CN113791908B - 服务运行方法、装置和电子设备 - Google Patents

服务运行方法、装置和电子设备 Download PDF

Info

Publication number
CN113791908B
CN113791908B CN202111088174.4A CN202111088174A CN113791908B CN 113791908 B CN113791908 B CN 113791908B CN 202111088174 A CN202111088174 A CN 202111088174A CN 113791908 B CN113791908 B CN 113791908B
Authority
CN
China
Prior art keywords
service
gpu
target
sub
deployment mode
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
CN202111088174.4A
Other languages
English (en)
Other versions
CN113791908A (zh
Inventor
李志超
齐思凯
刘哲瑞
朱亦博
郭传雄
谭丞
张健
王剑
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.)
Lemon Inc Cayman Island
Original Assignee
Lemon Inc Cayman Island
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 Lemon Inc Cayman Island filed Critical Lemon Inc Cayman Island
Priority to CN202111088174.4A priority Critical patent/CN113791908B/zh
Publication of CN113791908A publication Critical patent/CN113791908A/zh
Priority to PCT/SG2022/050601 priority patent/WO2023043366A2/zh
Priority to US18/532,819 priority patent/US20240104687A1/en
Application granted granted Critical
Publication of CN113791908B publication Critical patent/CN113791908B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T1/00—General purpose image data processing
    • G06T1/20—Processor architectures; Processor configuration, e.g. pipelining
    • 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
    • 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
    • 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
    • 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)
  • Software Systems (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Biophysics (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • Biomedical Technology (AREA)
  • Health & Medical Sciences (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Hardware Redundancy (AREA)
  • Mobile Radio Communication Systems (AREA)
  • Stored Programmes (AREA)

Abstract

本公开的实施例公开了服务运行方法、装置和电子设备。该方法的一具体实施方式包括：根据服务集合中每个服务的性能数据，确定GPU的目标部署方式，其中，部署方式包括从GPU划分具有相应大小的子GPU和确定每个子GPU用于运行的服务；对于服务集合中的服务，将该服务从运行于当前部署方式指示的子GPU，切换至运行于目标部署方式指示的子GPU。该实施方式在通过GPU运行多个服务时，可以降低GPU的浪费。

