【技术实现步骤摘要】
本申请涉及通信，尤其涉及在网计算的聚合树生成方法、电子设备及计算机存储介质。
技术介绍
1、相关技术中的机器学习（machine learning，ml）在越来越大的数据集上构建越来越复杂的模型的能力，模型和数据集相互影响，导致训练时间增加。为应对增加的时间，使用分布式训练，大规模集群中使用数百、数千个成员（worker）进行并行训练，每个成员worker在本地计算梯度更新值，并在worker之间相互传递各自的梯度更新数据。通过多次的迭代完成整个训练数据集的更新。然而，由于worker会产生密集的信息流来传达他们的模型更新，而训练则会暂停，直到更新完成。分布式训练的性能瓶颈已经从计算转移到了通信。为了减少通信的数据量，增加吞吐量、减小时延并加快训练时间，提出了在网计算（in-network computing，inc）方式，每个worker将梯度更新数据发送给交换机switch，在switch中进行聚合操作，并将结果返回给worker。这个过程中利用了switch的聚合功能，多个数据包合并，减少了数据量和带宽的需求，降低了时延。
...【技术保护点】
1.一种在网计算的聚合树生成方法，其特征在于，包括：
2.如权利要求1所述的在网计算的聚合树生成方法，其特征在于，从在网计算架构的拓扑网络中，识别出与所有所述成员节点均能形成链路连接的目标交换机节点，包括：
3.如权利要求1所述的在网计算的聚合树生成方法，其特征在于，从所有所述目标交换机节点中选取网络性能最优的交换机节点，确定为聚合树的根节点，包括：
4.如权利要求3所述的在网计算的聚合树生成方法，其特征在于，确定各所述目标交换机节点对应的目标网络性能参数，包括：
5.如权利要求4所述的在网计算的聚合树生成方法，其特征在...
【技术特征摘要】
1.一种在网计算的聚合树生成方法，其特征在于，包括：
2.如权利要求1所述的在网计算的聚合树生成方法，其特征在于，从在网计算架构的拓扑网络中，识别出与所有所述成员节点均能形成链路连接的目标交换机节点，包括：
3.如权利要求1所述的在网计算的聚合树生成方法，其特征在于，从所有所述目标交换机节点中选取网络性能最优的交换机节点，确定为聚合树的根节点，包括：
4.如权利要求3所述的在网计算的聚合树生成方法，其特征在于，确定各所述目标交换机节点对应的目标网络性能参数，包括：
5.如权利要求4所述的在网计算的聚合树生成方法，其特征在于，基于各所述通信链路的链路网络性能参数，确定各所述目标交换机节点对应的目标网络性能参数，包括：
6.如权利要求4所述的在网计算的聚合树生成方法，其特征在于，基于各所述通信链路的链路网络性能参数，确定各所述目标交换机节点对应的目标网络性能参数，包括：
7.如权利要求6所述的在网计算的聚合树生成方法，其特征在于，基于各所述目标通信链路的链路网络性能参数，确定各所述目标交换机节点对应的目标网络性能参数，包括：
8.如权利要求4至7中任一项所述的在网计算的聚合树生成方法，其特征在于，
9.如权利要求3至7中任一项所述的在网计算的聚合树生成方法，其特征在于，在所述目标网络性能参数为网络时延信息的情况下，所...
【专利技术属性】
技术研发人员：高陈强，喻敬海，
申请(专利权)人：中兴通讯股份有限公司，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。