Processing

Please wait...

PATENTSCOPE will be unavailable a few hours for maintenance reason on Tuesday 25.01.2022 at 12:00 PM CET
Settings

Settings

Goto Application

1. WO2022006830 - MULTI-QUEUE AND MULTI-CLUSTER TASK SCHEDULING METHOD AND SYSTEM

Publication Number WO/2022/006830
Publication Date 13.01.2022
International Application No. PCT/CN2020/101185
International Filing Date 10.07.2020
IPC
G06F 9/455 2006.1
GPHYSICS
06COMPUTING; CALCULATING OR COUNTING
FELECTRIC DIGITAL DATA PROCESSING
9Arrangements for program control, e.g. control units
06using stored programs, i.e. using an internal store of processing equipment to receive or retain programs
44Arrangements for executing specific programs
455Emulation; Interpretation; Software simulation, e.g. virtualisation or emulation of application or operating system execution engines
Applicants
  • 广东石油化工学院 GUANGDONG UNIVERSITY OF PETROCHEMICAL TECHNOLOGY [CN]/[CN]
Inventors
  • 崔得龙 CUI, Delong
  • 林建鹏 LIN, Jianpeng
  • 彭志平 PENG, Zhiping
  • 李启锐 LI, Qirui
  • 何杰光 HE, Jieguang
  • 邱金波 QIU, Jinbo
Agents
  • 北京高沃律师事务所 BEIJING GAOWO LAW FIRM
Priority Data
Publication Language Chinese (zh)
Filing Language Chinese (ZH)
Designated States
Title
(EN) MULTI-QUEUE AND MULTI-CLUSTER TASK SCHEDULING METHOD AND SYSTEM
(FR) PROCÉDÉ ET SYSTÈME DE PLANIFICATION DE TÂCHES À FILES D'ATTENTE MULTIPLES ET GROUPEMENTS MULTIPLES
(ZH) 一种多队列多集群的任务调度方法及系统
Abstract
(EN) A multi-queue and multi-cluster task scheduling method and system, which relate to the technical field of cloud computing. The method comprises: constructing a training data set, wherein the training data set comprises state spaces and action decisions that correspond to each other on a one-to-one basis, the state space comprises a plurality of task attribute groups in a plurality of queues arranged in sequence, and the task attribute group comprises a task data amount and the number of CPU cycles required for tasks (S1); training and optimizing a plurality of parallel deep neural networks by using the training data set to obtain a plurality of parallel trained and optimized deep neural networks (S2); setting a return function, wherein the return function minimizes the sum of the task delay and the energy consumption by means of adjusting the return value proportion of the task delay and the return value proportion of the energy consumption (S3); inputting a state space to be scheduled into the plurality of parallel trained and optimized deep neural networks to obtain a plurality of action decisions to be scheduled (S4); according to the return function, determining an optimal action decision from among the plurality of action decisions to be scheduled and outputting the optimal action decision (S5); and scheduling the plurality of task attribute groups to a plurality of clusters according to the optimal action decision (S6). According to the method, an optimal scheduling policy can be generated by taking minimization of task delay and energy consumption as an optimization objective of a cloud system.
(FR) L'invention concerne un procédé et un système de planification de tâches à files d'attente multiples et groupements multiples, qui se rapportent au domaine technique de l'informatique en nuage. Le procédé comporte les étapes consistant à: construire un ensemble de données d'apprentissage, l'ensemble de données d'apprentissage comportant des espaces d'états et des décisions d'action qui correspondent les uns aux autres de manière biunivoque, l'espace d'états comportant une pluralité de groupes d'attributs de tâches dans une pluralité de files d'attente disposées en succession, et le groupe d'attributs de tâches comportant une quantité de données de tâche et le nombre de cycles de CPU requis pour des tâches (S1); entraîner et optimiser une pluralité de réseaux neuronaux profonds parallèles en utilisant l'ensemble de données d'apprentissage pour obtenir une pluralité de réseaux neuronaux profonds entraînés et optimisés parallèles (S2); spécifier une fonction de retour, la fonction de retour minimisant la somme du retard de tâches et de la consommation d'énergie en réglant la proportion de valeur de retour du retard de tâches et la proportion de valeur de retour de la consommation d'énergie (S3); introduire un espace d'états à planifier dans la pluralité de réseaux neuronaux profonds entraînés et optimisés parallèles pour obtenir une pluralité de décisions d'action à planifier (S4); selon la fonction de retour, déterminer une décision d'action optimale parmi la pluralité de décisions d'action à planifier et délivrer la décision d'action optimale (S5); et planifier la pluralité de groupes d'attributs de tâches vis-à-vis d'une pluralité de groupements selon la décision d'action optimale (S6). Selon le procédé, une politique de planification optimale peut être générée en prenant la minimisation du retard de tâches et de la consommation d'énergie comme objectif d'optimisation d'un système en nuage.
(ZH) 一种多队列多集群的任务调度方法及系统,涉及云计算技术领域,方法包括:构建训练数据集;所述训练数据集包括一一对应的状态空间和动作决策;所述状态空间包括依次排列的多个队列中的多个任务属性组;所述任务属性组包括任务数据量和任务所需CPU周期数(S1);利用所述训练数据集对多个并行的深度神经网络进行训练和优化,得到多个并行的训练和优化后的深度神经网络(S2);设置回报函数;所述回报函数通过调整任务延迟的回报值比重与能源消耗的回报值比重,使任务延迟与能源消耗之和最小(S3);将待调度的状态空间输入多个并行的所述训练和优化后的深度神经网络中,得到多个待调度的动作决策(S4);根据所述回报函数在多个所述待调度的动作决策中确定一个最佳动作决策进行输出(S5);根据所述最佳动作决策将多个所述任务属性组调度到多个集群(S6)。上述方法能够以最小化任务延迟和能源消耗作为云系统的优化目标,生成最优调度策略。
Latest bibliographic data on file with the International Bureau