CN115292016A - 基于人工智能的任务调度方法及相关设备 - Google Patents
基于人工智能的任务调度方法及相关设备 Download PDFInfo
- Publication number
- CN115292016A CN115292016A CN202210952123.XA CN202210952123A CN115292016A CN 115292016 A CN115292016 A CN 115292016A CN 202210952123 A CN202210952123 A CN 202210952123A CN 115292016 A CN115292016 A CN 115292016A
- Authority
- CN
- China
- Prior art keywords
- task
- target
- priority
- tasks
- time
- 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.)
- Pending
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F9/00—Arrangements for program control, e.g. control units
- G06F9/06—Arrangements for program control, e.g. control units using stored programs, i.e. using an internal store of processing equipment to receive or retain programs
- G06F9/46—Multiprogramming arrangements
- G06F9/48—Program initiating; Program switching, e.g. by interrupt
- G06F9/4806—Task transfer initiation or dispatching
- G06F9/4843—Task transfer initiation or dispatching by program, e.g. task dispatcher, supervisor, operating system
- G06F9/4881—Scheduling strategies for dispatcher, e.g. round robin, multi-level priority queues
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2209/00—Indexing scheme relating to G06F9/00
- G06F2209/48—Indexing scheme relating to G06F9/48
- G06F2209/484—Precedence
Abstract
本申请提出一种基于人工智能的任务调度方法、装置、电子设备及存储介质,基于人工智能的任务调度方法包括:获得每个任务对应的类别,并将类别相同的任务归属于同一任务队列;采集每个任务的时限数据,并依据时限数据计算每个任务的优先级;基于优先级为每个任务分配执行时长;分别选取每个任务队列中优先级最高的任务作为目标任务,并依据目标任务的类别为目标任务分配目标节点;基于目标任务的执行时长在目标节点上执行目标任务,并根据目标任务的执行时长更新每个任务队列中所有任务的优先级;重复执行上述步骤以完成任务调度。该方法可以根据任务类别为每个任务分配相应的处理节点以进行并行轮转处理,从而能够实现高效的任务调度。
Description
技术领域
本申请涉及人工智能技术领域,尤其涉及一种基于人工智能的任务调度方法、装置、电子设备及存储介质。
背景技术
随着信息科技的发展,大数据技术、云计算技术等数据分析处理技术已被广泛应用于各行各业。在云计算领域中,如何高效且合理的对大量数据处理任务进行调度是该领域的核心问题之一。
目前,诸如Hadoop等大数据处理平台中通常使用先进先出的调度算法,这种方法默认只有一个任务作业队列,且队列中的数据处理任务先进先出,任务执行的顺序仅与任务进入平台的时间相关。然而,这种方式并未考虑数据处理任务的类型与数据处理平台中各个节点的匹配程度,因此无法对不同类型的数据处理任务做出高效合理的调度。
发明内容
鉴于以上内容,有必要提供一种基于人工智能的任务调度方法及相关设备,以解决如何提高任务调度的时效性这一技术问题,其中,相关设备包括基于人工智能的任务调度装置、电子设备及存储介质。
本申请实施例提供一种基于人工智能的任务调度方法,所述方法包括:
S10,对预设服务器中的任务进行分类,获得每个所述任务对应的类别,并将类别相同的所述任务归属于同一任务队列;
S11,采集每个所述任务的时限数据,并依据所述时限数据计算每个所述任务的优先级,所述优先级越高表明所述任务越应被优先处理;
S12,基于所述优先级为每个所述任务分配执行时长;
S13,分别选取每个所述任务队列中优先级最高的所述任务作为目标任务,并依据所述目标任务的类别为所述目标任务分配目标节点;
S14,基于所述目标任务的执行时长在所述目标节点上执行所述目标任务,并根据所述目标任务的执行时长更新每个所述任务队列中所有任务的优先级;
S15,重复执行步骤S12至步骤S14以完成任务调度。
在一些实施例中,所述对预设服务器中的任务进行分类,获得每个所述任务对应的类别,并将类别相同的所述任务归属于同一任务队列,包括:
从所述预设服务器的节点中任选一个节点作为试运行节点;
在所述试运行节点中运行每个所述任务,并记录每个所述任务的试运行数据,所述试运行数据包括所述任务对应的CPU占用率和所述任务对应的缓存占用率;
将每个所述任务的试运行数据输入预设的任务分类模型获得每个所述任务对应的类别,所述类别包括CPU密集型和I/O密集型;
将属于同一类别的所述任务归属为同一个任务队列。
在一些实施例中,所述采集每个所述任务的时限数据,并依据所述时限数据计算每个所述任务的优先级,包括:
实时采集每个所述任务的时限数据,所述时限数据包括每个所述任务的运行所需时长、每个所述任务的等待时长、每个所述任务的截止时刻与当前时刻的时间差;
将所述时限数据输入预设的优先级函数以计算每个所述任务的优先级,所述预设的优先级函数满足以下关系式:
其中,Runi为第i个任务的运行所需时长;waiti代表第i个任务的等待时长;Ti代表第i个任务的截止时刻与当前时刻的时间差;α代表预设的时间调节系数,用于确保第i个任务可以在所述截止时刻之前被调用;yi代表第i个任务的优先级;max代表所述优先级的最大值。
在一些实施例中,所述基于所述优先级为每个所述任务分配执行时长,包括:
