(19)国家知识产权局 (12)发明 专利 (10)授权公告 号 (45)授权公告日 (21)申请 号 202210671115.8 (22)申请日 2022.06.15 (65)同一申请的已公布的文献号 申请公布号 CN 114756358 A (43)申请公布日 2022.07.15 (73)专利权人 苏州浪潮智能科技有限公司 地址 215100 江苏省苏州市吴中经济开发 区郭巷街道官浦路1号9幢 (72)发明人 胡克坤　鲁璐　赵坤　董刚　 赵雅倩　李仁刚　 (74)专利代理 机构 北京集佳知识产权代理有限 公司 11227 专利代理师 姚莹丽 (51)Int.Cl. G06F 9/48(2006.01)G06F 9/50(2006.01) G06N 3/04(2006.01) G06N 3/08(2006.01) (56)对比文件 CN 111756653 A,2020.10.09 CN 114422381 A,202 2.04.29 CN 113127169 A,2021.07.16 US 2022/0100763 A1,202 2.03.31 橙子渣渣. 【论文解析】 Fast Adaptive Task Offloading in Edge Computi ng Based o n Meta Rei nforcement Learn ing. 《(graph neural netw ork) or gn n》 .2021, 审查员 周真 (54)发明名称 一种DAG任务调度方法、 装置、 设备及存储介 质 (57)摘要 本申请公开了一种DAG任务调度方法、 装置、 设备及存储介质。 该方法包括： 按照有向图神经 网络、 顺序解码器的顺序构建网络模型， 并以最 小任务调度长度为目标定义网络模型的目标函 数； 获取DAG任务数据集， 并对DAG任务数据集内 每个DAG任务生成对应的信息矩阵； 利用信息矩 阵对网络模 型进行训练， 并根据目标函数利用强 化学习更新网络模型的模型参数， 以得到训练后 的DAG任务调度模型； 利用DAG任务调度模型确定 待执行DAG任务内子任务的调度顺序， 并根据调 度顺序利用并行计算系统执行待执行DAG任务。 能够缩短DAG任务调度长度， 提高DAG任务并行执 行效率， 解决难以为DAG任务的最佳优先级分配 收集足够多监 督标签的问题。 权利要求书3页 说明书14页 附图3页 CN 114756358 B 2022.11.04 CN 114756358 B 1.一种DAG任务调度方法， 其特 征在于， 包括： 按照有向图神经网络、 顺序解码器的顺序构建网络模型， 并以最小任务调度长度为目 标定义所述网络模型的目标函数； 获取DAG任务数据集， 并对所述DAG任务数据集内每个所述DAG任务生成对应的信息矩 阵； 利用所述信 息矩阵对所述网络模型进行训练， 并根据所述目标函数利用强化学习更新 所述网络模型的模型参数， 以得到训练后的DAG任务调度模型； 利用所述DAG任务调度模型确定待执行DAG任务内子任务的调度顺序， 并根据所述调度 顺序利用并行计算系统执 行所述待执 行DAG任务； 其中， 所述利用所述信息矩阵对所述网络模型进行训练， 并根据所述目标函数利用强 化学习更新所述网络模型的模型参数， 包括： 将所述信 息矩阵输入至所述网络模型， 利用所述有向图神经网络根据 所述子任务的特 征和子任务间依赖关系输出 得到每个子任务的向量表示； 利用所述顺序解码器， 根据所述子任务的向量表示基于注意力机制和所述DAG任务的 上下文环境对所述DAG任务内的子任务进行优先级排序； 根据所述优先级排序利用DAG任务调度模拟器 计算所述DAG任务的任务调度长度； 根据所述任务调度长度和所述目标函数， 利用强化学习更新所述网络模型的模型参 数， 直至所述网络模型收敛。 2.根据权利要求1所述的DAG任务调度 方法， 其特征在于， 所述按照有向图神经网络、 顺 序解码器的顺序构建网络模型之前， 还 包括： 基于聚合 函数和非线性激活函数构建用于DAG任务特 征学习的图卷积层； 按照输入层、 K层图卷积层、 输出层的顺序构建得到所述有向图神经网络 。 3.根据权利要求1所述的DAG任务调度 方法， 其特征在于， 所述按照有向图神经网络、 顺 序解码器的顺序构建网络模型之前， 还 包括： 以DAG任务 内子任务的优先级分配状态为变量， 为所述DAG任务定义上下文环境的向量 表达式； 基于注意力机制和所述上 下文环境的向量表达式构建用于优先级排序的顺序解码器。 