CN117873522A - 芯片更新方法、装置、计算机设备和存储介质 - Google Patents
芯片更新方法、装置、计算机设备和存储介质 Download PDFInfo
- Publication number
- CN117873522A CN117873522A CN202311856466.7A CN202311856466A CN117873522A CN 117873522 A CN117873522 A CN 117873522A CN 202311856466 A CN202311856466 A CN 202311856466A CN 117873522 A CN117873522 A CN 117873522A
- Authority
- CN
- China
- Prior art keywords
- running
- program
- internet
- memory
- power consumption
- 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
- 238000000034 method Methods 0.000 title claims abstract description 89
- 238000012545 processing Methods 0.000 claims abstract description 208
- 230000015654 memory Effects 0.000 claims abstract description 159
- 238000005457 optimization Methods 0.000 claims abstract description 45
- 230000008569 process Effects 0.000 claims description 25
- 238000004590 computer program Methods 0.000 claims description 21
- 238000004364 calculation method Methods 0.000 claims description 10
- 238000010586 diagram Methods 0.000 description 12
- 230000008859 change Effects 0.000 description 10
- 238000010977 unit operation Methods 0.000 description 9
- 238000004891 communication Methods 0.000 description 4
- 238000013500 data storage Methods 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 230000005484 gravity Effects 0.000 description 2
- 230000003068 static effect Effects 0.000 description 2
- 238000012549 training Methods 0.000 description 2
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 229910021389 graphene Inorganic materials 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000002787 reinforcement Effects 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 238000012163 sequencing technique Methods 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
Landscapes
- Power Sources (AREA)
Abstract
本申请涉及一种芯片更新方法、装置、计算机设备和存储介质,涉及物联网芯片技术领域。方法包括:根据物联网芯片对应的各运行程序的运行内容、运行功耗和处理效率,确定各运行程序的运行性价比;通过效率优化网络,根据各运行程序的运行性价比和物联网芯片的全局运行内存,对各运行程序的局部运行内存进行更新。采用本方法通过效率优化网络,重新分配物联网芯片对应的每个运行程序的局部运行内存,从而在低功耗条件下,综合提升物联网芯片的数据处理效率,可以避免更大的全局运行内存带来更大的功耗。
Description
技术领域
本申请涉及物联网芯片技术领域,特别是涉及一种芯片更新方法、装置、计算机设备和存储介质。
背景技术
随着物联网领域的不断发展,物联网芯片的数据处理效率与日俱增,因而往往需要配备更高性能的服务器和能源供给设备,才能保障物联网芯片进行高效率的数据处理。
目前,通过对物联网芯片的存储空间进行扩容,达成缓存空间扩宽效果,来提升物联网芯片的数据处理效率,但是更大的存储空间需要更大的功耗,这种方式使得物联网芯片的功耗较大,难以兼顾快速响应和功耗控制。
发明内容
基于此,有必要针对上述技术问题,提供一种能够在低功耗条件下提升物联网芯片的处理效率的芯片更新方法、装置、计算机设备和存储介质。
第一方面,本申请提供了一种芯片更新方法,该方法包括:
根据物联网芯片对应的各运行程序的运行内容、运行功耗和处理效率,确定各运行程序的运行性价比;
通过效率优化网络,根据各运行程序的运行性价比和物联网芯片的全局运行内存,对各运行程序的局部运行内存进行更新。
在其中一个实施例中,根据各运行程序的运行性价比和物联网芯片的全局运行内存,对各运行程序的局部运行内存进行更新,包括:
根据各运行程序的运行性价比,确定各运行程序对应的优先级;
根据优先级和物联网芯片的全局运行内存,重新为各运行程序分配局部运行内存;其中,优先级高的运行程序的局部运行内存大于优先级低的运行程序的局部运行内存。
在其中一个实施例中,方法还包括:
根据更新后的各运行程序的局部运行内存,确定物联网芯片的目标总处理效率;
在目标总处理效率低于总处理效率阈值的情况下,更新效率优化网络的优化参数,并通过更新后的效率优化网络,返回执行根据各运行程序的运行性价比和物联网芯片的全局运行内存,对各运行程序的局部运行内存进行更新。
在其中一个实施例中,根据物联网芯片对应的各运行程序的运行内容、运行功耗和处理效率,确定各运行程序的运行性价比之前,方法还包括:
获取物联网芯片对应的各运行程序的运行内容;
获取物联网芯片的初始总功耗信息和初始总处理效率;
根据物联网芯片的初始总功耗信息和初始总处理效率,确定各运行程序的运行功耗和处理效率。
在其中一个实施例中,根据物联网芯片的初始总功耗信息和初始总处理效率,确定各运行程序的运行功耗和处理效率,包括:
采用单一变量法,对各运行程序的运行数据进行调整;
根据调整后的各运行程序的运行数据,对物联网芯片的运行过程进行模拟,得到物联网芯片的模拟总功耗信息和模拟总处理效率;
根据模拟总功耗信息、模拟总处理效率、初始总功耗信息和初始总处理效率,确定各运行程序的运行功耗和处理效率。
在其中一个实施例中,根据物联网芯片对应的各运行程序的运行内容、运行功耗和处理效率,确定各运行程序的运行性价比,包括:
根据物联网芯片对应的各运行程序的运行功耗和处理效率,确定各运行程序的处理性价比;
根据各运行程序的处理性价比,确定各运行程序的处理权重;
根据各运行程序的处理权重,对各运行程序的运行内容进行加权计算,得到各运行程序的运行性价比。
第二方面,本申请还提供了一种芯片更新装置,该装置包括:
性价比确定模块,用于根据物联网芯片对应的各运行程序的运行内容、运行功耗和处理效率,确定各运行程序的运行性价比;
内存更新模块,用于通过效率优化网络,根据各运行程序的运行性价比和物联网芯片的全局运行内存,对各运行程序的局部运行内存进行更新。
第三方面,本申请还提供了一种计算机设备,包括存储器和处理器,存储器存储有计算机程序,处理器执行计算机程序时实现上述第一方面的方法的步骤。
第四方面,本申请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,计算机程序被处理器执行时实现上述第一方面的方法的步骤。
第五方面,本申请还提供了一种计算机程序产品,包括计算机程序,计算机程序被处理器执行时实现上述第一方面的方法的步骤。
上述芯片更新方法、装置、计算机设备和存储介质,根据物联网芯片对应的各运行程序的运行内容、运行功耗和处理效率,确定各运行程序的运行性价比;通过效率优化网络,根据各运行程序的运行性价比和物联网芯片的全局运行内存,对各运行程序的局部运行内存进行更新。本申请通过效率优化网络,重新分配物联网芯片对应的每个运行程序的局部运行内存,从而在低功耗条件下,综合提升物联网芯片的数据处理效率,可以避免更大的全局运行内存带来更大的功耗。
附图说明
图1为一个实施例中芯片更新方法的应用场景图;
图2为一个实施例中芯片更新方法的流程示意图;
图3为一个实施例中重新分配局部运行内存的流程示意图;
图4为另一个实施例中重新分配局部运行内存的流程示意图;
图5为一个实施例中确定运行内容、运行功耗和处理效率的流程示意图;
图6为一个实施例中确定运行功耗和处理效率的流程示意图;
图7为一个实施例中确定运行性价比的流程示意图;
图8为另一个实施例中芯片更新方法的流程示意图;
图9为一个实施例中芯片更新装置的结构框图;
图10为另一个实施例中芯片更新装置的结构框图;
图11为又一个实施例中芯片更新装置的结构框图;
图12为又一个实施例中芯片更新装置的结构框图;
图13为再一个实施例中芯片更新装置的结构框图;
图14为一个实施例中实施芯片更新方法的计算机设备的结构框图。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本申请进行进一步详细说明。应当理解,此处描述的具体实施例仅用以解释本申请,并不用于限定本申请。
本申请实施例提供的芯片更新方法,可以应用于如图1所示的应用环境中。其中,终端102通过网络与服务器104进行通信。数据存储系统可以存储服务器104需要处理的数据。数据存储系统可以集成在服务器104上,也可以放在云上或其他网络服务器上。服务器104根据物联网芯片对应的各运行程序的运行内容、运行功耗和处理效率,确定各运行程序的运行性价比,进而通过效率优化网络,根据各运行程序的运行性价比和物联网芯片的全局运行内存,对各运行程序的局部运行内存进行更新。其中,终端102可以但不限于是各种个人计算机、笔记本电脑、智能手机、平板电脑、物联网设备和便携式可穿戴设备,物联网设备可为智能音箱、智能电视、智能空调、智能车载设备等。便携式可穿戴设备可为智能手表、智能手环、头戴设备等。服务器104可以用独立的服务器或者是多个服务器组成的服务器集群来实现。
可选的,本申请实施例提供的芯片更新方法还可以应用于终端,或者包括终端和服务器的系统。
在一个实施例中,如图2所示,提供了一种芯片更新方法,包括以下步骤:
S201,根据物联网芯片对应的各运行程序的运行内容、运行功耗和处理效率,确定各运行程序的运行性价比。
其中,运行程序的运行内容为运行程序执行各数据处理任务对应的内容,例如,数据存储、数据运算、数据分类、数据传输等数据处理任务。运行程序的运行功耗为运行程序执行各数据处理任务时的功率消耗。运行程序的处理效率为运行程序执行各数据处理任务时单位时间内完成的数据处理量。
运行程序的运行性价比用于表征运行程序的运行内容、运行功耗和处理效率三方之间的关联关系,运行性价比越高,表征该运行程序的运行内容越重要、运行功耗越低、处理效率越高,反之,运行性价比越低,表征该运行程序的运行内容越不重要、运行功耗越高、处理效率越低。
针对物联网芯片对应的每一运行程序,均根据该运行程序的运行内容、运行功耗和处理效率,计算出该运行程序的运行性价比。
S202,通过效率优化网络,根据各运行程序的运行性价比和物联网芯片的全局运行内存,对各运行程序的局部运行内存进行更新。
其中,效率优化网络为基于强化学习神经网络的内存分配网络,该效率优化网络用于调整各运行程序的运行内存,从而确保各运行程序在低功耗条件下达到最大处理效率。
物联网芯片的全局运行内存为物联网芯片能够为各运行程序分配的所有运行内存,运行程序的局部运行内存为运行程序在低功耗条件下,执行各数据处理任务时对应所需使用的运行内存。一般的,所有运行程序的局部运行内存之和,即为物联网芯片的全局运行内存。
通过效率优化网络,按照运行性价比从高到低的方式,将物联网芯片的全局运行内存重新分配给每个运行程序,以使所有运行程序的局部运行内存之和不大于全局运行内存,且运行性价比高的运行程序能有更多的局部运行内存。
上述方案,根据物联网芯片对应的各运行程序的运行内容、运行功耗和处理效率,确定各运行程序的运行性价比;通过效率优化网络,根据各运行程序的运行性价比和物联网芯片的全局运行内存,对各运行程序的局部运行内存进行更新。本实施例通过效率优化网络,重新分配物联网芯片对应的每个运行程序的局部运行内存,从而在确保运行性价比低的运行程序保持基础的处理效率的基础上,提升运行性价比高的运行程序的处理效率,在低功耗条件下综合提升物联网芯片的数据处理效率,可以避免更大的全局运行内存带来更大的功耗。
为了合理分配物联网芯片对应的每个运行程序的局部运行内存,在上述实施例的基础上,在一个实施例中,如图3所示,上述S202包括:
S301,根据各运行程序的运行性价比,确定各运行程序对应的优先级。
将各运行程序的运行性价比,作为各运行程序优先级的衡量标准。例如,将各运行程序的运行性价比从高到低排列,进而按照从高到低的方式,依次为每一运行程序的优先级编码赋值,从而确定各运行程序对应的优先级。
S302,根据优先级和物联网芯片的全局运行内存,重新为各运行程序分配局部运行内存。
物联网芯片的全局运行内存分配给多个运行程序使用,在确定出各运行程序对应的优先级的情况下,根据各运行程序对应的优先级,重新确定全局运行内存的分配比例,以重新为各运行程序分配局部运行内存,采用新的局部运行内存替换原有的局部运行内存。
其中,优先级高的运行程序的局部运行内存大于优先级低的运行程序的局部运行内存,即,在重新为各运行程序分配局部运行内存时,优先级高的运行程序所占的分配比例更高。
可选的,各运行程序原有的局部运行内存,可以是从物联网芯片的数据库中获取到的,例如,从物联网芯片的数据库中采集每个运行程序对应的局部运行内存。
在一个可选的实施例中,获取物联网芯片在低功耗条件下的最大运行内存,以及各运行程序的最低运行内存,进而根据物联网芯片在低功耗条件下的最大运行内存,以及各运行程序的最低运行内存,计算各运行程序的内存变量范围。
其中,运行程序的内存变量范围为运行程序在低功耗条件下的最小运行内存到最大运行内存之间的范围。例如,在确保低功耗条件,以及各运行程序正常运行的情况下,采用单一变量法,分别增大每个运行程序的运行内存,直到达到对应的最大运行内存,从而确定每个运行程序的内存变量范围。
进一步的,直接将各运行程序的内存变量范围和运行性价比输入效率优化网络,经效率优化网络计算得到各运行程序新的局部运行内存。
本实施例中,按照优先级合理分配每个运行程序的局部运行内存,可以在不改变物联网芯片的全局运行内存的情况下,尽可能提升运行性价比高的运行程序的数据处理效率,降低或避免运行性价比低的运行程序的数据处理效率的影响,从而在低功耗条件下,整体上提升物联网芯片的数据处理效率。
为了确保更新各运行程序的局部运行内存后,物联网芯片的处理效率得到明显提升,在上述实施例的基础上,在一个实施例中,可以将更新后的目标总处理效率与预设的总处理效率阈值进行比较,并基于比较结果确定是否结束针对物联网芯片的更新流程,如图4所示,上述芯片更新方法还包括:
S401,根据更新后的各运行程序的局部运行内存,确定物联网芯片的目标总处理效率。
根据更新后的各运行程序的局部运行内存,仿真物联网芯片的数据处理过程,得到物联网芯片的新的目标总处理效率。
例如,关闭物理网芯片的其他数据处理内容,在测试环境下,单独运行已更新运行内存的各运行程序的数据处理过程,从而得到该物理网芯片的目标总处理效率。具体的,数据处理过程为单一的数据处理任务所对应的处理过程,该处理过程可以预先存储。
这样通过仿真数据处理过程方式,确定物理网芯片的目标总处理效率,避免干扰物理网芯片正常的运行过程。
S402,在目标总处理效率低于总处理效率阈值的情况下,更新效率优化网络的优化参数,并通过更新后的效率优化网络,返回执行根据各运行程序的运行性价比和物联网芯片的全局运行内存,对各运行程序的局部运行内存进行更新。
将仿真数据处理过程得到的目标总处理效率,与预设的总处理效率阈值进行比较,即,判断目标总处理效率是否不低于总处理效率阈值。若是,则将更新后的各运行程序的局部运行内存,作为各运行程序的目标运行内存,结束针对物联网芯片的更新流程;若否,则相应调整效率优化网络的优化参数,并返回执行S202的操作,直至目标总处理效率不低于总处理效率阈值时,结束针对物联网芯片的更新流程。
可选的,返回执行S202的操作时,在更新后的各运行程序的局部运行内存的基础上,通过更新后的效率优化网络,重新分配物联网芯片的全局运行内存。
本实施例中,对各运行程序的局部运行内存进行更新后,确定物联网芯片的目标总处理效率,并判断目标总处理效率是否达到相应的提升标准,以确保物联网芯片的处理效率提升符合不同时期的需求。
为了准确确定各运行程序的运行内容、运行功耗和处理效率,在上述实施例的基础上,在一个实施例中,如图5所示,上述芯片更新方法还包括:
S501,获取物联网芯片对应的各运行程序的运行内容。
从物联网芯片的数据库中,采集该物联网芯片的每个运行程序对应的运行内容日志,进而根据运行内容日志中的运行信息,识别每个运行程序的运行内容。
S502,获取物联网芯片的初始总功耗信息和初始总处理效率。
从物联网芯片的运行日志中,采集该物联网芯片的耗电量信息,根据耗电量信息计算对应的功耗信息,得到物联网芯片的初始总功耗信息。
相应的,从物联网芯片的运行日志中,采集该物联网芯片的数据处理进程信息,识别数据处理进程信息中已完成的数据处理进程的数据,并根据各已完成的数据处理进程的数据,计算得到物联网芯片的初始总处理效率。例如,根据各已完成的数据处理进程的数据,确定物联网芯片在单位时间段内完成的数据处理量,从而计算得到物联网芯片的初始总处理效率。
S503,根据物联网芯片的初始总功耗信息和初始总处理效率,确定各运行程序的运行功耗和处理效率。
识别物联网芯片对应的每个运行程序,调整每个运行程序的运行数据,进而根据物联网芯片的初始总功耗信息和初始总处理效率,确定调整后的物联网芯片的初始总功耗信息和初始总处理效率的变化情况,进一步的,根据变化情况来确定各运行程序的运行功耗和处理效率。
本实施例中,分别确定各运行程序的运行内容、运行功耗和处理效率,以保障后续根据各运行程序的运行内容、运行功耗和处理效率确定的运行性价比的准确性。
为了准确确定各运行程序的运行功耗和处理效率,在上述实施例的基础上,在一个实施例中,可以采用单一变量法对物联网芯片的运行过程进行模拟,如图6所示,上述S503包括:
S601,采用单一变量法,对各运行程序的运行数据进行调整。
在获取到每个运行程序的运行数据的情况下,从每个运行程序的运行数据中,识别每个运行程序的单位运行数据。其中,单位运行数据为运行程序的运行数据的单位变化量。
进一步的,采用单一变量法,分别调整每个运行程序的单位运行数据,得到调整后的各运行程序的运行数据。
S602,根据调整后的各运行程序的运行数据,对物联网芯片的运行过程进行模拟,得到物联网芯片的模拟总功耗信息和模拟总处理效率。
分别根据调整后的各运行程序的运行数据,仿真物联网芯片的运行过程和/或数据处理过程,得到物联网芯片的多组模拟总功耗信息和模拟总处理效率。
S603,根据模拟总功耗信息、模拟总处理效率、初始总功耗信息和初始总处理效率,确定各运行程序的运行功耗和处理效率。
针对任一组模拟总功耗信息和模拟总处理效率,根据模拟总功耗信息和初始总功耗信息,计算功耗差值,并根据模拟总处理效率和初始总处理效率,计算处理差值,从而得到多组功耗差值和处理差值。
进一步的,将各功耗差值作为对应的运行程序的单位功耗信息,将各效率差值作为对应的运行程序的单位效率信息,计算每个运行程度的运行数据所包含的单位运行数据的个数,将个数与对应的运行程序的单位功耗信息相乘,得到对应的运行程序的运行功耗,同时,将个数与对应的运行程序的单位效率信息相乘,得到对应的运行程序的处理效率。
本实施例中,采用单一变量法来计算每个运行程序的运行功耗和处理效率,可以提升确定每个运行程序的运行功耗和处理效率的准确性。
为了准确确定各运行程序的运行性价比,在上述实施例的基础上,在一个实施例中,可以先确定各运行程序的处理性价比,进而在处理性价比的基础上分析得到运行性价比,如图7所示,上述S201包括:
S701,根据物联网芯片对应的各运行程序的运行功耗和处理效率,确定各运行程序的处理性价比。
根据各运行程序的运行功耗和处理效率,计算各运行程序的处理性价比。其中,处理性价比用于表征运行程序的运行功耗和处理效率之间的关联关系。在运行功耗低,且处理效率高的情况下,该处理性价比高;在运行功耗高,且处理效率低的情况下,该处理性价比低;在运行功耗和处理效率均高的情况下,该处理性价比持中。
针对物联网芯片对应的每一运行程序,均根据该运行程序的运行功耗和处理效率,计算出该运行程序的处理性价比。
S702,根据各运行程序的处理性价比,确定各运行程序的处理权重。
对各运行程序的处理性价比进行排序,得到各运行程序的处理性价比序列,按照该处理性价比序列,将各运行程序的序列位置与所有运行程序的个数之间的比值,作为各运行程序的比重信息,进而对每个运行程序的比重信息进行归一化处理,得到每个运行程序的处理权重。
S703,根据各运行程序的处理权重,对各运行程序的运行内容进行加权计算,得到各运行程序的运行性价比。
根据各运行程序的处理权重,对各运行程序的运行内容进行加权计算,得到各运行程序的运行重要度,进而对每个运行程序的运行重要度进行归一化处理,得到每个运行程序的运行性价比。
本实施例中,根据运行功耗和处理效率确定处理性价比,进而根据处理性价比分析得到对应的处理权重,采用处理权重对运行内容进行加权计算得到运行性价比,合理分析了运行功耗、处理效率和运行内容三者之间的关联关系,以提升所确定的运行性价比的合理性和可靠性。
在一个实施例中,提供了上述芯片更新方法中,对各运行程序的局部运行内存进行更新的可选实施方式,包括:
获取物联网芯片在低功耗条件下的最大运行内存,各运行程序的最低运行内存,以及各运行程序在低功耗条件下的当前运行内存。基于单一变量法原则,根据各运行程序的当前运行内存和处理效率,计算每个运行程序的单位运行内存对应的单位处理效率变化值。
例如,识别并分别调整每个运行程序的单位运行内存,得到物联网芯片的初始总处理效率,进而返回执行S503的操作,得到每个运行程序的目标处理效率。根据每个运行程序的目标处理效率,以及每个运行程序的初始处理效率,计算每个运行程序的处理效率差值,并将该处理效率差值,作为每个运行程序的单位运行内存对应的单位处理效率变化值。
进一步的,将各运行程序的内存变量范围、运行性价比和单位运行内存对应的单位处理效率变化值,输入至效率优化网络,经效率优化网络计算得到物联网芯片在保持最大总处理效率的情况下,各运行程序的更新后的局部运行内存。
本实施例中,通过计算各运行程序的单位运行内存对应的单位处理效率变化值,调整各运行程序的局部运行内存,确保各运行程序的局部运行内存不会超过低功耗条件下的最大运行内存,提升重新分配运行内存的准确性。
在一个实施例中,提供了上述芯片更新方法中,对效率优化网络进行训练的可选实施方式,包括:
获取各样本运行程序的内存变量范围、样本运行内存、样本运行性价比和单位运行内存对应的单位处理效率变化值,根据各样本运行程序的样本运行性价比,确定初始的效率优化网络的奖励函数中的奖励参数,进而根据单位运行内存对应的单位处理效率变化值,确定初始的效率优化网络的内存优化参数,并将各样本运行程序的样本运行内存和内存变量范围,输入至初始的效率优化网络,以对初始的效率优化网络的内存调整参数进行训练。
本实施例中,通过确定初始的效率优化网络的奖励函数和内存优化参数,对初始的效率优化网络进行训练,高效提升效率优化网络的计算精准度。
在一个实施例中,提供了一种芯片更新方法的可选实例,如图8所示,芯片更新方法包括如下步骤:
S801,获取物联网芯片对应的各运行程序的运行内容。
S802,获取物联网芯片的初始总功耗信息和初始总处理效率。
S803,采用单一变量法,对各运行程序的运行数据进行调整。
S804,根据调整后的各运行程序的运行数据,对物联网芯片的运行过程进行模拟,得到物联网芯片的模拟总功耗信息和模拟总处理效率。
S805,根据模拟总功耗信息、模拟总处理效率、初始总功耗信息和初始总处理效率,确定各运行程序的运行功耗和处理效率。
S806,根据物联网芯片对应的各运行程序的运行功耗和处理效率,确定各运行程序的处理性价比。
S807,根据各运行程序的处理性价比,确定各运行程序的处理权重。
S808,根据各运行程序的处理权重,对各运行程序的运行内容进行加权计算,得到各运行程序的运行性价比。
S809,通过效率优化网络,根据各运行程序的运行性价比,确定各运行程序对应的优先级。
S810,通过效率优化网络,根据优先级和物联网芯片的全局运行内存,重新为各运行程序分配局部运行内存。
其中,优先级高的运行程序的局部运行内存大于优先级低的运行程序的局部运行内存。
S811,根据更新后的各运行程序的局部运行内存,确定物联网芯片的目标总处理效率。
S812,判断目标总处理效率是否低于总处理效率阈值。
若是,则返回执行S809;若否,则结束针对物联网芯片的更新流程。
上述步骤的具体过程可以参见上述方法实施例的描述,其实现原理和技术效果类似,在此不再赘述。
应该理解的是,虽然如上的各实施例所涉及的流程图中的各个步骤按照箭头的指示依次显示,但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明,这些步骤的执行并没有严格的顺序限制,这些步骤可以以其它的顺序执行。而且,如上的各实施例所涉及的流程图中的至少一部分步骤可以包括多个步骤或者多个阶段,这些步骤或者阶段并不必然是在同一时刻执行完成,而是可以在不同的时刻执行,这些步骤或者阶段的执行顺序也不必然是依次进行,而是可以与其它步骤或者其它步骤中的步骤或者阶段的至少一部分轮流或者交替地执行。
基于同样的发明构思,本申请实施例还提供了一种用于实现上述所涉及的芯片更新方法的芯片更新装置。该装置所提供的解决问题的实现方案与上述方法中所记载的实现方案相似,故下面所提供的一个或多个芯片更新装置实施例中的具体限定可以参见上文中对于芯片更新方法的限定,在此不再赘述。
在一个实施例中,如图9所示,提供了一种芯片更新装置1,包括性价比确定模块10和内存更新模块20,其中:
性价比确定模块10,用于根据物联网芯片对应的各运行程序的运行内容、运行功耗和处理效率,确定各运行程序的运行性价比。
内存更新模块20,用于通过效率优化网络,根据各运行程序的运行性价比和物联网芯片的全局运行内存,对各运行程序的局部运行内存进行更新。
在一个实施例中,在图9的基础上,如图10所示,上述内存更新模块20可以包括:
优先级确定单元21,用于根据各运行程序的运行性价比,确定各运行程序对应的优先级。
内存重分配单元22,用于根据优先级和物联网芯片的全局运行内存,重新为各运行程序分配局部运行内存。
其中,优先级高的运行程序的局部运行内存大于优先级低的运行程序的局部运行内存。
在一个实施例中,在图9的基础上,如图11所示,上述芯片更新装置1还可以包括:
效率确定模块30,用于根据更新后的各运行程序的局部运行内存,确定物联网芯片的目标总处理效率。
内存重更新模块40,用于在目标总处理效率低于总处理效率阈值的情况下,更新效率优化网络的优化参数,并通过更新后的效率优化网络,返回执行根据各运行程序的运行性价比和物联网芯片的全局运行内存,对各运行程序的局部运行内存进行更新。
在一个实施例中,在图9的基础上,如图12所示,上述芯片更新装置1还可以包括:
内容获取模块50,用于获取物联网芯片对应的各运行程序的运行内容。
数据获取模块60,用于获取物联网芯片的初始总功耗信息和初始总处理效率。
数据确定模块70,用于根据物联网芯片的初始总功耗信息和初始总处理效率,确定各运行程序的运行功耗和处理效率。
在一个实施例中,上述数据确定模块70可以包括:
数据调整单元,用于采用单一变量法,对各运行程序的运行数据进行调整。
运行模块单元,用于根据调整后的各运行程序的运行数据,对物联网芯片的运行过程进行模拟,得到物联网芯片的模拟总功耗信息和模拟总处理效率。
数据确定单元,用于根据模拟总功耗信息、模拟总处理效率、初始总功耗信息和初始总处理效率,确定各运行程序的运行功耗和处理效率。
在一个实施例中,在图9的基础上,如图13所示,上述性价比确定模块10可以包括:
第一性价比确定单元11,用于根据物联网芯片对应的各运行程序的运行功耗和处理效率,确定各运行程序的处理性价比。
权重确定单元12,用于根据各运行程序的处理性价比,确定各运行程序的处理权重。
第二性价比确定单元13,用于根据各运行程序的处理权重,对各运行程序的运行内容进行加权计算,得到各运行程序的运行性价比。
上述芯片更新装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中,也可以以软件形式存储于计算机设备中的存储器中,以便于处理器调用执行以上各个模块对应的操作。
在一个实施例中,提供了一种计算机设备,该计算机设备可以是终端,其内部结构图可以如图14所示。该计算机设备包括通过系统总线连接的处理器、存储器、通信接口、显示屏和输入装置。其中,该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统和计算机程序。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的通信接口用于与外部的终端进行有线或无线方式的通信,无线方式可通过WIFI、移动蜂窝网络、NFC(近场通信)或其他技术实现。该计算机程序被处理器执行时以实现一种芯片更新方法。该计算机设备的显示屏可以是液晶显示屏或者电子墨水显示屏,该计算机设备的输入装置可以是显示屏上覆盖的触摸层,也可以是计算机设备外壳上设置的按键、轨迹球或触控板,还可以是外接的键盘、触控板或鼠标等。
本领域技术人员可以理解,图14中示出的结构,仅仅是与本申请方案相关的部分结构的框图,并不构成对本申请方案所应用于其上的计算机设备的限定,具体的计算机设备可以包括比图中所示更多或更少的部件,或者组合某些部件,或者具有不同的部件布置。
在一个实施例中,提供了一种计算机设备,包括存储器和处理器,存储器中存储有计算机程序,该处理器执行计算机程序时实现上述芯片更新方法的步骤。
在一个实施例中,提供了一种计算机可读存储介质,其上存储有计算机程序,计算机程序被处理器执行时实现上述芯片更新方法的步骤。
在一个实施例中,提供了一种计算机程序产品,包括计算机程序,该计算机程序被处理器执行时实现上述芯片更新方法的步骤。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程,是可以通过计算机程序来指令相关的硬件来完成,的计算机程序可存储于一非易失性计算机可读取存储介质中,该计算机程序在执行时,可包括如上述各方法的实施例的流程。其中,本申请所提供的各实施例中所使用的对存储器、数据库或其它介质的任何引用,均可包括非易失性和易失性存储器中的至少一种。非易失性存储器可包括只读存储器(Read-OnlyMemory,ROM)、磁带、软盘、闪存、光存储器、高密度嵌入式非易失性存储器、阻变存储器(ReRAM)、磁变存储器(Magnetoresistive Random Access Memory,MRAM)、铁电存储器(Ferroelectric Random Access Memory,FRAM)、相变存储器(Phase Change Memory,PCM)、石墨烯存储器等。易失性存储器可包括随机存取存储器(Random Access Memory,RAM)或外部高速缓冲存储器等。作为说明而非局限,RAM可以是多种形式,比如静态随机存取存储器(Static Random Access Memory,SRAM)或动态随机存取存储器(Dynamic RandomAccess Memory,DRAM)等。本申请所提供的各实施例中所涉及的数据库可包括关系型数据库和非关系型数据库中至少一种。非关系型数据库可包括基于区块链的分布式数据库等,不限于此。本申请所提供的各实施例中所涉及的处理器可为通用处理器、中央处理器、图形处理器、数字信号处理器、可编程逻辑器、基于量子计算的数据处理逻辑器等,不限于此。
以上实施例的各技术特征可以进行任意的组合,为使描述简洁,未对上述实施例中的各个技术特征所有可能的组合都进行描述,然而,只要这些技术特征的组合不存在矛盾,都应当认为是本说明书记载的范围。
以上实施例仅表达了本申请的几种实施方式,其描述较为具体和详细,但并不能因此而理解为对本申请专利范围的限制。应当指出的是,对于本领域的普通技术人员来说,在不脱离本申请构思的前提下,还可以做出若干变形和改进,这些都属于本申请的保护范围。因此,本申请的保护范围应以所附权利要求为准。
Claims (10)
1.一种芯片更新方法,其特征在于,所述方法包括:
根据物联网芯片对应的各运行程序的运行内容、运行功耗和处理效率,确定各运行程序的运行性价比;
通过效率优化网络,根据各运行程序的运行性价比和所述物联网芯片的全局运行内存,对各运行程序的局部运行内存进行更新。
2.根据权利要求1所述的方法,其特征在于,所述根据各运行程序的运行性价比和所述物联网芯片的全局运行内存,对各运行程序的局部运行内存进行更新,包括:
根据各运行程序的运行性价比,确定各运行程序对应的优先级;
根据所述优先级和所述物联网芯片的全局运行内存,重新为各运行程序分配局部运行内存;其中,优先级高的运行程序的局部运行内存大于优先级低的运行程序的局部运行内存。
3.根据权利要求1所述的方法,其特征在于,所述方法还包括:
根据更新后的各运行程序的局部运行内存,确定所述物联网芯片的目标总处理效率;
在所述目标总处理效率低于总处理效率阈值的情况下,更新所述效率优化网络的优化参数,并通过更新后的效率优化网络,返回执行根据各运行程序的运行性价比和所述物联网芯片的全局运行内存,对各运行程序的局部运行内存进行更新。
4.根据权利要求1所述的方法,其特征在于,所述根据物联网芯片对应的各运行程序的运行内容、运行功耗和处理效率,确定各运行程序的运行性价比之前,所述方法还包括:
获取物联网芯片对应的各运行程序的运行内容;
获取所述物联网芯片的初始总功耗信息和初始总处理效率;
根据所述物联网芯片的初始总功耗信息和初始总处理效率,确定各运行程序的运行功耗和处理效率。
5.根据权利要求4所述的方法,其特征在于,所述根据所述物联网芯片的初始总功耗信息和初始总处理效率,确定各运行程序的运行功耗和处理效率,包括:
采用单一变量法,对各运行程序的运行数据进行调整;
根据调整后的各运行程序的运行数据,对所述物联网芯片的运行过程进行模拟,得到所述物联网芯片的模拟总功耗信息和模拟总处理效率;
根据所述模拟总功耗信息、所述模拟总处理效率、所述初始总功耗信息和所述初始总处理效率,确定各运行程序的运行功耗和处理效率。
6.根据权利要求1所述的方法,其特征在于,所述根据物联网芯片对应的各运行程序的运行内容、运行功耗和处理效率,确定各运行程序的运行性价比,包括:
根据物联网芯片对应的各运行程序的运行功耗和处理效率,确定各运行程序的处理性价比;
根据各运行程序的处理性价比,确定各运行程序的处理权重;
根据各运行程序的处理权重,对各运行程序的运行内容进行加权计算,得到各运行程序的运行性价比。
7.一种芯片更新装置,其特征在于,所述装置包括:
性价比确定模块,用于根据物联网芯片对应的各运行程序的运行内容、运行功耗和处理效率,确定各运行程序的运行性价比;
内存更新模块,用于通过效率优化网络,根据各运行程序的运行性价比和所述物联网芯片的全局运行内存,对各运行程序的局部运行内存进行更新。
8.一种计算机设备,包括存储器和处理器,所述存储器存储有计算机程序,其特征在于,所述处理器执行所述计算机程序时实现权利要求1-6中任一项所述的方法的步骤。
9.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现权利要求1-6中任一项所述的方法的步骤。
10.一种计算机程序产品,包括计算机程序,其特征在于,所述计算机程序被处理器执行时实现权利要求1-6中任一项所述的方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311856466.7A CN117873522A (zh) | 2023-12-29 | 2023-12-29 | 芯片更新方法、装置、计算机设备和存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311856466.7A CN117873522A (zh) | 2023-12-29 | 2023-12-29 | 芯片更新方法、装置、计算机设备和存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117873522A true CN117873522A (zh) | 2024-04-12 |
Family
ID=90594146
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311856466.7A Pending CN117873522A (zh) | 2023-12-29 | 2023-12-29 | 芯片更新方法、装置、计算机设备和存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117873522A (zh) |
-
2023
- 2023-12-29 CN CN202311856466.7A patent/CN117873522A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110546610B (zh) | 通过数据共享和分配增强人工智能/机器硬件的处理性能 | |
CN111931922A (zh) | 一种提高模型推断精度的量化方法 | |
CN110738315A (zh) | 一种神经网络精度调整方法及装置 | |
CN106030453A (zh) | 支持图形处理单元频率的动态调整的方法和装置 | |
Spataro et al. | The new SCIARA-fv3 numerical model and acceleration by GPGPU strategies | |
US20190286971A1 (en) | Reconfigurable prediction engine for general processor counting | |
CN115689018A (zh) | 物资需求预测方法、装置、设备、存储介质和程序产品 | |
KR20220009682A (ko) | 분산 기계 학습 방법 및 시스템 | |
Çiçek et al. | Smartphone power management based on ConvLSTM model | |
CN116626504A (zh) | 动力电池性能确定方法、装置、计算机设备和存储介质 | |
CN108229572B (zh) | 一种参数寻优方法及计算设备 | |
CN117873522A (zh) | 芯片更新方法、装置、计算机设备和存储介质 | |
CN116191398A (zh) | 负荷预测方法、装置、计算机设备和存储介质 | |
CN115169155A (zh) | 发动机故障预测方法、装置、计算机设备和存储介质 | |
Golec et al. | Qos analysis for serverless computing using machine learning | |
US20240177067A1 (en) | System and method for managing deployment of related inference models | |
US20240020550A1 (en) | System and method for inference generation via optimization of inference model portions | |
US20240177023A1 (en) | System and method for managing inference model distributions in dynamic system | |
US11816134B1 (en) | System and method for reduction of data transmission in dynamic systems using causal graphs | |
US20240177024A1 (en) | System and method for managing inference models based on inference generation frequencies | |
US20240020510A1 (en) | System and method for execution of inference models across multiple data processing systems | |
US20230418467A1 (en) | System and method for reduction of data transmission in dynamic systems using inference model | |
US11991240B2 (en) | System and method for reduction of data transmission by inference model optimization | |
US20230419125A1 (en) | System and method for capacity planning for data aggregation using similarity graphs | |
US20230342429A1 (en) | System and method for reduction of data transmission by information control with reinforced learning |
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 |