科创中国

本发明公开了一种基于图神经网络的资源调度方法，根据实际的处理器数量及各个处理器的算力，将输入的图神经网络进行分割；根据当前处理器的计算能力及历史任务执行效果，将各个子任务分配到各处理器上执行；跟踪分配到各处理器任务执行情况，根据任务执行情况对任务调度进行优化。本发明结合现有计算资源将总的计算任务分割成子任务集合，以便适应不同的计算资源组合，估计计算资源处理完目前正在处理的任务以及当前待计算任务所需的时间进行任务调度，以提高计算资源的利用率；根据当前任务的执行情况判断该任务与分配得到的计算资源是否亲和，决定是否对正在执行的任务进行再拆分以及计算资源再分配，进一步提高计算效率。

图神经网络(Graph Neural Network，GNN)是一类基于深度学习的处理非欧氏空间信息的方法，近年来，对于GNN的研究成为深度学习领域的研究热点。GNN是一种连接模型，它通过图的节点之间的消息传递来捕捉图的依赖关系。与标准神经网络不同的是，图神经网络保留了一种状态，可以表示来自其邻域的具有任意深度的信息。图卷积网络(GraphConvolution Networks,GCN)是一类非常强大的用于图数据的神经网络架构，其强大的体现在即使是随机初始化的两层GCN也可以生成图网络中节点的有用特征表征。因此GCN被广泛应用于各研究领域，基于GCN的推理是其重要应用之一。本发明要解决的技术问题在于克服现有技术中的任务执行效率和计算资源利用率低的缺陷，因此提供一种基于图神经网络的资源调度方法，综合考虑处理器的计算能力及实时处理情况对计算任务进行调度，减少计算资源浪费，根据处理器的对任务的实际执行情况进行调度策略上的调整，提高执行效率。

近年来，深度学习领域关于图神经网络（Graph Neural Networks，GNN）的研究热情日益高涨，图神经网络已经成为各大深度学习顶会的研究热点。GNN处理非结构化数据时的出色能力使其在网络数据分析、推荐系统、物理建模、自然语言处理和图上的组合优化问题方面都取得了新的突破。本发明提供以下技术方案：根据实际的处理器数量及各个处理器的算力，将输入的图神经网络进行分割，得到子任务集合；根据当前处理器的计算能力及历史任务执行效果，将子任务集合中的各个子任务分配到各处理器上执行；跟踪分配到各处理器的任务执行时间及任务规模完成情况，确定任务执行情况，根据任务执行情况对任务调度进行优化，提高了执行效率。

深圳大学，2021年，科研总经费超过17亿元；2021年获国家自然科学基金项目375项，立项数连续五年居广东省第2位。2021年获国家社科基金项目32项，处于广东省高校前列。SCI收录论文6304篇，SSCI收录论文782篇。2021年获专利授权1005项，其中发明专利授权709项。《深圳大学学报（理工版）》在2018年、2020年连续获评“中国高校百佳科技期刊”（每两年评一次），2021年荣获第七届“广东省优秀科技期刊”称号；《深圳大学学报（人文社科版）》是CSSCI来源期刊、全国高校社科名刊、全国中文核心期刊、中国人文社会科学核心期刊。

本发明提供了一种基于图神经网络的资源调度方法，首先结合现有计算资源将总的计算任务分割成子任务集合，以便适应不同的计算资源组合，然后结合任务之间的依赖关系选取当前待计算的任务，并根据计算资源的历史表现情况，估计计算资源处理完目前正在处理的任务以及当前待计算任务所需的时间，依据该预估时间进行任务调度，以提高计算资源的利用率，降低执行任务的时间；最后根据当前任务的执行情况判断该任务与分配得到的计算资源是否亲和，来决定是否对正在执行的任务进行再拆分以及计算资源再分配，保证系统的高吞吐率及低延迟，进一步提高计算效率，适用于大部分基于图神经网络搭建的智能计算系统。

技术许可：其他明确合理的许可使用费标准(开放许可期限内免费许可)