分别计算每个队列中所有任务的运行所需时长的均值作为每个所述任务队列的基准执行时长;
分别计算每个队列中所有任务的优先级的均值作为每个所述任务队列的基准优先级;
分别计算每个所述任务的优先级与所述任务所属任务队列的基准优先级的比值,并计算所述比值与所述任务所属任务队列的基准执行时长的乘积以作为每个所述任务的执行时长。
在一些实施例中,所述分别选取每个所述任务队列中优先级最高的所述任务作为目标任务,并依据所述目标任务的类别为所述目标任务分配目标节点,包括:
分别将每个所述任务队列中优先级最高的所述任务作为目标任务;
统计所述预设服务器中每个节点的空闲资源,所述空闲资源包括空闲CPU资源和空闲I/O资源;
分别以每个所述节点的空闲资源为指标从所述节点中选取每个所述目标任务对应的至少一个目标节点。
在一些实施例中,所述分别以每个所述节点的空闲资源为指标从所述节点中选取每个所述目标任务对应的至少一个目标节点,包括:
每个所述任务包括多个子任务,获取每个目标任务的子任务数量和每个子任务的资源需求量,依据所述资源需求量由高到低的顺序对所述目标任务中的子任务进行排序;
依据所述目标任务的类别从所述空闲资源中选取目标空闲资源;
依据所述目标空闲资源的数量由大到小的顺序对所述节点进行排序;
分别将每个所述子任务分配给次序相同的所述节点以获取目标节点。
在一些实施例中,所述基于所述目标任务的执行时长在所述目标节点上执行所述目标任务,并根据所述目标任务的执行时长更新每个所述任务队列中所有任务的优先级,包括:
在所述目标任务的执行时长内利用所述目标节点执行所述目标任务中的子任务;
当所述执行时长结束则停止执行所述目标任务的子任务,若所述目标任务的子任务未被执行完毕,则计算所述目标任务的运行所需时长与所述目标任务的执行时长的差值以作为更新后的所述目标任务的运行所需时长;
分别计算每个所述任务的等待时长与所述目标任务的执行时长之和以作为每个所述任务更新后的等待时长;
将每个所述任务更新后的运行所需时长和更新后的等待时长输入所述优先级函数以获得更新后的每个所述任务的优先级。
本申请实施例还提供一种基于人工智能的任务调度装置,所述装置包括:
分类单元,用于对预设服务器中的任务进行分类,获得每个所述任务对应的类别,并将类别相同的所述任务归属于同一任务队列;
第一计算单元,用于采集每个所述任务的时限数据,并依据所述时限数据计算每个所述任务的优先级,所述优先级越高表明所述任务越应被优先处理;
第二计算单元,用于基于所述优先级为每个所述任务分配执行时长;
分配单元,用于分别选取每个所述任务队列中优先级最高的所述任务作为目标任务,并依据所述目标任务的类别为所述目标任务分配目标节点;
执行单元,用于基于所述目标任务的执行时长在所述目标节点上执行所述目标任务,并根据所述目标任务的执行时长更新每个所述任务队列中所有任务的优先级;
循环单元,用于重复执行第二计算单元、分配单元及执行单元以完成任务调度。
本申请实施例还提供一种电子设备,所述电子设备包括:
存储器,存储计算机可读指令;及
处理器,执行所述存储器中存储的计算机可读指令以实现所述基于人工智能的任务调度方法。
本申请实施例还提供一种计算机可读存储介质,所述计算机可读存储介质中存储有计算机可读指令,所述计算机可读指令被电子设备中的处理器执行以实现所述基于人工智能的任务调度方法。
上述基于人工智能的任务调度方法将相同类别的任务划分至同一任务队列,并利用每个任务的时限数据计算每个任务的优先级,依据每个任务的优先级为每个任务分配执行时长以规避后续任务调度过程中可能出现的任务频繁切换而导致的服务器资源浪费,从每个所述任务队列中选取优先级最高的任务,将该任务的子任务分发至服务器中的多个目标节点进行并行处理,在执行时长结束后更新所有任务的优先级并不断更新执行时长,直到所有任务都被执行完成,从而能够实现高效的任务调度。
附图说明
图1是本申请所涉及的一种基于人工智能的任务调度方法的较佳实施例的流程图。
图2是本申请所涉及的基于人工智能的任务调度装置的较佳实施例的功能模块图。
图3是本申请所涉及的基于人工智能的任务调度方法的较佳实施例的电子设备的结构示意图。
具体实施方式
为了能够更清楚地理解本申请的目的、特征和优点,下面结合附图和具体实施例对本申请进行详细描述。需要说明的是,在不冲突的情况下,本申请的实施例及实施例中的特征可以相互结合。在下面的描述中阐述了很多具体细节以便于充分理解本申请,所述描述的实施例仅是本申请一部分实施例,而不是全部的实施例。
此外,术语“第一”、“第二”仅用于描述目的,而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此,限定有“第一”、“第二”的特征可以明示或者隐含地包括一个或者更多个所述特征。在本申请的描述中,“多个”的含义是两个或两个以上,除非另有明确具体的限定。
除非另有定义,本文所使用的所有的技术和科学术语与属于本申请的技术领域的技术人员通常理解的含义相同。本文中在本申请的说明书中所使用的术语只是为了描述具体的实施例的目的,不是旨在于限制本申请。本文所使用的术语“和/或”包括一个或多个相关的所列项目的任意的和所有的组合。
本申请实施例提供一种基于人工智能的任务调度方法,可应用于一个或者多个电子设备中,所述电子设备是一种能够按照事先设定或存储的指令,自动进行数值计算和/或信息处理的设备,其硬件包括但不限于微处理器、专用集成电路(Application SpecificIntegrated Circuit,ASIC)、可编程门阵列(Field-Programmable Gate Array,FPGA)、数字处理器(Digital Signal Processor,DSP)、嵌入式设备等。
所述电子设备可以是任何一种可与用户进行人机交互的电子产品,例如,个人计算机、平板电脑、智能手机、个人数字助理(Personal Digital Assistant,PDA)、游戏机、交互式网络电视(Internet Protocol Television,IPTV)、智能式穿戴式设备等。
所述电子设备还可以包括网络设备和/或用户设备。其中,所述网络设备包括,但不限于单个网络服务器、多个网络服务器组成的服务器组或基于云计算(CloudComputing)的由大量主机或网络服务器构成的云。
所述电子设备所处的网络包括但不限于互联网、广域网、城域网、局域网、虚拟专用网络(Virtual Private Network,VPN)等。
如图1所示,是本申请基于人工智能的任务调度方法的较佳实施例的流程图。根据不同的需求,该流程图中步骤的顺序可以改变,某些步骤可以省略。
S10,对预设服务器中的任务进行分类,获得每个所述任务对应的类别,并将类别相同的所述任务归属于同一任务队列。
在一个可选的实施例中,所述对预设服务器中的任务进行分类,获得每个所述任务对应的类别,并将类别相同的所述任务归属于同一任务队列,包括:
从所述预设服务器的节点中任选一个节点作为试运行节点;
在所述试运行节点中运行每个所述任务,并记录每个所述任务的试运行数据,所述试运行数据包括所述任务对应的CPU占用率和所述任务对应的缓存占用率;
将每个所述任务的试运行数据输入预设的任务分类模型获得每个所述任务对应的类别,所述类别包括CPU密集型和I/O密集型;
将属于同一类别的所述任务归属为同一个任务队列。
该可选的实施例中,所述预设服务器包括多个节点,每个节点是所述预设服务器中的一台计算设备,所述计算设备可以是计算机、手机等具备数据计算能力的设备,可从所述多个节点中任选一个节点作为试运行节点,以确保所有任务在后续试运行过程中处于同一物理环境,以降低不同任务的试运行数据之间的偏差。
该可选的实施例中,可分别将每个所述任务的试运行数据输入预先训练好的任务分类模型以获得每个所述任务的类别,所述类别包括CPU密集型和I/O密集型,当所述任务的试运行数据中CPU占用率较高,则该任务为CPU密集型任务的概率较高;当所述任务的试运行数据中缓存占用率较高,则表明所述任务在试运行过程中的数据输入输出量较高,则所述任务为I/O密集型任务的概率较高。所述预先训练好的任务分类模型可以是XGBoost(Extreme Gradient Boosting,极端梯度提升算法)、LightGBM(Light Gradient BoostedMachine,轻量梯度提升机)、GBDT(Gradient Boosting DecisI/On Tree,梯度提升决策树)等现有的分类模型,本申请对此不做限定。
该可选的实施例中,可将类别相同的所述任务归属于同一个任务队列,所述任务队列与所述类别一一对应。
如此,通过在相同的物理环境下试运行所有任务进而获得偏差较小的试运行数据,并利用试运行数据对所述任务进行分类,并将相同类别的任务归属于同一队列,为后续任务调度提供了类别指引,从而能够提升后续任务调度的效率。
S11,采集每个所述任务的时限数据,并依据所述时限数据计算每个所述任务的优先级,所述优先级越高表明所述任务越应被优先处理。
在一个可选的实施例中,所述采集每个所述任务的时限数据,并依据所述时限数据计算每个所述任务的优先级,包括:
实时采集每个所述任务的时限数据,所述时限数据包括每个所述任务的运行所需时长、每个所述任务的等待时长、每个所述任务的截止时刻与当前时刻的时间差;
将所述时限数据输入预设的优先级函数以计算每个所述任务的优先级,所述预设的优先级函数满足以下关系式:
其中,Runi为第i个任务的运行所需时长;waiti代表第i个任务的等待时长;Ti代表第i个任务的截止时刻与当前时刻的时间差;α代表预设的时间调节系数,用于确保第i个任务可以在所述截止时刻之前被调用;yi代表第i个任务的优先级;max代表所述优先级的最大值。其中,α取值可以是5毫秒、6毫秒、7毫秒等,本申请对此不做限定。
该可选的实施例中,所述任务运行所需时长指所述任务从当前时刻至任务完成时所需的时间。
在该可选的实施例中,所述任务的截止时刻,是任务创建时,预设的一个完成时间。例如,任务A,在9:00创建,预设在16:00完成,则该任务A的截止时刻就是16:00。
在该可选的实施例中,所述任务的等待时长是该任务被创建之后直到当前时刻所经过的时长,该任务若没有执行完毕,则该任务的等待时长会不断增加。
该可选的实施例中,当所述任务的运行所需时长不超过所述时间差,即所述任务可以在对应的截止时刻之前被运行完成,则当所述任务的等待时间越长,该任务的优先级越高;当所述任务的运行所需时长超过所述时间差,即所述任务无法在对应的截止时刻之前被运行完成,则可将该任务的优先级设置为最高值以确保该任务能够尽快被处理。
如此,利用每个任务的时限数据计算每个所述任务的优先级,能够确保等待时间过长或已经超期的任务被优先处理,并为后续动态调整任务的处理顺序提供数据支撑,从而能够提升任务调度的时效性。
S12,基于所述优先级为每个所述任务分配执行时长。
在一个可选的实施例中,所述基于所述优先级为每个所述任务分配执行时长,包括:
分别计算每个队列中所有任务的运行所需时长的均值作为每个所述任务队列的基准执行时长;
分别计算每个队列中所有任务的优先级的均值作为每个所述任务队列的基准优先级;
分别计算每个所述任务的优先级与所述任务所属任务队列的基准优先级的比值,并计算所述比值与所述任务所属任务队列的基准执行时长的乘积以作为每个所述任务的执行时长。
该可选的实施例中,所述执行时长用以在短时间内执行所述任务,以防止所述任务长时间占用所述预设服务器的资源。为了防止执行时长轮转调度过程中任务抢占造成的资源浪费,可分别计算每个队列中所有任务的运行所需时长的均值作为每个所述任务队列的基准执行时长。
该可选的实施例中,所述任务的优先级越高则所述任务应被分配的执行时长越长,以确保所述任务能够被及时运行完毕,因此可计算每个所述任务的优先级与所述任务所属任务队列的基准优先级的比值,并计算所述比值与所述任务所属任务队列的基准执行时长的乘积以作为每个所述任务的执行时长。
如此,为优先级较高的任务分配较高取值的执行时长,能够规避任务运行过程中任务抢占造成的服务器资源浪费,从而提升任务调度的合理性。
S13,分别选取每个所述任务队列中优先级最高的所述任务作为目标任务,并依据所述目标任务的类别为所述目标任务分配目标节点。
在一个可选的实施例中,所述分别选取每个所述任务队列中优先级最高的所述任务作为目标任务,并依据所述目标任务的类别为所述目标任务分配目标节点,包括:
分别将每个所述任务队列中优先级最高的所述任务作为目标任务;
统计所述预设服务器中每个节点的空闲资源,所述空闲资源包括空闲CPU资源和空闲I/O资源;
分别以每个所述节点的空闲资源为指标从所述节点中选取每个所述目标任务对应的至少一个目标节点。
该可选的实施例中,每个所述任务队列对应一个目标任务,所述目标任务的类别与所述任务队列的类别一一对应。
该可选的实施例中,针对每个所述节点,所述空闲CPU资源的数量的计算方式为:整数1与所述节点中当前CPU占用率的差值;所述空闲I/O资源的数量的计算方式为:整数1与所述节点中当前I/O占用率的差值。
在一个可选的实施例中,所述分别以每个所述节点的空闲资源为指标从所述节点中选取每个所述目标任务对应的至少一个目标节点,包括:
每个所述任务包括多个子任务,获取每个目标任务的子任务数量和每个子任务的资源需求量,依据所述资源需求量由高到低的顺序对所述目标任务中的子任务进行排序;
依据所述目标任务的类别从所述空闲资源中选取目标空闲资源;
依据所述目标空闲资源的数量由大到小的顺序对所述节点进行排序;
分别将每个所述子任务分配给次序相同的所述节点以获取目标节点。
