CN104182278B - 一种判定计算机硬件资源繁忙程度的方法和装置 - Google Patents
一种判定计算机硬件资源繁忙程度的方法和装置 Download PDFInfo
- Publication number
- CN104182278B CN104182278B CN201310196167.5A CN201310196167A CN104182278B CN 104182278 B CN104182278 B CN 104182278B CN 201310196167 A CN201310196167 A CN 201310196167A CN 104182278 B CN104182278 B CN 104182278B
- Authority
- CN
- China
- Prior art keywords
- resource
- value
- computer hardware
- resource utilization
- hardware resource
- 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.)
- Active
Links
Landscapes
- Debugging And Monitoring (AREA)
Abstract
本发明实施例涉及计算机技术领域，特别涉及一种判定计算机硬件资源繁忙程度的方法和装置，用以实现判定计算机硬件资源繁忙程度。本发明实施例提供的判定计算机硬件资源繁忙程度的方法，包括：在当前采样时间段内，对待确定资源繁忙程度的计算机硬件资源的利用率值进行多次采样；根据采样得到的多个资源利用率值，确定用于表征计算机硬件资源繁忙程度的基于极值的资源利用率值；根据确定的基于极值的资源利用率值，判断在当前采样时间段内计算机硬件资源的繁忙程度。本发明实施例实现了判定计算机硬件资源繁忙程度。
Description
技术领域
本发明涉及计算机技术领域，特别涉及一种判定计算机硬件资源繁忙程度的方法和装置。
背景技术
如图1所示，计算机***包括硬件、应用软件和OS（Operation System，操作***），OS用于管理计算机***的资源，其中硬件资源主要包括CPU（Central Processing Unit，中央处理器）资源、内存资源和IO（Input-Output，输入输出）资源。
计算机***的运行状态包括繁忙状态和空闲状态。在计算机***的运行状态为繁忙状态时，计算机***包含的一种或多种硬件资源繁忙，OS可能无法正常管理计算机***的资源，需要对计算机***进行处理；在计算机***的运行状态为空闲状态时，计算机***包含的一种或多种硬件资源空闲，计算机***的资源可能存在浪费，需要对计算机***进行处理，因而可以根据计算机***包含的硬件资源的繁忙程度，确定计算机***的运行状态，从而确定是否需要对计算机***进行处理。而目前还没有一种判定计算机硬件资源繁忙程度的具体方法。
综上所述，目前还没有一种判定计算机硬件资源繁忙程度的具体方法。
发明内容
本发明实施例提供了一种判定计算机硬件资源繁忙程度的方法和装置，以实现判定计算机硬件资源繁忙程度。
第一方面，提供一种判定计算机硬件资源繁忙程度的方法，包括：
在当前采样时间段内，对待确定资源繁忙程度的计算机硬件资源的利用率值进行多多次采样；
根据采样得到的多个资源利用率值，确定用于表征所述计算机硬件资源繁忙程度的基于极值的资源利用率值；
根据确定的基于极值的资源利用率值，判断在当前采样时间段内所述计算机硬件资源的繁忙程度。
结合第一方面，在第一种可能的实现方式中，确定用于表征所述计算机硬件资源繁忙程度的基于极值的资源利用率值，包括：
在采样得到的多个资源利用率值中选择至少一个资源利用率值；
将选择的至少一个资源利用率值的平均值，确定为用于表征所述计算机硬件资源繁忙程度的基于极值的资源利用率值。
结合第一方面的第一种可能的实现方式，在第二种可能的实现方式中，在当前采样时间段内，对待确定资源繁忙程度的计算机硬件资源的利用率值进行多次采样，包括：
在当前采样时间段内预设的***繁忙时段，对待确定资源繁忙程度的计算机硬件资源的利用率值进行多次采样；
其中，***繁忙时段为待确定资源繁忙程度的计算机硬件资源的利用率值中取值大于用于表征所述计算机硬件资源繁忙程度的繁忙阈值的资源利用率值对应的时段。
结合第一方面的第二种可能的实现方式，在第三种可能的实现方式中，在采样得到的多个资源利用率值中选择至少一个资源利用率值，包括：
选择采样得到的多个资源利用率值从大到小排序在前N个的资源利用率值，
其中，N为小于采样得到的资源利用率值的个数值的正整数。
结合第一方面或者第一方面的第一至三种中任一种可能的实现方式，在第四种可能的实现方式中，根据确定的基于极值的资源利用率值，判断在当前采样时间段内所述计算机硬件资源的繁忙程度，包括：
在确定的基于极值的资源利用率值不小于用于表征所述计算机硬件资源繁忙程度的繁忙阈值时，确定在当前采样时间段内所述计算机硬件资源繁忙。
结合第一方面的第四种可能的实现方式，在第五种可能的实现方式中，在判断当前采样时间段内所述计算机硬件资源繁忙之后，还包括：
对所述计算机硬件资源进行扩容处理。
结合第一方面的第一种可能的实现方式，在第六种可能的实现方式中，在当前采样时间段内，对待确定资源繁忙程度的计算机硬件资源的利用率值进行多次采样，包括：
在当前采样时间段内预设的***空闲时段，对待确定资源繁忙程度的计算机硬件资源的利用率值进行多次采样；
其中，***空闲时段为待确定资源繁忙程度的计算机硬件资源的利用率值中取值小于用于表征所述计算机硬件资源空闲程度的空闲阈值的资源利用率值对应的时段。
结合第一方面的第六种可能的实现方式，在第七种可能的实现方式中，在采样得到的多个资源利用率值中选择至少一个资源利用率值，包括：
选择采样得到的多个资源利用率值从大到小排序在后P个的资源利用率值，
其中，P为小于采样得到的资源利用率值的个数值的正整数。
结合第一方面、第一方面的第一种可能的实现方式、第一方面的第六种可能的实现方式或者第一方面的第七种可能的实现方式，在第八种可能的实现方式中，根据确定的基于极值的资源利用率值，判断在当前采样时间段内所述计算机硬件资源的繁忙程度，包括：
在确定的所述基于极值的资源利用率值不大于用于表征所述计算机硬件资源空闲程度的空闲阈值时，判断在当前采样时间段内所述计算机硬件资源空闲。
结合第一方面的第八种可能的实现方式，在第九种可能的实现方式中，在判断当前采样时间段内所述计算机硬件资源空闲之后，还包括：
对所述计算机硬件资源进行缩容处理。
结合第一方面或者第一方面的第一至九种中任一种可能的实现方式，在第十种可能的实现方式中，通过执行资源利用率值采样程序，对资源利用率值进行采样，以及通过执行资源利用率值采样程序中的获取资源利用率值命令，采样得到资源利用率值。
第二方面，提供一种判定计算机硬件资源繁忙程度的装置，包括：
采样单元，用于在当前采样时间段内，对待确定资源繁忙程度的计算机硬件资源的利用率值进行多次采样，以及将采样得到的资源利用率值传输至确定单元；
确定单元，用于根据接收到的来自所述采样单元的采样得到的多个资源利用率值，确定用于表征所述计算机硬件资源繁忙程度的基于极值的资源利用率值，以及将确定的基于极值的资源利用率值传输至判断单元；
判断单元，用于根据接收到的来自所述确定单元的基于极值的资源利用率值，判断在当前采样时间段内所述计算机硬件资源的繁忙程度。
结合第二方面，在第一种可能的实现方式中，所述确定单元，具体用于在接收到的来自所述采样单元的采样得到的多个资源利用率值中选择至少一个资源利用率值；并将选择的至少一个资源利用率值的平均值，确定为用于表征所述计算机硬件资源繁忙程度的基于极值的资源利用率值。
