CN105207812A - 一种基于业务模型的云计算资源预测方法及*** - Google Patents
一种基于业务模型的云计算资源预测方法及*** Download PDFInfo
- Publication number
- CN105207812A CN105207812A CN201510537328.1A CN201510537328A CN105207812A CN 105207812 A CN105207812 A CN 105207812A CN 201510537328 A CN201510537328 A CN 201510537328A CN 105207812 A CN105207812 A CN 105207812A
- Authority
- CN
- China
- Prior art keywords
- demand
- resources
- virtual machine
- requirement model
- model
- 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.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 22
- 239000000284 extract Substances 0.000 claims description 22
- 238000010276 construction Methods 0.000 claims description 12
- 230000008878 coupling Effects 0.000 claims description 10
- 238000010168 coupling process Methods 0.000 claims description 10
- 238000005859 coupling reaction Methods 0.000 claims description 10
- 238000000605 extraction Methods 0.000 claims description 7
- 238000012216 screening Methods 0.000 claims description 7
- 230000007547 defect Effects 0.000 abstract 1
- 230000002708 enhancing effect Effects 0.000 abstract 1
- 238000007726 management method Methods 0.000 description 15
- 230000006872 improvement Effects 0.000 description 8
- 238000012544 monitoring process Methods 0.000 description 6
- 238000011835 investigation Methods 0.000 description 4
- 230000008901 benefit Effects 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 238000011160 research Methods 0.000 description 3
- 238000004821 distillation Methods 0.000 description 2
- 230000007774 longterm Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000009467 reduction Effects 0.000 description 2
- 238000013468 resource allocation Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000013523 data management Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000005611 electricity Effects 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 238000013439 planning Methods 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
- 239000002699 waste material Substances 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种基于业务模型的云计算资源预测方法，包括：获取用户所对应的目标业务***的需求信息，所述需求信息包括用户申请的虚拟机所属业务***的业务类型、用户申请的虚拟机在业务***中的虚拟机用途、用户申请的虚拟机所属业务***的业务规模及用户申请的虚拟机的申请时间；根据所述需求信息匹配资源需求模型库，获得目标业务***应申请的资源数量。本发明还公开了一种基于业务模型的云计算资源预测***。采用本发明，通过在申请时即根据资源需求模型进行合理的资源分配，提高了初次分配资源时的准确度，从而降低客户成本，提高业务连续性，避免了现有技术先分配再调整带来的资源浪费与影响业务连续性的缺点。
Description
技术领域
本发明涉及云计算领域，尤其涉及一种基于业务模型的云计算资源预测方法及一种基于业务模型的云计算资源预测***。
背景技术
云计算使用户能够像使用水、电一样，按需享受信息资源服务。在IAAS（InfrastructureasaService基于架构即服务）层，云计算资源在分配时，体现在CPU、内存、网络带宽、存储容量等资源的划分。
目前云计算资源的初次分配需要用户提出申请，管理人员审核并手工分配。初次分配完毕后，主流的云管理平台一般提供基于监控的资源重分配。例如VMware的DRS（DistributedResourceScheduler分布式资源调度），通过持续不断地监控资源池的利用率，根据需要在虚拟机自动分配适合的资源，通过这样动态分配和平衡资源，使虚拟机的资源分配与资源需求实现相对匹配。
但是，由于用户对自身所需要的信息资源数量缺乏准确的认识，往往申请远超实际需要的资源，管理员在缺少数据支撑的情况下，也难以给出有效的建议，只按申请数量分配。因此，初期失真的资源需求会使容量规划有较大偏差，造成浪费。
另外，分配后优化方式有两种，一种是管理员人工通过云平台监控用户业务的实际资源需求，调整用户资源分配；一种是通过云平台的基于监控的资源重分配功能，由***自动调整用户资源分配。但是，由于虚拟化技术和操作***的限制，大部分减少资源分配操作和一部分的增加资源分配操作是需要离线进行的，这会造成业务中断。
