矿机配置参数的确定方法及过程

本发明涉及虚拟货币矿机技术领域，尤其涉及一种矿机配置参数的确定方法。

背景技术：

现有的虚拟货币矿机中，算力芯片均采用定频方式进行挖矿。 对于算力芯片来说，不同的电压和温度可以决定算力芯片不同的工作频点。 同时，在一台矿机中，不同位置的算力芯片之间存在温差和电压差，所以，如果将矿机中不同位置的算力芯片设置为相同的频率，大部分算力芯片不会得到充分利用，造成矿机算力的浪费。

因此，如何避免矿机算力的浪费，提高矿机的整体算力，成为亟待解决的问题。

技术实现要素：

有鉴于此，本发明提供了一种确定矿机配置参数的方法。 通过模型训练得到满足矿机最优算力的最优配置参数，避免矿机算力的浪费，提高矿机整体算力。

本发明的技术方案是这样实现的：

一种确定矿机配置参数的方法，包括：

使用矿机通用优化配置参数执行矿机运行；

在矿机运行过程中，通过改变矿机的配置参数，获取矿机运行参数专用的数据集；

利用矿机运行参数专用数据集进行模型训练，得到矿机运行参数专用模型；

根据矿机运行参数的专用模型，得到矿机的最优配置参数。

进一步地，矿机中的配置参数包括：各算力芯片的频率、算力板的温度、电源的输出电压；

运行参数包括：配置参数和矿机在配置参数下运行时的矿机能力参数。

进一步地，矿机能力参数包括：矿机算力和矿机算力。

进一步地，通过改变矿机配置参数得到的矿机运行参数专用数据集包括：

改变矿机中各算力芯片的频率、算力板的温度和/或电源的输出电压，得到不同运行参数下的矿机能力参数etc矿机配置，将配置参数设置为运行参数由与其对应的矿机能力参数组成，矿机运行参数专用数据集由多组运行参数组成。

进一步地，根据矿机运行参数的专用模型得到矿机的最优配置参数，包括：

利用矿机运行参数的专用模型，遍历配置参数的各个取值，得到最优矿机能力参数对应的配置参数，结合最优矿机对应的配置参数能力参数作为矿机的最优配置参数。

进一步的，所述矿机配置参数的确定方法还包括：

通用优化配置参数是利用矿机运行参数的通用模型得到的。

进一步地，矿机运行参数的通用模型通过以下方法得到：

将多台矿机的矿机运行参数合并为一个通用的矿机运行参数数据集；

利用矿机运行参数通用数据集进行模型训练，得到矿机运行参数通用模型；

其中，矿机运行参数包括配置参数和在配置参数下运行时的矿机能力参数。

进一步地，利用矿机运行参数通用模型得到通用优化配置参数，包括：

利用矿机运行参数的通用模型，遍历配置参数的各种取值，得到最优矿机能力参数对应的配置参数，结合最优矿机能力对应的配置参数该参数作为矿机的通用优化配置参数。

一种非易失性计算机可读存储介质，该非易失性计算机可读存储介质存储指令，当指令被处理器执行时，处理器执行上述任一项所述的矿机配置参数确定的方法中的步骤。

一种电子设备，包括：

至少一个处理器； 和，

存储器通信地耦合到至少一个处理器； 其中，

所述存储器存储所述至少一处理器可执行的指令，所述指令由所述至少一处理器执行，使得所述至少一处理器执行任一项所述的矿机配置参数的确定。方法中的上述步骤。

从上述方案可以看出，本发明的矿机配置参数确定方法首先利用矿机的通用优化配置参数来执行矿机的运行，使得矿机能够在接近最优算力的配置参数附近运行，在此基础上，在矿机运行过程中，通过改变矿机的配置参数，获取矿机运行参数的专用数据集，得到适合矿机自身的数据集，可用于模型训练。 ，使用矿机运行参数专用数据集进行模型训练，即可得到适合矿机自身运行参数的专用模型，使用矿机运行参数专用模型，可以得到最适用于矿机本身。 最优配置参数，本发明利用数据集和模型训练得到矿机自身能够达到最优算力的最优配置参数，从而实现矿机最优配置参数的自适应学习，从而有效避免挖矿的浪费计算机算力的提升提升了矿机的整体算力。