结合第二方面的第一种可能的实现方式，在第二种可能的实现方式中，所述采样单元，具体用于在当前采样时间段内预设的***繁忙时段，对待确定资源繁忙程度的计算机硬件资源的利用率值进行多次采样，其中，***繁忙时段为待确定资源繁忙程度的计算机硬件资源的利用率值中取值大于用于表征所述计算机硬件资源繁忙程度的繁忙阈值的资源利用率值对应的时段。
结合第二方面的第二种可能的实现方式，在第三种可能的实现方式中，所述确定单元，具体用于选择采样得到的多个资源利用率值从大到小排序在前N个的资源利用率值，其中，N为小于采样得到的资源利用率值的个数值的正整数。
结合第二方面或者第二方面的第一至三种中任一种可能的实现方式，在第四种可能的实现方式中，所述判断单元，具体用于在确定的基于极值的资源利用率值不小于用于表征所述计算机硬件资源繁忙程度的繁忙阈值时，确定在当前采样时间段内所述计算机硬件资源繁忙。
结合第二方面的第四种可能的实现方式，在第五种可能的实现方式中，所述判定计算机硬件资源繁忙程度的装置还包括扩缩容单元，用于在判断单元判断当前采样时间段内所述计算机硬件资源繁忙时，对所述计算机硬件资源进行扩容处理。
结合第二方面的第一种可能的实现方式，在第六种可能的实现方式中，所述采样单元，具体用于在当前采样时间段内预设的***空闲时段，对待确定资源繁忙程度的计算机硬件资源的利用率值进行多次采样；其中，***空闲时段为待确定资源繁忙程度的计算机硬件资源的利用率值中取值小于用于表征所述计算机硬件资源空闲程度的空闲阈值的资源利用率值对应的时段。
结合第二方面的第六种可能的实现方式，在第七种可能的实现方式中，所述确定单元，具体用于选择采样得到的多个资源利用率值从大到小排序在后P个的资源利用率值，其中，P为小于采样得到的资源利用率值的个数值的正整数。
结合第二方面、第二方面的第一种可能的实现方式、第二方面的第六种可能的实现方式或者第二方面的第七种可能的实现方式，在第八种可能的实现方式中，所述判断单元，具体用于在确定的所述基于极值的资源利用率值不大于用于表征所述计算机硬件资源空闲程度的空闲阈值时，确定在当前采样时间段内所述计算机硬件资源空闲。
结合第二方面的第八种可能的实现方式，在第九种可能的实现方式中，所述判定计算机硬件资源繁忙程度的装置还包括扩缩容单元，用于在判断单元判断当前采样时间段内所述计算机硬件资源空闲时，对所述计算机硬件资源进行缩容处理。
结合第二方面或者第二方面的第一至九种中任一种可能的实现方式，在第十种可能的实现方式中，所述采样单元，具体用于通过执行资源利用率值采样程序，对资源利用率值进行采样，以及通过执行资源利用率值采样程序中的获取资源利用率值命令，采样得到资源利用率值。
第三方面，提供一种判定计算机硬件资源繁忙程度的装置，包括：
处理器，用于在当前采样时间段内，对待确定资源繁忙程度的计算机硬件资源的利用率值进行多次采样；根据采样得到的多个资源利用率值，确定用于表征所述计算机硬件资源繁忙程度的基于极值的资源利用率值；以及根据确定的基于极值的资源利用率值，判断在当前采样时间段内所述计算机硬件资源的繁忙程度；
存储器，用于存储采样得到的资源利用率值、确定的基于极值的资源利用率值和在当前采样时间段内所述计算机硬件资源的繁忙程度。
结合第三方面，在第一种可能的实现方式中，所述处理器，具体用于在采样得到的多个资源利用率值中选择至少一个资源利用率值；并将选择的至少一个资源利用率值的平均值，确定为用于表征所述计算机硬件资源繁忙程度的基于极值的资源利用率值。
结合第三方面的第一种可能的实现方式，在第二种可能的实现方式中，所述处理器，具体用于在当前采样时间内预设的***繁忙时段，对待确定资源繁忙程度的计算机硬件资源的利用率值进行多次采样；其中，***繁忙时段为待确定资源繁忙程度的计算机硬件资源的利用率值中取值大于用于表征所述计算机硬件资源繁忙程度的繁忙阈值的资源利用率值对应的时段。
结合第三方面的第二种可能的实现方式，在第三种可能的实现方式中，所述处理器，具体用于选择采样得到的多个资源利用率值从大到小排序在前N个的资源利用率值，其中，N为小于采样得到的资源利用率值的个数值的正整数。
结合第三方面或者第三方面的第一至三种中任一种可能的实现方式，在第四种可能的实现方式中，所述处理器，具体用于在确定的基于极值的资源利用率值不小于用于表征所述计算机硬件资源繁忙程度的繁忙阈值时，判断在当前采样时间段内所述计算机硬件资源繁忙。
结合第三方面的第四种可能的实现方式，在第五种可能的实现方式中，所述处理器，还用于在判断当前采样时间段内所述计算机硬件资源繁忙时，对所述计算机硬件资源进行扩容处理。
结合第三方面，在第六种可能的实现方式中，所述处理器，具体用于在当前采样时间段内预设的***空闲时段，对待确定资源繁忙程度的计算机硬件资源的利用率值进行多次采样；其中，***空闲时段为待确定资源繁忙程度的计算机硬件资源的利用率值中取值小于用于表征所述计算机硬件资源空闲程度的空闲阈值的资源利用率值对应的时段。
结合第三方面的第六种可能的实现方式，在第七种可能的实现方式中，所述处理器，具体用于选择采样得到的多个资源利用率值从大到小排序在后P个的资源利用率值，其中，P为小于采样得到的资源利用率值的个数值的正整数。
结合第三方面、第三方面的第一种可能的实现方式、第三方面的第六种可能的实现方式或者第三方面的第七种可能的实现方式，在第八种可能的实现方式中，所述处理器，具体用于在确定的所述基于极值的资源利用率值不大于用于表征所述计算机硬件资源空闲程度的空闲阈值时，判断在当前采样时间段内所述计算机硬件资源空闲。
结合第三方面的第八种可能的实现方式，在第九种可能的实现方式中，所述处理器，还用于在判断当前采样时间段内所述计算机硬件资源空闲时，对所述计算机硬件资源进行缩容处理。
结合第三方面或者第三方面的第一至九种中任一种可能的实现方式，在第十种可能的实现方式中，所述处理器，具体用于通过执行资源利用率值采样程序，对资源利用率值进行采样，以及通过执行资源利用率值采样程序中的获取资源利用率值命令，采样得到资源利用率值。
根据第一方面提供的判定计算机硬件资源繁忙程度的方法,第二方面或第三方面提供的判定计算机硬件资源繁忙程度的装置,由于根据确定的基于极值的资源利用率值，判断在当前采样时间段内所述计算机硬件资源的繁忙程度，从而实现了判定计算机硬件资源繁忙程度。
附图说明
图1为现有技术中计算机***的结构示意图；
图2为本发明实施例判定计算机硬件资源繁忙程度的方法的流程示意图；
图3为本发明实施例判定计算机硬件资源是否繁忙或空闲的方法流程示意图；
图4为本发明实施例判定计算机硬件资源是否繁忙的方法流程示意图；
图5为本发明实施例判定计算机硬件资源是否空闲的方法流程示意图；
图6为本发明实施例在不同操作***下判定计算机硬件资源繁忙程度的方法流程示意图；
图7为本发明实施例判定计算机硬件资源繁忙程度的装置结构示意图；
图8为本发明实施例判定计算机硬件资源繁忙程度的装置结构示意图。
具体实施方式
本发明实施例中，在当前采样时间段内，对待确定资源繁忙程度的计算机硬件资源的利用率值进行多次采样，根据采样得到的多个资源利用率值，确定用于表征所述计算机硬件资源繁忙程度的基于极值的资源利用率值，根据确定的基于极值的资源利用率值，判断在当前采样时间段内所述计算机硬件资源的繁忙程度，由于根据确定的基于极值的资源利用率值，判断在当前采样时间段内所述计算机硬件资源的繁忙程度，从而实现了判定计算机硬件资源繁忙程度。
需要说明的是，在本发明实施例中，针对计算机硬件资源，资源利用率值是指计算机正在使用的硬件资源与计算机的总可用硬件资源的比值。
下面将结合说明书附图对本发明实施例作进一步详细描述。
如图2所示，本发明实施例判定计算机硬件资源繁忙程度的方法包括下列步骤：
步骤201、在当前采样时间段内，对待确定资源繁忙程度的计算机硬件资源的利用率值进行多次采样；
步骤202、根据采样得到的多个资源利用率值，确定用于表征计算机硬件资源繁忙程度的基于极值的资源利用率值；
步骤203、根据确定的基于极值的资源利用率值，判断在当前采样时间段内计算机硬件资源的繁忙程度。具体实施中，在步骤201中，采样时间段可以根据实际需要设定或者根据经验设定，比如，设定为一个月、一个星期或一天。
