CN117421123A - 一种gpu资源调整方法及系统、电子设备和存储介质 - Google Patents
一种gpu资源调整方法及系统、电子设备和存储介质 Download PDFInfo
- Publication number
- CN117421123A CN117421123A CN202311459752.XA CN202311459752A CN117421123A CN 117421123 A CN117421123 A CN 117421123A CN 202311459752 A CN202311459752 A CN 202311459752A CN 117421123 A CN117421123 A CN 117421123A
- Authority
- CN
- China
- Prior art keywords
- gpu
- container
- resource
- adjustment
- gpu resource
- 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
- 238000000034 method Methods 0.000 title claims abstract description 57
- 230000009467 reduction Effects 0.000 claims description 18
- 238000004590 computer program Methods 0.000 claims description 13
- 238000010586 diagram Methods 0.000 description 16
- 238000012545 processing Methods 0.000 description 16
- 230000006870 function Effects 0.000 description 10
- 230000008569 process Effects 0.000 description 6
- 230000005540 biological transmission Effects 0.000 description 5
- 230000008602 contraction Effects 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 4
- 230000010365 information processing Effects 0.000 description 4
- 238000007726 management method Methods 0.000 description 4
- 230000000737 periodic effect Effects 0.000 description 3
- 238000003491 array Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 239000000835 fiber Substances 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 230000001902 propagating effect Effects 0.000 description 2
- 238000012549 training Methods 0.000 description 2
- RYGMFSIKBFXOCR-UHFFFAOYSA-N Copper Chemical compound [Cu] RYGMFSIKBFXOCR-UHFFFAOYSA-N 0.000 description 1
- 238000013475 authorization Methods 0.000 description 1
- 229910052802 copper Inorganic materials 0.000 description 1
- 239000010949 copper Substances 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 230000002441 reversible effect Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 239000002699 waste material Substances 0.000 description 1
Classifications
-
- 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
- Information Transfer Between Computers (AREA)
Abstract
本公开涉及一种GPU资源调整方法及系统、电子设备和存储介质,所述方法包括:确定共享目标GPU的每个容器对应的GPU资源使用率;在根据第一容器对应的GPU资源使用率确定第一容器需要进行GPU资源调整时,根据第一容器对应的GPU资源调整类型确定是否需要进行GPU资源协同调整,GPU资源协同调整用于控制共享目标GPU的多个容器的GPU资源申请总量不超过目标GPU提供的GPU资源总量;在确定需要进行GPU资源协同调整以及存在符合GPU资源协同调整条件的第二容器时,对第一容器和至少一个第二容器进行GPU资源协同调整。本公开实施例可以有效提高了Kubernetes的GPU资源使用率。
Description
技术领域
本公开涉及计算机技术领域,尤其涉及一种GPU资源调整方法及系统、电子设备和存储介质。
背景技术
Kubernetes是一种开源的容器编排系统,可用于在大型集群中自动部署、扩展和管理容器化应用程序。当前想在Kubernetes中使用第三方设备,如GPU,可以通过其提供的一些扩展机制,如Device Plugin很方便的集成入Kubernetes生态,使得在Kubernetes中使用GPU就如同使用CPU/Memory一样简单。为了优化Kubernetes中对GPU资源的使用效率,亟需一种GPU资源调整方法。
发明内容
本公开提出了一种GPU资源调整方法及系统、电子设备和存储介质的技术方案。
根据本公开的一方面,提供了一种GPU资源调整方法,包括:确定共享目标GPU的多个容器中每个容器对应的GPU资源使用率;在根据第一容器对应的GPU资源使用率,确定所述第一容器需要进行GPU资源调整的情况下,确定所述第一容器对应的GPU资源调整类型,其中,所述第一容器是共享所述目标GPU的多个容器中的任意一个;根据所述第一容器对应的GPU资源调整类型,确定是否需要进行GPU资源协同调整,其中,所述GPU资源协同调整用于控制共享所述目标GPU的多个容器的GPU资源申请总量不超过所述目标GPU提供的GPU资源总量;在确定需要进行GPU资源协同调整的情况下,确定共享所述目标GPU的多个容器中是否存在符合GPU资源协同调整条件的第二容器;在存在所述第二容器的情况下,对所述第一容器和至少一个所述第二容器进行GPU资源协同调整。
在一种可能的实现方式中,所述在根据第一容器对应的GPU资源使用率,确定所述第一容器需要进行GPU资源调整的情况下,确定所述第一容器对应的GPU资源调整类型,包括:在所述第一容器对应的GPU资源使用率大于第一预设阈值的情况下,确定需要对所述第一容器进行GPU资源调整,且所述第一容器对应的GPU资源调整类型为GPU扩容;在所述第一容器对应的GPU资源使用率小于第二预设阈值的情况下,确定需要对所述第一容器进行GPU资源调整,且所述第一容器对应的GPU资源调整类型为GPU缩容。
在一种可能的实现方式中,所述根据所述第一容器对应的GPU资源调整类型,确定是否需要进行GPU资源协同调整,包括:在所述第一容器对应的GPU资源调整类型为GPU扩容的情况下,确定需要进行GPU资源协同调整;在所述第一容器对应的GPU资源调整类型为GPU缩容的情况下,确定不需要进行GPU资源协同调整。
在一种可能的实现方式中,所述在确定需要进行GPU资源协同调整的情况下,确定共享所述目标GPU的多个容器中是否存在符合GPU资源协同调整条件的第二容器,包括:确定共享所述目标GPU的多个容器中是否存在GPU资源使用率小于第三预设阈值的所述第二容器。
在一种可能的实现方式中,所述在存在所述第二容器的情况下,对所述第一容器和至少一个所述第二容器进行GPU资源协同调整,包括:通过调高所述第一容器对应的可用GPU资源容量,对所述第一容器进行GPU扩容;通过调低至少一个所述第二容器对应的可用GPU资源容量,对至少一个所述第二容器进行GPU缩容;其中,针对任意一个容器,该容器对应的可用GPU资源容量用于指示该容器的GPU资源申请量上限。
在一种可能的实现方式中,所述方法还包括:在确定需要进行GPU资源协同调整,且不存在所述第二容器的情况下,限制对所述第一容器进行GPU扩容。
在一种可能的实现方式中,所述方法还包括:在确定不需要进行GPU资源协同调整的情况下,通过调低所述第一容器对应的可用GPU资源容量,对所述第一容器进行GPU缩容,其中,所述第一容器对应的可用GPU资源容量用于指示所述第一容器的GPU资源申请量上限。
在一种可能的实现方式中,所述确定共享目标GPU的多个容器中每个容器对应的GPU资源使用率,包括:针对共享所述目标GPU的多个容器中的任意一个容器,基于预设资源调度周期,通过访问该容器对应的资源配置文件,确定该容器对应的GPU资源使用率。
在一种可能的实现方式中,所述对所述第一容器和至少一个所述第二容器进行GPU资源协同调整,包括:通过分别修改所述第一容器和至少一个所述第二容器对应的资源配置文件,对所述第一容器和至少一个所述第二容器进行GPU资源协同调整。
根据本公开的一方面,提供了一种GPU资源调整系统,包括:弹性共享GPU服务器,用于确定共享目标GPU的多个容器中每个容器对应的GPU资源使用率;资源调整模块,用于在根据第一容器对应的GPU资源使用率,确定所述第一容器需要进行GPU资源调整的情况下,确定所述第一容器对应的GPU资源调整类型,其中,所述第一容器是共享所述目标GPU的多个容器中的任意一个;所述资源调整模块,用于根据所述第一容器对应的GPU资源调整类型,确定是否需要进行GPU资源协同调整,其中,所述GPU资源协同调整用于控制共享所述目标GPU的多个容器的GPU资源申请总量不超过所述目标GPU提供的GPU资源总量;所述资源调整模块,用于在确定需要进行GPU资源协同调整的情况下,确定共享所述目标GPU的多个容器中是否存在符合GPU资源协同调整条件的第二容器;所述资源调整模块,用于在存在所述第二容器的情况下,对所述第一容器和至少一个所述第二容器进行GPU资源协同调整。
根据本公开的一方面,提供了一种电子设备,包括:处理器;用于存储处理器可执行指令的存储器;其中,所述处理器被配置为调用所述存储器存储的指令,以执行上述方法。
根据本公开的一方面,提供了一种计算机可读存储介质,其上存储有计算机程序指令,所述计算机程序指令被处理器执行时实现上述方法。
在本公开实施例中,在Kubernetes中,将共享某一个目标GPU的多个容器看作一个整体,确定每个容器对应的GPU资源使用率,在根据第一容器对应的GPU资源使用率,确定第一容器需要进行GPU资源调整的情况下,确定第一容器对应的GPU资源调整类型,并根据第一容器对应的GPU资源调整类型,确定是否需要进行GPU资源协同调整,从而有效控制共享目标GPU的多个容器的GPU资源申请总量不超过目标GPU提供的GPU资源总量,降低GPU资源泄漏的概率,进而,在确定需要进行GPU资源协同调整的情况下,确定共享目标GPU的多个容器中是否存在符合GPU资源协同调整条件的第二容器,以及在存在第二容器的情况下,对第一容器和至少一个第二容器进行GPU资源协同调整,从而有效实现在Kubernetes中根据实际需求对目标GPU上的容器进行动态GPU资源调整,有效提高了Kubernetes的GPU资源使用率。
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,而非限制本公开。根据下面参考附图对示例性实施例的详细说明,本公开的其它特征及方面将变得清楚。
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,这些附图示出了符合本公开的实施例,并与说明书一起用于说明本公开的技术方案。
图1示出根据本公开实施例的一种GPU资源调整方法的流程图。
图2示出根据本公开实施例的一种GPU资源调整系统的示意图。
图3示出根据本公开实施例的一种GPU资源调整系统的框图。
图4示出根据本公开实施例的一种电子设备的框图。
具体实施方式
以下将参考附图详细说明本公开的各种示例性实施例、特征和方面。附图中相同的附图标记表示功能相同或相似的元件。尽管在附图中示出了实施例的各种方面,但是除非特别指出,不必按比例绘制附图。
在这里专用的词“示例性”意为“用作例子、实施例或说明性”。这里作为“示例性”所说明的任何实施例不必解释为优于或好于其它实施例。
本文中术语“和/或”,仅仅是一种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。另外,本文中术语“至少一种”表示多种中的任意一种或多种中的至少两种的任意组合,例如,包括A、B、C中的至少一种,可以表示包括从A、B和C构成的集合中选择的任意一个或多个元素。
另外,为了更好地说明本公开,在下文的具体实施方式中给出了众多的具体细节。本领域技术人员应当理解,没有某些具体细节,本公开同样可以实施。在一些实例中,对于本领域技术人员熟知的方法、手段、元件和电路未作详细描述,以便于凸显本公开的主旨。
在Kubernetes中使用GPU的一个缺点是,一旦一个pod申请了GPU资源并处于运行状态,就无法直接调整该pod的GPU资源,必须重新创建一个新的pod来达到调整GPU资源的目的。这个过程中需要停止原有的容器或pod,并且需要重启整个应用程序,因此就导致应用程序的中断。Kubernetes为每个Pod分配资源时,为其分配固定数量的CPU、内存和GPU等资源。一旦一个Pod被分配了这些资源,这些资源就被视为Pod的不可变部分,不能直接修改。
在实际的业务中,有些任务需要在某些时间段内使用GPU资源,但在其他时间段内则不需要,比如,机器学习任务通常在训练模型阶段需要使用GPU资源,但在数据预处理、训练环境加载等阶段不需要使用GPU资源。如果这些业务在其生命周期内一直保持对GPU资源的占用,就会导致GPU资源长期闲置,造成GPU资源浪费。因此,在不影响业务的前提下,如果能够释放这些闲置GPU资源,让其他业务能使用这部分GPU资源,就能提高GPU资源的使用效率。
本公开提供了一种GPU资源调整方法,可以应用于上述Kubernetes场景,对Kubernetes中的容器进行动态GPU资源调整,从而有效提高Kubernetes中的GPU资源使用率。下面对本公开的GPU资源调整方法进行详细描述。
图1示出根据本公开实施例的一种GPU资源调整方法的流程图。如图1所示,该方法包括:
在步骤S11中,确定共享目标GPU的多个容器中每个容器对应的GPU资源使用率。
在Kubernetes中,可以基于可扩展(scalable)GPU(sGPU)技术,实现多个容器共享一个硬件GPU。在这种场景下,可以将共享目标GPU的多个容器视为一个整体,以实现对目标GPU提供的GPU资源进行统一管理。
在一示例中,共享目标GPU的多个容器的数目有上限(例如,16个),因此,将共享目标GPU的多个容器视为一个整体进行统一资源管理的计算复杂度不会太大。
后文会结合本公开可能的实现方式,对确定共享目标GPU的多个容器中每个容器对应的GPU资源使用率的具体过程进行详细描述,此处不做赘述。
在步骤S12中,在根据第一容器对应的GPU资源使用率,确定第一容器需要进行GPU资源调整的情况下,确定第一容器对应的GPU资源调整类型,其中,第一容器是共享目标GPU的多个容器中的任意一个。
在得到每个容器对应的GPU资源使用率后,如果根据第一容器对应的GPU资源使用率,确定第一容器需要进行GPU资源调整的情况下,可以进一步根据第一容器对应的GPU资源使用率,确定第一容器对应的GPU资源调整类型,以便后续能够对第一容器进行合理的GPU资源调整。
后文会结合本公开可能的实现方式,对如何确定第一容器是否需要进行GPU资源调整,以及如何确定第一容器对应的GPU资源调整类型进行详细描述,此处不做赘述。
在步骤S13中,根据第一容器对应的GPU资源调整类型,确定是否需要进行GPU资源协同调整,其中,GPU资源协同调整用于控制共享目标GPU的多个容器的GPU资源申请总量不超过目标GPU提供的GPU资源总量。
在确定第一容器对应的GPU资源调整类型之后,为了降低GPU资源泄漏的概率,进一步确定是否需要进行GPU资源协同调整,以确保进行GPU资源调整之后,共享目标GPU的多个容器的GPU资源申请总量不超过目标GPU提供的GPU资源总量。
后文会结合本公开可能的实现方式,对如何根据第一容器对应的GPU资源调整类型,确定是否需要进行GPU资源协同调整的具体过程进行详细描述,此处不做赘述。
在步骤S14中,在确定需要进行GPU资源协同调整的情况下,确定共享目标GPU的多个容器中是否存在符合GPU资源协同调整条件的第二容器。
在确定需要进行GPU资源协同调整的情况下,在共享目标GPU的多个容器中,确定是否存在能够与第一容器进行GPU资源协同调整的第二容器。
后文会结合本公开可能的实现方式,对如何是否存在符合GPU资源协同调整条件的第二容器进行详细描述,此处不做赘述。
在步骤S15中,在存在第二容器的情况下,对第一容器和至少一个第二容器进行GPU资源协同调整。
在确定需要进行GPU资源协同调整的情况下,且存在能够与第一容器进行GPU资源协同调整的第二容器的情况下,对第一容器和至少一个第二容器进行GPU资源协同调整,以确保进行GPU协同资源调整之后,共享目标GPU的多个容器的GPU资源申请总量不超过目标GPU提供的GPU资源总量。
后文会结合本公开可能的实现方式,对第一容器和至少一个第二容器进行GPU资源协同调整的具体过程进行详细描述,此处不做赘述。
在本公开实施例中,在Kubernetes中,将共享某一个目标GPU的多个容器看作一个整体,确定每个容器对应的GPU资源使用率,在根据第一容器对应的GPU资源使用率,确定第一容器需要进行GPU资源调整的情况下,确定第一容器对应的GPU资源调整类型,并根据第一容器对应的GPU资源调整类型,确定是否需要进行GPU资源协同调整,从而有效控制共享目标GPU的多个容器的GPU资源申请总量不超过目标GPU提供的GPU资源总量,降低GPU资源泄漏的概率,进而,在确定需要进行GPU资源协同调整的情况下,确定共享目标GPU的多个容器中是否存在符合GPU资源协同调整条件的至少一个第二容器,以及在存在第二容器的情况下,对第一容器和至少一个第二容器进行GPU资源协同调整,从而有效实现在Kubernetes中根据实际需求对目标GPU上的容器进行动态GPU资源调整,有效提高了Kubernetes的GPU资源使用率。
在一种可能的实现方式中,确定共享目标GPU的多个容器中每个容器对应的GPU资源使用率,包括:针对共享目标GPU的多个容器中的任意一个容器,基于预设资源调度周期,通过访问该容器对应的资源配置文件,确定该容器对应的GPU资源使用率。
在Kubernetes中包括多个节点,每个节点上包括多个容器。在Kubernetes中基于sGPU技术实现GPU资源共享的场景下,每个节点可以加载一个sGPU内核模块,以实现对共享GPU资源的有效管理。
针对任意一个节点,在该节点加载了sGPU内核模块之后,该sGPU内核模块会初始化资源配置目录(例如,/proc/sgpu_km)。针对该节点中每个容器,可以通过访问该容器对应的资源配置目录(例如,/proc/sgpu_km/:gpu_id/:container_id/),确定该容器对应的资源配置文件。针对任意一个容器,可以通过访问该容器对应的资源配置文件,确定该容器申请的显存大小和显存利用情况,进而确定该容器对应的资源使用率。
针对共享目标GPU的多个容器中的任意一个容器,均可以通过访问该容器对应的资源配置文件,确定该容器对应的GPU资源使用率。
预设资源调度周期的具体取值可以根据实际情况灵活设置,例如,可以是固定,也可以是不固定的,即获取GPU资源使用率可以是定期的,也可以是不定期的,本公开对此不做具体限定。
在一示例中,可以按照固定或者不固定的预设资源调度周期,通过访问共享目标GPU的多个容器中每个容器对应的资源配置文件,以确定每个容器对应的GPU资源使用率,进而针对共享目标GPU的多个容器实现定期或者不定期的动态GPU资源调整。
图2示出根据本公开实施例的一种GPU资源调整系统的示意图。如图2所示,Kubernetes中包括三个节点,每个节点可以加载一个sGPU内核模块。针对任意一个节点,该节点加载的sGPU内核模块可以初始化该节点下每个容器对应的资源配置文件,以对每个容器的资源使用情况进行管理。
如图2所示,Kubernetes中还包括:Prometheus服务监控系统、弹性sGPU客户端(Elastic sGPU client)。弹性sGPU客户端可以基于Prometheus服务监控系统,定时访问Kubernetes中各个容器的资源配置文件,以获取每个容器对应的GPU资源使用率,以及每个容器运行在哪个硬件GPU上。此时,可以确定共享一个硬件GPU的多个容器中每个容器对应的GPU资源使用率。
在确定每个容器对应的GPU资源使用率之后,可以进一步确定是否需要进行GPU资源调整。以上述图2为例,弹性sGPU客户端中可以包括资源调整模块,用于根据任意一个容器对应的GPU资源使用率,确定是否需要对该容器进行GPU资源调整。
在一种可能的实现方式中,在根据第一容器对应的GPU资源使用率,确定第一容器需要进行GPU资源调整的情况下,确定第一容器对应的GPU资源调整类型,包括:在第一容器对应的GPU资源使用率大于第一预设阈值的情况下,确定需要对第一容器进行GPU资源调整,且第一容器对应的GPU资源调整类型为GPU扩容;在第一容器对应的GPU资源使用率小于第二预设阈值的情况下,确定需要对第一容器进行GPU资源调整,且第一容器对应的GPU资源调整类型为GPU缩容。
资源调整模块在确定第一容器对应的GPU资源使用率大于第一预设阈值的情况下,可以确定第一容器当前的GPU资源申请量低于实际使用需求,此时,需要对第一容器进行GPU资源调整,且第一容器对应的GPU资源调整类型为GPU扩容。其中,第一预设阈值的具体取值可以根据实际情况进行灵活设置,本公开对此不做具体限定。
资源调整模块在确定第一容器对应的GPU资源使用率小于第二预设阈值的情况下,可以确定第二容器当前的GPU资源申请量高于实际使用需求,此时,需要对第一容器进行GPU资源调整,且第一容器对应的GPU资源调整类型为GPU缩容。其中,第二预设阈值的具体取值可以根据实际情况进行灵活设置,本公开对此不做具体限定。
在一种可能的实现方式中,根据第一容器对应的GPU资源调整类型,确定是否需要进行GPU资源协同调整,包括:在第一容器对应的GPU资源调整类型为GPU扩容的情况下,确定需要进行GPU资源协同调整;在第一容器对应的GPU资源调整类型为GPU缩容的情况下,确定不需要进行GPU资源协同调整。
GPU是一种不可压缩资源,资源泄漏会导致难以预料的问题,资源调整模块将运行在目标GPU上的多个容器视作一个整体,在第一容器对应的GPU资源调整类型为GPU扩容的情况下进行GPU资源协同调整,以确保GPU资源协同调整后共享目标GPU的多个容器的GPU资源申请总量不超过目标GPU提供的GPU资源总量,降低GPU资源泄漏的概率;在第一容器对应的GPU资源调整类型为GPU扩容的情况下,由于不会存在GPU资源泄漏的情况,无需进行GPU资源协同调整。
在一种可能的实现方式中,该方法还包括:在确定不需要进行GPU资源协同调整的情况下,通过调低第一容器对应的可用GPU资源容量,对第一容器进行GPU缩容,其中,第一容器对应的可用GPU资源容量用于指示第一容器的GPU资源申请量上限。
资源调整模块在确定不需要进行GPU资源协同调整,即第一容器对应的GPU资源调整类型为GPU缩容的情况下,通过调低第一容器对应的可用GPU资源容量,即调低第一容器的GPU资源申请量上限,以有效实现对第一容器进行GPU缩容。
以上述图2为例,如图2所示,Kubernetes中还包括:弹性sGPU服务端(ElasticsGPU server)。弹性sGPU服务端是一个对外提供服务的服务器,部署形式可以为Damonset,还可以是其他部署形式,本公开对此不做具体限定。
弹性sGPU客户端基于内置的资源调整模块确定对第一容器进行缩容的情况下,弹性sGPU客户端向弹性sGPU服务端发送GPU资源调整请求。弹性sGPU服务端接收到GPU资源调整请求后,从资源调整请求中提取第一容器的参数信息(例如,容器标识、pod标识、节点标识、GPU缩容量等),进而基于第一容器的参数信息,通过修改第一容器对应的资源配置文件,调低第一容器的GPU资源申请量上限,从而有效实现对第一容器的GPU缩容。
在一种可能的实现方式中,在确定需要进行GPU资源协同调整的情况下,确定共享目标GPU的多个容器中是否存在符合GPU资源协同调整条件的第二容器,包括:确定共享目标GPU的多个容器中是否存在GPU资源使用率小于第三预设阈值的第二容器。
资源调整模块在确定需要进行GPU资源协同调整,即第一容器对应的GPU资源调整类型为GPU扩容的情况下,需要进一步确定共享目标GPU的多个容器中是否存在GPU资源使用率小于第三预设阈值的第二容器,即确定是否存在需要进行GPU缩容的第二容器,以使得能够在对第一容器进行GPU扩容后,通过对至少一个第二容器进行GPU缩容,来控制共享目标GPU的多个容器的GPU资源申请总量不超过目标GPU提供的GPU资源总量。其中,第三预设阈值的具体取值可以根据实际情况灵活设置,本公开对此不做具体限定。
在一种可能的实现方式中,在存在第二容器的情况下,对第一容器和至少一个第二容器进行GPU资源协同调整,包括:通过调高第一容器对应的可用GPU资源容量,对第一容器进行GPU扩容;通过调低至少一个第二容器对应的可用GPU资源容量,对至少一个第二容器进行GPU缩容;其中,针对任意一个容器,该容器对应的可用GPU资源容量用于指示该容器的GPU资源申请量上限。
资源调整模块在确定存在第二容器的情况下,对第一容器和至少一个第二容器进行GPU资源协同调整,调高第一容器对应的可用GPU资源容量,以实现对第一容器进行GPU扩容,调低至少一个第二容器对应的可用GPU资源容量,以实现对至少一个第二容器进行GPU缩容。
在一种可能的实现方式中,该方法还包括:在确定需要进行GPU资源协同调整,且不存在第二容器的情况下,限制对第一容器进行GPU扩容。
资源调整模块在确定需要进行GPU资源协同调整,但是确定不存在符合GPU资源协同调整条件的第二容器的情况下,为了降低对第一容器进行GPU扩容后出现GPU资源泄漏的问题,在当前预设资源调度周期内限制对第一容器进行GPU扩容,即不允许对第一容器进行GPU扩容,等待下一个预设资源调度周期重复执行上述过程,确定是否能够进行GPU资源调整。
在一示例中,针对共享目标GPU的多个容器,假如容器1的GPU使用率超过了第一预设阈值A,此时,需要对容器1进行GPU扩容(例如,扩容10%),但在对容器1扩容的同时,需要寻找一个GPU使用率低于第二预设阈值B的容器2,对容器2进行GPU缩容,以保证此次协同操作后共享目标GPU的多个容器的GPU资源申请总量不超过目标GPU提供的GPU资源总量,如果找不到符合条件的容器2,则认为容器1无法进行GPU扩容,等待下一个预设资源调度周期继续查找,基于上述方式,以一种全局视角进行GPU资源调整决策的方案,就降低了某个容器进行GPU扩容导致的资源超发引起GPU资源泄漏的概率,同时也引入一定容器上的GPU资源弹性使用特性。
在一种可能的实现方式中,对第一容器和至少一个第二容器进行GPU资源协同调整,包括:通过分别修改第一容器和至少一个第二容器对应的资源配置文件,对第一容器和至少一个第二容器进行GPU资源协同调整。
弹性sGPU客户端基于内置的资源调整模块确定对第一容器进行扩容、对至少一个第二容器进行GPU缩容的情况下,弹性sGPU客户端向弹性sGPU服务端发送GPU资源调整请求。弹性sGPU服务端接收到GPU资源调整请求后,从资源调整请求中提取第一容器的参数信息(例如,容器标识、pod标识、节点标识、GPU扩容量等)、第二容器的参数信息(例如,容器标识、pod标识、节点标识、GPU缩容量等),进而基于第一容器的参数信息修改第一容器对应的资源配置文件,调高第一容器的GPU资源申请量上限,基于第二容器的参数信息修改第二容器对应的资源配置文件,调低第二容器的GPU资源申请量上限,从而有效实现对第一容器的GPU扩容、对第二容器的GPU缩容。其中,GPU扩容的扩容量、以及GPU缩容的缩容量的具体取值可以根据实际情况灵活设置,本公开对此不做具体限定。
在本公开实施例中,在Kubernetes中,将共享某一个目标GPU的多个容器看作一个整体,确定每个容器对应的GPU资源使用率,在根据第一容器对应的GPU资源使用率,确定第一容器需要进行GPU资源调整的情况下,确定第一容器对应的GPU资源调整类型,并根据第一容器对应的GPU资源调整类型,确定是否需要进行GPU资源协同调整,从而有效控制共享目标GPU的多个容器的GPU资源申请总量不超过目标GPU提供的GPU资源总量,降低GPU资源泄漏的概率,进而,在确定需要进行GPU资源协同调整的情况下,确定共享目标GPU的多个容器中是否存在符合GPU资源协同调整条件的第二容器,以及在存在第二容器的情况下,对第一容器和至少一个第二容器进行GPU资源协同调整,从而有效实现在Kubernetes中根据实际需求对目标GPU上的容器进行动态GPU资源调整,有效提高了Kubernetes的GPU资源使用率。
可以理解,本公开提及的上述各个方法实施例,在不违背原理逻辑的情况下,均可以彼此相互结合形成结合后的实施例,限于篇幅,本公开不再赘述。本领域技术人员可以理解,在具体实施方式的上述方法中,各步骤的具体执行顺序应当以其功能和可能的内在逻辑确定。
此外,本公开还提供了GPU资源调整系统、电子设备、计算机可读存储介质、程序,上述均可用来实现本公开提供的任一种GPU资源调整方法,相应技术方案和描述和参见方法部分的相应记载,不再赘述。
图3示出根据本公开实施例的一种GPU资源调整系统的框图。如图3所示,GPU资源调整系统包括:
弹性共享GPU服务器,用于确定共享目标GPU的多个容器中每个容器对应的GPU资源使用率;
资源调整模块,用于在根据第一容器对应的GPU资源使用率,确定第一容器需要进行GPU资源调整的情况下,确定第一容器对应的GPU资源调整类型,其中,第一容器是共享目标GPU的多个容器中的任意一个;
资源调整模块,用于根据第一容器对应的GPU资源调整类型,确定是否需要进行GPU资源协同调整,其中,GPU资源协同调整用于控制共享目标GPU的多个容器的GPU资源申请总量不超过目标GPU提供的GPU资源总量;
资源调整模块,用于在确定需要进行GPU资源协同调整的情况下,确定共享目标GPU的多个容器中是否存在符合GPU资源协同调整条件的第二容器;
资源调整模块,用于在存在第二容器的情况下,对第一容器和至少一个第二容器进行GPU资源协同调整。
在一种可能的实现方式中,资源调整模块,具体用于:
在第一容器对应的GPU资源使用率大于第一预设阈值的情况下,确定需要对第一容器进行GPU资源调整,且第一容器对应的GPU资源调整类型为GPU扩容;
在第一容器对应的GPU资源使用率小于第二预设阈值的情况下,确定需要对第一容器进行GPU资源调整,且第一容器对应的GPU资源调整类型为GPU缩容。
在一种可能的实现方式中,资源调整模块,具体用于:
在第一容器对应的GPU资源调整类型为GPU扩容的情况下,确定需要进行GPU资源协同调整;
在第一容器对应的GPU资源调整类型为GPU缩容的情况下,确定不需要进行GPU资源协同调整。
在一种可能的实现方式中,资源调整模块,具体用于:
确定共享目标GPU的多个容器中是否存在GPU资源使用率小于第三预设阈值的第二容器。
在一种可能的实现方式中,资源调整模块,具体用于:
通过调高第一容器对应的可用GPU资源容量,对第一容器进行GPU扩容;
通过调低至少一个第二容器对应的可用GPU资源容量,对至少一个第二容器进行GPU缩容;
其中,针对任意一个容器,该容器对应的可用GPU资源容量用于指示该容器的GPU资源申请量上限。
在一种可能的实现方式中,GPU资源调整系统,还包括:限制资源调整模块,用于在确定需要进行GPU资源协同调整,且不存在第二容器的情况下,限制对第一容器进行GPU扩容。
在一种可能的实现方式中,资源调整模块,具体用于:
在确定不需要进行GPU资源协同调整的情况下,通过调低第一容器对应的可用GPU资源容量,对第一容器进行GPU缩容,其中,第一容器对应的可用GPU资源容量用于指示第一容器的GPU资源申请量上限。
在一种可能的实现方式中,弹性共享GPU服务器,具体用于:
针对共享目标GPU的多个容器中的任意一个容器,基于预设资源调度周期,通过访问该容器对应的资源配置文件,确定该容器对应的GPU资源使用率。
在一种可能的实现方式中,资源调整模块,具体用于:
通过分别修改第一容器和至少一个第二容器对应的资源配置文件,对第一容器和至少一个第二容器进行GPU资源协同调整。
该方法与计算机系统的内部结构存在特定技术关联,且能够解决如何提升硬件运算效率或执行效果的技术问题(包括减少数据存储量、减少数据传输量、提高硬件处理速度等),从而获得符合自然规律的计算机系统内部性能改进的技术效果。
在一些实施例中,本公开实施例提供的装置具有的功能或包含的模块可以用于执行上文方法实施例描述的方法,其具体实现可以参照上文方法实施例的描述,为了简洁,这里不再赘述。
本公开实施例还提出一种计算机可读存储介质,其上存储有计算机程序指令,所述计算机程序指令被处理器执行时实现上述方法。计算机可读存储介质可以是易失性或非易失性计算机可读存储介质。
本公开实施例还提出一种电子设备,包括:处理器;用于存储处理器可执行指令的存储器;其中,所述处理器被配置为调用所述存储器存储的指令,以执行上述方法。
本公开实施例还提供了一种计算机程序产品,包括计算机可读代码,或者承载有计算机可读代码的非易失性计算机可读存储介质,当所述计算机可读代码在电子设备的处理器中运行时,所述电子设备中的处理器执行上述方法。
电子设备可以被提供为终端、服务器或其它形态的设备。
图4示出根据本公开实施例的一种电子设备的框图。参照图4,电子设备1900可以被提供为一服务器或终端设备。参照图4,电子设备1900包括处理组件1922,其进一步包括一个或多个处理器,以及由存储器1932所代表的存储器资源,用于存储可由处理组件1922的执行的指令,例如应用程序。存储器1932中存储的应用程序可以包括一个或一个以上的每一个对应于一组指令的模块。此外,处理组件1922被配置为执行指令,以执行上述方法。
电子设备1900还可以包括一个电源组件1926被配置为执行电子设备1900的电源管理,一个有线或无线网络接口1950被配置为将电子设备1900连接到网络,和一个输入输出接口1958。电子设备1900可以操作基于存储在存储器1932的操作系统,例如微软服务器操作系统(Windows ServerTM),苹果公司推出的基于图形用户界面操作系统(Mac OS XTM),多用户多进程的计算机操作系统(UnixTM),自由和开放原代码的类Unix操作系统(LinuxTM),开放原代码的类Unix操作系统(FreeBSDTM)或类似。
在示例性实施例中,还提供了一种非易失性计算机可读存储介质,例如包括计算机程序指令的存储器1932,上述计算机程序指令可由电子设备1900的处理组件1922执行以完成上述方法。
本公开可以是系统、方法和/或计算机程序产品。计算机程序产品可以包括计算机可读存储介质,其上载有用于使处理器实现本公开的各个方面的计算机可读程序指令。
计算机可读存储介质可以是可以保持和存储由指令执行设备使用的指令的有形设备。计算机可读存储介质例如可以是(但不限于)电存储设备、磁存储设备、光存储设备、电磁存储设备、半导体存储设备或者上述的任意合适的组合。计算机可读存储介质的更具体的例子(非穷举的列表)包括:便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、静态随机存取存储器(SRAM)、便携式压缩盘只读存储器(CD-ROM)、数字多功能盘(DVD)、记忆棒、软盘、机械编码设备、例如其上存储有指令的打孔卡或凹槽内凸起结构、以及上述的任意合适的组合。这里所使用的计算机可读存储介质不被解释为瞬时信号本身,诸如无线电波或者其他自由传播的电磁波、通过波导或其他传输媒介传播的电磁波(例如,通过光纤电缆的光脉冲)、或者通过电线传输的电信号。
这里所描述的计算机可读程序指令可以从计算机可读存储介质下载到各个计算/处理设备,或者通过网络、例如因特网、局域网、广域网和/或无线网下载到外部计算机或外部存储设备。网络可以包括铜传输电缆、光纤传输、无线传输、路由器、防火墙、交换机、网关计算机和/或边缘服务器。每个计算/处理设备中的网络适配卡或者网络接口从网络接收计算机可读程序指令,并转发该计算机可读程序指令,以供存储在各个计算/处理设备中的计算机可读存储介质中。
用于执行本公开操作的计算机程序指令可以是汇编指令、指令集架构(ISA)指令、机器指令、机器相关指令、微代码、固件指令、状态设置数据、或者以一种或多种编程语言的任意组合编写的源代码或目标代码,所述编程语言包括面向对象的编程语言—诸如Smalltalk、C++等,以及常规的过程式编程语言—诸如“C”语言或类似的编程语言。计算机可读程序指令可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中,远程计算机可以通过任意种类的网络—包括局域网(LAN)或广域网(WAN)—连接到用户计算机,或者,可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。在一些实施例中,通过利用计算机可读程序指令的状态信息来个性化定制电子电路,例如可编程逻辑电路、现场可编程门阵列(FPGA)或可编程逻辑阵列(PLA),该电子电路可以执行计算机可读程序指令,从而实现本公开的各个方面。
这里参照根据本公开实施例的方法、装置(系统)和计算机程序产品的流程图和/或框图描述了本公开的各个方面。应当理解,流程图和/或框图的每个方框以及流程图和/或框图中各方框的组合,都可以由计算机可读程序指令实现。
这些计算机可读程序指令可以提供给通用计算机、专用计算机或其它可编程数据处理装置的处理器,从而生产出一种机器,使得这些指令在通过计算机或其它可编程数据处理装置的处理器执行时,产生了实现流程图和/或框图中的一个或多个方框中规定的功能/动作的装置。也可以把这些计算机可读程序指令存储在计算机可读存储介质中,这些指令使得计算机、可编程数据处理装置和/或其他设备以特定方式工作,从而,存储有指令的计算机可读介质则包括一个制造品,其包括实现流程图和/或框图中的一个或多个方框中规定的功能/动作的各个方面的指令。
也可以把计算机可读程序指令加载到计算机、其它可编程数据处理装置、或其它设备上,使得在计算机、其它可编程数据处理装置或其它设备上执行一系列操作步骤,以产生计算机实现的过程,从而使得在计算机、其它可编程数据处理装置、或其它设备上执行的指令实现流程图和/或框图中的一个或多个方框中规定的功能/动作。
附图中的流程图和框图显示了根据本公开的多个实施例的系统、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。在这点上,流程图或框图中的每个方框可以代表一个模块、程序段或指令的一部分,所述模块、程序段或指令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。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,两个连续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,框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合,可以用执行规定的功能或动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。
该计算机程序产品可以具体通过硬件、软件或其结合的方式实现。在一个可选实施例中,所述计算机程序产品具体体现为计算机存储介质,在另一个可选实施例中,计算机程序产品具体体现为软件产品,例如软件开发包(Software Development Kit,SDK)等等。
上文对各个实施例的描述倾向于强调各个实施例之间的不同之处,其相同或相似之处可以互相参考,为了简洁,本文不再赘述。
本领域技术人员可以理解,在具体实施方式的上述方法中,各步骤的撰写顺序并不意味着严格的执行顺序而对实施过程构成任何限定,各步骤的具体执行顺序应当以其功能和可能的内在逻辑确定。
若本申请技术方案涉及个人信息,应用本申请技术方案的产品在处理个人信息前,已明确告知个人信息处理规则,并取得个人自主同意。若本申请技术方案涉及敏感个人信息,应用本申请技术方案的产品在处理敏感个人信息前,已取得个人单独同意,并且同时满足“明示同意”的要求。例如,在摄像头等个人信息采集装置处,设置明确显著的标识告知已进入个人信息采集范围,将会对个人信息进行采集,若个人自愿进入采集范围即视为同意对其个人信息进行采集;或者在个人信息处理的装置上,利用明显的标识/信息告知个人信息处理规则的情况下,通过弹窗信息或请个人自行上传其个人信息等方式获得个人授权;其中,个人信息处理规则可包括个人信息处理者、个人信息处理目的、处理方式以及处理的个人信息种类等信息。
以上已经描述了本公开的各实施例,上述说明是示例性的,并非穷尽性的,并且也不限于所披露的各实施例。在不偏离所说明的各实施例的范围和精神的情况下,对于本技术领域的普通技术人员来说许多修改和变更都是显而易见的。本文中所用术语的选择,旨在最好地解释各实施例的原理、实际应用或对市场中的技术的改进,或者使本技术领域的其它普通技术人员能理解本文披露的各实施例。
Claims (12)
1.一种GPU资源调整方法,其特征在于,包括:
确定共享目标GPU的多个容器中每个容器对应的GPU资源使用率;
在根据第一容器对应的GPU资源使用率,确定所述第一容器需要进行GPU资源调整的情况下,确定所述第一容器对应的GPU资源调整类型,其中,所述第一容器是共享所述目标GPU的多个容器中的任意一个;
根据所述第一容器对应的GPU资源调整类型,确定是否需要进行GPU资源协同调整,其中,所述GPU资源协同调整用于控制共享所述目标GPU的多个容器的GPU资源申请总量不超过所述目标GPU提供的GPU资源总量;
在确定需要进行GPU资源协同调整的情况下,确定共享所述目标GPU的多个容器中是否存在符合GPU资源协同调整条件的第二容器;
在存在所述第二容器的情况下,对所述第一容器和至少一个所述第二容器进行GPU资源协同调整。
2.根据权利要求1所述的方法,其特征在于,所述在根据第一容器对应的GPU资源使用率,确定所述第一容器需要进行GPU资源调整的情况下,确定所述第一容器对应的GPU资源调整类型,包括:
在所述第一容器对应的GPU资源使用率大于第一预设阈值的情况下,确定需要对所述第一容器进行GPU资源调整,且所述第一容器对应的GPU资源调整类型为GPU扩容;
在所述第一容器对应的GPU资源使用率小于第二预设阈值的情况下,确定需要对所述第一容器进行GPU资源调整,且所述第一容器对应的GPU资源调整类型为GPU缩容。
3.根据权利要求2所述的方法,其特征在于,所述根据所述第一容器对应的GPU资源调整类型,确定是否需要进行GPU资源协同调整,包括:
在所述第一容器对应的GPU资源调整类型为GPU扩容的情况下,确定需要进行GPU资源协同调整;
在所述第一容器对应的GPU资源调整类型为GPU缩容的情况下,确定不需要进行GPU资源协同调整。
4.根据权利要求1所述的方法,其特征在于,所述在确定需要进行GPU资源协同调整的情况下,确定共享所述目标GPU的多个容器中是否存在符合GPU资源协同调整条件的第二容器,包括:
确定共享所述目标GPU的多个容器中是否存在GPU资源使用率小于第三预设阈值的所述第二容器。
5.根据权利要求4所述的方法,其特征在于,所述在存在所述第二容器的情况下,对所述第一容器和至少一个所述第二容器进行GPU资源协同调整,包括:
通过调高所述第一容器对应的可用GPU资源容量,对所述第一容器进行GPU扩容;
通过调低至少一个所述第二容器对应的可用GPU资源容量,对至少一个所述第二容器进行GPU缩容;
其中,针对任意一个容器,该容器对应的可用GPU资源容量用于指示该容器的GPU资源申请量上限。
6.根据权利要求3所述的方法,其特征在于,所述方法还包括:
在确定需要进行GPU资源协同调整,且不存在所述第二容器的情况下,限制对所述第一容器进行GPU扩容。
7.根据权利要求3所述的方法,其特征在于,所述方法还包括:
在确定不需要进行GPU资源协同调整的情况下,通过调低所述第一容器对应的可用GPU资源容量,对所述第一容器进行GPU缩容,其中,所述第一容器对应的可用GPU资源容量用于指示所述第一容器的GPU资源申请量上限。
8.根据权利要求1所述的方法,其特征在于,所述确定共享目标GPU的多个容器中每个容器对应的GPU资源使用率,包括:
针对共享所述目标GPU的多个容器中的任意一个容器,基于预设资源调度周期,通过访问该容器对应的资源配置文件,确定该容器对应的GPU资源使用率。
9.根据权利要求1至8任一项所述的方法,其特征在于,所述对所述第一容器和至少一个所述第二容器进行GPU资源协同调整,包括:
通过分别修改所述第一容器和至少一个所述第二容器对应的资源配置文件,对所述第一容器和至少一个所述第二容器进行GPU资源协同调整。
10.一种GPU资源调整系统,其特征在于,包括:
弹性共享GPU服务器,用于确定共享目标GPU的多个容器中每个容器对应的GPU资源使用率;
资源调整模块,用于在根据第一容器对应的GPU资源使用率,确定所述第一容器需要进行GPU资源调整的情况下,确定所述第一容器对应的GPU资源调整类型,其中,所述第一容器是共享所述目标GPU的多个容器中的任意一个;
所述资源调整模块,用于根据所述第一容器对应的GPU资源调整类型,确定是否需要进行GPU资源协同调整,其中,所述GPU资源协同调整用于控制共享所述目标GPU的多个容器的GPU资源申请总量不超过所述目标GPU提供的GPU资源总量;
所述资源调整模块,用于在确定需要进行GPU资源协同调整的情况下,确定共享所述目标GPU的多个容器中是否存在符合GPU资源协同调整条件的第二容器;
所述资源调整模块,用于在存在所述第二容器的情况下,对所述第一容器和至少一个所述第二容器进行GPU资源协同调整。
11.一种电子设备,其特征在于,包括:
用于存储处理器可执行指令的存储器;
其中,所述处理器被配置为调用所述存储器存储的指令,以执行权利要求1至9中任意一项所述的方法。
12.一种计算机可读存储介质,其上存储有计算机程序指令,其特征在于,所述计算机程序指令被处理器执行时实现权利要求1至9中任意一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311459752.XA CN117421123B (zh) | 2023-11-03 | 2023-11-03 | 一种gpu资源调整方法及系统、电子设备和存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311459752.XA CN117421123B (zh) | 2023-11-03 | 2023-11-03 | 一种gpu资源调整方法及系统、电子设备和存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117421123A true CN117421123A (zh) | 2024-01-19 |
CN117421123B CN117421123B (zh) | 2024-04-19 |
Family
ID=89528131
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311459752.XA Active CN117421123B (zh) | 2023-11-03 | 2023-11-03 | 一种gpu资源调整方法及系统、电子设备和存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117421123B (zh) |
Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20150371355A1 (en) * | 2014-06-19 | 2015-12-24 | Vmware, Inc. | Host-Based Heterogeneous Multi-GPU Assignment |
US20180349204A1 (en) * | 2017-06-02 | 2018-12-06 | Alibaba Group Holding Limited | Method and apparatus for implementing virtual gpu and system |
CN111522636A (zh) * | 2020-04-03 | 2020-08-11 | 安超云软件有限公司 | 应用容器的调整方法、调整系统、计算机可读介质及终端设备 |
CN111538586A (zh) * | 2020-01-23 | 2020-08-14 | 中国银联股份有限公司 | 集群gpu资源管理调度系统、方法以及计算机可读存储介质 |
CN112181649A (zh) * | 2020-09-22 | 2021-01-05 | 广州品唯软件有限公司 | 一种容器资源调整方法、装置、计算机设备及存储介质 |
CN112631780A (zh) * | 2020-12-28 | 2021-04-09 | 浙江大华技术股份有限公司 | 资源调度方法和装置、存储介质及电子设备 |
CN113127192A (zh) * | 2021-03-12 | 2021-07-16 | 山东英信计算机技术有限公司 | 一种多个服务共享同一个gpu的方法、系统、设备及介质 |
CN115658332A (zh) * | 2022-12-28 | 2023-01-31 | 摩尔线程智能科技(北京)有限责任公司 | 一种gpu共享方法及装置、电子设备和存储介质 |
CN116340005A (zh) * | 2023-05-26 | 2023-06-27 | 北京好心情互联网医院有限公司 | 容器集群的调度方法、装置、设备及存储介质 |
CN116662009A (zh) * | 2023-06-09 | 2023-08-29 | 摩尔线程智能科技(北京)有限责任公司 | Gpu资源分配方法、装置、电子设备和存储介质 |
CN116795520A (zh) * | 2022-03-15 | 2023-09-22 | 中移动信息技术有限公司 | 资源调度方法、装置、电子设备和存储介质 |
-
2023
- 2023-11-03 CN CN202311459752.XA patent/CN117421123B/zh active Active
Patent Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20150371355A1 (en) * | 2014-06-19 | 2015-12-24 | Vmware, Inc. | Host-Based Heterogeneous Multi-GPU Assignment |
US20180349204A1 (en) * | 2017-06-02 | 2018-12-06 | Alibaba Group Holding Limited | Method and apparatus for implementing virtual gpu and system |
CN111538586A (zh) * | 2020-01-23 | 2020-08-14 | 中国银联股份有限公司 | 集群gpu资源管理调度系统、方法以及计算机可读存储介质 |
CN111522636A (zh) * | 2020-04-03 | 2020-08-11 | 安超云软件有限公司 | 应用容器的调整方法、调整系统、计算机可读介质及终端设备 |
CN112181649A (zh) * | 2020-09-22 | 2021-01-05 | 广州品唯软件有限公司 | 一种容器资源调整方法、装置、计算机设备及存储介质 |
CN112631780A (zh) * | 2020-12-28 | 2021-04-09 | 浙江大华技术股份有限公司 | 资源调度方法和装置、存储介质及电子设备 |
CN113127192A (zh) * | 2021-03-12 | 2021-07-16 | 山东英信计算机技术有限公司 | 一种多个服务共享同一个gpu的方法、系统、设备及介质 |
CN116795520A (zh) * | 2022-03-15 | 2023-09-22 | 中移动信息技术有限公司 | 资源调度方法、装置、电子设备和存储介质 |
CN115658332A (zh) * | 2022-12-28 | 2023-01-31 | 摩尔线程智能科技(北京)有限责任公司 | 一种gpu共享方法及装置、电子设备和存储介质 |
CN116340005A (zh) * | 2023-05-26 | 2023-06-27 | 北京好心情互联网医院有限公司 | 容器集群的调度方法、装置、设备及存储介质 |
CN116662009A (zh) * | 2023-06-09 | 2023-08-29 | 摩尔线程智能科技(北京)有限责任公司 | Gpu资源分配方法、装置、电子设备和存储介质 |
Non-Patent Citations (3)
Title |
---|
SUN GONGJIAN: "Multi-Node Acceleration for Large-Scale GCNs", IEEE TRANSACTIONS ON COMPUTERS, vol. 71, no. 12, 31 December 2022 (2022-12-31) * |
左灿;刘晓洁;: "一种改进的Kubernetes动态资源调度方法", 数据通信, no. 02, 28 April 2019 (2019-04-28) * |
谢文舟;孙艳霞;: "基于Kubernetes负载特征的资源预测模型研究", 网络安全技术与应用, no. 04, 15 April 2018 (2018-04-15) * |
Also Published As
Publication number | Publication date |
---|---|
CN117421123B (zh) | 2024-04-19 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11520633B2 (en) | Thread associated memory allocation and memory architecture aware allocation | |
US11442779B2 (en) | Method, device and computer program product for determining resource amount for dedicated processing resources | |
US20190196875A1 (en) | Method, system and computer program product for processing computing task | |
CN109697121B (zh) | 用于向应用分配处理资源的方法、设备和计算机可读介质 | |
CN110166507B (zh) | 多资源调度方法和装置 | |
CN112463290A (zh) | 动态调整计算容器的数量的方法、系统、装置和存储介质 | |
CN111858040A (zh) | 一种资源调度方法和装置 | |
CN106575241B (zh) | 移动和远程运行时集成 | |
CN117421123B (zh) | 一种gpu资源调整方法及系统、电子设备和存储介质 | |
US20220343209A1 (en) | Method, device, and computer program product for managing machine learning model | |
CN114595047A (zh) | 一种批量任务处理方法和装置 | |
US20210349771A1 (en) | Systems and methods for generating an api caching library using a shared resource file | |
CN113849686A (zh) | 一种视频数据获取方法、装置、电子设备及存储介质 | |
CN113204426A (zh) | 资源池的任务处理方法及相关设备 | |
CN113742646A (zh) | 将单语言复合函数编译为单个实体 | |
Ghorpade et al. | A framework for executing android applications on the cloud | |
CN113127430A (zh) | 镜像信息处理方法、装置、计算机可读介质及电子设备 | |
CN112181401A (zh) | 应用构建方法及应用构建平台 | |
CN113361677A (zh) | 神经网络模型的量化方法和装置 | |
CN115640058B (zh) | 操作系统的切换方法、电子设备及存储介质 | |
Dupont | Renewable energy aware data centres: The problem of controlling the applications workload | |
US11256607B1 (en) | Adaptive resource management for instantly provisioning test environments via a sandbox service | |
CN116188240B (zh) | 一种用于容器的gpu虚拟化方法及装置、电子设备 | |
US11481130B2 (en) | Method, electronic device and computer program product for processing operation commands | |
CN114064148B (zh) | 数据处理方法、装置、电子设备及存储介质 |
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 |