高吞吐量下MAC利用率训练数据

本数据集包含数千条AI推理硬件在高吞吐量（>4000FPS）工况下的性能监控数据，经筛选、清洗及特征工程，新生成带宽吞吐积特征，以MAC利用率作为回归预测目标。数据按8:1:1划分为训练集、验证集和测试集，可直接用于监督学习模型训练。对外部企业而言，本数据可用于训练高吞吐场景下的计算单元利用率预测模型，帮助视频处理、批量推理、云端AI服务等高并发企业，在高压力下预估硬件资源利用程度，指导任务分发和动态扩缩容，避免过载或资源浪费。此外，本数据集可为机器学习模型提供高质量训练数据，用于训练利用率异常检测模型、高吞吐调度策略模型等，具有重要的行业应用价值。独立性：本数据集通过明确的筛选条件（吞吐量>4000FPS，不含端点）、独立新生成特征计算及随机划分，形成自包含的训练数据。必要性：原始数据包含大量低吞吐样本（<2000FPS），这些样本中MAC利用率受任务调度和空闲开销影响大，与高吞吐场景（计算单元接近饱和）规律不同。企业若直接使用全量数据，对高吞吐下的利用率预测容易产生偏差。本数据集聚焦高吞吐区间，是高并发AI推理硬件利用率建模任务的基础。

搜集汇总

背景与挑战

背景概述

该数据集聚焦于AI推理硬件在高吞吐量（超过4000FPS）工况下的性能监控数据，以MAC利用率为预测目标，可用于训练高并发场景下的计算单元利用率预测模型。数据经过筛选、清洗和特征工程，并划分为训练集、验证集和测试集，为高吞吐场景下的硬件资源优化与调度提供高质量训练数据。