CN115525425A - 基于云原生技术的联邦学习计算引擎编排方法及其设备 - Google Patents
基于云原生技术的联邦学习计算引擎编排方法及其设备 Download PDFInfo
- Publication number
- CN115525425A CN115525425A CN202211134191.1A CN202211134191A CN115525425A CN 115525425 A CN115525425 A CN 115525425A CN 202211134191 A CN202211134191 A CN 202211134191A CN 115525425 A CN115525425 A CN 115525425A
- Authority
- CN
- China
- Prior art keywords
- management unit
- scheduling
- calculation
- requirement
- platform
- 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.)
- Granted
Links
- 238000004364 calculation method Methods 0.000 title claims abstract description 118
- 238000000034 method Methods 0.000 title claims abstract description 93
- 238000005516 engineering process Methods 0.000 title claims abstract description 38
- 238000007726 management method Methods 0.000 claims abstract description 135
- 230000008569 process Effects 0.000 claims abstract description 15
- 238000004519 manufacturing process Methods 0.000 claims abstract description 7
- 238000011156 evaluation Methods 0.000 claims description 13
- 238000004590 computer program Methods 0.000 description 14
- 238000010586 diagram Methods 0.000 description 14
- 230000006870 function Effects 0.000 description 7
- 238000004891 communication Methods 0.000 description 4
- 230000003287 optical effect Effects 0.000 description 4
- 238000012545 processing Methods 0.000 description 3
- 238000004422 calculation algorithm Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 239000012634 fragment Substances 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 230000000644 propagated effect Effects 0.000 description 2
- 239000004065 semiconductor Substances 0.000 description 2
- 239000004606 Fillers/Extenders Substances 0.000 description 1
- 238000003339 best practice Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 239000003795 chemical substances by application Substances 0.000 description 1
- 230000008602 contraction Effects 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000012217 deletion Methods 0.000 description 1
- 230000037430 deletion Effects 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000012821 model calculation Methods 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
- 238000012549 training Methods 0.000 description 1
- 230000001960 triggered effect Effects 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]
- G06F9/5005—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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F21/00—Security arrangements for protecting computers, components thereof, programs or data against unauthorised activity
- G06F21/60—Protecting data
- G06F21/62—Protecting access to data via a platform, e.g. using keys or access control rules
- G06F21/6218—Protecting access to data via a platform, e.g. using keys or access control rules to a system of files or objects, e.g. local or distributed file system or database
- G06F21/6245—Protecting personal data, e.g. for financial or medical purposes
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
Abstract
本申请揭示了一种基于云原生技术的联邦学习计算引擎编排方法、设备及存储介质，该方法应用于一种云原生平台，包括：获取联邦学习平台的计算引擎控制器下发的管理单元调度需求，其中，管理单元调度需求由联邦学习平台计算过程中发生改变的计算特性生成；基于管理单元调度需求对当前资源调度策略进行检验；在当前资源调度策略满足管理单元调度需求的情况下，按照管理单元调度需求和当前资源调度策略进行管理单元与计算引擎的绑定，并将绑定信息返回联邦学习平台。本申请的方法实现了联邦学习业务在生产环境下，在进行样本对齐、加解密、梯度计算、迭代计算等步骤时，在业务保持连续不中断的情况下，对计算引擎资源进行动态调整。
Description
技术领域
本申请涉及云原生技术领域，具体而言，涉及一种基于云原生技术的联邦学习计算引擎编排方法、设备及存储介质。
背景技术
联邦学习可实现在保证数据隐私安全及合法合规的基础上，共同建模，提升AI模型的效果，但其技术难点、应用价值和性能提升话题一直是业界热议的问题。
随着联邦学习、多方安全计算逐渐成为成熟且主流的数据共享安全技术，联邦学习已得到越来越多的实践应用。联邦学习可实现在保证数据隐私安全及合法合规的基础上，共同建模，提升AI模型的效果，但其技术难点、应用价值和性能提升话题一直是业界热议的问题。本专利试图解决如下联邦学习面临的计算需求问题：联邦学习模型训练时需要经历样本对齐、加解密、梯度计算、迭代计算等步骤，联邦学习算法的几个特点是计算高度并行，数据密态计算，重复轻量级运算，批量大数据。业务开展时系统需要提供很大的计算资源，采用硬件GPU的方案价格昂贵。
发明内容
为解决上述技术问题，本申请的实施例提供了一种基于云原生技术的联邦学习计算引擎编排方法、设备及存储介质。
根据本申请实施例的一个方面，提供了一种基于云原生技术的联邦学习计算引擎编排方法，所述计算引擎编排方法应用于一种云原生平台，所述计算引擎编排方法包括：
获取联邦学习平台的计算引擎控制器下发的管理单元调度需求，其中，所述管理单元调度需求由所述联邦学习平台计算过程中发生改变的计算特性生成；
基于所述管理单元调度需求对当前资源调度策略进行检验；
在所述当前资源调度策略满足所述管理单元调度需求的情况下，按照所述管理单元调度需求和所述当前资源调度策略进行管理单元与计算引擎的绑定，并将绑定信息返回所述联邦学习平台。
根据本申请实施例的一个方面，提供了一种基于云原生技术的联邦学习计算引擎编排方法，所述计算引擎编排方法应用于一种云原生平台，所述云原生平台至少包括API服务器、资源调度器；所述计算引擎编排方法包括：
所述API服务器获取联邦学习平台的计算引擎控制器下发的管理单元调度需求，其中，所述管理单元调度需求由所述联邦学习平台计算过程中发生改变的计算特性生成；
所述API服务器基于所述管理单元调度需求请求所述资源调度器；
所述资源调度器在所述当前资源调度策略满足所述管理单元调度需求的情况下，按照所述管理单元调度需求和所述当前资源调度策略进行管理单元与计算引擎的绑定，并将绑定信息返回所述联邦学习平台。
根据本申请实施例的一个方面，提供了一种基于云原生技术的联邦学习计算引擎编排方法，所述计算引擎编排方法应用于联邦学习系统，包括云原生平台和联邦学习平台；
所述联邦学习计算引擎编排方法包括：
所述联邦学习平台向所述云原生平台下发管理单元调度需求，其中，所述管理单元调度需求由所述联邦学习平台计算过程中发生改变的计算特性生成；
所述云原生平台基于所述管理单元调度需求对当前资源调度策略进行检验；
在所述当前资源调度策略满足所述管理单元调度需求的情况下，所述云原生平台按照所述管理单元调度需求和所述当前资源调度策略进行管理单元与计算引擎的绑定，并将绑定信息返回所述联邦学习平台。
根据本申请实施例的一个方面，提供了一种电子设备，包括：
存储器，存储有计算机可读指令；
处理器，读取存储器存储的计算机可读指令，以执行上述的基于云原生技术的联邦学习计算引擎编排方法。
根据本申请实施例的一个方面，提供了一种计算机可读存储介质，其上存储有计算机可读指令，当所述计算机可读指令被计算机的处理器执行时，使计算机执行如上任一项所述的基于云原生技术的联邦学习计算引擎编排方法。
在本申请的实施例所提供的技术方案中，该计算引擎编排方法应用于一种云原生平台，包括：获取联邦学习平台的计算引擎控制器下发的管理单元调度需求，其中，管理单元调度需求由联邦学习平台计算过程中发生改变的计算特性生成；基于管理单元调度需求对当前资源调度策略进行检验；在当前资源调度策略满足管理单元调度需求的情况下，按照管理单元调度需求和当前资源调度策略进行管理单元与计算引擎的绑定，并将绑定信息返回联邦学习平台。本申请揭示的基于云原生技术的联邦学习计算引擎编排方法实现了联邦学习业务在生产环境下，在进行样本对齐、加解密、梯度计算、迭代计算等步骤时，在业务保持连续不中断的情况下，对计算引擎资源进行动态调整。
