内存利用率进行相加得到应用状态值；
根据所述系统状态值和所述应用状态值，确定所述目标超级计算机的资源性能等级。
本发明实施例提供一种超级计算机的资源性能等级确定装置，所述装置包括：
获取模块，用于获取目标超级计算机的中央处理器CPU状态值、内存状态值、网络状态值和输入/输出I/O状态值，以及目标应用在所述目标超级计算机下运行所需要的运行时间状态值、CPU利用率、和内存利用率；
计算模块，用于对所述CPU状态值、所述内存状态值、所述网络状态值和所述I/O状态值进行相加得到系统状态值，对所述运行时间状态值、CPU利用率和所述内存利用率进行相加得到应用状态值；
确定模块，用于根据所述系统状态值和所述应用状态值，确定所述目标超级计算机的资源性能等级。
一种计算机设备，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，所述处理器执行所述计算机程序时实现上述超级计算机的资源性能等级确定方法。
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上述超级计算机的资源性能等级确定方法。
本发明提供一种超级计算机的资源性能等级确定方法、装置、计算机设备及存储介质，首先获取目标超级计算机的中央处理器CPU状态值、内存状态值、网络状态值和输入/输出I/O状态值，以及目标应用在目标超级计算机下运行所需要的运行时间状态值、CPU利用率、和内存利用率；然后对CPU状态值、内存状态值、网络状态值和I/O状态值进行相加得到系统状态值，对运行时间状态值、CPU利用率和所述内存利用率进行相加得到应用状态值；最后根据系统状态值和应用状态值，确定目标超级计算机的资源性能等级。从而通过本发明可以对超级计算机拥有的资源性能进行计算，即可确定超级计算机对应的资源性能等级，进而依据超级计算机的资源新能等级提高超级计算机的资源利用率。
附图说明
图1为本申请提供的超级计算机的资源性能等级确定方法流程图；
图2为本申请提供的获取程序所需的内存流程示意图；
图3为本申请提供的超级计算机的资源性能等级确定装置的结构示意图。
具体实施方式
为了更好的理解上述技术方案，下面通过附图以及具体实施例对本申请实施例的技术方案做详细的说明，应当理解本申请实施例以及实施例中的具体特征是对本申请实施例技术方案的详细的说明，而不是对本申请技术方案的限定，在不冲突的情况下，本申请实施例以及实施例中的技术特征可以相互组合。
请参阅图1，为本发明当中的超级计算机的资源性能等级确定方法。该方法具体包括步骤S10-步骤S30：
步骤S10，获取目标超级计算机的中央处理器CPU状态值、内存状态值、网络状态值和输入/输出I/O状态值，以及目标应用在目标超级计算机下运行所需要的运行时间状态值、CPU利用率、和内存利用率。
其中，目标超级计算机为需要确定资源性能等级的计算机。例如，目标超级计算机可以为天河超级计算机天河 1A（TH1A）、天河三号原型机（TH3E）以及国家超级计算天津中心自建的 HPC 集群（HPC）等，本实施例不做具体限定。
在本实施例中，CPU状态值、内存状态值、网络状态值和输入/输出I/O状态值分别用于表示目标超级计算机的CPU性能、内存性能、网络性能和I/O性能。当然，还可以获取目标超级计算机的功耗测试、高温测试，压力测试，噪音测试等细粒度状态值，然后根据目标超级计算机的所有维度的状态值进行计算，得到目标超级计算机的系统状态值。
运行时间状态值用于评估目标应用在目标超级计算机中运行所占用的时间、CPU利用率用于评估目标应用在目标超级计算机中运行所占用的CPU资源、内存利用率用于评估目标应用在目标超级计算机中运行所占用的内存资源。
在本发明提供的一个实施例中，步骤S10获取目标超级计算机的CPU状态值、内存状态值、网络状态值和I/O状态值，包括：
步骤S101、获取关于目标超级计算机的不同评测类型分别对应的第一中间参数和第二中间参数。
其中，所述评测类型包括CPU、内存、网络以及I/O。第一中间参数为数值越大性能越好的中间参数，如第一中间参数具体可以为CPU浮点运算速度、内存带宽、网络带宽、CPU利用率、内存利用率等；第二中间参数为数值越小性能越好的中间参数，如第二中间参数具体可以为运行时间、网络延迟等，本发明实施例不做具体限定。
步骤S102、通过下述公式计算第一中间参数的状态值：
Figure DEST_PATH_IMAGE002
；
步骤S103、通过下述公式计算第二中间参数的状态值：
Figure DEST_PATH_IMAGE004
；
步骤S104、通过计算属于同一评测类型的所述第一中间参数的状态值和所述第二中间参数的状态值的和值，得到CPU状态值、内存状态值、网络状态值和I/O状态值。
其中，
Figure 8039DEST_PATH_IMAGE005
为目标超级计算机在
Figure DEST_PATH_IMAGE006
方面的评测结果，
Figure DEST_PATH_IMAGE007
为所述目标超级计算机，
Figure 100002_DEST_PATH_IMAGE008
为评测类型CPU、内存、网络以及I/O分别对应的第一中间参数或第二中间参数，
Figure DEST_PATH_IMAGE009
表示
Figure 793461DEST_PATH_IMAGE008
的重要系数，该系数越高表示该中间参数越重要，一般cpu方面的系数最重要，其次是网络、内存和I/O，
Figure 100002_DEST_PATH_IMAGE010
，
Figure DEST_PATH_IMAGE011
为预先设置的固定值。
Figure DEST_PATH_IMAGE012
为目标超级计算机
Figure 952758DEST_PATH_IMAGE007
在
Figure 368696DEST_PATH_IMAGE008
方面的评测结果；
Figure DEST_PATH_IMAGE013
为预置超级计算机
Figure DEST_PATH_IMAGE014
在
Figure 744052DEST_PATH_IMAGE008
方面的评测结果，预置超级计算机
Figure 490422DEST_PATH_IMAGE014
为基础的超级计算机，用于衡量目标超级计算机的评测结果。在本实施例中，benckmark需要在同等核数下进行比较。
需要说明的是，本实施例可以通过系统测评工具获取目标超级计算机的各项性能中间参数。如通过工具Stream获取内存带宽测试结果、通过工具Memteste获取内存压力测试结果、通过工具Mdtest获取元数据操作测试结果、通过工具IOR获取文件系统测试结果、通过工具IOzone获取IO性能测试结果、通过工具Osu获取网络性能测试结果、通过工具Linpack获取CPU性能测试结果等，本实施例对此不做具体限定。
在本发明提供的另一个实施例中，步骤S10获取目标应用在所述目标超级计算机下运行所需要的运行时间状态值、CPU利用率、和内存利用率，包括：
步骤S101、获取目标应用在所述目标超级计算机下不同评测类型分别对应的第三中间参数和第四中间参数。
