CN108021447A - 一种基于分布式数据确定最优资源策略的方法及*** - Google Patents
一种基于分布式数据确定最优资源策略的方法及*** Download PDFInfo
- Publication number
- CN108021447A CN108021447A CN201711217710.XA CN201711217710A CN108021447A CN 108021447 A CN108021447 A CN 108021447A CN 201711217710 A CN201711217710 A CN 201711217710A CN 108021447 A CN108021447 A CN 108021447A
- Authority
- CN
- China
- Prior art keywords
- resource
- microserver
- current
- rise
- intelligent training
- 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
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F9/00—Arrangements for program control, e.g. control units
- G06F9/06—Arrangements for program control, e.g. control units using stored programs, i.e. using an internal store of processing equipment to receive or retain programs
- G06F9/46—Multiprogramming arrangements
- G06F9/50—Allocation of resources, e.g. of the central processing unit [CPU]
- G06F9/5005—Allocation of resources, e.g. of the central processing unit [CPU] to service a request
- G06F9/5027—Allocation of resources, e.g. of the central processing unit [CPU] to service a request the resource being a machine, e.g. CPUs, Servers, Terminals
- G06F9/505—Allocation of resources, e.g. of the central processing unit [CPU] to service a request the resource being a machine, e.g. CPUs, Servers, Terminals considering the load
Landscapes
- Engineering & Computer Science (AREA)
- Software Systems (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Data Exchanges In Wide-Area Networks (AREA)
Abstract
本发明涉及一种基于分布式数据确定最优资源策略的方法及***,该方法包括:采集当前资源信息,并建立智能训练模型;然后计算当前任一时间段内每个微服务器的使用资源增长速率,并对智能训练模型进行优化;接着计算出在未来任一时间段内每个微服务器需要使用的资源量;重复上述过程直至计算出当前的使用资源增长速率与上一次的使用资源增长速率相等;其次确定最优化的微服务器的节点分布策略方案;最后生成控制指令,对节点资源进行实时调整。还涉及一种***。通过本发明能够根据实时获取资源信息,并根据资源信息自动化,智能化地计算出最优分配策略,根据最优的策略来分配微服务所需的资源,让资源使用最大化,为企业节省资源成本。
Description
技术领域
本发明属于微服务器领域,尤其涉及一种基于分布式数据确定最优资源策略的方法及***。
背景技术