该可选的实施例中,针对每个所述目标任务,获取每个所述目标任务的子任务数量和每个子任务的资源需求量,所述资源需求量包括CPU占用量和I/O占用量。当所述目标任务的类别为CPU密集型,则可依据所述CPU占用量由高到低的顺序对所述目标任务中所有子任务进行排序;当所述目标任务的类别为I/O密集型,则可依据所述I/O占用量由高到低的顺序对所述目标任务中所有子任务进行排序。
该可选的实施例中,可依据所述目标任务的类别选取目标空闲资源,若所述目标任务的类别为CPU密集型,则可将所述CPU空闲资源作为所述目标任务对应的目标空闲资源;若所述目标任务的类别为I/O密集型,则可将所述I/O空闲资源作为所述目标任务对应的目标空闲资源。
该可选的实施例中,针对每个所述目标任务,可依据所述目标任务对应目标空闲资源由大到小的顺序对所述节点进行排序,并将所述目标任务中的每个所述子任务分配给次序相同的所述节点以获取目标节点。
如此,通过空闲资源的数量和类别选取每个目标任务对应的目标节点,并将目标任务中的子任务分配给对应的目标节点,能够为每个所述子任务在后续轮转执行过程中提供数据指引,从而能够提升任务调度的准确性。
S14,基于所述目标任务的执行时长在所述目标节点上执行所述目标任务,并根据所述目标任务的执行时长更新每个所述任务队列中所有任务的优先级。
在一个可选的实施例中,所述基于所述目标任务的执行时长在所述目标节点上执行所述目标任务,并根据所述目标任务的执行时长更新每个所述任务队列中所有任务的优先级,包括:
在所述目标任务的执行时长内利用所述目标节点执行所述目标任务中的子任务;
当所述执行时长结束则停止执行所述目标任务的子任务,若所述目标任务的子任务未被执行完毕,则计算所述目标任务的运行所需时长与所述目标任务的执行时长的差值以作为更新后的所述目标任务的运行所需时长;
分别计算每个所述任务的等待时长与所述目标任务的执行时长之和以作为每个所述任务更新后的等待时长;
将每个所述任务更新后的运行所需时长和更新后的等待时长输入所述优先级函数以获得更新后的每个所述任务的优先级。
该可选的实施例中,可在所述目标任务的执行时长的范围内利用所述目标节点执行所述目标任务中的子任务,以实现各个子任务的并行处理,提升任务运行效率。
该可选的实施例中,当所述执行时长结束则停止执行所述目标任务的子任务,为了使所有任务的优先级能够随着任务被执行的进度实时更新,以确保即将超期的任务被分配更多的执行时长,则若所述目标任务的子任务未被执行完毕,则计算所述目标任务运行所需时长与所述目标任务对应执行时长的差值以作为更新后的所述目标任务的运行所需时长。
该可选的实施例中,可分别计算每个所述任务的等待时长与所述目标任务对应执行时长之和以作为每个所述任务更新后的等待时长,并将每个所述任务更新后的运行所需时长和更新后的等待时长输入所述优先级函数以获得更新后的每个所述任务的优先级。
如此,通过目标节点运行目标任务中的子任务,实现了任务的并行处理,能够提升任务调度的时效性,并实时更新每个任务的优先级,进而能够实时调整任务调度的顺序,从而提升任务调度的灵活性。
S15,重复执行步骤S12至步骤S14以完成任务调度。
该可选的实施例中,可重复执行所述步骤S12至步骤S14,直到所有任务都被运行完毕则停止任务调度。
如此,通过不断更新任务的优先级和任务队列,实时调整任务执行的顺序,能够持续确保任务调度的时效性。
上述基于人工智能的任务调度方法将相同类别的任务划分至同一任务队列,并利用每个任务的时限数据计算每个任务的优先级,依据每个任务的优先级为每个任务分配执行时长以规避后续任务调度过程中可能出现的任务频繁切换而导致的服务器资源浪费,从每个所述任务队列中选取优先级最高的任务,将该任务的子任务分发至服务器中的多个目标节点进行并行处理,在执行时长结束后更新所有任务的优先级并不断更新执行时长,直到所有任务都被执行完成,从而能够实现高效的任务调度。
如图2所示,是本申请实施例提供的基于人工智能的任务调度装置的较佳实施例的功能模块图。基于人工智能的任务调度装置11包括分类单元110、第一计算单元111、第二计算单元112、分配单元113、执行单元114、循环单元115。本申请所称的模块/单元是指一种能够被处理器13所执行,并且能够完成固定功能的一系列计算机程序段,其存储在存储器12中。在本实施例中,关于各模块/单元的功能将在后续的实施例中详述。
在一个可选的实施例中,分类单元110用于对预设服务器中的任务进行分类,获得每个所述任务对应的类别,并将类别相同的所述任务归属于同一任务队列。
在一个可选的实施例中,所述对预设服务器中的任务进行分类,获得每个所述任务对应的类别,并将类别相同的所述任务归属于同一任务队列,包括:
从所述预设服务器的节点中任选一个节点作为试运行节点;
在所述试运行节点中运行每个所述任务,并记录每个所述任务的试运行数据,所述试运行数据包括所述任务对应的CPU占用率和所述任务对应的缓存占用率;
将每个所述任务的试运行数据输入预设的任务分类模型获得每个所述任务对应的类别,所述类别包括CPU密集型和I/O密集型;
将属于同一类别的所述任务归属为同一个任务队列。
该可选的实施例中,所述预设服务器包括多个节点,每个节点是所述预设服务器中的一台计算设备,所述计算设备可以是计算机、手机等具备数据计算能力的设备,可从所述多个节点中任选一个节点作为试运行节点,以确保所有任务在后续试运行过程中处于同一物理环境,以降低不同任务的试运行数据之间的偏差。
该可选的实施例中,可分别将每个所述任务的试运行数据输入预先训练好的任务分类模型以获得每个所述任务的类别,所述类别包括CPU密集型和I/O密集型,当所述任务的试运行数据中CPU占用率较高,则该任务为CPU密集型任务的概率较高;当所述任务的试运行数据中缓存占用率较高,则表明所述任务在试运行过程中的数据输入输出量较高,则所述任务为I/O密集型任务的概率较高。所述预先训练好的任务分类模型可以是XGBoost(Extreme Gradient Boosting,极端梯度提升算法)、LightGBM(Light Gradient BoostedMachine,轻量梯度提升机)、GBDT(Gradient Boosting DecisI/On Tree,梯度提升决策树)等现有的分类模型,本申请对此不做限定。
该可选的实施例中,可将类别相同的所述任务归属于同一个任务队列,所述任务队列与所述类别一一对应。
在一个可选的实施例中,第一计算单元111用于采集每个所述任务的时限数据,并依据所述时限数据计算每个所述任务的优先级,所述优先级越高表明所述任务越应被优先处理。
在一个可选的实施例中,所述采集每个所述任务的时限数据,并依据所述时限数据计算每个所述任务的优先级,包括:
实时采集每个所述任务的时限数据,所述时限数据包括每个所述任务的运行所需时长、每个所述任务的等待时长、每个所述任务的截止时刻与当前时刻的时间差;
将所述时限数据输入预设的优先级函数以计算每个所述任务的优先级,所述预设的优先级函数满足以下关系式:
其中,Runi为第i个任务的运行所需时长;waiti代表第i个任务的等待时长;Ti代表第i个任务的截止时刻与当前时刻的时间差;α代表预设的时间调节系数,用于确保第i个任务可以在所述截止时刻之前被调用;yi代表第i个任务的优先级;max代表所述优先级的最大值。其中,α取值可以是5毫秒、6毫秒、7毫秒等,本申请对此不做限定。
该可选的实施例中,所述任务运行所需时长指所述任务从当前时刻至任务完成时所需的时间。
在该可选的实施例中,所述任务的截止时刻,是任务创建时,预设的一个完成时间。例如,任务A,在9:00创建,预设在16:00完成,则该任务A的截止时刻就是16:00。
在该可选的实施例中,所述任务的等待时长是该任务被创建之后直到当前时刻所经过的时长,该任务若没有执行完毕,则该任务的等待时长会不断增加。
该可选的实施例中,当所述任务的运行所需时长不超过所述时间差,即所述任务可以在对应的截止时刻之前被运行完成,则当所述任务的等待时间越长,该任务的优先级越高;当所述任务的运行所需时长超过所述时间差,即所述任务无法在对应的截止时刻之前被运行完成,则可将该任务的优先级设置为最高值以确保该任务能够尽快被处理。
在一个可选的实施例中,第二计算单元112用于基于所述优先级为每个所述任务分配执行时长。
在一个可选的实施例中,所述基于所述优先级为每个所述任务分配执行时长,包括:
分别计算每个队列中所有任务的运行所需时长的均值作为每个所述任务队列的基准执行时长;
分别计算每个队列中所有任务的优先级的均值作为每个所述任务队列的基准优先级;
分别计算每个所述任务的优先级与所述任务所属任务队列的基准优先级的比值,并计算所述比值与所述任务所属任务队列的基准执行时长的乘积以作为每个所述任务的执行时长。
该可选的实施例中,所述执行时长用以在短时间内执行所述任务,以防止所述任务长时间占用所述预设服务器的资源。为了防止执行时长轮转调度过程中任务抢占造成的资源浪费,可分别计算每个队列中所有任务的运行所需时长的均值作为每个所述任务队列的基准执行时长。
该可选的实施例中,所述任务的优先级越高则所述任务应被分配的执行时长越长,以确保所述任务能够被及时运行完毕,因此可计算每个所述任务的优先级与所述任务所属任务队列的基准优先级的比值,并计算所述比值与所述任务所属任务队列的基准执行时长的乘积以作为每个所述任务的执行时长。
在一个可选的实施例中,分配单元113用于分别选取每个所述任务队列中优先级最高的所述任务作为目标任务,并依据所述目标任务的类别为所述目标任务分配目标节点。
在一个可选的实施例中,所述分别选取每个所述任务队列中优先级最高的所述任务作为目标任务,并依据所述目标任务的类别为所述目标任务分配目标节点,包括:
分别将每个所述任务队列中优先级最高的所述任务作为目标任务;
统计所述预设服务器中每个节点的空闲资源,所述空闲资源包括空闲CPU资源和空闲I/O资源;
分别以每个所述节点的空闲资源为指标从所述节点中选取每个所述目标任务对应的至少一个目标节点。
该可选的实施例中,每个所述任务队列对应一个目标任务,所述目标任务的类别与所述任务队列的类别一一对应。
该可选的实施例中,针对每个所述节点,所述空闲CPU资源的数量的计算方式为:整数1与所述节点中当前CPU占用率的差值;所述空闲I/O资源的数量的计算方式为:整数1与所述节点中当前I/O占用率的差值。
在一个可选的实施例中,所述分别以每个所述节点的空闲资源为指标从所述节点中选取每个所述目标任务对应的至少一个目标节点,包括:
每个所述任务包括多个子任务,获取每个目标任务的子任务数量和每个子任务的资源需求量,依据所述资源需求量由高到低的顺序对所述目标任务中的子任务进行排序;
依据所述目标任务的类别从所述空闲资源中选取目标空闲资源;
依据所述目标空闲资源的数量由大到小的顺序对所述节点进行排序;
分别将每个所述子任务分配给次序相同的所述节点以获取目标节点。
该可选的实施例中,针对每个所述目标任务,获取每个所述目标任务的子任务数量和每个子任务的资源需求量,所述资源需求量包括CPU占用量和I/O占用量。当所述目标任务的类别为CPU密集型,则可依据所述CPU占用量由高到低的顺序对所述目标任务中所有子任务进行排序;当所述目标任务的类别为I/O密集型,则可依据所述I/O占用量由高到低的顺序对所述目标任务中所有子任务进行排序。
该可选的实施例中,可依据所述目标任务的类别选取目标空闲资源,若所述目标任务的类别为CPU密集型,则可将所述CPU空闲资源作为所述目标任务对应的目标空闲资源;若所述目标任务的类别为I/O密集型,则可将所述I/O空闲资源作为所述目标任务对应的目标空闲资源。
该可选的实施例中,针对每个所述目标任务,可依据所述目标任务对应目标空闲资源由大到小的顺序对所述节点进行排序,并将所述目标任务中的每个所述子任务分配给次序相同的所述节点以获取目标节点。
在一个可选的实施例中,执行单元114用于基于所述目标任务的执行时长在所述目标节点上执行所述目标任务,并根据所述目标任务的执行时长更新每个所述任务队列中所有任务的优先级。
在一个可选的实施例中,所述基于所述目标任务的执行时长在所述目标节点上执行所述目标任务,并根据所述目标任务的执行时长更新每个所述任务队列中所有任务的优先级,包括:
在所述目标任务的执行时长内利用所述目标节点执行所述目标任务中的子任务;
当所述执行时长结束则停止执行所述目标任务的子任务,若所述目标任务的子任务未被执行完毕,则计算所述目标任务的运行所需时长与所述目标任务的执行时长的差值以作为更新后的所述目标任务的运行所需时长;
分别计算每个所述任务的等待时长与所述目标任务的执行时长之和以作为每个所述任务更新后的等待时长;
将每个所述任务更新后的运行所需时长和更新后的等待时长输入所述优先级函数以获得更新后的每个所述任务的优先级。
该可选的实施例中,可在所述目标任务的执行时长的范围内利用所述目标节点执行所述目标任务中的子任务,以实现各个子任务的并行处理,提升任务运行效率。
该可选的实施例中,当所述执行时长结束则停止执行所述目标任务的子任务,为了使所有任务的优先级能够随着任务被执行的进度实时更新,以确保即将超期的任务被分配更多的执行时长,则若所述目标任务的子任务未被执行完毕,则计算所述目标任务运行所需时长与所述目标任务对应执行时长的差值以作为更新后的所述目标任务的运行所需时长。
该可选的实施例中,可分别计算每个所述任务的等待时长与所述目标任务对应执行时长之和以作为每个所述任务更新后的等待时长,并将每个所述任务更新后的运行所需时长和更新后的等待时长输入所述优先级函数以获得更新后的每个所述任务的优先级。
在一个可选的实施例中,循环单元115用于重复执行第二计算单元112至执行单元114以完成任务调度。
该可选的实施例中,可重复执行所述第二计算单元112至执行单元114,直到所有任务都被运行完毕则停止任务调度。
上述基于人工智能的任务调度方法将相同类别的任务划分至同一任务队列,并利用每个任务的时限数据计算每个任务的优先级,依据每个任务的优先级为每个任务分配执行时长以规避后续任务调度过程中可能出现的任务频繁切换而导致的服务器资源浪费,从每个所述任务队列中选取优先级最高的任务,将该任务的子任务分发至服务器中的多个目标节点进行并行处理,在执行时长结束后更新所有任务的优先级并不断更新执行时长,直到所有任务都被执行完成,从而能够实现高效的任务调度。
如图3所示,是本申请实施例提供的一种电子设备的结构示意图。电子设备1包括存储器12和处理器13。存储器12用于存储计算机可读指令,处理器13用执行储器中存储的计算机可读指令以实现上述任一实施例的基于人工智能的任务调度方法。
在一个可选的实施例中,电子设备1还包括总线、存储在存储器12中并可在处理器13上运行的计算机程序,例如基于人工智能的任务调度程序。
图3仅示出了具有组件12-13的电子设备1,本领域技术人员可以理解的是,图3示出的结构并不构成对电子设备1的限定,可以包括比图示更少或者更多的部件,或者组合某些部件,或者不同的部件布置。
结合图1,电子设备1中的存储器12存储多个计算机可读指令以实现一种基于人工智能的任务调度方法,处理器13可执行多个指令从而实现:
S10,对预设服务器中的任务进行分类,获得每个所述任务对应的类别,并将类别相同的所述任务归属于同一任务队列;
S11,采集每个所述任务的时限数据,并依据所述时限数据计算每个所述任务的优先级,所述优先级越高表明所述任务越应被优先处理;
S12,基于所述优先级为每个所述任务分配执行时长;
S13,分别选取每个所述任务队列中优先级最高的所述任务作为目标任务,并依据所述目标任务的类别为所述目标任务分配目标节点;
S14,基于所述目标任务的执行时长在所述目标节点上执行所述目标任务,并根据所述目标任务的执行时长更新每个所述任务队列中所有任务的优先级;
S15,重复执行步骤S12至步骤S14以完成任务调度。
具体地,处理器13对上述指令的具体实现方法可参考图1对应实施例中相关步骤的描述,在此不赘述。
其中,存储器12至少包括一种类型的可读存储介质,所述可读存储介质可以是非易失性的,也可以是易失性的。所述可读存储介质包括闪存、移动硬盘、多媒体卡、卡型存储器(例如:SD或DX存储器等)、磁性存储器、磁盘、光盘等。存储器12在一些实施例中可以是电子设备1的内部存储单元,例如该电子设备1的移动硬盘。存储器12在另一些实施例中也可以是电子设备1的外部存储设备,例如电子设备1上配备的插接式移动硬盘、智能存储卡(Smart Media Card,SMC)、安全数字(Secure Digital,SD)卡、闪存卡(Flash Card)等。进一步地,存储器12还可以既包括电子设备1的内部存储单元也包括外部存储设备。存储器12不仅可以用于存储安装于电子设备1的应用软件及各类数据,例如基于人工智能的任务调度程序的代码等,还可以用于暂时地存储已经输出或者将要输出的数据。
处理器13在一些实施例中可以由集成电路组成,例如可以由单个封装的集成电路所组成,也可以是由多个相同功能或不同功能封装的集成电路所组成,包括一个或者多个中央处理器(Central Processing unit,CPU)、微处理器、数字处理芯片、图形处理器及各种控制芯片的组合等。处理器13是电子设备1的控制核心(Control Unit),利用各种接口和线路连接整个电子设备1的各个部件,通过运行或执行存储在存储器12内的程序或者模块(例如执行基于人工智能的任务调度程序等),以及调用存储在存储器12内的数据,以执行电子设备1的各种功能和处理数据。
处理器13执行电子设备1的操作系统以及安装的各类应用程序。处理器13执行所述应用程序以实现上述各个基于人工智能的任务调度方法实施例中的步骤,例如图1所示的步骤。
示例性的,所述计算机程序可以被分割成一个或多个模块/单元,所述一个或者多个模块/单元被存储在存储器12中,并由处理器13执行,以完成本申请。所述一个或多个模块/单元可以是能够完成特定功能的一系列计算机可读指令段,该指令段用于描述所述计算机程序在电子设备1中的执行过程。例如,所述计算机程序可以被分割成分类单元110、第一计算单元111、第二计算单元112、分配单元113、执行单元114、循环单元115。
上述以软件功能模块的形式实现的集成的单元,可以存储在一个计算机可读取存储介质中。上述软件功能模块存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机、计算机设备,或者网络设备等)或处理器(processor)执行本申请各个实施例所述基于人工智能的任务调度方法的部分。
电子设备1集成的模块/单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本申请实现上述实施例方法中的全部或部分流程,也可以通过计算机程序来指示相关的硬件设备来完成,所述的计算机程序可存储于一计算机可读存储介质中,该计算机程序在被处理器执行时,可实现上述各个方法实施例的步骤。
其中,所述计算机程序包括计算机程序代码,所述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。所述计算机可读介质可以包括:能够携带所述计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(ROM,Read-Only Memory)、随机存储器及其他存储器等。
进一步地,计算机可读存储介质可主要包括存储程序区和存储数据区,其中,存储程序区可存储操作系统、至少一个功能所需的应用程序等;存储数据区可存储根据区块链节点的使用所创建的数据等。
本申请所指区块链是分布式数据存储、点对点传输、共识机制、加密算法等计算机技术的新型应用模式。区块链(Blockchain),本质上是一个去中心化的数据库,是一串使用密码学方法相关联产生的数据块,每一个数据块中包含了一批次网络交易的信息,用于验证其信息的有效性(防伪)和生成下一个区块。区块链可以包括区块链底层平台、平台产品服务层以及应用服务层等。
总线可以是外设部件互连标准(Peripheral Component Interconnect,简称PCI)总线或扩展工业标准结构(Extended Industry Standard Architecture,简称EISA)总线等。该总线可以分为地址总线、数据总线、控制总线等。为便于表示,在图3中仅用一根箭头表示,但并不表示仅有一根总线或一种类型的总线。所述总线被设置为实现存储器12以及至少一个处理器13等之间的连接通信。
本申请实施例还提供一种计算机可读存储介质(图未示),计算机可读存储介质中存储有计算机可读指令,计算机可读指令被电子设备中的处理器执行以实现上述任一实施例所述的基于人工智能的任务调度方法。
在本申请所提供的几个实施例中,应该理解到,所揭露的系统,装置和方法,可以通过其它的方式实现。例如,以上所描述的装置实施例仅仅是示意性的,例如,所述模块的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式。
所述作为分离部件说明的模块可以是或者也可以不是物理上分开的,作为模块显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。
另外,在本申请各个实施例中的各功能模块可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现,也可以采用硬件加软件功能模块的形式实现。
此外,显然“包括”一词不排除其他单元或步骤,单数不排除复数。说明书陈述的多个单元或装置也可以由一个单元或装置通过软件或者硬件来实现。第一、第二等词语用来表示名称,而并不表示任何特定的顺序。
最后应说明的是,以上实施例仅用以说明本申请的技术方案而非限制,尽管参照较佳实施例对本申请进行了详细说明,本领域的普通技术人员应当理解,可以对本申请的技术方案进行修改或等同替换,而不脱离本申请技术方案的精神和范围。
Claims (10)
1.一种基于人工智能的任务调度方法,其特征在于,所述方法包括:
S10,对预设服务器中的任务进行分类,获得每个所述任务对应的类别,并将类别相同的所述任务归属于同一任务队列;
S11,采集每个所述任务的时限数据,并依据所述时限数据计算每个所述任务的优先级,所述优先级越高表明所述任务越应被优先处理;
S12,基于所述优先级为每个所述任务分配执行时长;
S13,分别选取每个所述任务队列中优先级最高的所述任务作为目标任务,并依据所述目标任务的类别为所述目标任务分配目标节点;
S14,基于所述目标任务的执行时长在所述目标节点上执行所述目标任务,并根据所述目标任务的执行时长更新每个所述任务队列中所有任务的优先级;
S15,重复执行步骤S12至步骤S14以完成任务调度。
2.如权利要求1所述的基于人工智能的任务调度方法,其特征在于,所述对预设服务器中的任务进行分类,获得每个所述任务对应的类别,并将类别相同的所述任务归属于同一任务队列,包括:
从所述预设服务器的节点中任选一个节点作为试运行节点;
在所述试运行节点中运行每个所述任务,并记录每个所述任务的试运行数据,所述试运行数据包括所述任务对应的CPU占用率和所述任务对应的缓存占用率;
将每个所述任务的试运行数据输入预设的任务分类模型获得每个所述任务对应的类别,所述类别包括CPU密集型和I/O密集型;
将属于同一类别的所述任务归属为同一个任务队列。
3.如权利要求1所述的基于人工智能的任务调度方法,其特征在于,所述采集每个所述任务的时限数据,并依据所述时限数据计算每个所述任务的优先级,包括:
实时采集每个所述任务的时限数据,所述时限数据包括每个所述任务的运行所需时长、每个所述任务的等待时长、每个所述任务的截止时刻与当前时刻的时间差;
将所述时限数据输入预设的优先级函数以计算每个所述任务的优先级,所述预设的优先级函数满足以下关系式:
其中,Runi为第i个任务的运行所需时长;waiti代表第i个任务的等待时长;Ti代表第i个任务的截止时刻与当前时刻的时间差;α代表预设的时间调节系数,用于确保第i个任务可以在所述截止时刻之前被调用;yi代表第i个任务的优先级;max代表所述优先级的最大值。
4.如权利要求1所述的基于人工智能的任务调度方法,其特征在于,所述基于所述优先级为每个所述任务分配执行时长,包括:
分别计算每个队列中所有任务的运行所需时长的均值作为每个所述任务队列的基准执行时长;
分别计算每个队列中所有任务的优先级的均值作为每个所述任务队列的基准优先级;
分别计算每个所述任务的优先级与所述任务所属任务队列的基准优先级的比值,并计算所述比值与所述任务所属任务队列的基准执行时长的乘积以作为每个所述任务的执行时长。
5.如权利要求1所述的基于人工智能的任务调度方法,其特征在于,所述分别选取每个所述任务队列中优先级最高的所述任务作为目标任务,并依据所述目标任务的类别为所述目标任务分配目标节点,包括:
分别将每个所述任务队列中优先级最高的所述任务作为目标任务;
统计所述预设服务器中每个节点的空闲资源,所述空闲资源包括空闲CPU资源和空闲I/O资源;
分别以每个所述节点的空闲资源为指标从所述节点中选取每个所述目标任务对应的至少一个目标节点。
6.如权利要求5所述的基于人工智能的任务调度方法,其特征在于,所述分别以每个所述节点的空闲资源为指标从所述节点中选取每个所述目标任务对应的至少一个目标节点,包括:
每个所述任务包括多个子任务,获取每个目标任务的子任务数量和每个子任务的资源需求量,依据所述资源需求量由高到低的顺序对所述目标任务中的子任务进行排序;
依据所述目标任务的类别从所述空闲资源中选取目标空闲资源;
依据所述目标空闲资源的数量由大到小的顺序对所述节点进行排序;
分别将每个所述子任务分配给次序相同的所述节点以获取目标节点。
7.如权利要求3所述的基于人工智能的任务调度方法,其特征在于,所述基于所述目标任务的执行时长在所述目标节点上执行所述目标任务,并根据所述目标任务的执行时长更新每个所述任务队列中所有任务的优先级,包括:
在所述目标任务的执行时长内利用所述目标节点执行所述目标任务中的子任务;
当所述执行时长结束则停止执行所述目标任务的子任务,若所述目标任务的子任务未被执行完毕,则计算所述目标任务的运行所需时长与所述目标任务的执行时长的差值以作为更新后的所述目标任务的运行所需时长;
分别计算每个所述任务的等待时长与所述目标任务的执行时长之和以作为每个所述任务更新后的等待时长;
将每个所述任务更新后的运行所需时长和更新后的等待时长输入所述优先级函数以获得更新后的每个所述任务的优先级。
8.一种基于人工智能的任务调度装置,其特征在于,所述装置包括:
分类单元,用于对预设服务器中的任务进行分类,获得每个所述任务对应的类别,并将类别相同的所述任务归属于同一任务队列;
第一计算单元,用于采集每个所述任务的时限数据,并依据所述时限数据计算每个所述任务的优先级,所述优先级越高表明所述任务越应被优先处理;
第二计算单元,用于基于所述优先级为每个所述任务分配执行时长;
分配单元,用于分别选取每个所述任务队列中优先级最高的所述任务作为目标任务,并依据所述目标任务的类别为所述目标任务分配目标节点;
执行单元,用于基于所述目标任务的执行时长在所述目标节点上执行所述目标任务,并根据所述目标任务的执行时长更新每个所述任务队列中所有任务的优先级;
循环单元,用于重复执行第二计算单元、分配单元及执行单元以完成任务调度。
9.一种电子设备,其特征在于,所述电子设备包括:
存储器,存储计算机可读指令;及
处理器,执行所述存储器中存储的计算机可读指令以实现如权利要求1至7中任意一项所述的基于人工智能的任务调度方法。
10.一种计算机可读存储介质,其特征在于:所述计算机可读存储介质中存储有计算机可读指令,所述计算机可读指令被电子设备中的处理器执行以实现如权利要求1至7中任意一项所述的基于人工智能的任务调度方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210952123.XA CN115292016A (zh) | 2022-08-09 | 2022-08-09 | 基于人工智能的任务调度方法及相关设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210952123.XA CN115292016A (zh) | 2022-08-09 | 2022-08-09 | 基于人工智能的任务调度方法及相关设备 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115292016A true CN115292016A (zh) | 2022-11-04 |
Family
ID=83827828
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210952123.XA Pending CN115292016A (zh) | 2022-08-09 | 2022-08-09 | 基于人工智能的任务调度方法及相关设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115292016A (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115495224A (zh) * | 2022-11-18 | 2022-12-20 | 天河超级计算淮海分中心 | 基于优先级的超算节点使用方法、电子设备和存储介质 |
CN115669990A (zh) * | 2022-11-23 | 2023-02-03 | 湖北中烟工业有限责任公司 | 一种烟叶制丝生产线的智能节电方法及装置 |
CN115878286A (zh) * | 2022-11-28 | 2023-03-31 | 上海清赟医药科技有限公司 | 基于多端交互的任务执行方法 |
CN115904670A (zh) * | 2023-01-04 | 2023-04-04 | 中电长城网际系统应用有限公司 | 任务调度方法和装置、电子设备、存储介质 |
-
2022
- 2022-08-09 CN CN202210952123.XA patent/CN115292016A/zh active Pending
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115495224A (zh) * | 2022-11-18 | 2022-12-20 | 天河超级计算淮海分中心 | 基于优先级的超算节点使用方法、电子设备和存储介质 |
CN115669990A (zh) * | 2022-11-23 | 2023-02-03 | 湖北中烟工业有限责任公司 | 一种烟叶制丝生产线的智能节电方法及装置 |
CN115878286A (zh) * | 2022-11-28 | 2023-03-31 | 上海清赟医药科技有限公司 | 基于多端交互的任务执行方法 |
CN115904670A (zh) * | 2023-01-04 | 2023-04-04 | 中电长城网际系统应用有限公司 | 任务调度方法和装置、电子设备、存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN115292016A (zh) | 基于人工智能的任务调度方法及相关设备 | |
CN109992404B (zh) | 集群计算资源调度方法、装置、设备及介质 | |
CN107659433B (zh) | 一种云资源调度方法及设备 | |
CN105808328B (zh) | 任务调度的方法、装置和系统 | |
US10108458B2 (en) | System and method for scheduling jobs in distributed datacenters | |
WO2016078008A1 (zh) | 调度数据流任务的方法和装置 | |
CN109857535B (zh) | 面向Spark JDBC的任务优先级控制的实现方法及装置 | |
CN111352736A (zh) | 大数据资源的调度方法、装置、服务器及存储介质 | |
CN109408229A (zh) | 一种调度方法及装置 | |
CN112416585A (zh) | 面向深度学习的gpu资源管理与智能化调度方法 | |
CN109240795A (zh) | 一种适用于超融合it基础设施的云计算资源池模型的资源调度方法 | |
CN111984426B (zh) | 任务调度方法、装置、电子设备及存储介质 | |
CN114265679A (zh) | 数据处理方法、装置和服务器 | |
CN106201681B (zh) | Hadoop平台下基于预释放资源列表的任务调度方法 | |
CN113886034A (zh) | 任务调度方法、系统、电子设备及存储介质 | |
US8281313B1 (en) | Scheduling computer processing jobs that have stages and precedence constraints among the stages | |
CN115586961A (zh) | 一种ai平台计算资源任务调度方法、装置及介质 | |
CN111597044A (zh) | 任务调度方法、装置、存储介质及电子设备 | |
CN113419833B (zh) | 用于量子云计算平台任务调度的方法、装置和量子云计算平台任务调度服务器 | |
CN113626173B (zh) | 调度方法、装置及存储介质 | |
CN109062683B (zh) | 主机资源分配的方法、装置及计算机可读存储介质 | |
US20180107513A1 (en) | Leveraging Shared Work to Enhance Job Performance Across Analytics Platforms | |
CN111736959B (zh) | 异构集群下考虑数据亲和性的Spark任务调度方法 | |
CN115098240B (zh) | 一种多处理器应用调度方法和系统及存储介质 | |
CN116010051A (zh) | 一种联邦学习多任务调度方法及装置 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination |