CN103490956A - 基于业务量预测的自适应节能控制方法及设备、*** - Google Patents
基于业务量预测的自适应节能控制方法及设备、*** Download PDFInfo
- Publication number
- CN103490956A CN103490956A CN201310433553.1A CN201310433553A CN103490956A CN 103490956 A CN103490956 A CN 103490956A CN 201310433553 A CN201310433553 A CN 201310433553A CN 103490956 A CN103490956 A CN 103490956A
- Authority
- CN
- China
- Prior art keywords
- carrying capacity
- traffic carrying
- server cluster
- server
- traffic
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Images
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
一种基于业务量预测的自适应节能控制方法及设备、***,该方法包括:收集服务器集群各历史时间段的与业务量相关的各项指标;利用各历史时间段的与业务量相关的各项指标计算服务器集群各历史时间段的历史业务量;根据各历史时间段的历史业务量预测服务器集群下一时间段的业务量;利用下一时间段所属的日期分类对应的修正系数修正下一时间段的业务量,获得修正后的下一时间段的业务量;若历史最大业务量大于等于修正后的下一时间段的业务量,根据修正后的下一时间段的业务量调整服务器集群中运行的服务器数量和/或运行的服务器的工作状态;运行的服务器的工作状态不同时该运行的服务器处理的业务量不同。能够对服务器集群进行自适应节能控制。
Description
技术领域
本发明涉及服务器集群技术领域,尤其涉及一种基于业务量预测的自适应节能控制方法及设备、***。
背景技术
在云计算与大数据背景下,服务器集群的规模急剧增大,随之而来的服务器集群的能耗问题也日趋严重。在实际应用中,服务器的业务量在不同的时间,例如工作时间、周末、节假日会出现比较大的波动。其中,当业务量处于低谷时服务器的能耗很低,当业务量处于高峰时服务器的能耗很高。由于服务器集群通常部署在运营商,而运营商为了确保服务器集群对外提供的服务性能不受影响,通常会要求服务器集群中的服务器按照最大业务量运行,从而会造成很大的能耗。
发明内容
本发明实施例公开了一种基于业务量预测的自适应节能控制方法及设备、***,能够对服务器集群进行有效的自适应节能控制。
本发明实施例第一方面公开一种基于业务量预测的自适应节能控制方法,包括:
收集服务器集群各历史时间段的与业务量相关的各项指标;
利用所述服务器集群各历史时间段的与业务量相关的各项指标分别计算所述服务器集群各历史时间段的历史业务量;
根据所述服务器集群各历史时间段的历史业务量预测所述服务器集群下一时间段的业务量;
利用所述下一时间段所属的日期分类对应的修正系数对所述下一时间段的业务量进行修正,获得修正后的下一时间段的业务量;
比较计算出的历史最大业务量是否大于等于所述修正后的下一时间段的业务量,如果否,根据所述修正后的下一时间段的业务量调整所述服务器集群中运行的服务器数量和/或运行的服务器的工作状态;其中,所述运行的服务器的工作状态不同时所述运行的服务器的业务量不同。
在本发明实施例第一方面的第一种可能的实现方式中,所述根据所述修正后的下一时间段的业务量调整所述服务器集群中运行的服务器数量和/或运行的服务器的工作状态之后,所述方法还包括:
监控所述服务器集群中的每项业务的服务质量;
判断所述服务器集群中的每项业务的服务质量是否超出预设的承受范围,若未超出,则判断下一时间段的业务量是否大于所述历史最大业务量,若大于,则将所述历史最大业务量更新为所述下一时间段的业务量。
在本发明实施例第一方面的第二种可能的实现方式中,所述利用所述服务器集群各历史时间段的与业务量相关的各项指标分别计算所述服务器集群各历史时间段的历史业务量包括:
利用所述服务器集群各历史时间段的与业务量相关的各项指标,并结合层次分析法分别计算所述服务器集群各历史时间段的历史业务量。
结合本发明实施例第一方面或本发明实施例第一方面的第一种或第二种可能的实现方式,在本发明实施例第一方面的第三种可能的实现方式中,所述根据所述服务器集群各历史时间段的历史业务量预测所述服务器集群下一时间段的业务量包括:
将所述服务器集群各历史时间段的历史业务量作为输出量,并结合神经网络预测算法或灰色***预测算法预测所述服务器集群下一时间段的业务量。
结合本发明实施例第一方面的第三种可能的实现方式,在本发明实施例第一方面的第四种可能的实现方式中,所述根据所述修正后的下一时间段的业务量调整所述服务器集群中运行的服务器数量和/或运行的服务器的工作状态包括:
计算当前时刻下所述服务器集群中的每一类服务器内的每一个服务器的业务量,其中,所述每一个服务器的业务量等于所述服务器的最大允许业务量与当前时刻下所述服务器的工作状态对应的状态系数的乘积,所述服务器的工作状态对应的状态系数大于0,且小于等于1;其中,所述服务器的工作状态不同时,所述服务器的工作状态对应的状态系数不同;
根据当前时刻下所述服务器集群中的每一类服务器内的每一个服务器的业务量,计算当前时刻下所述服务器集群中的每一类服务器的业务量;
根据所述当前时刻下所述服务器集群中的每一类服务器的业务量,计算所述当前时刻下所述服务器集群的业务量;
计算所述当前时刻下所述服务器集群的业务量与所述修正后的下一时间段的业务量的差值;
根据所述差值调整所述服务器集群中运行的服务器数量和/或运行的服务器的工作状态。
结合本发明实施例第一方面的第四种可能的实现方式,在本发明实施例第一方面的第五种可能的实现方式中,所述与业务量相关的各项指标包括并发数、用户数以及页面浏览量。
本发明实施例第二方面公开一种基于业务量预测的自适应节能控制设备,包括:
收集单元,用于收集服务器集群各历史时间段的与业务量相关的各项指标;
统计单元,用于利用所述收集单元收集的所述服务器集群各历史时间段的与业务量相关的各项指标分别计算所述服务器集群各历史时间段的历史业务量;
预测单元,用于根据所述统计单元计算的所述服务器集群各历史时间段的历史业务量预测所述服务器集群下一时间段的业务量;
修正单元,用于利用所述下一时间段所属的日期分类对应的修正系数对所述预测单元预测的所述下一时间段的业务量进行修正,获得修正后的下一时间段的业务量;
比较单元,用于比较所述统计单元计算出的历史最大业务量是否大于等于所述修正单元获得的所述修正后的下一时间段的业务量;
调整单元,用于在所述比较单元的比较结果为否时,根据所述修正单元获得的所述修正后的下一时间段的业务量调整所述服务器集群中运行的服务器数量和/或运行的服务器的工作状态;其中,所述运行的服务器的工作状态不同时所述运行的服务器的业务量不同。
在本发明实施例第二方面的第一种可能的实现方式中,所述设备还包括:
监控单元,用于在所述调整单元调整所述服务器集群中运行的服务器数量和/或运行的服务器的工作状态之后,监控所述服务器集群中的每项业务的服务质量;
判断单元,用于判断所述服务器集群中的每项业务的服务质量是否超出预设的承受范围,若未超出,则判断下一时间段的业务量是否大于所述历史最大业务量;
更新单元,用于在所述判断单元判断出所述下一时间段的业务量大于所述历史最大业务量时,将所述历史最大业务量更新为所述下一时间段的业务量。
在本发明实施例第二方面的第二种可能的实现方式中,所述统计单元具体用于利用所述服务器集群各历史时间段的与业务量相关的各项指标,并结合层次分析法分别计算所述服务器集群各历史时间段的历史业务量。