应当理解的是，以上的一般描述和后文的细节描述仅是示例性和解释性的，并不能限制本申请。
附图说明
此处的附图被并入说明书中并构成本说明书的一部分，示出了符合本申请的实施例，并与说明书一起用于解释本申请的原理。显而易见地，下面描述中的附图仅仅是本申请的一些实施例，对于本领域普通技术者来讲，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他的附图。在附图中：
图1是本申请提供的联邦学习系统一实施例的框架示意图；
图2是本申请提供的基于云原生技术的联邦学习计算引擎编排方法第一实施例的流程示意图；
图3是本申请提供的基于云原生技术的联邦学习计算引擎编排方法总流程的框架示意图；
图4是本申请提供的计算引擎控制器根据联邦学习需求确定调配策略的框架示意图；
图5是本申请提供的基于云原生技术的联邦学习计算引擎编排方法第二实施例的流程示意图；
图6是本申请提供的基于云原生技术的联邦学习计算引擎编排方法第三实施例的流程示意图；
图7是适于用来实现本申请实施例的电子设备的计算机系统的结构示意图。
具体实施方式
这里将详细地对示例性实施例执行说明，其示例表示在附图中。下面的描述涉及附图时，除非另有表示，不同附图中的相同数字表示相同或相似的要素。以下示例性实施例中所描述的实施方式并不代表与本申请相一致的所有实施方式。相反，它们仅是与如所附权利要求书中所详述的、本申请的一些方面相一致的装置和方法的例子。
附图中所示的方框图仅仅是功能实体，不一定必须与物理上独立的实体相对应。即，可以采用软件形式来实现这些功能实体，或在一个或多个硬件模块或集成电路中实现这些功能实体，或在不同网络和/或处理器装置和/或微控制器装置中实现这些功能实体。
附图中所示的流程图仅是示例性说明，不是必须包括所有的内容和操作/步骤，也不是必须按所描述的顺序执行。例如，有的操作/步骤还可以分解，而有的操作/步骤可以合并或部分合并，因此实际执行的顺序有可能根据实际情况改变。
还需要说明的是：在本申请中提及的“多个”是指两个或者两个以上。“和/或”描述关联对象的关联关系，表示可以存在三种关系，例如，A和/或B可以表示：单独存在A，同时存在A和B，单独存在B这三种情况。字符“/”一般表示前后关联对象是一种“或”的关系。
本申请提出一种基于云原生技术的联邦学习计算引擎编排方法。本申请旨在实现联邦学习业务在生产环境下，在进行样本对齐、加解密、梯度计算、迭代计算等步骤时，在业务保持连续不中断的情况下，对计算引擎资源进行动态调整，例如计算量大时可以动态扩容，计算量小时可以即时释放资源，或是在不同类型的计算引擎间进行切换。
下面先对包括云原生平台(也称云原生环境)和联邦学习平台(也称联邦学习环境)的联邦学习系统进行介绍，如图1所示，图1是本申请提供的联邦学习系统一实施例的框架示意图。其中包括：
联邦学习环境：由机器学习组件库、大数据存储、在线推理、消息队列、安全协议、镜像制作器和计算引擎控制器组成。
云原生环境：由API服务器、元数据管理、资源调度器、调度器扩展、kubelet、接入代理、应用管理器组成。
其中，联邦学习环境中的镜像制作器、计算引擎控制器，以及云原生环境中的调度器扩展为本申请相较于常规的联邦学习计算引擎编排系统新增的模块。
具体地，镜像制作器负责计算引擎的镜像制作并被云原生环境拉取安装，计算引擎控制器负责根据联邦学习模型计算需求变化更新配置策略到云原生环境，调度器扩展模块扩展了原云原生环境中负责调度策略的功能，随后Pod可新增、删除、扩缩容，从而实现联邦学习模型计算业务不中断的情况下计算引擎的动态编排。
其中，Pod是Kubernetes(多集群管理平台)的最重要概念，每一个Pod都有一个特殊的被称为“根容器”的Pause容器。Pause容器对应的镜像属于Kubernetes平台的一部分，除了Pause容器，每个Pod还包含一个或多个紧密相关的用户业务容器。
由于云原生最佳实践目前默认调度器最小调度单元为Pod，即所有调度策略是针对节点的，缺少面向应用需求的调度策略(二级调度能力)。在联邦学习的大数据计算场景下，云原生环境的调度扩展器需要扩展如下调度策略的能力：
Gang Scheduling：支持PodGroup的概念，以完整的PodGroup为单位进行调度，当计算引擎有自组集群的能力时，若资源无法满足完整的PodGroup运行时，则不进行调度，避免资源的无效等待。
Binpack Scheduling：当集群使用弹性伸缩时，可以使用binpack调度进行资源压缩，减少调度碎片。
优先队列Scheduling：支持通过设置任务优先级，提供任务级别的排队能力。
Capacity Scheduling:通过Namespace将集群划分为不同的租户，租户有自己的资源配额，在集群资源紧张时，不同租户可以根据其申请的配额分配资源，在集群资源空闲时，不同租户之间进行借用和归还，提升了集群的资源使用率。
在本申请实施例中，联邦学习系统在云原生技术上增加Gang Scheduling的调度方法，实现联邦学习大数据计算引擎以PodGroup为单位进行调度；在云原生技术上增加在Binpack Scheduling的调度方法，实现联邦学习大数据计算引擎当集群使用弹性伸缩时，可以使用binpack调度进行资源压缩，减少调度碎片；在云原生技术上增加优先队列Scheduling的调度方法，实现联邦学习大数据计算引擎支持通过设置任务优先级，提供任务级别的排队能力；在云原生技术上增加Capacity Scheduling的调度方法，实现联邦学习大数据计算引擎在集群资源空闲时，不同应用租户之间可进行借用和归还，提升了集群的资源使用率。
基于以上实施环境的技术，下面进一步介绍本申请提供的基于云原生技术的联邦学习计算引擎编排方法。具体请参阅图2和图3，其中，图2是本申请提供的基于云原生技术的联邦学习计算引擎编排方法第一实施例的流程示意图，图3是本申请提供的基于云原生技术的联邦学习计算引擎编排方法总流程的框架示意图。
如图2和图3所示，本申请实施例的基于云原生技术的联邦学习计算引擎编排方法应用于一种云原生平台，具体可以为图1所示的云原生平台(云原生环境)。其实现的基于云原生技术的联邦学习计算引擎编排方法具体包括如下步骤：
步骤S110：获取联邦学习平台的计算引擎控制器下发的管理单元调度需求，其中，管理单元调度需求由联邦学习平台计算过程中发生改变的计算特性生成。
在本申请实施例中，如图3所示。联邦学习平台向云原生平台下发管理单元调度需求，即图中的pod调度需求。其中，pod调度需求是由于联邦学习模型计算过程中计算特征发生改变触发生成。
步骤S120：基于管理单元调度需求对当前资源调度策略进行检验。
在本申请实施例中，云原生平台检验平台内当前的资源调度策略是否支持联邦学习平台的管理单元调度需求。其中，本申请提供一种关于计算机引擎控制器如何根据联邦学习需求确定调配策略的具体实施例，具体请参阅图4，图4是本申请提供的计算引擎控制器根据联邦学习需求确定调配策略的框架示意图。
图4中，左侧为计算机引擎控制器中的策略，右侧为调度器扩展对应支持的策略，而调度器扩展对应支持的策略在上述实施环境的技术介绍中已有详细说明，在此不再赘述。从图4可知，计算机引擎控制器中的策略，与调度器扩展对应支持的策略，具有一一对应的支持关系。
下面通过两个例子说明调度器扩展对应支持的策略：
第一、当前资源调度策略选择Gang Scheduling时，云原生平台获取若干计算引擎组，其中，所述计算引擎组包括若干计算引擎；基于所述管理单元调度需求和所述扩展调度策略获取计算引擎最小运行个数；按照所述计算引擎最小运行个数，搜索对应的目标计算引擎组；将所述目标计算引擎组的计算引擎和管理单元进行绑定。
第二、当前资源调度策略选择Binpack Scheduling和Capacity Scheduling时，云原生平台按照所述管理单元调度需求和所述当前资源调度策略选取一个管理单元与若干计算引擎进行绑定；在选择的管理单元的节点资源填满后，选取另一个管理单元与其余计算引擎进行绑定。
因此，通过图4的策略对应关系，云原生平台能够检验云原生平台的当前资源调度策略是否支持联邦学习平台的管理单元调度需求。
步骤S130：在当前资源调度策略满足管理单元调度需求的情况下，按照管理单元调度需求和当前资源调度策略进行管理单元与计算引擎的绑定，并将绑定信息返回联邦学习平台。
在本申请实施例中，在当前资源调度策略满足管理单元调度需求的情况下，云原生平台即可按照管理单元调度需求和当前资源调度策略进行管理单元与计算引擎的绑定，并将绑定信息返回联邦学习平台。
在当前资源调度策略不满足管理单元调度需求的情况下，云原生平台即可基于管理单元调度需求生成资源评估请求，进一步发送该资源评估请求到扩展器，即调度器扩展模块。云原生平台利用调度器扩展模块进一步基于资源评估请求对当前资源调度策略进行更新，从而生成扩展调度策略。
云原生平台根据扩展调度策略检验所述云原生平台的当前资源是否符合调度条件；若是，则按照所述管理单元调度需求和所述扩展调度策略进行管理单元与计算引擎的绑定，并将绑定信息反馈联邦学习平台；若否，则重新按照所述管理单元调度需求生成新的资源调度策略。
进一步地，云原生进一步根据扩展调度策判断当前可分配的资源是否满足联邦学习平台的管理单元调度需求。
若当前可分配的资源符合条件，则云原生平台即可进行管理单元与计算引擎的绑定。若当前可分配的资源不符合条件，则云原生平台进行资源扩容，直至资源扩容后可分配的资源满足联邦学习平台的管理单元调度需求。
具体地，在调取计算引擎时，云原生平台可以按照管理单元调度需求和当前资源调度策略从联邦学习平台拉取计算引擎的镜像。然后，云原生平台利用拉取的计算引擎镜像与管理单元完成绑定，并同步绑定信息给kubelet，将pod调度结果返回给联邦学习平台的计算引擎控制器。
在本申请实施例中，该计算引擎编排方法应用于一种云原生平台，包括：获取联邦学习平台的计算引擎控制器下发的管理单元调度需求，其中，管理单元调度需求由联邦学习平台计算过程中发生改变的计算特性生成；基于管理单元调度需求对当前资源调度策略进行检验；在当前资源调度策略满足管理单元调度需求的情况下，按照管理单元调度需求和当前资源调度策略进行管理单元与计算引擎的绑定，并将绑定信息返回联邦学习平台。本申请揭示的基于云原生技术的联邦学习计算引擎编排方法实现了联邦学习业务在生产环境下，在进行样本对齐、加解密、梯度计算、迭代计算等步骤时，在业务保持连续不中断的情况下，对计算引擎资源进行动态调整。
具体请参阅图5，其中，图5是本申请提供的基于云原生技术的联邦学习计算引擎编排方法第二实施例的流程示意图。
如图5和图3所示，本申请实施例的基于云原生技术的联邦学习计算引擎编排方法应用于一种云原生平台，具体可以为图1所示的云原生平台(云原生环境)。其实现的基于云原生技术的联邦学习计算引擎编排方法具体包括如下步骤：
步骤S210：API服务器获取联邦学习平台的计算引擎控制器下发的管理单元调度需求，其中，管理单元调度需求由联邦学习平台计算过程中发生改变的计算特性生成。
在本申请实施例中，如图3所示，联邦学习平台的计算引擎控制器向云原生平台的API服务器提交pod调度需求。
步骤S220：API服务器基于所述管理单元调度需求请求所述资源调度器。
步骤S230：资源调度器在当前资源调度策略满足管理单元调度需求的情况下，按照管理单元调度需求和当前资源调度策略进行管理单元与计算引擎的绑定，并将绑定信息返回联邦学习平台。
在本申请实施例中，资源调度器检验平台内当前的资源调度策略是否支持联邦学习平台的管理单元调度需求。资源调度器在当前资源调度策略满足管理单元调度需求的情况下，通知API服务器进行pod-节点绑定。资源调度器在当前资源调度策略不满足管理单元调度需求的情况下，基于所述管理单元调度需求生成资源评估请求，并将所述资源评估请求发送给所述调度器扩展模块。
调度器扩展模块按照资源评估请求以及所述当前资源调度策略，生成扩展调度策略，由资源调度器通知API服务器按照所述管理单元调度需求和所述扩展调度策略进行管理单元与计算引擎的绑定，并将绑定信息返回所述联邦学习平台。
具体地，调度器扩展模块基于资源评估请求对当前资源调度策略进行更新，从而生成扩展调度策略。资源调度器根据扩展调度策略检验所述云原生平台的当前资源是否符合调度条件；若是，则通知API服务器按照所述管理单元调度需求和所述扩展调度策略进行管理单元与计算引擎的绑定，并将绑定信息反馈联邦学习平台；若否，则通知API服务器重新按照所述管理单元调度需求生成新的资源调度策略。
进一步地，镜像制作模块按照所述管理单元调度需求和所述当前资源调度策略从所述联邦学习平台拉取计算引擎的镜像；所述资源调度器通知API服务器将拉取的计算引擎镜像与所述管理单元进行绑定。
具体请参阅图6，其中，图6是本申请提供的基于云原生技术的联邦学习计算引擎编排方法第三实施例的流程示意图。
如图6和图3所示，本申请实施例的基于云原生技术的联邦学习计算引擎编排方法应用于一种联邦学习系统，具体可以为图1所示的联邦学习系统。其实现的基于云原生技术的联邦学习计算引擎编排方法具体包括如下步骤：
步骤S310：联邦学习平台向云原生平台下发管理单元调度需求，其中，管理单元调度需求由联邦学习平台计算过程中发生改变的计算特性生成。
步骤S320：云原生平台基于管理单元调度需求对当前资源调度策略进行检验。
步骤S330：在当前资源调度策略满足管理单元调度需求的情况下，云原生平台按照管理单元调度需求和当前资源调度策略进行管理单元与计算引擎的绑定，并将绑定信息返回联邦学习平台。
在本申请实施例中，步骤S310至步骤S330的技术方案在图2所示的步骤S110至步骤S130的技术方案中已经详细阐述，在此不再赘述。
在本申请实施例中，针对联邦学习模型计算高度并行，批量大数据等特点，提出在云原生环境部署下，扩展原云原生环境中调度策略和功能，如增加Gang Scheduling的调度方法，实现联邦学习大数据计算引擎以PodGroup为单位进行调度的方法，从而实现联邦学习模型计算业务不中断的情况下计算引擎的弹性编排，如新增、删除、扩缩容等；解决了非云部署的联邦学习无法满足生产环境下的机器学习算法和大数据量的计算需求，又基于目前最主流的云原生部署方案弥补了pod资源调度方法的不足。
本申请的实施例还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时，使得所述电子设备实现上述各个实施例中提供的基于云原生技术的联邦学习计算引擎编排方法。
图7示出了适于用来实现本申请实施例的电子设备的计算机系统的结构示意图。
需要说明的是，图7示出的电子设备的计算机系统700仅是一个示例，不应对本申请实施例的功能和使用范围带来任何限制。
如图7所示，计算机系统700包括中央处理单元(Central Processing Unit，CPU)701，其可以根据存储在只读存储器(Read-Only Memory，ROM)902中的程序或者从储存部分708加载到随机访问存储器(Random Access Memory，RAM)703中的程序而执行各种适当的动作和处理，例如执行上述实施例中所述的方法。在RAM 703中，还存储有系统操作所需的各种程序和数据。CPU 901、ROM 702以及RAM 703通过总线704彼此相连。输入/输出(Input/Output，I/O)接口705也连接至总线704。
以下部件连接至I/O接口705：包括键盘、鼠标等的输入部分706；包括诸如阴极射线管(Cathode Ray Tube，CRT)、液晶显示器(Liquid Crystal Display，LCD)等以及扬声器等的输出部分707；包括硬盘等的储存部分708；以及包括诸如LAN(Local Area Network，局域网)卡、调制解调器等的网络接口卡的通信部分709。通信部分709经由诸如因特网的网络执行通信处理。驱动器710也根据需要连接至I/O接口705。可拆卸介质711，诸如磁盘、光盘、磁光盘、半导体存储器等等，根据需要安装在驱动器710上，以便于从其上读出的计算机程序根据需要被安装入储存部分708。
特别地，根据本申请的实施例，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，本申请的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计算机程序。在这样的实施例中，该计算机程序可以通过通信部分709从网络上被下载和安装，和/或从可拆卸介质711被安装。在该计算机程序被中央处理单元(CPU)701执行时，执行本申请的系统中限定的各种功能。
需要说明的是，本申请实施例所示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(Erasable Programmable Read Only Memory，EPROM)、闪存、光纤、便携式紧凑磁盘只读存储器(Compact Disc Read-Only Memory，CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本申请中，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。而在本申请中，计算机可读的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计算机程序。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。计算机可读的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计算机程序可以用任何适当的介质传输，包括但不限于：无线、有线等等，或者上述的任意合适的组合。
附图中的流程图和框图，图示了按照本申请各种实施例的系统、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。其中，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，上述模块、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，框图或流程图中的每个方框、以及框图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。
描述于本申请实施例中所涉及到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。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。
本申请的另一方面还提供了一种计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现如前所述的方法。该计算机可读存储介质可以是上述实施例中描述的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。
本申请的另一方面还提供了一种计算机程序产品或计算机程序，该计算机程序产品或计算机程序包括计算机指令，该计算机指令存储在计算机可读存储介质中。计算机设备的处理器从计算机可读存储介质读取该计算机指令，处理器执行该计算机指令，使得该计算机设备执行上述各个实施例中提供的方法。
上述内容，仅为本申请的较佳示例性实施例，并非用于限制本申请的实施方案，本领域普通技术人员根据本申请的主要构思和精神，可以十分方便地进行相应的变通或修改，故本申请的保护范围应以权利要求书所要求的保护范围为准。
Claims (12)
1.一种基于云原生技术的联邦学习计算引擎编排方法，其特征在于，所述计算引擎编排方法应用于一种云原生平台，所述计算引擎编排方法包括：
获取联邦学习平台的计算引擎控制器下发的管理单元调度需求，其中，所述管理单元调度需求由所述联邦学习平台计算过程中发生改变的计算特性生成；
基于所述管理单元调度需求对当前资源调度策略进行检验；
在所述当前资源调度策略满足所述管理单元调度需求的情况下，按照所述管理单元调度需求和所述当前资源调度策略进行管理单元与计算引擎的绑定，并将绑定信息返回所述联邦学习平台。
2.根据权利要求1所述的计算引擎编排方法，其特征在于，
所述计算引擎编排方法还包括：
在所述当前资源调度策略不满足所述管理单元调度需求的情况下，基于所述管理单元调度需求生成资源评估请求；
按照所述资源评估请求以及所述当前资源调度策略，生成扩展调度策略；
按照所述管理单元调度需求和所述扩展调度策略进行管理单元与计算引擎的绑定，并将绑定信息返回所述联邦学习平台。
3.根据权利要求2所述的计算引擎编排方法，其特征在于，
所述按照所述资源评估请求以及所述当前资源调度策略，生成扩展调度策略之后，所述计算引擎编排方法还包括：
根据所述扩展调度策略检验所述云原生平台的当前资源是否符合调度条件；
若是，则按照所述管理单元调度需求和所述扩展调度策略进行管理单元与计算引擎的绑定；
若否，则重新按照所述管理单元调度需求生成新的资源调度策略。
4.根据权利要求2所述的计算引擎编排方法，其特征在于，
所述按照所述管理单元调度需求和所述扩展调度策略进行管理单元与计算引擎的绑定，包括：
获取若干计算引擎组，其中，所述计算引擎组包括若干计算引擎；
基于所述管理单元调度需求和所述扩展调度策略获取计算引擎最小运行个数；
按照所述计算引擎最小运行个数，搜索对应的目标计算引擎组；
将所述目标计算引擎组的计算引擎和管理单元进行绑定。
5.根据权利要求2所述的计算引擎编排方法，其特征在于，
所述按照所述管理单元调度需求和所述当前资源调度策略进行管理单元与计算引擎的绑定，包括：
按照所述管理单元调度需求和所述当前资源调度策略选取一个管理单元与若干计算引擎进行绑定；
在选择的管理单元的节点资源填满后，选取另一个管理单元与其余计算引擎进行绑定。
6.根据权利要求1-5任一项所述的计算引擎编排方法，其特征在于，
所述按照所述管理单元调度需求和所述当前资源调度策略进行管理单元与计算引擎的绑定之前，所述计算引擎编排方法包括：
按照所述管理单元调度需求和所述当前资源调度策略从所述联邦学习平台拉取计算引擎的镜像。
7.一种基于云原生技术的联邦学习计算引擎编排方法，其特征在于，所述计算引擎编排方法应用于一种云原生平台，所述云原生平台至少包括API服务器、资源调度器；所述计算引擎编排方法包括：
所述API服务器获取联邦学习平台的计算引擎控制器下发的管理单元调度需求，其中，所述管理单元调度需求由所述联邦学习平台计算过程中发生改变的计算特性生成；
所述API服务器基于所述管理单元调度需求请求所述资源调度器；
所述资源调度器在所述当前资源调度策略满足所述管理单元调度需求的情况下，按照所述管理单元调度需求和所述当前资源调度策略进行管理单元与计算引擎的绑定，并将绑定信息返回所述联邦学习平台。
8.根据权利要求7所述的联邦学习计算引擎编排方法，其特征在于，所述云原生平台还包括调度器扩展模块；
所述联邦学习计算引擎编排方法还包括：
所述资源调度器在所述当前资源调度策略不满足所述管理单元调度需求的情况下，基于所述管理单元调度需求生成资源评估请求；
所述资源调度器将所述资源评估请求发送给所述调度器扩展模块；
所述调度器扩展模块按照所述资源评估请求以及所述当前资源调度策略，生成扩展调度策略；
所述资源调度器按照所述管理单元调度需求和所述扩展调度策略进行管理单元与计算引擎的绑定，并将绑定信息返回所述联邦学习平台。
9.根据权利要求7所述的联邦学习计算引擎编排方法，其特征在于，所述云原生平台还包括镜像制作模块；
所述按照所述管理单元调度需求和所述当前资源调度策略进行管理单元与计算引擎的绑定，包括：
所述镜像制作模块按照所述管理单元调度需求和所述当前资源调度策略从所述联邦学习平台拉取计算引擎的镜像；
所述资源调度器将拉取的计算引擎镜像与所述管理单元进行绑定。
10.一种基于云原生技术的联邦学习计算引擎编排方法，其特征在于，所述计算引擎编排方法应用于联邦学习系统，包括云原生平台和联邦学习平台；
所述联邦学习计算引擎编排方法包括：
所述联邦学习平台向所述云原生平台下发管理单元调度需求，其中，所述管理单元调度需求由所述联邦学习平台计算过程中发生改变的计算特性生成；
所述云原生平台基于所述管理单元调度需求对当前资源调度策略进行检验；
在所述当前资源调度策略满足所述管理单元调度需求的情况下，所述云原生平台按照所述管理单元调度需求和所述当前资源调度策略进行管理单元与计算引擎的绑定，并将绑定信息返回所述联邦学习平台。
11.一种电子设备，其特征在于，包括：
存储器，存储有计算机可读指令；
处理器，读取存储器存储的计算机可读指令，以执行权利要求1-10中的任一项所述的方法。
12.一种计算机可读存储介质，其特征在于，其上存储有计算机可读指令，当所述计算机可读指令被计算机的处理器执行时，使计算机执行权利要求1-10中的任一项所述的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211134191.1A CN115525425B (zh) | 2022-09-16 | 基于云原生技术的联邦学习计算引擎编排方法及其设备 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211134191.1A CN115525425B (zh) | 2022-09-16 | 基于云原生技术的联邦学习计算引擎编排方法及其设备 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN115525425A true CN115525425A (zh) | 2022-12-27 |
| CN115525425B CN115525425B (zh) | 2024-05-14 |
Family
ID=
Citations (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108809694A (zh) * | 2018-04-27 | 2018-11-13 | 广州西麦科技股份有限公司 | 业务编排方法、系统、装置与计算机可读存储介质 |
| US10262390B1 (en) * | 2017-04-14 | 2019-04-16 | EMC IP Holding Company LLC | Managing access to a resource pool of graphics processing units under fine grain control |
| CN110109686A (zh) * | 2019-04-25 | 2019-08-09 | 中电科嘉兴新型智慧城市科技发展有限公司 | 一种基于容器管理引擎的应用运维方法和系统 |
| CN110311831A (zh) * | 2019-06-14 | 2019-10-08 | 平安科技（深圳）有限公司 | 基于容器云的系统资源监控方法及相关设备 |
| US10437605B1 (en) * | 2017-08-04 | 2019-10-08 | Virtustream Ip Holding Company Llc | Configurable startup, shutdown, reboot and isolation for applications in cloud-based information processing systems |
| CN112269662A (zh) * | 2020-11-10 | 2021-01-26 | 广州汇量信息科技有限公司 | 面向公有云计算资源的调度方法、装置、设备及存储介质 |
| CN112417051A (zh) * | 2020-12-01 | 2021-02-26 | 腾讯科技（深圳）有限公司 | 容器编排引擎资源管理方法及装置、可读介质及电子设备 |
| CN113377540A (zh) * | 2021-06-15 | 2021-09-10 | 上海商汤科技开发有限公司 | 集群资源调度方法及装置、电子设备和存储介质 |
| CN113641311A (zh) * | 2021-10-18 | 2021-11-12 | 浩鲸云计算科技股份有限公司 | 一种基于本地盘的容器存储资源动态分配的方法和系统 |
| CN114675964A (zh) * | 2022-03-08 | 2022-06-28 | 杭州博盾习言科技有限公司 | 基于联邦决策树模型训练的分布式调度方法、系统及介质 |
| CN114968583A (zh) * | 2022-05-27 | 2022-08-30 | 中国电信股份有限公司 | 一种数据计算方法及边缘组网 |
Patent Citations (12)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US10262390B1 (en) * | 2017-04-14 | 2019-04-16 | EMC IP Holding Company LLC | Managing access to a resource pool of graphics processing units under fine grain control |
| US10437605B1 (en) * | 2017-08-04 | 2019-10-08 | Virtustream Ip Holding Company Llc | Configurable startup, shutdown, reboot and isolation for applications in cloud-based information processing systems |
| CN108809694A (zh) * | 2018-04-27 | 2018-11-13 | 广州西麦科技股份有限公司 | 业务编排方法、系统、装置与计算机可读存储介质 |
| CN110109686A (zh) * | 2019-04-25 | 2019-08-09 | 中电科嘉兴新型智慧城市科技发展有限公司 | 一种基于容器管理引擎的应用运维方法和系统 |
| CN110311831A (zh) * | 2019-06-14 | 2019-10-08 | 平安科技（深圳）有限公司 | 基于容器云的系统资源监控方法及相关设备 |
| CN112269662A (zh) * | 2020-11-10 | 2021-01-26 | 广州汇量信息科技有限公司 | 面向公有云计算资源的调度方法、装置、设备及存储介质 |
| CN114090240A (zh) * | 2020-11-10 | 2022-02-25 | 广州汇量网络科技股份有限公司 | 面向公有云计算资源的调度方法、装置、设备及存储介质 |
| CN112417051A (zh) * | 2020-12-01 | 2021-02-26 | 腾讯科技（深圳）有限公司 | 容器编排引擎资源管理方法及装置、可读介质及电子设备 |
| CN113377540A (zh) * | 2021-06-15 | 2021-09-10 | 上海商汤科技开发有限公司 | 集群资源调度方法及装置、电子设备和存储介质 |
| CN113641311A (zh) * | 2021-10-18 | 2021-11-12 | 浩鲸云计算科技股份有限公司 | 一种基于本地盘的容器存储资源动态分配的方法和系统 |
| CN114675964A (zh) * | 2022-03-08 | 2022-06-28 | 杭州博盾习言科技有限公司 | 基于联邦决策树模型训练的分布式调度方法、系统及介质 |
| CN114968583A (zh) * | 2022-05-27 | 2022-08-30 | 中国电信股份有限公司 | 一种数据计算方法及边缘组网 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US11146502B2 (en) | Method and apparatus for allocating resource | |
| CN109117252B (zh) | 基于容器的任务处理的方法、系统及容器集群管理系统 | |
| CN109582433B (zh) | 一种资源调度方法、装置、云计算系统及存储介质 | |
| EP3667500A1 (en) | Using a container orchestration service for dynamic routing | |
| CN112104723B (zh) | 一种多集群的数据处理系统及方法 | |
| US20140040893A1 (en) | Selecting provisioning targets for new virtual machine instances | |
| CN110569252B (zh) | 一种数据处理系统及方法 | |
| CN110083745B (zh) | 数据查询方法、设备和存储介质 | |
| EP3889776A1 (en) | Processing method and device for shared data and server | |
| CN106817432A (zh) | 云计算环境下虚拟资源弹性伸展的方法，系统和设备 | |
| WO2020215752A1 (zh) | 图计算方法及装置 | |
| CN108881379B (zh) | 一种服务器集群间数据同步的方法和装置 | |
| CN115048254B (zh) | 数据分配策略的仿真测试方法、系统、设备和可读介质 | |
| CN111078516A (zh) | 分布式性能测试方法、装置、电子设备 | |
| CN110083341A (zh) | 一种前端开发平台、前端开发方法及页面显示方法 | |
| JP6191695B2 (ja) | 仮想リソース制御システムおよび仮想リソース制御方法 | |
| CN115686805A (zh) | Gpu资源共享的方法和装置、调度gpu资源共享的方法和装置 | |
| Chen et al. | Latency minimization for mobile edge computing networks | |
| CN116450355A (zh) | 一种多集群模型训练方法、装置、设备及介质 | |
| CN111338834A (zh) | 数据存储方法和装置 | |
| CN107045452B (zh) | 虚拟机调度方法和装置 | |
| CN115361382B (zh) | 基于数据群组的数据处理方法、装置、设备和存储介质 | |
| CN115834600B (zh) | 一种多云纳管数据同步方法、装置、电子设备和存储介质 | |
| CN117056123A (zh) | 数据恢复方法、装置、介质及电子设备 | |
| CN115208900B (zh) | 基于区块链与博弈模型的多云架构云服务资源调度方法 |
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 |