CN114706689B - 一种基于子任务特性的多核处理器任务调度方法及系统 - Google Patents

一种基于子任务特性的多核处理器任务调度方法及系统 Download PDF

Info

Publication number
CN114706689B
CN114706689B CN202210533616.XA CN202210533616A CN114706689B CN 114706689 B CN114706689 B CN 114706689B CN 202210533616 A CN202210533616 A CN 202210533616A CN 114706689 B CN114706689 B CN 114706689B
Authority
CN
China
Prior art keywords
subtasks
tasks
processor
subtask
task
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
CN202210533616.XA
Other languages
English (en)
Other versions
CN114706689A (zh
Inventor
王嘉诚
张少仲
张栩
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.)
Zhongcheng Hualong Computer Technology Co Ltd
Original Assignee
Zhongcheng Hualong Computer 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 Zhongcheng Hualong Computer Technology Co Ltd filed Critical Zhongcheng Hualong Computer Technology Co Ltd
Priority to CN202210533616.XA priority Critical patent/CN114706689B/zh
Publication of CN114706689A publication Critical patent/CN114706689A/zh
Application granted granted Critical
Publication of CN114706689B publication Critical patent/CN114706689B/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
    • G06F9/50—Allocation of resources, e.g. of the central processing unit [CPU]
    • G06F9/5061—Partitioning or combining of resources
    • G06F9/5072—Grid computing
    • 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
    • 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
    • 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)
  • Software Systems (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Mathematical Physics (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本申请公开了一种基于子任务特性的多核处理器任务调度方法及系统，涉及计算机资源调度领域，包括步骤：对计算节点性能进行实时计算；获取子任务Q布置到计算节点N上的适应度值；将子任务确定为关联子任务和独立子任务，计算关联子任务之间的关联度，基于关联度以及适应度值采用TDMSCL算法对任务进行调度选择处理器分配处理器核心；对于独立子任务，确定独立子任务的任务参数，基于任务参数直接采用TDMSCL算法对任务进行调度选择处理器分配处理器核心。本发明计算适应度值时将时间参数以及硬件性能随着时间变弱作为综合考虑因素，通过关联子任务之间的关联度计算，大大增加了任务调度准确度以及调度效率，改善了用户体验。

Description

一种基于子任务特性的多核处理器任务调度方法及系统
技术领域
本发明涉及计算机资源调度领域，具体地涉及一种基于子任务特性的多核处理器任务调度方法及系统。
背景技术
目前，随着电子技术的快速发展，面向模拟任务运行的计算资源调度方法一直是非常重要的问题，其对计算任务的运算效率提升起着关键性作用。在分布式计算和云计算等领域，出现了众多的计算作业调度系统，对于计算资源的调度策略也展开了诸多的应用。
整体来看，在分布式计算和云计算领域已经出现了众多的计算资源调度方法和相关的作业执行系统，然而其更多的是针对于简单或者可以进行任务分割的运算任务。复杂问题的求解通常需要各种模型资源、数据资源的耦合集成，不同模型的运行之间存在着一定的关联性，且由于分布式计算资源的环境是异构且动态变化的，这就使得支撑模型运算的计算资源调度成为一项极其复杂的工作，因此探索面向开放式模拟的计算资源调度策略十分必要。
目前大多数的模型服务还是以特定的研究机构集中式贡献为主，服务器数量和性能的局限性使得在面向多任务、多用户的地理模拟任务运行时充满了挑战。然而，目前不同的科研人员都积累了众多的计算资源，这些计算资源都能够为模型的运行提供良好的支撑。如何在开放式的网络环境下，让不同的使用者们协作起来，共享各自拥有的计算资源、模型资源、数据资源，对于开放式模拟相关工作的开展起着举足轻重的作用。
现有技术中，虽然存在较多任务调度，但是其任务调度不灵活，反应有时并不是人所想要的方向或速度；对计算节点性能只考虑硬件参数，而为考虑随着时间硬件性能变弱等特点。且关联子任务之间的计算较为复杂，大大增加了硬件通信负担，如何能够让任务调度更加智能化、高效率化，提高其运行效率，增强计算速度成为新的研究课题，但是现有任务调度准确性以及效率较低；因此，一种基于子任务特性的多核处理器高效率任务调度方法及系统成为迫切需求，从而改善用户的体验。
发明内容
为解决上述技术问题，本发明提供一种基于子任务特性的多核处理器任务调度方法及系统，本发明的基于子任务特性的多核处理器任务调度方法及系统显著了任务调度计算效率，在准确率方面大大增强，增强用户体验；基于子任务特性的多核处理器任务调度方法，包括步骤：对计算节点性能进行实时计算；获取子任务Q布置到计算节点N上的适应度值
Figure 100002_DEST_PATH_IMAGE001
；将子任务确定为关联子任务和独立子任务，对于关联子任务，计算关联子任务之间的关联度
Figure 100002_DEST_PATH_IMAGE002
，基于关联度以及适应度值采用TDMSCL算法对任务进行调度选择处理器分配处理器核心；对于独立子任务，确定独立子任务的任务参数，基于任务参数直接采用TDMSCL算法对任务进行调度选择处理器分配处理器核心；
Figure 100002_DEST_PATH_IMAGE003
Figure 100002_DEST_PATH_IMAGE004
Figure 100002_DEST_PATH_IMAGE005
Figure 100002_DEST_PATH_IMAGE006
Figure 100002_DEST_PATH_IMAGE007
分别是待部署的子任务对计算节点内CPU、内存、硬盘、网络带宽、GPU和网络延迟的权重需求值；
Figure 100002_DEST_PATH_IMAGE008
为时间参数，时间越长值越小，
Figure 100002_DEST_PATH_IMAGE009
；
Figure 100002_DEST_PATH_IMAGE010
其中,b表示具体计算节点上参数指标的属性值，a表示x的基准值；所述计算节点性能x包括CPU、内存、硬盘、网络带宽、GPU和网络延迟迟六个参数指标；
关联子任务之间的关联度计算如下：
Figure 100002_DEST_PATH_IMAGE011
其中，E表示任务
Figure 100002_DEST_PATH_IMAGE012
和
Figure 100002_DEST_PATH_IMAGE013
共同包含的参数个数，
Figure 100002_DEST_PATH_IMAGE014
表示任务
Figure 133007DEST_PATH_IMAGE012
和
Figure 518989DEST_PATH_IMAGE013
中涉及的参数较少的任务参数个数。
优选地，所述计算关联子任务之间的关联度，之后还包括步骤判断子任务之间是否完全或者部分依赖于其他子任务的执行才能执行，或者存在相互调用关系，若是则将该关联子任务分配打包分配至同一计算节点。
优选地，所述基于关联度以及适应度值采用TDMSCL算法对任务进行调度选择处理器分配处理器核心，之后还包括将关联度大于设定阈值的任务打包分配到适应度值最高的计算节点上进行处理。
优选地，所述基于关联度以及适应度值采用TDMSCL算法对任务进行调度选择处理器分配处理器核心；当关联子任务之间的关联度大于设定阈值时，则将关联子任务分配同一处理器核心处理，以减少通信开销。
优选地，所述子任务包括智能导航、智能物联网、医学图像处理、元宇宙、边缘计算，根据两两任务之间的关联度，确定不同任务中对独立子任务或子任务关联度进行认定，并分配选择不同适应度值的计算节点。
优选地，所述
Figure 892202DEST_PATH_IMAGE008
为时间参数，时间越长值越小，
Figure 615307DEST_PATH_IMAGE008
与CPU、内存、硬盘、GPU的平均保质期限成正比，与网络带宽成正比、与网络延迟成反比。
基于子任务特性的多核处理器任务调度系统，其特征在于，包括计算模块：对计算节点性能进行实时计算，获取子任务Q布置到计算节点N上的适应度值
Figure 898521DEST_PATH_IMAGE001
；关联度计算模块：将子任务确定为关联子任务和独立子任务，对于关联子任务，计算关联子任务之间的关联度
Figure 314459DEST_PATH_IMAGE002
；任务调度模块：基于关联度以及适应度值采用TDMSCL算法对任务进行调度选择处理器分配处理器核心；对于独立子任务，确定独立子任务的任务参数，基于任务参数直接采用TDMSCL算法对任务进行调度选择处理器分配处理器核心；
Figure 50334DEST_PATH_IMAGE003
Figure 842709DEST_PATH_IMAGE004
Figure 980429DEST_PATH_IMAGE005
Figure 567268DEST_PATH_IMAGE006
Figure 790439DEST_PATH_IMAGE007
分别是待部署的子任务对计算节点内CPU、内存、硬盘、网络带宽、GPU和网络延迟的权重需求值；
Figure 120927DEST_PATH_IMAGE008
为时间参数，时间越长值越小，
Figure 113153DEST_PATH_IMAGE009
；
Figure 100002_DEST_PATH_IMAGE015
其中,b表示具体计算节点上参数指标的属性值，a表示x的基准值；所述计算节点性能x包括CPU、内存、硬盘、网络带宽、GPU和网络延迟六个参数指标；
关联子任务之间的关联度计算如下：
Figure 100002_DEST_PATH_IMAGE016
其中，E表示任务
Figure 198790DEST_PATH_IMAGE012
和
Figure 909257DEST_PATH_IMAGE013
共同包含的参数个数，
Figure 777856DEST_PATH_IMAGE014
表示任务
Figure 890168DEST_PATH_IMAGE012
和
Figure 818810DEST_PATH_IMAGE013
中涉及的参数较少的任务参数个数。
优选地，所述计算关联子任务之间的关联度，之后还包括判断模块：判断子任务之间是否完全或者部分依赖于其他子任务的执行才能执行，或者存在相互调用关系，若是则将该关联子任务分配打包分配至同一计算节点。
优选地，所述基于关联度以及适应度值采用TDMSCL算法对任务进行调度选择处理器分配处理器核心，之后还包括处理模块：将关联度大于设定阈值的任务打包分配到适应度值最高的计算节点上进行处理。
优选地，所述基于关联度以及适应度值采用TDMSCL算法对任务进行调度选择处理器分配处理器核心；当关联子任务之间的关联度大于设定阈值时，则将关联子任务分配同一处理器核心处理，以减少通信开销。
优选地，所述子任务包括智能导航、智能物联网、医学图像处理、元宇宙、边缘计算，根据两两任务之间的关联度，确定不同任务中对独立子任务或子任务关联度进行认定，并分配选择不同适应度值的计算节点。
优选地，所述
Figure 16573DEST_PATH_IMAGE008
为时间参数，时间越长值越小，
Figure 688863DEST_PATH_IMAGE008
与CPU、内存、硬盘、GPU的平均保质期限成正比，与网络带宽成正比、与网络延迟成反比。
与现有技术相比，本发明的技术方案具有以下有益效果：
解决了传统技术中存在较多任务调度，但是其任务调度不灵活，反应有时并不是人所想要的方向或速度；对计算节点性能只考虑硬件参数，而没有考虑随着时间硬件性能变弱等特点。且关联子任务之间的计算较为复杂，大大增加了硬件通信负担，能够让任务调度更加智能化、高效率化。本申请对计算节点性能进行实时计算；获取子任务Q布置到计算节点N上的适应度值
Figure 655682DEST_PATH_IMAGE001
；尤其是计算适应度值时将
Figure 20804DEST_PATH_IMAGE008
为时间参数作为考虑因素，大大增加了任务调度准确度和效率；将子任务确定为关联子任务和独立子任务，对于关联子任务，计算关联子任务之间的关联度
Figure 440284DEST_PATH_IMAGE002
，基于关联度以及适应度值采用TDMSCL算法对任务进行调度选择处理器分配处理器核心；尤其本申请的关联子任务之间的关联度计算如下：
Figure 100002_DEST_PATH_IMAGE017
其中，E表示任务
Figure 385107DEST_PATH_IMAGE012
和
Figure 65487DEST_PATH_IMAGE013
共同包含的参数个数，
Figure 476876DEST_PATH_IMAGE014
表示任务
Figure 338364DEST_PATH_IMAGE012
和
Figure 227823DEST_PATH_IMAGE013
中涉及的参数较少的任务参数个数，大大增强了使用者体验，且在准确率方面大大增强，增强用户体验。
附图说明
为了更清楚地说明本发明实施例的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其它的附图。
图1是本发明一种基于子任务特性的多核处理器任务调度系统图。
具体实施方式
下面结合附图对本发明实施例进行详细描述。
需说明的是，在不冲突的情况下，以下实施例及实施例中的特征可以相互组合；并且，基于本公开中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本公开保护的范围。
需要说明的是，下文描述在所附权利要求书的范围内的实施例的各种方面。应显而易见，本文中所描述的方面可体现于广泛多种形式中，且本文中所描述的任何特定结构及/或功能仅为说明性的。基于本公开，所属领域的技术人员应了解，本文中所描述的一个方面可与任何其它方面独立地实施，且可以各种方式组合这些方面中的两者或两者以上。举例来说，可使用本文中所阐述的任何数目个方面来实施设备及/或实践方法。另外，可使用除了本文中所阐述的方面中的一或多者之外的其它结构及/或功能性实施此设备及/或实践此方法。
本领域技术人员理解，如背景技术所言，传统的任务调度虽然存在较多任务调度方法，但是其任务调度不灵活，反应有时并不是人所想要的方向或速度；对计算节点性能只考虑硬件参数，而为考虑随着时间硬件性能变弱等特点。如何如何能够让任务调度更加智能化、高效率化，提高其运行效率，增强计算速度成为新的研究课题。为使本发明的上述目的、特征和有益效果能够更为明显易懂，下面结合附图对本发明的具体实施例做详细的说明。
实施例1：
图一示出了本申请的基于子任务特性的多核处理器任务调度系统图，包括步骤：对计算节点性能进行实时计算；获取子任务Q布置到计算节点N上的适应度值
Figure 293868DEST_PATH_IMAGE001
；将子任务确定为关联子任务和独立子任务，对于关联子任务，计算关联子任务之间的关联度
Figure 876159DEST_PATH_IMAGE002
，基于关联度以及适应度值采用TDMSCL算法对任务进行调度选择处理器分配处理器核心；对于独立子任务，确定独立子任务的任务参数，基于任务参数直接采用TDMSCL算法对任务进行调度选择处理器分配处理器核心；
Figure 394865DEST_PATH_IMAGE003
Figure 88015DEST_PATH_IMAGE004
Figure 742987DEST_PATH_IMAGE005
Figure 496179DEST_PATH_IMAGE006
Figure 502181DEST_PATH_IMAGE007
分别是待部署的子任务对计算节点内CPU、内存、硬盘、网络带宽、GPU和网络延迟的权重需求值；
Figure 999022DEST_PATH_IMAGE008
为时间参数，时间越长值越小，
Figure 508501DEST_PATH_IMAGE009
；
Figure 100002_DEST_PATH_IMAGE018
其中,b表示具体计算节点上参数指标的属性值，a表示x的基准值；所述计算节点性能x包括CPU、内存、硬盘、网络带宽、GPU和网络延迟六个参数指标；
关联子任务之间的关联度计算如下：
Figure 100002_DEST_PATH_IMAGE019
其中，E表示任务
Figure 353966DEST_PATH_IMAGE012
和
Figure 722630DEST_PATH_IMAGE013
共同包含的参数个数，
Figure 882216DEST_PATH_IMAGE014
表示任务
Figure 652726DEST_PATH_IMAGE012
和
Figure 606775DEST_PATH_IMAGE013
中涉及的参数较少的任务参数个数。
在一些实施例中，所述计算关联子任务之间的关联度，之后还包括步骤判断子任务之间是否完全或者部分依赖于其他子任务的执行才能执行，或者存在相互调用关系，若是则将该关联子任务分配打包分配至同一计算节点。
在一些实施例中，所述基于关联度以及适应度值采用TDMSCL算法对任务进行调度选择处理器分配处理器核心，之后还包括将关联度大于设定阈值的任务打包分配到适应度值最高的计算节点上进行处理。
在一些实施例中，所述基于关联度以及适应度值采用TDMSCL算法对任务进行调度选择处理器分配处理器核心；当关联子任务之间的关联度大于设定阈值时，则将关联子任务分配同一处理器核心处理，以减少通信开销。
在一些实施例中，所述子任务包括智能导航、智能物联网、医学图像处理、元宇宙、边缘计算，根据两两任务之间的关联度，确定不同任务中对独立子任务或子任务关联度进行认定，并分配选择不同适应度值的计算节点。
在一些实施例中，所述
Figure 462736DEST_PATH_IMAGE008
为时间参数，时间越长值越小，
Figure 426013DEST_PATH_IMAGE008
与CPU、内存、硬盘、GPU的平均保质期限成正比，与网络带宽成正比、与网络延迟成反比。
实施例2：
基于子任务特性的多核处理器任务调度系统，包括计算模块：对计算节点性能进行实时计算，获取子任务Q布置到计算节点N上的适应度值
Figure 785450DEST_PATH_IMAGE001
；关联度计算模块：将子任务确定为关联子任务和独立子任务，对于关联子任务，计算关联子任务之间的关联度
Figure 175980DEST_PATH_IMAGE002
；任务调度模块：基于关联度以及适应度值采用TDMSCL算法对任务进行调度选择处理器分配处理器核心；对于独立子任务，确定独立子任务的任务参数，基于任务参数直接采用TDMSCL算法对任务进行调度选择处理器分配处理器核心；
Figure 253657DEST_PATH_IMAGE003
Figure 755046DEST_PATH_IMAGE004
Figure 234569DEST_PATH_IMAGE005
Figure 796000DEST_PATH_IMAGE006
Figure 360974DEST_PATH_IMAGE007
分别是待部署的子任务对计算节点内CPU、内存、硬盘、网络带宽、GPU和网络延迟的权重需求值；
Figure 666053DEST_PATH_IMAGE008
为时间参数，时间越长值越小，
Figure 82DEST_PATH_IMAGE009
；
Figure 100002_DEST_PATH_IMAGE020
其中,b表示具体计算节点上参数指标的属性值，a表示x的基准值；所述计算节点性能x包括CPU、内存、硬盘、网络带宽、GPU和网络延迟六个参数指标；
关联子任务之间的关联度计算如下：
Figure 100002_DEST_PATH_IMAGE021
其中，E表示任务
Figure 800591DEST_PATH_IMAGE012
和
Figure 852861DEST_PATH_IMAGE013
共同包含的参数个数，
Figure 696052DEST_PATH_IMAGE014
表示任务
Figure 150167DEST_PATH_IMAGE012
和
Figure 53401DEST_PATH_IMAGE013
中涉及的参数较少的任务参数个数。
在一些实施例中，所述计算关联子任务之间的关联度，之后还包括判断模块：判断子任务之间是否完全或者部分依赖于其他子任务的执行才能执行，或者存在相互调用关系，若是则将该关联子任务分配打包分配至同一计算节点。
在一些实施例中，所述基于关联度以及适应度值采用TDMSCL算法对任务进行调度选择处理器分配处理器核心，之后还包括处理模块：将关联度大于设定阈值的任务打包分配到适应度值最高的计算节点上进行处理。
在一些实施例中，所述基于关联度以及适应度值采用TDMSCL算法对任务进行调度选择处理器分配处理器核心；当关联子任务之间的关联度大于设定阈值时，则将关联子任务分配同一处理器核心处理，以减少通信开销。
在一些实施例中，所述子任务包括智能导航、智能物联网、医学图像处理、元宇宙、边缘计算，根据两两任务之间的关联度，确定不同任务中对独立子任务或子任务关联度进行认定，并分配选择不同适应度值的计算节点。
在一些实施例中，所述
Figure 452021DEST_PATH_IMAGE008
为时间参数，时间越长值越小，
Figure 974270DEST_PATH_IMAGE008
与CPU、内存、硬盘、GPU的平均保质期限成正比，与网络带宽成正比、与网络延迟成反比。
本发明的基于子任务特性的多核处理器任务调度系统，解决了解决了传统技术中存在较多任务调度，但是其任务调度不灵活，反应有时并不是人所想要的方向或速度；对计算节点性能只考虑硬件参数，而为考虑随着时间硬件性能变弱等特点。且关联子任务之间的计算较为复杂，大大增加了硬件通信负担，能够让任务调度更加智能化、高效率化。本申请对计算节点性能进行实时计算；获取子任务Q布置到计算节点N上的适应度值
Figure 407525DEST_PATH_IMAGE001
；尤其是计算适应度值时将；
Figure 357026DEST_PATH_IMAGE008
为时间参数作为考虑因素，大大增加了任务调度准确度和效率；将子任务确定为关联子任务和独立子任务，对于关联子任务，计算关联子任务之间的关联度
Figure 242943DEST_PATH_IMAGE002
，基于关联度以及适应度值采用TDMSCL算法对任务进行调度选择处理器分配处理器核心；尤其本申请的关联子任务之间的关联度计算如下：
Figure 100002_DEST_PATH_IMAGE022
其中，E表示任务
Figure 162357DEST_PATH_IMAGE012
和
Figure 325485DEST_PATH_IMAGE013
共同包含的参数个数，
Figure 570522DEST_PATH_IMAGE014
表示任务
Figure 84680DEST_PATH_IMAGE012
和
Figure 73364DEST_PATH_IMAGE013
中涉及的参数较少的任务参数个数，大大增强了使用者体验，且在准确率方面大大增强，增强用户体验。
本领域技术人员应明白，本申请的实施例可提供为方法、系统、或计算机程序产品，因此本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。
以上所述，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到的变化或替换，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应以权利要求的保护范围为准。

Claims (12)

1.一种基于子任务特性的多核处理器任务调度方法，其特征在于，包括步骤：对计算节点性能进行实时计算；获取子任务Q布置到计算节点N上的适应度值
Figure DEST_PATH_IMAGE001
；将子任务确定为关联子任务和独立子任务，对于关联子任务，计算关联子任务之间的关联度
Figure DEST_PATH_IMAGE002
，基于关联度以及适应度值采用TDMSCL算法对任务进行调度选择处理器分配处理器核心；对于独立子任务，确定独立子任务的任务参数，基于任务参数直接采用TDMSCL算法对任务进行调度选择处理器分配处理器核心；
Figure DEST_PATH_IMAGE003
Figure DEST_PATH_IMAGE004
Figure DEST_PATH_IMAGE005
Figure DEST_PATH_IMAGE006
Figure DEST_PATH_IMAGE007
分别是待部署的子任务对计算节点内CPU、内存、硬盘、网络带宽、GPU和网络延迟的权重需求值；
Figure DEST_PATH_IMAGE008
为时间参数，时间越长值越小，
Figure DEST_PATH_IMAGE009
；
Figure DEST_PATH_IMAGE010
其中,b表示具体计算节点上参数指标的属性值，a表示x的基准值；所述计算节点性能x包括CPU、内存、硬盘、网络带宽、GPU和网络延迟六个参数指标；
关联子任务之间的关联度计算如下：
Figure DEST_PATH_IMAGE011
其中，E表示任务
Figure DEST_PATH_IMAGE012
和
Figure DEST_PATH_IMAGE013
共同包含的参数个数，
Figure DEST_PATH_IMAGE014
表示任务
Figure DEST_PATH_IMAGE015
和
Figure DEST_PATH_IMAGE016
中涉及的参数较少的任务参数个数。
2.根据权利要求1所述的基于子任务特性的多核处理器任务调度方法，其特征在于，所述计算关联子任务之间的关联度，之后还包括步骤判断子任务之间是否完全或者部分依赖于其他子任务的执行才能执行，或者存在相互调用关系，若是则将该关联子任务分配打包分配至同一计算节点。
3.根据权利要求1所述的基于子任务特性的多核处理器任务调度方法，其特征在于，所述基于关联度以及适应度值采用TDMSCL算法对任务进行调度选择处理器分配处理器核心，之后还包括将关联度大于设定阈值的任务打包分配到适应度值最高的计算节点上进行处理。
4.根据权利要求1所述的基于子任务特性的多核处理器任务调度方法，其特征在于，所述基于关联度以及适应度值采用TDMSCL算法对任务进行调度选择处理器分配处理器核心；当关联子任务之间的关联度大于设定阈值时，则将关联子任务分配同一处理器核心处理，以减少通信开销。
5.根据权利要求1所述的基于子任务特性的多核处理器任务调度方法，其特征在于，所述子任务包括智能导航、智能物联网、医学图像处理、元宇宙、边缘计算，根据两两任务之间的关联度，确定不同任务中对独立子任务或子任务关联度进行认定，并分配选择不同适应度值的计算节点。
6.根据权利要求1所述的基于子任务特性的多核处理器任务调度方法，其特征在于，所述
Figure DEST_PATH_IMAGE017
为时间参数，时间越长值越小，
Figure 766429DEST_PATH_IMAGE008
与CPU、内存、硬盘、GPU的平均保质期限成正比，与网络带宽成正比、与网络延迟成反比。
7.一种基于子任务特性的多核处理器任务调度系统，其特征在于，包括计算模块：对计算节点性能进行实时计算，获取子任务Q布置到计算节点N上的适应度值
Figure DEST_PATH_IMAGE018
；关联度计算模块：将子任务确定为关联子任务和独立子任务，对于关联子任务，计算关联子任务之间的关联度
Figure DEST_PATH_IMAGE019
；任务调度模块：基于关联度以及适应度值采用TDMSCL算法对任务进行调度选择处理器分配处理器核心；对于独立子任务，确定独立子任务的任务参数，基于任务参数直接采用TDMSCL算法对任务进行调度选择处理器分配处理器核心；
Figure 391489DEST_PATH_IMAGE003
Figure 251998DEST_PATH_IMAGE004
Figure 919739DEST_PATH_IMAGE005
Figure 650935DEST_PATH_IMAGE006
Figure DEST_PATH_IMAGE020
分别是待部署的子任务对计算节点内CPU、内存、硬盘、网络带宽、GPU和网络延迟的权重需求值；
Figure 706616DEST_PATH_IMAGE008
为时间参数，时间越长值越小，
Figure DEST_PATH_IMAGE021
；
Figure DEST_PATH_IMAGE022
其中,b表示具体计算节点上参数指标的属性值，a表示x的基准值；所述计算节点性能x包括CPU、内存、硬盘、网络带宽、GPU和网络延迟六个参数指标；
关联子任务之间的关联度计算如下：
Figure DEST_PATH_IMAGE023
其中，E表示任务
Figure 585579DEST_PATH_IMAGE015
和
Figure DEST_PATH_IMAGE024
共同包含的参数个数，
Figure DEST_PATH_IMAGE025
表示任务
Figure 712804DEST_PATH_IMAGE015
和
Figure 829664DEST_PATH_IMAGE013
中涉及的参数较少的任务参数个数。
8.根据权利要求7所述的基于子任务特性的多核处理器任务调度系统，其特征在于，所述计算关联子任务之间的关联度，之后还包括判断模块：判断子任务之间是否完全或者部分依赖于其他子任务的执行才能执行，或者存在相互调用关系，若是则将该关联子任务分配打包分配至同一计算节点。
9.根据权利要求7所述的基于子任务特性的多核处理器任务调度系统，其特征在于，所述基于关联度以及适应度值采用TDMSCL算法对任务进行调度选择处理器分配处理器核心，之后还包括处理模块：将关联度大于设定阈值的任务打包分配到适应度值最高的计算节点上进行处理。
10.根据权利要求7所述的基于子任务特性的多核处理器任务调度系统，其特征在于，所述基于关联度以及适应度值采用TDMSCL算法对任务进行调度选择处理器分配处理器核心；当关联子任务之间的关联度大于设定阈值时，则将关联子任务分配同一处理器核心处理，以减少通信开销。
11.根据权利要求7所述的基于子任务特性的多核处理器任务调度系统，其特征在于，所述子任务包括智能导航、智能物联网、医学图像处理、元宇宙、边缘计算，根据两两任务之间的关联度，确定不同任务中对独立子任务或子任务关联度进行认定，并分配选择不同适应度值的计算节点。
12.根据权利要求7所述的基于子任务特性的多核处理器任务调度系统，其特征在于，所述
Figure 462771DEST_PATH_IMAGE017
为时间参数，时间越长值越小，
Figure 32292DEST_PATH_IMAGE008
与CPU、内存、硬盘、GPU的平均保质期限成正比，与网络带宽成正比、与网络延迟成反比。
CN202210533616.XA 2022-05-17 2022-05-17 一种基于子任务特性的多核处理器任务调度方法及系统 Active CN114706689B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210533616.XA CN114706689B (zh) 2022-05-17 2022-05-17 一种基于子任务特性的多核处理器任务调度方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210533616.XA CN114706689B (zh) 2022-05-17 2022-05-17 一种基于子任务特性的多核处理器任务调度方法及系统

Publications (2)

Publication Number Publication Date
CN114706689A CN114706689A (zh) 2022-07-05
CN114706689B true CN114706689B (zh) 2022-08-16

Family

ID=82176165

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210533616.XA Active CN114706689B (zh) 2022-05-17 2022-05-17 一种基于子任务特性的多核处理器任务调度方法及系统

Country Status (1)

Country Link
CN (1) CN114706689B (zh)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115098240B (zh) * 2022-07-25 2022-11-15 中诚华隆计算机技术有限公司 一种多处理器应用调度方法和系统及存储介质
CN117472594A (zh) * 2023-12-27 2024-01-30 中诚华隆计算机技术有限公司 一种基于子任务特性的处理器任务执行方法

Family Cites Families (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102495758A (zh) * 2011-12-05 2012-06-13 中南大学 分布式高性能计算环境中实时任务的调度方法
CN103034614B (zh) * 2012-12-19 2016-12-28 哈尔滨理工大学 基于关键路径和任务复制的单任务多核调度方法
US9555451B2 (en) * 2015-03-26 2017-01-31 Life Technologies Corporation Method for treating a semiconductor device
US10956211B2 (en) * 2019-02-25 2021-03-23 GM Global Technology Operations LLC Method and apparatus of allocating automotive computing tasks to networked devices with heterogeneous capabilities
CN114090271B (zh) * 2022-01-24 2022-04-29 中诚华隆计算机技术有限公司 云计算资源分配方法、装置、计算设备及存储介质

Also Published As

Publication number Publication date
CN114706689A (zh) 2022-07-05

Similar Documents

Publication Publication Date Title
CN114706689B (zh) 一种基于子任务特性的多核处理器任务调度方法及系统
Aujla et al. Optimal decision making for big data processing at edge-cloud environment: An SDN perspective
Lavanya et al. Multi objective task scheduling algorithm based on SLA and processing time suitable for cloud environment
Iranmanesh et al. DCHG-TS: a deadline-constrained and cost-effective hybrid genetic algorithm for scientific workflow scheduling in cloud computing
Singh et al. Scheduling real-time security aware tasks in fog networks
Stavrinides et al. Scheduling multiple task graphs with end-to-end deadlines in distributed real-time systems utilizing imprecise computations
Pop et al. Deadline scheduling for aperiodic tasks in inter-Cloud environments: a new approach to resource management
Long et al. Agent scheduling model for adaptive dynamic load balancing in agent-based distributed simulations
CN115134371A (zh) 包含边缘网络算力资源的调度方法、系统、设备及介质
Stavrinides et al. Cost‐aware cloud bursting in a fog‐cloud environment with real‐time workflow applications
Boeres et al. Hybrid task scheduling: Integrating static and dynamic heuristics
Lim et al. A constraint programming-based resource management technique for processing mapreduce jobs with slas on clouds
Basanta-Val et al. Predictable remote invocations for distributed stream processing
Han et al. An adaptive scheduling algorithm for heterogeneous Hadoop systems
Sanabria et al. New heuristics for scheduling and distributing jobs under hybrid dew computing environments
CN116909738A (zh) 一种基于分布式资源池的神经网络调用简化方法
Mallikarjuna The effective tasks management of workflows inspired by NIM-game strategy in smart grid environment
Hsu et al. A job scheduling design for visualization services using GPU clusters
Yao et al. An efficient virtual machine allocation algorithm for parallel and distributed simulation applications
CN110308988B (zh) 一种应用于异构计算平台的动态调度方法及系统
Zhang et al. Task Scheduling for Spark Applications With Data Affinity on Heterogeneous Clusters
Cao et al. Online Learning-Based Co-task Dispatching with Function Configuration in Edge Computing
Ji et al. Intelligent Scheduling Strategies for Computing Power Resources in Heterogeneous Edge Networks
Jingbo Resource allocation of English intelligent learning system based on reinforcement learning
Lim et al. A resource management technique for processing deadline-constrained multi-stage workflows

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