结合本发明实施例第二方面或本发明实施例第二方面的第一种或第二种可能的实现方式,在本发明实施例第二方面的第三种可能的实现方式中,所述预测单元,具体用于将所述服务器集群各历史时间段的历史业务量作为输出量,并结合神经网络预测算法或灰色***预测算法预测所述服务器集群下一时间段的业务量。
结合本发明实施例第二方面的第三种可能的实现方式,在本发明实施例第二方面的第四种可能的实现方式中,所述调整单元包括:
第一计算子单元,用于在所述比较单元的比较结果为否时,计算当前时刻下所述服务器集群中的每一类服务器内的每一个服务器的业务量,其中,所述每一个服务器的业务量等于所述服务器的最大允许业务量与当前时刻下所述服务器的工作状态对应的状态系数的乘积,所述服务器的工作状态对应的状态系数大于0,且小于等于1;其中,所述服务器的工作状态不同时,所述服务器的工作状态对应的状态系数不同;
第二计算子单元,用于根据当前时刻下所述服务器集群中的每一类服务器内的每一个服务器的业务量,计算当前时刻下所述服务器集群中的每一类服务器的业务量;
第三计算子单元,用于根据所述当前时刻下所述服务器集群中的每一类服务器的业务量,计算所述当前时刻下所述服务器集群的业务量;
第四计算子单元,用于计算所述当前时刻下所述服务器集群的业务量与所述修正后的下一时间段的业务量的差值;
调整子单元,用于根据所述差值调整所述服务器集群中运行的服务器数量和/或运行的服务器的工作状态。
结合本发明实施例第二方面的第四种可能的实现方式,在本发明实施例第二方面的第五种可能的实现方式中,所述与业务量相关的各项指标包括并发数、用户数以及页面浏览量。
本发明实施例第三方面公开了一种服务器集群***,所述服务器集群***包括服务器集群以及本发明实施例第二方面公开的所述基于业务量预测的自适应节能控制设备,其中,所述基于业务量预测的自适应节能控制设备与所述服务器集群中的每一个服务器通信连接。
本发明实施例中,在计算服务器集群各历史时间段的历史业务量之后,可以根据服务器集群各历史时间段的历史业务量预测服务器集群下一时间段的业务量,并利用下一时间段所属的日期分类对应的修正系数对下一时间段的业务量进行修正,获得修正后的下一时间段的业务量,当计算出的历史最大业务量小于修正后的下一时间段的业务量时,可以根据修正后的下一时间段的业务量调整服务器集群中运行的服务器数量和/或运行的服务器的工作状态;其中,运行的服务器的工作状态不同时运行的服务器的业务量不同。可见,本发明实施例可以根据历史业务量对下一时间段的业务量进行预测,并用预测的业务量对服务器集群中运行的服务器数量和/或运行的服务器的工作状态进行调整,从而可以对服务器集群进行有效的自适应节能控制,达到节能的效果。
附图说明
为了更清楚地说明本发明实施例中的技术方案,下面将对实施例中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1是本发明实施例公开的一种基于业务量预测的自适应节能控制方法的流程示意图;
图2是本发明实施例公开的另一种基于业务量预测的自适应节能控制方法的流程示意图;
图3是本发明实施例公开的一种基于业务量预测的自适应节能控制设备的结构示意图;
图4是本发明实施例公开的另一种基于业务量预测的自适应节能控制设备的结构示意图;
图5是本发明实施例公开的另一种基于业务量预测的自适应节能控制设备的结构示意图;
图6是本发明实施例公开的一种服务器集群***的结构示意图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
本发明实施例公开了一种基于业务量预测的自适应节能控制方法及设备、***,能够对服务器集群进行有效的自适应节能控制。以下分别进行详细说明。
请参阅图1,图1是本发明实施例公开的一种基于业务量预测的自适应节能控制方法的流程示意图。如图1所示,该基于业务量预测的自适应节能控制方法可以包括以下步骤。
101、收集服务器集群各历史时间段的与业务量相关的各项指标。
本发明实施例中,可以由控制设备来收集服务器集群各历史时间段的与业务量相关的各项指标,其中,控制设备在物理实现上可以是控制器、服务器等设备或终端,本发明实施例不作限定。
本发明实施例中,与业务量相关的各项指标可以包括并发数、用户数以及页面浏览量(PageView,PV)。
102、利用服务器集群各历史时间段的与业务量相关的各项指标分别计算服务器集群各历史时间段的历史业务量。
本发明实施例中,可以由控制设备利用服务器集群各历史时间段的与业务量相关的各项指标,并结合层次分析法(不限于该方法)来分别计算服务器集群各历史时间段的历史业务量。
其中,层次分析法可以包括以下步骤:
1、建立递阶层次结构模型;
2、构造出各层次中的所有判断矩阵;
3、层次单排序及一致性检验;
4、层次总排序及一致性检验。
本发明实施例中,控制设备利用服务器集群各历史时间段的与业务量相关的各项指标,并结合层次分析法(不限于该方法)来分别计算服务器集群各历史时间段的历史业务量的具体过程是本领域技术人员所公知的常识,本发明实施例不作详细描述。
103、根据服务器集群各历史时间段的历史业务量预测服务器集群下一时间段的业务量。
本发明实施例中,控制设备可以将服务器集群各历史时间段的历史业务量作为输出量,并结合神经网络预测算法或灰色***预测算法(不限于这两种算法)来预测服务器集群下一时间段的业务量。
其中,业务量预测主要包括以下步骤:
1)计算阶段:以历史业务量作为输入,根据确定的预测方法(如神经网络预测算法或灰色***预测算法等不一一列举)进行计算,其中,不同的预测方法在计算方面有较大差异。
2)数据检验阶段:通常一次计算得到的预测业务量不一定准确,这时需要根据设定的校验规则对预测业务量进行检验,例如在神经网络中,数据检验就是一个反复学习,反复调整的过程,即需要根据检验情况反复调整模型。当预测业务量满足检验条件时,表明该模型较为匹配真实数据,可以使用该模型的预测业务量作为下一时间段的业务量。
3)更新历史业务量阶段:当获得下一时间段的业务量后,及时更新历史业务量。继续进行计算,数据检验,反复调整模型直到满足一定的精确度,预测下一时间段的业务量,更新历史业务量,如此循环往复。
在实际应用中,采用神经网络预测服务器集群下一时间段的业务量时,可以将历史业务量(D1,D2,…,Dk)作为输入向量输入神经网络的输入层神经元,输入层神经元的输出量输入神经网络的网络层神经元后,即可预测出下一时间段的业务量(D1’,D2’,…,Dk’)。
104、利用下一时间段所属的日期分类对应的修正系数对下一时间段的业务量进行修正,获得修正后的下一时间段的业务量。
本发明实施例中,控制设备预测出服务器集群下一时间段的业务量之后,可以利用下一时间段所属的日期分类对应的修正系数对下一时间段的业务量进行修正,获得修正后的下一时间段的业务量。举例来说,若下一时间段所属的日期分类为工作日,那么对应的修正系数可以为1.05;若下一时间段所属的日期分类为周末,那么对应的修正系数可以为1.1;若下一时间段所属的日期分类为节假日,那么对应的修正系数可以为1.2。
105、比较计算出的历史最大业务量是否大于等于修正后的下一时间段的业务量,如果否,根据修正后的下一时间段的业务量调整服务器集群中运行的服务器数量和/或运行的服务器的工作状态;其中,运行的服务器的工作状态不同时该运行的服务器处理的业务量不同。
本发明实施例中,控制设备可以根据修正后的下一时间段的业务量调整服务器集群中运行的服务器数量和/或运行的服务器的工作状态,具体包括以下步骤:
11)、计算当前时刻下服务器集群中的每一类服务器内的每一个服务器的业务量,其中,每一个服务器的业务量等于服务器的最大允许业务量与当前时刻下该服务器的工作状态对应的状态系数的乘积,该服务器的工作状态对应的状态系数大于0,且小于等于1;其中,该服务器的工作状态不同时,该服务器的工作状态对应的状态系数不同。
本发明实施例中,可以根据服务器的CPU、内存、IO等运行状态将服务器划分为S1、S2、S3等工作状态。
12)、根据当前时刻下服务器集群中的每一类服务器内的每一个服务器的业务量,计算当前时刻下服务器集群中的每一类服务器的业务量。
13)、根据当前时刻下服务器集群中的每一类服务器的业务量,计算当前时刻下服务器集群的业务量。
本发明实施例中,上述步骤11)~步骤13)的执行过程可以采用如下公式(1)来表示,即当前时刻下服务器集群的业务量Dreal为:
其中,N1表示第1类服务器的数量,N2表示第2类服务器的数量,……,Nn表示第n类服务器的数量;Data1表示第1类服务器的最大允许业务量,Data2表示第2类服务器的最大允许业务量,……,Datan表示第n类服务器的最大允许业务量;i表示每一类服务器中的第i个服务器,Si表示每一类服务器中的第i个服务器的工作状态对应的状态系数,其中,0<Si≤1。
14)、计算当前时刻下服务器集群的业务量与修正后的下一时间段的业务量的差值。
本发明实施例中,上述步骤14)中计算当前时刻下服务器集群的业务量与修正后的下一时间段的业务量的差值ΔD,即:
其中,D_pre(1+J_*)表示修正后的下一时间段的业务量,△N1~△N2表示需调整的服务器集群中的各类运行的服务器数量,ΔSi表示需调整的服务器集群中的各类运行的服务器的工作状态。
作为一种可选的实施方式,本发明实施例中,控制设备根据修正后的下一时间段的业务量调整服务器集群中运行的服务器数量和/或运行的服务器的工作状态之后,还可以执行以下步骤:
监控服务器集群中的每项业务的服务质量;
判断服务器集群中的每项业务的服务质量是否超出预设的承受范围,若未超出,则判断下一时间段的业务量是否大于历史最大业务量,若大于,则将历史最大业务量更新为下一时间段的业务量。
在图1所描述的方法中,控制设备可以根据历史业务量对下一时间段的业务量进行预测,并用预测的业务量对服务器集群中运行的服务器数量和/或运行的服务器的工作状态进行调整,从而可以对服务器集群进行有效的自适应节能控制,达到节能的效果。
请参阅图2,图2是本发明实施例公开的另一种基于业务量预测的自适应节能控制方法的流程示意图。如图2所示,该基于业务量预测的自适应节能控制方法可以包括以下步骤。
201、控制设备收集服务器集群各历史时间段的与业务量相关的各项指标。
其中,与业务量相关的各项指标可以包括并发数、用户数以及页面浏览量(PV)。
202、控制设备利用服务器集群各历史时间段的与业务量相关的各项指标分别计算服务器集群各历史时间段的历史业务量。
203、控制设备保存服务器集群各历史时间段的历史业务量,并确定历史最大业务量。
204、控制设备根据服务器集群各历史时间段的历史业务量预测服务器集群下一时间段的业务量。
205、控制设备利用下一时间段所属的日期分类对应的修正系数对下一时间段的业务量进行修正,获得修正后的下一时间段的业务量。
206、控制设备比较计算出的历史最大业务量是否大于等于修正后的下一时间段的业务量,如果否,执行步骤207;如果是,执行步骤213。
207、控制设备根据修正后的下一时间段的业务量调整服务器集群中运行的服务器数量和/或运行的服务器的工作状态,并执行步骤208。
其中,运行的服务器的工作状态不同时该运行的服务器的业务量不同。
208、控制设备根据修正后的下一时间段的业务量调整服务器集群中运行的服务器数量和/或运行的服务器的工作状态之后,进行业务迁移,并执行步骤209。
209、控制设备监控服务器集群中的每项业务的服务质量,并执行步骤210。
210、控制设备判断服务器集群中的每项业务的服务质量是否超出预设的承受范围,若超出,执行步骤211;若未超出,执行步骤217。
211、控制设备进一步调整服务器集群中运行的服务器数量和/或运行的服务器的工作状态,并执行步骤212。
212、控制设备判断服务器是否全速运行,如果否,则返回步骤209;如果是,执行步骤214。
本发明实施例中,服务器全速运行是指服务器最大允许业务量运行。
213、控制设备控制服务器全速运行,并执行步骤214。
214、控制设备监控服务器集群中的每项业务的服务质量,并执行步骤215。
215、控制设备判断服务器集群中的每项业务的服务质量是否超出预设的承受范围,若超出,执行步骤216;若未超出,执行步骤217。
216、控制设备告警需要增加运行的服务器数量。
217、控制设备判断下一时间段的业务量是否大于历史最大业务量,若小于等于,则保持历史最大业务量不变;若大于,将历史最大业务量更新为下一时间段的业务量,以继续预测另一个下一时间段的业务量。
在图2所描述的方法中,控制设备可以根据历史业务量对下一时间段的业务量进行预测,并用预测的业务量对服务器集群中运行的服务器数量和/或运行的服务器的工作状态进行调整,从而可以对服务器集群进行有效的自适应节能控制,达到节能的效果。
为了更好地理解本发明,下面进一步通过具体实施例来进行描述。
例子一:常规实施例
其中,预先设定以下条件:
1.设与业务量相关的各项指标为并发数、用户数以及PV。
2.设服务器集群中共有2类服务器,各类服务器的数量分别为1台和1台。
3.设第1、2类服务器的最大允许业务量分别为(100,150)。
4.设第1、2类服务器工作于S1、S2状态,对应的状态系数分别为1和0.9,而S3对应的状态系数为0.96。
5.设日期分类为工作日、周末和节假日,其中,工作日、周末和节假日对应的修正系数分别为1.05、1.1、1.2。
6.设服务器集群各历史时间段的与业务量相关的各项指标分别为:
用户数 | 并发数 | PV | |
历史时间段1 | 100 | 102 | 100 |
历史时间段2 | 200 | 202 | 210 |
历史时间段3 | 104 | 102 | 105 |
本发明实施例中,控制设备可以利用上述的服务器集群各历史时间段的与业务量相关的各项指标分别计算服务器集群各历史时间段的历史业务量为:
历史业务量 | |
历史时间段1 | 200 |
历史时间段2 | 230 |
历史时间段3 | 205 |
从上述的服务器集群各历史时间段的历史业务量可以看出,历史最大业务量为230,假设下一时间段所属的日期分类为周末,可以得出修正系数为1.1。
根据业务量预测算法预测下一时刻的业务量为210,那么利用下一时间段所属的日期分类对应的修正系数1.1对下一时间段的业务量210进行修正,获得修正后的下一时间段的业务量为231。
其中,修改后的下一时间段的业务量231小于历史最大业务量,需要调整运行的服务器数量和/或运行的服务器的工作状态。
具体地,可以根据公式(3)计算出当前时刻下服务器集群的业务量Dreal为:
其中,N1表示第1类服务器的数量,N2表示第2类服务器的数量,Data1表示第1类服务器的最大允许业务量100,,Data2表示第2类服务器的最大允许业务量150;i表示每一类服务器中的第i个服务器,Si表示每一类服务器中的第i个服务器的工作状态对应的状态系数,其中,0<Si≤1。
具体地,可以根据公式(4)计算当前时刻下服务器集群的业务量Dreal与修正后的下一时间段的业务量的差值ΔD,即:
根据差值ΔD可以得出,可以将最大允许业务量为100的第1类服务器的工作状态由S1调整为工作状态S3,从而可以对服务器集群进行有效的自适应节能控制,达到节能的效果。
进一步地,如果服务器集群中的每项业务的服务质量未超出预设的承受范围服务质量(比如服务延迟),则第1类服务器的工作状态修改成功。
进一步地,可以更新历史最大业务量,以继续预测下一时间段的业务量。
例子二:业务量增加实施例
假设上述例子一中,根据业务量预测算法预测下一时间段的业务量为220,那么修正后的下一时间段的业务量为242。相应地,后续的处理为:
1.下一时间段的业务量大于历史最大业务量,需要进行调整运行的服务器数量和/或运行的服务器的工作状态。
