WiMi Hologram Cloud Inc. a annoncé avoir développé l'algorithme IoT-LocalSense, qui optimise le problème de l'équilibrage de la charge, améliore le taux d'exécution de la localisation des tâches, réduit l'exécution non locale et le déséquilibre de la charge, optimise l'utilisation des ressources et améliore encore les performances des systèmes de cluster IoT. Dans les environnements informatiques IoT, l'ordonnancement des données implique la distribution des données d'entrée d'une tâche à différents nœuds de calcul et de stockage. Si l'écart de correspondance des données est important, il peut entraîner une exécution non locale de l'ordonnancement des données, ce qui augmente le temps d'exécution des tâches et la consommation de ressources. Dans le même temps, le déséquilibre de la charge peut entraîner une surcharge de certains nœuds et une faible charge d'autres nœuds, ce qui affecte les performances globales du système et l'efficacité de l'utilisation des ressources.

Le principe : Module de placement des données : Grâce à l'évaluation de la capacité de traitement des nœuds de travail IoT, l'algorithme de placement des données est conçu pour distribuer raisonnablement les données d'entrée de la tâche dans les nœuds de calcul et les nœuds de stockage. Parallèlement, en tenant compte de la localisation des données, les données pertinentes sont placées à proximité des nœuds de calcul afin de réduire la surcharge et le retard de transmission des données. Module d'optimisation de la planification des données : Optimise l'ordonnancement des données en utilisant les informations relatives à l'emplacement de stockage des blocs de données afin d'augmenter la probabilité que les tâches soient exécutées dans les nœuds locaux au cours de l'exécution, réduisant ainsi la fréquence de l'exécution non locale.

Il équilibre également la charge de chaque nœud de la grappe, garantit que les tâches sont réparties uniformément dans la grappe et optimise l'efficacité de l'utilisation des ressources du système. Avantages de l'algorithme IoT-LocalSense : Amélioration du taux d'exécution des tâches localisées : Grâce aux algorithmes de placement des données et à l'optimisation de l'ordonnancement des données, l'algorithme IoT-LocalSense peut améliorer efficacement le taux d'exécution locale des tâches sur les nœuds de calcul. Le stockage local des données pertinentes permet aux tâches d'accéder rapidement aux données, ce qui réduit le besoin de transfert de données et accélère donc l'exécution des tâches.

Réduction de l'exécution non locale : L'algorithme IoT-LocalSense place les données requises pour la planification des données non locales dans le stockage local du nœud de calcul à l'avance par le biais de la méthode d'extraction préalable des données. Cela réduit le temps d'attente d'une tâche pour les transferts de données non locales, réduisant ainsi la fréquence de l'exécution non locale et améliorant l'efficacité globale de l'exécution. Prise en compte de la localité des données : L'algorithme se concentre sur la localité des données et place les données pertinentes à proximité des nœuds de calcul, ce qui réduit la transmission des données à travers le réseau, réduisant ainsi la surcharge de transmission du réseau et la latence, et améliorant les performances globales du système.

Optimisation de l'utilisation des ressources : En réduisant l'exécution non locale et en optimisant l'ordonnancement des données, l'algorithme IoT-LocalSense améliore l'utilisation efficace des ressources du système. Les tâches sont exécutées plus localement, ce qui réduit le gaspillage des ressources et la charge inutile. Dans les scénarios de traitement de données à grande échelle de l'IdO, l'algorithme IoT-LocalSense de WiMi peut améliorer de manière significative les performances du système et l'efficacité de l'utilisation des ressources.

Dans le système informatique IoT réel, l'algorithme peut être utilisé comme composant central de l'optimisation de la planification des données pour optimiser la planification des tâches et la distribution des données afin d'améliorer les performances globales du système. Les performances de l'algorithme IoT-LocalSense sont comparées à celles d'autres algorithmes d'ordonnancement des données par le biais d'expériences de simulation du système, et l'algorithme excelle en termes de taux d'exécution de la localisation des tâches et de temps de réponse, ce qui est nettement meilleur que les algorithmes traditionnels d'optimisation de l'ordonnancement des données. L'algorithme IoT-LocalSense de WiMi améliore considérablement les performances et l'efficacité des systèmes de clusters IoT en optimisant le placement des données, l'optimisation de l'ordonnancement des données et la prélecture des données, ce qui augmente l'exécution de la localisation des tâches, réduit l'exécution non locale et le déséquilibre de la charge, et optimise l'utilisation des ressources. Avec le développement continu de la technologie IoT, l'algorithme IoT-LocalSense continuera d'être optimisé et amélioré afin de fournir un support d'optimisation de la planification des données plus puissant pour l'informatique IoT.