WiMi Hologram Cloud Inc. heeft aangekondigd dat het het algoritme IoT-LocalSense heeft ontwikkeld, dat het probleem van taakverdeling optimaliseert, de uitvoeringssnelheid van taaklokalisatie verbetert, niet-lokale uitvoering en onevenwichtige belasting vermindert, het gebruik van bronnen optimaliseert en de prestaties van IoT-clustersystemen verder verbetert. In IoT-rekenomgevingen houdt datascheduling in dat de invoergegevens van een taak over verschillende reken- en opslagknooppunten worden verdeeld. Als de gegevensafstemming sterk afwijkt, kan dit leiden tot niet-lokale uitvoering van gegevensscheduling, waardoor de taakuitvoeringstijd en het verbruik van hulpbronnen toenemen. Tegelijkertijd kan een onevenwichtige belasting leiden tot overbelasting van sommige knooppunten en lichte belasting van andere knooppunten, wat de algehele prestaties van het systeem en de efficiëntie van het hulpbronnengebruik beïnvloedt.

Het principe: Gegevensplaatsingsmodule: Op basis van de beoordeling van de verwerkingscapaciteit van de IoT-werkknooppunten wordt het algoritme voor gegevensplaatsing ontworpen om de invoergegevens van de taak redelijk te verdelen over de rekenknooppunten en opslagknooppunten. Ondertussen worden, rekening houdend met de lokalisatie van gegevens, relevante gegevens in de buurt van de rekenknooppunten geplaatst om de overhead en vertraging van gegevensoverdracht te verminderen. Optimalisatiemodule voor gegevensplanning: Optimaliseert de dataplanning door gebruik te maken van de informatie over de opslaglocatie van gegevensblokken om het waarschijnlijker te maken dat taken tijdens de uitvoering op lokale knooppunten worden uitgevoerd, waardoor de frequentie van niet-lokale uitvoering wordt verminderd.

Het balanceert ook de belasting van elk knooppunt in het cluster, zorgt ervoor dat taken gelijkmatig over het cluster worden verdeeld en optimaliseert de efficiëntie van het gebruik van systeembronnen. Voordelen van het IoT-LocalSense-algoritme: Verbetering van de uitvoeringssnelheid van gelokaliseerde taken: Door middel van algoritmen voor het plaatsen van gegevens en optimalisatie van gegevensplanning kan het IoT-LocalSense-algoritme de lokale uitvoeringssnelheid van taken op computernodes effectief verbeteren. Door de lokale opslag van relevante gegevens hebben taken snel toegang tot de gegevens, waardoor er minder gegevensoverdracht nodig is en de taakuitvoering dus sneller verloopt.

Vermindering van niet-lokale uitvoering: Het IoT-LocalSense-algoritme plaatst de gegevens die nodig zijn voor het plannen van niet-lokale gegevens vooraf in de lokale opslag van de computernode door middel van de prefetching-methode voor gegevens. Hierdoor hoeft een taak minder lang te wachten op niet-lokale gegevensoverdrachten, waardoor niet-lokale uitvoering minder vaak voorkomt en de algehele uitvoeringsefficiëntie verbetert. Rekening houden met datalokaliteit: Het algoritme richt zich op de locatie van de gegevens en plaatst de relevante gegevens in de buurt van de rekenknooppunten, waardoor de gegevensoverdracht over het netwerk wordt verminderd, de netwerkoverdrachtsoverhead en -latentie worden verminderd en de algehele systeemprestaties worden verbeterd.

Geoptimaliseerd gebruik van bronnen: Door niet-lokale uitvoering te verminderen en de gegevensplanning te optimaliseren, verbetert het IoT-LocalSense-algoritme het efficiënte gebruik van systeembronnen. Taken worden meer lokaal uitgevoerd, waardoor minder bronnen worden verspild en onnodige belasting optreedt. In grootschalige IoT-scenario's voor gegevensverwerking kan het IoT-LocalSense-algoritme van WiMi de systeemprestaties en de efficiëntie van het resourcegebruik aanzienlijk verbeteren.

In het echte IoT-computingsysteem kan het algoritme worden gebruikt als kerncomponent van de optimalisatie van gegevensschema's om het schema van taken en de verdeling van gegevens te optimaliseren om de algemene prestaties van het systeem te verbeteren. De prestaties van het IoT-LocalSense-algoritme worden vergeleken met andere algoritmen voor gegevensscheduling door middel van systeemsimulatie-experimenten, en het algoritme blinkt uit in termen van uitvoeringssnelheid voor taaklokalisatie en responstijd, wat aanzienlijk beter is dan traditionele algoritmen voor optimalisatie van gegevensscheduling. Het IoT-LocalSense-algoritme van WiMi verbetert de prestaties en efficiëntie van IoT-clustersystemen aanzienlijk door de gegevensplaatsing, de optimalisatie van de gegevensscheduling en het vooraf ophalen van gegevens te optimaliseren, waardoor de uitvoering van taaklokalisatie toeneemt, niet-lokale uitvoering en onevenwichtige belasting worden verminderd en het gebruik van bronnen wordt geoptimaliseerd. Met de voortdurende ontwikkeling van IoT-technologie zal het IoT-LocalSense-algoritme geoptimaliseerd en verbeterd blijven worden om krachtigere ondersteuning te bieden voor optimalisatie van gegevensscheduling voor IoT-computing.