发明内容
本发明所要解决的技术问题在于，提供一种基于业务模型的云计算资源预测方法及***，可提高初次分配资源时的准确度，降低客户成本，提高业务连续性。
为了解决上述技术问题，本发明提供了一种基于业务模型的云计算资源预测方法，包括：获取用户所对应的目标业务***的需求信息，所述需求信息包括用户申请的虚拟机所属业务***的业务类型、用户申请的虚拟机在业务***中的虚拟机用途、用户申请的虚拟机所属业务***的业务规模及用户申请的虚拟机的申请时间；根据所述需求信息匹配资源需求模型库，获得目标业务***应申请的资源数量。
作为上述方案的改进，所述资源需求模型库中存储有资源需求模型；所述资源需求模型中的元素信息包括业务类型、业务规模、虚拟机用途、CPU需求、内存需求、存储空间需求、存储IO需求、网络IO需求、峰值时间及峰值需求增长比例。
作为上述方案的改进，所述根据需求信息匹配资源需求模型库的步骤包括：在资源需求模型库上检索与目标业务***具有相同业务类型的资源需求模型，获得第一次匹配结果；在第一次匹配结果中检索与目标业务***具有相同虚拟机用途的资源需求模型，获得第二次匹配结果；在第二次匹配结果中检索与目标业务***具有相同业务规模的资源需求模型，获得第三次匹配结果；对所述第三次匹配结果进行筛选，提取最优资源需求模型；根据所述最优资源需求模型所对应的元素信息，提取标准需求数量，所述标准需求数量包括CPU需求数量、内存需求数量、存储空间需求数量、存储IO需求数量及网络IO需求数量；判断目标业务***的申请时间是否处于最优资源需求模型所对应的峰值时间内，判断为否时，所述标准需求数量即为应申请的资源数量，判断为是时，根据最优资源需求模型所对应峰值需求增长比例，计算出应申请的资源数量。
作为上述方案的改进，基于业务模型的云计算资源预测方法还包括：构建资源需求模型库；所述构建资源需求模型库的方法包括：采集初始业务***的基础信息，所述基础信息包括业务类型、用户数量、虚拟机用途、CPU需求、内存需求、存储空间需求、存储IO需求、网络IO需求、峰值时间、峰值期间CPU需求、峰值期间内存需求、峰值期间存储空间需求、峰值期间存储IO需求及峰值期间网络IO需求；根据用户数量划分业务规模；根据所述基础信息计算峰值需求增长比例；根据所述基础信息、业务规模及峰值需求增长比例，提取元素信息；根据所述元素信息构建资源需求模型库。
相应地，本发明还提供了一种基于业务模型的云计算资源预测***，包括云计算资源预测装置及资源需求模型库；所述云计算资源预测装置包括：获取单元，用于获取用户所对应的目标业务***的需求信息，所述需求信息包括用户申请的虚拟机所属业务***的业务类型、用户申请的虚拟机在业务***中的虚拟机用途、用户申请的虚拟机所属业务***的业务规模及用户申请的虚拟机的申请时间；匹配单元，用于根据所述需求信息匹配资源需求模型库，获得目标业务***应申请的资源数量；
作为上述方案的改进，所述资源需求模型库中存储有资源需求模型；所述资源需求模型中的元素信息包括业务类型、业务规模、虚拟机用途、CPU需求、内存需求、存储空间需求、存储IO需求、网络IO需求、峰值时间及峰值需求增长比例。
作为上述方案的改进，所述匹配单元包括：第一匹配单元，用于在资源需求模型库上检索与目标业务***具有相同业务类型的资源需求模型，获得第一次匹配结果；第二匹配单元，用于在第一次匹配结果中检索与目标业务***具有相同虚拟机用途的资源需求模型，获得第二次匹配结果；第三匹配单元，用于在第二次匹配结果中检索与目标业务***具有相同业务规模的资源需求模型，获得第三次匹配结果；筛选单元，用于对所述第三次匹配结果进行筛选，提取最优资源需求模型；提取单元，用于根据所述最优资源需求模型所对应的元素信息，提取标准需求数量，所述标准需求数量包括CPU需求数量、内存需求数量、存储空间需求数量、存储IO需求数量及网络IO需求数量；判断单元，用于判断目标业务***的申请时间是否处于最优资源需求模型所对应的峰值时间内，判断为否时，所述标准需求数量即为应申请的资源数量，判断为是时，根据最优资源需求模型所对应峰值需求增长比例，计算出应申请的资源数量。
作为上述方案的改进，所述云计算资源预测装置还包括资源需求模型库构建单元；所述资源需求模型库构建单元包括：采集单元，用于采集初始业务***的基础信息，所述基础信息包括业务类型、用户数量、虚拟机用途、CPU需求、内存需求、存储空间需求、存储IO需求、网络IO需求、峰值时间、峰值期间CPU需求、峰值期间内存需求、峰值期间存储空间需求、峰值期间存储IO需求及峰值期间网络IO需求；划分单元，用于根据用户数量划分业务规模；比例计算单元，用于根据所述基础信息计算峰值需求增长比例；元素提取单元，根据所述基础信息、业务规模及峰值需求增长比例，提取元素信息；构建单元，用于根据所述元素信息构建资源需求模型库。
实施本发明，具有如下有益效果：
本发明基于业务模型的云计算资源预测方法，用户在申请时，即根据资源需求模型进行合理的资源分配，提高了初次分配资源时的准确度，从而降低客户成本，提高业务连续性，避免了现有技术先分配再调整带来的资源浪费与影响业务连续性的缺点。
另外，本发明通过构建行业通用的资源需求模型，为云计算资源预测提供完善的匹配基础。
附图说明
图1是本发明基于业务模型的云计算资源预测方法的第一实例流程图；
图2是本发明基于业务模型的云计算资源预测方法的第二实例流程图；
图3是本发明基于业务模型的云计算资源预测方法中构建资源需求模型库的流程图；
图4是本发明基于业务模型的云计算资源预测***的结构示意图；
图5是图4中匹配单元的结构示意图；
图6是本发明基于业务模型的云计算资源预测***的另一结构示意图；
图7是图6中资源需求模型库构建单元的结构示意图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚，下面将结合附图对本发明作进一步地详细描述。仅此声明，本发明在文中出现或即将出现的上、下、左、右、前、后、内、外等方位用词，仅以本发明的附图为基准，其并不是对本发明的具体限定。
图1是本发明基于业务模型的云计算资源预测方法的第一实例流程图，包括：
S101，获取用户所对应的目标业务***的需求信息。
所述需求信息包括用户申请的虚拟机所属业务***的业务类型、用户申请的虚拟机在业务***中的虚拟机用途、用户申请的虚拟机所属业务***的业务规模及用户申请的虚拟机的申请时间。
需要说明的是，用户为目标业务***申请资源时，需上传申请的虚拟机所属于业务***的业务类型、业务规模，虚拟机在业务***中的虚拟机用途，以及申请时间。
S102，根据所述需求信息匹配资源需求模型库，获得目标业务***应申请的资源数量。
所述资源需求模型库中存储有资源需求模型。所述资源需求模型中的元素信息包括业务类型、业务规模、虚拟机用途、CPU需求、内存需求、存储空间需求、存储IO需求、网络IO需求、峰值时间及峰值需求增长比例。其中，业务类型包括：校务管理类、教学科研类、招生就业类、综合服务类、财务管理、资产管理、人事管理、后勤管理、学生教育工作管理、学生体质健康数据管理、档案管理、党务管理、办公与事务处理、公文与信息交换、教学改革管理、学科、专业管理、教务教学管理、教学资源管理、教学质量评估与保障、科研项目管理、科研情报管理、国家统一招生管理、普通高校招生网上录取管理、学校自主招生管理、学生就业管理、门户网站、论坛、社区类网站、数字图书馆、电子邮件、视频服务、安防监控、校园一卡通、内网门户与身份认证、公共数据库、运维管理等，但不以此为限制。虚拟机用途包括：HTTP服务器、应用服务器及数据库服务器，但不以此为限制。CPU需求是指用户在实际使用中要求的CPU能力，例如32线程，64线程等。业务规模是指用户数量的范围区间。
需要说明的是，需求模型库中的元素信息是根据长期的数据调研与持续监测获得，不同的业务类型，不同的虚拟机用途，不同业务规模，对应不同的资源需求，同时，每种业务类型都具有相应的业务峰值时间和峰值时资源需求增长比例。
现有技术是初次在资源分配完成后，通过监控资源的利用率、运行状况进行再次分配。与现有技术相比，本发明提前构建行业通用的资源需求模型，通过在申请时即根据资源需求模型进行合理的资源分配，无需再次分配，提高了初次分配资源时的准确度，从而降低客户成本，提高业务连续性，同时，避免了现有技术先分配再调整带来的资源浪费与影响业务连续性的缺点。
图2是本发明基于业务模型的云计算资源预测方法的第二实例流程图，包括：
S201，获取用户所对应的目标业务***的需求信息。
所述需求信息包括用户申请的虚拟机所属业务***的业务类型、用户申请的虚拟机在业务***中的虚拟机用途、用户申请的虚拟机所属业务***的业务规模及用户申请的虚拟机的申请时间。
S202，在资源需求模型库上检索与目标业务***具有相同业务类型的资源需求模型，获得第一次匹配结果。
需要说明的是，所述资源需求模型库中存储有资源需求模型。所述资源需求模型中的元素信息包括业务类型、业务规模、虚拟机用途、CPU需求、内存需求、存储空间需求、存储IO需求、网络IO需求、峰值时间及峰值需求增长比例。
S203，在第一次匹配结果中检索与目标业务***具有相同虚拟机用途的资源需求模型，获得第二次匹配结果。
S204，在第二次匹配结果中检索与目标业务***具有相同业务规模的资源需求模型，获得第三次匹配结果。
S205，对所述第三次匹配结果进行筛选，提取最优资源需求模型。
需要说明的是，若经过步骤S202、步骤203及步骤204后，第三次匹配结果中包含多个资源需求模型时，则优先提取资源最为充足的资源需求模型，以保证得到唯一的最优资源需求模型。
S206，根据所述最优资源需求模型所对应的元素信息，提取标准需求数量。
当提取出最优资源需求模型时，可以该最优资源需求模型作为参考标准，从最优资源需求模型所对应的元素信息中，提取出标准需求数量。所述标准需求数量包括CPU需求数量、内存需求数量、存储空间需求数量、存储IO需求数量及网络IO需求数量。
S207，判断目标业务***的申请时间是否处于最优资源需求模型所对应的峰值时间内。判断为否时，所述标准需求数量即为应申请的资源数量；判断为是时，根据最优资源需求模型所对应峰值需求增长比例，计算出应申请的资源数量。
将目标业务***的申请时间与最优资源需求模型所对应的峰值时间进行比对，判断目标业务***的申请时间是否处于最优资源需求模型所对应的峰值时间内。如果申请时间不处于在峰值时间内，则标准需求数量无需修正，标准需求数量即是应申请的资源数量；如果申请时间处在峰值时间，则需要根据最优资源需求模型所对应峰值需求增长比例，计算出应申请的资源数量，其中，应申请的资源数量=标准需求数量×（1+峰值需求增长比例）。
需要说明的是，峰值需求增长比例包括CPU需求增长比例、内存需求增长比例、存储空间需求增长比例、存储IO需求增长比例及网络IO需求增长比例。
下面将结合具体的实例对本发明作进一步地详细描述。
实例：用户需要申请一台用于部署“校园一卡通”的虚拟机。
A1、获取用户的需求信息，其中，业务类型为“校园一卡通”，虚拟机用途为“应用服务器”，业务规模为“5000~10000人”，申请时间为“8:00”。
A2，检索出业务类型为“校园一卡通”的资源需求模型，获得第一次匹配结果；
A3，在第一次匹配结果中检索出虚拟机用途为“应用服务器”的资源需求模型，获得第二次匹配结果；
A4，在第二次匹配结果中检索出业务规模为“5000~10000人”的资源需求模型，获得第三次匹配结果；
A5，对所述第三次匹配结果进行筛选，提取最优资源需求模型;
A6，根据所述最优资源需求模型所对应的元素信息，提取标准需求数量;
A7，将申请时间“8:00”与最优资源需求模型所对应的峰值时间进行比对，判断出申请时间不处于在峰值时间内，此时标准需求数量即为应申请的资源数量。
因此，本发明提前构建行业通用的资源需求模型，通过在申请时即根据资源需求模型进行合理的资源分配，无需再次分配，提高了初次分配资源时的准确度，从而降低客户成本，提高业务连续性，同时，避免了现有技术先分配再调整带来的资源浪费与影响业务连续性的缺点。
需要说明的是，步骤S201之前还需要预先构建资源需求模型库。
具体地，所述构建资源需求模型库的方法包括：
S301、采集初始业务***的基础信息。
所述基础信息包括业务类型、用户数量、虚拟机用途、CPU需求、内存需求、存储空间需求、存储IO需求、网络IO需求、峰值时间、峰值期间CPU需求、峰值期间内存需求、峰值期间存储空间需求、峰值期间存储IO需求及峰值期间网络IO需求。
资源需求模型库中的基础信息来自于对每个行业业务***的大量调研，不同的业务类型，不同的虚拟机用途，不同业务规模，对应不同的资源需求。
S302、根据用户数量划分业务规模。
业务规模是指用户数量的范围区间。优选的，每种业务类型可根据用户数量分成7种规模，从而确定业务规模，但不以此为限制。
S303、根据所述基础信息计算峰值需求增长比例。
需要说明的是，峰值需求增长比例可用于当***进入高峰期的时，自动对虚拟机的各种资源进行自动调整，以满足高峰期的资源需求。其中，峰值需求增长比例包括CPU需求增长比例、内存需求增长比例、存储空间需求增长比例、存储IO需求增长比例及网络IO需求增长比例。
具体地，用峰值期间CPU需求减去CPU需求再除以CPU需求即可得到CPU需求增长比例；用峰值期间内存需求减去内存需求再除以内存需求即可得到内存需求增长比例；用峰值期间存储空间需求减去存储空间需求再除以存储空间需求即可得到存储空间需求增长比例；用峰值期间存储IO需求减去存储IO需求再除以存储IO需求即可得到存储IO需求增长比例；用峰值期间网络IO需求减去网络IO需求再除以网络IO需求即可得到网络IO需求增长比例。
S304、根据所述基础信息、业务规模及峰值需求增长比例，提取元素信息。
所述资源需求模型中的元素信息包括业务类型、业务规模、虚拟机用途、CPU需求、内存需求、存储空间需求、存储IO需求、网络IO需求、峰值时间及峰值需求增长比例。
S305、根据所述元素信息构建资源需求模型库。
因此，通过步骤S301~305即可构建多个独立的资源需求模型。其中，不同的业务类型，不同的虚拟机用途，不同业务规模分别对应不同的资源需求，同时，每种业务类型具有自己的业务峰值时间和峰值时资源需求增长比例。
将资源需求模型以数据库表形式存储即可形成资源需求模型库。
由上可知，本发明通过提前构建行业通用的资源需求模型，为云计算资源预测提供完善的匹配基础。同时，通过在申请时即根据资源需求模型进行合理的资源分配，提高了初次分配资源时的准确度，从而降低客户成本，提高业务连续性，避免了现有技术先分配再调整带来的资源浪费与影响业务连续性的缺点。
图4是本发明基于业务模型的云计算资源预测***100的结构示意图，所述基于业务模型的云计算资源预测***100包括：云计算资源预测装置1及资源需求模型库2。
其中：
所述资源需求模型库中存储有资源需求模型。所述资源需求模型中的元素信息包括业务类型、业务规模、虚拟机用途、CPU需求、内存需求、存储空间需求、存储IO需求、网络IO需求、峰值时间及峰值需求增长比例。需求模型库中的元素信息是根据长期的数据调研与持续监测获得，不同的业务类型，不同的虚拟机用途，不同业务规模，对应不同的资源需求，同时，每种业务类型都具有相应的业务峰值时间和峰值时资源需求增长比例。
所述云计算资源预测装置1包括：获取单元11及匹配单元12。
获取单元11，用于获取用户所对应的目标业务***的需求信息。
所述需求信息包括用户申请的虚拟机所属业务***的业务类型、用户申请的虚拟机在业务***中的虚拟机用途、用户申请的虚拟机所属业务***的业务规模及用户申请的虚拟机的申请时间。用户为目标业务***申请资源时，需上传申请的虚拟机所属于业务***的业务类型、业务规模，虚拟机在业务***中的虚拟机用途，以及申请时间。
匹配单元12，用于根据所述需求信息匹配资源需求模型库，获得目标业务***应申请的资源数量。
本发明中，通过匹配单元12对资源需求模型库内的资源需求模型进行匹配，从而合理地实现资源分配，无需再次分配，提高了初次分配资源时的准确度，从而降低客户成本，提高业务连续性，同时，避免了现有技术先分配再调整带来的资源浪费与影响业务连续性的缺点。
如图5所示，所述匹配单元12包括：
第一匹配单元121，用于在资源需求模型库上检索与目标业务***具有相同业务类型的资源需求模型，获得第一次匹配结果。
第二匹配单元122，用于在第一次匹配结果中检索与目标业务***具有相同虚拟机用途的资源需求模型，获得第二次匹配结果。
第三匹配单元123，用于在第二次匹配结果中检索与目标业务***具有相同业务规模的资源需求模型，获得第三次匹配结果。
筛选单元124，用于对所述第三次匹配结果进行筛选，提取最优资源需求模型。
需要说明的是，依次经过第一匹配单元121、第二匹配单元122及第三匹配单元123的匹配后，若第三次匹配结果中包含多个资源需求模型时，则通过筛选单元124优先提取资源最为充足的资源需求模型，以保证得到唯一的最优资源需求模型。
提取单元125，用于根据所述最优资源需求模型所对应的元素信息，提取标准需求数量。
当提取出最优资源需求模型时，可以该最优资源需求模型作为参考标准，从最优资源需求模型所对应的元素信息中，提取出标准需求数量。所述标准需求数量包括CPU需求数量、内存需求数量、存储空间需求数量、存储IO需求数量及网络IO需求数量。
判断单元126，用于判断目标业务***的申请时间是否处于最优资源需求模型所对应的峰值时间内，判断为否时，所述标准需求数量即为应申请的资源数量，判断为是时，根据最优资源需求模型所对应峰值需求增长比例，计算出应申请的资源数量，其中，应申请的资源数量=标准需求数量×（1+峰值需求增长比例）。
需要说明的是，峰值需求增长比例包括CPU需求增长比例、内存需求增长比例、存储空间需求增长比例、存储IO需求增长比例及网络IO需求增长比例。
图6是本发明基于业务模型的云计算资源预测***100的另一结构示意图，与图4所示的基于业务模型的云计算资源预测***100不同的是，所述云计算资源预测装置1还包括资源需求模型库构建单元13。
如图7所示，所述资源需求模型库构建单元13包括：
采集单元131，用于采集初始业务***的基础信息。
资源需求模型库中的基础信息来自于对每个行业业务***的大量调研，不同的业务类型，不同的虚拟机用途，不同业务规模，对应不同的资源需求。所述基础信息包括业务类型、用户数量、虚拟机用途、CPU需求、内存需求、存储空间需求、存储IO需求、网络IO需求、峰值时间、峰值期间CPU需求、峰值期间内存需求、峰值期间存储空间需求、峰值期间存储IO需求及峰值期间网络IO需求。
划分单元132，用于根据用户数量划分业务规模。
业务规模是指用户数量的范围区间。优选地，每种业务类型可根据用户数量分成7种规模，从而确定业务规模，但不以此为限制。
比例计算单元133，用于根据所述基础信息计算峰值需求增长比例。
其中，峰值需求增长比例包括CPU需求增长比例、内存需求增长比例、存储空间需求增长比例、存储IO需求增长比例及网络IO需求增长比例。
具体地，用峰值期间CPU需求减去CPU需求再除以CPU需求即可得到CPU需求增长比例；用峰值期间内存需求减去内存需求再除以内存需求即可得到内存需求增长比例；用峰值期间存储空间需求减去存储空间需求再除以存储空间需求即可得到存储空间需求增长比例；用峰值期间存储IO需求减去存储IO需求再除以存储IO需求即可得到存储IO需求增长比例；用峰值期间网络IO需求减去网络IO需求再除以网络IO需求即可得到网络IO需求增长比例。
元素提取单元134，根据所述基础信息、业务规模及峰值需求增长比例，提取元素信息。
所述资源需求模型中的元素信息包括业务类型、业务规模、虚拟机用途、CPU需求、内存需求、存储空间需求、存储IO需求、网络IO需求、峰值时间及峰值需求增长比例。
构建单元135，用于根据所述元素信息构建资源需求模型库。
依次通过采集单元131、划分单元132、比例计算单元133及元素提取单元134即可构建多个独立的资源需求模型。其中，不同的业务类型，不同的虚拟机用途，不同业务规模分别对应不同的资源需求，同时，每种业务类型具有自己的业务峰值时间和峰值时资源需求增长比例。构建单元135将资源需求模型以数据库表形式存储即可形成资源需求模型库。
由上可知，本发明通过资源需求模型库构建单元13提前构建行业通用的资源需求模型，为云计算资源预测提供完善的匹配基础。同时，通过匹配单元12在申请时即根据资源需求模型进行合理的资源分配，提高了初次分配资源时的准确度，从而降低客户成本，提高业务连续性，避免了现有技术先分配再调整带来的资源浪费与影响业务连续性的缺点。
以上所述是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也视为本发明的保护范围。
Claims (8)
1.一种基于业务模型的云计算资源预测方法，其特征在于，包括：
获取用户所对应的目标业务***的需求信息，所述需求信息包括用户申请的虚拟机所属业务***的业务类型、用户申请的虚拟机在业务***中的虚拟机用途、用户申请的虚拟机所属业务***的业务规模及用户申请的虚拟机的申请时间；
根据所述需求信息匹配资源需求模型库，获得目标业务***应申请的资源数量。
2.如权利要求1所述的基于业务模型的云计算资源预测方法，其特征在于，所述资源需求模型库中存储有资源需求模型；
所述资源需求模型中的元素信息包括业务类型、业务规模、虚拟机用途、CPU需求、内存需求、存储空间需求、存储IO需求、网络IO需求、峰值时间及峰值需求增长比例。
3.如权利要求2所述的基于业务模型的云计算资源预测方法，其特征在于，所述根据需求信息匹配资源需求模型库的步骤包括：
在资源需求模型库上检索与目标业务***具有相同业务类型的资源需求模型，获得第一次匹配结果；
在第一次匹配结果中检索与目标业务***具有相同虚拟机用途的资源需求模型，获得第二次匹配结果；
在第二次匹配结果中检索与目标业务***具有相同业务规模的资源需求模型，获得第三次匹配结果；
对所述第三次匹配结果进行筛选，提取最优资源需求模型；
根据所述最优资源需求模型所对应的元素信息，提取标准需求数量，所述标准需求数量包括CPU需求数量、内存需求数量、存储空间需求数量、存储IO需求数量及网络IO需求数量；
判断目标业务***的申请时间是否处于最优资源需求模型所对应的峰值时间内，判断为否时，所述标准需求数量即为应申请的资源数量，判断为是时，根据最优资源需求模型所对应峰值需求增长比例，计算出应申请的资源数量。
4.如权利要求1所述的基于业务模型的云计算资源预测方法，其特征在于，还包括：构建资源需求模型库；
所述构建资源需求模型库的方法包括：
采集初始业务***的基础信息，所述基础信息包括业务类型、用户数量、虚拟机用途、CPU需求、内存需求、存储空间需求、存储IO需求、网络IO需求、峰值时间、峰值期间CPU需求、峰值期间内存需求、峰值期间存储空间需求、峰值期间存储IO需求及峰值期间网络IO需求；
根据用户数量划分业务规模；
根据所述基础信息计算峰值需求增长比例；
根据所述基础信息、业务规模及峰值需求增长比例，提取元素信息；
根据所述元素信息构建资源需求模型库。
5.一种基于业务模型的云计算资源预测***，其特征在于，包括云计算资源预测装置及资源需求模型库；
所述云计算资源预测装置包括：
获取单元，用于获取用户所对应的目标业务***的需求信息，所述需求信息包括用户申请的虚拟机所属业务***的业务类型、用户申请的虚拟机在业务***中的虚拟机用途、用户申请的虚拟机所属业务***的业务规模及用户申请的虚拟机的申请时间；
匹配单元，用于根据所述需求信息匹配资源需求模型库，获得目标业务***应申请的资源数量。
6.如权利要求5所述的基于业务模型的云计算资源预测***，其特征在于，所述资源需求模型库中存储有资源需求模型；
所述资源需求模型中的元素信息包括业务类型、业务规模、虚拟机用途、CPU需求、内存需求、存储空间需求、存储IO需求、网络IO需求、峰值时间及峰值需求增长比例。
7.如权利要求6所述的基于业务模型的云计算资源预测***，其特征在于，所述匹配单元包括：
第一匹配单元，用于在资源需求模型库上检索与目标业务***具有相同业务类型的资源需求模型，获得第一次匹配结果；
第二匹配单元，用于在第一次匹配结果中检索与目标业务***具有相同虚拟机用途的资源需求模型，获得第二次匹配结果；
第三匹配单元，用于在第二次匹配结果中检索与目标业务***具有相同业务规模的资源需求模型，获得第三次匹配结果；
筛选单元，用于对所述第三次匹配结果进行筛选，提取最优资源需求模型；
提取单元，用于根据所述最优资源需求模型所对应的元素信息，提取标准需求数量，所述标准需求数量包括CPU需求数量、内存需求数量、存储空间需求数量、存储IO需求数量及网络IO需求数量；
判断单元，用于判断目标业务***的申请时间是否处于最优资源需求模型所对应的峰值时间内，判断为否时，所述标准需求数量即为应申请的资源数量，判断为是时，根据最优资源需求模型所对应峰值需求增长比例，计算出应申请的资源数量。
8.如权利要求5所述的基于业务模型的云计算资源预测***，其特征在于，所述云计算资源预测装置还包括资源需求模型库构建单元；
所述资源需求模型库构建单元包括：
采集单元，用于采集初始业务***的基础信息，所述基础信息包括业务类型、用户数量、虚拟机用途、CPU需求、内存需求、存储空间需求、存储IO需求、网络IO需求、峰值时间、峰值期间CPU需求、峰值期间内存需求、峰值期间存储空间需求、峰值期间存储IO需求及峰值期间网络IO需求；
划分单元，用于根据用户数量划分业务规模；
比例计算单元，用于根据所述基础信息计算峰值需求增长比例；
元素提取单元，根据所述基础信息、业务规模及峰值需求增长比例，提取元素信息；
构建单元，用于根据所述元素信息构建资源需求模型库。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201510537328.1A CN105207812B (zh) | 2015-08-28 | 2015-08-28 | 一种基于业务模型的云计算资源预测方法及*** |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201510537328.1A CN105207812B (zh) | 2015-08-28 | 2015-08-28 | 一种基于业务模型的云计算资源预测方法及*** |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN105207812A true CN105207812A (zh) | 2015-12-30 |
| CN105207812B CN105207812B (zh) | 2018-04-17 |
Family
ID=54955265
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201510537328.1A Active CN105207812B (zh) | 2015-08-28 | 2015-08-28 | 一种基于业务模型的云计算资源预测方法及*** |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN105207812B (zh) |
Cited By (15)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106502796A (zh) * | 2016-10-27 | 2017-03-15 | 广东浪潮大数据研究有限公司 | 一种软件开发测试平台、***及使用方法 |
| CN106648871A (zh) * | 2016-12-28 | 2017-05-10 | 北京奇艺世纪科技有限公司 | 一种资源管理方法及*** |
| CN108039962A (zh) * | 2017-12-05 | 2018-05-15 | 三盟科技股份有限公司 | 一种基于大数据环境下的云计算业务资源计算方法及*** |
| WO2018086625A1 (en) * | 2016-11-14 | 2018-05-17 | Huawei Technologies Co., Ltd. | System and method for accelerated provision of network services |
| CN109213597A (zh) * | 2018-08-01 | 2019-01-15 | 平安科技（深圳）有限公司 | 资源分配方法、装置、计算机设备及计算机可读存储介质 |
| CN109901928A (zh) * | 2019-03-01 | 2019-06-18 | 厦门容能科技有限公司 | 一种推荐云主机配置的方法及云主机 |
| CN109995677A (zh) * | 2018-01-02 | 2019-07-09 | ***通信有限公司研究院 | 资源分配方法、装置及存储介质 |
| CN110262869A (zh) * | 2018-10-30 | 2019-09-20 | 湖北省农村信用社联合社网络信息中心 | 私有云Paas资源供需双方信息交互方法 |
| CN110447011A (zh) * | 2017-03-23 | 2019-11-12 | 日本电气株式会社 | 开发操作支持***、开发管理服务器、操作管理服务器及其方法以及存储有其程序的非暂时性计算机可读介质 |
| CN110659126A (zh) * | 2018-06-29 | 2020-01-07 | 中兴通讯股份有限公司 | 资源管理方法、设备以及计算机可读存储介质 |
| CN112737798A (zh) * | 2019-10-14 | 2021-04-30 | ***通信集团四川有限公司 | 主机资源分配方法、装置及调度服务器、存储介质 |
| WO2021185206A1 (zh) * | 2020-03-16 | 2021-09-23 | 第四范式（北京）技术有限公司 | 集群任务的资源分配方法及装置、计算机装置及存储介质 |
| CN114205249A (zh) * | 2020-09-02 | 2022-03-18 | 中国联合网络通信集团有限公司 | 资源分配方法及终端设备 |
| CN115766336A (zh) * | 2022-09-27 | 2023-03-07 | 中国联合网络通信集团有限公司 | 资源分配方法、装置、设备及存储介质 |
| CN117435298A (zh) * | 2023-10-16 | 2024-01-23 | 常州大数据有限公司 | 一种基于大语言模型的数据中心能效智能调优云平台 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| EP1693763A1 (en) * | 2005-02-18 | 2006-08-23 | International Business Machines Corporation | System, method and computer program product for providing computing service-power to Service-Users via a heterogeneous distributed computing environment |
| WO2013131186A1 (en) * | 2012-03-01 | 2013-09-12 | Cirba Inc. | System and method for providing a capacity reservation system for a virtual or cloud computing environment |
| CN103533037A (zh) * | 2013-09-29 | 2014-01-22 | 浙江工商大学 | 基于经济模型的转发和控制分离网络中的资源调度方法 |
| CN104270459A (zh) * | 2014-10-20 | 2015-01-07 | 山东省计算中心（国家超级计算济南中心） | 一种增强公平性的云计算用户资源配额分配方法 |
| CN104601664A (zh) * | 2014-12-22 | 2015-05-06 | 西安电子科技大学 | 一种云计算平台资源管理与虚拟机调度的控制*** |
-
2015
- 2015-08-28 CN CN201510537328.1A patent/CN105207812B/zh active Active
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| EP1693763A1 (en) * | 2005-02-18 | 2006-08-23 | International Business Machines Corporation | System, method and computer program product for providing computing service-power to Service-Users via a heterogeneous distributed computing environment |
| WO2013131186A1 (en) * | 2012-03-01 | 2013-09-12 | Cirba Inc. | System and method for providing a capacity reservation system for a virtual or cloud computing environment |
| CN103533037A (zh) * | 2013-09-29 | 2014-01-22 | 浙江工商大学 | 基于经济模型的转发和控制分离网络中的资源调度方法 |
| CN104270459A (zh) * | 2014-10-20 | 2015-01-07 | 山东省计算中心（国家超级计算济南中心） | 一种增强公平性的云计算用户资源配额分配方法 |
| CN104601664A (zh) * | 2014-12-22 | 2015-05-06 | 西安电子科技大学 | 一种云计算平台资源管理与虚拟机调度的控制*** |
Cited By (24)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106502796A (zh) * | 2016-10-27 | 2017-03-15 | 广东浪潮大数据研究有限公司 | 一种软件开发测试平台、***及使用方法 |
| US11095526B2 (en) | 2016-11-14 | 2021-08-17 | Huawei Technologies Co., Ltd. | System and method for accelerated provision of network services |
| WO2018086625A1 (en) * | 2016-11-14 | 2018-05-17 | Huawei Technologies Co., Ltd. | System and method for accelerated provision of network services |
| CN106648871A (zh) * | 2016-12-28 | 2017-05-10 | 北京奇艺世纪科技有限公司 | 一种资源管理方法及*** |
| CN110447011B (zh) * | 2017-03-23 | 2023-02-17 | 日本电气株式会社 | 开发操作支持***、开发管理服务器、操作管理服务器及其方法以及存储有其程序的非暂时性计算机可读介质 |
| US11184229B2 (en) * | 2017-03-23 | 2021-11-23 | Nec Corporation | Development operation support system, development management server, operation management server, method thereof, and non-transitory computer readable medium storing program thereof |
| CN110447011A (zh) * | 2017-03-23 | 2019-11-12 | 日本电气株式会社 | 开发操作支持***、开发管理服务器、操作管理服务器及其方法以及存储有其程序的非暂时性计算机可读介质 |
| US20200014592A1 (en) * | 2017-03-23 | 2020-01-09 | Nec Corporation | Development operation support system, development management server, operation management server, method thereof, and non-transitory computer readable medium storing program thereof |
| CN108039962A (zh) * | 2017-12-05 | 2018-05-15 | 三盟科技股份有限公司 | 一种基于大数据环境下的云计算业务资源计算方法及*** |
| CN109995677A (zh) * | 2018-01-02 | 2019-07-09 | ***通信有限公司研究院 | 资源分配方法、装置及存储介质 |
| CN109995677B (zh) * | 2018-01-02 | 2022-11-29 | ***通信有限公司研究院 | 资源分配方法、装置及存储介质 |
| CN110659126A (zh) * | 2018-06-29 | 2020-01-07 | 中兴通讯股份有限公司 | 资源管理方法、设备以及计算机可读存储介质 |
| CN110659126B (zh) * | 2018-06-29 | 2023-04-14 | 中兴通讯股份有限公司 | 资源管理方法、设备以及计算机可读存储介质 |
| CN109213597A (zh) * | 2018-08-01 | 2019-01-15 | 平安科技（深圳）有限公司 | 资源分配方法、装置、计算机设备及计算机可读存储介质 |
| CN110262869A (zh) * | 2018-10-30 | 2019-09-20 | 湖北省农村信用社联合社网络信息中心 | 私有云Paas资源供需双方信息交互方法 |
| CN109901928A (zh) * | 2019-03-01 | 2019-06-18 | 厦门容能科技有限公司 | 一种推荐云主机配置的方法及云主机 |
| CN112737798A (zh) * | 2019-10-14 | 2021-04-30 | ***通信集团四川有限公司 | 主机资源分配方法、装置及调度服务器、存储介质 |
| CN112737798B (zh) * | 2019-10-14 | 2022-09-27 | ***通信集团四川有限公司 | 主机资源分配方法、装置及调度服务器、存储介质 |
| WO2021185206A1 (zh) * | 2020-03-16 | 2021-09-23 | 第四范式（北京）技术有限公司 | 集群任务的资源分配方法及装置、计算机装置及存储介质 |
| CN114205249A (zh) * | 2020-09-02 | 2022-03-18 | 中国联合网络通信集团有限公司 | 资源分配方法及终端设备 |
| CN114205249B (zh) * | 2020-09-02 | 2023-07-18 | 中国联合网络通信集团有限公司 | 资源分配方法及终端设备 |
| CN115766336A (zh) * | 2022-09-27 | 2023-03-07 | 中国联合网络通信集团有限公司 | 资源分配方法、装置、设备及存储介质 |
| CN117435298A (zh) * | 2023-10-16 | 2024-01-23 | 常州大数据有限公司 | 一种基于大语言模型的数据中心能效智能调优云平台 |
| CN117435298B (zh) * | 2023-10-16 | 2024-05-28 | 常州大数据有限公司 | 一种基于大语言模型的数据中心能效智能调优云平台 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN105207812B (zh) | 2018-04-17 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN105207812A (zh) | 一种基于业务模型的云计算资源预测方法及*** | |
| CN106485396A (zh) | 一种安全生产隐患排查*** | |
| CN109408228B (zh) | 基于预算调配的群智感知任务分配方法 | |
| Zou et al. | Modeling the polycentric evolution of post-Olympic Beijing: An empirical analysis of land prices and development intensity | |
| CN107038346A (zh) | 一种医院设备科设备全生命周期管理*** | |
| CN108090805A (zh) | 一种信息推送方法、终端及存储介质 | |
| CN105005874A (zh) | 网格员考核方法和*** | |
| CN113807553A (zh) | 预约服务的数量分析方法、装置、设备及存储介质 | |
| Jain et al. | Cloud computing with ERP-A push business towards higher efficiency | |
| CN104424348A (zh) | 服务分析装置及方法 | |
| CN113469523B (zh) | 柜员排班信息的获取方法、装置、电子设备和存储介质 | |
| CN114218291A (zh) | 基于目标对象的画像生成方法、装置、设备及存储介质 | |
| CN109472511A (zh) | 一种资源配置方法、装置、计算机设备和存储介质 | |
| CN113052417A (zh) | 一种资源配置方法以及装置 | |
| CN104239413B (zh) | 一种电网数据在线分析处理方法 | |
| CN115719270A (zh) | 信用评价方法、装置、设备、介质和程序产品 | |
| CN104732078A (zh) | 基于云平台的医疗信息分级存储方法 | |
| Fleming et al. | Spatiotemporal analysis of out-of-hospital cardiac arrest in the City of Los Angeles, 2011–2019 | |
| CN108959324A (zh) | 多媒体展示资源库存量的预估方法、装置及存储介质 | |
| CN106600129A (zh) | 一种电网规划方法和*** | |
| CN110443475A (zh) | 分时配送分配方法及装置 | |
| CN104142863B (zh) | 基于流守恒的资源配置方法 | |
| CN104680028B (zh) | 基于云平台的医疗***病例信息优化存储方法 | |
| Indrawati et al. | Numerical Solution of Internet Pricing Scheme Based on Perfect Substitute Utility Function | |
| CN104463428A (zh) | 电网规划数据处理方法 |
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 | ||
| CP01 | Change in the name or title of a patent holder | ||
| CP01 | Change in the name or title of a patent holder |
Address after: 510075 Guangdong city of Guangzhou province Yuexiu District Shuiyin Road No. 56 Building 1 room 6A (office use only) Patentee after: Guangdong three league Polytron Technologies Inc. Address before: 510075 Guangdong city of Guangzhou province Yuexiu District Shuiyin Road No. 56 Building 1 room 6A (office use only) Patentee before: GUANGDONG SANMENG INFORMATION TECHNOLOGY Co.,Ltd. |
|
| CP03 | Change of name, title or address | ||
| CP03 | Change of name, title or address |
Address after: 510095 206, 1 building 20, Taihe Gang Road, Yuexiu District, Guangzhou, Guangdong. Patentee after: SUNMNET TECHNOLOGY CO.,LTD. Address before: 510075 Guangdong city of Guangzhou province Yuexiu District Shuiyin Road No. 56 Building 1 room 6A (office use only) Patentee before: Guangdong three league Polytron Technologies Inc. |
|
| PE01 | Entry into force of the registration of the contract for pledge of patent right | ||
| PE01 | Entry into force of the registration of the contract for pledge of patent right |
Denomination of invention: Cloud computing resource prediction method and system based on business model Effective date of registration: 20210205 Granted publication date: 20180417 Pledgee: China Co. truction Bank Corp Guangzhou Liwan branch Pledgor: SUNMNET TECHNOLOGY Co.,Ltd. Registration number: Y2021980001059 |
|
| PP01 | Preservation of patent right | ||
| PP01 | Preservation of patent right |
Effective date of registration: 20230919 Granted publication date: 20180417 |