CN114968569A - 一种基于分布式异构系统的任务智能处理方法 - Google Patents
一种基于分布式异构系统的任务智能处理方法 Download PDFInfo
- Publication number
- CN114968569A CN114968569A CN202210543938.2A CN202210543938A CN114968569A CN 114968569 A CN114968569 A CN 114968569A CN 202210543938 A CN202210543938 A CN 202210543938A CN 114968569 A CN114968569 A CN 114968569A
- Authority
- CN
- China
- Prior art keywords
- data processing
- thread
- task
- processing task
- threads
- 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.)
- Withdrawn
Links
- 238000003672 processing method Methods 0.000 title claims abstract description 17
- 238000012545 processing Methods 0.000 claims abstract description 290
- 238000000034 method Methods 0.000 claims abstract description 24
- 230000004044 response Effects 0.000 claims description 10
- 238000004590 computer program Methods 0.000 claims description 9
- 230000002159 abnormal effect Effects 0.000 claims description 2
- 230000010076 replication Effects 0.000 claims description 2
- 230000005856 abnormality Effects 0.000 claims 1
- 238000010586 diagram Methods 0.000 description 11
- 238000013528 artificial neural network Methods 0.000 description 9
- 230000000694 effects Effects 0.000 description 9
- 230000006870 function Effects 0.000 description 8
- 238000004891 communication Methods 0.000 description 6
- 230000000903 blocking effect Effects 0.000 description 5
- 230000008569 process Effects 0.000 description 5
- 238000012549 training Methods 0.000 description 5
- 230000008030 elimination Effects 0.000 description 4
- 238000003379 elimination reaction Methods 0.000 description 4
- 230000003287 optical effect Effects 0.000 description 4
- 239000003795 chemical substances by application Substances 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 230000000644 propagated effect Effects 0.000 description 2
- 238000012216 screening Methods 0.000 description 2
- 238000003491 array Methods 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 238000012913 prioritisation Methods 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
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]
- G06F9/5083—Techniques for rebalancing the load in a distributed system
-
- 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
- G06F9/5038—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 considering the execution order of a plurality of tasks, e.g. taking priority or time dependency constraints into consideration
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2209/00—Indexing scheme relating to G06F9/00