4.根据权利要求1所述的DAG任务调度方法， 其特征在于， 所述以最小任务调度长度为 目标定义所述网络模型的目标函数， 包括： 以DAG任务在不同时间步下优先级排序对应的任务调度长度和任务调度长度下限为自 变量， 生成DAG任务的减速评价指标； 所述任务调度长度下限根据DAG任务的关键路径的路 径长度确定； 基于策略梯度算法和所述减速 评价指标构建奖励函数； 基于所述奖励函数构建所述网络模型的目标函数。 5.根据权利要求1所述的DAG任务调度方法， 其特征在于， 所述获取DAG任务数据集， 包 括： 配置DAG任务参数； 所述DAG任务参数包括任务层数、 目标结点的子结点个数、 目标结点 的子结点 生成概率、 相邻两个任务层之间连接边添加概 率以及各个子任务的计算负载； 根据所述DAG任务 参数生成DAG任务以得到所述DAG任务数据集。权　利　要　求　书 1/3 页 2 CN 114756358 B 26.根据权利 要求1所述的DAG任务调度 方法， 其特征在于， 所述对所述DAG任务数据集内 每个所述DAG任务 生成对应的信息矩阵， 包括： 根据所述DAG任务数据集内所述DAG任务中每 个子任务的特 征生成结点特 征矩阵； 根据所述DAG任务数据集内不同子任务之间的连接关系生成邻接矩阵； 基于所述结点特 征矩阵和所述邻接矩阵得到所述DAG任务对应的信息矩阵。 7.一种DAG任务调度装置， 其特 征在于， 包括： 网络构建模块， 用于按照有向图神经网络、 顺序解码器的顺序构建网络模型， 并以最小 任务调度长度为目标定义所述网络模型的目标函数； 数据集获取模块， 用于获取DAG任务数据集， 并对所述DAG任务数据 集内每个所述DAG任 务生成对应的信息矩阵； 训练模块， 用于利用所述信息矩阵对所述网络模型进行训练， 并根据所述目标函数利 用强化学习更新所述网络模型的模型参数， 以得到训练后的DAG任务调度模型； 调度顺序确定模块， 用于利用所述DAG任务调度模型确定待执行DAG任务内子任务的调 度顺序， 并根据所述调度顺序利用并行计算系统执 行所述待执 行DAG任务； 所述训练模块， 还用于将所述信息矩阵输入至所述网络模型， 利用所述有向图神经网 络根据所述子任务的特征和子任务间依赖 关系输出得到每个子任务的向量表示； 利用所述 顺序解码器， 根据所述子任务的向量表示基于注意力机制和所述DAG任务的上下文环境对 所述DAG任务内的子任务进 行优先级排序； 根据所述优先级排序利用DAG任务调度模拟 器计 算所述DAG任务的任务调 度长度； 根据所述任务调 度长度和所述目标函数， 利用强化学习更 新所述网络模型的模型参数， 直至所述网络模型收敛。 8.根据权利要求7 所述的DAG任务调度装置， 其特 征在于， 还 包括： 图卷积层构建单元， 用于基于聚合函数和非线性激活函数构建用于DAG任务特征学习 的图卷积层； 有向图神经网络构建单元， 用于按照输入层、 K层图卷积层、 输出层的顺序构建得到所 述有向图神经网络 。 9.根据权利要求7 所述的DAG任务调度装置， 其特 征在于， 还 包括： 向量表达式定义单元， 用于以DAG任务内子任务的优先级分配状态为变量， 为所述DAG 任务定义上 下文环境的向量表达式； 顺序解码器构建单元， 用于基于注意力 机制和所述上下文环境的向量表达 式构建用于 优先级排序的顺序解码器， 以得到所述 解码器。 10.根据权利要求7 所述的DAG任务调度装置， 其特 征在于， 所述网络构建模块， 包括： 减速评价指标构建单元， 用于以DAG任务在不同时间步下优先级排序对应的任务调度 长度和任务调度长度下限为自变量， 生 成DAG任务的减速评价指标； 所述任务调度长度下限 根据DAG任务的关键路径的路径长度确定； 奖励函数构建单 元， 用于基于策略梯度算法和所述减速 评价指标构建奖励函数； 目标函数构建单 元， 用于基于所述奖励函数构建所述网络模型的目标函数。 11.根据权利要求7 所述的DAG任务调度装置， 其特 征在于， 所述数据集获取模块， 包括： 任务参数配置单元， 用于配置DAG任务参数； 所述DAG任务参数包括任务层 数、 目标结点 的子结点个数、 目标结点的子结点生成概率、 相邻两个任务层之间连接边添加 概率以及各权　利　要　求　书 2/3 页 3 CN 114756358 B 3