CN105743677A - 一种资源配置方法及装置 - Google Patents
一种资源配置方法及装置 Download PDFInfo
- Publication number
- CN105743677A CN105743677A CN201410758986.9A CN201410758986A CN105743677A CN 105743677 A CN105743677 A CN 105743677A CN 201410758986 A CN201410758986 A CN 201410758986A CN 105743677 A CN105743677 A CN 105743677A
- Authority
- CN
- China
- Prior art keywords
- resource
- server
- operation system
- load
- resource load
- 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
Landscapes
- Debugging And Monitoring (AREA)
Abstract
本发明涉及计算机技术领域,尤其涉及一种资源配置方法及装置,用以为业务***配置匹配业务***性能的服务器资源。本发明实施例提供资源配置方法包括:根据服务器的资源信息,生成资源负载;所述资源负载用于占用服务器资源,以挤占业务***能够利用的服务器资源;根据在资源负载的作用下,业务***运行的性能信息,确定为所述业务***配置的服务器资源。由于本发明实施例根据业务***的实际性能来为业务***配置服务器资源,因此可以为业务***配置到匹配业务***性能的合理的服务器资源。另外,通过生成资源负载的方式来挤压业务***能够利用的服务器资源,相比不断调整为业务***分配的服务器资源的方式,实施简便、配置效率高。
Description
技术领域
本发明涉及计算机技术领域,尤其涉及一种资源配置方法及装置。
背景技术
随着云计算、大数据的快速发展,应用服务方在服务器的采购和运行维护等方面的投入也越来越大,由于服务器资源是影响服务器成本的根本因素,因此为各种业务***合理配置服务器资源变得越来越重要。对一个业务***最合理的资源配置应该是,在使得该业务***运行的性能最佳的条件下,配置最少的服务器资源。
为了提高服务器资源与特定业务***的匹配程度,通常通过监测资源利用率来预测更合理的服务器资源配置。但是,在很多情况下,业务***对服务器的资源利用率并不能反映该业务***的实际性能。比如,业务***可能倾向于占用较多的内存,除非服务器资源不够,否则不会主动释放已占用的资源。比如,在其它资源配置相同的情况下,为业务***配置32G内存时,内存利用率接近100%,若改为配置64G内存,内存利用率仍然接近100%,而在这两种配置下,业务***的实际性能基本是相同的。
综上,由于业务***对服务器的资源利用率并不能反映该业务***的实际性能,因此,监测资源利用率的方式有时候并不能预测到较合理的服务器资源配置。
发明内容
本发明实施例提供一种资源配置方法及装置,用以实现为业务***配置匹配业务***性能的服务器资源。
本发明实施例提供一种资源配置方法,包括:
根据服务器的资源信息,生成资源负载;所述资源负载用于占用服务器资源,以挤占业务***能够利用的服务器资源;
根据在所述资源负载的作用下,所述业务***运行的性能信息,确定为所述业务***配置的服务器资源。
可选地,根据服务器的资源信息,生成资源负载,包括:
根据服务器的资源信息,生成多组资源负载,其中每组资源负载中包含至少一种资源负载,不同组资源负载中包含的相同类型的资源负载的大小不同;
根据在所述资源负载的作用下,所述业务***运行的性能信息,确定为所述业务***配置的服务器资源,包括:
根据在不同组的资源负载的作用下,所述业务***运行的性能信息,确定所述业务***运行的性能最佳时对应的一组占用服务器资源最多的资源负载;
根据所述服务器的资源信息,以及确定的所述业务***运行的性能最佳时对应的一组占用服务器资源最多的资源负载,确定为所述业务***配置的服务器资源。
可选地,根据服务器的资源信息,生成多组资源负载,包括:
根据服务器的资源信息,以及在最近N次生成的至少一组资源负载的作用下,所述业务***运行的性能信息,确定第N+1次需要生成的一组资源负载;N为正整数。
可选地,根据服务器的资源信息,生成多组资源负载,包括:
根据服务器的资源信息、最近一次生成的一组资源负载以及预设的每种资源负载的调整步长,确定本次需要生成的资源负载。
可选地,所述业务***运行的性能信息包括业务***并发用户数和/或响应时间。
本发明实施例提供一种资源配置装置,包括:
生成模块,用于根据服务器的资源信息,生成资源负载;所述资源负载用于占用服务器资源,以挤占业务***能够利用的服务器资源;
确定模块,用于根据在所述资源负载的作用下,所述业务***运行的性能信息,确定为所述业务***配置的服务器资源。
本发明实施例在服务器上生成用于占用服务器资源的资源负载,该资源负载对服务器产生负载压力,从而可以挤压业务***能够利用的服务器资源;这样,可以参考在资源负载的作用下采集到的业务***的性能信息,为业务***配置服务器资源。由于本发明实施例根据业务***的实际性能表现来为业务***配置服务器资源,因此可以为业务***配置到更合理的服务器资源。
附图说明
图1为本发明实施例一提供的资源配置方法流程图;
图2为本发明实施例二提供的资源配置方法流程图;
图3为本发明实施例建立的资源配置***示意图;
图4为本发明实施例提供的资源配置装置结构示意图。
具体实施方式
本发明实施例的基本思想是:在服务器上生成用于占用服务器资源的资源负载,该资源负载对服务器产生负载压力,从而可以挤压业务***能够利用的服务器资源;这样,可以参考在资源负载的作用下采集到的业务***的性能信息,为业务***配置服务器资源。由于本发明实施例根据业务***的实际性能表现来为业务***配置服务器资源,因此可以为业务***配置到更合理的服务器资源。
另外,本发明实施例通过生成资源负载的方式来挤压业务***能够利用的服务器资源,在实际实施中,可以采用多种对服务器产生负载压力的算法来生成该资源负载,通过这些算法可以为服务器施加持续的、可控的、稳定的负载压力,相比不断调整为业务***分配的服务器资源的方式,实施简便、测试时间短、配置效率高。比如,若调整为业务***分配的服务器资源,就需要更换、测试大量的服务器资源配置,其工作量非常大,测试时间也非常长;例如中央处理器(CentralProcessingUnit,CPU)更换或内存的增减都需要重启服务器,硬盘的增减甚至可能需要重新设定文件***等,会耗费大量时间;虽然可以采用虚拟化技术来灵活改变配置的服务器资源,但在目前阶段,虚拟机技术下的配置调整还不能完全做到在线进行,某些情况下还需要重启虚拟机,这样,也就无法高效率地完成多种服务器资源的配置。
下面结合说明书附图对本发明实施例作进一步详细描述。
如图1所示,为本发明实施例一提供的资源配置方法流程图,包括以下步骤:
S101:根据服务器的资源信息,生成资源负载;所述资源负载用于占用服务器资源,以挤占业务***能够利用的服务器资源。
在具体实施过程中,可以根据服务器总共拥有的资源信息,生成多组资源负载,其中每组资源负载中包含至少一种资源负载,不同组资源负载中包含的相同类型的资源负载的大小不同,每种资源负载占用的资源大小不超过服务器拥有的该类资源的总大小。这里,资源负载的类型也即服务器资源的类型,比如CPU资源、内存资源、硬盘资源、网络资源等各种不同的资源类型。
在具体实施过程中,根据服务器的资源信息,生成多组资源负载的方式有多种,可以按照每类资源负载的调整步长,依次确定每次调整后的资源负载,也可以采用基于前几次测试的业务***的性能以及所采用的资源负载,来确定本次测试用的资源负载,以达到更优的性能。具体介绍如下:
方式一,根据服务器的资源信息,以及在最近N次生成的至少一组资源负载的作用下,所述业务***运行的性能信息,确定第N+1次需要生成的一组资源负载;N为正整数。
在该方式下,可以结合在最近N次生成的资源负载的作用下,业务***运行的性能信息,来确定第N+1次需要生成的一组资源负载;比如,若前N次按照不断增加资源负载大小的方式生成资源负载,发现在前N-1次测试中,业务***性能逐渐增加,但在第N次测试时,业务***性能不再变化,则可以配置第N+1次资源负载的大小介于在第N-1次生成的资源负载大小和第N次生成的资源负载大小之间,比如可以取第N-1次生成的资源负载大小和第N次生成的资源负载大小的平均值,如此循环进行,直到调整步长低于设定步长阈值或直到达到预设的测试次数,或直到达到预设的业务***运行时间等。
方式二,根据服务器的资源信息、最近一次生成的一组资源负载以及预设的每种资源负载的调整步长,确定本次需要生成的资源负载。
在该方式下,采用上一次生成的资源负载大小加上调整步长作为本次需要生成的资源负载的大小,如此循环进行,直到达到预设的测试次数,或直到达到预设的业务***运行时间等。
在实际实施中,可以采用多种对服务器产生负载压力的算法来生成不同类型的资源负载,比如,可以采用IPerf算法生成用于占用网络资源的网络资源负载,采用fio算法生成用于占用硬盘资源的硬盘资源负载,采用Stress算法生成用于占用CPU资源的CPU资源负载、用于占用内存资源的内存资源负载等。
S102:根据在所述资源负载的作用下,所述业务***运行的性能信息,确定为所述业务***配置的服务器资源。
在具体实施中,可以根据在不同组资源负载的作用下,所述业务***运行的性能信息,确定所述业务***运行的性能最佳时对应的一组占用服务器资源最多的资源负载;根据所述服务器的资源信息,以及确定的所述业务***运行的性能最佳时对应的一组占用服务器资源最多的资源负载,确定为所述业务***配置的服务器资源,也即,使得服务器单位资源(成本)所能提供的性能达到一个最优值,也即性价比最高。比如,针对一种服务器资源,可以采用服务器拥有的该类资源的总大小,减去确定的所述业务***运行的性能最佳时对应的一组占用服务器资源最多的资源负载中该类服务器资源的大小,将得到的差值作为配置的所述业务***的该类服务器资源的大小,该配置可以使得服务器单位资源所能提供的性能最优。
在具体实施过程中,对某些业务***,可通过一些简单的、外部可直接观测到的指标,比如所占用的网络带宽、对磁盘每秒进行读写操作(也即输入输出I/O操作)的次数(Input/OutputOperationsPerSecond,IOPS)来反映业务***当前的性能。除此之外,业务***自身记录的性能指标,比如当前并发用户数和响应时间,是用户最关心的性能指标,也是评价为业务***配置的服务器资源合理性的最重要的考虑方面。
下面通过一个具体的实施例对本发明思想作进一步详细描述。
如图2所示,为本发明实施例二提供的资源配置方法流程图,包括以下步骤:
S201:根据服务器的资源信息,生成多组资源负载,其中每组资源负载中包含至少一种资源负载,不同组资源负载中包含的相同类型的资源负载的大小不同。
S202:根据在不同组的资源负载的作用下,所述业务***运行的性能信息,确定所述业务***运行的性能最佳时对应的一组占用服务器资源最多的资源负载;所述业务***运行的性能信息包括业务***并发用户数和/或响应时间。
S203:根据所述服务器的资源信息,以及确定的所述业务***运行的性能最佳时对应的一组占用服务器资源最多的资源负载,确定为所述业务***配置的服务器资源。
在具体实施过程中,可以建立自动配置建模***(ACMS)来负责资源负载的生成和控制。如图3所示,为本发明实施例建立的资源配置***示意图。具体地,ACMS可以是一套单机运行的软件***;可以根据需要在服务器(可以物理服务器或虚拟机)中安装该ACMS并自动运行;当需要对某业务***(即应用App)的资源配置和运行性能进行匹配时,将该业务***部署到一台服务器中启动运行,同时将ACMS也部署到该服务器中并启动。ACMS的部署和运行应不影响该业务***,为满足这一要求,ACMS应探测已经被业务***使用的网络端口以避免冲突。可以将该ACMS做成免安装的***,直接从外置存储器例如U盘启动运行,或者将该ACMS封装到一个容器(Container)中运行等。用于测试的服务器应具有较高的配置,比如具有较高主频的CPU、更大容量的内存、硬盘以及更高带宽的网络接口等,以使得能够调整的服务器资源范围较宽,为该业务***匹配到较合理的服务器资源配置。
ACMS具体可以包括负载生成模块(LGM)和负载控制模块(LCM);
其中,LGM负责生成所述资源负载,不同的LGM分别对服务器的CPU、内存、硬盘、网络等不同资源产生负载压力。由于服务器的资源在不同应用之间共享,被LGM占用的资源,也就不能再被测试的业务***所使用,因此,通过调整和控制LGM占用的资源,就可以对业务***的可用资源产生挤压作用,从而改变业务***的可用资源大小。这一挤压作用与改变服务器的CPU、内存、网络等资源产生的效果是一致的,但完成效率却比后者高很多。
LCM负责调整负载资源的配置;在具体实施中,为LCM设置一个由业务***向其报告当前性能信息的通信接口(Iop);LCM根据业务***上报的性能信息,对资源负载的配置作出调整,确定调整后的每种负载资源的大小,并指示LGM基于调整后的负载资源大小生成负载资源。LCM可以基于预先设定的控制策略、边界条件(比如业务***运行时间、循环测试次数、资源负载大小的调整上限值和下限值等)等完成负载资源的调整,控制策略可以是基于历史偏差的简单纠正,也可以是启发式算法、机器学习算法等比较复杂的算法。
本发明实施例可以应用于指导服务器的配置和选型,比如,当需要新采购服务器时,通过ACMS确定匹配业务需求的服务器资源配置,以此确定相应的采购型号,可以降低服务器的采购、运维成本,提高资源利用率。还可以应用于指导资源池中的资源分配,比如,在面向多个应用***集中减少资源池的“私有云”等***中,业务方通常希望为分配到更多的资源,而资源池运营方则希望提高资源利用率和降低成本,通过ACMS可以帮助资源池运营方快速为业务***配置合理的资源。
基于同一发明构思,本发明实施例中还提供了一种与资源配置方法对应的资源配置装置,由于该装置解决问题的原理与本发明实施例的资源配置方法相似,因此该装置的实施可以参见方法的实施,重复之处不再赘述。
如图4所示,为本发明实施例提供的资源配置装置结构示意图,包括:
生成模块41,用于根据服务器的资源信息,生成资源负载;所述资源负载用于占用服务器资源,以挤占业务***能够利用的服务器资源;
确定模块42,用于根据在所述资源负载的作用下,所述业务***运行的性能信息,确定为所述业务***配置的服务器资源。
可选地,所述生成模块41具体用于:根据服务器的资源信息,生成多组资源负载,其中每组资源负载中包含至少一种资源负载,不同组资源负载中包含的相同类型的资源负载的大小不同;
所述确定模块42具体用于:根据在不同组的资源负载的作用下,所述业务***运行的性能信息,确定所述业务***运行的性能最佳时对应的一组占用服务器资源最多的资源负载;根据所述服务器的资源信息,以及确定的所述业务***运行的性能最佳时对应的一组占用服务器资源最多的资源负载,确定为所述业务***配置的服务器资源。
可选地,所述生成模块41具体用于:
根据服务器的资源信息,以及在最近N次生成的至少一组资源负载的作用下,所述业务***运行的性能信息,确定第N+1次需要生成的一组资源负载;N为正整数。
可选地,所述生成模块41具体用于:
根据服务器的资源信息、最近一次生成的一组资源负载以及预设的每种资源负载的调整步长,确定本次需要生成的资源负载。
可选地,所述业务***运行的性能信息包括业务***并发用户数和/或响应时间。
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、装置(***)、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 (10)
1.一种资源配置方法,其特征在于,该方法包括:
根据服务器的资源信息,生成资源负载;所述资源负载用于占用服务器资源,以挤占业务***能够利用的服务器资源;
根据在所述资源负载的作用下,所述业务***运行的性能信息,确定为所述业务***配置的服务器资源。
2.如权利要求1所述的方法,其特征在于,根据服务器的资源信息,生成资源负载,包括:
根据服务器的资源信息,生成多组资源负载,其中每组资源负载中包含至少一种资源负载,不同组资源负载中包含的相同类型的资源负载的大小不同;
根据在所述资源负载的作用下,所述业务***运行的性能信息,确定为所述业务***配置的服务器资源,包括:
根据在不同组的资源负载的作用下,所述业务***运行的性能信息,确定所述业务***运行的性能最佳时对应的一组占用服务器资源最多的资源负载;
根据所述服务器的资源信息,以及确定的所述业务***运行的性能最佳时对应的一组占用服务器资源最多的资源负载,确定为所述业务***配置的服务器资源。
3.如权利要求2所述的方法,其特征在于,根据服务器的资源信息,生成多组资源负载,包括:
根据服务器的资源信息,以及在最近N次生成的至少一组资源负载的作用下,所述业务***运行的性能信息,确定第N+1次需要生成的一组资源负载;N为正整数。
4.如权利要求2所述的方法,其特征在于,根据服务器的资源信息,生成多组资源负载,包括:
根据服务器的资源信息、最近一次生成的一组资源负载以及预设的每种资源负载的调整步长,确定本次需要生成的资源负载。
5.如权利要求1~4任一所述的方法,其特征在于,所述业务***运行的性能信息包括业务***并发用户数和/或响应时间。
6.一种资源配置装置,其特征在于,该装置包括:
生成模块,用于根据服务器的资源信息,生成资源负载;所述资源负载用于占用服务器资源,以挤占业务***能够利用的服务器资源;
确定模块,用于根据在所述资源负载的作用下,所述业务***运行的性能信息,确定为所述业务***配置的服务器资源。
7.如权利要求6所述的装置,其特征在于,所述生成模块具体用于:根据服务器的资源信息,生成多组资源负载,其中每组资源负载中包含至少一种资源负载,不同组资源负载中包含的相同类型的资源负载的大小不同;
所述确定模块具体用于:根据在不同组的资源负载的作用下,所述业务***运行的性能信息,确定所述业务***运行的性能最佳时对应的一组占用服务器资源最多的资源负载;根据所述服务器的资源信息,以及确定的所述业务***运行的性能最佳时对应的一组占用服务器资源最多的资源负载,确定为所述业务***配置的服务器资源。
8.如权利要求7所述的装置,其特征在于,所述生成模块具体用于:
根据服务器的资源信息,以及在最近N次生成的至少一组资源负载的作用下,所述业务***运行的性能信息,确定第N+1次需要生成的一组资源负载;N为正整数。
9.如权利要求7所述的装置,其特征在于,所述生成模块具体用于:
根据服务器的资源信息、最近一次生成的一组资源负载以及预设的每种资源负载的调整步长,确定本次需要生成的资源负载。
10.如权利要求6~9任一所述的装置,其特征在于,所述业务***运行的性能信息包括业务***并发用户数和/或响应时间。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410758986.9A CN105743677B (zh) | 2014-12-10 | 2014-12-10 | 一种资源配置方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410758986.9A CN105743677B (zh) | 2014-12-10 | 2014-12-10 | 一种资源配置方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN105743677A true CN105743677A (zh) | 2016-07-06 |
CN105743677B CN105743677B (zh) | 2019-05-28 |
Family
ID=56240380
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201410758986.9A Active CN105743677B (zh) | 2014-12-10 | 2014-12-10 | 一种资源配置方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN105743677B (zh) |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106292330A (zh) * | 2016-07-13 | 2017-01-04 | 北京航空航天大学 | 飞机嵌入式实时诊断推理算法试验方法 |
CN106295808A (zh) * | 2016-07-13 | 2017-01-04 | 北京航空航天大学 | 飞机嵌入式实时诊断推理算法试验方法 |
CN106295809A (zh) * | 2016-07-13 | 2017-01-04 | 北京航空航天大学 | 飞机嵌入式实时诊断推理算法试验*** |
CN107797847A (zh) * | 2017-09-25 | 2018-03-13 | 联想(北京)有限公司 | 用于配置服务器集群的方法和装置 |
CN109165045A (zh) * | 2018-08-09 | 2019-01-08 | 网宿科技股份有限公司 | 一种调整服务器的硬件配置的方法和装置 |
CN111309432A (zh) * | 2018-12-12 | 2020-06-19 | 阿里巴巴集团控股有限公司 | 一种故障演练方法、装置及*** |
CN111611084A (zh) * | 2020-05-26 | 2020-09-01 | 杭州海康威视***技术有限公司 | 一种流媒体服务实例调整方法、装置及电子设备 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101894050A (zh) * | 2010-07-28 | 2010-11-24 | 山东中创软件工程股份有限公司 | 云资源池的jee应用资源弹性调度方法、装置及*** |
CN101901166A (zh) * | 2008-12-02 | 2010-12-01 | 英特尔公司 | 控制计算资源的技术 |
CN101945353A (zh) * | 2009-07-07 | 2011-01-12 | ***通信集团山东有限公司 | 一种***资源远程调整的方法与*** |
CN102893273A (zh) * | 2010-05-25 | 2013-01-23 | 微软公司 | 基于资源的自适应服务器加载 |
CN103477323A (zh) * | 2011-01-05 | 2013-12-25 | 阿尔卡特朗讯 | 企业应用的无缝缩放 |
CN103703445A (zh) * | 2011-08-05 | 2014-04-02 | 甲骨文国际公司 | 用于基于应用特性的自动硬件供应的***和方法 |
CN103870341A (zh) * | 2014-03-12 | 2014-06-18 | 汉柏科技有限公司 | 一种调整虚拟机资源的方法和*** |
-
2014
- 2014-12-10 CN CN201410758986.9A patent/CN105743677B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101901166A (zh) * | 2008-12-02 | 2010-12-01 | 英特尔公司 | 控制计算资源的技术 |
CN101945353A (zh) * | 2009-07-07 | 2011-01-12 | ***通信集团山东有限公司 | 一种***资源远程调整的方法与*** |
CN102893273A (zh) * | 2010-05-25 | 2013-01-23 | 微软公司 | 基于资源的自适应服务器加载 |
CN101894050A (zh) * | 2010-07-28 | 2010-11-24 | 山东中创软件工程股份有限公司 | 云资源池的jee应用资源弹性调度方法、装置及*** |
CN103477323A (zh) * | 2011-01-05 | 2013-12-25 | 阿尔卡特朗讯 | 企业应用的无缝缩放 |
CN103703445A (zh) * | 2011-08-05 | 2014-04-02 | 甲骨文国际公司 | 用于基于应用特性的自动硬件供应的***和方法 |
CN103870341A (zh) * | 2014-03-12 | 2014-06-18 | 汉柏科技有限公司 | 一种调整虚拟机资源的方法和*** |
Cited By (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106292330A (zh) * | 2016-07-13 | 2017-01-04 | 北京航空航天大学 | 飞机嵌入式实时诊断推理算法试验方法 |
CN106295808A (zh) * | 2016-07-13 | 2017-01-04 | 北京航空航天大学 | 飞机嵌入式实时诊断推理算法试验方法 |
CN106295809A (zh) * | 2016-07-13 | 2017-01-04 | 北京航空航天大学 | 飞机嵌入式实时诊断推理算法试验*** |
CN106295808B (zh) * | 2016-07-13 | 2018-12-11 | 北京航空航天大学 | 飞机嵌入式实时诊断推理算法试验方法 |
CN106295809B (zh) * | 2016-07-13 | 2018-12-14 | 北京航空航天大学 | 飞机嵌入式实时诊断推理算法试验*** |
CN106292330B (zh) * | 2016-07-13 | 2019-08-23 | 北京航空航天大学 | 飞机嵌入式实时诊断推理算法试验方法 |
CN107797847A (zh) * | 2017-09-25 | 2018-03-13 | 联想(北京)有限公司 | 用于配置服务器集群的方法和装置 |
CN109165045A (zh) * | 2018-08-09 | 2019-01-08 | 网宿科技股份有限公司 | 一种调整服务器的硬件配置的方法和装置 |
CN111309432A (zh) * | 2018-12-12 | 2020-06-19 | 阿里巴巴集团控股有限公司 | 一种故障演练方法、装置及*** |
CN111309432B (zh) * | 2018-12-12 | 2023-06-27 | 阿里巴巴集团控股有限公司 | 一种故障演练方法、装置及*** |
CN111611084A (zh) * | 2020-05-26 | 2020-09-01 | 杭州海康威视***技术有限公司 | 一种流媒体服务实例调整方法、装置及电子设备 |
Also Published As
Publication number | Publication date |
---|---|
CN105743677B (zh) | 2019-05-28 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN105743677A (zh) | 一种资源配置方法及装置 | |
US10896064B2 (en) | Coordinated, topology-aware CPU-GPU-memory scheduling for containerized workloads | |
CN110162382B (zh) | 基于容器的灰度发布方法、装置、计算机设备及存储介质 | |
US10585691B2 (en) | Distribution system, computer, and arrangement method for virtual machine | |
US10205675B2 (en) | Dynamically adjusting resources to meet service level objectives | |
JP6054522B2 (ja) | 統合型ストレージ/vdiプロビジョニング方法 | |
CN108337109B (zh) | 一种资源分配方法及装置和资源分配*** | |
US9471386B2 (en) | Allocating resources to tasks in a build process | |
US20170286146A1 (en) | Virtual machine placement | |
US10356167B1 (en) | Workload profiling | |
US20180074838A1 (en) | Placement of virtual machines on physical hosts | |
CN108139943B (zh) | 计算机负载的多个维度的准确生成 | |
RU2573733C1 (ru) | Способ и устройство для регулировки канала i/о на виртуальной платформе | |
CN110389903B (zh) | 测试环境部署方法和装置、电子设备和可读存储介质 | |
WO2022105440A1 (zh) | 一种量子与经典混合云平台以及任务执行方法 | |
WO2017106997A1 (en) | Techniques for co-migration of virtual machines | |
US11327810B2 (en) | Managing virtual machine memory balloon using time series predictive data | |
EP3637252A1 (en) | Virtual machine deployment method and omm virtual machine | |
US11831410B2 (en) | Intelligent serverless function scaling | |
JP2021504780A (ja) | 分散コンピューティング環境における自動対角スケーリングためのアプリケーションの優先順位付け | |
CN113495732A (zh) | 服务器部署方法、装置、设备及可读存储介质 | |
US20170031720A1 (en) | Deploying software in a multi-instance node | |
CN108833592A (zh) | 云主机调度器优化方法、装置、设备及存储介质 | |
US10853137B2 (en) | Efficient resource allocation for concurrent graph workloads | |
CN104700255B (zh) | 多进程处理方法、装置和*** |
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 |