其中，所述评测类型包括运行时间状态值、CPU利用率、和内存利用率；第三中间参数为数值越大性能越好的中间参数，如第三中间参数具体可以为CPU浮点运算速度、内存带宽、网络带宽、CPU利用率、内存利用率等；第四中间参数为数值越小性能越好的中间参数，如第四中间参数具体可以为运行时间、网络延迟等，本发明实施例不做具体限定。
步骤S102、通过下述公式计算第三中间参数的状态值：
Figure DEST_PATH_IMAGE016
；
步骤S103、通过下述公式计算第四中间参数的状态值：
Figure 956038DEST_PATH_IMAGE018
；
步骤S104、通过计算属于同一评测类型的所述第三中间参数的状态值和所述第四中间参数的状态值的和值，得到运行时间状态值、CPU利用率、和内存利用率；
其中，
Figure DEST_PATH_IMAGE019
为目标应用在目标超级计算机上运行的
Figure DEST_PATH_IMAGE020
方面的评测结果，
Figure DEST_PATH_IMAGE021
为所述目标应用，
Figure DEST_PATH_IMAGE022
为所述目标超级计算机，
Figure 729828DEST_PATH_IMAGE020
为评测类型运行时间状态值、CPU利用率、和内存利用率分别对应的第三中间参数或第四中间参数，
Figure DEST_PATH_IMAGE023
表示
Figure 999004DEST_PATH_IMAGE020
的重要系数，该系数越高表示该中间参数越重要，
Figure 100002_DEST_PATH_IMAGE024
，
Figure 142541DEST_PATH_IMAGE011
为预先设置的固定值，通常设为10。
Figure DEST_PATH_IMAGE025
为目标应用
Figure DEST_PATH_IMAGE027
在目标超级计算机
Figure 639162DEST_PATH_IMAGE007
上
Figure 616476DEST_PATH_IMAGE020
方面的评测结果；
Figure DEST_PATH_IMAGE028
为目标应用
Figure 389260DEST_PATH_IMAGE021
在预置超级计算机
Figure 507127DEST_PATH_IMAGE014
上
Figure 947335DEST_PATH_IMAGE020
方面的评测结果。预置超级计算机
Figure 626710DEST_PATH_IMAGE014
为基础的超级计算机，用于衡量目标超级计算机的评测结果。在本实施例中，benckmark需要在同等核数下进行比较。
步骤S20，对CPU状态值、内存状态值、网络状态值和I/O状态值进行相加得到系统状态值，对运行时间状态值、CPU利用率和内存利用率进行相加得到应用状态值。
具体的，对通过上述公式
Figure DEST_PATH_IMAGE029
计算CPU状态值、内存状态值、网络状态值和I/O状态值，然后对CPU状态值、内存状态值、网络状态值和I/O状态值进行相加得到系统状态值
Figure DEST_PATH_IMAGE030
，对通过上述公式
Figure 526270DEST_PATH_IMAGE019
计算运行时间状态值、CPU利用率和内存利用率，然后对运行时间状态值、CPU利用率和内存利用率进行相加得到应用状态值
Figure DEST_PATH_IMAGE031
。
步骤S30，根据系统状态值和应用状态值，确定目标超级计算机的资源性能等级。
具体的，通过公式
Figure DEST_PATH_IMAGE032
确定目标超级计算机的资源性能等级。该资源性能等级可以是一个具体的状态值，也可以是在得到一个具体的状态值之后，根据该状态值确定对资源性能等级。更具体的，本实施例可以根据实际需求将超级计算机划分成N个资源性能等级，如第一等级、第二等级和第三等级，可用第一等级表示超级计算机的资源性能最优、通过第二等级表示超级计算机的资源性能良好、通过第三等级标表示超级计算机的资源性能等级较差，本实施例对此不做具体限定。
本发明提供一种超级计算机的资源性能等级确定方法，首先获取目标超级计算机的中央处理器CPU状态值、内存状态值、网络状态值和输入/输出I/O状态值，以及目标应用在目标超级计算机下运行所需要的运行时间状态值、CPU利用率、和内存利用率；然后对CPU状态值、内存状态值、网络状态值和I/O状态值进行相加得到系统状态值，对运行时间状态值、CPU利用率和所述内存利用率进行相加得到应用状态值；最后根据系统状态值和应用状态值，确定目标超级计算机的资源性能等级。从而通过本发明可以对超级计算机拥有的资源性能进行计算，即可确定超级计算机对应的资源性能等级，进而依据超级计算机的资源新能等级提高超级计算机的资源利用率。
在本发明提供的一个实施例中，该方法还可以包括：
步骤S201、将
Figure DEST_PATH_IMAGE033
个不同计算规模的程序
Figure DEST_PATH_IMAGE034
分别在
Figure DEST_PATH_IMAGE035
个不同超级计算机
Figure DEST_PATH_IMAGE036
提供的
Figure DEST_PATH_IMAGE037
个不同计算资源
Figure 100002_DEST_PATH_IMAGE038
下运行，得到程序、超级计算机和计算资源三者对应关系下的运行时间状态值、CPU利用率、和内存利用率。
其中，所述计算资源对应节点的内存大于运行对应程序所需的内存。
例如，将用户提供的将
Figure 198560DEST_PATH_IMAGE033
个不同计算规模的程序
Figure 267842DEST_PATH_IMAGE034
分别在
Figure 101806DEST_PATH_IMAGE035
个不同超级计算机
Figure 131073DEST_PATH_IMAGE036
提供的
Figure 341474DEST_PATH_IMAGE037
个不同计算资源
Figure 897220DEST_PATH_IMAGE038
下运行。其中，计算资源
Figure DEST_PATH_IMAGE039
以提供高性能计算能力的计算节点为单位，分配节点的个数应满足计算节点总内存大于运行对应程序所需内存
Figure DEST_PATH_IMAGE040
，然后使用平台集成的监控工具计算出相应的程序运行时间
Figure DEST_PATH_IMAGE041
，
Figure DEST_PATH_IMAGE042
,...,
Figure DEST_PATH_IMAGE043
以及应用运行关键特征：CPU利用率
Figure DEST_PATH_IMAGE044
，
Figure DEST_PATH_IMAGE045
,...,
Figure DEST_PATH_IMAGE046
以及应用运行关键特征：内存利用率
Figure DEST_PATH_IMAGE047
,
Figure DEST_PATH_IMAGE048
,...,
Figure DEST_PATH_IMAGE049
其中，
Figure DEST_PATH_IMAGE050
为程序运行时间(s)，
Figure DEST_PATH_IMAGE051
为应用程序占用的CPU资源利用率(%)，
Figure 790834DEST_PATH_IMAGE052
为应用程序占用的内存资源利用率(%)，计算规模
Figure DEST_PATH_IMAGE053
均为按实际测试规模成比例放缩的测试规模。
步骤S202、根据所述程序、所述超级计算机和计算资源三者对应关系下的运行时间状态值、CPU利用率、和内存利用率，确定运行时间状态值拟合函数、CPU利用率拟合函数、和内存利用率拟合函数。
通过步骤S201得到的程序、超级计算机和计算资源三者对应关系下的运行时间状态值、CPU利用率、和内存利用率，计算程序运行时间
Figure 874108DEST_PATH_IMAGE050
，程序CPU利用率
Figure 763567DEST_PATH_IMAGE051
以及内存利用率
Figure 298453DEST_PATH_IMAGE052
，估计算例规模
Figure DEST_PATH_IMAGE054
和使用计算资源
Figure 818427DEST_PATH_IMAGE055
的关系
Figure DEST_PATH_IMAGE056
。
以运行时间
Figure 258505DEST_PATH_IMAGE050
举例，假设非线性曲线函数形式为
Figure DEST_PATH_IMAGE057
，并满足
Figure DEST_PATH_IMAGE058
，其中，
Figure DEST_PATH_IMAGE060
，
Figure 420496DEST_PATH_IMAGE061
，然后带入Matlab的lsqcurvefit函数中，使用最小二乘法进行估计，可计算得到拟合函数
Figure DEST_PATH_IMAGE062
。同理，可得到
Figure DEST_PATH_IMAGE063
。需要说明的是，非线性曲线函数形式可根据实际情况进行修改，本实施例对此不做具体限定。
步骤S203、通过所述运行时间状态值拟合函数、所述CPU利用率拟合函数、和所述内存利用率拟合函数，计算所述目标应用在目标超级计算机上运行的
Figure 731260DEST_PATH_IMAGE020
方面的评测结果。
在本发明提供的另一个实施例中，如图2所示，获取程序所需的内存包括：
步骤S301、获取所述程序
Figure 218874DEST_PATH_IMAGE034
分别对应的历史评测作业所需内存。
步骤S302、将所述历史评测作业所需内存确定为初始内存
Figure DEST_PATH_IMAGE064
。
步骤S303、通过公式
Figure 270881DEST_PATH_IMAGE040
=
Figure DEST_PATH_IMAGE065
计算运行对应程序所需的内存。
其中，
Figure DEST_PATH_IMAGE066
为集群上计算节点内存。
进一步的，在运行对应程序所需的内存之后，还需要计算实时监测运行所述程序
Figure 908667DEST_PATH_IMAGE034
所占用的内存数值；若所述内存数值超过预置数值，则通过公式
Figure DEST_PATH_IMAGE067
重新确定运行对应程序所需的内存；其中，
Figure 747308DEST_PATH_IMAGE068
，
Figure DEST_PATH_IMAGE069
。
应理解，上述实施例中各步骤的序号的大小并不意味着执行顺序的先后，各过程的执行顺序应以其功能和内在逻辑确定，而不应对本发明实施例的实施过程构成任何限定。
在一实施例中，提供一种超级计算机的资源性能等级确定装置，该超级计算机的资源性能等级确定装置与上述实施例中超级计算机的资源性能等级确定方法一一对应。如图3所示，所述超级计算机的资源性能等级确定装置各功能模块详细说明如下：
获取模块10，用于获取目标超级计算机的中央处理器CPU状态值、内存状态值、网络状态值和输入/输出I/O状态值，以及目标应用在所述目标超级计算机下运行所需要的运行时间状态值、CPU利用率、和内存利用率；
计算模块20，用于对所述CPU状态值、所述内存状态值、所述网络状态值和所述I/O状态值进行相加得到系统状态值，对所述运行时间状态值、CPU利用率和所述内存利用率进行相加得到应用状态值；
确定模块30，用于根据所述系统状态值和所述应用状态值，确定所述目标超级计算机的资源性能等级。
在本发明可提供的一个实施例中，所述获取模块10，具体用于：
获取关于所述目标超级计算机的不同评测类型分别对应的第一中间参数和第二中间参数，所述评测类型包括CPU、内存、网络以及I/O；
通过下述公式计算第一中间参数的状态值：
Figure DEST_PATH_IMAGE071
；
通过下述公式计算第二中间参数的状态值：
Figure DEST_PATH_IMAGE073
；
通过计算属于同一评测类型的所述第一中间参数的状态值和所述第二中间参数的状态值的和值，得到CPU状态值、内存状态值、网络状态值和I/O状态值；
其中，
Figure 140243DEST_PATH_IMAGE029
为目标超级计算机在
Figure DEST_PATH_IMAGE074
方面的评测结果，
Figure 820492DEST_PATH_IMAGE007
为所述目标超级计算机，
Figure 714499DEST_PATH_IMAGE008
为评测类型CPU、内存、网络以及I/O分别对应的第一中间参数或第二中间参数，
Figure 829217DEST_PATH_IMAGE009
表示
Figure 783266DEST_PATH_IMAGE008
的重要系数，
Figure 108068DEST_PATH_IMAGE010
，
Figure 55033DEST_PATH_IMAGE011
为预先设置的固定值；
Figure 539104DEST_PATH_IMAGE012
为目标超级计算机
Figure 414788DEST_PATH_IMAGE007
在
Figure 85940DEST_PATH_IMAGE008
方面的评测结果；
Figure 197116DEST_PATH_IMAGE013
为预置超级计算机
Figure 50540DEST_PATH_IMAGE014
在
Figure 346392DEST_PATH_IMAGE008
方面的评测结果。
在本发明可提供的另一个实施例中，所述获取模块10，具体用于：
获取目标应用在所述目标超级计算机下不同评测类型分别对应的第三中间参数和第四中间参数，所述评测类型包括运行时间状态值、CPU利用率、和内存利用率；
通过下述公式计算第三中间参数的状态值：
Figure DEST_PATH_IMAGE075
；
通过下述公式计算第四中间参数的状态值：
Figure DEST_PATH_IMAGE076
；
通过计算属于同一评测类型的所述第三中间参数的状态值和所述第四中间参数的状态值的和值，得到运行时间状态值、CPU利用率、和内存利用率；
其中，
Figure 786732DEST_PATH_IMAGE019
为目标应用在目标超级计算机上运行的
Figure 81359DEST_PATH_IMAGE020
方面的评测结果，
Figure DEST_PATH_IMAGE077
为所述目标应用，
Figure 353072DEST_PATH_IMAGE007
