-
公开(公告)号:CN118827832A
公开(公告)日:2024-10-22
申请号:CN202410828333.7
申请日:2024-06-25
Applicant: 中国移动通信集团设计院有限公司 , 中国移动通信集团有限公司
Abstract: 本申请提供了一种业务割接方法、装置、设备、存储介质以及程序产品,其中,该方法包括:获取目标业务的请求报文;对所述请求报文进行解析,获得所述目标业务被配置的割接信息;基于所述割接信息,确定部署有所述目标业务的处理系统;将所述请求报文导向所述处理系统。本申请通过解析请求报文获得目标业务的割接信息,可得到目标业务的割接状态,进而确认部署目标业务的处理系统。将本申请的业务割接方法应用于DSMP场景下,可以根据目标业务的割接状态,将目标业务的请求报文导向目标业务当前所属的DSMP系统,能够保证目标业务被导向的DSMP系统与其所属的DSMP系统一致,若目标业务需要被鉴权,可以正常启动鉴权流程,保障了用户的服务体验。
-
公开(公告)号:CN118200164A
公开(公告)日:2024-06-14
申请号:CN202410467119.3
申请日:2024-04-18
Applicant: 中国移动通信集团设计院有限公司 , 中国移动通信集团有限公司
IPC: H04L41/14 , H04L41/0803
Abstract: 本发明公开了一种智能训练网络的部署方法、装置、设备、介质和程序产品,根据智算服务器的配置需求构建所述智算服务器的矩阵模型,记为第一矩阵,第一矩阵的元素表示智算服务器的配置参数;根据所述第一矩阵和预设的组网规则,生成接入交换机的矩阵模型,记为第二矩阵,第二矩阵的元素表示接入交换机的配置参数;根据所述第二矩阵和预设的组网规则,生成汇聚交换机的矩阵模型,记为第三矩阵,第三矩阵的元素表示汇聚交换机的配置参数;根据所述第二矩阵和所述第三矩阵,得到对所述接入交换机和所述汇聚交换机的配置参数。采用本发明,通过矩阵运算的方式确定智算服务器、接入交换机和汇聚交换机的配置参数,实现智能训练网络部署,提高部署效率。
-
公开(公告)号:CN116954992A
公开(公告)日:2023-10-27
申请号:CN202211333356.8
申请日:2022-10-28
Applicant: 中国移动通信集团设计院有限公司 , 中国移动通信集团有限公司
Abstract: 本发明公开了一种数据分布式部署方法、装置、计算设备及计算机存储介质,该方法包括:获取待配置的服务器数量,根据服务器数量及预设数据副本数量确定服务器数量模型;根据服务器数量模型确定对应的机架数量模型,根据机架数量模型及机架最大可装机数量计算机架数量,将服务器装入对应机架数量的机架中;从具有相同服务器数量的机架中选取预设数据副本数量的机架,将数据分布式存储至所选取机架的服务器中。由此实现了数据在机架层面的分布式冗余部署,存储集群内任何一个机架掉电,都不会造成数据丢失;存储数据会均匀分布在不同机架的不同服务器上,各服务器利用率、负荷均匀,资源均得到充分利用。
-
公开(公告)号:CN119248473A
公开(公告)日:2025-01-03
申请号:CN202411227459.5
申请日:2024-09-03
Applicant: 中国移动通信集团设计院有限公司 , 中国移动通信集团有限公司
IPC: G06F9/50 , H04L41/0896 , H04L41/16 , G06N20/00
Abstract: 本公开涉及算力调度技术领域,尤其是提供一种算力资源分配方法、设备、介质和程序产品,方法包括:获取服务设备集群在当前时刻的目标算力影响因子,基于与每个服务设备关联的目标算力影响因子以及算力参数权重预估模型,确定每个服务设备在当前时刻的目标算力参数权重,采集每个服务设备在当前时刻的目标算力参数值,并基于目标算力参数值和目标算力参数权重,确定每个服务设备的算力评估值;基于当前时刻的算力需求信息,以及,服务设备集群中多个服务设备的算力评估值,确定算力资源分配结果。本公开可以在提升确定的服务设备的算力状况的精准度和可靠性的同时,提升算力资源的分配合理性。
-
公开(公告)号:CN119166352A
公开(公告)日:2024-12-20
申请号:CN202411286175.3
申请日:2024-09-13
Applicant: 中国移动通信集团设计院有限公司 , 中国移动通信集团有限公司
Inventor: 田雯 , 吴启迪 , 武振宇 , 刘鹏 , 王猛 , 牛瑛霞 , 马华伟 , 王祎玮 , 张誌 , 丁国强 , 董江帆 , 刘长瑞 , 刘超清 , 潘洁 , 侯慧芳 , 江伟 , 魏逸哲
Abstract: 本申请提供一种存储容量计算方法、装置、设备、存储介质以及程序产品。该方法包括基于第一训练集群的计算资源参数和部署于所述第一训练集群的模型完成单个训练任务所需的训练参数,预测所述模型完成所述单个训练任务的训练数据量和原始数据量;以及,基于所述训练参数,预测模型参数数据量、阶段性模型状态数据量和用于对所述模型的参数进行优化的优化器的数据量;基于所述训练数据量、原始数据量、模型参数数据量、所述阶段性模型状态数据量和所述优化器的数据量,计算训练过程中所述模型的任务数据量;基于所述任务数据量,计算所述模型训练需要配置的存储容量大小。本申请的方案实现了对存储容量的科学预测,有助于提高资源利用率。
-
-
-
-