-
公开(公告)号：CN116069481A
公开(公告)日：2023-05-05
申请号：CN202310354096.0
申请日：2023-04-06
Applicant: 山东省计算中心(国家超级计算济南中心) , 齐鲁工业大学(山东省科学院)
Abstract: 本发明属于图形处理器资源调度领域，提供了一种共享GPU资源的容器调度系统及调度方法，针对GPU资源由系统外部在各应用平台进行复用，将导致服务器的反复初始化及迁移，造成人工损耗以及时间的浪费的问题，本发明考虑从计算任务移植方面进行GPU资源的共享，在GPU资源池上构建容器系统，通过将各个平台的任务容器化后调度到提供的资源池GPU节点上，实现异构平台间GPU资源共享，提高整体平台的GPU资源利用率可满足云计算、大数据、人工智能和高性能计算场景平台的快速灵活部署实施。
-
公开(公告)号：CN114968374A
公开(公告)日：2022-08-30
申请号：CN202210849632.X
申请日：2022-07-19
Applicant: 山东省计算中心(国家超级计算济南中心) , 齐鲁工业大学
Abstract: 本发明涉及一种基于新一代神威超级计算机的多层循环进程级和线程级协同自动优化方法，包括：将应用程序中的多层循环程序段和硬件架构相互对应，实现各层循环到硬件架构上的代码级映射；根据硬件架构层次不同，分别进行进程级和线程级的并行优化，其中，进程级优化即节点内通信优化和节点间的通信优化，使得各个进程在各自通信域中进行集中通信，减少程序优化过程中各个进程之间的通信；线程级优化即核组内主从传输优化。本发明提高了运行效率。
-
公开(公告)号：CN118484321A
公开(公告)日：2024-08-13
申请号：CN202410946509.9
申请日：2024-07-16
Applicant: 齐鲁工业大学(山东省科学院) , 山东省计算中心(国家超级计算济南中心) , 山东省公安厅
IPC: G06F9/54 , G06N5/01 , G06F18/23213 , G06F18/2431
Abstract: 本发明涉及计算机存储技术领域，提供了一种基于组级学习的缓存学习方法及系统。该方法包括，获取组级特征和子组级特征；当缓存需要进行淘汰时，根据待预测组的组级特征，采用已训练的组的梯度提升树模型，得到该组的预测效用值；根据组内子组的子组级特征，采用已训练的子组的梯度提升树模型，得到该子组的预测效用值；分别将组的预测效用值和子组的预测效用值按照数值大小进行排序；从效用值最低的组开始，选择与该组写入时间最接近的N‑1个组，构成一个包含N个组的淘汰候选集合；从N个组的淘汰候选集合，选择保留效用值高于设定值的若干个子组，其余淘汰出缓存。本发明能够更准确地预测数据对象组的效用，且减少不必要的缓存淘汰。
-
公开(公告)号：CN116909741A
公开(公告)日：2023-10-20
申请号：CN202310878440.6
申请日：2023-07-18
Applicant: 山东省计算中心(国家超级计算济南中心) , 齐鲁工业大学(山东省科学院)
IPC: G06F9/50 , G06F15/173
Abstract: 本发明涉及一种基于新一代申威众核处理器提高从核并行写共享主存临界资源速度的方法及系统，包括：从核在其私有的局部数据存储器上申请数据空间；将主存储器内的临界资源数据拷贝到各自的私有的局部数据存储器上；各从核进行读写操作；各从核通过远程内存访问(RMA)通道，发起规约操作，规约操作是指将多个从核私有的局部数据存储器内的临界资源数据进行某种聚合函数运算，得到一个最终结果；通过直接内存访问(DMA)通道，将私有的局部数据存储器内规约操作后的临界资源数据写回主存储器。本发明的方法可以有效提高申威众核处理器从核读写共享主存临界资源的速度，提高超级计算机的性能和效率。
-
公开(公告)号：CN116069143B
公开(公告)日：2023-07-18
申请号：CN202310354094.1
申请日：2023-04-06
Applicant: 山东省计算中心(国家超级计算济南中心) , 齐鲁工业大学(山东省科学院)
Abstract: 本发明属于高性能计算数据中心节能领域，提供了一种基于作业相似性判断功耗预测的节能方法及系统，针对数据中心高昂的运营成本，采用了基于各指标信息和作业日志信息与目标作业计算节点对应的各指标信息和日志信息进行相似度判断，计算出每个作业与目标作业的相似度得分，将大于相似度得分阈值的作业作为功耗预测的训练数据；基于功耗预测的训练数据对功耗预测模型进行训练，采用训练后的功耗预测模型预测目标作业所在节点未来的功耗情况；根据目标作业所在节点的功耗情况，对目标作业所在节点进行升温或降温操作。可以减少HPC集群中热点的出现，同时降低HPC集群中的冷却能耗，实现了HPC集群中节能的目标。
-
Patent Agency Ranking
公开(公告)号：CN116227164A
公开(公告)日：2023-06-06
申请号：CN202310066558.9
申请日：2023-01-12
Applicant: 山东省计算中心(国家超级计算济南中心) , 齐鲁工业大学(山东省科学院)
IPC: G06F30/20 , G06F119/08
Abstract: 本发明公开了一种传热设备热传导的三对角异构众核并行求解方法及系统，涉及计算机处理技术领域。包括步骤：采集传热设备的热传导参数，建立传热模型；输入热传导参数至传热模型，构建热传导方程；通过差分和转化得到关于热传导的三对角线性方程组；通过并行消元的方法对三对角矩阵方程数据消除数据依赖；抽取部分组成小型三对角矩阵方程；采用追赶法求解缩减三对角矩阵方程；将各个进程以任务并行的方式回代输出三对角矩阵方程剩余全部解；并根据求解结果绘制温度变化曲线，获得热传导过程的温度变化。解决了传热设备热传导现象模拟仿真过程中，需要求解的三对角矩阵方程规模较大，导致热传导过程的分析过程耗时较长，结果不够准确的问题。
-
公开(公告)号：CN115756804A
公开(公告)日：2023-03-07
申请号：CN202211525386.9
申请日：2022-11-30
Applicant: 山东省计算中心(国家超级计算济南中心) , 齐鲁工业大学
IPC: G06F9/48 , G06F9/455 , G06F18/214 , G06N3/0464 , G06N3/0442
Abstract: 本发明涉及一种用于混合HPC集群场景下的多元资源需求预测方法和系统，包括：(1)初始化：搭建用于采集HPC应用运行数据的运行环境；部署HPC应用；(2)数据集获取：对运行环境分别部署监控，获取HPC应用在不同运行环境下运行时的数据特征；对得到的数据特征进行数据清洗和数据处理，得到用于多元资源需求预测模型训练的HPC数据集；(3)构建、训练并验证符合多输出预测的多元资源需求预测模型即MRDP模型；(4)通过训练好的MRDP模型进行多元资源需求预测；本发明解决了高性能计算领域内HPC作业资源需求的预测问题，以便于为混合HPC集群环境中HPC任务的感知调度方案提供决策。
-
公开(公告)号：CN112017099A
公开(公告)日：2020-12-01
申请号：CN202010915593.X
申请日：2020-09-03
Applicant: 山东省计算中心(国家超级计算济南中心) , 齐鲁工业大学
IPC: G06T1/00
Abstract: 本发明公开了一种程序代码在图像中隐藏、解析的方法及系统，所述隐藏方法包括以下步骤：获取包含待隐藏程序的字符串；将所述待隐藏字符串转换为二进制串并进行置反，得到新的二进制串；将新的二进制串转化为二值图像；将二值图像嵌入到宿主图像中。本发明通过置反对隐藏信息进行加密，通过二值图像嵌入宿主图像的方式实现信息隐藏，隐藏效果好，不易破解。
-
公开(公告)号：CN118484321B
公开(公告)日：2024-10-18
申请号：CN202410946509.9
申请日：2024-07-16
Applicant: 齐鲁工业大学(山东省科学院) , 山东省计算中心(国家超级计算济南中心) , 山东省公安厅
IPC: G06F9/54 , G06N5/01 , G06F18/23213 , G06F18/2431
Abstract: 本发明涉及计算机存储技术领域，提供了一种基于组级学习的缓存学习方法及系统。该方法包括，获取组级特征和子组级特征；当缓存需要进行淘汰时，根据待预测组的组级特征，采用已训练的组的梯度提升树模型，得到该组的预测效用值；根据组内子组的子组级特征，采用已训练的子组的梯度提升树模型，得到该子组的预测效用值；分别将组的预测效用值和子组的预测效用值按照数值大小进行排序；从效用值最低的组开始，选择与该组写入时间最接近的N‑1个组，构成一个包含N个组的淘汰候选集合；从N个组的淘汰候选集合，选择保留效用值高于设定值的若干个子组，其余淘汰出缓存。本发明能够更准确地预测数据对象组的效用，且减少不必要的缓存淘汰。
-
公开(公告)号：CN118484540A
公开(公告)日：2024-08-13
申请号：CN202410946552.5
申请日：2024-07-16
Applicant: 山东省计算中心(国家超级计算济南中心) , 齐鲁工业大学(山东省科学院) , 山东省公安厅
IPC: G06F16/35 , G06F18/213 , G06F18/2415 , G06N3/0442 , G06N3/0464 , G06N3/0455
Abstract: 本发明属于文本分类技术领域，具体涉及一种基于特征感知的文本分类方法及系统，包括：获取待分类文本数据；提取所获取的文本数据的全局特征和局部特征；采用多头注意力机制处理所提取的文本数据的全局特征和局部特征；基于特征感知算法优化处理后的文本数据的全局特征和局部特征，动态调整特征选择和网络参数，得到文本表示特征；根据所得到的文本表示特征计算待分类文本的分类概率，完成待分类文本的分类。
-
-
-
-
-
-
-
-
-
Search Results
176
records
(took 0.056 seconds)