为所述目标超级计算机，
Figure 554246DEST_PATH_IMAGE020
为评测类型运行时间状态值、CPU利用率、和内存利用率分别对应的第三中间参数或第四中间参数，
Figure 340936DEST_PATH_IMAGE023
表示
Figure 433395DEST_PATH_IMAGE020
的重要系数，
Figure 746565DEST_PATH_IMAGE024
，
Figure 259585DEST_PATH_IMAGE011
为预先设置的固定值；
Figure 143359DEST_PATH_IMAGE025
为目标应用
Figure DEST_PATH_IMAGE079
在目标超级计算机
Figure 101825DEST_PATH_IMAGE007
上
Figure 144868DEST_PATH_IMAGE020
方面的评测结果；
Figure 953424DEST_PATH_IMAGE028
为目标应用
Figure 590073DEST_PATH_IMAGE021
在预置超级计算机
Figure 509487DEST_PATH_IMAGE014
上
Figure 672615DEST_PATH_IMAGE020
方面的评测结果。
进一步的，获取模块10，还用于将
Figure 901340DEST_PATH_IMAGE033
个不同计算规模的程序
Figure 274553DEST_PATH_IMAGE034
分别在
Figure 482811DEST_PATH_IMAGE035
个不同超级计算机
Figure 500446DEST_PATH_IMAGE036
提供的
Figure 916384DEST_PATH_IMAGE037
个不同计算资源
Figure 489142DEST_PATH_IMAGE038
下运行，得到所述程序、所述超级计算机和计算资源三者对应关系下的运行时间状态值、CPU利用率、和内存利用率；所述计算资源对应节点的内存大于运行对应程序所需的内存；
进一步的，所述确定模块30，还用于根据所述程序、所述超级计算机和计算资源三者对应关系下的运行时间状态值、CPU利用率、和内存利用率，确定运行时间状态值拟合函数、CPU利用率拟合函数、和内存利用率拟合函数；
进一步的，所述计算模块20，还用于通过所述运行时间状态值拟合函数、所述CPU利用率拟合函数、和所述内存利用率拟合函数，计算所述目标应用在目标超级计算机上运行的
Figure 15938DEST_PATH_IMAGE020
方面的评测结果。
进一步的，获取模块10，还用于获取所述程序
Figure 888079DEST_PATH_IMAGE034
分别对应的历史评测作业所需内存；
进一步的，所述确定模块30，还用于将所述历史评测作业所需内存确定为初始内存
Figure 694492DEST_PATH_IMAGE064
；
进一步的，所述计算模块20，还用于通过公式
Figure 511139DEST_PATH_IMAGE040
=
Figure 825314DEST_PATH_IMAGE065
计算运行对应程序所需的内存；其中，
Figure 411016DEST_PATH_IMAGE066
为集群上计算节点内存。
进一步的，所述计算模块20，还用于实时监测运行所述程序
Figure 653910DEST_PATH_IMAGE034
所占用的内存数值；若所述内存数值超过预置数值，则通过公式
Figure 957852DEST_PATH_IMAGE067
重新确定运行对应程序所需的内存；其中，
Figure 75719DEST_PATH_IMAGE068
，
Figure DEST_PATH_IMAGE080
。
关于超级计算机的资源性能等级确定装置的具体限定可以参见上文中对于超级计算机的资源性能等级确定方法的限定，在此不再赘述。上述设备中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中，也可以以软件形式存储于计算机设备中的存储器中，以便于处理器调用执行以上各个模块对应的操作。
在一个实施例中，提供了一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，处理器执行计算机程序时实现以下步骤：
获取目标超级计算机的中央处理器CPU状态值、内存状态值、网络状态值和输入/输出I/O状态值，以及目标应用在所述目标超级计算机下运行所需要的运行时间状态值、CPU利用率、和内存利用率；
对所述CPU状态值、所述内存状态值、所述网络状态值和所述I/O状态值进行相加得到系统状态值，对所述运行时间状态值、CPU利用率和所述内存利用率进行相加得到应用状态值；
根据所述系统状态值和所述应用状态值，确定所述目标超级计算机的资源性能等级。
在一个实施例中，提供了一种计算机可读存储介质，其上存储有计算机程序，计算机程序被处理器执行时实现以下步骤：
获取目标超级计算机的中央处理器CPU状态值、内存状态值、网络状态值和输入/输出I/O状态值，以及目标应用在所述目标超级计算机下运行所需要的运行时间状态值、CPU利用率、和内存利用率；
对所述CPU状态值、所述内存状态值、所述网络状态值和所述I/O状态值进行相加得到系统状态值，对所述运行时间状态值、CPU利用率和所述内存利用率进行相加得到应用状态值；
根据所述系统状态值和所述应用状态值，确定所述目标超级计算机的资源性能等级。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一非易失性计算机可读取存储介质中，该计算机程序在执行时，可包括如上述各方法的实施例的流程。其中，本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用，均可包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器（ROM）、可编程ROM（PROM）、电可编程ROM（EPROM）、电可擦除可编程ROM（EEPROM）或闪存。易失性存储器可包括随机存取存储器（RAM）或者外部高速缓冲存储器。作为说明而非局限，RAM以多种形式可得，诸如静态RAM（SRAM）、动态RAM（DRAM）、同步DRAM（SDRAM）、双数据率SDRAM（DDRSDRAM）、增强型SDRAM（ESDRAM）、同步链路（Synchlink） DRAM（SLDRAM）、存储器总线（Rambus）直接RAM（RDRAM）、直接存储器总线动态RAM（DRDRAM）、以及存储器总线动态RAM（RDRAM）等。
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，即将所述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。
以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，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发明各实施例技术方案的精神和范围，均应包含在本发明的保护范围之内。

