算力资源的调度方法及装置、存储介质及电子装置制造方法及图纸

本申请实施例提供了一种算力资源的调度方法及装置、存储介质及电子装置，其中，该方法包括：获取目标任务的目标任务参数，其中，目标任务参数中携带了目标任务的目标任务类型、目标任务的参考算力资源、提供参考算力资源的设备所在环境的温度和湿度；将目标任务参数输入目标神经网络模型，得到预测算力资源，其中，目标神经网络模型用于根据输入的目标任务参数确定对应的预测算力资源；根据预测算力资源，确定待调度的目标算力资源；使用目标算力资源执行目标任务。通过本申请实施例，解决了算力资源的调度的准确度较低的问题，达到提升算力资源的调度的准确度的效果。资源的调度的准确度的效果。资源的调度的准确度的效果。

【技术实现步骤摘要】
算力资源的调度方法及装置、存储介质及电子装置


[0001]本申请实施例涉及计算机领域，具体而言，涉及一种算力资源的调度方法及装置、存储介质及电子装置。

技术介绍

[0002]智算中心是智能化时代的新型公共基础设施，将融合架构计算系统做为平台，并以数据为资源，通过算力的生产、聚合、调度和释放，高效支撑数据开放共享、智能生态建设和产业创新聚集，不断产生各种智慧计算服务，并通过网络以云服务形式供应给组织及个人。在智算中心的众多功能中，算力资源调度是最为重要的功能之一。
[0003]现有技术中，往往是基于任务的任务类型、任务的计算成本、任务的计算完成时间(比如：计算时延)，根据设备提供的额定算力资源确定出满足任务需求的算力资源。但这样的方式存在着，设备提供的实际算力资源往往达不到额定算力资源，并且设备所在环境的温度和湿度也会影响设备所能实际提供的算力资源的问题，可能导致确定出的算力资源在实际执行任务的过程中所提供的算力资源无法满足任务的需求，算力资源的调度的准确度较低。
[0004]针对相关技术中，算力资源的调度的准确度较低的技术问题，尚未提出有效的解决方案。

技术实现思路

[0005]本申请实施例提供了一种算力资源的调度方法及装置、存储介质及电子装置，以至少解决相关技术中算力资源的调度的准确度较低的问题。
[0006]根据本申请的一个实施例，提供了一种算力资源的调度方法，包括：获取目标任务的目标任务参数，其中，所述目标任务参数中携带了所述目标任务的目标任务类型、所述目标任务的参考算力资源、提供所述参考算力资源的设备所在环境的温度和湿度；将所述目标任务参数输入目标神经网络模型，得到预测算力资源，其中，所述目标神经网络模型用于根据输入的所述目标任务参数确定对应的所述预测算力资源；根据所述预测算力资源，确定待调度的目标算力资源；使用所述目标算力资源执行所述目标任务。
[0007]在一个示例性实施例中，所述根据所述预测算力资源，确定待调度的目标算力资源，包括：将所述预测算力资源确定为待调度的所述目标算力资源。
[0008]在一个示例性实施例中，所述根据所述预测算力资源，确定待调度的目标算力资源，包括：根据N个历史任务的N个历史参考算力资源和N个历史实际算力资源，对所述预测算力资源进行调整，得到所述目标算力资源，其中，N为大于或者等于1的正整数。
[0009]在一个示例性实施例中，所述根据N个历史任务的N个历史参考算力资源和N个历史实际算力资源，对所述预测算力资源进行调整，得到所述目标算力资源，包括：通过以下公式对所述预测算力资源进行调整，得到所述目标算力资源：
[0010][0011]其中，Z1为所述预测算力资源，Z2为所述目标算力资源，H1
k
为所述N个历史参考算力资源中的第k个历史参考算力资源，H2
k
为所述N个历史实际算力资源中的第k个历史实际算力资源，k为大于或者等于1、且小于或者等于N的正整数。
[0012]在一个示例性实施例中，在所述将所述目标任务参数输入目标神经网络模型之前，所述方法还包括：使用样本任务集合对应的样本任务参数集合和所述样本任务集合对应的样本实际算力资源集合，对待训练的神经网络模型进行训练，直到所述待训练的神经网络模型对应的目标损失值满足预设的目标收敛条件，结束训练，并将结束训练时的所述待训练的神经网络模型确定为所述目标神经网络模型，其中，所述目标损失值是样本预测算力资源和样本实际算力资源之间的损失值，所述样本预测算力资源是所述待训练的神经网络模型根据输入的所述样本任务参数集合中的样本任务参数确定的预测算力资源，所述样本实际算力资源集合包括所述样本实际算力资源，所述样本实际算力资源与输入的所述样本任务参数对应所述样本任务集合中相同的样本任务；其中，所述对待训练的神经网络模型进行训练，包括：在进行第i轮训练时，在第i
‑
1轮训练得到的神经网络模型中根据所述第i轮训练输入的样本任务参数，确定所述第i轮训练得到的预测算力资源，根据所述第i轮训练得到的预测算力资源和所述第i轮训练使用的样本实际算力资源，确定所述第i轮训练得到的目标损失值，在所述目标损失值不满足所述目标收敛条件的情况下，对所述第i
‑
1轮训练得到的神经网络模型进行调整，得到第i轮训练得到的神经网络模型，其中，i为大于或等于2的正整数；其中，所述第i轮训练输入的样本任务参数包括所述第i轮训练使用的样本任务的任务类型、所述第i轮训练使用的样本任务的参考算力资源、提供所述第i轮训练使用的样本任务的参考算力资源的设备所在环境的温度和湿度。
[0013]在一个示例性实施例中，所述对所述第i
‑
1轮训练得到的神经网络模型进行调整，包括：调整所述第i
‑
1轮训练得到的神经网络模型中的隐藏层的数量，和/或，所述隐藏层中包括的神经元的数量。
[0014]在一个示例性实施例中，在所述获取目标任务的目标输入参数之前，所述方法还包括：获取执行所述目标任务所需的目标时间、所述目标任务的目标任务类型以及所述目标任务的任务量；根据所述目标时间和所述任务量以及所述目标任务类型，确定所述参考算力资源。
[0015]在一个示例性实施例中，所述根据所述目标时间和所述任务量以及所述目标任务类型，确定所述参考算力资源，包括：在允许执行所述目标任务类型的任务的设备集合包括一个设备的情况下，获取所述一个设备提供的用于执行所述目标任务的候选算力资源；在所述候选算力资源表示单位时间执行的第一运算次数、且所述任务量表示执行所述目标任务所需的总运算次数的情况下，将所述总运算次数除以所述目标时间，得到当前算力资源，其中，所述当前算力资源表示所述单位时间执行的第二运算次数；在所述第一运算次数大于或等于所述第二运算次数的情况下，将所述参考算力资源确定为等于所述当前算力资源；或者在允许执行所述目标任务类型的任务的设备集合包括N个设备的情况下，获取所述N个设备提供的用于执行所述目标任务的N个候选算力资源，N为大于或等于2的正整数；在
所述N个候选算力资源表示所述单位时间执行的N个运算次数、且所述任务量表示执行所述目标任务所需的总运算次数的情况下，将所述总运算次数除以所述目标时间，得到所述当前算力资源，其中，所述当前算力资源表示所述单位时间执行的第二运算次数；在所述N个运算次数之和大于或等于所述第二运算次数的情况下，将所述参考算力资源确定为等于第一算力资源，其中，所述第一算力资源表示所述单位时间执行的第三运算次数，所述第三运算次数等于所述第二运算次数除以N所得到的第一平均次数，且所述第三运算次数小于或等于所述N个运算次数中的最小值，或者，所述第三运算次数等于所述第二运算次数除以M所得到的第二平均次数，且所述第三运算次数小于或等于所述N个运算次数中的M个运算次数中的最小值，所述M个运算次数对应于所述N个设备中的M个设备提供的M个候选算力资源，M为大于或等于1、且小于N的正整数。
[0016]在一个示例性实施例中，所述使用本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种算力资源的调度方法，其特征在于，包括：获取目标任务的目标任务参数，其中，所述目标任务参数中携带了所述目标任务的目标任务类型、所述目标任务的参考算力资源、提供所述参考算力资源的设备所在环境的温度和湿度；将所述目标任务参数输入目标神经网络模型，得到预测算力资源，其中，所述目标神经网络模型用于根据输入的所述目标任务参数确定对应的所述预测算力资源；根据所述预测算力资源，确定待调度的目标算力资源；使用所述目标算力资源执行所述目标任务。2.根据权利要求1所述的方法，其特征在于，所述根据所述预测算力资源，确定待调度的目标算力资源，包括：将所述预测算力资源确定为待调度的所述目标算力资源。3.根据权利要求1所述的方法，其特征在于，所述根据所述预测算力资源，确定待调度的目标算力资源，包括：根据N个历史任务的N个历史参考算力资源和N个历史实际算力资源，对所述预测算力资源进行调整，得到所述目标算力资源，其中，N为大于或者等于1的正整数。4.根据权利要求3所述的方法，其特征在于，所述根据N个历史任务的N个历史参考算力资源和N个历史实际算力资源，对所述预测算力资源进行调整，得到所述目标算力资源，包括：通过以下公式对所述预测算力资源进行调整，得到所述目标算力资源：其中，Z1为所述预测算力资源，Z2为所述目标算力资源，H1
k
为所述N个历史参考算力资源中的第k个历史参考算力资源，H2
k
为所述N个历史实际算力资源中的第k个历史实际算力资源，k为大于或者等于1、且小于或者等于N的正整数。5.根据权利要求1所述的方法，其特征在于，在所述将所述目标任务参数输入目标神经网络模型之前，所述方法还包括：使用样本任务集合对应的样本任务参数集合和所述样本任务集合对应的样本实际算力资源集合，对待训练的神经网络模型进行训练，直到所述待训练的神经网络模型对应的目标损失值满足预设的目标收敛条件，结束训练，并将结束训练时的所述待训练的神经网络模型确定为所述目标神经网络模型，其中，所述目标损失值是样本预测算力资源和样本实际算力资源之间的损失值，所述样本预测算力资源是所述待训练的神经网络模型根据输入的所述样本任务参数集合中的样本任务参数确定的预测算力资源，所述样本实际算力资源集合包括所述样本实际算力资源，所述样本实际算力资源与输入的所述样本任务参数对应所述样本任务集合中相同的样本任务；其中，所述对待训练的神经网络模型进行训练，包括：在进行第i轮训练时，在第i
‑
1轮训练得到的神经网络模型中根据所述第i轮训练输入的样本任务参数，确定所述第i轮训练得到的预测算力资源，根据所述第i轮训练得到的预测算力资源和所述第i轮训练使用的样本实际算力资源，确定所述第i轮训练得到的目标损失值，在所述目标损失值不满足所述目
标收敛条件的情况下，对所述第i
‑
1轮训练得到的神经网络模型进行调整，得到第i轮训练得到的神经网络模型，其中，i为大于或等于2的正整数；其中，所述第i轮训练输入的样本任务参数包括所述第i轮训练使用的样本任务的任务类型、所述第i轮训练使用的样本任务的参考算力资源、提供所述第i轮训练使用的样本任务的参考算力资源的设备所在环境的温度和湿度。6.根据权利要求5所述的方法，其特征在于，所述对所述第i
‑
1轮训练得到的神经网络模型进行调整，包括：调整所述第i
‑
1轮训练得到的神经网络模型中的隐藏层的数量，和/或，所述隐藏层中包括的神经元的数量。7.根据权利要求1所述的方法，其特征在于，在所述获取...

【专利技术属性】
技术研发人员：赵辉，
申请(专利权)人：苏州浪潮智能科技有限公司，
类型：发明
国别省市：