2.根据公式(3)计算出当前时刻下服务器集群的业务量Dreal为:
3.需要增加7(即242-235)的业务量,如果最大允许业务量为150的第2类服务器的工作状态变更为S3,那么服务器集群的下一时间段的业务量为100*1+150*0.96=244,能满足业务需求。
4.更新历史最大业务量。
请参阅图3,图3是本发明实施例公开的一种基于业务量预测的自适应节能控制设备的结构示意图。如图3所示,该基于业务量预测的自适应节能控制设备可以包括:
收集单元301,用于收集服务器集群各历史时间段的与业务量相关的各项指标;
统计单元302,用于利用收集单元301收集的服务器集群各历史时间段的与业务量相关的各项指标分别计算服务器集群各历史时间段的历史业务量;
预测单元303,用于根据统计单元302计算的服务器集群各历史时间段的历史业务量预测服务器集群下一时间段的业务量;
修正单元304,用于利用下一时间段所属的日期分类对应的修正系数对预测单元303预测的下一时间段的业务量进行修正,获得修正后的下一时间段的业务量;
比较单元305,用于比较统计单元302计算出的历史最大业务量是否大于等于修正单元304获得的修正后的下一时间段的业务量;
调整单元306,用于在比较单元305的比较结果为否时,根据修正单元304获得的修正后的下一时间段的业务量调整服务器集群中运行的服务器数量和/或运行的服务器的工作状态;其中,运行的服务器的工作状态不同时运行的服务器处理的业务量不同。
作为一种可选的实施方式,图3所示的控制设备还可以包括:
监控单元307,用于在调整单元306调整服务器集群中运行的服务器数量和/或运行的服务器的工作状态之后,监控服务器集群中的每项业务的服务质量;
判断单元308,用于判断服务器集群中的每项业务的服务质量是否超出预设的承受范围,若未超出,则判断下一时间段的业务量是否大于历史最大业务量;
更新单元309,用于在判断单元308判断出下一时间段的业务量大于历史最大业务量时,将统计单元302计算出的历史最大业务量更新为下一时间段的业务量。
在一个实施例中,统计单元303具体用于利用服务器集群各历史时间段的与业务量相关的各项指标,并结合层次分析法分别计算服务器集群各历史时间段的历史业务量。
在一个实施例中,预测单元303具体用于将服务器集群各历史时间段的历史业务量作为输出量,并结合神经网络预测算法或灰色***预测算法预测服务器集群下一时间段的业务量。
请参阅图4,图4是本发明实施例公开的另一种基于业务量预测的自适应节能控制设备的结构示意图。其中,图4所示的基于业务量预测的自适应节能控制设备是由图3所示的基于业务量预测的自适应节能控制设备进行优化得到。在图4所示的基于业务量预测的自适应节能控制设备中,调整单元306包括:
第一计算子单元3061,用于在比较单元305的比较结果为否时,计算当前时刻下服务器集群中的每一类服务器内的每一个服务器的业务量,其中,每一个服务器的业务量等于服务器的最大允许业务量与当前时刻下服务器的工作状态对应的状态系数的乘积,服务器的工作状态对应的状态系数大于0,且小于等于1;其中,服务器的工作状态不同时,服务器的工作状态对应的状态系数不同;
第二计算子单元3062,用于根据当前时刻下服务器集群中的每一类服务器内的每一个服务器的业务量,计算当前时刻下服务器集群中的每一类服务器的业务量;
第三计算子单元3063,用于根据当前时刻下服务器集群中的每一类服务器的业务量,计算当前时刻下服务器集群的业务量;
第四计算子单元3064,用于计算当前时刻下服务器集群的业务量与修正后的下一时间段的业务量的差值;
调整子单元3065,用于根据该差值调整服务器集群中运行的服务器数量和/或运行的服务器的工作状态。
本发明实施例中,与业务量相关的各项指标包括并发数、用户数以及页面浏览量。
本发明实施例中,图3、图4所示的控制设备可以根据历史业务量对下一时间段的业务量进行预测,并用预测的业务量对服务器集群中运行的服务器数量和/或运行的服务器的工作状态进行调整,从而可以对服务器集群进行有效的自适应节能控制,达到节能的效果。
请参阅图5,图5是本发明实施例公开的另一种基于业务量预测的自适应节能控制设备的结构示意图。如图5所示,该基于业务量预测的自适应节能控制设备可以包括:
处理器501、存储器502、用户接口503以及网络接口504,其中,处理器501、存储器502、用户接口503以及网络接口504通过总线互联,其中,用户接口503通过与服务器集群中的各个服务器进行通信连接,网络接口504用于与服务器集群外的其他设备进行通信连接,其中:
存储器502,用于存储程序指令;
处理器501,用于调用存储器502存储的程序指令,并执行以下操作:
收集服务器集群各历史时间段的与业务量相关的各项指标;
利用服务器集群各历史时间段的与业务量相关的各项指标分别计算服务器集群各历史时间段的历史业务量;
根据服务器集群各历史时间段的历史业务量预测服务器集群下一时间段的业务量;
利用下一时间段所属的日期分类对应的修正系数对下一时间段的业务量进行修正,获得修正后的下一时间段的业务量;
比较计算出的历史最大业务量是否大于等于修正后的下一时间段的业务量,如果否,根据修正后的下一时间段的业务量调整服务器集群中运行的服务器数量和/或运行的服务器的工作状态;其中,运行的服务器的工作状态不同时该运行的服务器处理的业务量不同。
作为一种可选的实施方式,处理器501根据修正后的下一时间段的业务量调整服务器集群中运行的服务器数量和/或运行的服务器的工作状态之后,还执行以下操作:
监控服务器集群中的每项业务的服务质量;
判断服务器集群中的每项业务的服务质量是否超出预设的承受范围,若未超出,则判断下一时间段的业务量是否大于历史最大业务量,若大于,则将历史最大业务量更新为下一时间段的业务量。
作为一种可选的实施方式,处理器501利用服务器集群各历史时间段的与业务量相关的各项指标分别计算所述服务器集群各历史时间段的历史业务量包括:
利用服务器集群各历史时间段的与业务量相关的各项指标,并结合层次分析法分别计算服务器集群各历史时间段的历史业务量。
作为一种可选的实施方式,处理器501根据服务器集群各历史时间段的历史业务量预测服务器集群下一时间段的业务量包括:
将服务器集群各历史时间段的历史业务量作为输出量,并结合神经网络预测算法或灰色***预测算法预测服务器集群下一时间段的业务量。
作为一种可选的实施方式,处理器501根据修正后的下一时间段的业务量调整服务器集群中运行的服务器数量和/或运行的服务器的工作状态包括:
计算当前时刻下服务器集群中的每一类服务器内的每一个服务器的业务量,其中,每一个服务器的业务量等于该服务器的最大允许业务量与当前时刻下该服务器的工作状态对应的状态系数的乘积,该服务器的工作状态对应的状态系数大于0,且小于等于1;其中,该服务器的工作状态不同时,该服务器的工作状态对应的状态系数不同;
根据当前时刻下服务器集群中的每一类服务器内的每一个服务器的业务量,计算当前时刻下服务器集群中的每一类服务器的业务量;
根据当前时刻下服务器集群中的每一类服务器的业务量,计算当前时刻下服务器集群的业务量;
计算当前时刻下服务器集群的业务量与修正后的下一时间段的业务量的差值;
根据差值调整服务器集群中运行的服务器数量和/或运行的服务器的工作状态。
本发明实施例中,与业务量相关的各项指标包括并发数、用户数以及页面浏览量。
本发明实施例中,图5所示的控制设备可以根据历史业务量对下一时间段的业务量进行预测,并用预测的业务量对服务器集群中运行的服务器数量和/或运行的服务器的工作状态进行调整,从而可以对服务器集群进行有效的自适应节能控制,达到节能的效果。