Claims (9)

1.一种超级计算机的资源性能等级确定方法，其特征在于，所述方法包括：
获取目标超级计算机的中央处理器CPU状态值、内存状态值、网络状态值和输入/输出I/O状态值，以及目标应用在所述目标超级计算机下运行所需要的运行时间状态值、CPU利用率、和内存利用率；
对所述CPU状态值、所述内存状态值、所述网络状态值和所述I/O状态值进行相加得到系统状态值，对所述运行时间状态值、CPU利用率和所述内存利用率进行相加得到应用状态值；
根据所述系统状态值和所述应用状态值，确定所述目标超级计算机的资源性能等级；
将
Figure 351757DEST_PATH_IMAGE001
个不同计算规模的程序
Figure 596794DEST_PATH_IMAGE002
分别在
Figure 438848DEST_PATH_IMAGE003
个不同超级计算机
Figure 425320DEST_PATH_IMAGE004
提供的
Figure 302009DEST_PATH_IMAGE005
个不同计算资源
Figure 452368DEST_PATH_IMAGE006
下运行，得到所述程序、所述超级计算机和计算资源三者对应关系下的运行时间状态值、CPU利用率、和内存利用率；所述计算资源对应节点的内存大于运行对应程序所需的内存；
根据所述程序、所述超级计算机和计算资源三者对应关系下的运行时间状态值、CPU利用率、和内存利用率，确定运行时间状态值拟合函数、CPU利用率拟合函数、和内存利用率拟合函数；
通过所述运行时间状态值拟合函数、所述CPU利用率拟合函数、和所述内存利用率拟合函数，计算所述目标应用在目标超级计算机上运行的
Figure 781718DEST_PATH_IMAGE007
方面的评测结果。
2.根据权利要求1所述的方法，其特征在于，所述获取目标超级计算机的CPU状态值、内存状态值、网络状态值和I/O状态值，包括：
获取关于所述目标超级计算机的不同评测类型分别对应的第一中间参数和第二中间参数，所述评测类型包括CPU、内存、网络以及I/O；
通过下述公式计算第一中间参数的状态值：
Figure DEST_PATH_IMAGE008
；
通过下述公式计算第二中间参数的状态值：
Figure DEST_PATH_IMAGE010
；
通过计算属于同一评测类型的所述第一中间参数的状态值和所述第二中间参数的状态值的和值，得到CPU状态值、内存状态值、网络状态值和I/O状态值；
其中，
Figure 403454DEST_PATH_IMAGE011
为目标超级计算机在
Figure 134650DEST_PATH_IMAGE012
方面的评测结果，
Figure 691795DEST_PATH_IMAGE013
为所述目标超级计算机，
Figure 305179DEST_PATH_IMAGE014
为评测类型CPU、内存、网络以及I/O分别对应的第一中间参数或第二中间参数，
Figure 104508DEST_PATH_IMAGE015
表示
Figure 690210DEST_PATH_IMAGE014
的重要系数，
Figure 683836DEST_PATH_IMAGE016
，
Figure 987779DEST_PATH_IMAGE017
为预先设置的固定值；
Figure 528481DEST_PATH_IMAGE018
为目标超级计算机
Figure 499849DEST_PATH_IMAGE013
在
Figure 726693DEST_PATH_IMAGE014
方面的评测结果；
Figure 190035DEST_PATH_IMAGE019
为预置超级计算机
Figure 331167DEST_PATH_IMAGE020
在
Figure 891461DEST_PATH_IMAGE014
方面的评测结果。
3.根据权利要求1所述的方法，其特征在于，所述获取目标应用在所述目标超级计算机下运行所需要的运行时间状态值、CPU利用率、和内存利用率，包括
获取目标应用在所述目标超级计算机下不同评测类型分别对应的第三中间参数和第四中间参数，所述评测类型包括运行时间状态值、CPU利用率、和内存利用率；
通过下述公式计算第三中间参数的状态值：
Figure 226889DEST_PATH_IMAGE021
；
通过下述公式计算第四中间参数的状态值：
Figure 974266DEST_PATH_IMAGE023
；
通过计算属于同一评测类型的所述第三中间参数的状态值和所述第四中间参数的状态值的和值，得到运行时间状态值、CPU利用率、和内存利用率；
其中，
Figure DEST_PATH_IMAGE024
为目标应用在目标超级计算机上运行的
Figure 981405DEST_PATH_IMAGE007
方面的评测结果，
Figure 897670DEST_PATH_IMAGE025
为所述目标应用，
Figure 699273DEST_PATH_IMAGE013
为所述目标超级计算机，
Figure 199525DEST_PATH_IMAGE007
为评测类型运行时间状态值、CPU利用率、和内存利用率分别对应的第三中间参数或第四中间参数，
Figure 682459DEST_PATH_IMAGE026
表示
Figure 718810DEST_PATH_IMAGE007
的重要系数，
Figure 894576DEST_PATH_IMAGE027
，
Figure 882124DEST_PATH_IMAGE017
为预先设置的固定值；
Figure 903170DEST_PATH_IMAGE028
为目标应用
Figure 516730DEST_PATH_IMAGE029
在目标超级计算机
Figure 128976DEST_PATH_IMAGE013
上
Figure 603820DEST_PATH_IMAGE007
方面的评测结果；
Figure 428557DEST_PATH_IMAGE030
为目标应用
Figure 173921DEST_PATH_IMAGE025
在预置超级计算机
Figure 425911DEST_PATH_IMAGE020