具体实施中，在步骤201中，可以设定采样间隔，则在当前采样时间段内，根据设定的采样间隔，对待确定资源繁忙程度的计算机硬件资源的利用率值进行采样；其中，每两个资源利用率值对应的采样间隔可以相同，也可以不同，每个采样间隔可以根据实际需要设定或者根据经验设定，比如，设定为30秒、1分钟、10分钟或一个小时。
需要说明的是，为了实现采样得到多个资源利用率值，采样间隔要小于采样时间段。
需要说明的是，由于计算机硬件资源的繁忙程度包括繁忙和空闲两种情况，因而本发明实施例针对两种不同的情况分别进行了介绍，并且针对不同情况，介绍了判定计算机硬件资源繁忙程度的多种方法，下面将分别进行说明。
情况一、判定计算机硬件资源是否繁忙。
方法一、在当前采样时间段内预设的***繁忙时段，对待确定资源繁忙程度的计算机硬件资源的利用率值进行多次采样；根据采样得到的多个资源利用率值，确定用于表征计算机硬件资源繁忙程度的基于极值的资源利用率值；以及根据确定的基于极值的资源利用率值，判断在当前采样时间段内计算机硬件资源是否繁忙。
较佳地，在步骤201中，在当前采样时间段内，对待确定资源繁忙程度的计算机硬件资源的利用率值进行多次采样，包括：
在当前采样时间段内预设的***繁忙时段，对待确定资源繁忙程度的计算机硬件资源的利用率值进行多次采样。
其中，***繁忙时段为待确定资源繁忙程度的计算机硬件资源的利用率值中取值大于用于表征所述计算机硬件资源繁忙程度的繁忙阈值的资源利用率值对应的时段。
具体实施中，可以根据最近采样得到的资源利用率值，确定预设的***繁忙时段，比如，将最近采样得到的资源利用率值中取值大于繁忙阈值的资源利用率值对应的采样时间段确定为预设的***繁忙时段；还可以根据经验，确定预设的***繁忙时段，比如，针对企业办公的计算机***，根据经验可知，***繁忙时段与办公时间相关，因而可以根据经验，确定预设的***繁忙时段。
具体实施中，针对设定采样间隔的情况，为了实现采样得到多个资源利用率值，采样间隔要小于设置的预设的***繁忙时段。
实施中，由于在当前采样时间段内预设的***繁忙时段，对待确定资源繁忙程度的计算机硬件资源的利用率值进行多次采样，从而采样得到的资源利用率值为***的资源利用率值中取值大于繁忙阈值的值，进而根据确定的基于极值的资源利用率值能够更准确地判断在当前采样时间段内计算机硬件资源的繁忙程度。
方法二、将采样得到的多个资源利用率值从大到小排序，确定排序在前N个的资源利用率值；将排序在前N个的资源利用率值的平均值，确定为用于表征计算机硬件资源繁忙程度的基于极值的资源利用率值；以及根据确定的基于极值的资源利用率值，判断在当前采样时间段内计算机硬件资源是否繁忙。
较佳地，在步骤202中，确定用于表征计算机硬件资源繁忙程度的基于极值的资源利用率值，包括：
在采样得到的多个资源利用率值中选择至少一个资源利用率值；
将选择的至少一个资源利用率值的平均值，确定为用于表征所述计算机硬件资源繁忙程度的基于极值的资源利用率值。
较佳地，在采样得到的多个资源利用率值中选择至少一个资源利用率值，包括：
选择采样得到的多个资源利用率值从大到小排序在前N个的资源利用率值。
其中，N为小于采样得到的资源利用率值的个数值的正整数。
具体实施中，N可以根据需要或经验设定，可以随机设定，也可以根据一定的方法确定，比如，根据采样得到的资源利用率值的个数确定或根据资源利用率值的取值确定。
比如，若采样得到L个资源利用率值，将L与M%的乘积取整的值确定为N的值；或
若采样得到的多个资源利用率值中最大的资源利用率值为Y，将采样得到的多个资源利用率值中取值在不小于Y*S%且不大于Y的范围内的资源利用率值的个数值确定为N的值；
其中，M＞0，S＞0。
较佳地，M的取值范围为（0，21）。
具体实施中，还可以将排序在前N个的资源利用率值中任意一个确定为基于极值的资源利用率值或将排序在前N个的资源利用率值中最小的资源利用率值确定为基于极值的资源利用率值，具体可以根据情况而定。
实施中，由于根据确定的排序在前N个的资源利用率值，确定基于极值的资源利用率值，从而能够根据基于极值的资源利用率值，更准确地判断在当前采样时间段内计算机硬件资源的繁忙程度。
较佳地，将排序在前N个的资源利用率值的平均值，确定为用于表征计算机硬件资源繁忙程度的基于极值的资源利用率值之后，还包括：
确定排序在前N个的资源利用率值对应的方差值或标准差值。
实施中，根据排序在前N个的资源利用率值对应的方差值或标准差值，可以确定排序在前N个的资源利用率值的波动大小，根据排序在前N个的资源利用率值的波动大小，可以确定基于极值的资源利用率值判断在当前采样时间段内计算机硬件资源的繁忙程度的准确度。其中，排序在前N个的资源利用率值对应的方差值或标准差值越小，排序在前N个的资源利用率值的波动越小，判断在当前采样时间段内计算机硬件资源的繁忙程度的准确度越大。
需要说明的是，本发明情况一中的方法一和方法二可以分开实施，也可以结合起来实施。
较佳地，在步骤203中，根据确定的基于极值的资源利用率值，判断在当前采样时间段内计算机硬件资源的繁忙程度，包括：
在确定的基于极值的资源利用率值不小于用于表征所述计算机硬件资源繁忙程度的繁忙阈值时，确定在当前采样时间段内计算机硬件资源繁忙。
较佳地，在判断当前采样时间段内计算机硬件资源繁忙之后，还包括：
对计算机硬件资源进行扩容处理。
具体实施中，可以通过执行硬件资源扩容程序，对计算机硬件资源进行扩容处理。
较佳地，如果基于极值的资源利用率值小于繁忙阈值时，则不对计算机硬件资源进行处理。
较佳地，繁忙阈值可以根据需要设定或者根据经验设定，比如，资源为CPU资源时，繁忙阈值取值设定在70%～80%之间；资源为内存资源时，繁忙阈值取值设定在80%～90%之间；资源为IO资源时，繁忙阈值取值设定在80%～90%之间。
具体实施中，针对资源对应的OS不同，繁忙阈值也可以不同。
实施中，由于在计算机硬件资源繁忙时，对计算机硬件资源进行扩容处理，从而保证了计算机***的正常运作。
情况二、判定计算机硬件资源是否空闲。
方法一、在当前采样时间段内预设的***空闲时段，对待确定资源繁忙程度的计算机硬件资源的利用率值进行多次采样；根据采样得到的多个资源利用率值，确定用于表征计算机硬件资源繁忙程度的基于极值的资源利用率值；以及根据确定的基于极值的资源利用率值，判断在当前采样时间段内计算机硬件资源的繁忙程度。
较佳地，在步骤201中，在当前采样时间段内，对待确定资源繁忙程度的计算机硬件资源的利用率值进行多次采样，包括：
在当前采样时间段内预设的***空闲时段，对待确定资源繁忙程度的计算机硬件资源的利用率值进行多次采样。
其中，***空闲时段为待确定资源繁忙程度的计算机硬件资源的利用率值中取值小于用于表征所述计算机硬件资源空闲程度的空闲阈值的资源利用率值对应的时段。
具体实施中，可以根据最近采样得到的资源利用率值，确定预设的***空闲时段，比如，将最近采样得到的资源利用率值中取值大于空闲阈值的资源利用率值对应的采样时间段确定为预设的***空闲时段；还可以根据经验，确定预设的***空闲时段，比如，针对企业办公的计算机***，根据经验可知，***空闲时段与办公时间相关，因而可以根据经验，确定预设的***空闲时段。
具体实施中，针对设定采样间隔的情况，为了实现采样得到多个资源利用率值，采样间隔要小于预设的***空闲时段。
实施中，由于在当前采样时间段内预设的***空闲时段，对待确定资源繁忙程度的计算机硬件资源的利用率值进行多次采样，从而采样得到的资源利用率值为***的资源利用率值中取值小于空闲阈值的值，进而确定的基于极值的资源利用率值能够更准确地判断在当前采样时间段内计算机硬件资源是否空闲。
方法二、将采样得到的多个资源利用率值从大到小排序，确定排序在后P个的资源利用率值；将排序在后P个的资源利用率值的平均值，确定为用于表征计算机硬件资源繁忙程度的基于极值的资源利用率值；根据确定的基于极值的资源利用率值，判断在当前采样时间段内计算机硬件资源的繁忙程度。
