买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

龙图腾网获悉深圳市互盟科技股份有限公司申请的专利基于大模型的智算中心GPU资源动态调度方法及系统获国家发明授权专利权，本发明授权专利权由国家知识产权局授予，授权公告号为：CN121187792B 。

龙图腾网通过国家知识产权局官网在2026-04-21发布的发明授权授权公告中获悉：该发明授权的专利申请号/专利号为：202511401330.6，技术领域涉及：G06F9/50；该发明授权基于大模型的智算中心GPU资源动态调度方法及系统是由汪镜波设计研发完成，并于2025-09-28向国家知识产权局提交的专利申请。

本基于大模型的智算中心GPU资源动态调度方法及系统在说明书摘要公布了：本发明涉及算力调度技术领域，具体为基于大模型的智算中心GPU资源动态调度方法及系统。本发明中，通过深入分析Transformer大模型训练过程中各层权重矩阵的梯度数据，能够精准刻画不同计算任务在显存资源上的动态需求特征，同时结合监测各层激活张量的生成时延，量化并识别出任务间存在的强弱依赖链路，从而构建出一套反映模型内部计算流与资源消耗特性的多维度视图，基于这种深度分析，为不同依赖强度和显存占用特性的任务赋予差异化的算力权重，实现了对GPU算力需求的精确评估与优先级排序，确保了计算资源能够依据任务的内在重要性和资源消耗特性向关键瓶颈任务倾斜，进一步地，通过实时比对任务的实际执行时间与预期时间，动态评估执行效率。

本发明授权基于大模型的智算中心GPU资源动态调度方法及系统在权利要求书中公布了：1.基于大模型的智算中心GPU资源动态调度方法，其特征在于，包括以下步骤： S1：获取智算中心Transformer大模型训练过程中的GPU资源需求数据，分析显存占用的动态变化，生成显存占用分析结果； S2：根据所述显存占用分析结果，结合Transformer大模型每层任务的执行顺序，计算每层任务间的延迟差异，根据延迟差异识别任务间的依赖链路，生成任务依赖链路分析结果； S3：参照所述任务依赖链路分析结果与所述显存占用分析结果中每个任务的依赖关系与显存占用情况，评估每个任务对GPU算力资源的需求，确定每个任务的算力资源分配计划，作为GPU算力资源分配计划； S4：统计训练过程中任务的实际执行时间与预期执行时间之间的差异，评估每个任务的执行效率，确定任务优化计划； S5：结合所述GPU算力资源分配计划和所述任务优化计划，调整GPU显存和算力资源分配，生成GPU资源调度优化结果； 步骤S1具体为： S101：获取智算中心Transformer大模型训练过程中的GPU资源需求数据，GPU资源需求数据包括Transformer大模型中自注意力层、前馈网络层和输出层中每一层权重矩阵的梯度数据，计算每一层梯度数据的平均值和标准差，建立层级梯度特征值； S102：基于所述层级梯度特征值，计算连续训练周期内梯度数据平均值与标准差的变化量，再计算变化量与周期初始梯度数据平均值和标准差的比率，得到梯度动态波动率； S103：将每一层的所述梯度动态波动率与设定的显存占用稳定基准值比对，根据比对结果为每一层划分显存资源需求区间，生成显存占用分析结果； 步骤S2具体为： S201：根据所述显存占用分析结果，结合Transformer大模型每层任务的执行顺序，记录自注意力层、前馈网络层与输出层激活张量的生成时间戳，计算自注意力层与前馈网络层之间、前馈网络层与输出层之间的任务延迟差异，得到层间任务延迟； S202：将所述层间任务延迟与设定的强依赖判定阈值和次级依赖识别阈值比对，将差异超过强依赖判定阈值的识别为强依赖链路，针对差异处于强依赖判定阈值和次级依赖识别阈值之间的所述层间任务延迟执行多层时间戳交叉比较，识别次级依赖链路，建立任务依赖链路分级； S203：基于所述任务依赖链路分级和所述显存占用分析结果，将强依赖链路与次级依赖链路同对应的显存占用数据关联，生成任务依赖链路分析结果。

如需购买、转让、实施、许可或投资类似专利技术，可联系本专利的申请人或专利权人深圳市互盟科技股份有限公司，其通讯地址为：518000 广东省深圳市南山区粤海街道科技园社区科苑路15号科兴科学园B栋2单元4层；或者联系龙图腾网官方客服，联系龙图腾网可拨打电话0551-65771310或微信搜索“龙图腾网”。

以上内容由龙图腾AI智能生成。