专利交易市场

本发明公开了一种降低大规模分布式机器学习系统能耗的方法。本发明通过分类器对分布式机器学习系统的负载进行分类识别、状态预测，并通过减少分布式参数服务器间的通信加速任务运行来降低整个分布式机器学习系统的能耗。本发明的方法包含两部分：机器学习负载预测与类型识别方法、分布式机器学习节点间参数“懒同步”机制。本发明通过只将显著更新传递到远程数据中心来减少广域网通信的参数同步机制可以有效减少系统等待时长，加快机器学习收敛速率。对机器学习负载的预测和类型的判别有助于提高工作机的利用率，避免大量工作机开启后处于闲置状态。以上方法缩短了机器学习任务的执行时间，提高了工作机利用率，大大降低了系统能耗。

本发明公开了一种移动边缘计算网络中无人机计算卸载方法及系统。所述移动边缘计算网络中无人机计算卸载方法包括：计算无人机的本地计算能耗和最优上传任务时间；最优上传任务时间为无人机计算任务的最大可容忍时延；基于最优上传任务时间计算上传任务能耗；基于本地计算能耗和上传任务能耗确定最优任务卸载的比例；基于最优任务卸载的比例确定最优发射功率和最优无人机CPU功率；无人机根据最优上传任务时间、最优任务卸载的比例、最优发射功率和最优无人机CPU功率完成计算任务。本发明能有效降低UAV完成计算任务消耗的能量。

本发明提出了一种在边缘场景下的节省功耗的调度算法，优化了边缘场景下的设备的续航。本发明区别于其他边缘计算资源调度的特征是加入了边缘服务器的休眠机制，通过任务调度进一步降低边缘服务器的功耗。本方法将边缘计算服务器分为主服务器和从服务器，主服务器用来接收数据和处理数据，从服务器用来处理数据，当从服务器无数据处理时，进入休眠状态。方法提出了两种策略：激进的策略：用于在优先保障计算能力的情况下防止延迟增长；保守的策略，用于实现可容忍延迟状态下的最低功耗。最终，通过多个服务器的负载均衡实现了优化延迟和功耗的目标。

本发明提供了一种基于多处理器分区的动态优先级节能调度方法，包括计算非精确混合关键任务τi的最大利用率ui，利用最大利用率ui进行非降序排序；采用最坏适应方法，将非精确混合关键任务τi分配到处理器Pl上；如果分配到处理器Pl的任务集调度可行，计算处理器Pl的能耗优化速度Sl，否则该任务集调度不可行；本发明提供的方法比现有的多处理器分区方法在任务集调度可行方面提升大约4.48倍的性能，与其它混合关键系统周期任务调度方法相比节约大约7.92％的能耗；此外混合关键系统能耗的降低，可以降低产品的生产成本，提高产品的可靠性。

本发明公开了一种自适应固定优先级半透视混合关键任务能耗优化方法，包括以下步骤:建立半透视非精确混合关键调度模型；利用响应时间分析方法计算混合关键任务在系统处于低模式和高模式的响应时间；根据响应时间与其截止期限的关系，利用最佳优先级分配方法确定任务的优先级；计算任务集的能耗最优能耗速度。本发明通过响应时间的分析方法以及最佳优先级分配方法，计算能耗的最优速度，不仅有效地提高系统的利用率，而且能够降低系统能耗。

本发明提供一种供电电路，包括第一电压转换芯片、第二电压转换芯片、使能控制模块及连接模块。本发明还提供一种电子设备。本发明提供的供电电路及电子设备，实现了在电子设备开机后，通过使能控制模块关断输入输出压差较大的第一电压转换芯片，进而断开外接电源，由系统电源经过第二电压转换芯片及连接模块为待供电芯片供电，第二电压转换芯片的输入输出压差较小，功耗较小，效率较高，且第二电压转换芯片的成本较低，进而减小了电子设备的开机功耗，降低了供电电路的成本。

本发明公开了一种基于能耗感知的Spark节能调度方法。首先构建Spark计算框架下大数据计算能耗模型，基于该模型建立任务与计算资源的能耗和执行时间关系策略表，通过策略表指导并优化Spark任务调度，在保证并行计算效率的前提下有效降低计算总能耗。本发明解决了Spark原有调度策略无法感知能耗的缺陷，该方法具有能耗感知，动态优化调度和高可扩展的特点，有效降低运行在Spark计算框架下的应用程序产生的能耗。