- G06F2209/50—Indexing scheme relating to G06F9/50
- G06F2209/5011—Pool
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2209/00—Indexing scheme relating to G06F9/00
- G06F2209/50—Indexing scheme relating to G06F9/50
- G06F2209/5018—Thread allocation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2209/00—Indexing scheme relating to G06F9/00
- G06F2209/50—Indexing scheme relating to G06F9/50
- G06F2209/5021—Priority
Landscapes
- Engineering & Computer Science (AREA)
- Software Systems (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Multi Processors (AREA)
Abstract
本公开的实施例公开了一种基于分布式异构系统的任务智能处理方法。该方法的一具体实施方式包括:控制任务交接端进行数据处理任务交接处理,得到数据处理任务集合;将数据处理任务集合输入至预先训练的优先级确定模型,得到优先级集合;获取线程池中的每个线程的初始负载信息和状态信息,得到初始负载信息集合和状态信息集合;根据初始负载信息集合、状态信息集合和优先级集合,将数据处理任务集合中的每个数据处理任务分配给线程池中的线程,其中,线程池中的每个线程分配一个数据处理任务;控制线程池中已分配数据处理任务的线程启动,以及执行所分配的数据处理任务。该实施方式可以实现线程负载均衡,并且可以提高多个线程的并行效率。
Description
技术领域
本公开的实施例涉及任务智能处理技术领域,具体涉及一种基于分布式异构系统的任务智能处理方法。
背景技术
分布式异构系统的任务处理问题,对发挥系统的并行性能和保持负载平衡具有非常重要的意义。现有的任务处理方法通常是将任务直接或者随机分配给线程,线程执行所分配的任务。
然而,当采用上述方式时,经常会存在如下技术问题:
第一,直接将任务分配给指定的线程,未考虑到线程的负载和运行状态,导致线程的负载不均衡,多个线程的并行效率较低;
第二,未对数据处理任务进行等级划分,直接将任务分配给指定的线程,从而,造成等级较低的任务先执行,而等级较高的任务后执行,对数据处理任务的执行顺序造成影响。
第三,当数据处理任务的数量与可执行任务的线程的数量一致时,直接或者随机将数据处理任务分配给各个线程,导致负载较高的线程执行数据处理量较大的任务的情况的频繁出现,从而,造成线程堵塞情况出现的频率较高;
第四,当数据处理任务的数量大于可执行任务的线程的数量时,直接或者随机将数据处理任务分配给各个线程,未考虑到新建线程的方式,导致任务处理的效率较低;
第五,当数据处理任务的数量大于可执行任务的线程的数量时,直接或者随机将数据处理任务分配给各个线程,造成一些数据处理任务的等待时间较长。
发明内容
本公开的内容部分用于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。本公开的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。
本公开的一些实施例提出了基于分布式异构系统的任务处理方法、装置、设备和介质,来解决以上背景技术部分提到的技术问题中的一项或多项。
第一方面,本公开的一些实施例提供了一种基于分布式异构系统的任务智能处理方法,上述分布式异构系统包括任务交接端、预先训练的优先级确定模型和线程池,其中,上述线程池中包括预定数目个线程,上述方法包括:控制上述任务交接端进行数据处理任务交接处理,得到数据处理任务集合;将上述数据处理任务集合输入至上述预先训练的优先级确定模型,得到优先级集合;获取上述线程池中的每个线程的初始负载信息和状态信息,得到初始负载信息集合和状态信息集合;根据上述初始负载信息集合、上述状态信息集合和上述优先级集合,将上述数据处理任务集合中的每个数据处理任务分配给上述线程池中的线程,其中,上述线程池中的每个线程分配一个数据处理任务;控制上述线程池中已分配数据处理任务的线程启动,以及执行所分配的数据处理任务。
第二方面,本公开的一些实施例提供了一种基于分布式异构系统的任务智能处理装置,上述分布式异构系统包括任务交接端、预先训练的优先级确定模型和线程池,该装置包括:第一控制单元,被配置成控制上述任务交接端进行数据处理任务交接处理,得到数据处理任务集合;输入单元,被配置成将上述数据处理任务集合输入至上述预先训练的优先级确定模型,得到优先级集合;获取单元,被配置成获取上述线程池中的每个线程的初始负载信息和状态信息,得到初始负载信息集合和状态信息集合;分配单元,被配置成根据上述初始负载信息集合、上述状态信息集合和上述优先级集合,将上述数据处理任务集合中的每个数据处理任务分配给上述线程池中的线程,其中,上述线程池中的每个线程分配一个数据处理任务;第二控制单元,被配置成控制上述线程池中已分配数据处理任务的线程启动,以及执行所分配的数据处理任务。
第三方面,本公开的一些实施例提供了一种电子设备,包括:任务交接端;预先训练的优先级确定模型;线程池;一个或多个处理器;存储装置,其上存储有一个或多个程序,当一个或多个程序被一个或多个处理器执行,使得一个或多个处理器实现上述第一方面任一实现方式所描述的方法。
第四方面,本公开的一些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,其中,程序被处理器执行时实现上述第一方面任一实现方式所描述的方法。
本公开的上述各个实施例具有如下有益效果:通过本公开的一些实施例的基于分布式异构系统的任务智能处理方法对数据处理任务进行分配,实现了线程负载均衡,多个线程的并行效率提高的效果。具体来说,导致线程的负载不均衡,多个线程的并行效率较低的原因在于:现有的数据处理任务分配方式是直接将任务分配给指定的线程,未考虑到线程的负载和运行状态。基于此,本公开的一些实施例的基于分布式异构系统的任务智能处理方法。首先,可以控制上述任务交接端进行数据处理任务交接处理,得到数据处理任务集合。由此,可以对接收到的数据处理任务进行等级划分。其次,可以将上述数据处理任务集合输入至上述预先训练的优先级确定模型,得到优先级集合。由此,可以首先执行等级较高的数据处理任务,从而,使得时间要求较高的任务首先执行完成。之后,可以获取上述线程池中的每个线程的初始负载信息和状态信息,得到初始负载信息集合和状态信息集合。由此,可以确定各个线程的负载情况,从而,可以将时间要求较高的任务分配给负载较低的线程,将时间要求较低的任务分配给负载较高的线程,从而,可以使得各个线程之间的负载均衡。然后,可以根据上述初始负载信息集合、上述状态信息集合和上述优先级集合,将上述数据处理任务集合中的每个数据处理任务分配给上述线程池中的线程,其中,上述线程池中的每个线程分配一个数据处理任务。由此,提高了各个任务分别在各个线程上的执行效率。最后,可以控制上述线程池中已分配数据处理任务的线程启动,以及执行所分配的数据处理任务。由此,通过对数据处理任务进行等级划分,并根据数据处理任务的优先级和各个线程的负载情况和运行状态,将各个数据处理任务分别分配给各个线程,从而,实现了线程负载均衡,提高了多个线程的并行效率。
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他特征、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,元件和元素不一定按照比例绘制。
图1是根据本公开的一些实施例的基于分布式异构系统的任务智能处理方法的一个应用场景的示意图;
图2是根据本公开的基于分布式异构系统的任务智能处理方法的一些实施例的流程图;
图3是根据本公开的基于分布式异构系统的任务智能处理装置的一些实施例的结构示意图;
图4是适于用来实现本公开的一些实施例的电子设备的结构示意图。
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。
另外还需要说明的是,为了便于描述,附图中仅示出了与有关发明相关的部分。在不冲突的情况下,本公开中的实施例及实施例中的特征可以相互组合。
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。
下面将参考附图并结合实施例来详细说明本公开。
图1是根据本公开的一些实施例的基于分布式异构系统的任务智能处理方法的一个应用场景的示意图;
在图1的应用场景中,首先,计算设备101可以控制上述任务交接端102进行数据处理任务交接处理,得到数据处理任务集合103。其次,计算设备101可以将上述数据处理任务集合103输入至上述预先训练的优先级确定模型104,得到优先级集合105;获取上述线程池中的每个线程的初始负载信息和状态信息,得到初始负载信息集合106和状态信息集合107;根据上述初始负载信息集合106、上述状态信息集合107和上述优先级集合105,将上述数据处理任务集合103中的每个数据处理任务分配给上述线程池108中的线程,其中,上述线程池108中的每个线程分配一个数据处理任务;控制上述线程池108中已分配数据处理任务的线程启动,以及执行所分配的数据处理任务。
需要说明的是,上述计算设备101可以是硬件,也可以是软件。当计算设备为硬件时,可以实现成多个服务器或终端设备组成的分布式集群,也可以实现成单个服务器或单个终端设备。当计算设备体现为软件时,可以安装在上述所列举的硬件设备中。其可以实现成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。
应该理解,图1中的计算设备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计算设备。
继续参考图2,示出了根据本公开的基于分布式异构系统的任务智能处理方法的一些实施例的流程200。该基于分布式异构系统的任务智能处理方法,包括以下步骤:
步骤201,控制任务交接端进行数据处理任务交接处理,得到数据处理任务集合。
在一些实施例中,基于分布式异构系统的任务智能处理方法的执行主体(如图1所示的计算设备101)可以控制上述任务交接端进行数据处理任务交接处理,得到数据处理任务集合。其中,上述任务交接端可以是接收客户端发送的数据处理任务,然后上述执行主体可以获取上述任务交接端接收到的数据处理任务。上述数据处理任务集合中的数据处理任务可以是任意与数据处理相关的任务。
作为示例,上述数据处理任务可以是每隔5分钟就去天气服务器获取最新的实时天气信息。上述数据处理任务也可以是根据车次的不同,而设置某几个时间点进行分批放票。
步骤202,将数据处理任务集合输入至预先训练的优先级确定模型,得到优先级集合。
在一些实施例中,上述执行主体可以将上述数据处理任务集合输入至上述预先训练的优先级确定模型,得到优先级集合。
其中,上述预先训练的优先级确定模型通过以下方式训练得到:
获取样本集,其中,样本包括样本数据处理任务,以及与样本数据处理任务对应的优先级。
基于上述样本集,执行以下训练步骤:
将上述样本集中的至少一个样本的样本数据处理任务分别输入至初始神经网络,得到上述至少一个样本中的每个样本对应的优先级。基于上述至少一个样本中的每个样本对应的优先级和至少一个样本中的每个与样本数据处理任务对应的优先级,确定上述至少一个样本中的每个样本对应的优先级的损失值。响应于确定上述损失值收敛于预定阈值,将上述初始神经网络作为训练完成的优先级确定模型。响应于确定上述损失值不收敛于预定阈值,调整初始神经网络的网络参数,以及使用未用过的样本组成训练样本集,将调整后的初始神经网络作为初始神经网络,再次执行上述训练步骤。其中,上述初始神经网络可以是根据数据处理任务,得到该任务的优先级的各种神经网络,例如,卷积神经网络、深度神经网络等等。
上述步骤202作为本公开的实施例的一个发明点,解决了背景技术提及的技术问题二“未对数据处理任务进行等级划分,直接将任务分配给指定的线程,从而,造成等级较低的任务先执行,而等级较高的任务后执行,对数据处理任务的执行顺序造成影响”。导致对数据处理任务的执行顺序造成影响的原因往往如下:未对数据处理任务进行等级划分,直接将任务分配给指定的线程,从而,造成等级较低的任务先执行,而等级较高的任务后执行。如果解决了上述原因,就能实现各个数据处理任务按照优先级从高到低的顺序执行。为了达到这一效果,通过引入预先训练的优先级确定模型的方式,确定各个数据处理任务的优先级。通过对初始神经网络进行训练,得到训练完成的优先级确定模型。由此,可以通过训练完成的优先级确定模型对数据处理任务的等级进行划分,并按照数据处理任务的等级进行任务的执行,从而,可以各个数据处理任务可以按照优先级从高到低的顺序完成任务的执行。
步骤203,获取线程池中的每个线程的初始负载信息和状态信息,得到初始负载信息集合和状态信息集合。
在一些实施例中,上述执行主体可以获取上述线程池中的每个线程的初始负载信息和状态信息,得到初始负载信息集合和状态信息集合。其中,上述线程池中可以包括预定数目个线程。上述线程池可以是具有线程创建功能的线程池。
步骤204,根据初始负载信息集合、状态信息集合和优先级集合,将数据处理任务集合中的每个数据处理任务分配给线程池中的线程。
在一些实施例中,上述执行主体可以根据上述初始负载信息集合、上述状态信息集合和上述优先级集合,将上述数据处理任务集合中的每个数据处理任务分配给上述线程池中的线程。其中,上述线程池中的每个线程分配一个数据处理任务。
在一些实施例的一些可选的实现方式中,上述执行主体根据上述初始负载信息集合、上述状态信息集合和上述优先级集合,将上述数据处理任务集合中的每个数据处理任务分配给上述线程池中的线程,其中,上述状态信息集合中的状态信息包括运行状态和未运行状态,可以包括以下步骤:
第一步,将上述线程池中线程的状态信息为运行状态的线程,确定为第一线程,得到第一线程集合。其中,对于上述第一线程集合中的第一线程不分配数据处理任务。上述第一线程集合中的第一线程可以是线程的状态信息为运行状态的线程。
第二步,将上述线程池中除上述第一线程集合之外的其他线程确定为第二线程,得到第二线程集合。其中,对于上述第二线程集合中的第二线程进行数据处理任务的分配。上述第二线程集合中的第二线程可以是线程的状态信息为未运行状态的线程,可以对未运行状态的线程进行数据处理任务的分配。
可选地,上述执行主体根据上述初始负载信息集合、上述状态信息集合和上述优先级集合,将上述数据处理任务集合中的每个数据处理任务分配给上述线程池中的线程,其中,上述状态信息集合中的状态信息包括运行状态和未运行状态,可以包括以下步骤:
第一步,确定上述第二线程集合中第二线程的数量,得到待分配线程数量。例如,第二线程集合中第二线程的数量可以是5,即待分配线程数量可以是5。
第二步,确定上述数据处理任务集合中数据处理任务的数量,得到数据处理任务数量。例如,上述数据处理任务集合中数据处理任务的数量可以是4,即数据处理任务数量可以是4。
第三步,确定上述数据处理任务数量是否大于等于上述待分配线程数量。
第四步,响应于上述数据处理任务数量小于等于上述待分配线程数量,对上述数据处理任务集合,执行以下任务分配步骤:
从上述数据处理任务集合中筛选出优先级最高(例如,第1级的优先级最高)的数据处理任务,作为待分配数据处理任务。基于上述第二线程集合对应的各个初始负载信息,确定上述待分配数据处理任务在上述第二线程集合中的各个第二线程上的运行时长,得到运行时长集合。这里,可以根据某个待分配数据处理任务在各种负载情况的线程中的历史运行时间作为参考,得到运行时长(例如,对于某个待分配数据处理任务,获取该待分配数据处理任务在线程的负载为情况1的场景下,该待分配数据处理任务的多次任务运行时长,对多个任务运行时长求平均值,作为待分配数据处理任务在负载为情况1的线程中的运行时长)。从上述运行时长集合中筛选出时长最短的运行时长作为目标运行时长。将上述目标运行时长对应的第二线程确定为目标线程。这里,上述目标线程可以是用于执行待分配数据处理任务的线程。将上述待分配数据处理任务分配给上述目标线程。将上述待分配数据处理任务从上述数据处理任务集合中剔除,确定任务剔除后的数据处理任务集合是否为空,响应于任务剔除后的数据处理任务集合为空,任务分配步骤执行结束。响应于任务剔除后的数据处理任务集合不为空,将任务剔除后的数据处理任务集合作为数据处理任务集合,继续执行上述任务分配步骤。
上述第一步到第四步作为本公开的实施例的一个发明点,解决了背景技术提及的技术问题三“当数据处理任务的数量与可执行任务的线程的数量一致时,直接或者随机将数据处理任务分配给各个线程,导致负载较高的线程执行数据处理量较大的任务的情况的频繁出现,从而,造成线程堵塞情况出现的频率较高”。导致线程堵塞情况出现的频率较高的原因往往如下:当数据处理任务的数量与可执行任务的线程的数量一致时,直接或者随机将数据处理任务分配给各个线程,导致负载较高的线程执行数据处理量较大的任务的情况的频繁出现。如果解决了上述原因,就能实现减少线程堵塞情况出现的频率的效果。为了达到这一效果,首先,可以确定待分配线程数量,然后,确定数据处理任务数量,确定上述数据处理任务数量和上述待分配线程数量的大小关系,在上述数据处理任务数量小于等于上述待分配线程数量时,对上述数据处理任务集合,执行任务分配步骤。由此,可以在数据处理任务的数量与可执行任务的线程的数量一致时,通过将数据处理任务集合中的各个数据处理任务分配给各个线程,使得每个线程执行一个数据处理任务,减少了负载较高的线程执行数据处理量较大的任务的情况的频繁出现,同时减少了线程堵塞情况出现的频率。