上
Figure 388051DEST_PATH_IMAGE007
方面的评测结果。
4.根据权利要求1所述的方法，其特征在于，所述方法还包括：
获取所述程序
Figure 16478DEST_PATH_IMAGE002
分别对应的历史评测作业所需内存；
将所述历史评测作业所需内存确定为初始内存
Figure 350770DEST_PATH_IMAGE031
；
通过公式
Figure 773661DEST_PATH_IMAGE032
=
Figure 19834DEST_PATH_IMAGE033
计算运行对应程序所需的内存；
其中，
Figure 655215DEST_PATH_IMAGE034
为集群上计算节点内存。
5.根据权利要求4所述的方法，其特征在于，所述方法还包括：
实时监测运行所述程序
Figure 109592DEST_PATH_IMAGE002
所占用的内存数值；
若所述内存数值超过预置数值，则通过公式
Figure 765702DEST_PATH_IMAGE035
重新确定运行对应程序所需的内存；
其中，
Figure 436854DEST_PATH_IMAGE036
，
Figure 672664DEST_PATH_IMAGE037
，
Figure DEST_PATH_IMAGE038
为在第n次计算的运行对应程序所需的内存。
6.一种超级计算机的资源性能等级确定装置，其特征在于，所述装置包括：
获取模块，用于获取目标超级计算机的中央处理器CPU状态值、内存状态值、网络状态值和输入/输出I/O状态值，以及目标应用在所述目标超级计算机下运行所需要的运行时间状态值、CPU利用率、和内存利用率；
计算模块，用于对所述CPU状态值、所述内存状态值、所述网络状态值和所述I/O状态值进行相加得到系统状态值，对所述运行时间状态值、CPU利用率和所述内存利用率进行相加得到应用状态值；
确定模块，用于根据所述系统状态值和所述应用状态值，确定所述目标超级计算机的资源性能等级；
获取模块，还用于将
Figure 43864DEST_PATH_IMAGE001
个不同计算规模的程序
Figure 74137DEST_PATH_IMAGE002
分别在
Figure 498165DEST_PATH_IMAGE003
个不同超级计算机
Figure 773551DEST_PATH_IMAGE004
提供的
Figure 701056DEST_PATH_IMAGE005
个不同计算资源
Figure 105492DEST_PATH_IMAGE006
下运行，得到所述程序、所述超级计算机和计算资源三者对应关系下的运行时间状态值、CPU利用率、和内存利用率；所述计算资源对应节点的内存大于运行对应程序所需的内存；
所述确定模块，还用于根据所述程序、所述超级计算机和计算资源三者对应关系下的运行时间状态值、CPU利用率、和内存利用率，确定运行时间状态值拟合函数、CPU利用率拟合函数、和内存利用率拟合函数；
所述计算模块，还用于通过所述运行时间状态值拟合函数、所述CPU利用率拟合函数、和所述内存利用率拟合函数，计算所述目标应用在目标超级计算机上运行的
Figure 751237DEST_PATH_IMAGE007
方面的评测结果。
7.根据权利要求6所述的装置，其特征在于，所述获取模块，具体用于：
获取关于所述目标超级计算机的不同评测类型分别对应的第一中间参数和第二中间参数，所述评测类型包括CPU、内存、网络以及I/O；
通过下述公式计算第一中间参数的状态值：
Figure 830314DEST_PATH_IMAGE040
；
通过下述公式计算第二中间参数的状态值：
Figure 612325DEST_PATH_IMAGE042
；
通过计算属于同一评测类型的所述第一中间参数的状态值和所述第二中间参数的状态值的和值，得到CPU状态值、内存状态值、网络状态值和I/O状态值；
其中，
Figure 781139DEST_PATH_IMAGE011
为目标超级计算机在
Figure 914180DEST_PATH_IMAGE012
方面的评测结果，
Figure 531368DEST_PATH_IMAGE013
为所述目标超级计算机，
Figure 167886DEST_PATH_IMAGE043
为评测类型CPU、内存、网络以及I/O分别对应的第一中间参数或第二中间参数，
Figure 710863DEST_PATH_IMAGE015
表示
Figure 65620DEST_PATH_IMAGE014
的重要系数，
Figure 498219DEST_PATH_IMAGE016
，
Figure 254822DEST_PATH_IMAGE017
为预先设置的固定值；
Figure 437542DEST_PATH_IMAGE018
为目标超级计算机
Figure 810754DEST_PATH_IMAGE013
在
Figure 769745DEST_PATH_IMAGE014
方面的评测结果；
Figure 708751DEST_PATH_IMAGE019
为预置超级计算机
Figure 859110DEST_PATH_IMAGE020
在
Figure 955504DEST_PATH_IMAGE014
方面的评测结果。
8.一种计算机设备，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5任一项所述的超级计算机的资源性能等级确定方法。
9.一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5任一项所述的超级计算机的资源性能等级确定方法。
CN202111237139.4A 2021-10-25 2021-10-25 超级计算机的资源性能等级确定方法及设备 Active CN113672489B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111237139.4A CN113672489B (zh) 2021-10-25 2021-10-25 超级计算机的资源性能等级确定方法及设备