请参阅图6,图6是本发明实施例公开的一种服务器集群***的结构示意图。如图6所示,该服务器集群***包括服务器集群601以及基于业务量预测的自适应节能控制设备602,其中,基于业务量预测的自适应节能控制设备602与服务器集群601中的每一个服务器通信连接。本发明实施例中,基于业务量预测的自适应节能控制设备602的结构、功能与图3、图4所描述的基于业务量预测的自适应节能控制设备的结构、功能相同,本发明实施例不作复述。本发明实施例中,服务器集群601中的服务器类型可以为多种,且每一种类型的服务器数量不限。本发明实施例中,该服务器集群***可以根据历史业务量对下一时间段的业务量进行预测,并用预测的业务量对服务器集群中运行的服务器数量和/或运行的服务器的工作状态进行调整,从而可以对服务器集群进行有效的自适应节能控制,达到节能的效果。
本发明实施例公开的基于业务量预测的自适应节能控制方法及设备、***能够通过预测业务量的方式对服务器集群***中的服务器进行动态调整,从而节省能源。
本发明实施例公开的基于业务量预测的自适应节能控制方法及设备、***适合搜索、邮箱、门户、网游、网络视频、memcache、web cache等有前端应用场景(这些前端不存储关键数据)或分布式***,而且服务器规模越大价值越大。
本领域普通技术人员可以理解上述实施例的各种方法中的全部或部分步骤是可以通过程序来指令相关的硬件来完成,该程序可以存储于一计算机可读存储介质中,存储介质可以包括:闪存盘、只读存储器(Read-Only Memory,ROM)、随机存取器(Random Access Memory,RAM)、磁盘或光盘等。
以上对本发明实施例公开的一种基于业务量预测的自适应节能控制方法及设备、***进行了详细介绍,本文中应用了具体个例对本发明的原理及实施方式进行了阐述,以上实施例的说明只是用于帮助理解本发明的方法及其核心思想;同时,对于本领域的一般技术人员,依据本发明的思想,在具体实施方式及应用范围上均会有改变之处,综上所述,本说明书内容不应理解为对本发明的限制。
Claims (13)
1.一种基于业务量预测的自适应节能控制方法,其特征在于,包括:
收集服务器集群各历史时间段的与业务量相关的各项指标;
利用所述服务器集群各历史时间段的与业务量相关的各项指标分别计算所述服务器集群各历史时间段的历史业务量;
根据所述服务器集群各历史时间段的历史业务量预测所述服务器集群下一时间段的业务量;
利用所述下一时间段所属的日期分类对应的修正系数对所述下一时间段的业务量进行修正,获得修正后的下一时间段的业务量;
比较计算出的历史最大业务量是否大于等于所述修正后的下一时间段的业务量,如果否,根据所述修正后的下一时间段的业务量调整所述服务器集群中运行的服务器数量和/或运行的服务器的工作状态;其中,所述运行的服务器的工作状态不同时所述运行的服务器处理的业务量不同。
2.根据权利要求1所述的方法,其特征在于,所述根据所述修正后的下一时间段的业务量调整所述服务器集群中运行的服务器数量和/或运行的服务器的工作状态之后,所述方法还包括:
监控所述服务器集群中的每项业务的服务质量;
判断所述服务器集群中的每项业务的服务质量是否超出预设的承受范围,若未超出,则判断下一时间段的业务量是否大于所述历史最大业务量,若大于,则将所述历史最大业务量更新为所述下一时间段的业务量。
3.根据权利要求1所述的方法,其特征在于,所述利用所述服务器集群各历史时间段的与业务量相关的各项指标分别计算所述服务器集群各历史时间段的历史业务量包括:
利用所述服务器集群各历史时间段的与业务量相关的各项指标,并结合层次分析法分别计算所述服务器集群各历史时间段的历史业务量。
4.根据权利要求1~3任一项所述的方法,其特征在于,所述根据所述服务器集群各历史时间段的历史业务量预测所述服务器集群下一时间段的业务量包括:
将所述服务器集群各历史时间段的历史业务量作为输出量,并结合神经网络预测算法或灰色***预测算法预测所述服务器集群下一时间段的业务量。
5.根据权利要求4所述的方法,其特征在于,所述根据所述修正后的下一时间段的业务量调整所述服务器集群中运行的服务器数量和/或运行的服务器的工作状态包括:
计算当前时刻下所述服务器集群中的每一类服务器内的每一个服务器的业务量,其中,所述每一个服务器的业务量等于所述服务器的最大允许业务量与当前时刻下所述服务器的工作状态对应的状态系数的乘积,所述服务器的工作状态对应的状态系数大于0,且小于等于1;其中,所述服务器的工作状态不同时,所述服务器的工作状态对应的状态系数不同;
根据当前时刻下所述服务器集群中的每一类服务器内的每一个服务器的业务量,计算当前时刻下所述服务器集群中的每一类服务器的业务量;
根据所述当前时刻下所述服务器集群中的每一类服务器的业务量,计算所述当前时刻下所述服务器集群的业务量;
计算所述当前时刻下所述服务器集群的业务量与所述修正后的下一时间段的业务量的差值;
根据所述差值调整所述服务器集群中运行的服务器数量和/或运行的服务器的工作状态。
6.根据权利要求5所述的方法,其特征在于,所述与业务量相关的各项指标包括并发数、用户数以及页面浏览量。
7.一种基于业务量预测的自适应节能控制设备,其特征在于,包括:
收集单元,用于收集服务器集群各历史时间段的与业务量相关的各项指标;
统计单元,用于利用所述收集单元收集的所述服务器集群各历史时间段的与业务量相关的各项指标分别计算所述服务器集群各历史时间段的历史业务量;
预测单元,用于根据所述统计单元计算的所述服务器集群各历史时间段的历史业务量预测所述服务器集群下一时间段的业务量;
修正单元,用于利用所述下一时间段所属的日期分类对应的修正系数对所述预测单元预测的所述下一时间段的业务量进行修正,获得修正后的下一时间段的业务量;
比较单元,用于比较所述统计单元计算出的历史最大业务量是否大于等于所述修正单元获得的所述修正后的下一时间段的业务量;
调整单元,用于在所述比较单元的比较结果为否时,根据所述修正单元获得的所述修正后的下一时间段的业务量调整所述服务器集群中运行的服务器数量和/或运行的服务器的工作状态;其中,所述运行的服务器的工作状态不同时所述运行的服务器处理的业务量不同。
8.根据权利要求7所述的设备,其特征在于,所述设备还包括:
监控单元,用于在所述调整单元调整所述服务器集群中运行的服务器数量和/或运行的服务器的工作状态之后,监控所述服务器集群中的每项业务的服务质量;
判断单元,用于判断所述服务器集群中的每项业务的服务质量是否超出预设的承受范围,若未超出,则判断下一时间段的业务量是否大于所述历史最大业务量;
更新单元,用于在所述判断单元判断出所述下一时间段的业务量大于所述历史最大业务量时,将所述历史最大业务量更新为所述下一时间段的业务量。
9.根据权利要求7所述的设备,其特征在于,
所述统计单元具体用于利用所述服务器集群各历史时间段的与业务量相关的各项指标,并结合层次分析法分别计算所述服务器集群各历史时间段的历史业务量。
10.根据权利要求7~9任一项所述的设备,其特征在于,
所述预测单元,具体用于将所述服务器集群各历史时间段的历史业务量作为输出量,并结合神经网络预测算法或灰色***预测算法预测所述服务器集群下一时间段的业务量。
11.根据权利要求10所述的设备,其特征在于,所述调整单元包括:
第一计算子单元,用于在所述比较单元的比较结果为否时,计算当前时刻下所述服务器集群中的每一类服务器内的每一个服务器的业务量,其中,所述每一个服务器的业务量等于所述服务器的最大允许业务量与当前时刻下所述服务器的工作状态对应的状态系数的乘积,所述服务器的工作状态对应的状态系数大于0,且小于等于1;其中,所述服务器的工作状态不同时,所述服务器的工作状态对应的状态系数不同;
第二计算子单元,用于根据当前时刻下所述服务器集群中的每一类服务器内的每一个服务器的业务量,计算当前时刻下所述服务器集群中的每一类服务器的业务量;
第三计算子单元,用于根据所述当前时刻下所述服务器集群中的每一类服务器的业务量,计算所述当前时刻下所述服务器集群的业务量;
第四计算子单元,用于计算所述当前时刻下所述服务器集群的业务量与所述修正后的下一时间段的业务量的差值;
调整子单元,用于根据所述差值调整所述服务器集群中运行的服务器数量和/或运行的服务器的工作状态。
12.根据权利要求11所述的设备,其特征在于,所述与业务量相关的各项指标包括并发数、用户数以及页面浏览量。
13.一种服务器集群***,其特征在于,所述服务器集群***包括服务器集群以及权利要求7~12任一项所述的基于业务量预测的自适应节能控制设备,其中,所述基于业务量预测的自适应节能控制设备与所述服务器集群中的每一个服务器通信连接。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201310433553.1A CN103490956A (zh) | 2013-09-22 | 2013-09-22 | 基于业务量预测的自适应节能控制方法及设备、*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201310433553.1A CN103490956A (zh) | 2013-09-22 | 2013-09-22 | 基于业务量预测的自适应节能控制方法及设备、*** |
Publications (1)
Publication Number | Publication Date |
---|---|
CN103490956A true CN103490956A (zh) | 2014-01-01 |
Family
ID=49830929
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201310433553.1A Pending CN103490956A (zh) | 2013-09-22 | 2013-09-22 | 基于业务量预测的自适应节能控制方法及设备、*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN103490956A (zh) |
Cited By (30)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104158911A (zh) * | 2014-09-01 | 2014-11-19 | 青岛海信电器股份有限公司 | 一种面向服务器集群的控制方法及*** |
CN104244436A (zh) * | 2014-09-29 | 2014-12-24 | 中国联合网络通信集团有限公司 | 一种网络设备的调整方法及装置 |
CN105138691A (zh) * | 2015-09-18 | 2015-12-09 | 北京百度网讯科技有限公司 | 分析用户业务量的方法和*** |
CN105227676A (zh) * | 2015-10-20 | 2016-01-06 | 珠海许继芝电网自动化有限公司 | 一种配电终端数据采集的方法 |
CN105426978A (zh) * | 2014-09-04 | 2016-03-23 | 中兴通讯股份有限公司 | 一种业务并发性预测方法与预测*** |
CN105808347A (zh) * | 2014-12-31 | 2016-07-27 | 北京神州泰岳软件股份有限公司 | 集群服务器部署计算方法及装置 |
CN106126339A (zh) * | 2016-06-21 | 2016-11-16 | 青岛海信传媒网络技术有限公司 | 资源调整方法和装置 |
CN106549772A (zh) * | 2015-09-16 | 2017-03-29 | 华为技术有限公司 | 资源预测方法、***和容量管理装置 |
WO2017084385A1 (zh) * | 2015-11-16 | 2017-05-26 | 广州广电运通金融电子股份有限公司 | 一种自助设备节能控制方法和装置 |
CN106803815A (zh) * | 2015-11-26 | 2017-06-06 | 阿里巴巴集团控股有限公司 | 一种流量控制方法和装置 |
CN107046505A (zh) * | 2016-02-05 | 2017-08-15 | 华为技术有限公司 | 一种业务控制方法以及业务控制装置 |
CN107092973A (zh) * | 2016-11-25 | 2017-08-25 | 口碑控股有限公司 | 一种业务量的预测方法及装置 |
CN107093096A (zh) * | 2016-12-15 | 2017-08-25 | 口碑控股有限公司 | 一种业务量预测方法及装置 |
CN107222540A (zh) * | 2017-06-06 | 2017-09-29 | 国家计算机网络与信息安全管理中心 | 一种基于负反馈的服务器集群分组调度方法 |
WO2017167041A1 (zh) * | 2016-04-01 | 2017-10-05 | 阿里巴巴集团控股有限公司 | 业务预测数据校正的方法和装置 |
CN107301570A (zh) * | 2017-07-13 | 2017-10-27 | 北京小度信息科技有限公司 | 业务量预测方法、异常业务量检测方法、装置和电子设备 |
CN107608788A (zh) * | 2017-08-29 | 2018-01-19 | 北京三快在线科技有限公司 | 一种控制方法、装置及设备 |
CN107743138A (zh) * | 2017-07-24 | 2018-02-27 | 上海壹账通金融科技有限公司 | 推送服务器分配方法、装置、计算机设备和存储介质 |
WO2018119568A1 (en) * | 2016-12-26 | 2018-07-05 | Morgan Stanley Services Group Inc. | Predictive asset optimization for computer resources |
WO2018191844A1 (zh) * | 2017-04-17 | 2018-10-25 | 深圳市沃信科技有限公司 | 一种交易回放***及方法 |
CN109413121A (zh) * | 2017-08-16 | 2019-03-01 | 中兴通讯股份有限公司 | 一种服务器集群的控制方法及装置 |
CN110109800A (zh) * | 2019-04-10 | 2019-08-09 | 网宿科技股份有限公司 | 一种服务器集群***的管理方法及装置 |
WO2019174410A1 (zh) * | 2018-03-16 | 2019-09-19 | 阿里巴巴集团控股有限公司 | 一种业务发生量的预测方法、装置及设备 |
CN110928748A (zh) * | 2019-12-04 | 2020-03-27 | 中国银行股份有限公司 | 业务***运行监测方法及装置 |
CN111352639A (zh) * | 2019-12-16 | 2020-06-30 | 深圳市智微智能软件开发有限公司 | 售后***升级方法及*** |
CN112350952A (zh) * | 2020-10-28 | 2021-02-09 | 武汉绿色网络信息服务有限责任公司 | 控制器分配方法、网络业务*** |
CN112512057A (zh) * | 2019-09-16 | 2021-03-16 | ***通信集团河北有限公司 | 网络切片异常识别方法、装置、设备及计算机存储介质 |
CN112866129A (zh) * | 2021-03-31 | 2021-05-28 | 中国工商银行股份有限公司 | 根据时效标志自动调节间隔的组包方法、装置及*** |
CN112887219A (zh) * | 2021-03-31 | 2021-06-01 | 中国工商银行股份有限公司 | 报文组包间隔调整方法及装置 |
CN113703974A (zh) * | 2021-08-27 | 2021-11-26 | 深圳前海微众银行股份有限公司 | 一种预测服务器容量的方法及装置 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101695050A (zh) * | 2009-10-19 | 2010-04-14 | 浪潮电子信息产业股份有限公司 | 一种基于网络流量自适应预测的动态负载均衡方法 |
US20100218005A1 (en) * | 2009-02-23 | 2010-08-26 | Microsoft Corporation | Energy-aware server management |
CN101820384A (zh) * | 2010-02-05 | 2010-09-01 | 浪潮(北京)电子信息产业有限公司 | 一种集群服务动态分配方法及装置 |
-
2013
- 2013-09-22 CN CN201310433553.1A patent/CN103490956A/zh active Pending
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20100218005A1 (en) * | 2009-02-23 | 2010-08-26 | Microsoft Corporation | Energy-aware server management |
CN101695050A (zh) * | 2009-10-19 | 2010-04-14 | 浪潮电子信息产业股份有限公司 | 一种基于网络流量自适应预测的动态负载均衡方法 |
CN101820384A (zh) * | 2010-02-05 | 2010-09-01 | 浪潮(北京)电子信息产业有限公司 | 一种集群服务动态分配方法及装置 |
Cited By (51)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104158911A (zh) * | 2014-09-01 | 2014-11-19 | 青岛海信电器股份有限公司 | 一种面向服务器集群的控制方法及*** |
CN105426978A (zh) * | 2014-09-04 | 2016-03-23 | 中兴通讯股份有限公司 | 一种业务并发性预测方法与预测*** |
CN104244436A (zh) * | 2014-09-29 | 2014-12-24 | 中国联合网络通信集团有限公司 | 一种网络设备的调整方法及装置 |
CN104244436B (zh) * | 2014-09-29 | 2018-09-18 | 中国联合网络通信集团有限公司 | 一种网络设备的调整方法及装置 |
CN105808347A (zh) * | 2014-12-31 | 2016-07-27 | 北京神州泰岳软件股份有限公司 | 集群服务器部署计算方法及装置 |
CN105808347B (zh) * | 2014-12-31 | 2018-11-09 | 北京神州泰岳软件股份有限公司 | 集群服务器部署计算方法及装置 |
CN106549772B (zh) * | 2015-09-16 | 2019-11-19 | 华为技术有限公司 | 资源预测方法、***和容量管理装置 |
CN106549772A (zh) * | 2015-09-16 | 2017-03-29 | 华为技术有限公司 | 资源预测方法、***和容量管理装置 |
CN105138691A (zh) * | 2015-09-18 | 2015-12-09 | 北京百度网讯科技有限公司 | 分析用户业务量的方法和*** |
CN105138691B (zh) * | 2015-09-18 | 2018-10-02 | 北京百度网讯科技有限公司 | 分析用户业务量的方法和*** |
CN105227676A (zh) * | 2015-10-20 | 2016-01-06 | 珠海许继芝电网自动化有限公司 | 一种配电终端数据采集的方法 |
US10394302B2 (en) | 2015-11-16 | 2019-08-27 | Grg Banking Equipment Co., Ltd. | Self-service equipment energy saving control method and device |
WO2017084385A1 (zh) * | 2015-11-16 | 2017-05-26 | 广州广电运通金融电子股份有限公司 | 一种自助设备节能控制方法和装置 |
CN106803815A (zh) * | 2015-11-26 | 2017-06-06 | 阿里巴巴集团控股有限公司 | 一种流量控制方法和装置 |
CN106803815B (zh) * | 2015-11-26 | 2020-03-24 | 阿里巴巴集团控股有限公司 | 一种流量控制方法和装置 |
CN107046505B (zh) * | 2016-02-05 | 2020-01-03 | 华为技术有限公司 | 一种业务控制方法以及业务控制装置 |
US10776176B2 (en) | 2016-02-05 | 2020-09-15 | Huawei Technologies Co., Ltd. | Service control method and service control apparatus |
CN107046505A (zh) * | 2016-02-05 | 2017-08-15 | 华为技术有限公司 | 一种业务控制方法以及业务控制装置 |
WO2017167041A1 (zh) * | 2016-04-01 | 2017-10-05 | 阿里巴巴集团控股有限公司 | 业务预测数据校正的方法和装置 |
CN106126339B (zh) * | 2016-06-21 | 2019-07-30 | 青岛海信传媒网络技术有限公司 | 资源调整方法和装置 |
CN106126339A (zh) * | 2016-06-21 | 2016-11-16 | 青岛海信传媒网络技术有限公司 | 资源调整方法和装置 |
CN108921333B (zh) * | 2016-11-25 | 2021-04-27 | 口碑(上海)信息技术有限公司 | 一种业务量的预测方法及装置 |
US11443251B2 (en) | 2016-11-25 | 2022-09-13 | Koubei Holding Limited | Method and device for predicting traffic |
CN107092973A (zh) * | 2016-11-25 | 2017-08-25 | 口碑控股有限公司 | 一种业务量的预测方法及装置 |
CN108921333A (zh) * | 2016-11-25 | 2018-11-30 | 口碑(上海)信息技术有限公司 | 一种业务量的预测方法及装置 |
CN107093096A (zh) * | 2016-12-15 | 2017-08-25 | 口碑控股有限公司 | 一种业务量预测方法及装置 |
CN107093096B (zh) * | 2016-12-15 | 2022-03-25 | 口碑(上海)信息技术有限公司 | 一种业务量预测方法及装置 |
US11481653B2 (en) | 2016-12-26 | 2022-10-25 | Morgan Stanley Services Group Inc. | Predictive asset optimization for computer resources |
WO2018119568A1 (en) * | 2016-12-26 | 2018-07-05 | Morgan Stanley Services Group Inc. | Predictive asset optimization for computer resources |
US11113612B2 (en) | 2016-12-26 | 2021-09-07 | Morgan Stanley Services Group Inc. | Predictive asset optimization for computer resources |
WO2018191844A1 (zh) * | 2017-04-17 | 2018-10-25 | 深圳市沃信科技有限公司 | 一种交易回放***及方法 |
CN107222540B (zh) * | 2017-06-06 | 2020-11-20 | 国家计算机网络与信息安全管理中心 | 一种基于负反馈的服务器集群分组调度方法 |
CN107222540A (zh) * | 2017-06-06 | 2017-09-29 | 国家计算机网络与信息安全管理中心 | 一种基于负反馈的服务器集群分组调度方法 |
CN107301570A (zh) * | 2017-07-13 | 2017-10-27 | 北京小度信息科技有限公司 | 业务量预测方法、异常业务量检测方法、装置和电子设备 |
CN107301570B (zh) * | 2017-07-13 | 2021-01-26 | 北京星选科技有限公司 | 业务量预测方法、异常业务量检测方法、装置和电子设备 |
CN107743138A (zh) * | 2017-07-24 | 2018-02-27 | 上海壹账通金融科技有限公司 | 推送服务器分配方法、装置、计算机设备和存储介质 |
CN109413121A (zh) * | 2017-08-16 | 2019-03-01 | 中兴通讯股份有限公司 | 一种服务器集群的控制方法及装置 |
CN107608788A (zh) * | 2017-08-29 | 2018-01-19 | 北京三快在线科技有限公司 | 一种控制方法、装置及设备 |
CN107608788B (zh) * | 2017-08-29 | 2020-08-07 | 北京三快在线科技有限公司 | 一种控制方法、装置及设备 |
WO2019174410A1 (zh) * | 2018-03-16 | 2019-09-19 | 阿里巴巴集团控股有限公司 | 一种业务发生量的预测方法、装置及设备 |
CN110109800A (zh) * | 2019-04-10 | 2019-08-09 | 网宿科技股份有限公司 | 一种服务器集群***的管理方法及装置 |
CN112512057A (zh) * | 2019-09-16 | 2021-03-16 | ***通信集团河北有限公司 | 网络切片异常识别方法、装置、设备及计算机存储介质 |
CN112512057B (zh) * | 2019-09-16 | 2023-02-10 | ***通信集团河北有限公司 | 网络切片异常识别方法、装置、设备及计算机存储介质 |
CN110928748B (zh) * | 2019-12-04 | 2024-04-26 | 中国银行股份有限公司 | 业务***运行监测方法及装置 |
CN110928748A (zh) * | 2019-12-04 | 2020-03-27 | 中国银行股份有限公司 | 业务***运行监测方法及装置 |
CN111352639A (zh) * | 2019-12-16 | 2020-06-30 | 深圳市智微智能软件开发有限公司 | 售后***升级方法及*** |
CN112350952A (zh) * | 2020-10-28 | 2021-02-09 | 武汉绿色网络信息服务有限责任公司 | 控制器分配方法、网络业务*** |
CN112887219A (zh) * | 2021-03-31 | 2021-06-01 | 中国工商银行股份有限公司 | 报文组包间隔调整方法及装置 |
CN112866129A (zh) * | 2021-03-31 | 2021-05-28 | 中国工商银行股份有限公司 | 根据时效标志自动调节间隔的组包方法、装置及*** |
CN113703974A (zh) * | 2021-08-27 | 2021-11-26 | 深圳前海微众银行股份有限公司 | 一种预测服务器容量的方法及装置 |
WO2023024679A1 (zh) * | 2021-08-27 | 2023-03-02 | 深圳前海微众银行股份有限公司 | 一种预测服务器容量的方法及装置 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN103490956A (zh) | 基于业务量预测的自适应节能控制方法及设备、*** | |
US20190265768A1 (en) | Method, system and storage medium for predicting power load probability density based on deep learning | |
JP6756048B2 (ja) | コンピュータリソースのための予測的資産最適化 | |
CN103036974B (zh) | 基于隐马尔可夫模型的云计算资源调度方法和*** | |
CN102111337B (zh) | 任务调度方法和*** | |
CN110289994B (zh) | 一种集群容量调整方法及装置 | |
CN105760213B (zh) | 云环境下虚拟机资源利用率的预警***及方法 | |
CN111427750B (zh) | 一种计算机平台的gpu功耗估计方法、***及介质 | |
CN105160444A (zh) | 电力设备故障率确定方法及*** | |
CN111949631B (zh) | 一种确定数据库的配置参数的方法及装置 | |
CN105677489B (zh) | 离散流处理模型下批次间隔大小的动态设置***及方法 | |
CN109543890B (zh) | 基于负载预测均衡的电网费控优化调度方法、装置及*** | |
CN106933649A (zh) | 基于移动平均和神经网络的虚拟机负载预测方法及*** | |
CN107046505B (zh) | 一种业务控制方法以及业务控制装置 | |
CN113039506A (zh) | 基于因果学习的数据中心基础结构优化方法 | |
CN114500578B (zh) | 分布式存储***负载均衡调度方法、装置及存储介质 | |
CN115238599B (zh) | 制冷***节能方法及模型强化学习训练方法、装置 | |
CN112272074A (zh) | 一种基于神经网络的信息传输速率控制方法及*** | |
CN103984588B (zh) | 一种基于温度的虚拟机迁移方法及其*** | |
CN109756372B (zh) | 一种电信计费***的弹性伸缩方法及装置 | |
CN104991443A (zh) | 一种基于自适应论域划分的模糊控制方法 | |
CN113821903A (zh) | 温度控制方法和设备、模块化数据中心及存储介质 | |
CN103209417A (zh) | 基于神经网络的频谱占用状态的预测方法以及装置 | |
CN110705756B (zh) | 一种基于输入凸神经网络的电力能耗优化控制方法 | |
CN108011366B (zh) | 一种配电网可控资源协调优化控制方法和装置 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20140101 |