CN119376960B 一种计算设备参数调整方法、产品、设备、服务器及介质 （山东海量信息技术研究院）

据计算设备的当前批处理大小和当前内核频率目标位置点对应的能效与延迟综合表现值对计调整操作后的新批处理大小和新内核频率满足2获取计算设备的当前能效梯度地图；所述当前能效梯度地根据所述计算设备的当前批处理大小和当前内核频率在所述当前能效梯度地图上确响应于执行完成所述当前调整操作后的新批处理大小和新内核频率满足延迟与能效根据所述计算设备的规格和/或性能限制条件，确定所述计算设备对应的参考批处理将多个所述批处理大小和多个所述内核频率进行排列组合，生成对所述计算设备在每一所述批处理大小和内核频率组合下的能效与延迟综合表现值基于多个所述批处理大小和内核频率组合及其对应的能效与延迟综合表现值对预设所述批处理大小和内核频率组合下的能效与延迟综合表现值进行计算针对每一所述批处理大小和内核频率组合，获取所述计算设备在基于所述能效拟合曲线和所述延迟拟合曲线对所述当前能效梯度地图中未填充所述基于第一关系式计算所述批处理大小和内核频率组合下3组合下的能效与延迟综合表现值，EE(b,f)为所述批处理大小和内核频率组合下的能效数据，L(b,f)为所述批处理大小和内核频率组合下的延迟数据，为第一预设权重值，W2为第二预设权重值。应的能效与延迟综合表现值对所述计算设备执行当前调整获取所述计算设备的实际运行状态，所述实际运行状态包括当前基于所述预测最优调整操作得到当前调整操作，对所述计算设备执获取对所述计算设备执行所述当前调整操作后的观察结果确定所述当前能效梯度地图上的各个位置点对应的能效与延迟综合表现值中的最大响应于所述目标位置点对应的能效与延迟综合表现值与所述最优表现值的差值未处4获取所述计算设备在所述新批处理大小和所述新内核频率下运行时的测量综合表现新内核频率不满足所述延迟与能效平衡条件，将所述新批处理大小作为当前批处理大小、处理器执行时实现如权利要求1_13任意一项所述的计算设备参数调整方处理器，用于执行所述计算机程序时实现如权利要求1_13任意一项5格和/或性能限制条件，确定所述计算设备对应的参考批处理大小范围以及参考内核频率所述延迟数据计算所述批处理大小和内核频率组合下的能效与延迟综6述批处理大小和内核频率组合，R(b,f)为所述批处理大小和内核频率组合下的能效与延迟综合表现值，EE(b,f)为所述批处理大小和内核频率组合下的能效述邻域位置点为所述当前能效梯度地图上距离所述目标位置点预设范围应于所述目标位置点对应的能效与延迟综合表现值与所述最优表现值的差值未处于预设7执行根据所述计算设备的当前批处理大小和当前内核频率在所述当前能效梯度地图上确令，该计算机程序/指令被处理器执行时实现如上文任意一项所述的计算设备参数调整方8计算设备在对应批处理大小和内核频率组合下的即为目标位置点。如果没有找到完全匹配的位置点，可能需要进行插值或查找最接近的位梯度地图，找到与当前批处理大小和当前内核频率完全匹配的位置点，确保了调整基于最有完全匹配的位置点时，采用插值或查找最接近点的方法来估计性能数据，即使在能效梯度地图数据不完整的情况下，也能进行合理的性能估计和调整，提高了系统的灵活性和鲁9设备的规格和/或性能限制条件，确定计算设备对应的参考批处理大小范围以及参考内核b11n然后bm2mn[0053]这些批处理大小和内核频率组合将用于测试和评估计算设备在不同条件下的性批处理大小和内核频率组合下的能效与延迟理大小和内核频率组合下的能效数据，L(b,f)为批处理大小和内核频率组合下的延迟数设权重根据实际工程需要设定，允许模型根据任务的要求调整对能效和延迟的重视程度。[0062]通过展示了如何通过选择最优的批处理大小和内核频率最i元素，R(b,f)为最大化的收益模型，依据能效EE(b,f)和延迟L(b,f)以及第一预设权重值w定的能效数据和延迟数据计算批处理大小和内核频率组合对应的能效与延迟综合表现值，习和深度神经网络的强化学习算法，用于估计在给定状态下采取某个动作的预期总回报。状态(State)的最佳动作(Action)i最优调整操作ADQN，将预测最优调整操作发送到计算设备的外接控制器，执行fi和[0080]DQN网络能够根据当前状态自动选择最优动作，适应不断变化的工作负载和环境[0084]本实施例中，将邻域信息纳入DQN模型的状态空间可以提高模型决策的准确性和量表示了在该位置点上调整批处理大小和内核频率时，能效与延迟综合表现值的变化趋出大小b和内核频率fi下的能效数据，L'(b,f)为在处理批出大小b和内核频率fi下的延迟数[0099]奖励函数还有另一种定义，奖励函数R,(S,A)旨在衡量采取特定动作后性能的改和w,"是权重因子，用于平衡能效和延迟在决策中的重要性，AEfficiency是能效数据，可以应用于各种类型的计算设备和任务，只需根据实际情况调整奖励函数和模型结构即心中各个计算设备根据各自建立的能效梯度地图，在延迟容忍范围内选择最优的fi和行过程中，确定当前批处理大小和当前内核频率对应的能效与延迟综合表现值偏离最优R而在云服务器长期运行中，优化计算设备在大数据处理和深度学习任务中的能效和性能，点用于表征计算设备在对应批处理大小和内核频率组合下设备的规格和/或性能限制条件，确定计算设备对应的参考批处理大小范围以及参考内核批处理大小和内核频率组合下的能效与延迟和内核频率组合，R(b,f)为批处理大小和内核频率组合下的能效与延迟综合表现值，EE(b,f)为批处理大小和内核频率组合下的能效数据，L(b,f)为批处理大小和内核频率组机程序/指令被处理器执行时实现如上文任意一个实施例所描述的计算设备参数调整方法[0131]本发明所提供的计算机程序产品具有和上述计算设备参数调整方法相同的有益[0142]对于本发明所提供的一种服务器的介绍请参照上述实施例，本发明在此不再赘[0145]该计算机可读存储介质30可以包括：U盘、移动硬盘、只读存储器（Read