较佳地，在步骤202中，确定用于表征计算机硬件资源繁忙程度的基于极值的资源利用率值，包括：
在采样得到的多个资源利用率值中选择至少一个资源利用率值；
将选择的至少一个资源利用率值的平均值，确定为用于表征所述计算机硬件资源繁忙程度的基于极值的资源利用率值。
较佳地，在采样得到的多个资源利用率值中选择至少一个资源利用率值，包括：
选择采样得到的多个资源利用率值从大到小排序在后P个的资源利用率值。
其中，P为小于采样得到的资源利用率值的个数值的正整数。
具体实施中，N可以根据需要或经验设定，可以随机设定，也可以根据一定的方法确定，比如，根据采样得到的资源利用率值的个数确定或根据资源利用率值的取值确定。
比如，若采样得到K个资源利用率值，将K与Q%的乘积取整的值确定为P的值；或
若采样得到的多个资源利用率值中最小的资源利用率值为X，将采样得到的多个资源利用率值中取值在不小于X且不大于X*T的范围内的资源利用率值的个数值确定为N的值；
其中，Q＞0，T≥1。
具体实施中，还可以将排序在后P个的资源利用率值中任意一个确定为基于极值的资源利用率值或将排序在后P个的资源利用率值中最大的资源利用率值确定为基于极值的资源利用率值等，具体可以根据情况而定。
实施中，由于根据确定的排序在后P个的资源利用率值，确定基于极值的资源利用率值，从而能够根据基于极值的资源利用率值，更准确地判断在当前采样时间段内计算机硬件资源的繁忙程度。
较佳地，将排序在后P个的资源利用率值的平均值，确定为用于表征计算机硬件资源繁忙程度的基于极值的资源利用率值之后，还包括：
确定排序在后P个的资源利用率值对应的方差值或标准差值。
实施中，根据排序在后P个的资源利用率值对应的方差值或标准差值，可以确定排序在后P个的资源利用率值的波动大小，根据排序在后P个的资源利用率值的波动大小，可以确定基于极值的资源利用率值判断在当前采样时间段内计算机硬件资源的繁忙程度的准确度。其中，排序在后P个的资源利用率值对应的方差值或标准差值越小，排序在后P个的资源利用率值的波动越小，判断在当前采样时间段内计算机硬件资源的繁忙程度的准确度越大。
需要说明的是，本发明情况二中的方法一和方法二可以分开实施，也可以结合起来实施。
较佳地，在步骤203中，根据确定的基于极值的资源利用率值，判断在当前采样时间段内计算机硬件资源的繁忙程度，还包括：
在确定的基于极值的资源利用率值不大于用于表征所述计算机硬件资源空闲程度的空闲阈值时，确定在当前采样时间段内计算机硬件资源空闲。
较佳地，在判断当前采样时间段内计算机硬件资源空闲之后，还包括：
对计算机硬件资源进行缩容处理。
具体实施中，可以通过执行硬件资源缩容程序，对计算机硬件资源进行缩容处理。
较佳地，如果基于极值的资源利用率值大于空闲阈值，则不对计算机硬件资源进行处理。
较佳地，空闲阈值可以根据需要设定或者根据经验设定，比如，资源为CPU资源时，空闲阈值取值可以设定为30%；资源为内存资源时，空闲阈值取值可以设定为50%；资源为IO资源时，空闲阈值取值可以设定为30%。
具体实施中，针对资源对应的OS不同，空闲阈值也可以不同。
实施中，由于在计算机硬件资源空闲时，对计算机硬件资源进行缩容处理，从而保证了节省计算机***资源。
实施中，根据多次采样确定的多个基于极值的资源利用率值，预估基于极值的资源利用率值的变化趋势，从而实现预估计算机***的繁忙程度。
较佳地，在步骤201中，在当前采样时间段内，对待确定资源繁忙程度的计算机硬件资源的利用率值进行多次采样，包括：
通过执行资源利用率值采样程序，对资源利用率值进行采样。
具体实施中，通过执行资源利用率值采样程序中的获取资源利用率值命令，采样得到资源利用率值。
较佳地，针对资源对应的OS不同的情况下，执行的获取资源利用率值命令不同，比如，针对资源对应的OS为Windows（视窗电脑操作***）的情况下，执行的获取资源利用率值命令为perfmon（Windows***性能监视）命令或者通过WMI（Windows管理接口）调用OS中与资源使用状况相关的计数器的命令；针对资源对应的OS为Unix（多用户、多任务操作***）或者Linux（自由和开放源码的类Unix操作***）的情况下，执行的获取资源利用率值命令为vmstat命令（用于报告关于内核线程、虚拟内存、磁盘、陷阱和CPU活动的统计信息的命令）、sar命令（用于获取***资源使用情况的命令）或者iostat命令（用于报告CPU统计信息和输入/输出统计信息的命令）。
需要说明的是，现有技术中获取资源利用率值的命令也适用于本发明。
具体实施中，可以在后台执行资源利用率值采样程序。
具体实施中，针对在当前采样时间段内预设的***繁忙时段或当前采样时间段内预设的***空闲时段，对待确定资源繁忙程度的计算机硬件资源的利用率值进行多次采样的情况，可以通过定时任务，定时在当前采样时间段内预设的***繁忙时段或预设的***空闲时段，执行资源利用率值采样程序。
需要说明的是，本发明实施例的实施主体可以是所有的计算机***，比如，开放式计算机***，封闭式计算机***，基于服务器和软件平台的计算机***。
需要说明的是，针对不同OS，IO利用率值定义不同，比如，针对Windows，将正在使用IO时测量得到的Disk_Paging（硬盘分页）值与设定Disk_Paging值的比值确定为IO利用率值，针对Unix/Linux，IO利用率值是指正在使用IO时测量得到的IO响应时间与设定IO响应时间的比值。
较佳地，设定Disk_Paging值可以根据需要设定或者根据经验设定，比如，设定为40页/秒，设定IO响应时间可以根据需要设定或者根据经验设定，比如，设定为25ms（毫秒）。
具体实施中，本发明实施例的实施主体也可以是计算机集群或数据中心包含的计算机***。
具体实施中，针对一种硬件资源，可以将计算机集群或数据中心的多个计算机***的该种硬件资源对应的多个基于极值的资源利用率值的加权平均值确定为计算机集群或数据中心的基于极值的资源利用率值，并根据确定的计算机集群或数据中心的基于极值的资源利用率值，判断在当前采样时间段内计算机集群或数据中心的该种硬件资源的繁忙程度。
实施中，根据多次采样确定的多个基于极值的资源利用率值，预估基于极值的资源利用率值的变化趋势，从而实现预估计算机集群或数据中心硬件资源的繁忙程度。
为了详细、全面的描述本发明实施例判定计算机硬件资源繁忙程度的方法，下面将列举几种比较典型的实施方式进行介绍。
实施例一
结合情况一中的方法一和方法二，以及情况二中的方法一和方法二，对判定计算机硬件资源是否繁忙或空闲进行介绍。
假设采样时间段为30天，采样间隔为30分钟，计算机***A的硬件资源为CPU资源、内存资源和IO资源，CPU资源对应的繁忙阈值为第一阈值，内存资源对应的繁忙阈值为第二阈值，IO资源对应的繁忙阈值为第三阈值，CPU资源对应的空闲阈值为第四阈值，内存资源对应的空闲阈值为第五阈值，IO资源对应的空闲阈值为第六阈值。
如图3所示，本发明实施例判定计算机***A硬件资源是否繁忙或空闲的方法，包括：
步骤301、确定在当前采样时间段内预设的计算机***A繁忙时段为每天的第一时间段，以及确定在当前采样时间段内预设的计算机***A空闲时段为每天的第二时间段；
步骤302、定时在第一时间段和第二时间段执行资源利用率值采样程序，对待确定资源繁忙程度的计算机硬件资源的利用率值进行多次采样，并将在第一时间段采样得到的第一资源利用率值和在第二时间段采样得到的第二资源利用率值进行保存；
步骤303、将采样得到的多个资源利用率值从大到小排序，确定排序在前N个的资源利用率值；以及确定排序在后P个的资源利用率值；
步骤304、将排序在前N个的资源利用率值的平均值确定为第一基于极值的资源利用率值，以及将排序在后P个的资源利用率值的平均值确定为第二基于极值的资源利用率值；
步骤305、根据经验设定繁忙阈值和空闲阈值；
