CN116932199A - 云渲染方法、系统、装置、设备以及计算机存储介质 - Google Patents
云渲染方法、系统、装置、设备以及计算机存储介质 Download PDFInfo
- Publication number
- CN116932199A CN116932199A CN202211527866.9A CN202211527866A CN116932199A CN 116932199 A CN116932199 A CN 116932199A CN 202211527866 A CN202211527866 A CN 202211527866A CN 116932199 A CN116932199 A CN 116932199A
- Authority
- CN
- China
- Prior art keywords
- rendering
- force
- calculation
- computing
- cloud
- 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
- 238000009877 rendering Methods 0.000 title claims abstract description 425
- 238000000034 method Methods 0.000 title claims abstract description 68
- 238000003860 storage Methods 0.000 title claims description 11
- 238000004364 calculation method Methods 0.000 claims abstract description 224
- 238000009826 distribution Methods 0.000 claims description 83
- 238000004422 calculation algorithm Methods 0.000 claims description 71
- 239000002245 particle Substances 0.000 claims description 33
- 238000005457 optimization Methods 0.000 claims description 27
- 230000002068 genetic effect Effects 0.000 claims description 25
- 238000012545 processing Methods 0.000 claims description 23
- 210000000349 chromosome Anatomy 0.000 claims description 21
- 238000004891 communication Methods 0.000 claims description 19
- 238000002922 simulated annealing Methods 0.000 claims description 15
- 230000032683 aging Effects 0.000 claims description 14
- 239000003016 pheromone Substances 0.000 claims description 12
- 230000001550 time effect Effects 0.000 claims description 8
- 230000002776 aggregation Effects 0.000 claims description 7
- 238000004220 aggregation Methods 0.000 claims description 7
- 238000000137 annealing Methods 0.000 claims description 3
- 230000008569 process Effects 0.000 description 16
- 238000007726 management method Methods 0.000 description 10
- 230000006870 function Effects 0.000 description 9
- 230000004931 aggregating effect Effects 0.000 description 6
- 238000010276 construction Methods 0.000 description 6
- 238000010586 diagram Methods 0.000 description 6
- 239000000463 material Substances 0.000 description 5
- 241000257303 Hymenoptera Species 0.000 description 4
- 238000004590 computer program Methods 0.000 description 4
- 238000013507 mapping Methods 0.000 description 3
- 230000002452 interceptive effect Effects 0.000 description 2
- 239000002071 nanotube Substances 0.000 description 2
- 238000013468 resource allocation Methods 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 230000009466 transformation Effects 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 210000004027 cell Anatomy 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000001816 cooling Methods 0.000 description 1
- 230000007423 decrease Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000005538 encapsulation Methods 0.000 description 1
- 210000001503 joint Anatomy 0.000 description 1
- 230000009191 jumping Effects 0.000 description 1
- 230000035772 mutation Effects 0.000 description 1
- 238000004806 packaging method and process Methods 0.000 description 1
- 108090000623 proteins and genes Proteins 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 238000011426 transformation method Methods 0.000 description 1
- 230000001131 transforming effect Effects 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
- 239000002699 waste material Substances 0.000 description 1
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
- 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
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Software Systems (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明实施例涉及云渲染技术领域,公开了一种云渲染方法,该方法包括:确定云渲染任务对应的用户属性和渲染需求;根据用户属性、渲染需求以及预设的算力资源池中的当前可用算力信息对当前可用算力进行算力调度,得到云渲染任务对应的目标算力的信息;通过目标算力对云渲染任务进行渲染处理。通过上述方式,本发明实施例实现了对多种算力进行整合并动态调度至与算力类型匹配的用户需求,提升了用户的云渲染体验。
Description
技术领域
本发明实施例涉及云渲染技术领域,具体涉及一种云渲染方法、系统、装置、设备以及计算机存储介质。
背景技术
随着用户对渲染算力的需求量的日益增加,渲染农场(Render Farm)应运而生,渲染农场也叫集群渲染或者分布式渲染,是一种分布式并行集群计算系统,工作原理是将渲染任务分配给多个计算节点完成,分而治之。发明人发现:现有的渲染农场建设类型单一。单个云渲染服务厂商不仅资源量有限,并且技术栈相对单一,无法满足多类用户的多样化的云渲染需求。因此,需要一种能够更加动态和智能地进行资源调度从而在资源消耗代价更少以及调度更快的情况下更好地满足用户的多样化的云渲染需求的云渲染方法。
发明内容
鉴于上述问题,本发明实施例提供了一种云渲染方法、系统、装置、设备以及计算机存储介质,用于解决现有技术中存在的用户云渲染体验不佳的问题。
根据本发明实施例的一个方面,提供了一种云渲染方法,所述方法包括:
确定云渲染任务对应的用户属性和渲染需求;
根据所述用户属性、渲染需求以及预设的算力资源池中的当前可用算力信息对当前可用算力进行算力调度,得到所述云渲染任务对应的目标算力的信息;
通过所述目标算力对所述云渲染任务进行渲染处理。
在一种可选的方式中,所述云渲染任务的数量为多个;所述算力资源池中包括多种算力资源;所述当前可用算力信息包括所述当前可用算力的算力类型以及可用数量;所述方法还包括:
针对各个所述云渲染任务,根据所述用户属性和渲染需求确定所述云渲染任务的预分配算力信息;
根据所述当前可用算力的算力类型以及所述可用数量对所述预分配算力信息进行调整,得到各个所述云渲染任务分别对应的所述目标算力的信息。
在一种可选的方式中,所述方法还包括:
根据蚁群算法对多个可选算力分配方案进行并行式搜索,得到所有所述云渲染任务对应的初始算力分配方案;其中,所述蚁群算法中的路径表征所述可选算力分配方案;所述路径的信息素量根据所述可选算力分配方案对于所述用户属性和所述渲染需求的满足程度确定;
根据遗传优化算法对所述初始算力分配方案进行优化,得到各个所述云渲染任务分别对应的预分配算力信息。
在一种可选的方式中,所述方法还包括:
根据所述初始算力分配方案确定所述遗传优化算法中的初始种群;所述初始种群中包括多个染色体;一个染色体对应于一种所有所述云渲染任务对应的可选算力分配方案;
对所述初始种群进行迭代式遗传优化,得到适应度最优的染色体;其中,所述适应度根据所述染色体对应的可选算力分配方案对于所述用户属性和所述渲染需求的满足程度以及所有所述云渲染任务的算力分配完成时间确定;
根据所述适应度最优的染色体确定各个所述云渲染任务分别对应的预分配算力信息。
在一种可选的方式中,所述方法还包括:
通过粒子群算法对所述预分配算力信息进行调整,得到各个所述云渲染任务对应的最优分配算力类型以及所述最优分配算力类型对应的最优分配算力数量;其中,所述粒子群算法中的粒子的位置对应于一个当前算力分配方案;所述当前算力分配方案根据所述当前可用算力的算力类型以及所述可用数量确定;所述粒子的适应度根据所述位置对应的当前算力分配方案对于所述用户属性和所述渲染需求的满足程度以及所有所述云渲染任务的算力分配完成时间确定;
根据模拟退火算法对所述各个所述云渲染任务对应的最优分配算力类型以及所述最优分配算力类型对应的最优分配算力数量进行退火处理,得到所述目标算力的目标算力类型以及目标算力数量。
在一种可选的方式中,所述用户属性包括用户偏好类型、用户权重;所述渲染需求包括任务大小、渲染时效需求;所述用户偏好类型包括费用偏好型、渲染精度偏好型、时延偏好型用户以及渲染时效偏好型;所述方法还包括:
针对各个所述当前算力分配方案,根据所述当前可用算力的算力类型确定所述当前可用算力的算力时效特征、算力费用特征以及算力精度特征;
根据算力时效特征、算力费用特征以及算力精度特征与所述用户偏好类型、用户权重、任务大小以及渲染时效需求的匹配结果确定所述满足程度。
根据本发明实施例的另一方面,提供了一种云渲染系统,所述系统应用于前述任一项所述的方法实施例;包括:
所述系统包括渲染服务模块、渲染管理模块、资源调度模块以及资源聚合模块;
其中,所述资源聚合模块用于对多种算力资源进行整合,得到所述算力资源池;
所述渲染服务模块用于获取所述云渲染任务,将所述云渲染任务发送至所述资源调度模块;
所述资源调度模块用于确定云渲染任务对应的用户属性和渲染需求以及获取所述当前可用算力信息;
所述资源调度模块还用于根据所述用户属性、渲染需求、所述当前可用算力信息对当前可用算力进行算力调度,得到所述云渲染任务对应的目标算力的信息;
所述资源调度模块还用于将所述目标算力的信息发送至所述渲染管理模块;
所述渲染管理模块用于根据所述目标算力的信息下发所述目标算力至所述渲染服务模块;
所述渲染服务模块用于通过所述目标算力对所述云渲染任务进行渲染处理。
根据本发明实施例的另一方面,提供了一种云渲染装置,包括:
确定模块,用于确定云渲染任务对应的用户属性和渲染需求;
调度模块,用于根据所述用户属性、渲染需求以及预设的算力资源池中的当前可用算力信息对当前可用算力进行算力调度,得到所述云渲染任务对应的目标算力的信息;
处理模块,用于通过所述目标算力对所述云渲染任务进行渲染处理。
根据本发明实施例的另一方面,提供了一种云渲染设备,包括:处理器、存储器、通信接口和通信总线,所述处理器、所述存储器和所述通信接口通过所述通信总线完成相互间的通信;
所述存储器用于存放至少一可执行指令,所述可执行指令使所述处理器执行如前述任意一项所述的云渲染方法实施例的操作。
根据本发明实施例的又一方面,提供了一种计算机可读存储介质,所述存储介质中存储有至少一可执行指令,所述可执行指令使云渲染设备执行前述任意一项所述的云渲染方法实施例的操作。
本发明实施例首先确定云渲染任务对应的用户属性和渲染需求,其中,用户属性用于表征用户的算力偏好类型以及用户的算力分配优先级,算力偏好类型包括高精度算力、低时延算力或低费用算力等,算力分配优先级可以根据用户是否为付费用户等确定,渲染需求用于表征与渲染算力类型相关的需求,如精度需求、费用需求以及时延需求等;在根据所述用户属性、渲染需求以及预设的算力资源池中的当前可用算力信息对当前可用算力进行算力调度,得到所述云渲染任务对应的目标算力的信息;其中,算力资源池可以是通过对多种类型的社会面的闲散算力资源进行聚合后得到的,在进行算力调度时,可以通过将用户属性、渲染需求与当前可用算力的算力类型进行匹配,得到最适合用户的目标算力,最后通过所述目标算力对所述云渲染任务进行渲染处理,能够提高用户的云渲染体验,并且能够提高算力的资源利用率。
上述说明仅是本发明实施例技术方案的概述,为了能够更清楚了解本发明实施例的技术手段,而可依照说明书的内容予以实施,并且为了让本发明实施例的上述和其它目的、特征和优点能够更明显易懂,以下特举本发明的具体实施方式。
附图说明
附图仅用于示出实施方式,而并不认为是对本发明的限制。而且在整个附图中,用相同的参考符号表示相同的部件。在附图中:
图1示出了现有的渲染农场的结构示意图;
图2示出了本发明实施例提供的云渲染方法的流程示意图;
图3示出了本发明实施例提供的云渲染系统的结构示意图;
图4示出了本发明实施例提供的云渲染装置的结构示意图;
图5示出了本发明实施例提供的云渲染设备的结构示意图。
具体实施方式
下面将参照附图更详细地描述本发明的示例性实施例。虽然附图中显示了本发明的示例性实施例,然而应当理解,可以以各种形式实现本发明而不应被这里阐述的实施例所限制。
相关技术说明:
蚁群算法:针对具体任务设置多只蚂蚁并行搜索分配方案,每只蚂蚁完成搜索后,在路径上标识信息素,信息素量与解的质量成正比。若每条路径上的信息素越大,蚂蚁选择该路径的概率也越大,达到预定的迭代次数,或出现停滞现象(所有蚂蚁都选择同样的路径,解不再变化)则算法结束,以当前最优解作为问题的最优解。
遗传算法:首先进行基因编码,以将候选解用染色体表示,实现解空间向编码空间的映射过程,如可以用0和1组成的数字串模拟染色体;再将种群初始化,将编码集合为一个初始群体;然后进行进化计算,通过选择、交叉、变异,产生出代表新的解集的群体;最后解码,末代种群中的最优个体经过解码实现从编码空间向解空间的映射,将结果作为问题的近似最优解。
粒子群算法:每一个粒子的位置代表了待求问题的一个候选解。每一个粒子的位置在空间内的好坏由该粒子的位置在待求问题中的适应度值决定。每一个粒子在下一代的位置有其在这一代的位置与其自身的速度矢量决定,其速度决定了粒子每次飞行的方向和距离。在飞行过程中,粒子会记录下自己所到过的最优位置P,群体也会更新群体所到过的最优位置G。粒子的飞行速度则由其当前位置、粒子自身所到过的最优位置、群体所到过的最优位置以及粒子此时的速度共同决定。
模拟退火算法:从某一较高初温出发,伴随温度参数的不断下降,结合概率突跳特性在解空间中随机寻找目标函数的全局最优解,即在局部最优解能概率性地跳出并最终趋于全局最优。模拟退火算法是通过赋予搜索过程一种时变且最终趋于零的概率突跳性,从而可有效避免陷入局部极小并最终趋于全局最优的串行结构的优化算法。
模拟退火的基本思想:(1)初始化:初始温度T(充分大),初始解状态S(是算法迭代的起点),每个T值的迭代次数L
(2)对k=1,…,L做第(3)至第6步:
(3)产生新解S′
(4)计算增量ΔT=C(S′)-C(S),其中C(S)为目标函数,C(S)相当于能量
(5)若ΔT<0则接受S′作为新的当前解,否则以概率exp(-ΔT/T)接受S′作为新的当前解.
(6)如果满足终止条件则输出当前解作为最优解,结束程序。
(7)T逐渐减少,且T->0,然后转第2步。
模拟退火算法新解的产生和接受可分为如下四个步骤:
第一步是由一个产生函数从当前解产生一个位于解空间的新解;为便于后续的计算和接受,减少算法耗时,通常选择由当前新解经过简单地变换即可产生新解的方法,如对构成新解的全部或部分元素进行置换、互换等,注意到产生新解的变换方法决定了当前新解的邻域结构,因而对冷却进度表的选取有一定的影响。
第二步是计算与新解所对应的目标函数差。因为目标函数差仅由变换部分产生,所以目标函数差的计算最好按增量计算。事实表明,对大多数应用而言,这是计算目标函数差的最快方法。
第三步是判断新解是否被接受,判断的依据是一个接受准则,最常用的接受准则是Metropolis准则:若ΔT<0则接受S′作为新的当前解S,否则以概率P接受S′作为新的当前解S。
第四步是当新解被确定接受时,用新解代替当前解,这只需将当前解中对应于产生新解时的变换部分予以实现,同时修正目标函数值即可。此时,当前解实现了一次迭代。可在此基础上开始下一轮试验。而当新解被判定为舍弃时,则在原当前解的基础上继续下一轮试验。
在进行本发明实施例的说明之前,对现有技术以及其存在的问题进行进一步说明:
从渲染行业的发展现状来看,渲染需求量在变大,不管是离线渲染还是实时渲染,分辨率从2K、3K发展到4K、6K,最新的佳能EOS R5相机已支持8K拍照,高分辨率正在逐渐成为主流,对渲染算力的需求量也越来越大。
在大多场景下,过去使用的图形工作站的单机渲染模式,早已无法满足用户对渲染时效的需求。在这种情况下,渲染农场(Render Farm)应运而生,一般由专业渲染服务厂商建设,按核时租赁给用户使用。渲染农场也叫集群渲染或者分布式渲染,是一种分布式并行集群计算系统,工作原理是将渲染任务分配给多个计算节点完成,分而治之。
渲染农场除了自建,一般由专业的云渲染服务厂商建设并运营。用户使用过程如图1所示,用户提交渲染素材,渲染平台会自动下发到各渲染节点,最后将渲染完成的图片、视频存放在平台上提醒用户下载获取。相较于用户建设私有化的数据中心,可以解决单个用户的渲染业务存在的波动性影响,防止出现业务闲暇时资源浪费或者业务繁忙时资源不够用的情况。
因此,现有技术至少存在以下问题:
1、渲染农场建设类型单一。单个云渲染服务厂商不仅资源量有限,并且技术栈相对单一,无法满足多类用户的多样化需求。例如,渲染费用偏好型用户、渲染精度偏好型用户、渲染时延偏好型用户以及渲染时效偏好型用户对渲染农场的建设要求均不一样,需提供多样的基础计算资源。
2、资源扩展受限。理论上说CPU(central processing unit,中央处理器)数量越大,渲染时间越短,它们成反比关系。例如,一个任务由N个CPU完成,假设1个CPU(N=1)完成此任务所需要的时间T为1,则n个CPU的效率是1个CPU效率的N倍,然而事实上,动画渲染花费的时间和CPU的数量并非成线性反比。当计算节点到某个数量级别时,简单地增加CPU数量或者计算节点,无法有效地提高渲染的效率。CPU个数达到一定数量后系统效率不但不增加,还有可能减少。造成这种问题的瓶颈主要在于通信(不止网络通信,还包括PC内部CPU、内存和硬盘之间的通信)和软件的算法。因此渲染农场不可能无限制地增加节点。
综上,传统的渲染使用场景中需要用户先指定渲染平台,然后在该平台选择资源空闲的渲染节点,上传场景工程,配置渲染参数,再由渲染平台进行渲染。当渲染任务规模小时,用户尚可在有限的范围内选择合适的渲染节点。但是在面对规模庞大的渲染任务时,单一渲染平台无法满足客户需求。
因此,需要一种渲染算力类型更丰富,更能匹配用户的多样化渲染需求的云渲染方法。
图2示出了本发明实施例提供的云渲染方法的流程图,该方法由计算机处理设备执行。该计算机处理设备可以包括手机、笔记本电脑等。如图2所示,该方法包括以下步骤:
步骤10:确定云渲染任务对应的用户属性和渲染需求。
具体地,云渲染任务可以是用户通过预设的渲染平台发送的,用于对图片等素材进行渲染。用户属性包括用户身份信息,根据用户身份信息可以确定用户的算力偏好类型以及用户权重,其中,算力偏好类型用于表征用户对于渲染体验的偏好,如偏好低费用的算力或偏好高精度的算力或偏好低时延的算力等。用户权重用于表征用户的算力分配优先级,其中,算力分配优先级可以根据用户的历史渲染付费情况以及用户是否为付费的VIP用户等确定,用户的历史渲染付费越多,或者用户为VIP用户,则其对应的用户权重越大,越优先满足其对应的渲染需求。渲染需求包括完成渲染任务的技术参数,如待渲染的素材的类型以及数量、渲染所需的算力类型以及数量,以及渲染体验相关的需求,如渲染精度、渲染时延等。
步骤20:根据所述用户属性、渲染需求以及预设的算力资源池中的当前可用算力信息对当前可用算力进行算力调度,得到所述云渲染任务对应的目标算力的信息。
具体地,可以首先根据用户属性以及渲染需求确定云渲染任务对应的任务处理优先级,根据该任务处理优先级确定预分配至该任务的算力信息,如预分配的算力数量。再根据当前算力资源池中的当前可用算力信息的实际情况对预分配算力信息进行调整,得到云渲染任务对应的目标算力的信息,如目标算力的类型以及数量。
其中,预设的算力资源池可以是对多种渲染算力资源进行聚合后得到的,多种渲染算力资源可以包括多种层面的多种算力,如物理空间上的多种算力,将跨区域建设的算力枢纽,以及区域内多层次的算力资源进行融合,满足不同区域、不同层级的算力资源。还可以是逻辑空间上的算力,如将中心云、边缘计算以及端算力进行融合,从而使得算力资源池能够满足低时延、数据不出园区等业务需求,可选的,还可以是异构空间上的算力,如将多样化的异构算力进行融合,得到多样化算力。通过构建算力资源池,能够充分调度社会面各类数据中心算力来满足云渲染任务,在提升用户的渲染体验的同时,也提高了算力资源的利用率,避免资源闲置或低效使用。
具体地,云渲染任务为多个,需要针对多个待处理的云渲染任务的任务处理优先级结合当前可用算力资源信息进行算力调度,以使得各个云渲染任务的用户需求能够最大程度地满足,其中,任务需求的满足程度可以根据算力资源与用户属性以及渲染需求之间的匹配程度确定。具体地,可以从用户属性以及渲染需求中提取出偏好算力特征信息,将偏好算力特征信息与各个当前可用算力的算力特征信息进行匹配,得到匹配程度,从而根据该匹配程度从当前可用算力中选取最适合云渲染任务的目标算力,以及确定目标算力的数量。
举例说明,用户属性可以包括用户偏好类型、用户权重;渲染需求包括任务大小、渲染时效需求;其中,用户偏好类型可以包括费用偏好型、渲染精度偏好型、时延偏好型用户以及渲染时效偏好型等;针对各个当前算力分配方案,根据当前可用算力的算力类型确定当前可用算力的算力时效特征、算力费用特征以及算力精度特征。根据算力时效特征、算力费用特征以及算力精度特征与用户偏好类型、用户权重、任务大小以及渲染时效需求的匹配结果确定满足程度。
进一步地,考虑到资源调度的结果是通过拉起或者释放算力来执行的,过程中转换次数越多,消耗的时间成本越大,因此在对算力资源进行调度时,除了分配至云渲染任务的算力对于用户属性以及渲染需求的满足程度以外,完成全部任务的算力资源调度所需的时间也是影响用户渲染体验的一个因素,因此,需要采用收敛更快的算法来进行算力资源的调度,因此,在本发明的一个实施例中,在根据用户属性以及渲染需求确定云渲染任务对应的任务处理优先级,根据该任务处理优先级确定预分配至该任务的算力信息,可以采用蚁群算法和遗传优化算法的结合,首先利用蚁群算法得到一个最优解,将该最优解作为初始种群输入遗传优化算法进行再次优化,得到最终的预分配算力信息。从而利用蚁群算法和遗传优化算法的各自的优点,能够更快地达到收敛,得到最优解,从而提高资源调度的效率,减少用户的等待时间。
而在根据当前可用算力信息对预分配算力信息进行调整时,可以采用粒子群算法和模拟退火算法的结合,首先根据粒子群算法得到初始算力分配方案,再根据模拟退火算法对初始算力分配方案进行再次优化,得到各个云渲染任务分别对应的目标算力的信息。从而利用粒子群算法和模拟退火算法的各自的优点,能够更快地达到收敛,得到最优解,从而提高资源调度的效率,减少用户的等待时间。
因此,在本发明的再一个实施例中,所述云渲染任务的数量为多个;所述算力资源池中包括多种算力资源;所述当前可用算力信息包括所述当前可用算力的算力类型以及可用数量;其中,结合算力资源池的构建过程中集合了多个层面的多种算力,可用算力的算力类型可以表征算力的结构特征、精度特征、时延特征、区域特征以及费用特征,其中,结构特征用于表征算力的组成结构,如X86、ARM(Advanced RISC Machine,进阶精简指令集机器)架构信息,以及能够提供的服务信息,如CPU、GPU(graphics processing unit,图形处理器)、FPGA(Field Programmable Gate Array,现场可编程门阵列)等。区域特征用于表征算力所分布于的区域信息,如中西部地区等,容易理解的是,距离用户距离越近的算力,其渲染时延相对越小。
步骤20还包括:
步骤201:针对各个所述云渲染任务,根据所述用户属性和渲染需求确定所述云渲染任务的预分配算力信息。
具体地,预分配算力信息包括云渲染任务对应的预分配的算力数量。根据用户属性以及渲染需求确定云渲染任务的任务处理优先级,从而根据该任务处理优先级确定预分配的算力数量。
举例说明,用户在渲染软件上提交渲染任务后,根据各用户的用户属性以及渲染需求映射到渲染任务中,得到任务处理优先级。用户A、B、C同时提交了渲染任务,均需要30个节点进行渲染,但此时资源池中只有60个空闲节点,因此任务调度模块需要综合用户信息、素材大小、渲染时长等因素,将用户属性转化为任务属性,重新分配优先级。将用户A提交的渲染任务分配30个节点并发处理;将用户B提交的渲染任务分配20个节点并发处理;将用户C提交的渲染任务分配10个节点并发处理。
如前所述,影响任务设置优先级属性的因素有很多,例如从渲染任务到调用各计算节点的时间不尽相同,能够快速拉起计算节点也是在资源分配过程中需要考量的因素,因此在本发明的一个实施例中,可以采用一种混合群智能优化算法,用来计算寻找调用节点的最短时间,促进使资源分配达到最优平衡。其中,混合群算法中包括蚁群算法以及遗传优化算法。具体地,可以采用蚁群算法和遗传优化算法的结合,首先利用蚁群算法得到一个最优解,将该最优解作为初始种群输入遗传优化算法进行再次优化,得到最终的预分配算力信息。从而利用蚁群算法和遗传优化算法的各自的优点,能够更快地达到收敛,得到最优解,从而提高资源调度的效率,减少用户的等待时间。
进一步地,步骤201还包括:
步骤2011:根据蚁群算法对多个可选算力分配方案进行并行式搜索,得到所有所述云渲染任务对应的初始算力分配方案;其中,所述蚁群算法中的路径表征所述可选算力分配方案;所述路径的信息素量根据所述可选算力分配方案对于所述用户属性和所述渲染需求的满足程度确定。
具体地,根据蚁群中的多个蚂蚁对路径进行并行式搜索,每只蚂蚁完成搜索后,在路径上标识信息素,信息素量与可选算力分配方案对于所述用户属性和所述渲染需求的满足程度成正比。若路径上的信息素越大,蚂蚁选择该路径的概率也越大,从而得到多个路径以及该路径被蚂蚁进行标记后的信息素量,在达到预设的迭代次数或者若每条路径上的信息素越大,蚂蚁选择该路径的概率也越大,达到预定的迭代次数,或出现停滞现象,即所有蚂蚁都选择同样的路径,解不再变化时,则确定蚁群算法结束,将当前信息素量最大的路径对应的可选算力分配方案确定为初始算力分配方案。
步骤2012:根据遗传优化算法对所述初始算力分配方案进行优化,得到各个所述云渲染任务分别对应的预分配算力信息。
具体地,可以将通过前述蚁群算法进行路径寻优得到的初始算力分配方案作为初始种群,将该初始种群输入遗传优化算法中进行迭代式优化,得到最优解,根据该最优解确定各个所述云渲染任务分别对应的预分配算力信息。其中,在遗传优化算法中对种群进行迭代式优化时,可以根据种群中的染色体对应的算力分配方案的满足程度确定该染色体的适应度,从而在每轮迭代中根据适应度进行种群个体的优胜劣汰,完成种群的进化。
因此,进一步地,步骤2012还包括:
步骤2013:根据所述初始算力分配方案确定所述遗传优化算法中的初始种群;所述初始种群中包括多个染色体;一个染色体对应于一种所有所述云渲染任务对应的可选算力分配方案。
具体地,在根据初始算力分配方案对初始种群进行编码时,可以将一个基因位视作一个算力资源,将该基因位对应的基因值标记为云渲染任务的标识,由此实现对云渲染任务对于算力资源的占用关系的映射。
步骤2014:对所述初始种群进行迭代式遗传优化,得到适应度最优的染色体;其中,所述适应度根据所述染色体对应的可选算力分配方案对于所述用户属性和所述渲染需求的满足程度以及所有所述云渲染任务的算力分配完成时间确定。
具体地,对所述初始种群进行迭代式遗传优化的过程中,可以对种群进行包括交叉、变异等基因变化,从而提高得到更优个体的概率。在种群的每轮迭代过程中,根据各个个体的适应度进行筛选,剔除适应度较低的个体,从而得到适应度更优,即对于云渲染任务的用户属性以及渲染需求的满足程度更高的种群。
步骤2015:根据所述适应度最优的染色体确定各个所述云渲染任务分别对应的预分配算力信息。
具体地,对适应度最大的染色体按照前述染色体编码方式进行对应解码,由此得到各个所述云渲染任务分别对应的预分配算力信息。
步骤202:根据所述当前可用算力的算力类型以及所述可用数量对所述预分配算力信息进行调整,得到各个所述云渲染任务分别对应的所述目标算力的信息。
具体地,考虑到在进行算力预分配时,根据的只是云渲染任务自身的任务属性,得到是理想情况下能够分配的算力资源的数量,并未考虑当前实际的算力资源池中的可用算力的情况,因此,还可以进一步根据所述当前可用算力的算力类型以及所述可用数量对所述预分配算力信息进行调整,得到各个所述云渲染任务分别对应的所述目标算力的信息。其中,对应地,考虑到资源调度过程本身的占用时长对于用户云渲染体验也有较大影响,因此,在保证目标算力能够提供最佳的满足程度的基础上,应该采用收敛更快,能较快得到最优解的算法来得到目标算力信息。
具体地,在根据当前可用算力信息对预分配算力信息进行调整时,可以采用粒子群算法和模拟退火算法的结合,首先根据粒子群算法得到初始算力分配方案,再根据模拟退火算法对初始算力分配方案进行再次优化,得到各个云渲染任务分别对应的目标算力的信息。从而利用粒子群算法和模拟退火算法的各自的优点,能够更快地达到收敛,得到最优解,从而提高资源调度的效率,减少用户的等待时间。
因此,进一步地,步骤202还包括:
步骤2021:通过粒子群算法对所述预分配算力信息进行调整,得到各个所述云渲染任务对应的最优分配算力类型以及所述最优分配算力类型对应的最优分配算力数量;其中,所述粒子群算法中的粒子的位置对应于一个当前算力分配方案;所述当前算力分配方案根据所述当前可用算力的算力类型以及所述可用数量确定;所述粒子的适应度根据所述位置对应的当前算力分配方案对于所述用户属性和所述渲染需求的满足程度以及所有所述云渲染任务的算力分配完成时间确定。
具体地,通过粒子群算法对预分配算力信息进行迭代式调整,得到各个所述云渲染任务对应的最优分配算力类型以及所述最优分配算力类型对应的最优分配算力数量。其中,考虑到资源调度过程本身的占用时长对于用户云渲染体验也有较大影响,粒子的适应度根据所述位置对应的当前算力分配方案对于所述用户属性和所述渲染需求的满足程度以及所有所述云渲染任务的算力分配完成时间共同确定。其中,满足程度越大,算力分配完成时间越少,则粒子的适应度越高。
进一步地,关于算力分配方案对于用户属性以及渲染需求的满足程度的确定,在本发明的一个实施例中,所述用户属性包括用户偏好类型、用户权重;所述渲染需求包括任务大小、渲染时效需求;所述用户偏好类型包括费用偏好型、渲染精度偏好型、时延偏好型用户以及渲染时效偏好型;
步骤2021中的用户属性以及渲染需求的满足程度的确定过程可以包括:
步骤20211:针对各个所述当前算力分配方案,根据所述当前可用算力的算力类型确定所述当前可用算力的算力时效特征、算力费用特征以及算力精度特征。
其中,算力时效特征用于表征算力的计算效率和处理所需时长,算力费用特征用于表征算力的单位费用,算力精度特征用于表征算力能够提供的渲染精度。
步骤20212:根据算力时效特征、算力费用特征以及算力精度特征与所述用户偏好类型、用户权重、任务大小以及渲染时效需求的匹配结果确定所述满足程度。
在本发明的一个实施例中,根据用户偏好类型、用户权重、任务大小以及渲染时效需求确定云渲染任务对应的需求算力时效、需求算力费用以及需求算力精度。分别将需求算力时效、需求算力费用以及需求算力精度与算力时效特征、算力费用特征以及算力精度特征进行对应比较,得到各个当前可用算力对于云渲染任务在精度、费用以及时效上的匹配程度。其中,算力的特征与任务所需求的特征越匹配,则满足程度越大。
步骤2022:根据模拟退火算法对所述各个所述云渲染任务对应的最优分配算力类型以及所述最优分配算力类型对应的最优分配算力数量进行退火处理,得到所述目标算力的目标算力类型以及目标算力数量。
在本发明的一个实施例中,将最优分配算力类型以及对应的最优分配算力数量作为初始解输入模拟退火算法,通过模拟退火算法引入随机解,通过在随机解与最优解之间的比较和替换,得到目标算力的目标算力类型以及目标算力数量,从而避免出现局部最优的情况,提高云渲染任务资源调度的准确性。
步骤30:通过所述目标算力对所述云渲染任务进行渲染处理。
通过将最适合云渲染任务的算力需求的目标算力分配至该云渲染任务,能够提高用户的渲染体验,与此同时也能使得算力资源池中的算力资源得到更高效的利用。
在本发明的再一个实施例中,为了能够对多种算力进行聚合,提供云渲染服务,还提供了一种云渲染系统,所述系统应用于前述任一项实施例所述的方法;
所述系统包括渲染服务模块、渲染管理模块、资源调度模块以及资源聚合模块;
其中,所述资源聚合模块用于对多种算力资源进行整合,得到所述算力资源池;
所述渲染服务模块用于获取所述云渲染任务,将所述云渲染任务发送至所述资源调度模块;
所述资源调度模块用于确定云渲染任务对应的用户属性和渲染需求以及获取所述当前可用算力信息;
所述资源调度模块还用于根据所述用户属性、渲染需求、所述当前可用算力信息对当前可用算力进行算力调度,得到所述云渲染任务对应的目标算力的信息;
所述资源调度模块还用于将所述目标算力的信息发送至所述渲染管理模块;
所述渲染管理模块用于根据所述目标算力的信息下发所述目标算力至所述渲染服务模块;
所述渲染服务模块用于通过所述目标算力对所述云渲染任务进行渲染处理。
具体地,如图3所示,渲染服务模块可以是软件层,为各行业提供渲染服务,提供适用于各种渲染场景的优化解决方案,支持主流渲染软件,如Maya、3ds Max、Houdini、Cinema4D、Unreal、V-Ray、CAD等系列软件。为用户提供可视化页面和接口,用户根据使用场景一键提交渲染任务。
渲染管理模块可以是平台层,作为渲染云管理平台,用于管理和配置渲染服务、计量服务。是算力网络云渲染服务中沟通算力资源池和渲染云的桥梁,向上提供支持自动化配置主流渲染软件和配套插件,提供智能解析工程文件服务,向下支持渲染任务与平台层对接,支撑算力多元化服务。平台层构建可信算网服务统一交易和运营平台,融合供给数智服务,通过提供基于“任务式”量纲的新服务模式,让应用在无需感知算力和网络前提下实现对算力和网络等服务的灵活使用,为用户带来智能无感的极致体验。
资源调度模块可以是调度层,用于提供算网的核心能力,对外提供算力编排、调度、能力封装、统一管理能力。通过将算力涉及的硬件、软件等进行封装,实现算力的一体化服务供给。基于渲染任务所需的软硬件需求、网络需求等,提供算力调度服务。实现对算网资源的统一管理、统一编排、智能调度和全局优化,提升算力网络资源效能。通过将算力的灵活组合,结合人工智能技术,为每个任务提供最符合需求的算网资源。
资源聚合模块可以是基础设施层,作为算力网络云渲染服务的坚实底座,以算为中心,构筑云边端立体泛在的算力体系。基础设施层将融合三类算力,一是物理空间上的算力,将跨区域建设的算力枢纽,以及区域内多层次的算力资源进行融合,满足不同区域、不同层级的算力资源;二是逻辑空间上的算力,将中心云、边缘计算以及端算力进行融合,满足低时延、数据不出园区等业务需求;三是异构空间上的算力,将多样化的异构算力进行融合,统一纳管X86、ARM等架构,对外提供CPU、GPU、FPGA等多样性算力。
上述调度层是实现云渲染任务,是智能算力分配的关键,主要功能包括任务调度和资源调度。面对多个用户提交的海量渲染任务,平台层的任务调度本质是解析任务、设置任务优先级以及重新分配任务的过程。渲染任务经过任务调度模块处理转发,已经去除了用户属性,接着由资源调度模块分配实际算力进行渲染处理。资源调度向下对接基础设施层面,而基础设施层由多种数据中心算力构成,如何充分发挥多样算力的特性、融合各类算力之间的差异、提高综合资源的有效利用率,是资源调度需要解决的问题。
本发明实施例的渲染体系中提出一个能够向下纳管社会闲散算力,向上对接渲染全业务支撑的“资源调度模块”,由资源调度模块为客户智能调度分配合适的渲染算力,为用户提供随取随用的,透明无感的使用体验。例如针对离线渲染,基于算力网络,将东部影视行业的渲染任务调度至西部低成本算力中心,提升渲染效率、降低渲染成本;针对实时渲染,基于算力网络,将实时交互类渲染任务调度至离用户最佳的边缘节点进行计算渲染,实时推送到终端,实现跨终端、可交互、沉浸式的访问。
本发明实施例首先确定云渲染任务对应的用户属性和渲染需求,其中,用户属性用于表征用户的算力偏好类型以及用户的算力分配优先级,算力偏好类型包括高精度算力、低时延算力或低费用算力等,算力分配优先级可以根据用户是否为付费用户等确定,渲染需求用于表征与渲染算力类型相关的需求,如精度需求、费用需求以及时延需求等;在根据所述用户属性、渲染需求以及预设的算力资源池中的当前可用算力信息对当前可用算力进行算力调度,得到所述云渲染任务对应的目标算力的信息;其中,算力资源池可以是通过对多种类型的社会面的闲散算力资源进行聚合后得到的,在进行算力调度时,可以通过将用户属性、渲染需求与当前可用算力的算力类型进行匹配,得到最适合用户的目标算力,最后通过所述目标算力对所述云渲染任务进行渲染处理,能够提高用户的云渲染体验,并且能够提高算力的资源利用率。
图4示出了本发明实施例提供的云渲染装置的结构示意图。如图4所示,该装置40包括:确定模块401、调度模块402和处理模块403。
其中,确定模块401,用于确定云渲染任务对应的用户属性和渲染需求;
调度模块402,用于根据所述用户属性、渲染需求以及预设的算力资源池中的当前可用算力信息对当前可用算力进行算力调度,得到所述云渲染任务对应的目标算力的信息;
处理模块403,用于通过所述目标算力对所述云渲染任务进行渲染处理。
本发明实施例提供的云渲染装置的操作过程与前述方法实施例大致相同,不再赘述。
本发明实施例提供的云渲染装置首先确定云渲染任务对应的用户属性和渲染需求,其中,用户属性用于表征用户的算力偏好类型以及用户的算力分配优先级,算力偏好类型包括高精度算力、低时延算力或低费用算力等,算力分配优先级可以根据用户是否为付费用户等确定,渲染需求用于表征与渲染算力类型相关的需求,如精度需求、费用需求以及时延需求等;在根据所述用户属性、渲染需求以及预设的算力资源池中的当前可用算力信息对当前可用算力进行算力调度,得到所述云渲染任务对应的目标算力的信息;其中,算力资源池可以是通过对多种类型的社会面的闲散算力资源进行聚合后得到的,在进行算力调度时,可以通过将用户属性、渲染需求与当前可用算力的算力类型进行匹配,得到最适合用户的目标算力,最后通过所述目标算力对所述云渲染任务进行渲染处理,能够提高用户的云渲染体验,并且能够提高算力的资源利用率。
图5示出了本发明实施例提供的云渲染设备的结构示意图,本发明具体实施例并不对云渲染设备的具体实现做限定。
如图5所示,该云渲染设备可以包括:处理器(processor)502、通信接口(Communications Interface)504、存储器(memory)506、以及通信总线508。
其中:处理器502、通信接口504、以及存储器506通过通信总线508完成相互间的通信。通信接口504,用于与其它设备比如客户端或其它服务器等的网元通信。处理器502,用于执行程序510,具体可以执行上述用于云渲染方法实施例中的相关步骤。
具体地,程序510可以包括程序代码,该程序代码包括计算机可执行指令。
处理器502可能是中央处理器CPU,或者是特定集成电路ASIC(ApplicationSpecific Integrated Circuit),或者是被配置成实施本发明实施例的一个或多个集成电路。云渲染设备包括的一个或多个处理器,可以是同一类型的处理器,如一个或多个CPU;也可以是不同类型的处理器,如一个或多个CPU以及一个或多个ASIC。
存储器506,用于存放程序510。存储器506可能包含高速RAM存储器,也可能还包括非易失性存储器(non-volatile memory),例如至少一个磁盘存储器。
程序510具体可以被处理器502调用使云渲染设备执行以下操作:
确定云渲染任务对应的用户属性和渲染需求;
根据所述用户属性、渲染需求以及预设的算力资源池中的当前可用算力信息对当前可用算力进行算力调度,得到所述云渲染任务对应的目标算力的信息;
通过所述目标算力对所述云渲染任务进行渲染处理。
本发明实施例提供的云渲染设备的操作过程与前述方法实施例大致相同,不再赘述。
本发明实施例提供的云渲染设备首先确定云渲染任务对应的用户属性和渲染需求,其中,用户属性用于表征用户的算力偏好类型以及用户的算力分配优先级,算力偏好类型包括高精度算力、低时延算力或低费用算力等,算力分配优先级可以根据用户是否为付费用户等确定,渲染需求用于表征与渲染算力类型相关的需求,如精度需求、费用需求以及时延需求等;在根据所述用户属性、渲染需求以及预设的算力资源池中的当前可用算力信息对当前可用算力进行算力调度,得到所述云渲染任务对应的目标算力的信息;其中,算力资源池可以是通过对多种类型的社会面的闲散算力资源进行聚合后得到的,在进行算力调度时,可以通过将用户属性、渲染需求与当前可用算力的算力类型进行匹配,得到最适合用户的目标算力,最后通过所述目标算力对所述云渲染任务进行渲染处理,能够提高用户的云渲染体验,并且能够提高算力的资源利用率。
本发明实施例提供了一种计算机可读存储介质,所述存储介质存储有至少一可执行指令,该可执行指令在云渲染设备上运行时,使得所述云渲染设备执行上述任意方法实施例中的云渲染方法。
可执行指令具体可以用于使得云渲染设备执行以下操作:
确定云渲染任务对应的用户属性和渲染需求;根据所述用户属性、渲染需求以及预设的算力资源池中的当前可用算力信息对当前可用算力进行算力调度,得到所述云渲染任务对应的目标算力的信息;通过所述目标算力对所述云渲染任务进行渲染处理。
本发明实施例提供的计算机存储介质存储的可执行指令的操作过程与前述方法实施例大致相同,不再赘述。
本发明实施例提供的计算机存储介质存储的可执行指令首先确定云渲染任务对应的用户属性和渲染需求,其中,用户属性用于表征用户的算力偏好类型以及用户的算力分配优先级,算力偏好类型包括高精度算力、低时延算力或低费用算力等,算力分配优先级可以根据用户是否为付费用户等确定,渲染需求用于表征与渲染算力类型相关的需求,如精度需求、费用需求以及时延需求等;在根据所述用户属性、渲染需求以及预设的算力资源池中的当前可用算力信息对当前可用算力进行算力调度,得到所述云渲染任务对应的目标算力的信息;其中,算力资源池可以是通过对多种类型的社会面的闲散算力资源进行聚合后得到的,在进行算力调度时,可以通过将用户属性、渲染需求与当前可用算力的算力类型进行匹配,得到最适合用户的目标算力,最后通过所述目标算力对所述云渲染任务进行渲染处理,能够提高用户的云渲染体验,并且能够提高算力的资源利用率。
本发明实施例提供一种云渲染装置,用于执行上述云渲染方法。
本发明实施例提供了一种计算机程序,所述计算机程序可被处理器调用使云渲染设备执行上述任意方法实施例中的云渲染方法。
本发明实施例提供了一种计算机程序产品,计算机程序产品包括存储在计算机可读存储介质上的计算机程序,计算机程序包括程序指令,当程序指令在计算机上运行时,使得所述计算机执行上述任意方法实施例中的云渲染方法。
在此提供的算法或显示不与任何特定计算机、虚拟系统或者其它设备固有相关。各种通用系统也可以与基于在此的示教一起使用。根据上面的描述,构造这类系统所要求的结构是显而易见的。此外,本发明实施例也不针对任何特定编程语言。应当明白,可以利用各种编程语言实现在此描述的本发明的内容,并且上面对特定语言所做的描述是为了披露本发明的最佳实施方式。
在此处所提供的说明书中,说明了大量具体细节。然而,能够理解,本发明的实施例可以在没有这些具体细节的情况下实践。在一些实例中,并未详细示出公知的方法、结构和技术,以便不模糊对本说明书的理解。
类似地,应当理解,为了精简本发明并帮助理解各个发明方面中的一个或多个,在上面对本发明的示例性实施例的描述中,本发明实施例的各个特征有时被一起分组到单个实施例、图、或者对其的描述中。然而,并不应将该公开的方法解释成反映如下意图:即所要求保护的本发明要求比在每个权利要求中所明确记载的特征更多的特征。
本领域技术人员可以理解,可以对实施例中的设备中的模块进行自适应性地改变并且把它们设置在与该实施例不同的一个或多个设备中。可以把实施例中的模块或单元或组件组合成一个模块或单元或组件,以及可以把它们分成多个子模块或子单元或子组件。除了这样的特征和/或过程或者单元中的至少一些是相互排斥之外,可以采用任何组合对本说明书(包括伴随的权利要求、摘要和附图)中公开的所有特征以及如此公开的任何方法或者设备的所有过程或单元进行组合。除非另外明确陈述,本说明书(包括伴随的权利要求、摘要和附图)中公开的每个特征可以由提供相同、等同或相似目的的替代特征来代替。
应该注意的是上述实施例对本发明进行说明而不是对本发明进行限制,并且本领域技术人员在不脱离所附权利要求的范围的情况下可设计出替换实施例。在权利要求中,不应将位于括号之间的任何参考符号构造成对权利要求的限制。单词“包含”不排除存在未列在权利要求中的元件或步骤。位于元件之前的单词“一”或“一个”不排除存在多个这样的元件。本发明可以借助于包括有若干不同元件的硬件以及借助于适当编程的计算机来实现。在列举了若干装置的单元权利要求中,这些装置中的若干个可以是通过同一个硬件项来具体体现。单词第一、第二、以及第三等的使用不表示任何顺序。可将这些单词解释为名称。上述实施例中的步骤,除有特殊说明外,不应理解为对执行顺序的限定。
Claims (10)
1.一种云渲染方法,其特征在于,所述方法包括:
确定云渲染任务对应的用户属性和渲染需求;
根据所述用户属性、渲染需求以及预设的算力资源池中的当前可用算力信息对当前可用算力进行算力调度,得到所述云渲染任务对应的目标算力的信息;
通过所述目标算力对所述云渲染任务进行渲染处理。
2.根据权利要求1所述的方法,其特征在于,所述云渲染任务的数量为多个;所述算力资源池中包括多种算力资源;所述当前可用算力信息包括所述当前可用算力的算力类型以及可用数量;所述根据所述用户属性、渲染需求以及预设的算力资源池中的当前可用算力信息对当前可用算力进行算力调度,得到所述云渲染任务对应的目标算力的信息,包括:
针对各个所述云渲染任务,根据所述用户属性和渲染需求确定所述云渲染任务的预分配算力信息;
根据所述当前可用算力的算力类型以及所述可用数量对所述预分配算力信息进行调整,得到各个所述云渲染任务分别对应的所述目标算力的信息。
3.根据权利要求2所述的方法,其特征在于,所述针对各个所述云渲染任务,根据所述用户属性和渲染需求确定所述云渲染任务的预分配算力信息,包括:
根据蚁群算法对多个可选算力分配方案进行并行式搜索,得到所有所述云渲染任务对应的初始算力分配方案;其中,所述蚁群算法中的路径表征所述可选算力分配方案;所述路径的信息素量根据所述可选算力分配方案对于所述用户属性和所述渲染需求的满足程度确定;
根据遗传优化算法对所述初始算力分配方案进行优化,得到各个所述云渲染任务分别对应的预分配算力信息。
4.根据权利要求3所述的方法,其特征在于,所述根据遗传优化算法对所述初始算力分配方案进行优化,得到各个所述云渲染任务分别对应的预分配算力信息,包括:
根据所述初始算力分配方案确定所述遗传优化算法中的初始种群;所述初始种群中包括多个染色体;一个染色体对应于一种所有所述云渲染任务对应的可选算力分配方案;
对所述初始种群进行迭代式遗传优化,得到适应度最优的染色体;其中,所述适应度根据所述染色体对应的可选算力分配方案对于所述用户属性和所述渲染需求的满足程度以及所有所述云渲染任务的算力分配完成时间确定;
根据所述适应度最优的染色体确定各个所述云渲染任务分别对应的预分配算力信息。
5.根据权利要求2所述的方法,其特征在于,所述根据所述当前可用算力的算力类型以及所述可用数量对所述预分配算力信息进行调整,得到各个所述云渲染任务分别对应的所述目标算力的信息,包括:
通过粒子群算法对所述预分配算力信息进行调整,得到各个所述云渲染任务对应的最优分配算力类型以及所述最优分配算力类型对应的最优分配算力数量;其中,所述粒子群算法中的粒子的位置对应于一个当前算力分配方案;所述当前算力分配方案根据所述当前可用算力的算力类型以及所述可用数量确定;所述粒子的适应度根据所述位置对应的当前算力分配方案对于所述用户属性和所述渲染需求的满足程度以及所有所述云渲染任务的算力分配完成时间确定;
根据模拟退火算法对所述各个所述云渲染任务对应的最优分配算力类型以及所述最优分配算力类型对应的最优分配算力数量进行退火处理,得到所述目标算力的目标算力类型以及目标算力数量。
6.根据权利要求5所述的方法,其特征在于,所述用户属性包括用户偏好类型、用户权重;所述渲染需求包括任务大小、渲染时效需求;所述用户偏好类型包括费用偏好型、渲染精度偏好型、时延偏好型用户以及渲染时效偏好型;所述通过粒子群算法对所述预分配算力数量进行调整,得到各个所述云渲染任务对应的最优分配算力类型以及所述最优分配算力类型对应的最优分配算力数量,包括:
针对各个所述当前算力分配方案,根据所述当前可用算力的算力类型确定所述当前可用算力的算力时效特征、算力费用特征以及算力精度特征;
根据算力时效特征、算力费用特征以及算力精度特征与所述用户偏好类型、用户权重、任务大小以及渲染时效需求的匹配结果确定所述满足程度。
7.一种云渲染系统,其特征在于,所述系统应用于权利要求1-6任一项所述的方法;所述系统包括渲染服务模块、渲染管理模块、资源调度模块以及资源聚合模块;
其中,所述资源聚合模块用于对多种算力资源进行整合,得到所述算力资源池;
所述渲染服务模块用于获取所述云渲染任务,将所述云渲染任务发送至所述资源调度模块;
所述资源调度模块用于确定云渲染任务对应的用户属性和渲染需求以及获取所述当前可用算力信息;
所述资源调度模块还用于根据所述用户属性、渲染需求、所述当前可用算力信息对当前可用算力进行算力调度,得到所述云渲染任务对应的目标算力的信息;
所述资源调度模块还用于将所述目标算力的信息发送至所述渲染管理模块;
所述渲染管理模块用于根据所述目标算力的信息下发所述目标算力至所述渲染服务模块;
所述渲染服务模块用于通过所述目标算力对所述云渲染任务进行渲染处理。
8.一种云渲染装置,其特征在于,所述装置包括:
确定模块,用于确定云渲染任务对应的用户属性和渲染需求;
调度模块,用于根据所述用户属性、渲染需求以及预设的算力资源池中的当前可用算力信息对当前可用算力进行算力调度,得到所述云渲染任务对应的目标算力的信息;
处理模块,用于通过所述目标算力对所述云渲染任务进行渲染处理。
9.一种云渲染设备,其特征在于,包括:处理器、存储器、通信接口和通信总线,所述处理器、所述存储器和所述通信接口通过所述通信总线完成相互间的通信;
所述存储器用于存放至少一可执行指令,所述可执行指令使所述处理器执行如权利要求1-7任意一项所述的云渲染方法的操作。
10.一种计算机可读存储介质,其特征在于,所述存储介质中存储有至少一可执行指令,所述可执行指令在云渲染设备上运行时,使得云渲染设备执行如权利要求1-7任意一项所述的云渲染方法的操作。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211527866.9A CN116932199A (zh) | 2022-12-01 | 2022-12-01 | 云渲染方法、系统、装置、设备以及计算机存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211527866.9A CN116932199A (zh) | 2022-12-01 | 2022-12-01 | 云渲染方法、系统、装置、设备以及计算机存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116932199A true CN116932199A (zh) | 2023-10-24 |
Family
ID=88391451
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211527866.9A Pending CN116932199A (zh) | 2022-12-01 | 2022-12-01 | 云渲染方法、系统、装置、设备以及计算机存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116932199A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117830489A (zh) * | 2024-03-05 | 2024-04-05 | 浙江小牛哥科技有限公司 | 智能室内设计图像渲染系统 |
CN118093326A (zh) * | 2024-04-29 | 2024-05-28 | 深圳威尔视觉科技有限公司 | 基于算力调度的云渲染资源监控方法及系统 |
-
2022
- 2022-12-01 CN CN202211527866.9A patent/CN116932199A/zh active Pending
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117830489A (zh) * | 2024-03-05 | 2024-04-05 | 浙江小牛哥科技有限公司 | 智能室内设计图像渲染系统 |
CN117830489B (zh) * | 2024-03-05 | 2024-05-03 | 浙江小牛哥科技有限公司 | 智能室内设计图像渲染系统 |
CN118093326A (zh) * | 2024-04-29 | 2024-05-28 | 深圳威尔视觉科技有限公司 | 基于算力调度的云渲染资源监控方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Cheng et al. | DRL-cloud: Deep reinforcement learning-based resource provisioning and task scheduling for cloud service providers | |
CN116932199A (zh) | 云渲染方法、系统、装置、设备以及计算机存储介质 | |
Zhou et al. | Hybrid teaching–learning-based optimization of correlation-aware service composition in cloud manufacturing | |
Kong et al. | Virtual machine resource scheduling algorithm for cloud computing based on auction mechanism | |
CN105704255B (zh) | 一种基于遗传算法的服务器负载均衡方法 | |
Mansouri et al. | Cost-based job scheduling strategy in cloud computing environments | |
CN110069341B (zh) | 边缘计算中结合功能按需配置的有依赖关系任务的调度方法 | |
US10886743B2 (en) | Providing energy elasticity services via distributed virtual batteries | |
CN112491964B (zh) | 移动辅助边缘计算方法、装置、介质和设备 | |
CN104104973A (zh) | 一种应用于云媒体系统的群组带宽管理优化方法 | |
CN111131486A (zh) | 执行节点的负载调节方法、装置、服务器及存储介质 | |
CN111694664A (zh) | 一种边缘服务器的计算卸载分配方法 | |
Nguyen et al. | Two-stage robust edge service placement and sizing under demand uncertainty | |
CN115421930B (zh) | 任务处理方法、系统、装置、设备及计算机可读存储介质 | |
Geetha et al. | RETRACTED ARTICLE: An advanced artificial intelligence technique for resource allocation by investigating and scheduling parallel-distributed request/response handling | |
CN115168020A (zh) | 实例部署方法、装置、云系统、计算设备及存储介质 | |
Jangu et al. | Improved Jellyfish Algorithm-based multi-aspect task scheduling model for IoT tasks over fog integrated cloud environment | |
Awad et al. | A swarm intelligence-based approach for dynamic data replication in a cloud environment | |
Zhu et al. | SAAS parallel task scheduling based on cloud service flow load algorithm | |
Huang et al. | Computation offloading for multimedia workflows with deadline constraints in cloudlet-based mobile cloud | |
CN106874108B (zh) | 移动云计算中最小化微云使用个数技术 | |
CN115412401B (zh) | 训练虚拟网络嵌入模型及虚拟网络嵌入的方法和装置 | |
CN111047040A (zh) | 基于IFPA算法的Web服务组合方法 | |
CN111966447A (zh) | 一种基于双排列遗传算法的容器放置方法 | |
Tang | Load balancing optimization in cloud computing based on task scheduling |
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 |