可选地,上述执行主体根据上述初始负载信息集合、上述状态信息集合和上述优先级集合,将上述数据处理任务集合中的每个数据处理任务分配给上述线程池中的线程,其中,上述状态信息集合中的状态信息包括运行状态和未运行状态,可以包括以下步骤:
第一步,响应于上述数据处理任务数量大于上述待分配线程数量,确定上述数据处理任务数量与上述待分配线程数量的差值。例如,差值可以是2。
第二步,控制上述线程池创建与上述差值相同数量的线程。例如,可以新建2个线程。
第三步,将上述数据处理任务集合中的数据处理任务,按照优先级由高到低的顺序,分配给上述第二线程集合和所创建的线程。其中,上述数据处理任务集合中的数据处理任务的数量,与上述第二线程集合和所创建的线程的数量相同,由此,可以将每个数据处理任务分配给一个线程。从而,实现,每个线程执行一个数据处理任务。
上述第一步到第三步作为本公开的实施例的一个发明点,解决了背景技术提及的技术问题四“当数据处理任务的数量大于可执行任务的线程的数量时,直接或者随机将数据处理任务分配给各个线程,未考虑到新建线程的方式,导致任务处理的效率较低”。导致任务处理的效率较低的原因往往如下:
当数据处理任务的数量大于可执行任务的线程的数量时,直接或者随机将数据处理任务分配给各个线程,未考虑到新建线程的方式。如果解决了上述原因,就能实现提高任务处理的效率的效果。为了达到这一效果,首先,可以在数据处理任务数量大于上述待分配线程数量,确定上述数据处理任务数量与上述待分配线程数量的差值。然后,控制上述线程池创建与上述差值相同数量的线程。最后,可以将上述数据处理任务集合中的数据处理任务,按照优先级由高到低的顺序,分配给上述第二线程集合和所创建的线程。由此,可以通过新建线程的方式,使得各个数据处理任务分别在各个线程上执行,提高了任务处理的效率。
可选地,上述执行主体根据上述初始负载信息集合、上述状态信息集合和上述优先级集合,将上述数据处理任务集合中的每个数据处理任务分配给上述线程池中的线程,其中,上述状态信息集合中的状态信息包括运行状态和未运行状态,可以包括以下步骤:
第一步,响应于上述数据处理任务数量大于上述待分配线程数量,将上述数据处理任务集合中的数据处理任务,按照优先级由高到低的顺序分配给上述第二线程集合,得到分配结果,其中,上述分配结果包括未分配数据处理任务集合。由于数据处理任务的数量大于线程的数量,因此,优先级较高的数据处理任务会先被执行。
第二步,对于未分配数据处理任务集合,执行以下任务再分配步骤:
检测上述第二线程集合中的第二线程是否执行结束,响应于上述第二线程集合中存在执行结束的第二线程,将执行结束的第二线程确定为待再分配线程。将上述未分配数据处理任务集合中优先级最高的未分配数据处理任务分配给上述待再分配线程。将优先级最高的未分配数据处理任务从上述未分配数据处理任务集合中剔除,确定未分配任务剔除后的数据处理任务集合是否为空,响应于未分配任务剔除后的数据处理任务集合为空,任务再分配步骤执行结束。响应于未分配任务剔除后的数据处理任务集合不为空,将未分配任务剔除后的数据处理任务集合作为未分配数据处理任务集合,继续执行上述任务再分配步骤。由此,可以在优先级相对较高的数据处理任务执行结束后,该线程处于未运行状态,将未分配数据处理任务集合中优先级最高的未分配数据处理任务分配给该线程,从而,可以实现在不创建新线程的情况下,快速的执行数据处理任务。
上述第一步到第二步作为本公开的实施例的一个发明点,解决了背景技术提及的技术问题五“当数据处理任务的数量大于可执行任务的线程的数量时,直接或者随机将数据处理任务分配给各个线程,造成一些数据处理任务的等待时间较长”。导致一些数据处理任务的等待时间较长的原因往往如下:
当数据处理任务的数量大于可执行任务的线程的数量时,直接或者随机将数据处理任务分配给各个线程。如果解决了上述原因,就能实现降低数据处理任务的等待时间的效果。为了达到这一效果,首先,可以数据处理任务数量大于上述待分配线程数量时,将上述数据处理任务集合中的数据处理任务,按照优先级由高到低的顺序分配给上述第二线程集合。对未被分配的数据处理任务,执行任务再分配步骤。由此,可以在优先级相对较高的数据处理任务执行结束后,该线程处于未运行状态,将未分配数据处理任务集合中优先级最高的未分配数据处理任务分配给该线程,从而,可以实现在不创建新线程的情况下,快速的执行数据处理任务,实现降低数据处理任务的等待时间的效果。
步骤205,控制线程池中已分配数据处理任务的线程启动,以及执行所分配的数据处理任务。
在一些实施例中,上述执行主体可以控制上述线程池中已分配数据处理任务的线程启动,以及执行所分配的数据处理任务。
可选地,上述方法还可以包括检测上述线程池中的线程在执行所分配的数据处理任务时的执行状态。其中,上述执行状态包括执行正常和执行异常。然后,可以对执行状态为执行异常的线程所执行的数据处理任务,进行任务复制处理,得到副本数据处理任务。之后可以确定上述线程池中是否存在未运行状态的线程。响应于上述线程池中存在未运行状态的线程,将上述副本数据处理任务分配给上述线程池中未运行状态的线程进行执行。响应于上述线程池中不存在未运行状态的线程,控制上述线程池创建线程,将上述副本数据处理任务分配给所创建的线程进行执行。
本公开的上述各个实施例具有如下有益效果:通过本公开的一些实施例的基于分布式异构系统的任务智能处理方法对数据处理任务进行分配,实现了线程负载均衡,多个线程的并行效率提高的效果。具体来说,导致线程的负载不均衡,多个线程的并行效率较低的原因在于:现有的数据处理任务分配方式是直接将任务分配给指定的线程,未考虑到线程的负载和运行状态。基于此,本公开的一些实施例的基于分布式异构系统的任务智能处理方法。首先,可以控制上述任务交接端进行数据处理任务交接处理,得到数据处理任务集合。由此,可以对接收到的数据处理任务进行等级划分。其次,可以将上述数据处理任务集合输入至上述预先训练的优先级确定模型,得到优先级集合。由此,可以首先执行等级较高的数据处理任务,从而,使得时间要求较高的任务首先执行完成。之后,可以获取上述线程池中的每个线程的初始负载信息和状态信息,得到初始负载信息集合和状态信息集合。由此,可以确定各个线程的负载情况,从而,可以将时间要求较高的任务分配给负载较低的线程,将时间要求较低的任务分配给负载较高的线程,从而,可以使得各个线程之间的负载均衡。然后,可以根据上述初始负载信息集合、上述状态信息集合和上述优先级集合,将上述数据处理任务集合中的每个数据处理任务分配给上述线程池中的线程,其中,上述线程池中的每个线程分配一个数据处理任务。由此,提高了各个任务分别在各个线程上的执行效率。最后,可以控制上述线程池中已分配数据处理任务的线程启动,以及执行所分配的数据处理任务。由此,通过对数据处理任务进行等级划分,并根据数据处理任务的优先级和各个线程的负载情况和运行状态,将各个数据处理任务分别分配给各个线程,从而,实现了线程负载均衡,提高了多个线程的并行效率。
进一步参考图3,作为对上述各图所示方法的实现,本公开提供了一种基于分布式异构系统的任务智能处理装置的一些实施例,这些装置实施例与图2上述的那些方法实施例相对应,该装置具体可以应用于各种电子设备中。
如图3所示,一些实施例的基于分布式异构系统的任务智能处理装置300包括:第一控制单元301、输入单元302、获取单元303、分配单元304和第二控制单元305。其中,第一控制单元301,被配置成控制上述任务交接端进行数据处理任务交接处理,得到数据处理任务集合;输入单元302,被配置成将上述数据处理任务集合输入至上述预先训练的优先级确定模型,得到优先级集合;获取单元303,被配置成获取上述线程池中的每个线程的初始负载信息和状态信息,得到初始负载信息集合和状态信息集合;分配单元304,被配置成根据上述初始负载信息集合、上述状态信息集合和上述优先级集合,将上述数据处理任务集合中的每个数据处理任务分配给上述线程池中的线程,其中,上述线程池中的每个线程分配一个数据处理任务;第二控制单元305,被配置成控制上述线程池中已分配数据处理任务的线程启动,以及执行所分配的数据处理任务。
可以理解的是,该装置300中记载的诸单元与参考图2描述的方法中的各个步骤相对应。由此,上文针对方法描述的操作、特征以及产生的有益效果同样适用于装置300及其中包含的单元,在此不再赘述。
下面参考图4,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1中的计算设备101)400的结构示意图。图4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4所示,电子设备400可以包括处理装置(例如中央处理器、图形处理器等)401,其可以根据存储在只读存储器(ROM)402中的程序或者从存储装置408加载到随机访问存储器(RAM)403中的程序而执行各种适当的动作和处理。在RAM 403中,还存储有电子设备400操作所需的各种程序和数据。处理装置401、ROM 402以及RAM 403通过总线404彼此相连。输入/输出(I/O)接口405也连接至总线404。
通常,以下装置可以连接至I/O接口405: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406;包括例如液晶显示器(LCD)、扬声器、振动器等的输出装置407;包括例如磁带、硬盘等的存储装置408;以及通信装置409。通信装置409可以允许电子设备400与其他设备进行无线或有线通信以交换数据。虽然图4示出了具有各种装置的电子设备400,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4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。在这样的一些实施例中,该计算机程序可以通过通信装置409从网络上被下载和安装,或者从存储装置408被安装,或者从ROM 402被安装。在该计算机程序被处理装置401执行时,执行本公开的一些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中记载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装置中所包含的;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:控制上述任务交接端进行数据处理任务交接处理,得到数据处理任务集合;将上述数据处理任务集合输入至上述预先训练的优先级确定模型,得到优先级集合;获取上述线程池中的每个线程的初始负载信息和状态信息,得到初始负载信息集合和状态信息集合;根据上述初始负载信息集合、上述状态信息集合和上述优先级集合,将上述数据处理任务集合中的每个数据处理任务分配给上述线程池中的线程,其中,上述线程池中的每个线程分配一个数据处理任务;控制上述线程池中已分配数据处理任务的线程启动,以及执行所分配的数据处理任务。
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。所描述的单元也可以设置在处理器中,例如,可以描述为:一种处理器包括第一控制单元、输入单元、获取单元、分配单元和第二控制单元。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,第一控制单元还可以被描述为“控制上述任务交接端进行数据处理任务交接处理,得到数据处理任务集合的单元”。
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。
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发明范围,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发明构思的情况下,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的实施例中公开的(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。
Claims (6)
1.一种基于分布式异构系统的任务智能处理方法,所述分布式异构系统包括任务交接端、预先训练的优先级确定模型和线程池,其中,所述线程池中包括预定数目个线程,所述方法包括:
控制所述任务交接端进行数据处理任务交接处理,得到数据处理任务集合;
将所述数据处理任务集合输入至所述预先训练的优先级确定模型,得到优先级集合;
获取所述线程池中的每个线程的初始负载信息和状态信息,得到初始负载信息集合和状态信息集合;
根据所述初始负载信息集合、所述状态信息集合和所述优先级集合,将所述数据处理任务集合中的每个数据处理任务分配给所述线程池中的线程,其中,所述线程池中的每个线程分配一个数据处理任务;
控制所述线程池中已分配数据处理任务的线程启动,以及执行所分配的数据处理任务。
2.根据权利要求1所述的方法,其中,所述状态信息集合中的状态信息包括运行状态和未运行状态;以及
所述根据所述初始负载信息集合、所述状态信息集合和所述优先级集合,将所述数据处理任务集合中的每个数据处理任务分配给所述线程池中的线程,包括:
将所述线程池中线程的状态信息为运行状态的线程,确定为第一线程,得到第一线程集合,其中,对于所述第一线程集合中的第一线程不分配数据处理任务;
将所述线程池中除所述第一线程集合之外的其他线程确定为第二线程,得到第二线程集合,其中,对于所述第二线程集合中的第二线程进行数据处理任务的分配。
3.根据权利要求2所述的方法,其中,所述方法还包括:
检测所述线程池中的线程在执行所分配的数据处理任务时的执行状态,其中,所述执行状态包括执行正常和执行异常;
对执行状态为执行异常的线程所执行的数据处理任务,进行任务复制处理,得到副本数据处理任务;
确定所述线程池中是否存在未运行状态的线程;
响应于所述线程池中存在未运行状态的线程,将所述副本数据处理任务分配给所述线程池中未运行状态的线程进行执行;
响应于所述线程池中不存在未运行状态的线程,控制所述线程池创建线程,将所述副本数据处理任务分配给所创建的线程进行执行。
4.一种基于分布式异构系统的任务智能处理装置,包括:
第一控制单元,被配置成控制所述任务交接端进行数据处理任务交接处理,得到数据处理任务集合;
输入单元,被配置成将所述数据处理任务集合输入至所述预先训练的优先级确定模型,得到优先级集合;
获取单元,被配置成获取所述线程池中的每个线程的初始负载信息和状态信息,得到初始负载信息集合和状态信息集合;
分配单元,被配置成根据所述初始负载信息集合、所述状态信息集合和所述优先级集合,将所述数据处理任务集合中的每个数据处理任务分配给所述线程池中的线程,其中,所述线程池中的每个线程分配一个数据处理任务;
第二控制单元,被配置成控制所述线程池中已分配数据处理任务的线程启动,以及执行所分配的数据处理任务。
5.一种电子设备,包括:
任务交接端;
预先训练的优先级确定模型;
线程池;
一个或多个处理器;
存储装置,其上存储有一个或多个程序;
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1-3中任一所述的方法。
6.一种计算机可读介质,其上存储有计算机程序,其中,所述程序被处理器执行时实现如权利要求1-3中任一所述的方法。
Priority Applications (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210543938.2A CN114968569A (zh) | 2022-05-18 | 2022-05-18 | 一种基于分布式异构系统的任务智能处理方法 |
JP2023063960A JP7478918B2 (ja) | 2022-05-18 | 2023-04-11 | 分散型異機種混在システムに基づくタスクインテリジェント処理方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210543938.2A CN114968569A (zh) | 2022-05-18 | 2022-05-18 | 一种基于分布式异构系统的任务智能处理方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114968569A true CN114968569A (zh) | 2022-08-30 |
Family
ID=82985469
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210543938.2A Withdrawn CN114968569A (zh) | 2022-05-18 | 2022-05-18 | 一种基于分布式异构系统的任务智能处理方法 |
Country Status (2)
Country | Link |
---|---|
JP (1) | JP7478918B2 (zh) |
CN (1) | CN114968569A (zh) |
Family Cites Families (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US8185906B2 (en) * | 2007-05-23 | 2012-05-22 | Sap Ag | Method and apparatus for dynamically adjusting thread pool |
US8209701B1 (en) * | 2007-09-27 | 2012-06-26 | Emc Corporation | Task management using multiple processing threads |
JP5162515B2 (ja) * | 2009-04-03 | 2013-03-13 | 京セラドキュメントソリューションズ株式会社 | 画像処理装置 |
JP5775481B2 (ja) * | 2012-03-29 | 2015-09-09 | 株式会社日立製作所 | 情報処理システム及びその処理方法 |
KR101576628B1 (ko) * | 2015-05-14 | 2015-12-10 | 주식회사 티맥스 소프트 | 스레드 풀의 사이즈를 동적으로 관리하는 방법, 서버 및 컴퓨터 판독 가능한 기록매체 |
JP7009971B2 (ja) * | 2017-12-14 | 2022-01-26 | 日本電気株式会社 | プロセススケジューリング装置およびプロセススケジューリング方法 |
US10871989B2 (en) * | 2018-10-18 | 2020-12-22 | Oracle International Corporation | Selecting threads for concurrent processing of data |
JP7197794B2 (ja) * | 2019-03-28 | 2022-12-28 | 富士通株式会社 | 情報処理装置および実行制御プログラム |
-
2022
- 2022-05-18 CN CN202210543938.2A patent/CN114968569A/zh not_active Withdrawn
-
2023
- 2023-04-11 JP JP2023063960A patent/JP7478918B2/ja active Active
Also Published As
Publication number | Publication date |
---|---|
JP7478918B2 (ja) | 2024-05-08 |
JP2023171264A (ja) | 2023-12-01 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108667748B (zh) | 一种控制带宽的方法、装置、设备和存储介质 | |
US20190324819A1 (en) | Distributed-system task assignment method and apparatus | |
CN109729106B (zh) | 处理计算任务的方法、系统和计算机程序产品 | |
US20100262975A1 (en) | Automated workload selection | |
CN110753131A (zh) | 微服务分布式限流方法及装置、存储介质和电子设备 | |
US20240118928A1 (en) | Resource allocation method and apparatus, readable medium, and electronic device | |
US10698785B2 (en) | Task management based on an access workload | |
CN111580974B (zh) | Gpu实例分配方法、装置、电子设备和计算机可读介质 | |
CN113742114A (zh) | 一种系统限流的方法和装置 | |
CN112749002A (zh) | 一种集群资源动态管理的方法和装置 | |
CN112559125A (zh) | 容器应用迁移方法、装置、电子设备和计算机可读介质 | |
CN109428926B (zh) | 一种调度任务节点的方法和装置 | |
CN114116173A (zh) | 动态调整任务分配的方法、装置和系统 | |
CN112527509B (zh) | 一种资源分配方法、装置、电子设备及存储介质 | |
US20220278944A1 (en) | Method for allocating resources of a network infrastructure | |
CN112860421B (zh) | 用于作业处理的方法、设备和计算机程序产品 | |
CN113791891A (zh) | 持续集成任务构建方法、装置、设备和计算机可读介质 | |
CN115129463A (zh) | 算力调度方法及装置、系统及存储介质 | |
CN111143033A (zh) | 基于可伸缩操作系统的操作执行方法及装置 | |
CN114968569A (zh) | 一种基于分布式异构系统的任务智能处理方法 | |
CN111694670A (zh) | 资源分配方法、装置、设备和计算机可读介质 | |
CN111694672B (zh) | 资源分配方法、任务提交方法、装置、电子设备和介质 | |
CN114327918A (zh) | 调整资源量的方法、装置、电子设备和存储介质 | |
CN112860422B (zh) | 用于作业处理的方法、设备和计算机程序产品 | |
CN112527454A (zh) | 容器组调度方法、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 | ||
WW01 | Invention patent application withdrawn after publication | ||
WW01 | Invention patent application withdrawn after publication |
Application publication date: 20220830 |