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111237139.4A CN113672489B (zh) 2021-10-25 2021-10-25 超级计算机的资源性能等级确定方法及设备

Publications (2)

Publication Number Publication Date
CN113672489A CN113672489A (zh) 2021-11-19
CN113672489B true CN113672489B (zh) 2022-01-25

Family

ID=78550966

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111237139.4A Active CN113672489B (zh) 2021-10-25 2021-10-25 超级计算机的资源性能等级确定方法及设备

Country Status (1)

Country Link
CN (1) CN113672489B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115686865B (zh) * 2022-11-18 2023-07-07 天河超级计算淮海分中心 一种基于多场景应用的超算节点资源分配系统

Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103412806A (zh) * 2013-08-12 2013-11-27 浪潮电子信息产业股份有限公司 一种用于超级计算机上多类应用综合性能的评价方法
CN104199744A (zh) * 2014-08-29 2014-12-10 浪潮(北京)电子信息产业有限公司 一种超级计算机应用性能稳定性判断方法及装置
CN104252540A (zh) * 2014-09-24 2014-12-31 杭州顺网科技股份有限公司 一种基于电脑性能评级的游戏配置推送方法
CN105573898A (zh) * 2015-12-11 2016-05-11 中国航空工业集团公司西安航空计算技术研究所 一种机载计算机综合性能自动测评方法
CN105740126A (zh) * 2016-03-08 2016-07-06 西北工业大学 基于五种能力的嵌入式系统性能评价方法
CN106250306A (zh) * 2016-08-18 2016-12-21 电子科技大学 一种适用于企业级运维自动化平台的性能预测方法
CN108334440A (zh) * 2017-01-19 2018-07-27 阿里巴巴集团控股有限公司 一种获取应用性能测试结果的处理方法及装置、客户端
CN108509315A (zh) * 2018-03-26 2018-09-07 中国电子产品可靠性与环境试验研究所（（工业和信息化部电子第五研究所）（中国赛宝实验室）） 处理器性能评测比较方法、装置、计算机设备和存储介质
CN111813644A (zh) * 2020-07-16 2020-10-23 中国民航信息网络股份有限公司 系统性能的评价方法、装置、电子设备和计算机可读介质
CN111881009A (zh) * 2020-06-29 2020-11-03 苏州浪潮智能科技有限公司 一种用于评估超算性能的方法、装置、介质及计算机设备