步骤306、将第一基于极值的资源利用率值与繁忙阈值进行比较，以及将第二基于极值的资源利用率值与空闲阈值进行比较；
若资源为CPU资源、内存资源和IO资源，则第一基于极值的资源利用率值分别为第一基于极值的CPU利用率值、第一基于极值的内存利用率值和第一基于极值的IO利用率值，第二基于极值的资源利用率值分别为第二基于极值的CPU利用率值、第二基于极值的内存利用率值和第二基于极值的IO利用率值。
步骤307、若第一基于极值的资源利用率值不小于繁忙阈值，则判定计算机***A硬件资源繁忙，需要对计算机***A硬件资源进行扩容处理或者将登录计算机***A的软件平台的用户账号设置等级；若第二基于极值的资源利用率值不大于空闲阈值，则判定计算机***A硬件资源空闲，需要对计算机***A硬件资源进行缩容处理。
具体实施中，若第一基于极值的CPU利用率值不小于第一阈值，则表示CPU资源繁忙，需要对CPU资源进行扩容处理；若第一基于极值的内存利用率值不小于第二阈值，则表示内存资源繁忙，需要对内存资源进行扩容处理；若第一基于极值的IO利用率值不小于第三阈值，则表示IO资源繁忙，需要对IO资源进行扩容处理；若第二基于极值的CPU利用率值不大于第四阈值，则表示CPU资源空闲，需要对CPU资源进行缩容处理；若第二基于极值的内存利用率值不大于第五阈值，则表示内存资源空闲，需要对内存资源进行缩容处理；若第二基于极值的IO利用率值不大于第六阈值，则表示IO资源空闲，需要对IO资源进行缩容处理。
其中，按照实施例一的判断计算机***A硬件资源是否繁忙的方法进行了实验，具体实验结果如下表1所示。
表1
从上表1中可以看出，计算机***Lhroa08的CPU资源和IO资源不足，需要对Lhroa08进行扩容处理，即对Lhroa08的CPU资源和IO资源进行扩容处理。
实施例二
采用情况一中的方法一，对计算机硬件资源是否繁忙进行介绍。
假设采样时间段为30天，采样间隔为30分钟，计算机***A的硬件资源为CPU资源和内存资源。
如图4所示，本发明实施例判定计算机***A硬件资源是否繁忙的方法，包括：
步骤401、根据经验，确定预设的计算机***A繁忙时段为每天的第一时间段；
步骤402、定时在第一时间段执行资源利用率值采样程序，对待确定资源繁忙程度的计算机硬件资源的利用率值进行多次采样，并将在第一时间段采样得到的CPU资源利用率值和内存资源利用率值进行保存；
步骤403、将采样得到的多个CPU资源利用率值的平均值确定为基于极值的CPU资源利用率值，以及将采样得到的多个内存资源利用率值的平均值确定为基于极值的内存资源利用率值；
步骤404、根据经验设定CPU资源对应的繁忙阈值为第一阈值，内存资源对应的繁忙阈值为第二阈值；
步骤405、将基于极值的CPU利用率值与第一阈值进行比较，以及将基于极值的内存利用率值与第二阈值进行比较；
步骤406、若基于极值的CPU利用率值不小于第一阈值，则判定计算机***A的CPU资源繁忙，确定需要对计算机***A的CPU资源进行扩容处理或者将登录计算机***A的软件平台的用户账号设置等级；若基于极值的内存利用率值不小于第二阈值，则判定计算机***A的内存资源繁忙，确定需要对计算机***A的内存资源进行扩容处理或者将登录计算机***A的软件平台的用户账号设置等级。
实施例三
采用情况二中的方法二，对计算机硬件资源是否空闲进行介绍。
假设采样时间段为30天，采样间隔为30分钟，计算机***A的硬件资源为IO资源。
如图5所示，本发明实施例判定计算机硬件资源是否空闲的方法，包括：
步骤501、在当前采样时间段内，对计算机IO资源的利用率值进行多次采样；
步骤502、将采样得到的多个资源利用率值从大到小排序，确定排序在后P个的资源利用率值；
步骤503、将排序在后P个的资源利用率值的平均值，确定为用于表征计算机IO资源繁忙程度的基于极值的资源利用率值；
步骤504、将确定的基于极值的IO利用率值与IO利用率值阈值进行比较；
步骤505、若基于极值的IO利用率值不大于IO利用率值阈值，则判定计算机***A的IO资源空闲，对计算机***A的IO资源进行缩容处理。
实施例四
针对不同计算机***包含的OS不同的情况，执行资源利用率值采样程序中的获取资源利用率值命令不同，假设资源对应的***为计算机***A，资源为CPU资源、内存资源和IO资源，OS分为Windows和Unix/Linux。
如图6所示，本发明实施例在不同操作***下确定采样得到的资源利用率值的方法，包括：
步骤601、定时执行资源利用率值采样程序；
步骤602、在确定到达第一个采样时间点时，判断计算机***A的OS是否为Windows，如果是，则执行步骤603，如果否，则执行步骤604；
步骤603、通过WMI接口调用OS中与CPU使用状况相关的计数器，通过该计数器的数据，确定第一个采样时间点对应的CPU资源利用率值；通过WMI接口调用OS中与内存使用状况相关的计数器，通过该计数器的数据，确定第一个采样时间点对应的内存资源利用率值；通过WMI接口调用OS中与IO使用状况相关的计数器，通过该计数器的数据，确定第一个采样时间点对应的IO资源利用率值；
具体实施中，调用的OS中与CPU使用状况相关的计数器为Win32_PerfRawData_PerfOS_Processor计数器；调用的OS中与内存使用状况相关的计数器为Win32_PerfRawData_PerfOS_Memory计数器；调用的OS中与IO使用状况相关的计数器为Win32_PerfRawData_PerfDisk_PhysicalDisk计数器。
步骤604、通过执行vmstat22命令，确定第一个采样时间点对应的CPU资源利用率值；通过执行vmstat22命令或vmstat–s命令或vmstat–r22命令，确定第一个采样时间点对应的内存资源利用率值；通过执行sar命令或iostat命令，确定第一个采样时间点对应的IO资源利用率值。
具体实施中，通过执行vmstat22命令，确定第一个采样时间点对应的CPU资源利用率值的具体过程为：通过执行vmstat22命令，得到idle%（空闲）值，并根据idle%，得到第一个采样时间点对应的CPU资源利用率值。
具体实施中，通过执行vmstat22命令，确定第一个采样时间点对应的内存资源利用率值的具体过程为：通过执行vmstat22命令，得到free（空闲页）值和swap（交换页）值，将(swap-free)/swap值确定为第一个采样时间点对应的内存资源利用率值；通过执行vmstat–s命令，确定第一个采样时间点对应的内存利用率值的具体过程为：通过执行vmstat–s命令，得到paging space page outs（溢出的交换页）值，将paging space pageouts值确定为第一个采样时间点对应的内存资源利用率值；通过执行vmstat–r22命令，确定第一个采样时间点对应的内存资源利用率值的具体过程为：通过执行vmstat–r22命令，得到kbmemused（被使用的内存千字节数）值、%Memused（被使用的内存比例）值、kbcached（被缓存的内存千字节数）值和kbbuffers（被缓冲的内存千字节数）值，将kbmemused/%Memused的值确定为OS中的物理内存，将(kbmemused-kbcached-kbbuffers)的值确定为已经被应用程序占用的内存，并将(kbmemused-kbcached-kbbuffers)/(kbmemused/%Memused)的值确定为第一个采样时间点对应的内存资源利用率值。
具体实施中，通过执行iostat命令，确定第一个采样时间点对应的IO资源利用率值的具体过程为：通过执行#iostat–D–d$hdiksname命令，得到read（读）和write（写）的avgserv（平均服务时间）值，并将read和write的avgserv值的平均值确定为第一个采样时间点对应的IO资源利用率值；或通过执行#iostat–znx1命令，得到各磁盘的asvct（平均服务时间）值，并将各磁盘的asvct值的平均值确定为第一个采样时间点对应的IO资源利用率值；通过执行sar命令，确定第一个采样时间点对应的IO资源利用率值的具体过程为：通过执行#sar–d22|grep–v dev253-命令，得到svctm（服务时间）一列的值，将svctm一列的值的平均值确定为第一个采样时间点对应的IO资源利用率值。
基于同一发明构思，本发明实施例还提供一种判定计算机硬件资源繁忙程度的装置，由于与判定计算机硬件资源繁忙程度的方法具有相似的原理，因此实施中可以参考方法，重复之处不再赘述。
图7为本发明实施例判定计算机硬件资源繁忙程度的装置结构示意图，如图所示，判定计算机硬件资源繁忙程度的装置包括：
采样单元701，用于在当前采样时间段内，对待确定资源繁忙程度的计算机硬件资源的利用率值进行多次采样，以及将采样得到的资源利用率值传输至确定单元702；
确定单元702，用于根据接收到的来自采样单元701的采样得到的多个资源利用率值，确定用于表征计算机硬件资源繁忙程度的基于极值的资源利用率值，以及将确定的基于极值的资源利用率值传输至判断单元703；
判断单元703，用于根据接收到的来自确定单元702的基于极值的资源利用率值，判断在当前采样时间段内计算机硬件资源的繁忙程度。
较佳地，确定单元702，具体用于在接收到的来自所述采样单元的采样得到的多个资源利用率值中选择至少一个资源利用率值；并将选择的至少一个资源利用率值的平均值，确定为用于表征所述计算机硬件资源繁忙程度的基于极值的资源利用率值。
较佳地，采样单元701，具体用于在当前采样时间段内预设的***繁忙时段，对待确定资源繁忙程度的计算机硬件资源的利用率值进行多次采样；其中，***繁忙时段为待确定资源繁忙程度的计算机硬件资源的利用率值中取值大于用于表征所述计算机硬件资源繁忙程度的繁忙阈值的资源利用率值对应的时段。
较佳地，确定单元702，具体用于选择采样得到的多个资源利用率值从大到小排序在前N个的资源利用率值，其中，N为小于采样得到的资源利用率值的个数值的正整数。
较佳地，判断单元703，具体用于在确定的基于极值的资源利用率值不小于用于表征所述计算机硬件资源繁忙程度的繁忙阈值时，判断在当前采样时间段内计算机硬件资源繁忙。
较佳地，本发明实施例判定计算机硬件资源繁忙程度的装置还包括扩缩容单元704，用于在判断单元703判断当前采样时间段内计算机硬件资源繁忙时，对计算机硬件资源进行扩容处理。
较佳地，采样单元701，具体用于在当前采样时间段内预设的***空闲时段，对待确定资源繁忙程度的计算机硬件资源的利用率值进行多次采样；其中，***空闲时段为待确定资源繁忙程度的计算机硬件资源的利用率值中取值小于用于表征所述计算机硬件资源空闲程度的空闲阈值的资源利用率值对应的时段。
较佳地，确定单元702，具体用于选择采样得到的多个资源利用率值从大到小排序在后P个的资源利用率值，其中，P为小于采样得到的资源利用率值的个数值的正整数。
较佳地，判断单元703，具体用于在确定的基于极值的资源利用率值不大于用于表征所述计算机硬件资源空闲程度的空闲阈值时，判断在当前采样时间段内计算机硬件资源空闲。
较佳地，本发明实施例判定计算机硬件资源繁忙程度的装置还包括扩缩容单元704，用于在判断单元703判断当前采样时间段内计算机硬件资源空闲时，对计算机硬件资源进行缩容处理。
较佳地，采样单元701，具体用于通过执行资源利用率值采样程序，对资源利用率值进行采样，以及通过执行资源利用率值采样程序中的获取资源利用率值命令，采样得到资源利用率值。
图8为本发明实施例判定计算机硬件资源繁忙程度的装置结构示意图，如图所示，判定计算机硬件资源繁忙程度的装置包括：
处理器801，用于在当前采样时间段内，对待确定资源繁忙程度的计算机硬件资源的利用率值进行多次采样；根据采样得到的多个资源利用率值，确定用于表征计算机硬件资源繁忙程度的基于极值的资源利用率值；以及根据确定的基于极值的资源利用率值，判断在当前采样时间段内计算机硬件资源的繁忙程度；
存储器802，用于存储采样得到的资源利用率值、确定的基于极值的资源利用率值和在当前采样时间段内计算机硬件资源的繁忙程度。
具体实施中，处理器801可以在采样得到一个资源利用率值时，将该一个资源利用率值存储到存储器802，可以在采样得到多个资源利用率值时，将该多个资源利用率值一起存储到存储器802，可以在确定基于极值的资源利用率值时，将采样得到的资源利用率值和确定的基于极值的资源利用率值一起存储到存储器802，也可以在判定当前采样时间段内计算机硬件资源的繁忙程度时，将采样得到的资源利用率值、确定的基于极值的资源利用率值和判定结果一起存储到存储器802。
较佳地，处理器801，具体用于在采样得到的多个资源利用率值中选择至少一个资源利用率值；并将选择的至少一个资源利用率值的平均值，确定为用于表征所述计算机硬件资源繁忙程度的基于极值的资源利用率值。
较佳地，处理器801，具体用于在当前采样时间段内预设的***繁忙时段，对待确定资源繁忙程度的计算机硬件资源的利用率值进行多次采样；其中，***繁忙时段为待确定资源繁忙程度的计算机硬件资源的利用率值中取值大于用于表征所述计算机硬件资源繁忙程度的繁忙阈值的资源利用率值对应的时段。
较佳地，处理器801，具体用于选择采样得到的多个资源利用率值从大到小排序在前N个的资源利用率值，其中，N为小于采样得到的资源利用率值的个数值的正整数。
较佳地，处理器801，具体用于在确定的基于极值的资源利用率值不小于用于表征所述计算机硬件资源繁忙程度的繁忙阈值时，确定在当前采样时间段内计算机硬件资源繁忙。
较佳地，处理器801，还用于在判断当前采样时间段内计算机硬件资源繁忙时，对计算机硬件资源进行扩容处理。
较佳地，处理器801，具体用于在当前采样时间段内预设的***空闲时段，对待确定资源繁忙程度的计算机硬件资源的利用率值进行多次采样；其中，***空闲时段为待确定资源繁忙程度的计算机硬件资源的利用率值中取值小于用于表征所述计算机硬件资源空闲程度的空闲阈值的资源利用率值对应的时段。
较佳地，处理器801，具体用于选择采样得到的多个资源利用率值从大到小排序在后P个的资源利用率值，其中，P为小于采样得到的资源利用率值的个数值的正整数。
较佳地，处理器801，具体用于在确定的基于极值的资源利用率值不大于用于表征所述计算机硬件资源空闲程度的空闲阈值时，判断在当前采样时间段内计算机硬件资源空闲。
较佳地，处理器801，还用于在判断当前采样时间段内计算机硬件资源空闲时，对计算机硬件资源进行缩容处理。
较佳地，处理器801，具体用于通过执行资源利用率值采样程序，对资源利用率值进行采样，以及通过执行资源利用率值采样程序中的获取资源利用率值命令，采样得到资源利用率值。
较佳地，存储器802，还用于存储资源利用率值采样程序。
具体实施中，处理器801在需要执行资源利用率值采样程序时，到存储器802调取该资源利用率值采样程序。
具体实施中，存储器802可以为RAM（随机存取存储器）。
本领域内的技术人员应明白，本发明的实施例可提供为方法、***、或计算机程序产品。因此，本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质（包括但不限于磁盘存储器、CD-ROM、光学存储器等）上实施的计算机程序产品的形式。
本发明是参照根据本发明实施例的方法、设备（***）、和计算机程序产品的流程图和／或方框图来描述的。应理解可由计算机程序指令实现流程图和／或方框图中的每一流程和／或方框、以及流程图和／或方框图中的流程和／或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和／或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和／或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和／或方框图一个方框或多个方框中指定的功能的步骤。
尽管已描述了本发明的优选实施例，但本领域内的技术人员一旦得知了基本创造性概念，则可对这些实施例作出另外的变更和修改。所以，所附权利要求意欲解释为包括优选实施例以及落入本发明范围的所有变更和修改。
显然，本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围。这样，倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内，则本发明也意图包含这些改动和变型在内。
Claims (20)
1.一种判定计算机硬件资源繁忙程度的方法，其特征在于，该方法包括：
在当前采样时间段内，对待确定资源繁忙程度的计算机硬件资源的利用率值进行多次采样；
根据采样得到的多个资源利用率值，确定用于表征所述计算机硬件资源繁忙程度的基于极值的资源利用率值；
根据确定的基于极值的资源利用率值，判断在当前采样时间段内所述计算机硬件资源的繁忙程度。
2.如权利要求1所述的方法，其特征在于，确定用于表征所述计算机硬件资源繁忙程度的基于极值的资源利用率值，包括：
在采样得到的多个资源利用率值中选择至少一个资源利用率值；
将选择的至少一个资源利用率值的平均值，确定为用于表征所述计算机硬件资源繁忙程度的基于极值的资源利用率值。
3.如权利要求2所述的方法，其特征在于，在当前采样时间段内，对待确定资源繁忙程度的计算机硬件资源的利用率值进行多次采样，包括：
在当前采样时间段内预设的***繁忙时段，对待确定资源繁忙程度的计算机硬件资源的利用率值进行多次采样；
其中，***繁忙时段为待确定资源繁忙程度的计算机硬件资源的利用率值中取值大于用于表征所述计算机硬件资源繁忙程度的繁忙阈值的资源利用率值对应的时段。
4.如权利要求3所述的方法，其特征在于，在采样得到的多个资源利用率值中选择至少一个资源利用率值，包括：
选择采样得到的多个资源利用率值从大到小排序在前N个的资源利用率值，
其中，N为小于采样得到的资源利用率值的个数值的正整数。
5.如权利要求1～4任一权利要求所述的方法，其特征在于，根据确定的基于极值的资源利用率值，判断在当前采样时间段内所述计算机硬件资源的繁忙程度，包括：
在确定的基于极值的资源利用率值不小于用于表征所述计算机硬件资源繁忙程度的繁忙阈值时，确定在当前采样时间段内所述计算机硬件资源繁忙。
6.如权利要求5所述的方法，其特征在于，在判断当前采样时间段内所述计算机硬件资源繁忙之后，还包括：
对所述计算机硬件资源进行扩容处理。
7.如权利要求2所述的方法，其特征在于，在当前采样时间段内，对待确定资源繁忙程度的计算机硬件资源的利用率值进行多次采样，包括：
在当前采样时间段内预设的***空闲时段，对待确定资源繁忙程度的计算机硬件资源的利用率值进行多次采样；
其中，***空闲时段为待确定资源繁忙程度的计算机硬件资源的利用率值中取值小于用于表征所述计算机硬件资源空闲程度的空闲阈值的资源利用率值对应的时段。
8.如权利要求7所述的方法，其特征在于，在采样得到的多个资源利用率值中选择至少一个资源利用率值，包括：
选择采样得到的多个资源利用率值从大到小排序在后P个的资源利用率值，
其中，P为小于采样得到的资源利用率值的个数值的正整数。
9.如权利要求1、2、7或8所述的方法，其特征在于，根据确定的基于极值的资源利用率值，判断在当前采样时间段内所述计算机硬件资源的繁忙程度，包括：
在确定的所述基于极值的资源利用率值不大于用于表征所述计算机硬件资源空闲程度的空闲阈值时，确定在当前采样时间段内所述计算机硬件资源空闲。
10.如权利要求9所述的方法，其特征在于，在判断当前采样时间段内所述计算机硬件资源空闲之后，还包括：
对所述计算机硬件资源进行缩容处理。
11.一种判定计算机硬件资源繁忙程度的装置，其特征在于，包括：
采样单元，用于在当前采样时间段内，对待确定资源繁忙程度的计算机硬件资源的利用率值进行多次采样，以及将采样得到的资源利用率值传输至确定单元；
确定单元，用于根据接收到的来自所述采样单元的采样得到的多个资源利用率值，确定用于表征所述计算机硬件资源繁忙程度的基于极值的资源利用率值，以及将确定的基于极值的资源利用率值传输至判断单元；
判断单元，用于根据接收到的来自所述确定单元的基于极值的资源利用率值，判断在当前采样时间段内所述计算机硬件资源的繁忙程度。
12.如权利要求11所述的装置，其特征在于，所述确定单元，具体用于在接收到的来自所述采样单元的采样得到的多个资源利用率值中选择至少一个资源利用率值；并将选择的至少一个资源利用率值的平均值，确定为用于表征所述计算机硬件资源繁忙程度的基于极值的资源利用率值。
13.如权利要求12所述的装置，其特征在于，所述采样单元，具体用于在当前采样时间段内预设的***繁忙时段，对待确定资源繁忙程度的计算机硬件资源的利用率值进行多次采样；其中，***繁忙时段为待确定资源繁忙程度的计算机硬件资源的利用率值中取值大于用于表征所述计算机硬件资源繁忙程度的繁忙阈值的资源利用率值对应的时段。
14.如权利要求13所述的装置，其特征在于，所述确定单元，具体用于选择采样得到的多个资源利用率值从大到小排序在前N个的资源利用率值，其中，N为小于采样得到的资源利用率值的个数值的正整数。
15.如权利要求11～14任一权利要求所述的装置，其特征在于，所述判断单元，具体用于在确定的基于极值的资源利用率值不小于用于表征所述计算机硬件资源繁忙程度的繁忙阈值时，确定在当前采样时间段内所述计算机硬件资源繁忙。
16.如权利要求15所述的装置，其特征在于，还包括扩缩容单元，用于在判断单元判断当前采样时间段内所述计算机硬件资源繁忙时，对所述计算机硬件资源进行扩容处理。
17.如权利要求12所述的装置，其特征在于，所述采样单元，具体用于在当前采样时间段内预设的***空闲时段，对待确定资源繁忙程度的计算机硬件资源的利用率值进行多次采样；其中，***空闲时段为待确定资源繁忙程度的计算机硬件资源的利用率值中取值小于用于表征所述计算机硬件资源空闲程度的空闲阈值的资源利用率值对应的时段。
18.如权利要求17所述的装置，其特征在于，所述确定单元，具体用于选择采样得到的多个资源利用率值从大到小排序在后P个的资源利用率值，其中，P为小于采样得到的资源利用率值的个数值的正整数。
19.如权利要求11、12、17或18所述的装置，其特征在于，所述判断单元，具体用于在确定的所述基于极值的资源利用率值不大于用于表征所述计算机硬件资源空闲程度的空闲阈值时，确定在当前采样时间段内所述计算机硬件资源空闲。
20.如权利要求19所述的装置，其特征在于，还包括扩缩容单元，用于在判断单元判断当前采样时间段内所述计算机硬件资源空闲时，对所述计算机硬件资源进行缩容处理。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201310196167.5A CN104182278B (zh) | 2013-05-23 | 2013-05-23 | 一种判定计算机硬件资源繁忙程度的方法和装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201310196167.5A CN104182278B (zh) | 2013-05-23 | 2013-05-23 | 一种判定计算机硬件资源繁忙程度的方法和装置 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN104182278A CN104182278A (zh) | 2014-12-03 |
| CN104182278B true CN104182278B (zh) | 2018-03-13 |
Family
ID=51963353
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201310196167.5A Active CN104182278B (zh) | 2013-05-23 | 2013-05-23 | 一种判定计算机硬件资源繁忙程度的方法和装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN104182278B (zh) |
Families Citing this family (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107239339B (zh) * | 2016-03-29 | 2021-03-02 | 斑马智行网络(香港)有限公司 | ***性能优化参数确定方法、***性能优化方法及装置 |
| CN107682190B (zh) * | 2017-09-29 | 2021-08-10 | 郑州云海信息技术有限公司 | 一种网卡端口繁忙程度计算方法、装置、设备和存储介质 |
| CN108595266A (zh) * | 2018-04-18 | 2018-09-28 | 北京奇虎科技有限公司 | 基于区域内闲散算力的资源应用方法及装置、计算设备 |
| CN109450684B (zh) * | 2018-11-09 | 2020-06-30 | 北京邮电大学 | 一种网络切片***物理节点容量扩充方法及装置 |
| CN110134104A (zh) * | 2019-03-19 | 2019-08-16 | 北京车和家信息技术有限公司 | Vcu的cpu负荷计算方法、cpu负荷计算***和车辆 |
| CN111885625B (zh) * | 2020-07-28 | 2022-09-27 | 中国联合网络通信集团有限公司 | 一种资源利用率的确定方法及装置 |
| CN112579513B (zh) * | 2020-12-08 | 2023-04-25 | 成都海光微电子技术有限公司 | 芯片自适应控制电路、方法和***级芯片 |
| CN113886185B (zh) * | 2021-10-16 | 2023-07-11 | 深圳市瑞云科技有限公司 | 一种自动判断平台繁忙状态的方法 |
Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102708011A (zh) * | 2012-05-11 | 2012-10-03 | 南京邮电大学 | 一种面向云计算平台任务调度的多级负载评估方法 |
| CN102868763A (zh) * | 2012-10-08 | 2013-01-09 | 山东省计算中心 | 一种云计算环境下虚拟web应用集群节能的动态调整方法 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2012072363A1 (en) * | 2010-11-30 | 2012-06-07 | International Business Machines Corporation | A method computer program and system to optimize memory management of an application running on a virtual machine |
-
2013
- 2013-05-23 CN CN201310196167.5A patent/CN104182278B/zh active Active
Patent Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102708011A (zh) * | 2012-05-11 | 2012-10-03 | 南京邮电大学 | 一种面向云计算平台任务调度的多级负载评估方法 |
| CN102868763A (zh) * | 2012-10-08 | 2013-01-09 | 山东省计算中心 | 一种云计算环境下虚拟web应用集群节能的动态调整方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN104182278A (zh) | 2014-12-03 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN104182278B (zh) | 一种判定计算机硬件资源繁忙程度的方法和装置 | |
| CN109597685B (zh) | 任务分配方法、装置和服务器 | |
| CN104113585B (zh) | 用于产生指示负载平衡状态的硬件级中断的方法和设备 | |
| Mishra et al. | Towards characterizing cloud backend workloads: insights from *** compute clusters | |
| CN106020715B (zh) | 存储池容量管理 | |
| WO2019153487A1 (zh) | ***性能的度量方法、装置、存储介质和服务器 | |
| CN108874535A (zh) | 一种任务调节方法、计算机可读存储介质及终端设备 | |
| CN107784312A (zh) | 机器学习模型训练方法及装置 | |
| CN110417591A (zh) | 投票节点配置方法及*** | |
| CN110390584A (zh) | 一种异常用户的识别方法、识别装置及可读存储介质 | |
| CN106354616A (zh) | 监测应用执行性能的方法、装置及高性能计算*** | |
| CN115543577B (zh) | 基于协变量的Kubernetes资源调度优化方法、存储介质及设备 | |
| CN113010576A (zh) | 云计算***容量评估的方法、装置、设备和存储介质 | |
| CN109284895A (zh) | 项目任务分配方法、装置、计算机设备及存储介质 | |
| CN106656557A (zh) | 业务状态处理方法和装置 | |
| CN111104210A (zh) | 一种任务处理方法、装置及计算机*** | |
| CN113900921B (zh) | 法院信息***运行状态评估方法、装置、设备及存储介质 | |
| CN110222504A (zh) | 用户操作的监控方法、装置、终端设备及介质 | |
| CN105740434B (zh) | 网络信息评分方法及装置 | |
| CN102982037A (zh) | 检测数据库节点健康状况的方法及装置 | |
| Gupta et al. | Long range dependence in cloud servers: a statistical analysis based on *** workload trace | |
| Wildstrom et al. | Machine Learning for On-Line Hardware Reconfiguration. | |
| CN110471761A (zh) | 服务器的控制方法、用户设备、存储介质及装置 | |
| CN105045667A (zh) | 一种用于虚拟机vCPU调度的资源池管理方法 | |
| CN111124791A (zh) | 一种***测试方法及装置 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| C06 | Publication | ||
| PB01 | Publication | ||
| C10 | Entry into substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |