CloudSimPy 项目教程
2024-09-14 03:30:08作者:董斯意
1. 项目目录结构及介绍
CloudSimPy 项目的目录结构如下:
CloudSimPy/
├── core/
│ ├── config/
│ ├── job/
│ ├── machine/
│ ├── cluster/
│ ├── algorithm/
│ ├── scheduler/
│ ├── broker/
│ ├── monitor/
│ └── simulation/
├── playground/
│ ├── DAG/
│ ├── Non_DAG/
│ └── auxiliary/
├── README.en.md
├── README.md
└── LICENSE
目录介绍
-
core/: 核心包,包含数据中心作业调度问题中的各个实体的抽象和建模。
- config/: 包含任务实例、任务、作业的配置文件。
- job/: 包含任务实例、任务、作业的建模。
- machine/: 包含机器的建模。
- cluster/: 包含计算集群的建模。
- algorithm/: 定义调度算法的接口。
- scheduler/: 包含调度器的建模。
- broker/: 包含代理的实现,用于提交作业。
- monitor/: 包含监测器的实现,用于监测仿真状态。
- simulation/: 包含仿真的建模。
-
playground/: 用于方便用户进行试验的包。
- DAG/: 支持考虑任务间依赖关系情况下的仿真实验。
- Non_DAG/: 支持不考虑任务间依赖关系情况下的仿真实验。
- auxiliary/: 包含一些辅助类和函数。
-
README.en.md: 英文版的项目介绍文档。
-
README.md: 中文版的项目介绍文档。
-
LICENSE: 项目的开源许可证文件。
2. 项目的启动文件介绍
CloudSimPy 项目的启动文件通常位于 playground/ 目录下。具体来说,启动文件可能位于 playground/Non_DAG/launch_scripts/ 或 playground/DAG/launch_scripts/ 目录中。
示例启动文件
以 playground/Non_DAG/launch_scripts/main-makespan.py 为例:
# main-makespan.py
import sys
import os
sys.path.append(os.path.abspath('../../..'))
from playground.Non_DAG.algorithm.DeepJS.DRL import DRLAlgorithm
from core.simulation import Simulation
from core.broker import Broker
from core.scheduler import Scheduler
from core.monitor import Monitor
# 创建仿真对象
simulation = Simulation()
# 创建集群、调度器、代理和监测器
cluster = simulation.create_cluster()
scheduler = Scheduler(cluster)
broker = Broker(cluster)
monitor = Monitor(simulation)
# 运行仿真
simulation.run()
启动文件功能
- 导入模块: 导入所需的模块和类。
- 创建仿真对象: 创建
Simulation对象,用于管理整个仿真过程。 - 创建集群、调度器、代理和监测器: 分别创建
Cluster、Scheduler、Broker和Monitor对象。 - 运行仿真: 调用
simulation.run()方法启动仿真。
3. 项目的配置文件介绍
CloudSimPy 项目的配置文件主要位于 core/config/ 目录下,用于定义任务实例、任务、作业的配置。
示例配置文件
以 core/config/TaskInstanceConfig.py 为例:
# TaskInstanceConfig.py
class TaskInstanceConfig:
def __init__(self, cpu, memory, duration):
self.cpu = cpu
self.memory = memory
self.duration = duration
配置文件功能
- 定义资源需求: 配置文件中定义了任务实例所需的 CPU、内存和持续时间等资源需求。
- 初始化配置: 通过构造函数初始化任务实例的配置。
通过这些配置文件,用户可以自定义任务实例、任务和作业的资源需求,从而进行不同场景的仿真实验。
登录后查看全文
热门项目推荐
ERNIE-4.5-VL-28B-A3B-ThinkingERNIE-4.5-VL-28B-A3B-Thinking 是 ERNIE-4.5-VL-28B-A3B 架构的重大升级,通过中期大规模视觉-语言推理数据训练,显著提升了模型的表征能力和模态对齐,实现了多模态推理能力的突破性飞跃Python00
Kimi-K2-ThinkingKimi K2 Thinking 是最新、性能最强的开源思维模型。从 Kimi K2 开始,我们将其打造为能够逐步推理并动态调用工具的思维智能体。通过显著提升多步推理深度,并在 200–300 次连续调用中保持稳定的工具使用能力,它在 Humanity's Last Exam (HLE)、BrowseComp 等基准测试中树立了新的技术标杆。同时,K2 Thinking 是原生 INT4 量化模型,具备 256k 上下文窗口,实现了推理延迟和 GPU 内存占用的无损降低。Python00
MiniMax-M2MiniMax-M2是MiniMaxAI开源的高效MoE模型,2300亿总参数中仅激活100亿,却在编码和智能体任务上表现卓越。它支持多文件编辑、终端操作和复杂工具链调用Python00
HunyuanVideo-1.5HunyuanVideo-1.5作为一款轻量级视频生成模型,仅需83亿参数即可提供顶级画质,大幅降低使用门槛。该模型在消费级显卡上运行流畅,让每位开发者和创作者都能轻松使用。本代码库提供生成创意视频所需的实现方案与工具集。00
MiniCPM-V-4_5MiniCPM-V 4.5 是 MiniCPM-V 系列中最新且功能最强的模型。该模型基于 Qwen3-8B 和 SigLIP2-400M 构建,总参数量为 80 亿。与之前的 MiniCPM-V 和 MiniCPM-o 模型相比,它在性能上有显著提升,并引入了新的实用功能Python00
GOT-OCR-2.0-hf阶跃星辰StepFun推出的GOT-OCR-2.0-hf是一款强大的多语言OCR开源模型,支持从普通文档到复杂场景的文字识别。它能精准处理表格、图表、数学公式、几何图形甚至乐谱等特殊内容,输出结果可通过第三方工具渲染成多种格式。模型支持1024×1024高分辨率输入,具备多页批量处理、动态分块识别和交互式区域选择等创新功能,用户可通过坐标或颜色指定识别区域。基于Apache 2.0协议开源,提供Hugging Face演示和完整代码,适用于学术研究到工业应用的广泛场景,为OCR领域带来突破性解决方案。00
项目优选
收起
deepin linux kernel
C
24
8
本项目是CANN提供的数学类基础计算算子库,实现网络在NPU上加速计算。
C++
654
279
暂无简介
Dart
637
145
Ascend Extension for PyTorch
Python
199
219
仓颉编译器源码及 cjdb 调试工具。
C++
128
860
React Native鸿蒙化仓库
JavaScript
246
316
openGauss kernel ~ openGauss is an open source relational database management system
C++
158
213
🎉 (RuoYi)官方仓库 基于SpringBoot,Spring Security,JWT,Vue3 & Vite、Element Plus 的前后端分离权限管理系统
Vue
1.12 K
630
Nop Platform 2.0是基于可逆计算理论实现的采用面向语言编程范式的新一代低代码开发平台,包含基于全新原理从零开始研发的GraphQL引擎、ORM引擎、工作流引擎、报表引擎、规则引擎、批处理引引擎等完整设计。nop-entropy是它的后端部分,采用java语言实现,可选择集成Spring框架或者Quarkus框架。中小企业可以免费商用
Java
9
1
本项目是CANN提供的是一款高效、可靠的Transformer加速库,基于华为Ascend AI处理器,提供Transformer定制化场景的高性能融合算子。
C++
76
100