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！

龙图腾网获悉湘潭鼎安华盛科技有限公司;武汉鼎安华盛科技有限公司申请的专利一种面向高并发AI任务的虚拟化资源调度方法、装置及存储介质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：CN120276871B 。

龙图腾网通过国家知识产权局官网在2025-08-26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：202510766082.9，技术领域涉及：G06F9/50；该发明授权一种面向高并发AI任务的虚拟化资源调度方法、装置及存储介质是由董喆;钱文豪;李迎新;郭栋设计研发完成，并于2025-06-10向国家知识产权局提交的专利申请。

本一种面向高并发AI任务的虚拟化资源调度方法、装置及存储介质在说明书摘要公布了：本发明提出了一种面向高并发AI任务的虚拟化资源调度方法、装置及存储介质，对供服务器端调用的应用程序的进行源代码扫描分析生成运行依赖表，基于所述依赖表构建所述应用程序运行的最小容器化沙箱；在云端接收用户的输入的AI任务，将所述AI任务的参数输入训练后的任务智能调度模型确定执行该任务的服务器；在确定的执行所述AI任务的服务器上，根据所述AI任务的优先级调用执行所述AI任务所对应的应用程序的最小化容器化沙箱，并基于所述AI任务分配服务器资源并加载所述应用程序的其他组件，其中，高并发AI任务是指在所述服务器上同时执行500个以上的AI任务。本发明实现了服务器的超密度调度能力，并大大降低任务环境内存占用率，提高了系统性能。

本发明授权一种面向高并发AI任务的虚拟化资源调度方法、装置及存储介质在权利要求书中公布了：1.一种面向高并发AI任务的虚拟化资源调度方法，其特征在于，该方法包括： 构建步骤，对供服务器端调用的应用程序的进行源代码扫描分析生成运行依赖表，基于所述依赖表构建所述应用程序运行的最小容器化沙箱； 调度步骤，在云端接收用户的输入的AI任务，将所述AI任务的参数输入训练后的任务智能调度模型确定执行该任务的服务器； 分配步骤，在确定的执行所述AI任务的服务器上，根据所述AI任务的优先级调用执行所述AI任务所对应的应用程序的最小化容器化沙箱，并基于所述AI任务分配服务器资源并加载所述应用程序的其他组件，其中，高并发AI任务是指在所述服务器上同时执行500个以上的AI任务， 其中，所述构建步骤的操作为：对所述应用程序的源代码进行静态分析识别所述应用程序运行时依赖项，其中所述依赖项包括动态链接库、配置文件和第三方插件；在模拟沙箱环境中执行所述应用程序并对所述应用程序进行动态追踪以获取所述应用程序执行时的资源调用路径，所述资源调用路径包括系统调用、网络请求和文件读写；基于所述依赖项和资源调用路径生成所述应用程序的依赖表，在所述依赖表中标注了所述应用程序的核心依赖项与可选依赖项；基于所述依赖表从所述应用程序的基础镜像中剥离运行时的非必要组件；基于分层构建方法将所述应用程序的核心运行组件与非必要组件进行分离，基于内存压缩技术优化所述核心运行组件的内存占用以构建所述应用程序的最小容器化沙箱，在AI任务调用所述应用程序时，默认在所述最小容器化沙箱中仅加载所述应用程序的核心运行组件， 其中，所述智能调度模型的训练方法为：构建AI任务之间的依赖关系的依赖图，对所述应用程序执行的历史执行日志进行统计，确定应用程序之间组合执行的效率，基于所述依赖图构建图神经网络的图，每个AI任务作为所述图神经网络的图中的一个节点，用于执行一个AI任务所有的应用程序的执行参数的集合作为所述AI任务对应节点的特征向量，如果两个AI任务之间具有依赖关系，则这两个AI任务对应的节点之间具有边；基于采集的AI任务执行的历史数据进行清洗处理后作为训练样本，对所述图神经网络进行训练，训练到达一定轮次或者损失函数小于一阈值后停止训练，将训练后的图神经网络作为所述智能调度模型，其中所述特征向量包括：每个应用程序的最小容器化沙箱的大小、应用程序执行时CPU占用率、和执行时间。

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湘潭鼎安华盛科技有限公司;武汉鼎安华盛科技有限公司，其通讯地址为：411100 湖南省湘潭市雨湖区先锋乡幸福路8号203幢0303601；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”。