CN116414556A - 基于冗余算力的异构嵌入式设备电力分配系统及方法 - Google Patents
基于冗余算力的异构嵌入式设备电力分配系统及方法 Download PDFInfo
- Publication number
- CN116414556A CN116414556A CN202211548729.3A CN202211548729A CN116414556A CN 116414556 A CN116414556 A CN 116414556A CN 202211548729 A CN202211548729 A CN 202211548729A CN 116414556 A CN116414556 A CN 116414556A
- Authority
- CN
- China
- Prior art keywords
- power distribution
- real
- time
- state
- hardware
- 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 50
- 238000000034 method Methods 0.000 title claims abstract description 38
- 238000012544 monitoring process Methods 0.000 claims abstract description 43
- 230000002787 reinforcement Effects 0.000 claims abstract description 12
- 238000005457 optimization Methods 0.000 claims abstract description 6
- 230000007613 environmental effect Effects 0.000 claims description 2
- 230000000737 periodic effect Effects 0.000 claims description 2
- 238000004064 recycling Methods 0.000 claims description 2
- 238000005728 strengthening Methods 0.000 abstract 1
- 238000013528 artificial neural network Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 238000010586 diagram Methods 0.000 description 2
- HPTJABJPZMULFH-UHFFFAOYSA-N 12-[(Cyclohexylcarbamoyl)amino]dodecanoic acid Chemical group OC(=O)CCCCCCCCCCCNC(=O)NC1CCCCC1 HPTJABJPZMULFH-UHFFFAOYSA-N 0.000 description 1
- 230000003044 adaptive effect Effects 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000005265 energy consumption Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000002474 experimental method 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]
- G06F9/5005—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
- G06F9/5044—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 hardware capabilities
-
- 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
- G06F9/5055—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 software capabilities, i.e. software resources associated or available to the machine
Landscapes
- Engineering & Computer Science (AREA)