当前现有的微服务***具有相对独立性,没有形成一整套的服务网络,没有以调用频率,监控服务状态,计算服务流量的大量信息来从而进行智能化,得出实时的最优资源调度使用策略,且无法根据最优的策略来分配微服务所需的资源,让资源使用最大化,为企业节省资源成本。
发明内容
本发明所要解决的技术问题是:现有微服务***无法得出实时的最优资源调度使用策略,且无法根据最优的策略来分配微服务器所需的资源,让资源使用最大化,为企业节省资源成本。
为解决上面的技术问题,本发明提供了一种基于分布式数据确定最优资源策略的方法,该方法包括:
S1,采集至少2个微服务器的当前资源信息,并建立智能训练模型;
S2,根据所述当前资源信息和所述智能训练模型,计算当前任一时间段内每个微服务器的使用资源增长速率,并根据所述使用资源增长速率,对所述智能训练模型进行优化;
S3,根据所述使用资源增长速率和优化后的所述智能训练模型,计算出在未来任一时间段内每个微服务器需要使用的资源量;
S4,重复执行步骤S1-S3,直至计算出当前的所述使用资源增长速率与上一次的所述使用资源增长速率相等,则执行步骤S5;
S5,根据优化后的所述智能训练模型和所述每个微服务器需要使用的资源量,确定最优化的微服务器的节点分布策略方案;
S6,根据所述节点分布策略方案,生成控制指令,同时根据所述控制指令对所述至少2个微服务器的节点资源进行实时调整。
本发明的有益效果:通过上述的方法,能够根据实时获取资源信息,并根据资源信息自动化,智能化地计算出最优分配策略,根据最优的策略来分配微服务器所需的资源,让资源使用最大化,为企业节省资源成本。
进一步地,所述当前资源信息包括:每个微服务器的ip资源、cpu内存、负载压力和网络流量信息、占用的资源量和实际负载量sf。
进一步地,在智能训练模型中预设所述至少2个微服务器的总资源量和每个微服务器的负载量yf。
进一步地,所述S3中包括:当所述实际负载量sf与所述负载量yf的比值大于0.8时,则根据所述使用资源增长速率和优化后的所述智能训练模型,计算出在未来任一时间段内每个微服务器需要使用的资源量。
进一步地,所述S3中还包括:当所述实际负载量sf与所述负载量yf的比值小于0.2时,则根据所述使用资源增长速率和优化后的所述智能训练模型,计算在未来任一时间段内每个微服务器的回收资源或者释放资源的资源量,其中所述回收资源是指在当前自身提供的资源量不足时,获取其他的微服务器释放的资源;所述释放资源是指在当前自身提供的资源量过多时,释放资源给其他的微服务器。
上述进一步地有益效果:根据使用资源增长速率和优化后的智能训练模型,确定每个微服务器的回收资源或者释放资源的资源量,这样有利于后续根据节点分布策略方案对资源进行调配。
本发明还涉及一种基于分布式数据确定最优资源策略的***,该***包括:mongodb大数据集群、大数据计算中心、智能计算中心、策略计算中心、微服务集群;
所述微服务集群是包括:至少2个微服务器,其中所述至少2个微服务器形成分布式结构的;
所述mongodb大数据集群,用于采用所述微服务集群中的所述至少2个微服务器的当前资源信息;
所述大数据计算中心,用于快速实时查询mongodb大数据集群中的所述当前资源信息,将所述当前资源信息提交给所述智能计算中心;
所述智能计算中心,用于建立智能训练模型,并根据所述当前资源信息和所述智能训练模型,计算当前任一时间段内每个微服务器的使用资源增长速率,并根据所述使用资源增长速率,对所述智能训练模型进行优化;还用于根据所述使用资源增长速率和优化后的所述智能训练模型,计算出在未来任一时间段内每个微服务器需要使用的资源量;并根据优化后的所述智能训练模型和所述每个微服务器需要使用的资源量,确定最优化的微服务器的节点分布策略方案;
所述策略计算中心,用于根据所述节点分布策略方案,生成控制指令,同时根据所述控制指令对所述至少2个微服务器的节点资源进行实时调整。
本发明的有益效果:通过上述的***,能够根据实时获取资源信息,并根据资源信息自动化,智能化地计算出最优分配策略,根据最优的策略来分配微服务器所需的资源,让资源使用最大化,为企业节省资源成本。
进一步地,所述当前资源信息包括:每个微服务器的ip资源、cpu内存、负载压力和网络流量信息、占用的资源量和实际负载量sf。
进一步地,在智能训练模型中预设所述至少2个微服务器的总资源量和每个微服务器的负载量yf。
进一步地,所述智能计算中心,具体还用于当所述实际负载量sf与所述负载量yf的比值大于0.8时,则根据所述使用资源增长速率和优化后的所述智能训练模型,计算出在未来任一时间段内每个微服务器需要使用的资源量。
进一步地,所述智能计算中心,具体还用于当所述实际负载量sf与所述负载量yf的比值小于0.2时,则根据所述使用资源增长速率和优化后的所述智能训练模型,计算在未来任一时间段内每个微服务器的回收或者释放资源的资源量,其中所述回收资源是指在当前自身提供的资源量不足时,获取其他的微服务器释放的资源;所述释放资源是指在当前自身提供的资源量过多时,释放资源给其他的微服务器。
上述进一步地有益效果:根据使用资源增长速率和优化后的智能训练模型,确定每个微服务器的回收资源或者释放资源的资源量,这样有利于后续根据节点分布策略方案对资源进行调配。
附图说明
图1为本发明的一种基于分布式数据确定最优资源策略的方法的流程图;
图2为本发明的一种基于分布式数据确定最优资源策略的***的示意图。
具体实施方式
以下结合附图对本发明的原理和特征进行描述,所举实例只用于解释本发明,并非用于限定本发明的范围。
如图1所示,本发明实施例1中提供的是一种基于分布式数据确定最优资源策略的方法,该方法包括:
S1,采集至少2个微服务器的当前资源信息,并建立智能训练模型;
S2,根据所述当前资源信息和所述智能训练模型,计算当前任一时间段内每个微服务器的使用资源增长速率,并根据所述使用资源增长速率,对所述智能训练模型进行优化;
S3,根据所述使用资源增长速率和优化后的所述智能训练模型,计算出在未来任一时间段内每个微服务器需要使用的资源量;
S4,重复执行步骤S1-S3,直至计算出当前的所述使用资源增长速率与上一次的所述使用资源增长速率相等,则执行步骤S5;
S5,根据优化后的所述智能训练模型和所述每个微服务器需要使用的资源量,确定最优化的微服务器的节点分布策略方案;
S6,根据所述节点分布策略方案,生成控制指令,同时根据所述控制指令对所述至少2个微服务器的节点资源进行实时调整。
需要说明的是,在本实施例1中首先是采集多台微服务器的当前运行时的一些资源信息,这些资源信息都是表示微服务器当前的性能操作,比如:微服务器的硬件资源信息,网络信息,应用服务信息,应用跟踪信息等,同时也建立智能训练模型;建立好智能训练模型后,智能训练模型可以根据微服务器的一些资源信息,计算出当前不固定时间段内每个微服务器的使用资源增长速率,另外可以根据这些使用资源增长速率对智能训练模型进行优化(即根据使用资源增长速率调整智能训练模型的参数),这样采用优化后的智能训练模型和使用资源增长速率去计算出在未来不固定时间段内每个微服务器需要使用的资源量;通过不断地获取微服务器更新后的资源信息,继续对智能训练模型进行调整优化,直到当计算出这次的使用资源增长速率与上一次的使用资源增长速率相等,表明目前的微服务器是处于稳定的状态,且智能训练模型目前也属于较为优化的状态,因此,可以根据优化后的智能训练模型和每个微服务器需要使用的资源量,确定最优化的微服务器的节点分布策略方案,这样就可以根据节点分布策略方案,及时地调整每个微服务器需要使用的资源量,使得资源能够充分地分配和被每个微服务器充分使用,让资源使用实现最大化,为企业节省资源成本。
可选地,在另一实施例2中所述当前资源信息包括:每个微服务器的ip资源、cpu内存、负载压力和网络流量信息、占用的资源量和实际负载量sf。
需要说明的是,本实施例2是在上述实施例1的基础上进行的细化说明的,在本实施例2中想要解析的是在实施例1中提及到当前资源信息都包括:每个微服务器的ip资源、cpu内存、负载压力和网络流量信息、占用的资源量和实际负载量sf,这些信息都是能够充分描述当前微服务器的运行情况,有利于后续对这些微服务器进行调动。
可选地,在另一实施例3中在智能训练模型中预设所述至少2个微服务器的总资源量和每个微服务器的负载量yf。
需要说明的是,本实施例3是在上述实施例2的基础上进行的说明和改进,本实施例3是表明需要提前在智能训练模型中预设所有微服务器的总资源量和预设每个微服务器的负载量yf,这样是为了后续进行计算时,跟实际测量的每个微服务器占用的资源量和实际负载量sf进行比较,判断微服务器的状况。
可选地,在另一实施例4中所述S3中包括:当所述实际负载量sf与所述负载量yf的比值大于0.8时,则根据所述使用资源增长速率和优化后的所述智能训练模型,计算出在未来任一时间段内每个微服务器需要使用的资源量。
需要说明的是,本实施例4中的技术方案是在上述实施例3的技术上进行改进,本实施例4中是将实施例3中的实际负载量sf与负载量yf进行比值判断,当实际负载量sf与所述负载量yf的比值大于0.8时,说明当前该微服务器的使用是比较充分的,那么可以判断其后续任一时间段内当前该微服务器大概也会的使用状况也会持续一段时间,以此可以推断出未来任一时间段内微服务器需要使用的资源量。
可选地,在另一实施例5中所述S3中还包括:当所述实际负载量sf与所述负载量yf的比值小于0.2时,则根据所述使用资源增长速率和优化后的所述智能训练模型,计算在未来任一时间段内每个微服务器的回收资源或者释放资源的资源量,其中所述回收资源是指在当前自身提供的资源量不足时,获取其他的微服务器释放的资源;所述释放资源是指在当前自身提供的资源量过多时,释放资源给其他的微服务器。
需要说明的是,本实施例5是在上述实施例3的技术上进行的方案,本实施例4中是将实施例3中的实际负载量sf与负载量yf进行比值判断,当实际负载量sf与所述负载量yf的比值小于0.2时,说明当前该微服务器的使用是使用率不好,那么可以判断其后续任一时间段内当前该微服务器需要对该服务器进行改进,比如提高该微服务器的使用率,充分使用资源,所有需要计算在未来任一时间段内每个微服务器的回收或者释放资源的资源量,其中回收资源是指在当前自身提供的资源量不足时,获取其他的微服务器释放的资源;释放资源是指在当前自身提供的资源量过多时,释放资源给其他的微服务器。在本实施例5中根据使用资源增长速率和优化后的智能训练模型,确定每个微服务器的回收或者释放资源的资源量,这样有利于后续根据节点分布策略方案对资源进行调配(例如资源回收到指令(停止微服务应用,删除应用缓存数据等指令,对微服务容器的节点进行实时调整,以达到资源的最优化使用)。
如图2所示,本发明实施例6中还涉及一种基于分布式数据确定最优资源策略的***,该***包括:mongodb大数据集群、大数据计算中心、智能计算中心、策略计算中心、微服务集群;
所述微服务集群是包括:至少2个微服务器,其中所述至少2个微服务器形成分布式结构的;
所述mongodb大数据集群,用于采用所述微服务集群中的所述至少2个微服务的当前资源信息;
所述大数据计算中心,用于快速实时查询计算mongodb大数据集群中的所述当前资源信息,将所述当前资源信息提交给所述智能计算中心;
所述智能计算中心,用于建立智能训练模型,并根据所述当前资源信息和所述智能训练模型,计算当前任一时间段内每个微服务器的使用资源增长速率,并根据所述使用资源增长速率,对所述智能训练模型进行优化;还用于根据所述使用资源增长速率和优化后的所述智能训练模型,计算出在未来任一时间段内每个微服务器需要使用的资源量;并根据优化后的所述智能训练模型和所述每个微服务器需要使用的资源量,确定最优化的微服务器的节点分布策略方案;
所述策略计算中心,用于根据所述节点分布策略方案,生成控制指令,同时根据所述控制指令对所述至少2个微服务器的节点资源进行实时调整。
需要说明的是,在本实施例6中首先是采集多台微服务器的当前运行时的一些资源信息,这些资源信息都是表示微服务器当前的性能操作,比如:微服务器的硬件资源信息,网络信息,应用服务信息,应用跟踪信息等,同时也建立智能训练模型;建立好智能训练模型后,智能训练模型可以根据微服务器的一些资源信息,计算出当前不固定时间段内每个微服务器的使用资源增长速率,另外可以根据这些使用资源增长速率对智能训练模型进行优化(即根据使用资源增长速率调整智能训练模型的参数),这样采用优化后的智能训练模型和使用资源增长速率去计算出在未来不固定时间段内每个微服务器需要使用的资源量;通过不断地获取微服务器更新后的资源信息,继续对智能训练模型进行调整优化,直到当计算出这次的使用资源增长速率与上一次的使用资源增长速率相等,表明目前的微服务器是处于稳定的状态,且智能训练模型目前也属于较为优化的状态,因此,可以根据优化后的智能训练模型和每个微服务器需要使用的资源量,确定最优化的微服务器的节点分布策略方案,这样就可以根据节点分布策略方案,及时地调整每个微服务器需要使用的资源量,使得资源能够充分地分配和被每个微服务器充分使用,让资源使用实现最大化,为企业节省资源成本
可选地,在另一实施例7中所述当前资源信息包括:每个微服务器的ip资源、cpu内存、负载压力和网络流量信息、占用的资源量和实际负载量sf。
需要说明的是,本实施例7是在上述实施例6的基础上进行的细化说明的,在本实施例7中想要解析的是在实施例6中提及到当前资源信息都包括:每个微服务器的ip资源、cpu内存、负载压力和网络流量信息、占用的资源量和实际负载量sf,这些信息都是能够充分描述当前微服务器的运行情况,有利于后续对这些微服务器进行调动.
可选地,在另一实施例8中在智能训练模型中预设所述至少2个微服务器的总资源量和每个微服务器的负载量yf。
需要说明的是,本实施例8是在上述实施例7的基础上进行的说明和改进,本实施例8是表明需要提前在智能训练模型中预设所有微服务器的总资源量和预设每个微服务器的负载量yf,这样是为了后续进行计算时,跟实际测量的每个微服务器占用的资源量和实际负载量sf进行比较,判断微服务器的状况。
可选地,在另一实施例9中所述智能计算中心,具体还用于当所述实际负载量sf与所述负载量yf的比值大于0.8时,则根据所述使用资源增长速率和优化后的所述智能训练模型,计算出在未来任一时间段内每个微服务器需要使用的资源量。
需要说明的是,本实施例9中的技术方案是在上述实施例8的技术上进行改进,本实施例9中是将实施例8中的实际负载量sf与负载量yf进行比值判断,当实际负载量sf与所述负载量yf的比值大于0.8时,说明当前该微服务器的使用是比较充分的,那么可以判断其后续任一时间段内当前该微服务器大概也会的使用状况也会持续一段时间,以此可以推断出未来任一时间段内微服务器需要使用的资源量。
可选地,在另一实施例10中所述智能计算中心,具体还用于当所述实际负载量sf与所述负载量yf的比值小于0.2时,则根据所述使用资源增长速率和优化后的所述智能训练模型,计算在未来任一时间段内每个微服务器的回收或者释放资源的资源量,其中所述回收资源是指在当前自身提供的资源量不足时,获取其他的微服务器释放的资源;所述释放资源是指在当前自身提供的资源量过多时,释放资源给其他的微服务器。
需要说明的是,本实施例10是在上述实施例8的技术上进行的方案,本实施例10中是将实施例8中的实际负载量sf与负载量yf进行比值判断,当实际负载量sf与所述负载量yf的比值小于0.2时,说明当前该微服务器的使用是使用率不好,那么可以判断其后续任一时间段内当前该微服务器需要对该服务器进行改进,比如提高该微服务器的使用率,充分使用资源,所有需要计算在未来任一时间段内每个微服务器的回收或者释放资源的资源量,其中回收资源是指在当前自身提供的资源量不足时,获取其他的微服务器释放的资源;释放资源是指在当前自身提供的资源量过多时,释放资源给其他的微服务器。在本实施例10中根据使用资源增长速率和优化后的智能训练模型,确定每个微服务器的回收或者释放资源的资源量,这样有利于后续根据节点分布策略方案对资源进行调配(例如资源回收到指令(停止微服务应用,删除应用缓存数据等指令,对微服务容器的节点进行实时调整,以达到资源的最优化使用)。
在本说明书中,对上述术语的示意性表述不必须针对的是相同的实施例或示例。而且,描述的具体特征、结构、材料或者特点可以在任一个或多个实施例或示例中以合适的方式结合。此外,在不相互矛盾的情况下,本领域的技术人员可以将本说明书中描述的不同实施例或示例以及不同实施例或示例的特征进行结合和组合。
以上所述仅为本发明的较佳实施例,并不用以限制本发明,凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (10)
1.一种基于分布式数据确定最优资源策略的方法,其特征在于,该方法包括:
S1,采集至少2个微服务器的当前资源信息,并建立智能训练模型;
S2,根据所述当前资源信息和所述智能训练模型,计算当前任一时间段内每个微服务器的使用资源增长速率,并根据所述使用资源增长速率,对所述智能训练模型进行优化;
S3,根据所述使用资源增长速率和优化后的所述智能训练模型,计算出在未来任一时间段内每个微服务器需要使用的资源量;
S4,重复执行步骤S1-S3,直至计算出当前的所述使用资源增长速率与上一次的所述使用资源增长速率相等,则执行步骤S5;
S5,根据优化后的所述智能训练模型和所述每个微服务器需要使用的资源量,确定最优化的微服务器的节点分布策略方案;
S6,根据所述节点分布策略方案,生成控制指令,同时根据所述控制指令对所述至少2个微服务器的节点资源进行实时调整。
2.根据权利要求1所述的方法,其特征在于,所述当前资源信息包括:每个微服务器的ip资源、cpu内存、负载压力和网络流量信息、占用的资源量和实际负载量sf。
3.根据权利要求2所述的方法,其特征在于,在智能训练模型中预设所述至少2个微服务器的总资源量和每个微服务器的负载量yf。
4.根据权利要求3所述的方法,其特征在于,所述S3中包括:当所述实际负载量sf与所述负载量yf的比值大于0.8时,则根据所述使用资源增长速率和优化后的所述智能训练模型,计算出在未来任一时间段内每个微服务器需要使用的资源量。
5.根据权利要求3所述的方法,其特征在于,所述S3中还包括:当所述实际负载量sf与所述负载量yf的比值小于0.2时,则根据所述使用资源增长速率和优化后的所述智能训练模型,计算在未来任一时间段内每个微服务器的回收资源或者释放资源的资源量,其中所述回收资源是指在当前自身提供的资源量不足时,获取其他的微服务器释放的资源;所述释放资源是指在当前自身提供的资源量过多时,释放资源给其他的微服务器。
6.一种基于分布式数据确定最优资源策略的***,其特征在于,该***包括:mongodb大数据集群、大数据计算中心、智能计算中心、策略计算中心、微服务集群;
所述微服务集群是包括:至少2个微服务器,其中所述至少2个微服务器形成分布式结构的;
所述mongodb大数据集群,用于采用所述微服务集群中的所述至少2个微服务器的当前资源信息;
所述大数据计算中心,用于快速实时查询mongodb大数据集群中的所述当前资源信息,将所述当前资源信息提交给所述智能计算中心;
所述智能计算中心,用于建立智能训练模型,并根据所述当前资源信息和所述智能训练模型,计算当前任一时间段内每个微服务器的使用资源增长速率,并根据所述使用资源增长速率,对所述智能训练模型进行优化;还用于根据所述使用资源增长速率和优化后的所述智能训练模型,计算出在未来任一时间段内每个微服务器需要使用的资源量;并根据优化后的所述智能训练模型和所述每个微服务器需要使用的资源量,确定最优化的微服务器的节点分布策略方案;
所述策略计算中心,用于根据所述节点分布策略方案,生成控制指令,同时根据所述控制指令对所述至少2个微服务器的节点资源进行实时调整。
7.根据权利要求6所述的***,其特征在于,所述当前资源信息包括:每个微服务器的ip资源、cpu内存、负载压力和网络流量信息、占用的资源量和实际负载量sf。
8.根据权利要求7所述的***,其特征在于,在智能训练模型中预设所述至少2个微服务器的总资源量和每个微服务器的负载量yf。
9.根据权利要求8所述的***,其特征在于,所述智能计算中心,具体还用于当所述实际负载量sf与所述负载量yf的比值大于0.8时,则根据所述使用资源增长速率和优化后的所述智能训练模型,计算出在未来任一时间段内每个微服务器需要使用的资源量。
10.根据权利要求8所述的***,其特征在于,所述智能计算中心,具体还用于当所述实际负载量sf与所述负载量yf的比值小于0.2时,则根据所述使用资源增长速率和优化后的所述智能训练模型,计算在未来任一时间段内每个微服务器的回收资源或者释放资源的资源量,其中所述回收资源是指在当前自身提供的资源量不足时,获取其他的微服务器释放的资源;所述释放资源是指在当前自身提供的资源量过多时,释放资源给其他的微服务器。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711217710.XA CN108021447B (zh) | 2017-11-28 | 2017-11-28 | 一种基于分布式数据确定最优资源策略的方法及*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711217710.XA CN108021447B (zh) | 2017-11-28 | 2017-11-28 | 一种基于分布式数据确定最优资源策略的方法及*** |
Publications (2)
Publication Number | Publication Date |
---|---|
CN108021447A true CN108021447A (zh) | 2018-05-11 |
CN108021447B CN108021447B (zh) | 2021-08-03 |
Family
ID=62077243
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201711217710.XA Active CN108021447B (zh) | 2017-11-28 | 2017-11-28 | 一种基于分布式数据确定最优资源策略的方法及*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108021447B (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109005223A (zh) * | 2018-07-26 | 2018-12-14 | 南京邮电大学 | 物联网资源调度方法及***、计算机可读存储介质和终端 |
CN109150826A (zh) * | 2018-06-29 | 2019-01-04 | 中译语通科技股份有限公司 | 一种优化Presence信息负载的方法 |
CN109639598A (zh) * | 2018-10-19 | 2019-04-16 | 深圳平安财富宝投资咨询有限公司 | 基于微服务的请求处理方法、服务器、存储介质及装置 |
CN110971623A (zh) * | 2018-09-28 | 2020-04-07 | 中兴通讯股份有限公司 | 微服务实例弹性伸缩方法、装置以及存储介质 |
WO2020075017A1 (en) * | 2018-10-12 | 2020-04-16 | International Business Machines Corporation | Auto tuner for cloud micro services embeddings |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20030073064A1 (en) * | 2001-10-12 | 2003-04-17 | Lee Riggs | Methods and systems for registering and authenticating recipients of training provided through data communications networks to remote electronic devices |
US20060229896A1 (en) * | 2005-04-11 | 2006-10-12 | Howard Rosen | Match-based employment system and method |
CN105187512A (zh) * | 2015-08-13 | 2015-12-23 | 航天恒星科技有限公司 | 一种虚拟机集群负载均衡方法及*** |
CN205692107U (zh) * | 2016-05-13 | 2016-11-16 | 威海明达创新科技有限公司 | 一种分布式架构的集群微服务器*** |
CN106557370A (zh) * | 2016-11-28 | 2017-04-05 | 上海宝尊电子商务有限公司 | 基于实时统计数据的计算资源动态调度平台 |
CN106648890A (zh) * | 2016-12-06 | 2017-05-10 | 中国科学院重庆绿色智能技术研究院 | 一种能耗感知的云计算服务器资源在线管理方法和*** |
CN107042802A (zh) * | 2016-12-13 | 2017-08-15 | 象翌微链科技发展有限公司 | 一种控制发动机状态的***及方法 |
CN107124630A (zh) * | 2017-03-30 | 2017-09-01 | 华为技术有限公司 | 节点数据管理的方法及装置 |
CN107343164A (zh) * | 2016-04-29 | 2017-11-10 | 中国电信股份有限公司 | 视频监控任务的分配方法及装置 |
-
2017
- 2017-11-28 CN CN201711217710.XA patent/CN108021447B/zh active Active
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20030073064A1 (en) * | 2001-10-12 | 2003-04-17 | Lee Riggs | Methods and systems for registering and authenticating recipients of training provided through data communications networks to remote electronic devices |
US20060229896A1 (en) * | 2005-04-11 | 2006-10-12 | Howard Rosen | Match-based employment system and method |
CN105187512A (zh) * | 2015-08-13 | 2015-12-23 | 航天恒星科技有限公司 | 一种虚拟机集群负载均衡方法及*** |
CN107343164A (zh) * | 2016-04-29 | 2017-11-10 | 中国电信股份有限公司 | 视频监控任务的分配方法及装置 |
CN205692107U (zh) * | 2016-05-13 | 2016-11-16 | 威海明达创新科技有限公司 | 一种分布式架构的集群微服务器*** |
CN106557370A (zh) * | 2016-11-28 | 2017-04-05 | 上海宝尊电子商务有限公司 | 基于实时统计数据的计算资源动态调度平台 |
CN106648890A (zh) * | 2016-12-06 | 2017-05-10 | 中国科学院重庆绿色智能技术研究院 | 一种能耗感知的云计算服务器资源在线管理方法和*** |
CN107042802A (zh) * | 2016-12-13 | 2017-08-15 | 象翌微链科技发展有限公司 | 一种控制发动机状态的***及方法 |
CN107124630A (zh) * | 2017-03-30 | 2017-09-01 | 华为技术有限公司 | 节点数据管理的方法及装置 |
Non-Patent Citations (3)
Title |
---|
DEEPAK C. SHADRACH 等: "A Weighted Metric Based Adaptive Algorithm for Web Server Load Balancing", 《2009 THIRD INTERNATIONAL SYMPOSIUM ON INTELLIGENT INFORMATION TECHNOLOGY APPLICATION》 * |
HONG ZHONG 等: "LBBSRT: An efficient SDN load balancing scheme based on server response time", 《FUTURE GENERATION COMPUTER SYSTEMS》 * |
钟 麟 等: "一种基于 MongoDB 的大数据管理架构", 《计算机(七)网络》 * |
Cited By (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109150826A (zh) * | 2018-06-29 | 2019-01-04 | 中译语通科技股份有限公司 | 一种优化Presence信息负载的方法 |
CN109005223A (zh) * | 2018-07-26 | 2018-12-14 | 南京邮电大学 | 物联网资源调度方法及***、计算机可读存储介质和终端 |
CN110971623A (zh) * | 2018-09-28 | 2020-04-07 | 中兴通讯股份有限公司 | 微服务实例弹性伸缩方法、装置以及存储介质 |
CN110971623B (zh) * | 2018-09-28 | 2023-02-17 | 中兴通讯股份有限公司 | 微服务实例弹性伸缩方法、装置以及存储介质 |
WO2020075017A1 (en) * | 2018-10-12 | 2020-04-16 | International Business Machines Corporation | Auto tuner for cloud micro services embeddings |
US10673708B2 (en) | 2018-10-12 | 2020-06-02 | International Business Machines Corporation | Auto tuner for cloud micro services embeddings |
GB2587765A (en) * | 2018-10-12 | 2021-04-07 | Ibm | Auto tuner for cloud micro services embeddings |
GB2587765B (en) * | 2018-10-12 | 2021-08-25 | Ibm | Auto tuner for cloud micro services embeddings |
CN109639598A (zh) * | 2018-10-19 | 2019-04-16 | 深圳平安财富宝投资咨询有限公司 | 基于微服务的请求处理方法、服务器、存储介质及装置 |
Also Published As
Publication number | Publication date |
---|---|
CN108021447B (zh) | 2021-08-03 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108021447A (zh) | 一种基于分布式数据确定最优资源策略的方法及*** | |
US10848428B2 (en) | Method for dynamically allocating resources in an SDN/NFV network based on load balancing | |
LU500343B1 (en) | Self-Adaptive Energy-Optimal Vehicle Clustering Method based on fuzzy C-means | |
CN110191148B (zh) | 一种面向边缘计算的统计函数分布式执行方法及*** | |
CN106411770B (zh) | 一种基于sdn架构的数据中心网络节能路由算法 | |
CN111538587B (zh) | 一种基于负载均衡的服务功能链重配置方法 | |
CN105323099B (zh) | 业务网络流量建模方法、网络资源调度方法及网元 | |
CN110519783B (zh) | 基于增强学习的5g网络切片资源分配方法 | |
CN110087250B (zh) | 一种基于多目标联合优化模型的网络切片编排方案及其方法 | |
CN104619029B (zh) | 一种集中式蜂窝网络架构下的基带池资源分配方法和装置 | |
CN102664814A (zh) | 一种虚拟网络中基于灰色预测的自适应动态资源分配方法 | |
CN109743217B (zh) | 一种基于svra算法的自适应资源调节方法 | |
CN105813218A (zh) | 无线自组织网络的业务调度方法 | |
CN111130908A (zh) | 基于调用流量分析预测的微服务动态聚合拆分*** | |
US20220104127A1 (en) | Method and apparatus for power management in a wireless communication system | |
CN110198274A (zh) | 一种集群流量的控制方法及其*** | |
CN104092620A (zh) | 一种实现网络带宽调整的方法及装置 | |
CN116389491B (zh) | 一种云边算力资源自适应计算*** | |
CN106230722A (zh) | 基于转移代价的sdn网络拥塞链路调整方法 | |
Zhao et al. | PLOFR: An online flow route framework for power saving and load balance in SDN | |
CN112423041B (zh) | 分布式计算平台下基于QoS约束的视频流处理方法和*** | |
CN114691372A (zh) | 一种多媒体端边云***的群体智能控制方法 | |
CN106850859A (zh) | 一种基于sdn的cdn网络的用户请求分配方法 | |
CN104579764A (zh) | 一种基于共享时隙池的数据链资源动态分配方法 | |
CN116684418B (zh) | 基于算力服务网关的算力编排调度方法、算力网络及装置 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |