本发明属于智能算力，具体涉及一种分布式的智能终端gpu算力提升方法以及系统。
背景技术：
1、当前，随着人工智能在产业数字化进程中从“单点突破”迈向“泛在智能”，一个以数字化、网络化、智能化为特征的智慧社会正加速到来。智能算力作为人工智能的基石，是算力网络构建多要素融合新型信息基础设施的关键领域，已成为数字经济高质量发展的核心引擎，智能算力基础设施建设也迎来了高潮。智算中心作为集约化建设的算力基础设施，随着智能计算广泛融合到生产、生活的各个方面,以gpu、ai芯片为主要算力资源的智算中心正逐步取代通用数据中心成为算力发展的主流形态，以gpu、ai芯片等智能算力为核心，提供软硬件全栈环境，主要承载模型训练、推理、多媒体渲染等业务，支撑千行百业数智化转型升级。
2、目前传统智算中心的智算资源利用率较低，资源分布相对碎片化，不利于整体效能的提升，通常使用算力池化实现聚合各类型算力、实现敏捷化资源管理的平台，使能资源可以被极致利用，算力池化基于传统云计算技术(如kubernetes、openstack，智算中心以kubernetes为主)有针对性地增强gpu/ai芯片池化能力，采用软件定义的方式，对gpu/ai芯片进行分时调度管理，实现按gpu/ai芯片的细粒度分配资源，并采用gpu/ai芯片runtimeapi劫持、应用程序监视器等技术，实现资源跨节点远程调用、零散资源整合等，从而达到算力资源充分利用、碎片最小化效果，可有效提升资源效率，降低智算中心整体建设成本，但在算力提升方法中，仍存在以下缺陷；
3、1.数据传输延迟：在分布式的智能终端gpu算力提升中，数据需要在不同设备之间传输，这可能会导致明显的延迟，影响实时性；
4、2.安全性：分布式系统中涉及到的数据传输和共享，可能会引入安全风险；
5、3.协作与同步：在分布式环境下，多个gpu设备需要协作和同步，这可能会引入复杂性和性能开销；
6、4.资源利用率：由于智能终端gpu资源受限制，算力池化的资源利用率可能不高，不能完全满足需求；
7、5.能力限制：智能终端gpu的功能和性能可能与桌面gpu或服务端gpu有所不同，限制了算力池化的优化空间和提升的空间。
技术实现思路
1、本发明的目的在于提供一种分布式的智能终端gpu算力提升方法以及系统，以解决上述背景技术中提出的数据传输延迟、安全性差、资源利用与写作难度大，并且还存在能力限制的问题。
2、为实现上述目的，本发明提供如下技术方案：一种分布式的智能终端gpu算力提升方法，具体包括如下步骤：
3、步骤一：确定目标的智能终端设备需要提高的gpu算力，分析目前设备的gpu性能和需求、以及未来需要提升的性能进行估计；
4、步骤二：根据目标的提高范围，对数据传输进行优化，使用高效的数据传输协议和技术，并在数据传输过程中加入安全机制；
5、步骤三：根据选定的gpu加速技术，设计和实现相应的算法；
6、步骤四：使用性能评估工具，对设计的算法进行评估，确保其在目标设备上达到预期的性能；
7、步骤五：根据评估结果，进行算法调整和优化，使用同步机制，减少协作和同步的开销，同时通过算力池化的策略优化，提高资源利用率；
8、步骤六：将gpu加速算法整合到智能终端设备中，并进行相应的测试，确保其与设备的其他功能兼容；
9、步骤七：根据实际使用情况和用户反馈，使用更新后的gpu驱动程序和操作系统，以及高级别的api和功能，扩展算力池化的优化空间和提升空间。
10、作为本发明中一种优选的技术方案，所述步骤一中的具体操作步骤如下：
11、s1、分析当前gpu性能：
12、a.找出设备中gpu的制造商、模型和相关特性；
13、b.使用性能测试工具，gfxbench、unity benchmark或glbenchmark，测量gpu的性能；
14、s2、分析当前gpu需求：
15、a.研究目标设备在现有应用和未来的使用场景中，gpu处理的需求；
16、b.分析应用和使用场景下，gpu需要处理的图形、计算和性能要求。
17、作为本发明中一种优选的技术方案，所述步骤二中，高效的数据传输协议和技术包括：
18、s1、数据包优化；
19、s2、硬件优化；
20、s3、内存优化；
21、s4、中间件优化。
22、作为本发明中一种优选的技术方案，所述步骤四中的性能评估工具包括性能测试框架、代码分析工具、调试工具、性能数据分析工具。
23、作为本发明中一种优选的技术方案，所述步骤四中的性能评估工具包括性能优化工具、性能监控工具、性能报告生成工具、版本控制系统。
24、作为本发明中一种优选的技术方案，在所述步骤六的整合过程中，需要选择编程语言，对于智能终端设备，使用c++、c#(xamarin)、java(android/ios)、objective-c、swift或者python(python for android/ios)，并选择gpu框架，包括opencl、cuda、metal和vulkan。
25、本发明还公开了一种分布式的智能终端gpu算力系统，包括提升方法，该系统包括主控终端，该主控终端上连接有：
26、数据传输优化模块，用于减少数据传输延迟；
27、安全单元，用于在整个算力系统中构成安全机制，保护算力数据安全；
28、资源利用单元，用于对算力池化的策略优化。
29、作为本发明中一种优选的技术方案，所述安全单元包括对数据进行加密的加密模块、对登录身份进行验证的身份验证访问模块；所述资源利用单元包括调度算力模块、负载平衡模块以及任务分配模块。
30、与现有技术相比，本发明的有益效果是：
31、1.数据传输优化：使用更高效的数据传输协议和技术，如zerocopy和rdma，以减少数据传输延迟；
32、2.安全性提升：在分布式系统中加入安全机制，如加密、身份验证和访问控制，以保护数据安全；
33、3.协作与同步改进：使用更高效的同步机制，如硬件支持的原子性内存操作，以减少协作和同步的开销；
34、4.资源利用率提高：通过算力池化的策略优化，如调度算力、负载平衡和任务分配，以提高资源利用率；
35、5.能力提升：使用更新的gpu驱动程序和操作系统，以及更高级别的api和功能，以扩展算力池化的优化空间和提升空间。
1.一种分布式的智能终端gpu算力提升方法，其特征在于：具体包括如下步骤：
2.根据权利要求1所述的一种分布式的智能终端gpu算力提升方法，其特征在于：所述步骤一中的具体操作步骤如下：
3.根据权利要求1所述的一种分布式的智能终端gpu算力提升方法，其特征在于：所述步骤二中，高效的数据传输协议和技术包括：
4.根据权利要求1所述的一种分布式的智能终端gpu算力提升方法，其特征在于：所述步骤四中的性能评估工具包括性能测试框架、代码分析工具、调试工具、性能数据分析工具。
5.根据权利要求1所述的一种分布式的智能终端gpu算力提升方法，其特征在于：所述步骤四中的性能评估工具包括性能优化工具、性能监控工具、性能报告生成工具、版本控制系统。
6.根据权利要求1所述的一种分布式的智能终端gpu算力提升方法，其特征在于：在所述步骤六的整合过程中，需要选择编程语言，对于智能终端设备，使用c++、c#(xamarin)、java(android/ios)、objective-c、swift或者python(python for android/ios)，并选择gpu框架，包括opencl、cuda、metal和vulkan。
7.一种分布式的智能终端gpu算力系统，包括权利要求1至6中任一项所述的提升方法，其特征在于：该系统包括主控终端，该主控终端上连接有：
8.根据权利要求7所述的一种分布式的智能终端gpu算力提升系统，其特征在于：所述安全单元包括对数据进行加密的加密模块、对登录身份进行验证的身份验证访问模块；所述资源利用单元包括调度算力模块、负载平衡模块以及任务分配模块。
