-
公开(公告)号：CN116016235A
公开(公告)日：2023-04-25
申请号：CN202310021189.1
申请日：2023-01-06
Applicant: 北京工业大学
IPC: H04L41/5067 , H04L43/55 , H04L41/14 , H04L41/0894 , H04L41/042 , H04L41/0233 , H04L43/04 , G06Q40/04
Abstract: 本发明提出了一种面向依赖交易的交易打包方法。首先，针对依赖交易的特点，对依赖交易进行相关定义，并在该定义的基础上提出了一个基于Goodput的兼顾系统吞吐量与用户服务质量的指标，并以最大化Goodput指标为目的进行问题建模；之后，针对依赖交易场景下用户服务质量问题，本发明提出了基于Jaya的交易打包方法。该方法对交易读写冲突进行优化的同时，得到一个最大化Goodput指标的打包结果，为了保证方法的收敛性和结果的最优性，本发明对方法进行了优化。最后，针对FIFO策略存在的交易分配区块过于分散的问题，本发明将同一用户的所有子交易聚合在同一区块处理，并设计了一个基于贪心方法的分配策略。
-
公开(公告)号：CN115952420A
公开(公告)日：2023-04-11
申请号：CN202310036051.9
申请日：2023-01-06
Applicant: 北京工业大学
IPC: G06F18/214 , G06F18/21
Abstract: 本发明设计了一种基于公有云下的分布式深度模型训练任务的资源和批尺寸的协同配置方法。首先，对不同训练模式的训练过程进行分析，并使用资源、批尺寸等参数对训练时间进行公式化表达，建立训练时间预测模型。其次，考虑到资源和批尺寸对于训练损失值的影响以及损失值曲线可以被近似为反比例函数的特性，该方法将损失值收敛曲线使用反比例函数近似表示，并以资源、批尺寸以及其他影响训练损失值收敛的特征为输入，使用机器学习模型对反比例函数中的参数进行预测，建立训练损失值预测模型。最后，该方法以上述的两个预测模型为搜索的约束条件，找到能够最小化训练成本的资源和批尺寸协同配置解。本发明可以在限定时间内达到既定损失值的基础上有效减少训练成本。
-
公开(公告)号：CN116016235B
公开(公告)日：2024-11-22
申请号：CN202310021189.1
申请日：2023-01-06
Applicant: 北京工业大学
IPC: H04L41/5067 , H04L43/55 , H04L41/14 , H04L41/0894 , H04L41/042 , H04L41/0233 , H04L43/04 , G06Q40/04
Abstract: 本发明提出了一种面向依赖交易的交易打包方法。首先，针对依赖交易的特点，对依赖交易进行相关定义，并在该定义的基础上提出了一个基于Goodput的兼顾系统吞吐量与用户服务质量的指标，并以最大化Goodput指标为目的进行问题建模；之后，针对依赖交易场景下用户服务质量问题，本发明提出了基于Jaya的交易打包方法。该方法对交易读写冲突进行优化的同时，得到一个最大化Goodput指标的打包结果，为了保证方法的收敛性和结果的最优性，本发明对方法进行了优化。最后，针对FIFO策略存在的交易分配区块过于分散的问题，本发明将同一用户的所有子交易聚合在同一区块处理，并设计了一个基于贪心方法的分配策略。
-
公开(公告)号：CN116089215A
公开(公告)日：2023-05-09
申请号：CN202310021203.8
申请日：2023-01-06
Applicant: 北京工业大学
Abstract: 本发明公开了一种基于海量日志的数据中心任务资源预测方法，包括如下步骤：I、初始化、II、对离线批处理任务进行资源使用相关特征选取；III、任务聚类分析；IV、构建任务类并行组合关系的数据表征模型；V、任务资源使用预测模型的构建；VI、对任务的平均资源使用进行预测和估计。本发明基于卷积神经网络和长短期记忆神经网络，根据数据中心离线批处理任务自身的资源使用和计算行为以及在执行过程中受到的来自动态并行的其他任务的资源竞争行为构建和训练模型，可以预测出数据中心任意任务的平均资源使用，对任务平均资源使用的预估和数据中心任务调度行为提供建议和指导方案。
