[发明专利]基于负载调配的任务分配方法、装置及终端设备

说明书

本发明适用于数据处理技术领域，提供了基于负载调配的任务分配方法、装置、终端设备以及计算机可读存储介质，包括：绑定至少两个计算节点，并对绑定的每个计算节点进行算力统计，得到每个计算节点的平均算力值；若计算任务的任务类型为定时任务，则获取计算任务的任务算力值，根据平均算力值分析出满足任务算力值的计算节点，将分析出的计算节点确定为目标节点，并将计算任务分配至所有目标节点；若任务类型为最大算力任务，则将已绑定的每个计算节点确定为目标节点，并将计算任务分配至所有目标节点。本发明根据计算节点的平均算力值以及计算任务的具体任务类型进行任务分配，提升了任务分配的灵活性，同时也提升了任务的处理效率。

技术领域

本发明属于数据处理技术领域，尤其涉及基于负载调配的任务分配方法、装置、终端设备以及计算机可读存储介质。

背景技术

随着数学和计算机技术的发展，深度学习已成为当前的研究热门。深度学习是机器学习的一个分支领域，通过建立并模拟人脑进行分析学习的神经网络，并将深度学习任务发送至神经网络进行处理，从而模仿人脑的机制来解释如图像、声音或文本等数据。

在现有的深度学习框架中，通常是将深度学习的任务平均分配至处理单元(如中央处理器)中的每个计算节点进行处理，而由于处理单元中各个计算节点的处理能力可能不均等，并且部分计算节点可能存在崩溃风险，导致任务处理效率低。故现有技术中任务分配模式僵化，任务的处理效率低。

发明内容

有鉴于此，本发明实施例提供了基于负载调配的任务分配方法、装置、终端设备以及计算机可读存储介质，以解决现有技术中任务分配不灵活，任务的处理效率低的问题。

本发明实施例的第一方面提供了一种基于负载调配的任务分配方法，包括：

绑定至少两个计算节点，并对绑定的每个所述计算节点进行算力统计，得到每个所述计算节点的平均算力值，所述计算节点为中央处理器核心、图形处理器核心或神经网络处理器核心；

若计算任务的任务类型为定时任务，则获取所述计算任务的任务算力值，根据所述平均算力值分析出满足所述任务算力值的所述计算节点，将分析出的所述计算节点确定为目标节点，并将所述计算任务分配至所有所述目标节点，其中，分配至所述目标节点的计算量与所述目标节点的所述平均算力值对应；

若所述任务类型为所述最大算力任务，则将已绑定的每个所述计算节点确定为所述目标节点，并将所述计算任务分配至所有所述目标节点。

本发明实施例的第二方面提供了一种基于负载调配的任务分配装置，包括：

算力统计单元，用于绑定至少两个计算节点，并对绑定的每个所述计算节点进行算力统计，得到每个所述计算节点的平均算力值，所述计算节点为中央处理器核心、图形处理器核心或神经网络处理器核心；

第一分配单元，用于若计算任务的任务类型为定时任务，则获取所述计算任务的任务算力值，根据所述平均算力值分析出满足所述任务算力值的所述计算节点，将分析出的所述计算节点确定为目标节点，并将所述计算任务分配至所有所述目标节点，其中，分配至所述目标节点的计算量与所述目标节点的所述平均算力值对应；

第二分配单元，用于若所述任务类型为所述最大算力任务，则将已绑定的每个所述计算节点确定为所述目标节点，并将所述计算任务分配至所有所述目标节点。

本发明实施例的第三方面提供了一种终端设备，所述终端设备包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现如下步骤：

绑定至少两个计算节点，并对绑定的每个所述计算节点进行算力统计，得到每个所述计算节点的平均算力值，所述计算节点为中央处理器核心、图形处理器核心或神经网络处理器核心；