本發明公開了一種資源調度裝置、資源調度系統和資源調度方法，包括GPU適配模塊、GPU發現模塊和GPU掛載模塊，其中，GPU適配模塊，用于檢測自身所屬裝置的GPU塊數及GPU的驅動文件，創建GPU調用文件，通知GPU發現模塊；GPU發現模塊，用于接收到GPU適配模塊的通知，監聽自身所屬裝置的GPU的使用信息，并向管理節點上報自身所屬裝置的GPU塊數和使用信息；GPU掛載模塊，用于接收創建容器請求，創建容器，選擇自身所屬裝置的GPU，并將所選擇的GPU的驅動文件和調用文件掛載到容器中。本發明基于容器化技術，通過各個節點自身檢測、監聽、選擇和掛載GPU，提高了GPU使用效率，同時避免了集群中GPU資源使用不均的情況。

技術領域

本發明涉及云計算資源管理及容器部署技術領域，尤其涉及一種資源調度裝置、資源調度系統和資源調度方法。

背景技術

云計算是一種資源共享的計算模式，這種模式提供可用的、便捷的、按需的網絡訪問，云計算提供的資源能夠被快速提供和共享復用。圖形處理器(Graphics ProcessingUnit，GPU)是高性能云計算系統中的一種特殊資源，在大數據和圖像識別領域，都需要使用GPU對數據進行分析和計算，特別是對于圖像識別，GPU對數據的處理速度遠高于CPU。

然而，目前的主流技術仍然是通過創建虛擬機掛載GPU來提供計算環境，在公開號為“CN105242957A”，發明名稱為“一種云計算系統調配GPU資源到虛擬機的方法及系統”的申請中，提出了一種云計算管理系統如何優化各個計算節點的GPU資源的方法，該發明使用虛擬機負載計算任務，但是虛擬機帶來的資源消耗也成為了資源瓶頸，虛擬機相當于一個小型的機器，必須為其分配固定大小的CPU和內存等資源，如果虛擬機負載的計算任務較小則會造成資源的浪費，且虛擬機的創建時間非常長。

在公開號為“CN105959404A”，發明名稱為“一種基于云計算的GPU虛擬化平臺”的申請中，提出了一種虛擬化環境中虛擬機以重定向方式利用多GPU加速計算的平臺架構。但是在實際應用中，這樣的方法需要實現額外的截取工作，在操作系統層面上對GPU的調用進行截取然后重定向到遠程的GPU資源。這種方法不僅需要對操作系統進行深層次的改造，更因為GPU與計算任務不在同一節點導致增加了運算時間。

在期刊《小型微型計算機系統》2016年第四期687-693頁“云計算環境下多GPU資源調度機制研究”中，提到了一種云環境下GPU計算資源調度機制，其中計算任務是由底層的虛擬機發起，逐級向上傳遞到最高層的總調度中心，每一層都會計算是否能夠容納計算任務，不能則向上傳遞由上層進行再分配。但是這樣將會導致兩個問題：一是對于底層的虛擬機來說，它無法獲知整個集群中最優的GPU節點；二是在不斷向上傳遞的過程中消耗計算時間。

容器技術可以認為是一種操作系統級別的虛擬化，其相當于操作系統內的一個進程，擁有獨立的命令空間，在保證為計算任務提供與操作系統同樣的指令的同時，能夠減少對系統資源的消耗，同樣硬件配置的節點能夠創建的容器數量往往百倍于虛擬機，并且創建時間更短。但是，在目前使用容器的專利中，例如，CN106453492A“基于模糊模式識別的Docker容器云平臺下的容器調度方法”、CN105893010A“用于容器部署的主機調度方法及系統”、CN106027643A“一種基于kubernetes容器集群管理系統的資源調度方法”等等，都沒有實現對GPU的自動發現、自動適配和掛載，也沒有加入對GPU資源的計算權重，所以并不能在容器集群中使用GPU資源。

發明內容

為了解決上述技術問題，本發明提供了一種資源調度裝置、資源調度系統和資源調度方法，能夠提高GPU使用效率。

為了達到本發明目的，本發明實施例的技術方案是這樣實現的：

本發明實施例提供了一種資源調度裝置，包括GPU適配模塊、GPU發現模塊和GPU掛載模塊，其中，