-
公开(公告)号：CN115033477B
公开(公告)日：2023-06-27
申请号：CN202210644574.7
申请日：2022-06-08
Applicant: 山东省计算中心(国家超级计算济南中心) , 齐鲁工业大学
IPC: H04L67/1012 , H04L67/1074 , H04L41/0631 , H04L43/04 , H04L43/062 , H04L43/0852 , G06F17/15
Abstract: 本发明涉及一种面向大规模微服务的性能异常主动检测和处理方法及系统，包括：对微服务的资源使用情况以及运行时信息进行采集，通过采集信息判断微服务应用是否存在性能异常；如果微服务应用存在性能异常，首先，通过采集信息生成微服务历史执行图，然后，基于记忆化搜索对微服务关键路径进行提取，随后，基于部分SLO对关键微服务进行定位，最后，基于离散系数确定关键微服务的关键资源，并增加关键资源的配额，以避免或缓解尾延迟SLO违规。
-
公开(公告)号：CN112068943A
公开(公告)日：2020-12-11
申请号：CN202010933828.8
申请日：2020-09-08
Applicant: 山东省计算中心(国家超级计算济南中心)
Abstract: 本发明涉及一种复杂异构环境下的微服务调度方法及其实现系统，包括：(1)第一级调度：实时获取所有物理服务器、虚拟机、服务及微服务的基本信息，将有调用关系的微服务调度到关系距离更近的虚拟机中；保证各个微服务之间调用的高性能；(2)第二级调度：在业务应用运行过程中，统计一个时间段内虚拟机之间通信的延时和微服务之间的调用频繁程度，动态更新虚拟机之间的关系距离矩阵，周期性检查并迁移符合条件的微服务，保证调用频繁的微服务迁移到关系距离较近的虚拟机上。通过对微服务的两级调度之后，保证微服务能够被调度到合适的虚拟机上，尽量减少微服务跨虚拟机、跨物理服务器、跨网段调用，达到微服务之间高效调用的效果。
-
公开(公告)号：CN111880898A
公开(公告)日：2020-11-03
申请号：CN202010731894.7
申请日：2020-07-27
Applicant: 山东省计算中心(国家超级计算济南中心)
IPC: G06F9/455
Abstract: 本发明涉及一种基于微服务架构的服务调度方法及其实现系统，包括：(1)第一级调度：根据若干台宿主机的资源情况以及待调度的业务应用的基本信息，将不同副本之间有调用关系的子服务调度到相同的宿主机中；(2)第二级调度：在业务应用运行过程中，统计各个子服务之间的调用关系，并根据调用关系系数周期性检查并迁移符合条件的子服务，将调用频繁的子服务迁移到相同的宿主机中。本发明通过两级调度之后，保证业务应用服务的子服务调度到适合的宿主机中，最终达到在满足业务应用服务高可用的前提下，尽量将有调用关系的子服务调度到同一台宿主机中，减少跨服务器和跨区域调用带来的时间延迟，提高子服务之间调用的性能。
-
公开(公告)号：CN104199724A
公开(公告)日：2014-12-10
申请号：CN201410456973.6
申请日：2014-09-10
Applicant: 山东省计算中心(国家超级计算济南中心)
Abstract: 本发明的基于性价比的虚拟化资源调度优化方法，用户申请资源时，根据申请的虚拟资源配置将其所属的整合比区间中；在系统运行时，周期性地判断物理服务器的类型，对于重负载服务器，将使用率小的若干虚拟资源迁移到本区间内整合比上升的或者整合比更小的相邻区间的物理服务器上；对于轻负载服务器，将使用率大的若干虚拟资源迁移到本区间内整合比下降的或者整合比更大的相邻区间的物理服务器上。本发明的资源调度优化方法，一方面，同一整合比区间内的高负载虚拟资源会被迁移到整合比低的物理服务器上，使得用户用最少的费用占用了更多的物理资源；另一方面，对于轻负载虚拟资源在保证性能不受影响的前提下，会被迁移到整合比高的物理服务器上，可以降低运营成本。
-
公开(公告)号：CN115129477B
公开(公告)日：2025-05-23
申请号：CN202210918942.2
申请日：2022-08-01
Applicant: 山东省计算中心(国家超级计算济南中心)
Abstract: 本发明公开了一种资源高效与服务质量感知的推理服务系统自适应调度方法，包括：深度学习模型自动选择模块利用协同过滤方法预测推理工作负载在不同深度学习模型上运行的推理性能；深度学习模型自动选择模块利用贪婪算法选择满足用户服务质量需求的最优深度学习模型，并将最优深度学习模型部署至容器中为推理服务系统中的推理工作负载服务；协同管理模块利用深度强化学习方法，根据推理工作负载的动态变化，协同地调整GPU资源分配和批量大小设置，本发明可根据用户的需求自动地选择深度学习模型，可根据推理工作负载的动态变化协同地调整GPU资源的分配和批量大小的设置。
-
Patent Agency Ranking
公开(公告)号：CN118568681A
公开(公告)日：2024-08-30
申请号：CN202410977217.1
申请日：2024-07-22
Applicant: 齐鲁工业大学(山东省科学院) , 山东省计算中心(国家超级计算济南中心)
IPC: G06F18/27 , G06F18/15 , G06F18/213 , G06F18/21 , G06N3/0455 , G06N3/084 , G06N3/0985 , G06N3/0475 , G06N3/094 , G06F30/27 , G06Q10/08 , G06Q50/06 , G06N3/048 , G06F123/02 , G06F119/06
Abstract: 本发明涉及一种基于深度学习的制冷系统能耗预测方法及系统，属于机器学习算法技术领域，包括：构建并训练能耗预测模型；将待预测时间序列预处理后，通过训练好的能耗预测模型实现制冷系统能耗预测；其中，能耗预测模型中，将包括原始时间序列数据和目标时间序列数据的序列数据作为输入序列，处理转换为隐藏表示，以捕捉序列中的模式和特征；捕捉相关信息，获得对能耗的预测值。本发明能耗预测模型对于制冷系统能耗预测精度高，可以有效的指导系统运行，避免能源的浪费和不必要的能耗。本发明能耗预测模型泛化性强，适用于高温库和低温库能耗预测，能够更好地应用于实际场景中，为决策提供可靠的支持。
-
公开(公告)号：CN117557093A
公开(公告)日：2024-02-13
申请号：CN202311468817.7
申请日：2023-11-07
Applicant: 山东省计算中心(国家超级计算济南中心) , 齐鲁工业大学(山东省科学院)
IPC: G06Q10/0635 , G06Q10/04 , G06F16/906 , G06F16/9535 , G06F16/9537 , G06F18/213 , G06F18/2415 , G06N3/047 , G06N3/048 , G06N3/084 , G06Q50/20 , H04L67/02
Abstract: 本发明涉及一种基于在线学习平台的早期学业风险预警方法及系统，是指：将在线学习平台产生的学生原始数据集依次经过数据处理、特征选择、学业风险预测、学业预警，与在线学习平台进行集成，对其中有学业风险的学生发送预警信息进行提醒；特征选择，包括：接收学生数据集，经过基于支持向量机的遗传算法处理后，输出最优子集学生数据集；学业风险预测，包括：接收最优子集学生数据集，传入混合神经网络模型即H2AL模型中进行训练，得到训练好的H2AL模型；本发明能够进行自动特征提取，更好地反映数据的内在结构，能够有效地处理大量特征，从中提取出最相关的信息，有助于减少模型对噪声和不必要特征的过度拟合，从而提高模型的泛化能力。
-
公开(公告)号：CN116501711A
公开(公告)日：2023-07-28
申请号：CN202310474156.2
申请日：2023-04-28
Applicant: 山东省计算中心(国家超级计算济南中心) , 齐鲁工业大学(山东省科学院)
IPC: G06F16/182 , G06F9/50
Abstract: 本发明涉及一种基于“存算分离”架构的算力网络任务调度方法，属于算力调度技术领域，包括：初始化数据、初始化算力网络环境；提交多个子服务构成的算力网络服务，对算力网络服务进行解构；解析服务请求，确定资源需求的依赖和关联关系，将资源需求划分资源需求单元；使用NSGA‑III算法实现多目标优化，进行最优匹配；根据最优匹配完成调度。本发明在算力网络环境下，该策略优先选择传输时间短、通信成本低的数据中心来完成服务，同时在满足服务需求的前提下，提高数据中心资源的利用率，以实现服务的高效运行和资源的充分利用。
-
公开(公告)号：CN114741161A
公开(公告)日：2022-07-12
申请号：CN202210487700.2
申请日：2022-05-06
Applicant: 山东省计算中心(国家超级计算济南中心)
IPC: G06F9/455
Abstract: 本发明涉及一种基于混合集群的HPC作业集群感知方法，包括：A、获取传统虚拟化云集群环境和容器云集群环境作业运行日志记录信息；B、初构建、处理传统虚拟化云集群环境和容器云集群环境下的作业运行数据集；C、训练得到基于传统虚拟化云集群环境和容器云集群环境两种环境下的基于RFR随机森林回归算法的预测模型；D、根据用户提交的作业需求信息，预测模型给予运行时间、CPU使用率、内存使用率的预测；E、将作业运行结果信息对提交的作业进行集群感知模型的处理，最终形成HPC作业集群节点感知方法。本发明建立两种环境下的预测模型，并以预测结果为依据进行集群节点感知，达到了根据作业需求自动感知最佳集群节点的效果。
-
公开(公告)号：CN104199724B
公开(公告)日：2017-07-18
申请号：CN201410456973.6
申请日：2014-09-10
Applicant: 山东省计算中心(国家超级计算济南中心)
Abstract: 本发明的基于性价比的虚拟化资源调度优化方法，用户申请资源时，根据申请的虚拟资源配置将其所属的整合比区间中；在系统运行时，周期性地判断物理服务器的类型，对于重负载服务器，将使用率小的若干虚拟资源迁移到本区间内整合比上升的或者整合比更小的相邻区间的物理服务器上；对于轻负载服务器，将使用率大的若干虚拟资源迁移到本区间内整合比下降的或者整合比更大的相邻区间的物理服务器上。本发明的资源调度优化方法，一方面，同一整合比区间内的高负载虚拟资源会被迁移到整合比低的物理服务器上，使得用户用最少的费用占用了更多的物理资源；另一方面，对于轻负载虚拟资源在保证性能不受影响的前提下，会被迁移到整合比高的物理服务器上，可以降低运营成本。
-
-
-
-
-
-
-
-
-
Search Results
38
records
(took 0.04 seconds)