- Software Systems (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Supply And Distribution Of Alternating Current (AREA)
Abstract
一种基于冗余算力的异构嵌入式设备电力分配系统及方法,包括:实时系统监测模块和实时电力分配模块,实时系统监测模块在嵌入式设备运行过程中监测回收其异构硬件中两类冗余算力以及监测嵌入式设备的实时状态;实时电力分配模块根据嵌入式设备的实时状态通过冗余算力运行强化学习辅助方法进行电力分配模型的学习调优和自适应的电力分配决策。本发明能够监测嵌入式设备任务周期运行过程中的两类未利用算力资源即冗余算力,并且利用两类冗余算力运行强化学习辅助的方法来完成电力分配决策,显著提高嵌入式设备的总体资源利用率和系统能效,保证电力分配的高实时性和自适应性。
Description
技术领域
本发明涉及的是一种电力分配领域的技术,具体是一种基于冗余算力的异构嵌入式设备电力分配系统及方法。
背景技术
现有异构嵌入式设备中运行着多样的边缘智能任务如自动驾驶,面临着更加复杂的软硬件特征与外部环境,同时也有着更加严峻的能耗和资源限制。现有的电力分配方案无法解决该类嵌入式设备对于高实时性和自适应性电力分配的要求,同时需要消耗额外的硬件算力进行电力分配决策。
发明内容
本发明针对现有技术存在的上述不足,提出一种基于冗余算力的异构嵌入式设备电力分配系统及方法,能够监测嵌入式设备任务周期运行过程中的两类未利用算力资源即冗余算力,并且利用两类冗余算力运行强化学习辅助的方法来完成电力分配决策,显著提高嵌入式设备的总体资源利用率和系统能效,保证电力分配的高实时性和自适应性。
本发明是通过以下技术方案实现的:
本发明涉及一种基于冗余算力的异构嵌入式设备电力分配系统,包括:实时系统监测模块和实时电力分配模块,其中:实时系统监测模块在嵌入式设备运行过程中监测回收其异构硬件中两类冗余算力以及监测嵌入式设备的实时状态;实时电力分配模块根据嵌入式设备的实时状态通过冗余算力运行强化学习辅助方法进行电力分配模型的学习调优和自适应的电力分配决策。
所述的实时系统监测模块包括:算力监测回收单元、软件状态监测单元、硬件状态监测单元以及环境状态监测单元,其中:算力监测回收单元根据嵌入式设备中三段式边缘智能应用执行时的开始结束信息,对于嵌入式设备的两类冗余算力进行标记并传递给实时电力分配模块,软件状态监测单元根据嵌入式设备中任务的实时特征信息,对于任务特征进行归纳并且传递给实时电力分配模块,硬件状态监测单元根据嵌入式设备中硬件单元的实时利用率信息,对于硬件状态进行归纳并且传递给实时电力分配模块,环境状态监测单元获取当前设备实时服务质量要求并且传递给实时电力分配模块。
所述的实时电力分配模块包括:模型调优单元和分配决策单元,其中:模型调优单元根据实时系统监测模块采集的软件、硬件与环境状态信息,利用纵向冗余算力对于电力分配模型进行调节优化,分配决策单元根据实时优化的电力分配模型,利用横向冗余算力对于下一周期的软件硬件电力分配设置做出决策。
所述的实时系统监测是指,对周期运行三段式边缘智能应用的嵌入式设备的冗余算力和系统状态进行监测。
所述的实时状态包括:软件、硬件和环境的实时状态,具体为:软件的状态包括系统中运行应用的卷积层数量SCONV、全连接层数量SFC和循环层数量SRC;硬件的状态包括计算单元SCom和内存单元SMem上一周期内的平均利用率;环境的状态包括当前周期的设备应用服务质量要求(QoS)SQoS。
所述的实时状态,优选综合为嵌入式设备状态六元组(SCONV,SFC,SRC,SCom,SMem,SQoS)。
所述的两类冗余算力是指:横向和纵向两类未利用算力资源,其中:横向冗余算力是由于软件应用感知-处理-决策三阶段周期运行过程中感知和决策阶段对于异构硬件利用率低产生的未利用算力资源;纵向冗余算力是由于软件应用处理阶段多个并行任务异步结束导致硬件在等待其他任务完成时产生的未利用算力资源。
所述的冗余算力运行强化学习辅助方法,利用纵向冗余算力进行电力分配模型的学习调优,利用横向冗余算力进行敏捷快速的电力分配决策,具体包括:
步骤1、计算上一周期内的奖励,结合该周期下的电力分配决策、嵌入式设备状态六元组和本周期内的嵌入式设备状态六元组,选择具有最大Q值的本周期内的电力分配决策。
步骤2、根据嵌入式设备状态六元组定位到Q值表格中包含对应状态,生成0-1随机数按照∈决策算法进行电力分配决策。
所述的电力分配模型是指利用历史执行数据建立的Q值表格(q(S,A)),其中:S为嵌入式设备状态六元组,A为可能采取的电力分配决策,Q(s,A)会计算得到相应Q值存储到电力分配模型中。所述的电力分配决策是指下一周期内计算单元和内存单元的电压/频率设置以及软件中各子任务的执行硬件和执行顺序设置。
技术效果
本发明通过异构嵌入式设备独有的横向纵向两类冗余算力优化电力分配的效率,可以对异构嵌入式设备实时运行的状态进行获取和分析,并利用冗余算力运行强化学习辅助的方法对于电力分配进行优化和决策,保证电力分配的高实时性和自适应性。与现有技术相比,本发明可以回收利用平均50%的冗余算力,并且利用冗余算力运行的智能电力分配系统提高嵌入式设备的能源效率平均达13%。
附图说明
图1为本发明流程图;
图2-3分别为实时系统监测和实时电力分配示意图;
图4-5为实施例效果示意图。
具体实施方式
如图1所示,为本实施例涉及一种基于上述系统的基于冗余算力的异构嵌入式设备电力分配方法,具体包括:
步骤1,通过实时系统监测模块获取嵌入式设备的冗余算力,即当嵌入式设备运行感知-处理-决策三段式边缘智能应用时,获取设备硬件的横向冗余算力和纵向冗余算力,具体为:监测系统软件运行感知与决策阶段的硬件使用情况,利用率低于5%将标记为横向冗余算力并且触发实时电力分配模块的任务,以及监测系统软件运行处理阶段时各个子任务的运行时间,在已无任务运行但是其他硬件单元的硬件利用率低于5%时将标记为纵向冗余算力并且触发实时电力分配模块的任务。
步骤2,实时系统监测模块获取系统的实时状态,即当嵌入式设备运行三段式边缘智能应用时,获取系统的软件层次、硬件层次和环境层次的实时状态,具体为:监测系统中运行任务的软件特征,统计应用的卷积层数量SCONV、全连接层数量SFC和循环层数量SRC,卷积层数量SCONV以30和50为界限分为低、中、高三个级别,全连接层数量SFC和循环层数量SRC以10为界限分为低、高两个级别,三者作为软件层次的系统状态;使用系统自带硬件监测接口jetson_stats对于上一周期中计算单元(包括CPU,GPU,DLA)利用率SCom和内存单元(包括Memory)利用率SMem进行记录,计算单元的利用率SCom和内存单元的利用率SMem以25%和75%为界限分为低、中、高三个级别,以及对于嵌入式设备所处的环境条件进行判别,从而获取应用当前的QoS要求SQoS,以100ms为界限分为低、高两个级别;将三个层次的实时状态综合为嵌入式设备状态六元组(SCONV,SFC,SRC,SCom,SMem,SQoS),表示系统当前的状态。
步骤3,实时电力分配模块利用冗余算力运行强化学习辅助的方法针对实时系统状态进行自适应的电力分配决策,即当实时系统监测模块获得设备当前横向纵向冗余算力情况和系统实时状态的六元组(SCONV,SFC,SRC,SCom,SMem,SQoS)后,进一步在冗余算力的硬件上根据系统实时状态运行强化学习辅助的电力分配模型调优和电力分配决策,具体包括:
3.1)实时电力分配模块的模型调优单元在纵向冗余算力提供的硬件空闲周期中进行电力分配模型的学习调优:计算上一周期内的奖励R,包括电力奖励Re和性能奖励Rl,Re为上一周期嵌入式设备电力消耗值,读取嵌入式设备硬件寄存器VDD_GPU_SOC+VDD_CPU_CV根据公式得到,其中:Tb为处理阶段的开始时间,Te为处理阶段的结束时间,Rl为上一周期软件应用处理阶段的时延数据Tb-Te;针对连续两条历史系统状态六元组S和S′以及在状态S下选择的电力分配决策A,将为S′选择具有最大Q值的A′,之后将按照Q(S,A)=Q(S,A)+α[R+γQ(S′,A′)-Q(S,A)]来更新Q值表格,其中:a为学习率,本实施例中设置为0.9,γ为衰减因子,本实施例中设置为0.1。
3.2)实时电力分配模块的分配决策单元在横向冗余算力提供的硬件空闲周期中进行敏捷的电力分配决策:根据系统状态六元组定位到Q值表格中包含对应状态,生成0-1随机数按照∈决策算法进行电力分配决策,即随机数小于∈时随机选择电力分配决策A,随机数大于等于∈时选择具有最大Q值的电力分配决策A,该模块中将∈设置为0.1。
经过实时电力分配,将实时系统监测模块获取的系统状态进行强化学习并且应用于下一周期的电力分配决策中,同时决策过程运行在实时系统监测模块获取的冗余算力中,节省了额外硬件资源的消耗。
经过实验,以英伟达Jetson嵌入式设备Orin为实验平台,CPU为八核ARM Cortex-A78,GPU为安培架构配备1792个CUDA核和56个tensor核,内存为32GB 256位LPDDR5,同时配备2个英伟达深度学习加速器(NVDLA)。实验边缘智能应用为SSD神经网络,YOLO神经网络和SRCNN神经网络,实验比较的基线是现有的启发式电力分配方案和智能电力分配方案,本发明可以利用嵌入式设备硬件冗余算力达80%,同时电力分配优化效果达40%。
与现有技术相比,本发明可以监测获取系统中未被利用的冗余算力用于实时自适应的电力分配决策,从而同时优化系统整体的资源利用率和能源效率。
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 (9)
1.一种基于冗余算力的异构嵌入式设备电力分配系统,其特征在于,包括:实时系统监测模块和实时电力分配模块,其中:实时系统监测模块在嵌入式设备运行过程中监测回收其异构硬件中两类冗余算力以及监测嵌入式设备的实时状态;实时电力分配模块根据嵌入式设备的实时状态通过冗余算力运行强化学习辅助方法进行电力分配模型的学习调优和自适应的电力分配决策;
所述的实时状态包括:软件、硬件和环境的实时状态,具体为:软件的状态包括系统中运行应用的卷积层数量SCONV、全连接层数量SFC和循环层数量SRC;硬件的状态包括计算单元SCom和内存单元SMem上一周期内的平均利用率;环境的状态包括当前周期的设备应用服务质量要求(QoS)SQoS;
所述的实时系统监测是指,对周期运行三段式边缘智能应用的嵌入式设备的冗余算力和系统状态进行监测。
2.根据权利要求1所述的基于冗余算力的异构嵌入式设备电力分配系统,其特征是,所述的实时系统监测模块包括:算力监测回收单元、软件状态监测单元、硬件状态监测单元以及环境状态监测单元,其中:算力监测回收单元根据嵌入式设备中三段式边缘智能应用执行时的开始结束信息,对于嵌入式设备的两类冗余算力进行标记并传递给实时电力分配模块,软件状态监测单元根据嵌入式设备中任务的实时特征信息,对于任务特征进行归纳并且传递给实时电力分配模块,硬件状态监测单元根据嵌入式设备中硬件单元的实时利用率信息,对于硬件状态进行归纳并且传递给实时电力分配模块,环境状态监测单元获取当前设备实时服务质量要求并且传递给实时电力分配模块。
3.根据权利要求1所述的基于冗余算力的异构嵌入式设备电力分配系统,其特征是,所述的实时电力分配模块包括:模型调优单元和分配决策单元,其中:模型调优单元根据实时系统监测模块采集的软件、硬件与环境状态信息,利用纵向冗余算力对于电力分配模型进行调节优化,分配决策单元根据实时优化的电力分配模型,利用横向冗余算力对于下一周期的软件硬件电力分配设置做出决策。
4.根据权利要求1-3中任一所述的基于冗余算力的异构嵌入式设备电力分配系统,其特征是,所述的实时状态,综合为嵌入式设备状态六元组(SCONV,SFC,SRC,SCom,SMem,SQoS)。
5.根据权利要求1或2所述的基于冗余算力的异构嵌入式设备电力分配系统,其特征是,所述的两类冗余算力是指:横向和纵向两类未利用算力资源,其中:横向冗余算力是由于软件应用感知-处理-决策三阶段周期运行过程中感知和决策阶段对于异构硬件利用率低产生的未利用算力资源;纵向冗余算力是由于软件应用处理阶段多个并行任务异步结束导致硬件在等待其他任务完成时产生的未利用算力资源。
6.根据权利要求1所述的基于冗余算力的异构嵌入式设备电力分配系统,其特征是,所述的冗余算力运行强化学习辅助方法,利用纵向冗余算力进行电力分配模型的学习调优,利用横向冗余算力进行敏捷快速的电力分配决策,具体包括:
步骤1、计算上一周期内的奖励,结合该周期下的电力分配决策、嵌入式设备状态六元组和本周期内的嵌入式设备状态六元组,选择具有最大Q值的本周期内的电力分配决策;
步骤2、根据嵌入式设备状态六元组定位到Q值表格中包含对应状态,生成0-1随机数按照∈决策算法进行电力分配决策。
7.根据权利要求1或3或6所述的基于冗余算力的异构嵌入式设备电力分配系统,其特征是,所述的电力分配模型是指利用历史执行数据建立的Q值表格(Q(S,A)),其中:S为嵌入式设备状态六元组,A为可能采取的电力分配决策,Q(S,A)会计算得到相应Q值存储到电力分配模型中,所述的电力分配决策是指下一周期内计算单元和内存单元的电压/频率设置以及软件中各子任务的执行硬件和执行顺序设置。
8.一种基于根据权利要求1-7中任一所述的基于冗余算力的异构嵌入式设备电力分配系统的的异构嵌入式设备电力分配方法,其特征在于,包括:
步骤1,通过实时系统监测模块获取嵌入式设备的冗余算力,即当嵌入式设备运行感知-处理-决策三段式边缘智能应用时,获取设备硬件的横向冗余算力和纵向冗余算力,具体为:监测系统软件运行感知与决策阶段的硬件使用情况,利用率低于5%将标记为横向冗余算力并且触发实时电力分配模块的任务,以及监测系统软件运行处理阶段时各个子任务的运行时间,在已无任务运行但是其他硬件单元的硬件利用率低于5%时将标记为纵向冗余算力并且触发实时电力分配模块的任务;
步骤2,实时系统监测模块获取系统的实时状态,即当嵌入式设备运行三段式边缘智能应用时,获取系统的软件层次、硬件层次和环境层次的实时状态,具体为:监测系统中运行任务的软件特征,统计应用的卷积层数量SCONV、全连接层数量SFC和循环层数量SRC,卷积层数量SCONV以30和50为界限分为低、中、高三个级别,全连接层数量SFC和循环层数量SRC以10为界限分为低、高两个级别,三者作为软件层次的系统状态;使用系统自带硬件监测接口jetson_stats对于上一周期中计算单元利用率SComm和内存单元利用率SMem进行记录,计算单元的利用率SCom和内存单元的利用率SMem以25%和75%为界限分为低、中、高三个级别,以及对于嵌入式设备所处的环境条件进行判别,从而获取应用当前的QoS要求SQoS,以100ms为界限分为低、高两个级别;将三个层次的实时状态综合为嵌入式设备状态六元组(SCONV,SFC,SRC,SCom,SMem,SQoS),表示系统当前的状态;
步骤3,实时电力分配模块利用冗余算力运行强化学习辅助的方法针对实时系统状态进行自适应的电力分配决策,即当实时系统监测模块获得设备当前横向纵向冗余算力情况和系统实时状态的六元组(SCONV,SFC,SRC,SCom,SMem,SQos)后,进一步在冗余算力的硬件上根据系统实时状态运行强化学习辅助的电力分配模型调优和电力分配决策。
9.根据权利要求8所述的异构嵌入式设备电力分配方法,其特征是,所述的步骤3,具体包括:
3.1)实时电力分配模块的模型调优单元在纵向冗余算力提供的硬件空闲周期中进行电力分配模型的学习调优:计算上一周期内的奖励R,包括电力奖励Re和性能奖励Rl,Re为上一周期嵌入式设备电力消耗值,读取嵌入式设备硬件寄存器VDD_GPU_SOC+VDD_CPU_CV根据公式得到,其中:Tb为处理阶段的开始时间,Te为处理阶段的结束时间,Rl为上一周期软件应用处理阶段的时延数据Tb-Te;针对连续两条历史系统状态六元组S和S′以及在状态S下选择的电力分配决策A,将为S′选择具有最大Q值的A′,之后将按照Q(S,A)=Q(S,A)+α[R+γQ(S′,A′)-Q(S,A)]来更新Q值表格,其中:α为学习率,γ为衰减因子;
3.2)实时电力分配模块的分配决策单元在横向冗余算力提供的硬件空闲周期中进行敏捷的电力分配决策:根据系统状态六元组定位到Q值表格中包含对应状态,生成0-1随机数按照∈决策算法进行电力分配决策,即随机数小于∈时随机选择电力分配决策A,随机数大于等于∈时选择具有最大Q值的电力分配决策A。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211548729.3A CN116414556B (zh) | 2022-12-05 | 2022-12-05 | 基于冗余算力的异构嵌入式设备电力分配系统及方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211548729.3A CN116414556B (zh) | 2022-12-05 | 2022-12-05 | 基于冗余算力的异构嵌入式设备电力分配系统及方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116414556A true CN116414556A (zh) | 2023-07-11 |
CN116414556B CN116414556B (zh) | 2024-01-30 |
Family
ID=87050390
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211548729.3A Active CN116414556B (zh) | 2022-12-05 | 2022-12-05 | 基于冗余算力的异构嵌入式设备电力分配系统及方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116414556B (zh) |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20040221038A1 (en) * | 2003-04-30 | 2004-11-04 | International Business Machines Corporation | Method and system of configuring elements of a distributed computing system for optimized value |
US7117390B1 (en) * | 2002-05-20 | 2006-10-03 | Sandia Corporation | Practical, redundant, failure-tolerant, self-reconfiguring embedded system architecture |
CN113268341A (zh) * | 2021-04-30 | 2021-08-17 | 国网河北省电力有限公司信息通信分公司 | 电网边缘计算任务的分配方法、装置、设备和存储介质 |
US20210385755A1 (en) * | 2020-06-03 | 2021-12-09 | At&T Intellectual Property I, L.P. | Facilitating real-time power optimization in advanced networks |
CN114202070A (zh) * | 2021-11-23 | 2022-03-18 | 国网北京市电力公司 | 电力数据处理方法、装置、非易失性存储介质及处理器 |
CN114219189A (zh) * | 2020-09-18 | 2022-03-22 | 西安诺瓦星云科技股份有限公司 | 任务处理方法和任务处理装置 |
CN114756352A (zh) * | 2022-04-29 | 2022-07-15 | 苏州浪潮智能科技有限公司 | 一种调度服务器计算资源的方法、装置及介质 |
CN115237581A (zh) * | 2022-09-21 | 2022-10-25 | 之江实验室 | 一种面向异构算力的多策略智能调度方法和装置 |
US20220350706A1 (en) * | 2019-11-19 | 2022-11-03 | Mitsubishi Heavy Industries, Ltd. | Computing device, redundant system, program, and method for constructing redundant configuration |
-
2022
- 2022-12-05 CN CN202211548729.3A patent/CN116414556B/zh active Active
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7117390B1 (en) * | 2002-05-20 | 2006-10-03 | Sandia Corporation | Practical, redundant, failure-tolerant, self-reconfiguring embedded system architecture |
US20040221038A1 (en) * | 2003-04-30 | 2004-11-04 | International Business Machines Corporation | Method and system of configuring elements of a distributed computing system for optimized value |
US20220350706A1 (en) * | 2019-11-19 | 2022-11-03 | Mitsubishi Heavy Industries, Ltd. | Computing device, redundant system, program, and method for constructing redundant configuration |
US20210385755A1 (en) * | 2020-06-03 | 2021-12-09 | At&T Intellectual Property I, L.P. | Facilitating real-time power optimization in advanced networks |
CN114219189A (zh) * | 2020-09-18 | 2022-03-22 | 西安诺瓦星云科技股份有限公司 | 任务处理方法和任务处理装置 |
CN113268341A (zh) * | 2021-04-30 | 2021-08-17 | 国网河北省电力有限公司信息通信分公司 | 电网边缘计算任务的分配方法、装置、设备和存储介质 |
CN114202070A (zh) * | 2021-11-23 | 2022-03-18 | 国网北京市电力公司 | 电力数据处理方法、装置、非易失性存储介质及处理器 |
CN114756352A (zh) * | 2022-04-29 | 2022-07-15 | 苏州浪潮智能科技有限公司 | 一种调度服务器计算资源的方法、装置及介质 |
CN115237581A (zh) * | 2022-09-21 | 2022-10-25 | 之江实验室 | 一种面向异构算力的多策略智能调度方法和装置 |
Non-Patent Citations (3)
Title |
---|
PEI-KUEI TSUNG等: "Heterogeneous Computing for Edge AI", 《》 2019 INTERNATIONAL SYMPOSIUM ON VLSI DESIGN, AUTOMATION AND TEST (VLSI-DAT) * |
吕天文;: "2013-2014年云计算市场深度分析", 电源世界, no. 12 * |
郭亮等: "异构AI算力操作平台的架构设计与优化策略", 《信息通信技术与政策》, vol. 22 * |
Also Published As
Publication number | Publication date |
---|---|
CN116414556B (zh) | 2024-01-30 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108182115B (zh) | 一种云环境下的虚拟机负载均衡方法 | |
US8402140B2 (en) | Methods and apparatus for coordinated energy management in virtualized data centers | |
Rong et al. | Extending the lifetime of a network of battery-powered mobile devices by remote processing: a markovian decision-based approach | |
CN109324875B (zh) | 一种基于强化学习的数据中心服务器功耗管理与优化方法 | |
CN109492774B (zh) | 一种基于深度学习的云资源调度方法 | |
CN109117255B (zh) | 基于强化学习的异构多核嵌入式系统能耗优化调度方法 | |
CN111813506B (zh) | 一种基于粒子群算法资源感知计算迁移方法、装置及介质 | |
Yi et al. | Toward efficient compute-intensive job allocation for green data centers: A deep reinforcement learning approach | |
Ozfatura et al. | Gradient coding with clustering and multi-message communication | |
WO2024060571A1 (zh) | 面向异构算力的多策略智能调度方法和装置 | |
CN111026548A (zh) | 一种逆向深度强化学习的电力通信设备测试资源调度方法 | |
Wu et al. | A deadline-aware estimation of distribution algorithm for resource scheduling in fog computing systems | |
CN102541622B (zh) | 一种负载相关的虚拟机放置方法 | |
CN110830560A (zh) | 一种基于强化学习的多用户移动边缘计算迁移方法 | |
US11775344B1 (en) | Training task queuing cause analysis method and system, device and medium | |
CN108228356A (zh) | 一种流数据的分布式动态处理方法 | |
CN116414556B (zh) | 基于冗余算力的异构嵌入式设备电力分配系统及方法 | |
CN117349026A (zh) | 一种用于aigc模型训练的分布式算力调度系统 | |
CN115145709B (zh) | 低碳大数据人工智能方法和医康养生态系统 | |
CN116996938A (zh) | 车联网任务卸载方法、终端设备及存储介质 | |
CN108073449B (zh) | 一种虚拟机动态放置方法 | |
CN104468379B (zh) | 基于最短逻辑距离的虚拟Hadoop集群节点选择方法及装置 | |
CN112052087B (zh) | 动态资源调整与迁移的深度学习训练系统及方法 | |
CN114461538A (zh) | 一种基于实时内容预测与历史资源占用的云计算应用内存管理方法 | |
Zou et al. | Hardware cost and energy consumption optimization for safety-critical applications on heterogeneous distributed embedded systems |
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 |