CN116302481A - 基于稀疏知识图谱链接预测的资源分配方法及系统 - Google Patents

基于稀疏知识图谱链接预测的资源分配方法及系统 Download PDF

Info

Publication number
CN116302481A
CN116302481A CN202310018597.1A CN202310018597A CN116302481A CN 116302481 A CN116302481 A CN 116302481A CN 202310018597 A CN202310018597 A CN 202310018597A CN 116302481 A CN116302481 A CN 116302481A
Authority
CN
China
Prior art keywords
resource
knowledge graph
load
configuration
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.)
Granted
Application number
CN202310018597.1A
Other languages
English (en)
Other versions
CN116302481B (zh
Inventor
李超
章晶明
张路
冷静文
过敏意
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.)
Shanghai Jiaotong University
Original Assignee
Shanghai Jiaotong University
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 Shanghai Jiaotong University filed Critical Shanghai Jiaotong University
Priority to CN202310018597.1A priority Critical patent/CN116302481B/zh
Priority claimed from CN202310018597.1A external-priority patent/CN116302481B/zh
Publication of CN116302481A publication Critical patent/CN116302481A/zh
Application granted granted Critical
Publication of CN116302481B publication Critical patent/CN116302481B/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]
    • G06F9/5005—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
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/30—Information retrieval; Database structures therefor; File system structures therefor of unstructured textual data
    • G06F16/36—Creation of semantic tools, e.g. ontology or thesauri
    • G06F16/367—Ontology
    • 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
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G06N3/084—Backpropagation, e.g. using gradient descent
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N5/00—Computing arrangements using knowledge-based models
    • G06N5/02—Knowledge representation; Symbolic representation
    • 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

Abstract

一种基于稀疏知识图谱链接预测的资源分配方法及系统，通过对集群待调度执行的负载进行分析得到在不同资源配置下任务的运行时间并离散化后构建并更新任务‑配置知识图谱，得到稀疏知识图谱；通过残差关系图神经网络对稀疏知识图谱进行表征学习，得到知识图谱中每个资源配置和负载节点和边的向量表征，再利用多通道三维卷积TransE算法(MCTE)对负载节点进行最适资源预测并根据预测得到的资源配置，为负载分配相应的资源和服务器。本发明能够对负载进行更高效的调度，更有效地保证任务的QoS以及提高数据中心的资源利用率。

Description

基于稀疏知识图谱链接预测的资源分配方法及系统
技术领域
本发明涉及的是一种资源配置领域的技术，具体是一种基于稀疏知识图谱链接预测的资源分配方法及系统。
背景技术
大部分的云数据中心资源使用量很低，一个值得注意的原因是用户往往会指定比任务真正所需资源高的多的资源量，极大地造成了资源的浪费。工业界主流的做法是对资源进行超发(例如三倍超发是指用户实际分配到的资源是指定资源的三分之一)，但是这种做法可能会严重违反对资源量指定合理的任务的服务质量(Quality of Service)。因此对任务真正需要的资源进行预测很有必要，这能很好地指导任务的部署，进而增大数据中心的资源利用率。现有方法无法利用额外先验信息，准确度不高；而且只能利用数据的一阶交互信息，模型的表达能力受限。
发明内容
本发明针对现有技术存在的上述不足，提出一种基于稀疏知识图谱链接预测的资源分配方法及系统，根据历史信息构成的知识先验和该负载在不同资源配置下的短时间的运行结果的新的知识做知识融合，进而通过知识图谱的表征学习和链接预测得到该负载所需的资源配置，从而对负载进行更高效的调度，更有效地保证任务的QoS以及提高数据中心的资源利用率。
本发明是通过以下技术方案实现的：
本发明涉及一种基于稀疏知识图谱链接预测的资源预估方法，通过对集群待调度执行的负载进行分析得到在不同资源配置下任务的运行时间并离散化后构建并更新任务-配置知识图谱，得到稀疏知识图谱；通过残差关系图神经网络对稀疏知识图谱进行表征学习，得到知识图谱中每个资源配置和负载节点和边的向量表征，再利用多通道三维卷积TransE算法(MCTE)对负载节点进行最适资源预测并根据预测得到的资源配置，为负载分配相应的资源和服务器。
所述的任务-配置知识图谱由实体-关系-实体组成的三元组结构化的语意知识库，用于迅速描述各个事物的概念及其相互关系，任务和配置通过若干关系连接，关系的值越大代表该任务在该配置下的运行效果越差，该任务-配置知识图谱通过以下方式进行更新：
i)新建一个负载节点；
ii)计算采样资源配置参数的可量化资源量，确定该资源量对应的资源配置节点；
iii)若无，新建一个资源配置节点；
iv)用离散化后的性能指标的数值确定负载节点和资源配置节点的边，具体地，有K种关系，设为{R1,R2,…,RK}，若离散化后的性能指标为1，则边为R1，以此类推。
所述的稀疏知识图谱表征学习是指：利用残差图神经网络更好地对稀疏知识图谱的点和边向量化，以便更好地进行知识推理。
所述的最适资源预测是指：针对每个负载节点，利用多通道三维卷积TransE算法对每一个资源配置节点找到概率值最大的关系，即该负载在该资源配置下的离散化性能。
所述的资源分配和部署运行是指：根据资源需求的预测结果，给任务找到满足需求的服务器并将任务映射到服务器上执行，常见的框架有Mesos、Omega等。
附图说明
图1为本发明流程图；
图2为实施例流程图；
图3为本发明任务-配置知识图谱结构示意图；
图4为本发明的残差关系图神经网络结构示意图；
图5为本发明的多关系图神经网络(MRGN)算法示意图。
具体实施方式
如图2所示，为本实施例涉及一种基于稀疏知识图谱链接预测的资源分配系统，包括：负载分析模块、知识图谱表征学习模块以及资源预测模块，其中：负载分析模块在集群中按照不同的资源配置运行任务并得到性能参数，更新任务-配置知识图谱；知识图谱表征学习模块利用残差图神经网络对任务-配置知识图谱进行表征学习；资源预测模块给每个资源进行打分进而选出最优的资源配置。
所述的负载分析模块包括：资源分配单元、负载执行单元和数据收集单元，其中：资源分配单元随机为负载分配两种资源配置；负载执行单元根据分配好的资源，按照负载特性并行运行任务直到任务进度率足以用来预估任务完成时间，预估任务在各种资源配置下的执行时间；数据收集单元根据收集到的时间数据进行离散化处理，得到任务到资源配置下的离散化性能指标，并更新在任务-配置知识图谱中。
所述的知识图谱表征学习模块包括：初始向量生成单元、嵌入单元和残差关系图神经网络单元，其中：初始向量生成单元为任务-配置知识图谱的点和边生成one-hot向量；嵌入单元通过矩阵将每个点和边的one-hot向量映射为向量；残差关系图神经网络根据知识图谱的结构、点和边的向量，进行邻居间节点信息聚合处理，得到最终的点和边的向量表征。
所述的资源预测模块包括：打分单元和最适资源预测单元，其中：打分单元根据如图5所示的MCTE打分神经网络，对负载和固定的关系和每个资源配置构成的三元组进行打分；最适资源预测单元根据各个资源配置的得分选出分数最高的资源配置作为预测出的最适资源配置。
本实施例涉及上述系统的基于知识图谱链接预测的资源分配方法，包括：
步骤1，负载分析模块对负载进行分析，得到在不同资源配置下任务的运行时间并离散化后加入任务-配置知识图谱，具体为：设置最高的资源配置参数并采样多种资源配置参数后，分别按负载特性运行任务直到任务进度率足以用来预估其完成时间时，收集性能指标并离散化处理后加入并更新如图3所示的任务-配置知识图谱。
所述的资源配置参数是指：负载运行环境的分析参数。例如，对于memcached这类任务来讲，主要参数为计算核、线程数，及内存大小。但是对于Hadoop这类任务，分析的参数即变成了每个节点的映射器、JVM堆大小、块大小、每个任务的内存、复制因子和是否压缩等。为了使得各种任务的资源配置分析参数一致，故将各种任务的分析参数统一成相同的可量化资源。
所述的可量化资源是指：计算核、内存、外存储和网络带宽。
所述的最高资源配置是指：能完全满足任务运行所需的资源配置，即任务不会因为资源受限而增长运行时间。
所述的多种资源配置参数是指：新到的负载在任务-配置知识图谱中相当于一个新的任务节点。为了得到该节点的向量表征，需要该节点与知识图谱其他配置节点有语义连接，故需要使该负载在多种资源配置下执行并收集运行结果。
具体地，当最高资源配置为m个核，n GB内存，p GB外存，q GB网络带宽，这里选用W种资源配置，每一种资源配置为最高资源配置资源量的一个百分比系数，系数由0-100的随机数生成。例如，假设系数为a，b，c，d，则该资源配置为[ma％]个核，[nb％]GB内存，[pc％]GB外存，[qd％]GB带宽。
所述的在多种资源配置下执行是指：任务按照W种资源配置生成W个副本，每个副本按照对应的资源配置并行执行至任务进度率足以用来预估其完成时间，由于该执行只是为了对负载进行分析，副本的存在时间很短，对系统影响较小。
所述的按负载特性运行任务直到任务进度率足以用来预估其完成时间是指：对于不同的负载类型设计不同的运行策略，例如对于memcached这类延迟敏感型任务只需运行5-10秒。但是对于Hadoop这类的负载，任务至少要运行到20％的完成度。
所述的性能指标是指：任务预期完成时间或者每秒请求数量(Query perSecond)，在这里的假设是负载为均匀分布。例如，运行了任务总量a％的运行时间是t，则认为任务运行的总时间是
Figure BDA0004040936760000041
所述的离散化是指：在拥有了最高资源配置参数下的性能指标Tmin的前提下，对于任一采样资源配置参数下的性能指标T，计算
Figure BDA0004040936760000042
并取整，设立阈值K，大于K的一律当作K处理，K越大越好，一般取10就足够。
步骤2，知识图谱表征模块通过残差关系图神经网络对任务-配置知识图谱进行表征学习，得到知识图谱中每个资源配置和负载节点和边的下向量表征。
所述的残差关系图神经网络充分聚合知识图谱的同时不至于出现过度平滑问题，缓解了任务-配置知识图谱的稀疏问题，能得到优质的负载和资源配置的节点表征，该残差关系图神经网络包括：信息传递单元、信息聚合单元、残差连接单元，其中：信息传递单元根据节点的邻居的个数以及种类，给邻居节点以向量的形式传递信息；信息聚合单元将邻居节点传递的信息聚合起来，以此更新原有向量表征；残差连接单元将节点的原始向量表征累加到更新后的节点向量表征上，抑制过度平滑问题。
所述的表征学习，具体包括：
2.1)初始化：将知识图谱的节点和边编码为one-hot向量。节点表征为hi∈H(维度为D),边表征为ej∈E(维度为P)。
2.2)节点信息聚合：l+1层的节点表征是由l层的节点表征聚合并和残差相加而来，具体为H(l+1)＝Aggregate(H(l),E)+H(l)，Aggregate函数为：
Figure BDA0004040936760000043
Figure BDA0004040936760000044
其中：/>
Figure BDA0004040936760000045
表示实体ei在关系rk下的邻居集合。σ为按元素的激活函数。f为具有可学习权重的函数。。
2.3)得到节点向量表征簇：根据图神经网络的层数重复2.2)一定次数，得到每个节点和边的多尺度embedding表征，即
Figure BDA0004040936760000047
步骤3，如图5所示，根据步骤2学习到的知识图谱的节点和边的向量表征，利用多通道三维卷积TransE算法(MCTE)对负载节点进行最适资源预测，具体包括：
3.1)三维矩阵生成：对每个节点和边而言，将步骤2学习到的向量表征组拼接到一起形成2D矩阵，将头实体和边的2D矩阵再拼接形成三维矩阵Ti,k。
3.2)前向传播：利用多组三维卷积核(卷积核记为Ω)，对三维矩阵进行前向计算得到多个2D矩阵，再将这些2D矩阵通过线性层得到最后的向量表征。将该向量和所有尾实体向量点乘计算点积并用sigmoid函数归一化，具体为：
Figure BDA0004040936760000046
其中：*是卷积运算符，W是参数矩阵，concat是向量拼接操作，σ是sigmoid激活函数，/>
Figure BDA0004040936760000051
是尾实体向量表征。
3.3)计算损失函数并反向传播训练神经网络：通道三维卷积TransE算法的损失函数为二分类的交叉熵损失函数
Figure BDA0004040936760000052
其中：/>
Figure BDA0004040936760000053
S代表任务-配置知识图谱。
3.4)对于每个负载确定一个不违反QoS的执行时间的阈值，将该阈值转化为知识图谱的关系(比如某负载确定的阈值是最优执行时间的两倍，则在知识图谱的关系就定为R2)后；根据步骤3.1)-3.3)得到每个资源配置在该负载和该关系下的得分，取得分最高的资源配置作为该负载的资源配置预测结果。
步骤4，分布式负载调度模块根据最适资源预测得到的资源配置，为负载分配相应的资源和服务器。
经过具体实际实验，在一台Intel Xeon Gold 6148的具有40个物理核、256GBDDR4内存的具体环境设置下，实验组按照本发明提出的资源分配方式搭配Hadoop固有的调度器，对照组是按照用户指定资源量的资源分配方式搭配Hadoop固有的调度器，实验分别在单批次任务、多批次任务、低延时要求服务三个场景中进行，实验结果表明，在三个场景中实验组的平均资源利用率相对对照组的提升分别是33％，41％，47％。
与现有技术相比，本方法通过构建大型任务-配置知识图谱的，利用先验知识对负载做较精确的资源需求预测，进而指导集群的资源分配，优化数据中心的资源利用率。
上述具体实施可由本领域技术人员在不背离本发明原理和宗旨的前提下以不同的方式对其进行局部调整，本发明的保护范围以权利要求书为准且不由上述具体实施所限，在其范围内的各个实现方案均受本发明之约束。

Claims (10)

1.一种基于稀疏知识图谱链接预测的资源预估方法，其特征在于，通过对集群待调度执行的负载进行分析得到在不同资源配置下任务的运行时间并离散化后构建并更新任务-配置知识图谱，得到稀疏知识图谱；通过残差关系图神经网络对稀疏知识图谱进行表征学习，得到知识图谱中每个资源配置和负载节点和边的向量表征，再利用多通道三维卷积TransE算法(MCTE)对负载节点进行最适资源预测并根据预测得到的资源配置，为负载分配相应的资源和服务器。
2.根据权利要求1所述的基于稀疏知识图谱链接预测的资源预估方法，其特征是，所述的任务-配置知识图谱由实体-关系-实体组成的三元组结构化的语意知识库，用于迅速描述各个事物的概念及其相互关系，任务和配置通过若干关系连接，关系的值越大代表该任务在该配置下的运行效果越差，该任务-配置知识图谱通过以下方式进行更新：
i)新建一个负载节点；
ii)计算采样资源配置参数的可量化资源量，确定该资源量对应的资源配置节点；
iii)若无，新建一个资源配置节点；
iv)用离散化后的性能指标的数值确定负载节点和资源配置节点的边，具体地，有K种关系{R1,R2,…,RK}，若离散化后的性能指标为1，则边为R1。
3.根据权利要求1所述的基于稀疏知识图谱链接预测的资源预估方法，其特征是，所述的稀疏知识图谱表征学习是指：利用残差图神经网络更好地对稀疏知识图谱的点和边向量化，以便更好地进行知识推理。
4.根据权利要求1所述的基于稀疏知识图谱链接预测的资源预估方法，其特征是，所述的最适资源预测是指：针对每个负载节点，利用多通道三维卷积TransE算法对每一个资源配置节点找到概率值最大的关系，即该负载在该资源配置下的离散化性能。
5.一种实现权利要求1-4中任一所述基于稀疏知识图谱链接预测的资源预估方法的资源分配系统，其特征在于，包括：负载分析模块、知识图谱表征学习模块以及资源预测模块，其中：负载分析模块在集群中按照不同的资源配置运行任务并得到性能参数，更新任务-配置知识图谱；知识图谱表征学习模块利用残差图神经网络对任务-配置知识图谱进行表征学习；资源预测模块给每个资源进行打分进而选出最优的资源配置。
6.根据权利要求5所述的资源分配系统，其特征是，所述的负载分析模块包括：资源分配单元、负载执行单元和数据收集单元，其中：资源分配单元随机为负载分配两种资源配置；负载执行单元根据分配好的资源，按照负载特性并行运行任务直到任务进度率足以用来预估任务完成时间，预估任务在各种资源配置下的执行时间；数据收集单元根据收集到的时间数据进行离散化处理，得到任务到资源配置下的离散化性能指标，并更新在任务-配置知识图谱中。
7.根据权利要求5所述的资源分配系统，其特征是，所述的知识图谱表征学习模块包括：初始向量生成单元、嵌入单元和残差关系图神经网络单元，其中：初始向量生成单元为任务-配置知识图谱的点和边生成one-hot向量；嵌入单元通过矩阵将每个点和边的one-hot向量映射为向量；残差关系图神经网络根据知识图谱的结构、点和边的向量，进行邻居间节点信息聚合处理，得到最终的点和边的向量表征。
8.根据权利要求5所述的资源分配系统，其特征是，所述的资源预测模块包括：打分单元和最适资源预测单元，其中：打分单元根据MCTE打分神经网络，对负载和固定的关系和每个资源配置构成的三元组进行打分；最适资源预测单元根据各个资源配置的得分选出分数最高的资源配置作为预测出的最适资源配置。
9.一种基于权利要求5-8中任一所述系统的基于知识图谱链接预测的资源分配方法，其特征在于，包括：
步骤1，负载分析模块对负载进行分析，得到在不同资源配置下任务的运行时间并离散化后加入任务-配置知识图谱，具体为：设置最高的资源配置参数并采样多种资源配置参数后，分别按负载特性运行任务直到任务进度率足以用来预估其完成时间时，收集性能指标并离散化处理后加入并更新任务-配置知识图谱；
步骤2，知识图谱表征模块通过残差关系图神经网络对任务-配置知识图谱进行表征学习，得到知识图谱中每个资源配置和负载节点和边的下向量表征；
步骤3，根据步骤2学习到的知识图谱的节点和边的向量表征，利用多通道三维卷积TransE算法(MCTE)对负载节点进行最适资源预测，具体包括：
3.1)三维矩阵生成：对每个节点和边而言，将步骤2学习到的向量表征组拼接到一起形成2D矩阵，将头实体和边的2D矩阵再拼接形成三维矩阵Ti,k；
3.2)前向传播：利用多组三维卷积核，对三维矩阵进行前向计算得到多个2D矩阵，再将这些2D矩阵通过线性层得到最后的向量表征；将该向量和所有尾实体向量点乘计算点积并用sigmoid函数归一化，具体为：
Figure FDA0004040936750000031
其中：卷积核为Ω，*是卷积运算符，W是参数矩阵，concat是向量拼接操作，σ是sigmoid激活函数，/>
Figure FDA0004040936750000032
是尾实体向量表征；
3.3)计算损失函数并反向传播训练神经网络：通道三维卷积TransE算法的损失函数为二分类的交叉熵损失函数
Figure FDA0004040936750000033
其中：
Figure FDA0004040936750000034
S代表任务-配置知识图谱；
3.4)对于每个负载确定一个不违反QoS的执行时间的阈值，将该阈值转化为知识图谱的关系后；根据步骤3.1)-3.3)得到每个资源配置在该负载和该关系下的得分，取得分最高的资源配置作为该负载的资源配置预测结果；
步骤4，分布式负载调度模块根据最适资源预测得到的资源配置，为负载分配相应的资源和服务器。
10.根据权利要求9所述的基于知识图谱链接预测的资源分配方法，其特征是，所述的表征学习，具体包括：
2.1)初始化：将知识图谱的节点和边编码为one-hot向量，维度为D的节点为hi∈H,维度为P的边为ej∈E；
2.2)节点信息聚合：l+1层的节点表征是由l层的节点表征聚合并和残差相加而来，具体为：H(l+1)＝Aggregate(H(l),E)+H(l)，其中：Aggregate函数为
Figure FDA0004040936750000035
Figure FDA0004040936750000036
Figure FDA0004040936750000037
表示实体ei在关系rk下的邻居集合，σ为按元素的激活函数，f为具有可学习权重的函数；
2.3)得到节点向量表征簇：根据图神经网络的层数重复步骤2.2)若干次后，得到每个节点和边的多尺度embedding表征，即
Figure FDA0004040936750000038
CN202310018597.1A 2023-01-06 基于稀疏知识图谱链接预测的资源分配方法及系统 Active CN116302481B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310018597.1A CN116302481B (zh) 2023-01-06 基于稀疏知识图谱链接预测的资源分配方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310018597.1A CN116302481B (zh) 2023-01-06 基于稀疏知识图谱链接预测的资源分配方法及系统

Publications (2)

Publication Number Publication Date
CN116302481A true CN116302481A (zh) 2023-06-23
CN116302481B CN116302481B (zh) 2024-05-14

Family

ID=

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117135046A (zh) * 2023-10-26 2023-11-28 北京中企慧云科技有限公司 基于节点关联度的目标资源配置方法、装置、设备和介质

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112328399A (zh) * 2020-11-17 2021-02-05 中国平安财产保险股份有限公司 一种集群资源调度方法、装置、计算机设备及存储介质
US20220114456A1 (en) * 2020-10-09 2022-04-14 Visa International Service Association Method, System, and Computer Program Product for Knowledge Graph Based Embedding, Explainability, and/or Multi-Task Learning
WO2022171083A1 (zh) * 2021-02-10 2022-08-18 中国移动通信有限公司研究院 基于物联网设备的信息处理方法、相关设备及存储介质
WO2022236834A1 (en) * 2021-05-14 2022-11-17 Alipay (Hangzhou) Information Technology Co., Ltd. Method and system for scheduling tasks
CN115526316A (zh) * 2022-09-05 2022-12-27 电子科技大学 一种结合图神经网络的知识表示和预测方法

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20220114456A1 (en) * 2020-10-09 2022-04-14 Visa International Service Association Method, System, and Computer Program Product for Knowledge Graph Based Embedding, Explainability, and/or Multi-Task Learning
CN112328399A (zh) * 2020-11-17 2021-02-05 中国平安财产保险股份有限公司 一种集群资源调度方法、装置、计算机设备及存储介质
WO2022171083A1 (zh) * 2021-02-10 2022-08-18 中国移动通信有限公司研究院 基于物联网设备的信息处理方法、相关设备及存储介质
WO2022236834A1 (en) * 2021-05-14 2022-11-17 Alipay (Hangzhou) Information Technology Co., Ltd. Method and system for scheduling tasks
CN115526316A (zh) * 2022-09-05 2022-12-27 电子科技大学 一种结合图神经网络的知识表示和预测方法

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
CHAO LI ET.AL: "Excavating the Potential of Graph Workload on RDMA-based Far Memory Architecture", 《2022 IEEE INTERNATIONAL PARALLEL AND DISTRIBUTED PROCESSING SYMPOSIUM (IPDPS)》, pages 1 - 11 *
ZACHARY ZHOU ET.AL: "Low Resource Quadratic Forms for Knowledge Graph Embeddings", 《PROCEEDINGS OF THE 2ND WORKSHOP ON SIMPLE AND EFFICIENT NATURAL LANGUAGE PROCESSING》, pages 1 - 10 *
阮利 等: "基于可解释基拆解和知识图谱的深度神经网络可视化", 《计算机学报》, vol. 44, no. 9, pages 1787 - 1805 *

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117135046A (zh) * 2023-10-26 2023-11-28 北京中企慧云科技有限公司 基于节点关联度的目标资源配置方法、装置、设备和介质
CN117135046B (zh) * 2023-10-26 2024-01-12 北京中企慧云科技有限公司 基于节点关联度的目标资源配置方法、装置、设备和介质

Similar Documents

Publication Publication Date Title
CN110365753B (zh) 基于边缘计算的物联网服务低时延负载分配方法及装置
US9705816B2 (en) Method and apparatus for allocating resource reflecting adaptive evaluation in cloud computing for high-throughput computing
CN112839382B (zh) 一种车联网中视频语义驱动的通信和计算资源联合分配方法
CN112764936B (zh) 基于深度强化学习的边缘计算服务器信息处理方法及装置
CN108270805B (zh) 用于数据处理的资源分配方法及装置
CN111079899A (zh) 神经网络模型压缩方法、系统、设备及介质
CN113037877B (zh) 云边端架构下时空数据及资源调度的优化方法
WO2020228378A1 (zh) 一种确定数据库的配置参数的方法及装置
CN110347515B (zh) 一种适合边缘计算环境的资源优化分配方法
CN116662010B (zh) 基于分布式系统环境下的动态资源分配方法及系统
Kaur et al. Dynamic resource allocation for big data streams based on data characteristics (5 V s)
CN114327811A (zh) 一种任务调度方法、装置、设备及可读存储介质
CN115952832A (zh) 自适应模型量化方法及装置、存储介质及电子装置
CN114329233A (zh) 一种跨区域跨评分协同过滤推荐方法及系统
CN116644804B (zh) 分布式训练系统、神经网络模型训练方法、设备和介质
CN116302481B (zh) 基于稀疏知识图谱链接预测的资源分配方法及系统
CN114650321A (zh) 用于边缘计算的任务调度方法及边缘计算终端
CN106445680B (zh) 基于综合效用的计算单元迁移方法
CN112380006A (zh) 一种数据中心资源分配方法及装置
CN116915869A (zh) 基于云边协同的时延敏感型智能服务快速响应方法
CN116302481A (zh) 基于稀疏知识图谱链接预测的资源分配方法及系统
CN111209105A (zh) 扩容处理方法、装置、设备及可读存储介质
CN108268982B (zh) 一种大规模有源配电网分解策略评价方法和装置
CN115081609A (zh) 一种智能决策中的加速方法、终端设备及存储介质
CN114281527A (zh) 一种低复杂度的移动边缘计算资源分配方法

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