Family Cites Families (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20090144744A1 (en) * 2007-11-29 2009-06-04 Gunnels John A Performance Evaluation of Algorithmic Tasks and Dynamic Parameterization on Multi-Core Processing Systems
CN103902443B (zh) * 2012-12-26 2017-04-26 华为技术有限公司 一种程序运行性能分析方法及装置
US9558094B2 (en) * 2014-05-12 2017-01-31 Palo Alto Research Center Incorporated System and method for selecting useful smart kernels for general-purpose GPU computing
US9971391B2 (en) * 2015-12-23 2018-05-15 Intel Corporation Method to assess energy efficiency of HPC system operated with and without power constraints
CN107562532B (zh) * 2017-07-13 2020-11-27 华为技术有限公司 一种预测设备集群的硬件资源利用率的方法及装置
US11334378B2 (en) * 2018-12-21 2022-05-17 Bull Sas Method for performance analysis by extrapolation of a software application in a cluster of servers
CN110673954B (zh) * 2019-09-18 2022-02-15 北京北科融智云计算科技有限公司 利用率预测方法、装置、计算设备、存储介质及程序产品

Patent Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103412806A (zh) * 2013-08-12 2013-11-27 浪潮电子信息产业股份有限公司 一种用于超级计算机上多类应用综合性能的评价方法
CN104199744A (zh) * 2014-08-29 2014-12-10 浪潮(北京)电子信息产业有限公司 一种超级计算机应用性能稳定性判断方法及装置
CN104252540A (zh) * 2014-09-24 2014-12-31 杭州顺网科技股份有限公司 一种基于电脑性能评级的游戏配置推送方法
CN105573898A (zh) * 2015-12-11 2016-05-11 中国航空工业集团公司西安航空计算技术研究所 一种机载计算机综合性能自动测评方法
CN105740126A (zh) * 2016-03-08 2016-07-06 西北工业大学 基于五种能力的嵌入式系统性能评价方法
CN106250306A (zh) * 2016-08-18 2016-12-21 电子科技大学 一种适用于企业级运维自动化平台的性能预测方法
CN108334440A (zh) * 2017-01-19 2018-07-27 阿里巴巴集团控股有限公司 一种获取应用性能测试结果的处理方法及装置、客户端
CN108509315A (zh) * 2018-03-26 2018-09-07 中国电子产品可靠性与环境试验研究所（（工业和信息化部电子第五研究所）（中国赛宝实验室）） 处理器性能评测比较方法、装置、计算机设备和存储介质
CN111881009A (zh) * 2020-06-29 2020-11-03 苏州浪潮智能科技有限公司 一种用于评估超算性能的方法、装置、介质及计算机设备
CN111813644A (zh) * 2020-07-16 2020-10-23 中国民航信息网络股份有限公司 系统性能的评价方法、装置、电子设备和计算机可读介质

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
"面向ARM架构的HPC系统性能评测及应用移植优化";戈孜荣;《中国优秀博硕士学位论文全文数据库（硕士） 信息科技辑》;20210115(第01期);论文第三章-第四章 *

Also Published As

Publication number Publication date
CN113672489A (zh) 2021-11-19

Similar Documents

Publication Publication Date Title
EP2879055B1 (en) System and method facilitating performance prediction of multi-threaded application in presence of resource bottlenecks
CN107247651B (zh) 云计算平台监测预警方法和系统
WO2022110446A1 (zh) 异构集群调度的模拟方法、装置、计算机设备及存储介质
Mills et al. Shadow computing: An energy-aware fault tolerant computing model
CN108205469B (zh) 一种基于MapReduce的资源分配方法及服务器
US9471383B2 (en) Task allocation in a computing environment
CN104780213A (zh) 一种主从分布式图处理系统负载动态优化方法
CN113672489B (zh) 超级计算机的资源性能等级确定方法及设备
US20150331787A1 (en) Software verification
CN113296905A (zh) 调度方法、装置、电子设备、存储介质及软件产品
CN104731563A (zh) 基于fft的大整数乘法ssa算法多核并行化实现方法
Zeni et al. Optimized implementation of the hpcg benchmark on reconfigurable hardware
CN113158435B (zh) 基于集成学习的复杂系统仿真运行时间预测方法与设备
Alonso et al. Experimental study of six different implementations of parallel matrix multiplication on heterogeneous computational clusters of multicore processors
Liu et al. Ace-Sniper: Cloud-Edge Collaborative Scheduling Framework With DNN Inference Latency Modeling on Heterogeneous Devices
Rizvandi et al. On modeling dependency between mapreduce configuration parameters and total execution time
CN104281636A (zh) 海量报表数据并发分布式处理方法
Bernabé et al. Tuning basic linear algebra routines for hybrid CPU+ GPU platforms
Achour et al. MPI-PERF-SIM: Towards an automatic performance prediction tool of MPI programs on hierarchical clusters
CN116303219A (zh) 一种网格文件的获取方法、装置及电子设备
CN114021733B (zh) 模型训练优化方法、装置、计算机设备及存储介质
CN116069603B (zh) 应用的性能测试方法、建立性能测试模型的方法及装置
CN113672870B (zh) 故障事件概率估算方法、装置、计算机设备和存储介质
CN105760270B (zh) 一种能耗估算的方法及装置
Hauck et al. Qualitative properties of mathematical model for data flow

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