图纸说明

图1为本发明实施例的矿机配置参数确定方法的流程图；

无花果。 图2为本发明实施例的电子设备的结构示意图。

详细说明

为使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。

如图1所示，本发明实施例的矿机配置参数确定方法包括以下步骤：

Step 1. 使用矿机通用优化配置参数执行矿机运行；

Step 2. 矿机运行过程中，更改矿机配置参数，获取矿机运行参数专用数据集；

步骤3、使用矿机运行参数专用数据集进行模型训练，得到矿机运行参数专用模型；

第四步，根据矿机运行参数专用模型获取矿机最优配置参数。

其中，在本发明实施例中，配置参数包括：各算力芯片的频率、算力板的温度、矿机中电源的输出电压。 运行参数包括：配置参数和矿机在配置参数下运行时的矿机能力参数。

其中，矿机能力参数包括：矿机算力和矿机算力。

其中，算力板的温度可通过矿机散热风扇的转速或液冷装置冷却液的温度和流量等间接调节。

在一个可选实施例中，矿机运行参数专用数据集由多组矿机运行参数组成。

在一个可选实施例中，在步骤2中，通过改变矿机的配置参数，得到矿机运行参数的专用数据集，包括：

改变矿机中各算力芯片的频率、算力板的温度和/或电源的输出电压，得到不同运行参数下的矿机容量参数，结合配置参数和对应的挖矿machine capacity parameters to run Parameters，由多组运行参数组成的矿机运行参数专用数据集。

在一个可选实施例中，根据步骤4中的矿机运行参数专用模型得到矿机最优配置参数，包括：

利用矿机运行参数的特殊模型遍历配置参数的各种取值，得到最优矿机容量参数对应的配置参数，将最优矿机容量参数对应的配置参数作为挖矿机器优化配置参数。

实施例一

在一台矿机中，包括100个算力芯片，通过改变矿机中每个算力芯片的频率、算力板的温度和/或电源的输出电压，得到不同运行状态下的矿机parameters 能力参数，即改变100个算力芯片每一个的频率、算力板的温度和/或电源的输出电压。

矿机运行参数专用数据集如下表所示。

其中，如上表所示，在100颗算力芯片的矿机矿机运行参数专用数据集中，第一台矿机运行参数为：第一台算力芯片的频率为f11，第二块算力芯片频率为f21... 第100块算力芯片频率为f1001，算力板温度为t1，电源输出电压为u1，矿机算力为s1，矿机算力为p1； 第二台矿机的运行参数为：第一台算力芯片频率为f12，第二台算力芯片频率为f21...第100台算力芯片频率为f1001，算力温度电源板为t1，电源输出电压为u1，矿机算力为s2，矿机功率为p2； 等等。 上表中，下标中的字母i和n只是与参数结合使用，表示参数之间的序号etc矿机配置，其中i的取值例如为大于1的整数，n与其结合表示对应参数的序号，例如f100n3表示第100个算力的芯片频率的第n3个值，sn6表示矿机算力的第n6个值。 在专用于矿机运行参数的数据集中，每台矿机的运行参数存在差异。 可以利用矿机运行参数的专用数据集进行模型训练。 模型训练可以利用现有的人工智能技术实现，这里不再赘述。

经过模型训练，可以得到矿机本身运行参数的专用模型。 通过矿机运行参数的专用模型，可以遍历100个算力芯片各自的频率、算力和频率。 结合测力板温度和电源输出电压的各种值，可以得到相应的能力参数（矿机算力和矿机算力），进而可以选择一个满意的能力参数（矿机算力）从这些获得的能力参数。 power和mining machine power）最优条件下的最优配置参数，即各算力芯片频率、算力板温度和电源输出电压的优化组合。

在一个可选实施例中，本发明实施例的矿机配置参数确定方法还包括在步骤一之前执行的以下步骤：

利用矿机运行参数的通用模型，得到通用的优化配置参数。

在一个可选实施例中，矿机运行参数的通用模型通过以下方法获取：

将多台矿机的矿机运行参数合并为一个通用的矿机运行参数数据集；

利用矿机运行参数通用数据集进行模型训练，得到矿机运行参数通用模型；

其中，矿机运行参数包括配置参数和在配置参数下运行时的矿机能力参数。

在一个可选实施例中，利用矿机运行参数通用模型得到通用优化配置参数，包括：

利用矿机运行参数的通用模型遍历配置参数的各种取值，得到最优矿机容量参数对应的配置参数，将最优矿机容量参数对应的配置参数作为矿机通用优化配置参数。

实施例二

矿机运行参数通用数据集包含1000台矿机的运行参数，每台矿机包含100个算力芯片。 矿机运行参数的通用数据集如下表所示。

其中，如上表所示，1000台矿机中任意一台（第j台矿机）的运行参数为：任意一台算力芯片频率为fjk，算力板温度为tj，电源输出电压为uj，矿机算力为sj，矿机功率为pj。 其中j代表1000台矿机中的任意一台。 例如j可以代表上表中记录的任意一行的行号。 j的取值例如为1到1000，k代表任意一台矿机（第j台矿机中的第k个算力芯片），k的取值例如为1到100. 比如上表中，fa1000100表示​​第1000台矿机中第100颗算力芯片的频率。 上表中a只是用来区别于前述矿机运行参数专用数据集表中的参数。

在本发明实施例的矿机配置参数确定方法中，首先利用矿机的通用优化配置参数来执行矿机的运行，使得矿机能够在近距离运行。配置参数接近最优计算能力。 在此基础上，在矿机运行过程中，通过改变矿机的配置参数，获取矿机运行参数的专用数据集，可以使用适合矿机本身的专用数据集获得用于模型训练的。 在此基础上，可以利用矿机运行参数专用数据集进行模型训练，得到适合矿机自身运行参数的专用模型。 利用矿机运行参数的专用模型，可以获得矿机自身的最优配置参数。 本发明实施例通过数据集和模型训练得到矿机自身能够达到最优算力的最优配置参数，从而实现矿机最优配置参数的自适应学习，从而有效避免挖矿机器计算能力。 浪费增加了矿机的整体计算能力。

另外，在本发明实施例的矿机配置参数确定方法中，利用矿机运行参数的通用模型得到矿机的通用优化配置参数，矿机运行参数的通用模型是通过多台矿机运行得到的。 由参数组成的矿机运行参数通用数据集已经训练完毕，因此首先使用的矿机通用优化配置参数更具普适性，使得矿机初始配置的通用优化配置参数可以接近矿机。 矿机自身的最优配置参数，可以减少获取矿机运行参数专用模型所需的矿机运行参数专用数据集中的样本数量，节省训练矿机专用模型的时间机器运行参数，缩短矿机优化时间。 配置参数的获取时间提高了矿机最优配置参数的获取效率。

本发明实施例还提供了一种非易失性计算机可读存储介质，该非易失性计算机可读存储介质存储指令，当处理器执行指令时，处理器执行上述矿机配置参数决定了方法中的各个步骤。

本发明实施例还提供了一种执行矿机配置参数确定方法的电子设备。 如图所示如图2所示，该电子设备包括：至少一个处理器1和存储器2。 存储器2与至少一处理器1通信连接，例如，存储器2通过总线与至少一处理器1连接。 存储器2存储至少一个处理器1可以执行的指令，该指令由至少一个处理器1执行，使得至少一个处理器1执行矿机配置参数确定方法中的各个步骤为如上所述。

以上所述仅为本发明的优选实施例而已，并不用于限制本发明。 凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围内。 保护范围内。

技术特点：

1. 一种矿机配置参数的确定方法，包括：

使用矿机通用优化配置参数执行矿机运行；

在矿机运行过程中，通过改变矿机的配置参数，获取矿机运行参数专用的数据集；

利用矿机运行参数专用数据集进行模型训练，得到矿机运行参数专用模型；

根据矿机运行参数的专用模型，得到矿机的最优配置参数。

2. 根据权利要求1所述的矿机配置参数确定方法，其特征在于：

配置参数在矿机中包括：各算力芯片频率、算力板温度、电源输出电压；

运行参数包括：配置参数和矿机在配置参数下运行时的矿机能力参数。

3. 根据权利要求2所述的矿机配置参数确定方法，其特征在于：

矿机能力参数包括：矿机算力和矿机算力。

4.根据权利要求2所述的矿机配置参数确定方法，其特征在于，所述通过改变所述矿机配置参数获取矿机运行参数专用数据集包括：

改变矿机中各算力芯片的频率、算力板的温度和/或电源的输出电压，得到不同运行参数下的矿机能力参数，将配置参数设置为运行参数由与其对应的矿机能力参数组成，矿机运行参数专用数据集由多组运行参数组成。

5.根据权利要求1所述的矿机配置参数确定方法，其特征在于，所述专用模型根据矿机运行参数获取矿机的最优配置参数，包括：

利用矿机运行参数的专用模型，遍历配置参数的各个取值，得到最优矿机能力参数对应的配置参数，结合最优矿机对应的配置参数能力参数作为矿机的最优配置参数。

6.根据权利要求1所述的矿机配置参数确定方法，其特征在于，还包括：

通用优化配置参数是利用矿机运行参数的通用模型得到的。

7.根据权利要求1所述的矿机配置参数确定方法，其特征在于，所述矿机运行参数通用模型通过以下方法获取：

将多台矿机的矿机运行参数合并为一个通用的矿机运行参数数据集；

利用矿机运行参数通用数据集进行模型训练，得到矿机运行参数通用模型；

其中，矿机运行参数包括配置参数和在配置参数下运行时的矿机能力参数。

8. 根据权利要求7所述的矿机配置参数确定方法，其特征在于： 所述矿机运行参数通用模型得到所述通用优化配置参数，包括：

利用矿机运行参数的通用模型，遍历配置参数的各种取值，得到最优矿机能力参数对应的配置参数，结合最优矿机能力对应的配置参数该参数作为矿机的通用优化配置参数。

9.一种非易失性计算机可读存储介质，该非易失性计算机可读存储介质存储指令，其特征在于，当被处理器执行时，指令使处理器执行配置参数确定方法中的步骤： 1至8中任一项所述的矿机。

10、一种电子设备，其特征在于，包括：

至少一个处理器； 和，

存储器通信地耦合到至少一个处理器； 其中，

所述存储器存储有可由所述至少一个处理器执行的指令，所述指令由所述至少一个处理器执行，使得所述至少一个处理器执行权利要求1至8中任一项所述的操作，所述方法中的步骤用于确定矿机的配置参数。

技术概要

本发明公开了一种确定矿机配置参数的方法，包括：使用矿机的通用优化配置参数来执行矿机的运行； 在矿机运行过程中，更改矿机配置参数，获取矿机运行参数 专用数据集； 利用矿机运行参数专用数据集进行模型训练，得到矿机运行参数专用模型； 根据矿机运行参数的专用模型得到矿机的最优配置参数。 本发明的矿机配置参数确定方法通过数据集和模型训练得到矿机自身能够达到最优算力的最优配置参数，从而实现最优的自适应学习。配置矿机参数，从而有效避免矿机算力的浪费，提升矿机整体算力。

技术研发人员：马伟斌； 黄丽红; 郭海峰； 杨作兴

受保护技术使用者：深圳市比特微电子技术有限公司

技术研发日：2020.11.27

技术公告日期：2021.03.16