Description

服务运行方法、装置和电子设备
技术领域
本公开的实施例涉及计算机技术领域，尤其涉及一种服务运行方法、装置和电子设备。
背景技术
在一些场景中，经常使用GPU(Graphics Processing Unit，图形处理器)运行服务。因此，合理使用GPU，可以减少GPU的浪费。
在相关技术中，随机将GPU划分为多个子GPU，而后在各个子GPU上运行相应的服务。
发明内容
提供该公开内容部分以便以简要的形式介绍构思，这些构思将在后面的具体实施方式部分被详细描述。该公开内容部分并不旨在标识要求保护的技术方案的关键特征或必要特征，也不旨在用于限制所要求的保护的技术方案的范围。
本公开的实施例提供了一种服务运行方法、装置和电子设备，在通过GPU运行多个服务时，可以降低GPU的浪费。
第一方面，本公开的实施例提供了一种服务运行方法，该方法包括：根据服务集合中每个服务的性能数据，确定GPU的目标部署方式，其中，部署方式包括从GPU划分具有相应大小的子GPU和确定每个子GPU用于运行的服务；对于服务集合中的服务，将该服务从运行于当前部署方式指示的子GPU，切换至运行于目标部署方式指示的子GPU。
第二方面，本公开的实施例提供了一种服务运行装置，该装置包括：确定单元，用于根据服务集合中每个服务的性能数据，确定GPU的目标部署方式，其中，部署方式包括从GPU划分具有相应大小的子GPU和确定每个子GPU用于运行的服务；切换单元，用于对于服务集合中的服务，将该服务从运行于当前部署方式指示的子GPU，切换至运行于目标部署方式指示的子GPU。
第三方面，本公开的实施例提供了一种电子设备，包括：一个或多个处理器；存储装置，用于存储一个或多个程序，当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现如第一方面所述的服务运行方法。
第四方面，本公开的实施例提供了一种计算机可读介质，其上存储有计算机程序，该程序被处理器执行时实现如第一方面所述的服务运行方法的步骤。
本公开的实施例提供的服务运行方法、装置和电子设备，根据服务集合中每个服务的性能数据，合理确定GPU的目标部署方式，进一步，可以合理利用GPU运行服务集合中的服务。从而，在通过GPU运行多个服务时，可以降低GPU的浪费。
附图说明
结合附图并参考以下具体实施方式，本公开各实施例的上述和其它特征、优点及方面将变得更加明显。贯穿附图中，相同或相似的附图标记表示相同或相似的元素。应当理解附图是示意性的，原件和元素不一定按照比例绘制。
图1是本公开的服务运行方法的一些实施例的流程图；
图2是本公开的服务运行方法在一些实施例中部署方式的示意图；
图3是本公开的服务运行方法的一些实施例的流程图；
图4是本公开的服务运行方法的一些实施例的流程图；
图5是本公开的服务运行方法在一些实施例中使用交叉算法和变异算法的示意图；
图6是本公开的服务运行方法的一些实施例的流程图；
图7是本公开的服务运行方法的一些实施例的流程图；
图8是本公开的服务运行装置的一些实施例的结构示意图；
图9是本公开的服务运行方法在一些实施例中可以应用于其中的示例性系统架构；
图10是根据本公开的一些实施例提供的电子设备的基本结构的示意图。
具体实施方式
下面将参照附图更详细地描述本公开的实施例。虽然附图中显示了本公开的某些实施例，然而应当理解的是，本公开可以通过各种形式来实现，而且不应该被解释为限于这里阐述的实施例，相反提供这些实施例是为了更加透彻和完整地理解本公开。应当理解的是，本公开的附图及实施例仅用于示例性作用，并非用于限制本公开的保护范围。
应当理解，本公开的方法实施方式中记载的各个步骤可以按照不同的顺序执行，和/或并行执行。此外，方法实施方式可以包括附加的步骤和/或省略执行示出的步骤。本公开的范围在此方面不受限制。
本文使用的术语“包括”及其变形是开放性包括，即“包括但不限于”。术语“基于”是“至少部分地基于”。术语“一个实施例”表示“至少一个实施例”；术语“另一实施例”表示“至少一个另外的实施例”；术语“一些实施例”表示“至少一些实施例”。其它术语的相关定义将在下文描述中给出。
需要注意，本公开中提及的“第一”、“第二”等概念仅用于对不同的装置、模块或单元进行区分，并非用于限定这些装置、模块或单元所执行的功能的顺序或者相互依存关系。
需要注意，本公开中提及的“一个”、“多个”的修饰是示意性而非限制性的，本领域技术人员应当理解，除非在上下文另有明确指出，否则应该理解为“一个或多个”。
本公开实施方式中的多个装置之间所交互的消息或者信息的名称仅用于说明性的目的，而并不是用于对这些消息或信息的范围进行限制。
请参考图1，其示出了根据本公开的服务运行方法的一些实施例的流程。如图1所示，该服务运行方法，包括以下步骤：
步骤101，根据服务集合中每个服务的性能数据，确定GPU的目标部署方式。
在本实施例中，服务运行方法的执行主体可以根据服务集合中每个服务的性能数据，确定GPU的目标部署方式。
服务集合中的服务可以运行在至少一个GPU上。在一些场景中，服务集合中的服务可以是使用神经网络模型提供的服务。例如，神经网络模型可以包括语音合成模型、语音识别模型、文字识别模型、语音识别模型等。
性能数据可以是表征服务的性能的数据。
部署方式包括从GPU划分具有相应大小的子GPU和确定每个子GPU用于运行的服务。作为示例，服务集合中包括服务A、B、C。服务集合中的服务可以运行在GPU1、GPU2和GPU3上。图2所示的部署方式，从GPU1划分出大小均为的子GPU20～26，其中，子GPU20～24用于运行服务A，子GPU25用于运行服务B，子GPU26用于运行服务C。从GPU2划分出大小为的子GPU27和大小为/>的子GPU28，其中，子GPU27用于运行服务A，子GPU28用于运行服务B。从GPU3划分出大小为/>的子GPU29，其中，子GPU29用于运行服务C。
可以理解，一个子GPU用于运行一个服务。同一个服务可以运行在至少一个子GPU上。
步骤102，对于服务集合中的服务，将该服务从运行于当前部署方式指示的子GPU，切换至运行于目标部署方式指示的子GPU。
在本实施例中，对于服务集合中的服务，上述执行主体可以将该服务从运行于当前部署方式指示的子GPU，切换至运行于目标部署方式指示的子GPU。
可以理解，在切换运行服务的子GPU后，可以实现服务集合中的服务在目标部署方式下运行。
由此可见，在本实施例中，根据服务集合中每个服务的性能数据，合理确定GPU的目标部署方式，进一步，可以合理利用GPU运行服务集合中的服务。从而，在通过GPU运行多个服务时，可以降低GPU的浪费。
在一些实施例中，服务的性能数据包括实际性能数据和目标性能数据。
实际性能数据包括服务运行在不同大小的子GPU上实现的吞吐量和延迟。例如，实际性能数据包括服务运行在大小为的子GPU上实现的吞吐量和延迟。在一般情况下，在大的子GPU上运行，服务实现的吞吐量较大，并且实现的延迟较小。
目标性能数据包括服务的目标吞吐量和目标延迟。
在实际应用中，服务的目标吞吐量和目标延迟可能发生变化。例如，在用户高峰时间段，服务的目标吞吐量和目标延迟增大，在其余时间段，服务的目标吞吐量和目标延迟减小。
在这些实施例中，通过综合考虑每个服务的实际性能和目标性能，确定GPU的目标部署方式，并切换服务集合中的服务在目标部署方式下运行。从而，可以在满足每个服务的目标性能的基础上，降低GPU的浪费。
请参考图3，其示出了根据本公开的服务运行方法的一些实施例的流程。如图3所示，该服务运行方法，包括以下步骤：
步骤301，执行第一处理步骤。
在本实施例中，服务运行方法的执行主体可以执行第一处理步骤。其中，第一处理步骤包括步骤3011～步骤3013。
步骤3011，使用贪心算法，通过处理服务集合中每个服务的性能数据，确定GPU的最优部署方式。
贪心算法可以快速确定最优部署方式。
在一些场景中，上述执行主体将每个服务的性能数据输入至贪心算法，即可获得贪心算法输出的最优部署方式。
步骤3012，对于每个服务，根据该服务的性能数据，确定该服务在最优部署方式下是否满足目标性能。
步骤3013，响应于每个服务在最优部署方式下均满足目标性能，将最优部署方式作为目标部署方式。
步骤302，响应于服务集合中任意服务在最优部署方式下不满足目标性能，继续执行第一处理步骤。
通过使用贪心算法多次处理每个服务的性能数据，可以确定出满足每个服务的目标性能的目标部署方式。
步骤303，对于服务集合中的服务，将该服务从运行于当前部署方式指示的子GPU，切换至运行于目标部署方式指示的子GPU。
步骤303与图1所示实施例中的步骤102类似，此处不再赘述。
在本实施例中，使用贪心算法，实现在较短时间内确定出满足每个服务的目标性能的目标部署方式。从而，可以在较短时间内切换每个服务在目标性能满足的目标部署方式下运行。
在一些实施例中，上述执行主体可以按照以下方式，使用贪心算法，确定GPU的最优部署方式。
具体地，通过处理服务集合中每个服务的性能数据，确定GPU的一批部署方式，确定每种部署方式的评分，并将评分最高的部署方式作为最优部署方式。
由此可见，通过使用贪心算法，对GPU的一批部署方式中的每种部署方式评分，确定最优部署方式。
在一些实施例中，上述执行主体可以按照以下方式，使用贪心算法，确定GPU的一批部署方式中的每种部署方式的评分。
具体，对于每种部署方式，执行评分步骤。其中，评分步骤包括步骤S1～步骤S2。
步骤S1，对于每种服务，根据该服务的实际性能数据和目标性能数据，确定该服务的部署完成率和贡献率。
部署完成率是服务在某一部署方式下的吞吐量与其目标吞吐量之比。贡献率是服务在某一部署方式下的吐吞量与所有服务的目标吞吐量总和之比。
在一些场景中，上述执行主体可以确定在某一部署方式下用于运行服务的各子GPU。还可以根据服务的实际性能数据，确定服务运行在各个子GPU上实现的吞吐量。还可以根据服务的目标性能数据，确定服务的目标吞吐量。进一步，可以将服务运行在各个子GPU上实现的吞吐量之和，作为服务在某一部署方式下的吞吐量。从而，可以将服务在某一部署方式下的吞吐量与服务的目标吞吐量之比，作为服务的部署完成率。可以将服务在某一部署方式下的吞吐量与所有服务的目标吞吐量总和之比，作为服务的贡献率。
步骤S2，根据公式确定部署方式的评分。
Score(config)表示部署方式config的评分，n表示服务集合中所有服务的总数，ci表示第i个服务的部署完成率，ui表示第i个服务的贡献率。
由此可见，通过使用贪心算法，综合考虑每个服务的部署完成率和贡献率，确定部署方式的评分。从而，可以较为准确地确定每种部署方式的评分。
在一些实施例中，上述执行主体可以按照以下方式，确定每个服务在最优部署方式下是否满足目标性能。
具体地，对于每个服务，执行第一确定步骤。其中，第一确定步骤包括步骤L1～步骤L2。
步骤L1，根据该服务的实际性能数据和目标性能数据，确定该服务在最优部署方式下的吞吐量是否大于等于其目标吞吐量，以及该服务在最优部署方式下的延迟是否小于等于其目标延迟。
在一些场景中，上述执行主体可以确定在最优部署方式下用于运行服务的各个子GPU。还可以根据服务的实际性能数据，确定服务运行在各个子GPU上实现的吞吐量和延迟。还可以根据服务的目标性能数据，确定服务的目标吞吐量和目标延迟。进一步，可以将服务运行在各个子GPU上实现的吞吐量之和，作为服务在最优部署方式下的吞吐量。可以将服务运行在各个子GPU上实现的延迟之和，作为服务在最优部署方式下的延迟。从而，可以确定服务在最优部署方式下的吞吐量是否大于等于该服务的目标吞吐量，以及确定在最优部署方式下的延迟是否小于等于该服务的延迟。
步骤L2，响应于该服务在最优部署方式下的吞吐量大于等于其目标吞吐量，且该服务在最优部署方式下的延迟小于等于其目标延迟，确定该服务在最优部署方式下满足目标性能。
在一些实施例中，第一确定步骤还包括步骤L3。
步骤L3，响应于该服务在最优部署方式下的吞吐量小于其目标吞吐量，或者该服务在最优部署方式下的延迟大于其目标延迟，确定该服务在最优部署方式下不满足目标性能。
由此可见，通过综合考虑服务在最优部署方式下的吞吐量和延迟，确定服务在最优部署方式下是否满足目标性能。进一步，从使用贪心算法确定的最优部署方式中，确定目标部署方式。
请参考图4，其示出了根据本公开的服务运行方法的一些实施例的流程。如图4所示，该服务运行方法，包括以下步骤：
步骤401，循环执行第二处理步骤。
在本实施例中，服务运行方法的执行主体可以循环执行第二处理步骤。
在一些场景中，上述执行主体可以按照预先设置的执行次数或者执行时长，循环执行第二处理步骤。
第二处理步骤包括步骤4011～步骤4013。
步骤4011，使用树搜索算法，通过处理服务集合中每个服务的性能数据，确定GPU的一批部署方式。
树搜索算法可以穷举GPU的部署方式。
在一些场景中，上述执行主体将每个服务的性能数据输入至树搜索算法，即可获得树搜索算法输出的一批部署方式。
步骤4012，对于GPU的一批部署方式中的每种部署方式，通过交替使用交叉算法和变异算法，减少该部署方式划分的子GPU的数量。
交叉算法和变异算法通过交替使用，可以尽可能多地减少每种部署方式划分的子GPU的数量。
在一些场景中，上述执行主体可以按照预先设置的执行轮次或者执行时长，使用交叉算法和变异算法，减少每种部署方式划分的子GPU的数量。
步骤4013，将服务的部署完成率最优的部署方式，作为最优部署方式。
在一些场景中，对于每种部署方式，上述执行主体可以确定每种服务的部署完成率，进一步，可以将每种服务的部署完成率均大于预设阈值(例如，50％)的部署方式，作为最优部署方式。
可以理解，经过循环执行第二处理步骤，可以确定出多种最优部署方式。
步骤402，从多种最优部署方式中确定每个服务均满足目标性能的部署方式。
步骤403，将每个服务均满足目标性能且包括的子GPU的数量最少的部署方式，作为目标部署方式。
步骤404，对于服务集合中的服务，将该服务从运行于当前部署方式指示的子GPU，切换至运行于目标部署方式指示的子GPU。
步骤404与图1所示实施例中的步骤102类似，此处不再赘述。
在本实施例中，通过结合使用树搜索算法和遗传算法(交叉算法和变异算法)，从穷举的部署方式中，确定出满足每个服务的目标性能，且包括子GPU的数量较少的目标部署方式。从而，在目标部署方式下运行每个服务，可以进一步降低GPU的浪费。
在一些实施例中，树搜索算法预先裁剪过搜索空间。通过裁剪树搜索算法的搜索空间，可以提升树搜索算法的搜索速度。从而提升使用树搜索算法确定目标部署方式的速度。
在一些实施例中，变异算法用于调换不同GPU上相同大小的子GPU用于运行的服务；交叉算法用于将同一个GPU上多个子GPU运行相同服务，更换为一个子GPU运行该服务。
参见图5，GPU1包括大小为的子GPU50，并且子GPU50用于运行服务B。GPU2包括大小为/>的子GPU54，并且子GPU54用于运行服务A。作为示例，使用变异算法，可以调换子GPU50和子GPU54用于运行的服务。可以看出，在调换服务后，子GPU50用于运行服务A，子GPU54用于运行服务B。作为示例，使用交叉算法，可以在满足子GPU50和子GPU51共同实现的性能(例如，服务A的吞吐量和延迟)的前提上，将GPU1上子GPU50和子GPU51运行服务A，更换为子GPU57运行服务A，由此，GPU1上可以节约出一部分子GPU，如图中阴影部分所示。
由此可见，通过交替使用交叉算法和变异算法，尽可能减少每种部署方式划分的子GPU的数量。
在一些实施例中，上述执行主体可以按照以下方式，从结合树搜索算法和遗传算法确定的多种最优部署方式中，确定每个服务均满足目标性能的部署方式。
第一步，在每种最优部署方式下，对于每个服务执行第二确定步骤。其中，第二确定步骤包括步骤T1～步骤T2。
步骤T1，根据该服务的实际性能数据和目标性能数据，确定该服务在该最优部署方式下的吞吐量是否大于等于其目标吞吐量，以及该服务在该最优部署方式下的延迟是否小于等于其目标延迟。
步骤T2，响应于该服务在该最优部署方式下的吞吐量大于等于其目标吞吐量，且该服务在该最优部署方式下的延迟小于等于其目标延迟，确定该服务在该最优部署方式下满足目标性能。
在一些实施例中，第二确定步骤还包括步骤T3。
步骤T3，响应于该服务在该最优部署方式下的吞吐量小于其目标吞吐量，或者该服务在该最优部署方式下的延迟大于其目标延迟，确定该服务在该最优部署方式下不满足目标性能。
关于步骤T1～步骤T3的描述可参见前述内容，此处不再赘述。
第二步，从多种最优部署方式中确定每个服务均满足目标性能的部署方式。
由此可见，通过综合考虑服务在最优部署方式下的吞吐量和延迟，确定服务在最优部署方式下是否满足目标性能。进一步，从结合使用树搜索算法和遗传算法确定的最优部署方式中，确定目标部署方式。
请参考图6，其示出了根据本公开的服务运行方法的一些实施例的流程。如图6所示，该服务运行方法，包括以下步骤：
步骤601，根据服务集合中每个服务的性能数据，确定GPU的目标部署方式。
步骤601与图1所示实施例中的步骤101类似，此处不再赘述。
步骤602，对于每个服务，执行切换步骤。
在本实施例中，对于服务集合中的每个服务，服务运行方法的执行主体可以执行切换步骤。其中，切换步骤包括步骤6021～步骤6024。
步骤6021，通过比较GPU的当前部署方式与目标部署方式，确定该服务需要新建的第一子GPU和需要删除的第二子GPU。
具体来说，上述执行主体通过比较当前部署方式和目标部署方式，确定当前部署方式中缺少的子GPU和多余的子GPU。并将缺少的子GPU作为需要新建的第一子GPU，将多余的子GPU作为需要删除的第二子GPU。
步骤6022，在满足该服务的目标性能的前提下，将该服务的第一子GPU和第二子GPU配对，获得至少一个子GPU对。
在一些场景中，配对的第一子GPU实现的吞吐量大于等于第二子GPU实现的吞吐量。配对的第一子GPU实现的延迟小于等于第二子GPU实现的延迟。
步骤6023，对于每个子GPU对，先创建该子GPU对包括的第一子GPU，并在创建的第一子GPU上运行该服务，再删除该子GPU对包括的第二子GPU。
可以理解，先创建子GPU对中的第一子GPU，再删除子GPU对中的第二子GPU，可以在切换部署方式的过程中，仍然可以保证服务的目标性能。从而，在切换部署方式的过程中，可以保证服务正常响应用户请求，以此保证用户请求不受影响。
步骤6024，对于该服务未配对的第一子GPU和第二子GPU，先创建第一子GPU，并在创建的第一子GPU上运行该服务，再删除第二子GPU。
可以理解，先创建未配对的第一子GPU，再删除未配对的第二子GPU，也可以在切换部署方式的过程中，保证用户请求不受影响。
由此可见，在本实施例中，对于每个服务，先创建需要新建的第一子GPU，再删除需要删除的第二子GPU。从而实现，在切换至目标部署方式的过程中，保证每个服务正常运行。此外，通过第一子GPU和第二子GPU配对的方式，可以实现目标部署方式的顺利切换。
请参考图7，其示出了根据本公开的服务运行方法的一些实施例的流程。如图7所示，该服务运行方法，包括以下步骤：
步骤701，根据服务集合中每个服务的性能数据，确定GPU的目标部署方式。
步骤702，对于服务集合中的服务，将该服务从运行于当前部署方式指示的子GPU，切换至运行于目标部署方式指示的子GPU。
步骤701～步骤702与图1所示实施例中的步骤101～步骤102类似，此处不再赘述。
步骤703，将存在空闲子GPU的GPU存储至预设列表。
可以理解，空闲子GPU可以是未运行服务的子GPU。
步骤704，从预设列表中选取目标GPU，并针对目标GPU执行第三处理步骤。
在本实施例中，服务运行方法的执行主体可以针对目标GPU执行第三处理步骤。其中，第三处理步骤包括步骤7041～步骤7042。
步骤7041，响应于预设列表中其它GPU的运行子GPU存在与目标GPU的空闲子GPU大小匹配的目标子GPU，将目标子GPU上运行的服务迁移至目标GPU的空闲子GPU上运行。
运行子GPU可以是运行服务的子GPU。
可以理解，在迁移服务后，目标子GPU上运行的服务，则在目标GPU的空闲子GPU上运行。
步骤7042，响应于目标GPU不存在空闲子GPU，从预设列表中移除目标GPU。
可以理解，目标GPU不存在空闲子GPU，意味着，目标GPU被服务充分占用。
步骤705，响应于预设列表中存在可匹配目标子GPU的至少两个GPU，从预设列表中重新选择目标GPU，并针对重新选择的目标GPU，执行第三处理步骤。
由此可见，在本实施例中，针对存在空闲子GPU的目标GPU，通过向空闲子GPU迁移服务，可以实现一部分目标GPU充分占用，以此减少服务占用的GPU的数量。从而，可以实现GPU的有效利用。
在一些实施例中，上述执行主体可以按照以下方式，将匹配子GPU上运行的服务迁移至目标GPU的空闲子GPU上运行。
具体地，优先将位于目标GPU所在设备的目标子GPU运行的服务迁移至目标GPU的空闲子GPU上运行。
可以理解，优先迁移同一个设备上的服务，可以减小服务迁移所需的时间和成本。
进一步参考图8，作为对上述各图所示方法的实现，本公开提供了一种服务运行装置的一些实施例，该装置实施例与图1所示的方法实施例相对应，该装置具体可以应用于各种电子设备中。
如图8所示，本实施例的服务运行装置包括确定单元801和切换单元802。确定单元801用于：根据服务集合中每个服务的性能数据，确定GPU的目标部署方式，其中，部署方式包括从GPU划分具有相应大小的子GPU和确定每个子GPU用于运行的服务。切换单元802用于：对于服务集合中的服务，将该服务从运行于当前部署方式指示的子GPU，切换至运行于目标部署方式指示的子GPU。
在本实施例中，服务运行装置的确定单元801和切换单元802的具体处理及其所带来的技术效果可分别参考图1对应实施例中步骤101和步骤102的相关说明，在此不再赘述。
在一些实施例中，服务的性能数据包括实际性能数据和目标性能数据，其中，实际性能数据包括服务运行在不同大小的子GPU上实现的吞吐量和延迟，目标性能数据包括服务的目标吞吐量和目标延迟。
在一些实施例中，确定单元801进一步用于，执行第一处理步骤：使用贪心算法，通过处理服务集合中每个服务的性能数据，确定GPU的最优部署方式；对于每个服务，根据该服务的性能数据，确定该服务在最优部署方式下是否满足目标性能；响应于每个服务在最优部署方式下均满足目标性能，将最优部署方式作为目标部署方式；响应于服务集合中任意服务在最优部署方式下不满足目标性能，继续执行第一处理步骤。
在一些实施例中，确定单元801进一步用于，通过处理服务集合中每个服务的性能数据，确定GPU的一批部署方式，确定每种部署方式的评分，并将评分最高的部署方式作为最优部署方式。
在一些实施例中，确定单元801进一步用于，对于每种部署方式，执行评分步骤：对于每种服务，根据该服务的实际性能数据和目标性能数据，确定该服务的部署完成率和贡献率，其中，部署完成率是服务在某一部署方式下的吞吐量与其目标吞吐量之比，贡献率是服务在某一部署方式下的吐吞量与所有服务的目标吞吐量总和之比；根据公式确定部署方式的评分，其中，Score(config)表示部署方式config的评分，n表示服务集合中所有服务的总数，ci表示第i个服务的部署完成率，ui表示第i个服务的贡献率。
在一些实施例中，确定单元801进一步用于，对于每个服务，执行第一确定步骤：根据该服务的实际性能数据和目标性能数据，确定该服务在最优部署方式下的吞吐量是否大于等于其目标吞吐量，以及该服务在最优部署方式下的延迟是否小于等于其目标延迟；响应于该服务在最优部署方式下的吞吐量大于等于其目标吞吐量，且该服务在最优部署方式下的延迟小于等于其目标延迟，确定该服务在最优部署方式下满足目标性能。
在一些实施例中，第一确定步骤还包括：响应于该服务在最优部署方式下的吞吐量小于其目标吞吐量，或者该服务在最优部署方式下的延迟大于其目标延迟，确定该服务在最优部署方式下不满足目标性能。
在一些实施例中，确定单元801进一步用于，循环执行第二处理步骤：使用树搜索算法，通过处理服务集合中每个服务的性能数据，确定GPU的一批部署方式；对于GPU的一批部署方式中的每种部署方式，通过交替使用交叉算法和变异算法，减少该部署方式划分的子GPU的数量；将服务的部署完成率最优的部署方式，作为最优部署方式；从多种最优部署方式中确定每个服务均满足目标性能的部署方式；将每个服务均满足目标性能且包括的子GPU的数量最少的部署方式，作为目标部署方式。
在一些实施例中，变异算法用于调换不同GPU上相同大小的子GPU用于运行的服务；交叉算法用于将同一个GPU上多个子GPU运行相同服务，更换为一个子GPU运行该服务。
在一些实施例中，确定单元801进一步用于，在每种最优部署方式下，对于每个服务执行第二确定步骤：根据该服务的实际性能数据和目标性能数据，确定该服务在该最优部署方式下的吞吐量是否大于等于其目标吞吐量，以及该服务在该最优部署方式下的延迟是否小于等于其目标延迟；响应于该服务在该最优部署方式下的吞吐量大于等于其目标吞吐量，且该服务在该最优部署方式下的延迟小于等于其目标延迟，确定该服务在该最优部署方式下满足目标性能；从预设数量种最优部署方式中确定每个服务均满足目标性能的部署方式。
在一些实施例中，第二确定步骤还包括：响应于该服务在该最优部署方式下的吞吐量小于其目标吞吐量，或者该服务在该最优部署方式下的延迟大于其目标延迟，确定该服务在该最优部署方式下不满足目标性能。
在一些实施例中，树搜索算法预先裁剪过搜索空间。
在一些实施例中，切换单元802进一步用于，对于每个服务，执行切换步骤：通过比较GPU的当前部署方式与目标部署方式，确定该服务需要新建的第一子GPU和需要删除的第二子GPU；在满足该服务的目标性能的前提下，将该服务的第一子GPU和第二子GPU配对，获得至少一个子GPU对；对于每个子GPU对，先创建该子GPU对包括的第一子GPU，并在创建的第一子GPU上运行该服务，再删除该子GPU对包括的第二子GPU；对于该服务未配对的第一子GPU和第二子GPU，先创建第一子GPU，并在创建的第一子GPU上运行该服务，再删除第二子GPU。
在一些实施例中，服务运行装置还可以包括执行单元(图中未示出)。其中，执行单元用于，将存在空闲子GPU的GPU存储至预设列表；从预设列表中选取目标GPU，并针对目标GPU执行第三处理步骤：响应于预设列表中其它GPU的运行子GPU存在与目标GPU的空闲子GPU大小匹配的目标子GPU，将目标子GPU上运行的服务迁移至目标GPU的空闲子GPU上运行；响应于目标GPU不存在空闲子GPU，从预设列表中移除目标GPU；
响应于预设列表中存在可匹配目标子GPU的至少两个GPU，从预设列表中重新选择目标GPU，并针对重新选择的目标GPU，执行第三处理步骤。
在一些实施例中，优先将位于目标GPU所在设备的目标子GPU运行的服务迁移至目标GPU的空闲子GPU上运行。
进一步参考图9，图9示出了本公开的一些实施例的服务运行方法可以应用于其中的示例性系统架构。
如图9所示，系统架构可以包括服务器901、服务集合902和GPU903、GPU904。其中，服务集合中包括至少一个服务。
服务器901可以通过GPU903和GPU904运行服务集合902中的每个服务。在一些场景中，服务器901可以根据服务集合902中每个服务的性能数据，确定GPU的目标部署方式，进一步，对于服务集合902中的服务，服务器901可以将该服务从运行于当前部署方式指示的子GPU，切换至运行于目标部署方式指示的子GPU。
需要说明的是，GPU903和GPU904可以设置于同一个设备，也可以设置于不同的设备。
服务器901可以是硬件，也可以是软件。当服务器901为硬件时，可以实现成多个服务器组成的分布式服务器集群，也可以实现成单个服务器。当服务器901为软件时，可以实现成多个软件或软件模块(例如用来提供分布式服务的多个软件或软件模块)，也可以实现成单个软件或软件模块，在此不做具体限定。
需要说明的是，本公开的实施例所提供的服务运行方法可以由服务器901执行，相应地，服务运行装置可以设置在服务器901中。
应该理解，图9中的服务器、服务集合和GPU的数目仅仅是示意性的。根据实现需要，可以具有任意数目的服务器、服务集合和GPU。
下面参考图10，其示出了适于用来实现本公开的一些实施例的电子设备(例如，图9中的服务器)的结构示意图。图10示出的电子设备仅仅是一个示例，不应对本公开实施例的功能和使用范围带来任何限制。图10示出的电子设备仅仅是一个示例，不应对本公开的实施例的功能和使用范围带来任何限制。
如图10所示，电子设备可以包括处理装置(例如中央处理器、图形处理器等)1001，其可以根据存储在只读存储器(ROM)1002中的程序或者从存储装置1008加载到随机访问存储器(RAM)1003中的程序而执行各种适当的动作和处理。在RAM 1003中，还存储有电子设备操作所需的各种程序和数据。处理装置1001、ROM 1002以及RAM 1003通过总线1004彼此相连。输入/输出(I/O)接口1005也连接至总线1004。
通常，以下装置可以连接至I/O接口1005：包括例如触摸屏、触摸板、键盘、鼠标、摄像头、麦克风、加速度计、陀螺仪等的输入装置1006；包括例如液晶显示器(LCD)、扬声器、振动器等的输出装置1007；包括例如磁带、硬盘等的存储装置1008；以及通信装置1009。通信装置1009可以允许电子设备与其它设备进行无线或有线通信以交换数据。虽然图10示出了具有各种装置的电子设备，但是应理解的是，并不要求实施或具备所有示出的装置。可以替代地实施或具备更多或更少的装置。图10中示出的每个方框可以代表一个装置，也可以根据需要代表多个装置。
特别地，根据本公开的一些实施例，上文参考流程图描述的过程可以被实现为计算机软件程序。例如，本公开的一些实施例包括一种计算机程序产品，其包括承载在非暂态计算机可读介质上的计算机程序，该计算机程序包含用于执行流程图所示的方法的程序代码。在这样的实施例中，该计算机程序可以通过通信装置1009从网络上被下载和安装，或者从存储装置1008被安装，或者从ROM 1002被安装。在该计算机程序被处理装置1001执行时，执行本公开实施例的方法中限定的上述功能。
需要说明的是，本公开的一些实施例所述的计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质或者是上述两者的任意组合。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。计算机可读存储介质的更具体的例子可以包括但不限于：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本公开的一些实施例中，计算机可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。而在本公开的一些实施例中，计算机可读信号介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读信号介质还可以是计算机可读存储介质以外的任何计算机可读介质，该计算机可读信号介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。计算机可读介质上包含的程序代码可以用任何适当的介质传输，包括但不限于：电线、光缆、RF(射频)等等，或者上述的任意合适的组合。
在一些实施方式中，客户端、服务器可以利用诸如HTTP(HyperText TransferProtocol，超文本传输协议)之类的任何当前已知或未来研发的网络协议进行通信，并且可以与任意形式或介质的数字数据通信(例如，通信网络)互连。通信网络的示例包括局域网(“LAN”)，广域网(“WAN”)，网际网(例如，互联网)以及端对端网络(例如，ad hoc端对端网络)，以及任何当前已知或未来研发的网络。
上述计算机可读介质可以是上述电子设备中所包含的，也可以是单独存在，而未装配入该电子设备中。上述计算机可读介质承载有一个或者多个程序，当上述一个或者多个程序被该电子设备执行时，使得该电子设备：根据服务集合中每个服务的性能数据，确定GPU的目标部署方式，其中，部署方式包括从GPU划分具有相应大小的子GPU和确定每个子GPU用于运行的服务；对于服务集合中的服务，将该服务从运行于当前部署方式指示的子GPU，切换至运行于目标部署方式指示的子GPU。
可以以一种或多种程序设计语言或其组合来编写用于执行本公开的一些实施例的操作的计算机程序代码，上述程序设计语言包括但不限于面向对象的程序设计语言—诸如Java、Smalltalk、C++，还包括常规的过程式程序设计语言—诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中，远程计算机可以通过任意种类的网络——包括局域网(LAN)或广域网(WAN)—连接到用户计算机，或者，可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。
附图中的流程图和框图，图示了按照本公开各种实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分，该模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个接连地表示的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或操作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。
描述于本公开的一些实施例中的单元可以通过软件的方式实现，也可以通过硬件的方式来实现。其中，这些单元的名称在某种情况下并不构成对该单元本身的限定，例如，确定单元还可以被描述为“根据服务集合中每个服务的性能数据，确定GPU的目标部署方式”的单元。
本文中以上描述的功能可以至少部分地由一个或多个硬件逻辑部件来执行。例如，非限制性地，可以使用的示范类型的硬件逻辑部件包括：现场可编程门阵列(FPGA)、专用集成电路(ASIC)、专用标准产品(ASSP)、片上系统(SOC)、复杂可编程逻辑设备(CPLD)等等。
在本公开的上下文中，机器可读介质可以是有形的介质，其可以包含或存储以供指令执行系统、装置或设备使用或与指令执行系统、装置或设备结合地使用的程序。机器可读介质可以是机器可读信号介质或机器可读储存介质。机器可读介质可以包括但不限于电子的、磁性的、光学的、电磁的、红外的、或半导体系统、装置或设备，或者上述内容的任何合适组合。机器可读存储介质的更具体示例会包括基于一个或多个线的电气连接、便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦除可编程只读存储器(EPROM或快闪存储器)、光纤、便捷式紧凑盘只读存储器(CD-ROM)、光学储存设备、磁储存设备、或上述内容的任何合适组合。
以上描述仅为本公开的一些较佳实施例以及对所运用技术原理的说明。本领域技术人员应当理解，本公开的实施例中所涉及的公开范围，并不限于上述技术特征的特定组合而成的技术方案，同时也应涵盖在不脱离上述公开构思的情况下，由上述技术特征或其等同特征进行任意组合而形成的其它技术方案。例如上述特征与本公开中所公开的(但不限于)具有类似功能的技术特征进行互相替换而形成的技术方案。
此外，虽然采用特定次序描绘了各操作，但是这不应当理解为要求这些操作以所示出的特定次序或以顺序次序执行来执行。在一定环境下，多任务和并行处理可能是有利的。同样地，虽然在上面论述中包含了若干具体实现细节，但是这些不应当被解释为对本公开的范围的限制。在单独的实施例的上下文中描述的某些特征还可以组合地实现在单个实施例中。相反地，在单个实施例的上下文中描述的各种特征也可以单独地或以任何合适的子组合的方式实现在多个实施例中。
尽管已经采用特定于结构特征和/或方法逻辑动作的语言描述了本主题，但是应当理解所附权利要求书中所限定的主题未必局限于上面描述的特定特征或动作。相反，上面所描述的特定特征和动作仅仅是实现权利要求书的示例形式。

Claims (17)

1.一种服务运行方法，其特征在于，包括：
根据服务集合中每个服务的性能数据，确定GPU的目标部署方式，其中，部署方式包括从GPU划分具有相应大小的子GPU和确定每个子GPU用于运行的服务；
对于所述服务集合中的服务，将该服务从运行于当前部署方式指示的子GPU，切换至运行于所述目标部署方式指示的子GPU；以及
所述根据服务集合中每个服务的性能数据，确定GPU的目标部署方式，包括：
根据服务集合中每个服务的性能数据，使用贪心算法、树搜索算法和遗传算法，确定GPU的目标部署方式；以及
所述根据服务集合中每个服务的性能数据，使用贪心算法、树搜索算法和遗传算法，确定GPU的目标部署方式，包括：
循环执行目标处理步骤：使用贪心算法和树搜索算法，通过处理所述服务集合中每个服务的性能数据，确定GPU的一批最优部署方式；对于GPU的一批最优部署方式中的每种最优部署方式，通过交替使用交叉算法和变异算法，减少该最优部署方式划分的子GPU的数量；将服务的部署完成率最优的部署方式，作为候选最优部署方式；
从多种候选最优部署方式中确定每个服务均满足目标性能的部署方式；
将每个服务均满足目标性能且包括的子GPU的数量最少的部署方式，作为所述目标部署方式。
2.根据权利要求1所述的方法，其特征在于，服务的性能数据包括实际性能数据和目标性能数据，其中，实际性能数据包括服务运行在不同大小的子GPU上实现的吞吐量和延迟，目标性能数据包括服务的目标吞吐量和目标延迟。
3.根据权利要求1所述的方法，其特征在于，所述根据服务集合中每个服务的性能数据，确定GPU的目标部署方式，包括：
执行第一处理步骤：使用贪心算法，通过处理所述服务集合中每个服务的性能数据，确定GPU的最优部署方式；对于每个服务，根据该服务的性能数据，确定该服务在最优部署方式下是否满足目标性能；响应于每个服务在最优部署方式下均满足目标性能，将最优部署方式作为所述目标部署方式；
响应于所述服务集合中任意服务在最优部署方式下不满足目标性能，继续执行所述第一处理步骤。
4.根据权利要求3所述的方法，其特征在于，所述通过处理所述服务集合中每个服务的性能数据，确定GPU的最优部署方式，包括：
通过处理所述服务集合中每个服务的性能数据，确定GPU的一批部署方式，确定每种部署方式的评分，并将评分最高的部署方式作为最优部署方式。
5.根据权利要求3所述的方法，其特征在于，所述对于每个服务，根据该服务的性能数据，确定该服务在最优部署方式下是否满足目标性能，包括：
对于每个服务，执行第一确定步骤：
根据该服务的实际性能数据和目标性能数据，确定该服务在最优部署方式下的吞吐量是否大于等于其目标吞吐量，以及该服务在最优部署方式下的延迟是否小于等于其目标延迟；
响应于该服务在最优部署方式下的吞吐量大于等于其目标吞吐量，且该服务在最优部署方式下的延迟小于等于其目标延迟，确定该服务在最优部署方式下满足目标性能。
6.根据权利要求5所述的方法，其特征在于，所述第一确定步骤还包括：
响应于该服务在最优部署方式下的吞吐量小于其目标吞吐量，或者该服务在最优部署方式下的延迟大于其目标延迟，确定该服务在最优部署方式下不满足目标性能。
7.根据权利要求1所述的方法，其特征在于，所述根据服务集合中每个服务的性能数据，确定GPU的目标部署方式，包括：
循环执行第二处理步骤：使用树搜索算法，通过处理所述服务集合中每个服务的性能数据，确定GPU的一批部署方式；对于GPU的一批部署方式中的每种部署方式，通过交替使用交叉算法和变异算法，减少该部署方式划分的子GPU的数量；将服务的部署完成率最优的部署方式，作为最优部署方式；
从多种最优部署方式中确定每个服务均满足目标性能的部署方式；
将每个服务均满足目标性能且包括的子GPU的数量最少的部署方式，作为所述目标部署方式。
8.根据权利要求7所述的方法，其特征在于，所述变异算法用于调换不同GPU上相同大小的子GPU用于运行的服务；所述交叉算法用于将同一个GPU上多个子GPU运行相同服务，更换为一个子GPU运行该服务。
9.根据权利要求7所述的方法，其特征在于，所述从多种最优部署方式中确定每个服务均满足目标性能的部署方式，包括：
在每种最优部署方式下，对于每个服务执行第二确定步骤：根据该服务的实际性能数据和目标性能数据，确定该服务在该最优部署方式下的吞吐量是否大于等于其目标吞吐量，以及该服务在该最优部署方式下的延迟是否小于等于其目标延迟；响应于该服务在该最优部署方式下的吞吐量大于等于其目标吞吐量，且该服务在该最优部署方式下的延迟小于等于其目标延迟，确定该服务在该最优部署方式下满足目标性能；
从所述多种最优部署方式中确定每个服务均满足目标性能的部署方式。
10.根据权利要求9所述的方法，其特征在于，所述第二确定步骤还包括：
响应于该服务在该最优部署方式下的吞吐量小于其目标吞吐量，或者该服务在该最优部署方式下的延迟大于其目标延迟，确定该服务在该最优部署方式下不满足目标性能。
11.根据权利要求7所述的方法，其特征在于，所述树搜索算法预先裁剪过搜索空间。
12.根据权利要求1所述的方法，其特征在于，所述对于所述服务集合中的服务，将该服务从运行于当前部署方式指示的子GPU，切换至运行于所述目标部署方式指示的子GPU，包括：
对于每个服务，执行切换步骤：
通过比较GPU的当前部署方式与所述目标部署方式，确定该服务需要新建的第一子GPU和需要删除的第二子GPU；
在满足该服务的目标性能的前提下，将该服务的第一子GPU和第二子GPU配对，获得至少一个子GPU对；
对于每个子GPU对，先创建该子GPU对包括的第一子GPU，并在创建的第一子GPU上运行该服务，再删除该子GPU对包括的第二子GPU；
对于该服务未配对的第一子GPU和第二子GPU，先创建第一子GPU，并在创建的第一子GPU上运行该服务，再删除第二子GPU。
13.根据权利要求1所述的方法，其特征在于，所述方法还包括：
将存在空闲子GPU的GPU存储至预设列表；
从所述预设列表中选取目标GPU，并针对目标GPU执行第三处理步骤：响应于所述预设列表中其它GPU的运行子GPU存在与目标GPU的空闲子GPU大小匹配的目标子GPU，将目标子GPU上运行的服务迁移至目标GPU的空闲子GPU上运行；响应于目标GPU不存在空闲子GPU，从所述预设列表中移除目标GPU；
响应于所述预设列表中存在可匹配目标子GPU的至少两个GPU，从所述预设列表中重新选择目标GPU，并针对重新选择的目标GPU，执行所述第三处理步骤。
14.根据权利要求13所述的方法，其特征在于，所述将目标子GPU上运行的服务迁移至目标GPU的空闲子GPU上运行，包括：
优先将位于目标GPU所在设备的目标子GPU运行的服务迁移至目标GPU的空闲子GPU上运行。
15.一种服务运行装置，其特征在于，包括：
确定单元，用于根据服务集合中每个服务的性能数据，确定GPU的目标部署方式，其中，部署方式包括从GPU划分具有相应大小的子GPU和确定每个子GPU用于运行的服务；
切换单元，用于对于所述服务集合中的服务，将该服务从运行于当前部署方式指示的子GPU，切换至运行于所述目标部署方式指示的子GPU；以及
所述确定单元进一步用于通过如下方式根据服务集合中每个服务的性能数据，确定GPU的目标部署方式：
根据服务集合中每个服务的性能数据，使用贪心算法、树搜索算法和遗传算法，确定GPU的目标部署方式；以及
所述确定单元进一步用于通过如下方式根据服务集合中每个服务的性能数据，使用贪心算法、树搜索算法和遗传算法，确定GPU的目标部署方式：
循环执行目标处理步骤：使用贪心算法和树搜索算法，通过处理所述服务集合中每个服务的性能数据，确定GPU的一批最优部署方式；对于GPU的一批最优部署方式中的每种最优部署方式，通过交替使用交叉算法和变异算法，减少该最优部署方式划分的子GPU的数量；将服务的部署完成率最优的部署方式，作为候选最优部署方式；
从多种候选最优部署方式中确定每个服务均满足目标性能的部署方式；
将每个服务均满足目标性能且包括的子GPU的数量最少的部署方式，作为所述目标部署方式。
16.一种电子设备，其特征在于，包括：
一个或多个处理器；
存储装置，用于存储一个或多个程序，
当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现如权利要求1-14中任一所述的方法。
17.一种计算机可读介质，其上存储有计算机程序，其特征在于，该程序被处理器执行时实现如权利要求1-14中任一所述的方法。
CN202111088174.4A 2021-09-16 2021-09-16 服务运行方法、装置和电子设备 Active CN113791908B (zh)

Priority Applications (3)

Application Number Priority Date Filing Date Title
CN202111088174.4A CN113791908B (zh) 2021-09-16 2021-09-16 服务运行方法、装置和电子设备
PCT/SG2022/050601 WO2023043366A2 (zh) 2021-09-16 2022-08-23 服务运行方法、装置和电子设备
US18/532,819 US20240104687A1 (en) 2021-09-16 2023-12-07 Method and apparatus for runing a service, and electronic device

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111088174.4A CN113791908B (zh) 2021-09-16 2021-09-16 服务运行方法、装置和电子设备

Publications (2)

Publication Number Publication Date
CN113791908A CN113791908A (zh) 2021-12-14
CN113791908B true CN113791908B (zh) 2024-03-29

Family

ID=78878696

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111088174.4A Active CN113791908B (zh) 2021-09-16 2021-09-16 服务运行方法、装置和电子设备

Country Status (3)

Country Link
US (1) US20240104687A1 (zh)
CN (1) CN113791908B (zh)
WO (1) WO2023043366A2 (zh)

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103279332A (zh) * 2013-06-09 2013-09-04 浪潮电子信息产业股份有限公司 一种基于gpu-cuda平台以及遗传算法的数据流并行处理方法
CN110227259A (zh) * 2018-03-06 2019-09-13 华为技术有限公司 一种数据处理的方法、装置、服务器和系统
CN111061569A (zh) * 2019-12-18 2020-04-24 北京工业大学 一种基于遗传算法的异构多核处理器任务分配与调度策略
CN111373366A (zh) * 2017-11-21 2020-07-03 亚马逊科技公司 生成和部署机器学习模型软件包
CN111489279A (zh) * 2019-01-25 2020-08-04 深圳富桂精密工业有限公司 Gpu加速优化方法、装置及计算机存储介质
CN111552550A (zh) * 2020-04-26 2020-08-18 星环信息科技（上海）有限公司 一种基于图形处理器gpu资源的任务调度方法、设备及介质
CN111580974A (zh) * 2020-05-08 2020-08-25 北京字节跳动网络技术有限公司 Gpu实例分配方法、装置、电子设备和计算机可读介质

Family Cites Families (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US10896064B2 (en) * 2017-03-27 2021-01-19 International Business Machines Corporation Coordinated, topology-aware CPU-GPU-memory scheduling for containerized workloads
US20200007556A1 (en) * 2017-06-05 2020-01-02 Umajin Inc. Server kit configured to marshal resource calls and methods therefor
US11367160B2 (en) * 2018-08-02 2022-06-21 Nvidia Corporation Simultaneous compute and graphics scheduling

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103279332A (zh) * 2013-06-09 2013-09-04 浪潮电子信息产业股份有限公司 一种基于gpu-cuda平台以及遗传算法的数据流并行处理方法
CN111373366A (zh) * 2017-11-21 2020-07-03 亚马逊科技公司 生成和部署机器学习模型软件包
CN110227259A (zh) * 2018-03-06 2019-09-13 华为技术有限公司 一种数据处理的方法、装置、服务器和系统
CN111489279A (zh) * 2019-01-25 2020-08-04 深圳富桂精密工业有限公司 Gpu加速优化方法、装置及计算机存储介质
CN111061569A (zh) * 2019-12-18 2020-04-24 北京工业大学 一种基于遗传算法的异构多核处理器任务分配与调度策略
CN111552550A (zh) * 2020-04-26 2020-08-18 星环信息科技（上海）有限公司 一种基于图形处理器gpu资源的任务调度方法、设备及介质
CN111580974A (zh) * 2020-05-08 2020-08-25 北京字节跳动网络技术有限公司 Gpu实例分配方法、装置、电子设备和计算机可读介质

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
Optimization of parallel iterated local search algorithms on graphics processing unit;Yi Zhou等;《The Journal of Supercomputing 》;20160510;第72卷;第 2394–2416页 *
面向离散制造车间实时定位的UWB部署优化方法;吴旗等;《计算机工程与应用》;20180725;第55卷(第9期);第203-210页 *

Also Published As

Publication number Publication date
US20240104687A1 (en) 2024-03-28
CN113791908A (zh) 2021-12-14
WO2023043366A3 (zh) 2023-05-11
WO2023043366A2 (zh) 2023-03-23

Similar Documents

Publication Publication Date Title
CN110609872B (zh) 用于同步节点数据的方法和装置
WO2021103479A1 (zh) 用于训练深度学习模型的方法和装置
CN110391938B (zh) 用于部署服务的方法和装置
CN109508326B (zh) 用于处理数据的方法、装置和系统
CN109032796B (zh) 一种数据处理方法和装置
CN114139684A (zh) 图神经网络生成方法、装置、系统、介质以及电子设备
CN111580974B (zh) Gpu实例分配方法、装置、电子设备和计算机可读介质
CN113760488A (zh) 调度任务的方法、装置、设备和计算机可读介质
CN112418389A (zh) 数据处理方法、装置、电子设备及计算机可读存储介质
CN111414343B (zh) 日志写入方法、装置、电子设备和介质
CN113791908B (zh) 服务运行方法、装置和电子设备
CN111680791A (zh) 适用于异构环境中的通信方法、装置、系统
CN116302271A (zh) 一种页面展示方法、装置及电子设备
CN113176937B (zh) 任务处理方法、装置和电子设备
CN111756833B (zh) 节点处理方法、装置、电子设备及计算机可读介质
CN111581930A (zh) 在线表格数据处理方法、装置、电子设备和可读介质
CN117170986B (zh) 芯片一致性处理系统，及其方法、装置、设备及介质
CN114651237A (zh) 数据处理方法、装置、电子设备及计算机可读存储介质
CN110825920A (zh) 数据处理方法和装置
CN111478949B (zh) 数据处理方法和装置
CN116319322B (zh) 电力设备节点通信连接方法、装置、设备和计算机介质
CN114697206B (zh) 物联网节点管理方法、装置、设备和计算机可读介质
US11689608B1 (en) Method, electronic device, and computer program product for data sharing
CN117236407A (zh) 一种模型结构优化方法、装置、电子设备及存储介质
CN117742875A (zh) 容器调度方法、装置、电子设备和计算机可读介质

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
GR01 Patent grant
GR01 Patent grant