本发明属于多线程并行计算，具体地，涉及一种基于5g算力任务的多线程并行计算方法、存储介质、设备及计算机程序产品。
背景技术：
1、5g技术以其大带宽、低延迟、海量流量和多样性等特征，为数据处理和通信提供了前所未有的速度和效率，尤其是在云计算和边缘计算领域，5g技术的应用极大地促进了数据处理的并行化进程。随着5g引入了大规模天线技术以及更宽的带宽，提高了网络容量的同时也大大增加了5g仿真的复杂度。动辄几天甚至几个星期的仿真时间将在一定程度上拖慢5g研究的速度，如何加速5g仿真成为一个待解决的问题。
2、现有技术主要采用多线程并行计算即用多个处理器共同完成一个算力任务，能够节省任务执行时间、解决更大的计算任务，因而被广泛应用于5g并行科学计算中，但是，在进程调度过程中只关注内存资源指标，而忽略进程内算力资源指标，这就造成虽然内存资源充足但其中的算力资源不足，导致5g算力任务无法完成，并会误导多线程任务的分配。
技术实现思路
1、针对现有技术中存在的问题，本发明提供了一种基于5g算力任务的多线程并行计算方法、存储介质、设备及计算机程序产品，将5g算力任务划分成子任务，通过多线程并行计算，使得多线程对5g算力任务调度更加灵活，降低能耗。
2、为实现上述技术目的，本发明采用如下技术方案：一种基于5g算力任务的多线程并行计算方法，具体包括如下步骤：
3、步骤1、在进程中划分主线程和次线程，将主线程通过gpu进行处理，将次线程通过cpu进行处理；
4、步骤2、将一个5g算力任务通过k-means++算法进行聚类，得到子任务；
5、步骤3、通过算力量化模型计算每个子任务所需的空闲算力，将所需的空闲算力最大的子任务放入主线程中，其余子任务放入与之算力匹配的次线程中。
6、进一步地，步骤1包括如下子步骤：
7、步骤1.1、获取进程中每个线程的内存资源空间大小，并通过算力量化模型计算每个线程的空闲算力；
8、步骤1.2、若存在多个最大内存资源空间的线程，将空闲算力最大的线程作为主线程，其余线程为次线程；若仅有一个最大内存资源空间的线程，且其空闲算力最大，将其作为主线程，其余线程为次线程；若仅有一个最大内存资源空间的线程，但其空闲算力小，将空闲算力最大的线程与最大内存资源空间的线程合并成主线程，其余线程为次线程。
9、进一步地，所述空闲算力的计算过程为：
10、
11、其中，cbr为空闲算力，n为逻辑运算芯片数量，i为n的索引，f(ai)为逻辑运算的映射函数，αi为第i个逻辑运算芯片的映射比例系数，q1(tops)为逻辑运算的冗余算力；m为并行计算芯片数量，j为m的索引，f(bj)为并行计算的映射函数，βj为第j个并行计算芯片的映射比例系数，q2(flops)为并行计算的冗余算力；p为神经网络加速芯片的数量，k为p的索引，f(ck)为神经网络加速的映射函数，γk为第k个神经网络加速芯片的映射比例系数，q3(flops)为神经网络加速的冗余算力。
12、进一步地，步骤2包括如下子步骤：
13、步骤2.1、随机从5g算力任务的数据点中随机选择一个数据点作为初始的聚类中心；
14、步骤2.2、分别计算5g算力任务中其余各数据点到聚类中心的距离，以及其余各数据点被选为下一个聚类中心的概率；
15、步骤2.3、重复步骤2.2，直至找到所需的聚类中心数；
16、步骤2.4、计算5g算力任务中各数据点到找到的各聚类中心的距离，将数据点归入距离最短的簇；
17、步骤2.5、计算每个簇中所有数据点的均值，更新聚类中心；
18、步骤2.6、重复步骤2.4-2.5，直至更新的聚类中心不在发生变化，将5g算力任务划分成子任务。
19、进一步地，步骤2.2中下一个聚类中心的概率的计算过程为：
20、
21、其中，pt表示第t个聚类中心的概率，s表示5g算力任务中数据点的数量，s表示s的索引，xs表示第s个数据点，ut-1表示第t-1个聚类中心，d(xs,ut-1)表示xs到ut-1的距离。
22、进一步地，步骤3中若所需的空闲算力最大的子任务的所需空闲算力不超过主线程的空闲算力，将所需的空闲算力最大的子任务直接放入主线程中，否则，根据所需的空闲算力将子线程与主线程合并后，将所需的空闲算力最大的子任务放入主线程中。
23、进一步地，本发明还提供了一种计算机可读存储介质，存储有计算机程序，所述计算机程序使计算机执行所述的基于5g算力任务的多线程并行计算方法。
24、进一步地，本发明还提供了一种电子设备，包括：存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行计算机程序时，实现所述的基于5g算力任务的多线程并行计算方法。
25、进一步地，本发明还提供了一种计算机程序产品，包括计算机程序，所述计算机程序被处理器执行时实现所述的基于5g算力任务的多线程并行计算方法。
26、与现有技术相比，本发明具有如下有益效果：本发明基于5g算力任务的多线程并行计算方法将进行划分主线程和次线程，将主线程通过gpu进行处理，将次线程通过cpu进行处理，由于主线程中拥有更大的内存资源空间和更多的空闲算力，且gpu相较于cpu具有更强的处理能力，因此，将主线程通过gpu处理，能够提升多线程的并行计算效率，并使得主线程与次线程在并行计算上花费的时间相当，从而减少下一次并行计算的等待时间；其次，本发明将5g算力任务通过k-means++算法进行聚类，能够保证聚类中心的分散性，提高对5g算力任务划分子任务的准确性；将所需的空闲算力最大的子任务放入主线程中，其余子任务放入与之算力匹配的次线程中，弥补现有多线程对算力任务调度不够灵活的问题，减小了缓存对不同子任务的能耗。
1.一种基于5g算力任务的多线程并行计算方法，其特征在于，具体包括如下步骤：
2.根据权利要求1所述的一种基于5g算力任务的多线程并行计算方法，其特征在于，步骤1包括如下子步骤：
3.根据权利要求2所述的一种基于5g算力任务的多线程并行计算方法，其特征在于，所述空闲算力的计算过程为：
4.根据权利要求3所述的一种基于5g算力任务的多线程并行计算方法，其特征在于，步骤2包括如下子步骤：
5.根据权利要求4所述的一种基于5g算力任务的多线程并行计算方法，其特征在于，步骤2.2中下一个聚类中心的概率的计算过程为：
6.根据权利要求4所述的一种基于5g算力任务的多线程并行计算方法，其特征在于，步骤3中若所需的空闲算力最大的子任务的所需空闲算力不超过主线程的空闲算力，将所需的空闲算力最大的子任务直接放入主线程中，否则，根据所需的空闲算力将子线程与主线程合并后，将所需的空闲算力最大的子任务放入主线程中。
7.一种计算机可读存储介质，存储有计算机程序，其特征在于，所述计算机程序使计算机执行如权利要求1-6任一项所述的基于5g算力任务的多线程并行计算方法。
8.一种电子设备，其特征在于，包括：存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行计算机程序时，实现如权利要求1-6任一项所述的基于5g算力任务的多线程并行计算方法。
9.一种计算机程序产品，包括计算机程序，其特征在于，所述计算机程序被处理器执行时实现权利要求1-6任一项所述的基于5g算力任务的多线程并行计算方法。
