-
BEREICH DER ERFINDUNG
-
Die vorliegende Erfindung bezieht sich auf das Gebiet des verteilten Aufgabenmanagements beim maschinellen Lernen.
-
Die vorliegende Erfindung bezieht sich auf ein System für verteiltes maschinelles Lernen zur Verwaltung von Ressourcen.
-
Insbesondere bezieht sich die vorliegende Erfindung auf ein System für intelligentes Ressourcenmanagement für verteilte maschinelle Lernaufgaben.
-
HINTERGRUND DER ERFINDUNG
-
Bei dem im Abschnitt „Hintergrund“ behandelten Gegenstand sollte nicht davon ausgegangen werden, dass er allein aufgrund seiner Erwähnung im Abschnitt „Hintergrund“ zum Stand der Technik gehört. Ebenso sollte nicht davon ausgegangen werden, dass ein im Hintergrundabschnitt erwähntes oder mit dem Gegenstand des Hintergrundabschnitts verbundenes Problem bereits im Stand der Technik erkannt worden ist. Der Gegenstand des Hintergrundabschnitts stellt lediglich verschiedene Ansätze dar, die für sich genommen ebenfalls Erfindungen sein können.
-
CN110928689 SELBSTANPASSENDES RESSOURCENVERWALTUNGSVERFAHREN UND -VORRICHTUNG FÜR VERTEILTES VERSTÄRKUNGSLERNEN-Training Die Ausführungsform der Erfindung stellt ein selbstanpassendes Ressourcenverwaltungsverfahren und eine Vorrichtung für verteiltes Verstärkungslerntraining bereit. Das selbstanpassende Ressourcenverwaltungsverfahren umfasst die folgenden Schritte: Vergeben eines Ressourcenbedarfs-Anfangswerts an eine neu hinzugefügte Trainingsaufgabe entsprechend der Aufgabeninformation, wenn die neu hinzugefügte Trainingsaufgabe eingereicht wird; Zählen der aktuellen verteilten Cluster-Ressourcenversorgungsreste und Beurteilen, ob neue Ressourcen abgeleitet werden müssen oder nicht; wenn ja, Bestimmen der Anzahl und Konfiguration neu hinzugefügter virtueller Maschinen, Hinzufügen der neu hinzugefügten virtuellen Maschinen in den verteilten Cluster und Anordnen neu hinzugefügter Trainingsaufgaben gemäß einem voreingestellten Aufgabenanordnungsprozess; und wenn nicht, Anordnen der neu hinzugefügten Trainingsaufgaben gemäß dem voreingestellten Aufgabenanordnungsprozess. Für das selbstanpassende Ressourcenverwaltungsverfahren und -gerät für verteiltes Verstärkungslernen wird, nachdem die neu hinzugefügte Trainingsaufgabe empfangen wurde, die Ressourcenableitung entsprechend dem verbleibenden Zustand der verteilten Clusterressourcen durchgeführt, und dann wird die Aufgabenanordnung durchgeführt oder direkt durchgeführt, so dass die automatische Bereitstellung der Trainingsaufgabe realisiert wird und die Ressourcennutzungskosten und die Arbeitskosten des verteilten Verstärkungslernens erheblich reduziert werden.
-
CN12463389 VERFAHREN UND VORRICHTUNG ZUR RESSOURCENVERWALTUNG FÜR VERTEILTE MASCHINENLERNAUFGABEN Die Erfindung bezieht sich auf das Gebiet der maschinellen Lernaufgaben, insbesondere auf ein Verfahren und eine Vorrichtung zur Ressourcenverwaltung für eine verteilte maschinelle Lernaufgabe. Gemäß dem Verfahren und der Vorrichtung wird eine maschinelle Lernaufgabe einem Benutzer vorgelegt, und die Aufgabe umfasst zwei Informationsaspekte, nämlich die Größe des Datensatzes und die Anzahl der Container; das Vorhersagemodell berechnet die Zuweisungsgröße des Speichers gemäß der Größe des Datensatzes und der Anzahl der Container und wählt einen entsprechenden Cachemodus aus; die Speicherzuweisung wird gemäß der Auswahl eines Cachemodus in zwei Zustände unterteilt, und ein optimales Leistungsmodell wird ausgewählt, wenn der Speicher ausreichend ist; und wenn der Speicher unzureichend ist, wird ein Modell für eine optimale Ressourcennutzungsrate ausgewählt. Gemäß der Methode werden die Eigenschaften des verteilten maschinellen Lernens und die Ressourcenverwaltungsbedingungen eines Computerrahmens hauptsächlich analysiert, ein Modell für die Speicherprognose und die Auswahl des Cachemodus wird entsprechend der Analyse erstellt, es wird kein zusätzliches Anwendungsporträt benötigt, und die Speicherzuweisung und die Auswahl des Cachemodus werden direkt für eine neue maschinelle Lernaufgabe durchgeführt.
-
IN202241024235 AN ONLINE VM PREDICTION FOR RESOURCE MANAGEMENT USING MULTI OBJECTIVE LOAD BALANCING FRAMEWORK Die Vorhersage der Auslastung ist eine der Variablen, durch die die Effizienz und die Betriebskosten einer Cloud verbessert werden können. Die Genauigkeit ist die Schlüsselkomponente bei der Vorhersage der Auslastung, und die vorhandenen Ansätze sind bei der Erzielung genauer Ergebnisse im Rückstand. Die Vorhersage der Arbeitslast und die Ressourcenzuweisung spielen eine wichtige Rolle bei der Schaffung einer effizienten Cloud-Umgebung. Die proaktive Schätzung der zukünftigen Arbeitslast, gefolgt von der Entscheidung über die Ressourcenzuweisung, ist zu einer vorrangigen Lösung geworden, um andere eingebaute Herausforderungen wie die Überlastung physischer Maschinen und die Verschwendung von Ressourcen zu bewältigen. Quality-of-Services (QoS)-Verletzungen, Lastausgleich. VM-Migration und vieles mehr. In dieser Arbeit wird ein umfassender Überblick über Workload-Prognose- und prädiktive Ressourcenmanagementmodelle in einer Cloud-Umgebung gegeben. Es werden ein konzeptioneller Rahmen für die Vorhersage der Arbeitslast und das Ressourcenmanagement, die Kategorisierung bestehender, auf maschinellem Lernen basierender Ressourcenzuweisungstechniken und die wichtigsten Herausforderungen einer ineffizienten Verteilung der physischen Ressourcen im Zusammenhang mit Cloud Computing erörtert. Danach wird ein gründlicher Überblick über die bestehenden, auf dem neuesten Stand der Technik befindlichen, auf maschinellem Lernen basierenden Ansätze im Bereich der Vorhersage der Arbeitslast und des Ressourcenmanagements in der Cloud gegeben. Schließlich werden in dieser Arbeit verschiedene aufkommende Herausforderungen und künftige Forschungsrichtungen in Bezug auf die Verwaltung elastischer Ressourcen in einer Cloud-Umgebung untersucht und Schlussfolgerungen gezogen.
-
CN108881446 ARTIFICIAL INTELLIGENT PLATFORM SYSTEM BASED ON DEEP LEARNING Die Erfindung offenbart ein künstliches intelligentes Plattformsystem, das auf Deep Learning basiert. Das künstliche intelligente Plattformsystem umfasst eine Plattformschicht, eine Modellschicht und eine Anwendungsschicht; die Plattformschicht wird für die Verwaltung von Berechtigungen, die verteilte Speicherung, die Verwaltung von CPU-Rechenressourcen, die verteilte Berechnung und das Training und die Aufgabenplanung verwendet; die Modellschicht wird für die Bereitstellung eines maschinellen Lernmodells und eines Deep-Learning-Modells verwendet; und die Anwendungsschicht wird für die Verwaltung und Überwachung von Ressourcen, die Modelldefinition und das Training, die Bereitstellung einer interaktiven Programmierumgebung, die Kennzeichnung intelligenter Daten und die Ableitung und Veröffentlichung von Modellen verwendet. Das KI-Plattformsystem wird durch ein technisches Mittel entwickelt, um die Nutzungsrate von Hardware-Ressourcen einer GPU und dergleichen zu erhöhen, die Hardware-Eingabekosten zu reduzieren, einem Algorithmus-Ingenieur zu helfen, verschiedene Deep-Learning-Technologien bequemer anzuwenden, um den Algorithmus-Ingenieur von mühsamer Umgebungsbedienung und -wartung zu befreien, eine effiziente Speicherung von massiven Trainingsdaten bereitzustellen und Benutzerressourcen zu isolieren, und daher ist die Zugriffsberechtigungskontrolle sicherer; Trainingsdaten und Trainingsaufgaben werden in einem einheitlichen Modus verwaltet, und der maschinelle Lernprozess wird standardisiert und verarbeitet; und die Datenbeschriftung wird automatisiert, und die Effizienz der Modelliteration wird verbessert.
-
CN112667594 HETEROGENE RECHNERPLATTFORM AUF DER BASIS VON HYBRID-CLOUD-RESSOURCEN UND MODELL-ÜBUNGSMETHODE Die Erfindung offenbart eine heterogene Rechnerplattform auf der Basis von Hybrid-Cloud-Ressourcen und ein Modelltrainingsverfahren, wobei die Plattform eine Basiskomponentenschicht, eine Rechnerrahmenschicht, eine Ressourcenverwaltungsschicht und eine Ressourcenverwaltungsschicht umfasst, eine Ressourcenverwaltungsschicht und eine Ressourcenverwaltungsschicht, und das Verfahren umfasst die Schritte, dass ein Benutzer eine Modelltrainingsaufgabe über die Basiskomponentenschicht einstellt und die Aufgabe startet, wobei die Einstellung der Modelltrainingsaufgabe die Auswahl eines Modells, eines Datensatzes, eines Lernrahmens und/oder von Rechenleistungsressourcen umfasst; die Rechnerrahmenschicht den ausgewählten Lernrahmen bereitstellt; und die Ressourcenverwaltungsschicht Rechenleistungsressourcen, Netzwerkressourcen und Speicherressourcen der Infrastrukturebene für die Modelltrainingsaufgabe entsprechend der Einstellung der Modelltrainingsaufgabe zuweist und abruft und das Modelltraining durchführt. Die heterogene Computing-Plattform kann den gesamten Prozess des maschinellen Lernens durch die Unterstützung mehrerer Reinforcement-Learning-Architekturen und super-großes verteiltes Training visualisieren und löst die Probleme der begrenzten Rechenleistung, der Einzel-KI-Chip-Anpassung, der Frame-Fixierung und dergleichen, die üblicherweise in der bestehenden Cloud-Management-Plattform existieren, so dass der Modell-Trainings-Prozess bequem, schnell und effizient ist.
-
CN109284184 VERFAHREN ZUM AUFBAU EINER VERTEILTEN MASCHINENLERNPLATTFORM AUF DER BASIS DER CONTAINERTECHNOLOGIE Die Erfindung stellt ein Verfahren zum Aufbau einer verteilten maschinellen Lernplattform auf der Basis einer Containertechnologie bereit, wobei die durch das Verfahren aufgebaute Plattform die Nutzungseffizienz und die Berechnungseffizienz von Ressourcen verbessern, die Verwaltung und Übermittlung von Aufgaben erleichtern und es den Benutzern ermöglichen kann, sich stärker auf die Forschung im Bereich des tiefen Lernens zu konzentrieren, ohne sich um Hardware und andere Probleme zu kümmern.
-
CN112508408 VERFAHREN ZUR KONSTRUKTION EINES ABBILDUNGSMODELLS EINES FUNK-RESSOURCENVERWALTUNGSINDEX UNTER EDGE COMPUTING Die Erfindung offenbart ein Verfahren zur Konstruktion eines Abbildungsmodells eines drahtlosen Ressourcenverwaltungsindex unter Edge Computing, das die folgenden Schritte umfasst: Vorverarbeitung ursprünglicher sozialer Daten eines Edge-Terminals auf der Grundlage einer verbesserten maschinellen Lernklassifizierungstechnologie, um verarbeitete soziale Daten zu erhalten; Zuordnung der sozialen Daten auf der Grundlage einer Clustering-Analysetechnologie und Zuordnung der sozialen Daten zu Informationen, die direkt Parameter der physikalischen Schicht widerspiegeln; Erstellung eines mathematischen Modells, das der Verteilung der sozialen Daten entspricht, und Durchführung einer Assoziationszuordnung, um ein Wahrscheinlichkeitsverteilungsmodell der Parameter der physikalischen Schicht zu erhalten, wobei die sozialen Daten als Variablen verwendet werden. Zuweisen unterschiedlicher Gewichtungen zu den QoS-Indizes der sozialen Daten aus unterschiedlichen Quellen und Durchführen einer Gewichtsdiskursdomänenstandardnormalisierungsverarbeitung; Durchführen einer Fuzzifizierungsverarbeitung an der standardisierten Gewichtung; Durchführen einer Defuzzifizierung an dem fuzzifizierten QoS-Index, um einen Fuzzy-Gewichtswert zu erhalten; und Auswählen einer Abbildungsfunktion des Quek-Index gemäß Dienstanforderungen und Verwenden des erhaltenen Fuzzy-Gewichtswertes für die Abbildungsfunktion, um einen Abbildungsgewichtswert des Quek-Index als einen drahtlosen Ressourcenmanagementindex zu erhalten.
-
IN201921040631 VERFAHREN ZUR OPTIMIERUNG VON MOBILEN GESUNDHEITSDIENSTEN UND MEDIZINISCHEN RESSOURCEN IN LÄNDLICHEN UND ENTFERNTEN GEBIETEN Meine Erfindung bezieht sich auf ein Verfahren zur Optimierung von mobilen Gesundheitsdiensten und medizinischen Ressourcen in ländlichen und entlegenen Gebieten durch maschinelles Lernen. Die Erfindung offenbart die Methode des maschinellen Lernens durch die Verwendung von mobilen Gesundheitsdiensten und medizinischen Ressourcen-Management-System für die Bereitstellung von Gesundheitsdiensten und medizinischen Ressourcen in ländlichen und abgelegenen Gebieten. Das intelligente und adaptive Computersystem verwaltet die Nutzung mobiler Gesundheitsdienste und medizinischer Ressourcen in einem bestimmten geografischen Gebiet in einem verteilten System für mobile Gesundheitsdienste und medizinische Ressourcen entsprechend der Notfallsituation, der Art des medizinischen Bedarfs, der Zeit des medizinischen Bedarfs, der Anforderungen an Ärzte und anderes unterstützendes Personal, der Anforderungen an medizinische Ausrüstung, der Anforderungen an medizinische Ressourcen, der Anforderungen an Medikamente und der Entfernung des Bedarfsortes in ländlichen und abgelegenen Gebieten, des bisherigen Verhaltens und der Trends der Nutzung und des zukünftigen Bedarfs an mobilen Gesundheitsdiensten und medizinischen Ressourcen in ländlichen und abgelegenen Gebieten.
-
WO/2014/036833 ICON-INTERAKTIONSSYSTEM AUF DER BASIS EINES SOZIALEN NETZWERKDIENSTES UND VERFAHREN DAZU Offenbart werden ein Icon-Interaktionssystem auf der Basis eines sozialen Netzwerkdienstes und ein Verfahren dazu, wobei das System ein erstes Endgerät-Ressourcenverwaltungsmodul, ein erstes Situationsschlussfolgerungsmodul, ein erstes Trigger-Ausführungsmodul, ein erstes Icon-Parsing-, -Analyse- und -Lernmodul und ein erstes Icon-Interaktionsmodul umfasst; das erste Endgerät-Ressourcenverwaltungsmodul wird verwendet, um von dem Endgerät eines Internets der Dinge die Dateninformationen in einer Maschinensprachform zu empfangen; das erste Situationsschlussmodul wird verwendet, um die Dateninformationen gemäß einer voreingestellten Situationsschlusslogik zu schließen und zu analysieren, um die Situationsdateninformationen in der Maschinensprachform zu extrahieren; das erste Auslösungsausführungsmodul wird verwendet, um die Icon-Übertragungsfunktion des sozialen Netzwerkdienstes entsprechend der Situationsdateninformation auszulösen, die durch Schlussfolgern und Analysieren gewonnen wurde; das erste Icon-Parsing-, Analyse- und Lernmodul wird verwendet, um die Dateninformation in entsprechende Icon-Information entsprechend einer voreingestellten Icon-Mapping-Bibliothek abzubilden, wobei eine entsprechende Beziehung zwischen der Situationsdateninformation und der Icon-Information in der Icon-Mapping-Bibliothek hergestellt wird; und das erste Icon-Interaktionsmodul wird verwendet, um die Icon-Information auf dem sozialen Netzwerkdienst zu verteilen. Die vorliegende Erfindung realisiert eine direkte Person-Objekt- und Objekt-Objekt-Informationsinteraktion und die Konvergenz des Internets der Dinge und des sozialen Netzwerkdienstes.
-
US09311598 AUTOMATISCHE ERFASSUNG VON DETAILLIERTEN ANALYSE-INFORMATIONEN FÜR WEB-ANWENDUNGS-AUSGÄNGE MIT SEHR GERINGEM AUFWAND Ein System überwacht ein Netzwerk oder eine WebAnwendung, die von einer oder mehreren verteilten Anwendungen bereitgestellt wird, und liefert Daten für jede einzelne Methodeninstanz auf effiziente und kostengünstige Weise. Die Webanwendung kann durch einen oder mehrere Webdienste bereitgestellt werden, die jeweils als virtuelle Maschine implementiert sind, oder durch eine oder mehrere Anwendungen, die auf einer virtuellen Maschine implementiert sind. Agenten können auf einem oder mehreren Servern auf Anwendungsebene, auf Ebene der virtuellen Maschine oder auf einer anderen Ebene installiert werden. Der Agent kann eine oder mehrere Hot-Spot-Methoden auf der Grundlage von aktueller oder früherer Leistung, Funktionalität, Inhalt oder Geschäftsrelevanz identifizieren. Auf der Grundlage von Lerntechniken, effizienter Überwachung und Ressourcenmanagement kann das vorliegende System mit sehr geringem Aufwand Daten für Ausreißer einer Webanwendung erfassen und Analyseinformationen bereitstellen.
-
AU2020103373 MACHINE LEARNING BASED NETWORK INTELLIGENTIZATION FOR AUTOMATICALLY- CONFIGURABLE CELLULAR COMMUNICATION SYSTEMS Mit dem zunehmenden Wachstum intelligenter Schnittstellen und Kommunikationsinfrastrukturen sowie der Diversifizierung von Technologien mit dynamischen Kriterien werden die bestehenden Netze nicht ausreichen, um die zunehmend steigenden Verkehrskriterien vollständig zu erfüllen. Infolgedessen wurden in allen Industriezweigen und im Bildungswesen auch Analysen zu 6-G-Netzen durchgeführt. Künstliche Intelligenz wird seit kurzem als Modell für die Architektur und Automatisierung von 6-G-Netzen mit einem hohen Maß an Intelligenz verwendet. A-fähige intelligente Infrastruktur für 6 G-Netze zur Erkennung von Informationen, intelligentem Ressourcenmanagement, automatischer Netzanpassung und automatischer Bereitstellung von Diensten, wobei die Infrastruktur in vier Ebenen unterteilt ist: Schicht für tragbare Geräte, Schicht für Data Mining und Analyse, Fernkommunikationsmodul und Schicht für intelligente Geräte. Die vorgeschlagene Methodik wurde als ultimative Strategie in einer Vielzahl von hochkomplexen Situationen implementiert. Netzwerk-Intelligenz wäre eine modemhafte Entwicklung, um die Komplexität einer immer größer werdenden Anzahl von vernetzten Geräten zu lösen. Im Vergleich zum Einsatz des maschinellen Lernens in anderen Bereichen, wie z. B. bei Videospielen, ist die Entwicklung intelligenter Netzwerke noch weit davon entfernt, automatisierte zellulare Kommunikationsnetze zu realisieren. Zahlreiche Herausforderungen in Bezug auf Kommunikationsstrukturen, maschinelle Lerntechnologien und Rechenleistung sollten angegangen werden, damit dieser Ansatz in 6G optimal genutzt werden kann. KI-Methoden für 6G verbessern die Netzeffizienz zuverlässig und effizient, nämlich KI-gestützte Vernetzung zellularer Geräte, intelligente Konvergenz- und Upload-Steuerung und intelligente spektrale Effizienz. Die wichtigsten bevorstehenden Forschungsziele werden beleuchtet und mögliche Strategien für KI-gestützte intelligente 6G-Netze, wie Rechenleistung, strenge Algorithmen, Geräteerstellung und Ressourcenmanagement, werden vorgestellt.
-
WO/2014/075108 FORECASTING SYSTEM USING MACHINE LEARNING AND ENSEMBLE METHODS Techniken zur Bestimmung von Prognoseinformationen für eine Ressource unter Verwendung von Lernalgorithmen werden offengelegt. Die Verfahren können ein Ensemble von maschinellen Lernalgorithmen umfassen. Die Verfahren können auch latente Zustände verwenden, um Trainingsdaten zu erzeugen. Die Verfahren können auf der Grundlage der Prognoseinformationen Maßnahmen zur Verwaltung der Ressource ermitteln. Die Ressource kann den Energieverbrauch in Gebäuden, Verteilungseinrichtungen und Ressourcen wie Elektrofahrzeuge umfassen. Die Ressource kann auch die Vorhersage des Paketvolumens für Unternehmen umfassen.
-
US20180300171 ELASTISCHE VERWALTUNG VON MACHINE LEARNING COMPUTING Ein Computersystem, das ein Verfahren zur elastischen Ressourcenverwaltung für die Ausführung eines Machine Learning (ML) Programms implementiert. Das System ist so konfiguriert, dass es einen Satz logischer Ausführungsprogramme erstellt, diese einem Satz vernetzter physischer Recheneinheiten eines verteilten Rechensystems zuweist, Eingabedaten und Arbeitsaufgaben auf den Satz logischer Ausführungsprogramme aufteilt und verteilt, sie dem Satz vernetzter physischer Recheneinheiten zuweist, wobei die Arbeitsaufgaben in kurze Recheneinheiten (Mikroaufgaben) aufgeteilt sind, jede eine teilweise Aktualisierung der Modellparameter des ML-Programms berechnet und jede weniger als eine Sekunde dauert; Erstellen eines Satzes logischer Server (Loses); Partitionieren und Verteilen global gemeinsam genutzter Modellparameter des ML-Programms über den Satz logischer Server; Ausführen partitionierter Arbeitsaufgaben gemäß einem begrenzten asynchronen parallelen Standard, bei dem eine aktuelle Arbeitsaufgabe mit veralteten Modellparametern ausgeführt werden darf, ohne dass alle aktuellen Berechnungsaktualisierungen von Arbeitsaufgaben, von denen sie abhängt, zur Verfügung stehen, vorausgesetzt, die Vergänglichkeit der Modellparameter liegt innerhalb einer vordefinierten Grenze...
-
Wie in der vorliegenden Beschreibung und in den folgenden Ansprüchen verwendet, schließt die Bedeutung von „ein“, „eine“ und „die“ den Plural ein, sofern der Kontext nicht eindeutig etwas anderes vorgibt. Wie in der vorliegenden Beschreibung verwendet, schließt die Bedeutung von „in“ auch „in“ und „am“ ein, sofern der Kontext nicht eindeutig etwas anderes vorschreibt.
-
Die Aufzählung von Wertebereichen dient lediglich als Kurzbezeichnung für jeden einzelnen Wert, der in den Bereich fällt. Sofern hier nicht anders angegeben, wird jeder einzelne Wert in die Spezifikation aufgenommen, als ob er hier einzeln aufgeführt wäre.
-
Die Verwendung von Beispielen oder beispielhaften Formulierungen (z. B. „wie“) in Bezug auf bestimmte Ausführungsformen dient lediglich der besseren Veranschaulichung der Erfindung und stellt keine Einschränkung des Umfangs der ansonsten beanspruchten Erfindung dar. Keine Formulierung in der Beschreibung sollte als Hinweis auf ein nicht beanspruchtes, für die Ausführung der Erfindung wesentliches Element ausgelegt werden.
-
Die in diesem Abschnitt „Hintergrund“ offengelegten Informationen dienen lediglich dem besseren Verständnis des Hintergrunds der Erfindung und können daher Informationen enthalten, die nicht zum Stand der Technik gehören und die einem Fachmann in diesem Land bereits bekannt sind.
-
ZUSAMMENFASSUNG
-
Bevor die vorliegenden Systeme und Methoden beschrieben werden, sei darauf hingewiesen, dass diese Anwendung nicht auf die beschriebenen Systeme und Methoden beschränkt ist, da es mehrere mögliche Ausführungsformen geben kann, die in der vorliegenden Offenlegung nicht ausdrücklich dargestellt sind. Es ist auch zu verstehen, dass die in der Beschreibung verwendete Terminologie nur zur Beschreibung der besonderen Versionen oder Ausführungsformen dient und nicht dazu gedacht ist, den Umfang der vorliegenden Anwendung zu begrenzen.
-
Die vorliegende Erfindung behebt und löst im Wesentlichen die im Stand der Technik bestehenden technischen Probleme. Als Antwort auf diese Probleme offenbart die vorliegende Erfindung ein System für intelligentes Ressourcenmanagement für verteilte maschinelle Lernaufgaben.
-
Ein Aspekt der vorliegenden Erfindung besteht darin, „ein System für intelligentes Ressourcenmanagement für verteilte maschinelle Lernaufgaben vorzustellen, wobei das System Folgendes umfasst: eine Plattformschicht für Autoritätsmanagement, verteilten Speicher, GPU-Rechenressourcenmanagement, verteiltes Rechnen, Training und Aufgabenplanung; ein Ressourcenanforderungs-Eingabemodul, das so konfiguriert ist, dass es eine Anforderung für ein Ressourcenmanagementprodukt empfängt; ein Funktionsmodul für maschinelles Lernen, das so konfiguriert ist, dass es ein oder mehrere Ensembles für maschinelles Lernen ausführt, um eine oder mehrere Prioritäten für verteilte maschinelle Lernaufgaben für das Ressourcenmanagementprodukt vorherzusagen; eine Aufgabenkomponente, die so konfiguriert ist, dass sie ein oder mehrere Pakete an ein oder mehrere andere Internet-der-Dinge-Module auf einer Datenbank für verteilte maschinelle Lernaufgaben mit verteiltem maschinellem Lernen übermittelt eine Warteschlange für Aufgaben des verteilten maschinellen Lernens, die das eine oder die mehreren Pakete für Aufgaben des verteilten maschinellen Lernens in der Datenbank für Aufgaben des verteilten maschinellen Lernens speichert; eine Warteschlange für das Ressourcenmanagement, die Ressourcenelemente zur Übermittlung an die Warteschlange für Aufgaben des verteilten maschinellen Lernens speichert und ein Ergebnismodul, das so konfiguriert ist, dass es innerhalb des Ressourcenverwaltungsprodukts einen nativen Zugriff auf die eine oder mehrere Prioritäten für verteiltes maschinelles Lernen verteilter maschineller Lernaufgaben durch ein computergestütztes Modell bereitstellt, das von einem Server unter Verwendung einer optimalen Ressourcennutzung in den verfügbaren Ressourcen unter Verwendung verarbeiteter Daten vom Ressourcenanforderungs-Eingabemodul, dem Funktionsmodul für maschinelles Lernen, der Aufgabenkomponente, der Warteschlange für paketverteilte maschinelle Lernaufgaben und der Ressourcenverwaltungswarteschlange verarbeitet wird..“
-
Figurenliste
-
Um verschiedene Aspekte einiger Ausführungsbeispiele der vorliegenden Erfindung zu verdeutlichen, wird eine genauere Beschreibung der Erfindung durch Bezugnahme auf bestimmte Ausführungsformen, die in der beigefügten Zeichnung dargestellt sind, gegeben. Es wird davon ausgegangen, dass diese Zeichnung zeigt nur illustrierte Ausführungsformen der Erfindung und sind daher nicht als Einschränkung ihres Umfangs zu betrachten. Die Erfindung wird mit zusätzlicher Spezifität und Detail durch die Verwendung der beigefügten Zeichnung beschrieben und erläutert.
-
Damit die Vorteile der vorliegenden Erfindung leicht verstanden werden, wird im Folgenden eine detaillierte Beschreibung der Erfindung in Verbindung mit der beigefügten Zeichnung erörtert, die jedoch nicht als Beschränkung des Umfangs der Erfindung auf die beigefügte Zeichnung angesehen werden sollte, in der:
- 1 ein Blockdiagramm des Systems (10) für intelligentes Ressourcenmanagement für verteilte maschinelle Lernaufgaben zeigt.
-
DETAILLIERTE BESCHREIBUNG
-
Die vorliegende Erfindung bezieht sich auf ein System für intelligentes Ressourcenmanagement für verteilte maschinelle Lernaufgaben.
-
1 zeigt ein detailliertes Blockdiagramm des Systems (10) für intelligentes Ressourcenmanagement für verteilte maschinelle Lernaufgaben.
-
Obwohl die vorliegende Offenbarung mit dem Zweck des Systems für intelligentes Ressourcenmanagement für verteilte maschinelle Lernaufgaben beschrieben worden ist, sollte man sich darüber im Klaren sein, dass dies nur zur beispielhaften Veranschaulichung der Erfindung und zur Hervorhebung jedes anderen Zwecks oder jeder anderen Funktion, für die die erläuterten Strukturen oder Konfigurationen verwendet werden könnten, geschehen ist und in den Anwendungsbereich der vorliegenden Offenbarung fällt.
-
Das System (10) für intelligentes Ressourcenmanagement für verteilte maschinelle Lernaufgaben wird in dieser Offenlegung offengelegt.
-
Das System für intelligentes Ressourcenmanagement für verteilte maschinelle Lernaufgaben umfasst ein Ressourcenanforderungs-Eingabemodul (1), ein Funktionsmodul für maschinelles Lernen (2), eine Aufgabenkomponente (3), eine Warteschlange für verteilte maschinelle Lernaufgaben (4), eine Warteschlange für Ressourcenmanagement (5) und ein Ergebnismodul (6).
-
Das Eingabemodul für Ressourcenanfragen (1) ist so konfiguriert, dass es eine Anfrage für ein Ressourcenmanagementprodukt empfängt.
-
Das Funktionsmodul für maschinelles Lernen (2) ist so konfiguriert, dass es ein oder mehrere Ensembles für maschinelles Lernen ausführt, um eine oder mehrere Prioritäten für verteilte maschinelle Lernaufgaben für das Ressourcenmanagementprodukt vorherzusagen.
-
Die Aufgabenkomponente (3) ist so konfiguriert, dass sie ein oder mehrere Pakete an ein oder mehrere andere Internet-der-Dinge-Module auf einer verteilten maschinellen Lerndatenbank für verteilte maschinelle Lernaufgaben übermittelt.
-
Die Paket-Warteschlange (4) für verteilte maschinelle Lernaufgaben speichert die ein oder mehreren Pakete für verteilte maschinelle Lernaufgaben in der Datenbank für verteilte maschinelle Lernaufgaben.
-
In der Warteschlange für die Ressourcenverwaltung (5) werden Ressourcen gespeichert, die an die Warteschlange für verteilte maschinelle Lernaufgaben weitergeleitet werden.
-
Das Ergebnismodul (6) ist so konfiguriert, dass es innerhalb des Ressourcenverwaltungsprodukts einen nativen Zugriff auf die eine oder mehrere Prioritäten für verteiltes maschinelles Lernen verteilter maschineller Lernaufgaben durch ein computergestütztes Modell (61) bereitstellt, das von einem Server unter Verwendung einer optimalen Ressourcennutzung in den verfügbaren Ressourcen unter Verwendung von verarbeiteten Daten aus dem Ressourcenanforderungs-Eingabemodul (1), dem Funktionsmodul für maschinelles Lernen (2), der Aufgabenkomponente (3), der Warteschlange für verteilte maschinelle Lernaufgaben (4) und der Warteschlange für die Ressourcenverwaltung (5) verarbeitet wird.
-
Das computergestützte Modell (61) verwendet Daten, einen Daten-Cache, eine Berechnung und Speicherressourcen, um die Priorität der verteilten maschinellen Lernaufgabe zu berechnen.
-
Das computergestützte Modell (61) verwendet Deep-Learning-Modelle.
-
Die Figur und die vorangehende Beschreibung zeigen Beispiele für Ausführungsformen. Der Fachmann wird verstehen, dass eines oder mehrere der beschriebenen Elemente durchaus zu einem einzigen Funktionselement kombiniert werden können. Alternativ dazu können bestimmte Elemente in mehrere Funktionselemente aufgeteilt werden. Elemente aus einer Ausführungsform können einer anderen Ausführungsform hinzugefügt werden. Die Reihenfolge der hier beschriebenen Prozesse kann beispielsweise geändert werden und ist nicht auf die hier beschriebene Weise beschränkt. Darüber hinaus müssen die Aktionen eines Blockdiagramms nicht in der gezeigten Reihenfolge ausgeführt werden, und es müssen auch nicht unbedingt alle Aktionen ausgeführt werden. Auch können diejenigen Handlungen, die nicht von anderen Handlungen abhängig sind, parallel zu den anderen Handlungen ausgeführt werden. Der Umfang der Ausführungsformen ist durch diese spezifischen Beispiele keineswegs begrenzt.
-
Obwohl Ausführungsformen der Erfindung in einer für strukturelle Merkmale und/oder Methoden spezifischen Sprache beschrieben wurden, sind die beigefügten Ansprüche nicht notwendigerweise auf die beschriebenen spezifischen Merkmale oder Methoden beschränkt. Vielmehr werden die spezifischen Merkmale und Methoden als Beispiele für Ausführungsformen der Erfindung offenbart.
-
ZITATE ENTHALTEN IN DER BESCHREIBUNG
-
Diese Liste der vom Anmelder aufgeführten Dokumente wurde automatisiert erzeugt und ist ausschließlich zur besseren Information des Lesers aufgenommen. Die Liste ist nicht Bestandteil der deutschen Patent- bzw. Gebrauchsmusteranmeldung. Das DPMA übernimmt keinerlei Haftung für etwaige Fehler oder Auslassungen.
-
Zitierte Patentliteratur
-
- CN 110928689 [0005]
- CN 12463389 [0006]
- IN 202241024235 [0007]
- CN 108881446 [0008]
- CN 112667594 [0009]
- CN 109284184 [0010]
- CN 112508408 [0011]
- IN 201921040631 [0012]
- WO 2014/036833 [0013]
- US 09311598 [0014]
- AU 2020103373 [0015]
- WO 2014/075108 [0016]
- US 20180300171 [0017]
