-
公开(公告)号：CN114742642B
公开(公告)日：2024-07-23
申请号：CN202210437977.4
申请日：2022-04-20
Applicant: 中国科学院计算技术研究所
Abstract: 本发明实施例提供了一种用于资金网络的图数据处理方法，包括：获取与所述资金网络相关的图数据，其中，所述图数据包括节点和边，其中节点表示用户，边表示资金流向以及资金数额；根据图数据中的每条边构建与之方向相反的虚边；获取图数据的源节点以及用于限定所需资金环路要求的约束参数，从源节点开始根据图数据中的边和约束参数进行正向遍历以及根据图数据中的虚边和约束参数进行反向遍历；基于正向遍历和反向遍历的结果，确定图数据中存在的资金环路；本发明可以高效地确定图数据满足所需资金环路要求的资金环路。进而基于确定的资金环路对资金网络中的风险，如洗钱、信用卡诈骗等，进行把控。
-
公开(公告)号：CN115687229A
公开(公告)日：2023-02-03
申请号：CN202211256378.9
申请日：2022-10-14
Applicant: 中国科学院计算技术研究所
Abstract: 本发明提供一种AI训练板卡，所述AI训练板卡包括：多个AI处理芯片，用于迭代计算其被分配的AI模型的训练数据；多个存储芯片，其与所述AI处理芯片连接，用于存储AI模型的权重参数以及AI处理芯片计算的训练数据；第一网卡芯片以及第一扩展芯片，所述第一扩展芯片用于分别连接所述多个AI处理芯片与第一网卡芯片，用于在所述多个AI处理芯片之间更新所述AI模型的权重参数以及通过第一网卡芯片与其他AI训练板卡的多个AI处理芯片更新所述AI模型的权重参数。
-
公开(公告)号：CN115049103A
公开(公告)日：2022-09-13
申请号：CN202210521780.9
申请日：2022-05-13
Applicant: 中国科学院计算技术研究所
IPC: G06Q10/04
Abstract: 本发明提供了一种遍历图数据的方法，包括：获取待处理的图数据；获取处理器中线程的线程数量，根据线程数量和图数据中的节点数量将图数据的列数组记录的所有节点按节点编号均衡地分给各线程，得到多个第一子图；对各第一子图，分别以行数组记录的每个节点为排序单位，根据节点的邻边的权重大小将各邻边重新排序得到第二子图，确定每个第二子图中行数组记录的各个节点的轻边数量；由各线程基于改进的德尔塔步进算法和选定的根节点对相应的第二子图进行图遍历，该算法在对相应节点的轻边或者重边进行遍历时，根据相应节点的轻边数量在第二子图中确定该节点的轻边或者重边所在位置；根据所有线程的第二子图的子遍历结果，得到图数据的遍历结果。
-
公开(公告)号：CN117592524A
公开(公告)日：2024-02-23
申请号：CN202311359769.8
申请日：2023-10-19
Applicant: 中国科学院计算技术研究所
IPC: G06N3/0495 , G06N3/063 , G06N3/08
Abstract: 本发明提供一种基于GPU的稀疏深度神经网络的推理加速方法，用于加速所述稀疏深度神经网络对待处理数据的推理过程，所述GPU包括全局内存，所述稀疏深度神经网络包括多层网络层，所述全局内存中存储来自CPU传输的所述稀疏深度神经网络的网络层权重参数，所述方法包括：S1、基于所述全局内存大小、所述待处理数据整体所需内存大小和单层网络层权重参数所需大小，按照预设的分块规则对所述待处理数据进行分块处理得到分块数据，以使每个分块数据均能被完整的存储于全局内存中；S2、将每个分块数据与所述全局内存中存储的网络层权重参数进行计算，直至每个分块数据与所述稀疏深度神经网络的每一网络层权重参数完成计算。
-
公开(公告)号：CN117971485A
公开(公告)日：2024-05-03
申请号：CN202410161999.1
申请日：2024-02-04
Applicant: 中国科学院计算技术研究所
IPC: G06F9/50 , G06F9/48 , G06F16/901
Abstract: 本发明提出一种针对动态图快照的CPU‑GPU异构并发图处理方法和系统，包括：提取所有图快照的公共子图和每个图快照对应变化的子图，从而形成子图Gs和Gc；将公共子图Gs，依据GPU显存大小和顶点度的属性信息，划分为两部分，分别为Gs0和Gs1，之后将Gs0在初始时一次性拷贝到GPU显存中，Gs1则在迭代处理过程中，按需进行数据重组后，然后以异步多流的方式拷贝到GPU显存中；基于GPU和CPU的计算资源，图处理过程中以顶点为中心，同步迭代方式执行图处理算法。
-
Patent Agency Ranking
公开(公告)号：CN118172230A
公开(公告)日：2024-06-11
申请号：CN202410341779.7
申请日：2024-03-25
Applicant: 中国科学院计算技术研究所
IPC: G06T1/20 , G06T1/60 , G06F16/11 , G06F16/16 , G06F16/176
Abstract: 本发明提供一种基于CPU‑GPU协同计算的并发动态图快照处理方法，包括：步骤S1、通过CPU获取动态图快照数据，其包括多张图快照，每张图快照包括多条边、每条边的源节点和目的节点；步骤S2、通过CPU对所述数据进行预处理，得到所有图快照间的共享分区子图和每张图快照的不共享分区子图，共享分区子图和不共享分区子图均包括多个源节点和每个源节点的多条出边；步骤S3、通过CPU和GPU相互配合处理所有图快照的不共享分区子图和所述共享分区子图，包括通过CPU并发执行多个图计算算法处理所述不共享分区子图的多个源节点各自的多条出边，以及通过GPU并发执行多个图计算算法处理所述共享分区子图的多个源节点各自的多条出边，得到每条出边对应的目的节点的属性值。
-
公开(公告)号：CN114742642A
公开(公告)日：2022-07-12
申请号：CN202210437977.4
申请日：2022-04-20
Applicant: 中国科学院计算技术研究所
Abstract: 本发明实施例提供了一种用于资金网络的图数据处理方法，包括：获取与所述资金网络相关的图数据，其中，所述图数据包括节点和边，其中节点表示用户，边表示资金流向以及资金数额；根据图数据中的每条边构建与之方向相反的虚边；获取图数据的源节点以及用于限定所需资金环路要求的约束参数，从源节点开始根据图数据中的边和约束参数进行正向遍历以及根据图数据中的虚边和约束参数进行反向遍历；基于正向遍历和反向遍历的结果，确定图数据中存在的资金环路；本发明可以高效地确定图数据满足所需资金环路要求的资金环路。进而基于确定的资金环路对资金网络中的风险，如洗钱、信用卡诈骗等，进行把控。
-
公开(公告)号：CN115049103B
公开(公告)日：2024-09-24
申请号：CN202210521780.9
申请日：2022-05-13
Applicant: 中国科学院计算技术研究所
IPC: G06Q10/047 , G06F9/50
Abstract: 本发明提供了一种遍历图数据的方法，包括：获取待处理的图数据；获取处理器中线程的线程数量，根据线程数量和图数据中的节点数量将图数据的列数组记录的所有节点按节点编号均衡地分给各线程，得到多个第一子图；对各第一子图，分别以行数组记录的每个节点为排序单位，根据节点的邻边的权重大小将各邻边重新排序得到第二子图，确定每个第二子图中行数组记录的各个节点的轻边数量；由各线程基于改进的德尔塔步进算法和选定的根节点对相应的第二子图进行图遍历，该算法在对相应节点的轻边或者重边进行遍历时，根据相应节点的轻边数量在第二子图中确定该节点的轻边或者重边所在位置；根据所有线程的第二子图的子遍历结果，得到图数据的遍历结果。
-
公开(公告)号：CN117851015A
公开(公告)日：2024-04-09
申请号：CN202410033218.0
申请日：2024-01-09
Applicant: 中国科学院计算技术研究所
Abstract: 本发明提供了一种应用多GPU协同进行单源最短路径计算方法，包括步骤：S1、获取原始的第一图数据和预设的步进增量，根据步进增量预先确定第一图数据中的轻边和重边，构建在不同子图分别存储轻边和重边的局部感知的第二图数据；S2、将所述第二图数据中的轻边和重边均衡划分为N份，并根据每份划分到的轻边和重边，生成在不同子图分别存储轻边和重边的第三图数据，得到N份第三图数据，所述N为参与计算的GPU的数量，N≥2；S3、获取源顶点，由N个GPU读取各自分到的第三图数据，基于德尔塔步进算法协同进行单源最短路径计算，确定源顶点到每个顶点间的最短路径；本发明提升了确定单源最短路径的效率。
-
公开(公告)号：CN114896070A
公开(公告)日：2022-08-12
申请号：CN202210617292.8
申请日：2022-06-01
Applicant: 中国科学院计算技术研究所
Abstract: 本发明提供了一种用于深度学习任务的GPU资源分配方法，包括：获取深度学习任务对应的网络结构特征、执行特征及可用资源集；基于利用率预测模型根据网络结构特征、执行特征对深度学习任务的资源利用率进行预测，得到资源利用率集；基于资源利用率集从可用资源集中确定满足深度学习任务的资源需求的所有工作节点并且根据预定的选择规则从所有工作节点中选择一个工作节点为深度学习任务分配资源，并将深度学习任务及其资源需求发送给所选择的工作节点。本发明的技术方案通过对深度学习任务的资源需求量进行预测，根据预测的资源需求量来对容器云集群中的GPU资源进行合理分配，从而实现容器云集群中的GPU资源共享以及提升容器云集群中的GPU利用率。
-
-
-
-
-
-
-
-
-
Search Results
10
records
(took 0.029 seconds)
