CN109284871A - 资源调整方法、装置和云平台 - Google Patents
资源调整方法、装置和云平台 Download PDFInfo
- Publication number
- CN109284871A CN109284871A CN201811166697.4A CN201811166697A CN109284871A CN 109284871 A CN109284871 A CN 109284871A CN 201811166697 A CN201811166697 A CN 201811166697A CN 109284871 A CN109284871 A CN 109284871A
- Authority
- CN
- China
- Prior art keywords
- service
- resource
- resource node
- node
- prediction
- 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
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0631—Resource planning, allocation, distributing or scheduling for enterprises or organisations
- G06Q10/06315—Needs-based resource requirements planning or analysis
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Strategic Management (AREA)
- General Physics & Mathematics (AREA)
- Economics (AREA)
- Entrepreneurship & Innovation (AREA)
- Data Mining & Analysis (AREA)
- Marketing (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Artificial Intelligence (AREA)
- Development Economics (AREA)
- General Engineering & Computer Science (AREA)
- Game Theory and Decision Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Computation (AREA)
- Quality & Reliability (AREA)
- Operations Research (AREA)
- Biophysics (AREA)
- General Health & Medical Sciences (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Evolutionary Biology (AREA)
- Computational Linguistics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Educational Administration (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明提供了一种资源调整方法、装置和云平台,其中,该方法应用于云平台的监控节点,该监控节点连接有多个资源节点,资源节点上运行有服务;该方法包括:获取预设时间段内,资源节点的历史运行数据;将历史运行数据输入至预设的资源预测模型中,以输出服务当前所需资源的预测结果;预设的资源预测模型通过机器学***台资源利用率,节约了平台用户的使用成本。
Description
技术领域
本发明涉及云计算技术领域,尤其是涉及一种资源调整方法、装置和云平台。
背景技术
为了节约硬件成本,用户可以租用云平台中的计算资源运行服务或执行计算任务;现有的方式中,云平台通常根据用户的租用需求,为用户提供固定大小的资源;当业务量增加时,当前租用的资源可能不能满足业务需求,影响服务的正常运行;而当该用户的业务量降低时,其租用的资源会空闲,使得平台资源利用率较低,一定程度上浪费了用户的使用成本。
发明内容
有鉴于此,本发明的目的在于提供一种资源调整方法、装置和云平台,以使资源与服务的实际需求相匹配,保证***正常运行的同时,提高云平台资源利用率,节约平台用户的使用成本。
第一方面,本发明实施例提供了一种资源调整方法,其中,该方法应用于云平台的监控节点,监控节点连接有多个资源节点,资源节点上运行有服务;该方法包括:获取预设时间段内,资源节点的历史运行数据;历史运行数据包括资源节点的CPU利用率、内存利用率、网卡出入流量、***出入流量和数据包转发率中的至少一种;将历史运行数据输入至预设的资源预测模型中,以输出服务当前所需资源的预测结果;预设的资源预测模型通过机器学习的方式建立;根据预测结果,调整运行服务的资源节点。
结合第一方面,本发明实施例提供了第一方面的第一种可能的实施方式,其中,预设的资源预测模型具体通过下述方式建立:获取训练样本数据;训练样本数据中包含至少一个服务的运行样本数据,以及运行样本数据对应的资源调整数据;搭建初始的模型结构;将训练样本数据输入至初始的模型结构进行训练,得到资源预测模型。
结合第一方面,本发明实施例提供了第一方面的第二种可能的实施方式,其中,预测结果中包括运行服务的预测资源总量;上述根据预测结果,调整运行服务的资源节点包括:比较预测资源总量与当前运行服务的资源节点的实际资源总量;根据比较结果,增加或减少当前运行服务的资源节点。
结合第一方面的第二种可能的实施方式,本发明实施例提供了第一方面的第三种可能的实施方式,其中,上述比较预测资源总量与当前运行服务的资源节点的实际资源总量包括:根据预测资源总量与资源节点的单位资源量,确定运行服务的预测节点数量;比较预测节点数量与当前运行服务的资源节点数量;上述根据比较结果,增加或减少当前运行服务的资源节点包括:如果预测节点数量大于当前运行服务的资源节点数量,按照预测节点数量增加运行服务的资源节点;如果预测节点数量小于当前运行服务的资源节点数量,按照预测节点数量减少运行服务的资源节点。
结合第一方面的第三种可能的实施方式,本发明实施例提供了第一方面的第四种可能的实施方式,其中,按照预测节点数量增加运行服务的资源节点包括:确定待增加的资源节点;获取服务的镜像文件;设置增加的资源节点的运行参数;运行参数至少包括资源节点的数据传输带宽;将镜像文件部署至增加的资源节点中,以将该服务设置在所述资源节点中;按照运行参数运行服务。
结合第一方面的第三种可能的实施方式,本发明实施例提供了第一方面的第五种可能的实施方式,其中,按照预测节点数量减少运行服务的资源节点的步骤之前,该方法包括:确定待删除的资源节点;回收待删除的资源节点中,服务的运行数据;将运行数据转移至除待删除的资源节点以外的资源节点中;将该待删除的资源节点中的服务删除。
结合第一方面的第一种可能的实施方式,本发明实施例提供了第一方面的第六种可能的实施方式,其中,输出服务当前所需资源的预测结果的步骤之后,该方法还包括:根据预测结果更新训练样本数据;利用更新的训练样本数据输入至资源预测模型进行训练,以得到更新的资源预测模型。
第二方面,本发明实施例还提供了一种资源调整装置,其中,该装置应用于云平台的监控节点,监控节点连接有多个资源节点,资源节点上运行有服务;该装置包括:数据获取模块,用于获取预设时间段内,资源节点的历史运行数据;历史运行数据包括资源节点的CPU利用率、内存利用率、网卡出入流量、***出入流量和数据包转发率中的至少一种;预测模块,用于将历史运行数据输入至预设的资源预测模型中,以输出服务当前所需资源的预测结果;预设的资源预测模型通过机器学习的方式建立;调整模块,用于根据预测结果,调整运行服务的资源节点。
结合第二方面,本发明实施例提供了第二方面的第一种可能的实施方式,其中,上述装置还包括机器学习模块,该机器学习模块用于:获取训练样本数据;训练样本数据中包含至少一个服务的运行样本数据,以及运行样本数据对应的资源调整数据;搭建初始的模型结构;将训练样本数据输入至初始的模型结构进行训练,得到资源预测模型。
结合第二方面,本发明实施例提供了第二方面的第二种可能的实施方式,其中,预测结果包括运行服务的预测资源总量;所述调整模块用于:比较预测资源总量与当前运行服务的资源节点的实际资源总量;根据比较结果,增加或减少当前运行服务的资源节点。
结合第二方面的第二种可能的实施方式,本发明实施例提供了第二方面的第三种可能的实施方式,其中,所述调整模块用于:根据预测资源总量与资源节点的单位资源量,确定运行服务的预测节点数量;如果预测节点数量大于当前运行服务的资源节点数量,按照预测节点数量增加运行服务的资源节点;如果预测节点数量小于当前运行服务的资源节点数量,按照预测节点数量减少运行服务的资源节点。
结合第二方面的第三种可能的实施方式,本发明实施例提供了第二方面的第四种可能的实施方式,其中,该调整模块用于:确定待增加的资源节点;获取服务的镜像文件;设置增加的资源节点的运行参数;运行参数至少包括资源节点的数据传输带宽;将镜像文件部署至增加的资源节点中,以将该服务设置在该资源节点中;按照运行参数运行服务。
结合第二方面的第三种可能的实施方式,本发明实施例提供了第二方面的第五种可能的实施方式,其中,该调整模块用于:确定待删除的资源节点;回收待删除的资源节点中,服务的运行数据;将运行数据转移至除待删除的资源节点以外的资源节点中;将待删除的资源节点中的服务删除。
结合第二方面的第一种可能的实施方式,本发明实施例提供了第二方面的第六种可能的实施方式,其中,该装置还包括:数据更新模块,用于根据预测结果更新训练样本数据;训练模块,用于利用更新的训练样本数据输入至资源预测模型进行训练,以得到更新的所述资源预测模型。
第三方面,本发明实施例还提供了一种云平台,其中,该云平台包括监控节点和资源节点;监控节点连接有多个资源节点,资源节点上运行有服务;资源节点包括运算节点和/或存储节点;第二方面所述的装置设置于监控节点。
第四方面,本发明实施例还提供了一种服务器,包括处理器和存储器,存储器存储有能够被处理器执行的机器可执行指令,处理器执行机器可执行指令以实现上述资源调整方法。
第五方面,本发明实施例还提供了一种机器可读存储介质,其特征在于,该机器可读存储介质存储有机器可执行指令,该机器可执行指令在被处理器调用和执行时,机器可执行指令促使处理器实现上述资源调整方法。
本发明实施例带来了以下有益效果:
本发明实施例提供了一种资源调整方法、装置、云平台服务器和机器可读存储介质,通过机器学***台资源利用率,节约了平台用户的使用成本。
本发明的其他特征和优点将在随后的说明书中阐述,或者,部分特征和优点可以从说明书推知或毫无疑义地确定,或者通过实施本发明的上述技术即可得知。
为使本发明的上述目的、特征和优点能更明显易懂,下文特举较佳实施方式,并配合所附附图,作详细说明如下。
附图说明
为了更清楚地说明本发明具体实施方式或现有技术中的技术方案,下面将对具体实施方式或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图是本发明的一些实施方式,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为本发明实施例提供的一种云平台的结构示意图;
图2为本发明实施例提供的一种资源调整方法的流程图;
图3为本发明实施例提供的一种建立资源预测模型的方法的流程图;
图4为本发明实施例提供的另一种资源调整方法的流程图;
图5为本发明实施例提供的另一种资源调整方法中,增加资源节点的流程图;
图6为本发明实施例提供的另一种资源调整方法中,减少资源节点的流程图;
图7为本发明实施例提供的一种资源调整装置的结构示意图;
图8为本发明实施例提供的一种云服务器的结构示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚,下面将结合附图对本发明的技术方案进行清楚、完整地描述,显然,所描述的实施例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。
为了便于理解,下面首先描述一种云平台,作为本发明实施例的应用场景,参见图1所示的一种云平台的结构示意图,在云平台上设置有监控节点,每个监控节点监控设定范围或数量的资源节点;图1中以一个监控节点为例进行说明,该监控节点连接有多个资源节点,该资源节点包括运算节点和存储节点,图1中以一个监控节点监控三个运算节点和三个存储节点为例;在资源节点上运行有服务,如信息管理***、即时通讯***、购物网站***等。
每一个服务通常租用固定大小的资源,例如,指定数量的运算节点和存储节点。云平台一般事先按照用户的租用需求提供给用户固定大小的资源,但是由于服务在运行过程中,用户数量、访问量、数据量等都在不断地发生变化,服务对资源的实际需求也在不断的发生变化;当业务量增加时,当前运行服务的资源可能不足以满足业务需求,易导致服务的性能大大降低,甚至影响服务的正常运行;当业务量减少时,服务的资源又会闲置,使得云平台的资源得不到合理的利用,降低了利用率资源,在一定程度上对用户租用云平台的成本造成浪费。
为了避免上述问题,需要运行服务的资源随着服务的业务需求随时变化,基于此,本发明实施例提供了一种资源调整方法、装置和云平台,该技术可以应用于提供各种云服务的云平台中。下面通过实施例具体介绍。
参见图2所示的一种资源调整方法的流程图,该方法应用于云平台的监控节点,该监控节点连接有多个资源节点,资源节点上运行有服务;该资源节点可以为运算节点或存储节点;在大多数情况下,服务在运行过程中既需要运算节点,也需要存储节点;因此,上述资源节点通常同时包括运算节点和存储节点;但在某些特殊情况下,例如,专用于存储数据的服务,可能仅需要存储节点;此时,资源节点可以仅包含运行节点或存储节点中的一种。
该方法步骤如下:
步骤S202,获取预设时间段内,资源节点的历史运行数据;该历史运行数据包括资源节点的CPU(Central Processing Unit/Processor,中央处理器)利用率、内存利用率、网卡出入流量、***出入流量和数据包转发率中的多种。
在服务的运行初期,云平台可以按照用户的需求为服务分配固定大小的资源;服务对应的资源节点即运行该服务的资源节点。在***运行过程中,采集运行该服务的各资源节点的历史运行数据;具体地,上述预设时间段通常为固定长度的时间段;在实际实现时,可以采用定期打点的方式获取历史运行数据;具体地,每隔一定的时间段,获取上述预设时间段内的历史运行数据;例如,每隔十分钟,获取该十分钟内的各资源节点的历史运行数据;也可以每隔十分钟,获取最近一分钟内的各资源节点的历史运行数据。
上述历史运行数据中,CPU利用率即资源节点运行服务的程序时占用的CPU百分比;如果CPU利用率较低,说明该资源节点利用率较低;如果CPU利用率较高,说明该资源节点利用率较高,但CPU利用率过高时,会影响服务的程序的运行速度,导致服务的性能、响应速度下降;另外,CPU使用率过高会导致资源节点中CPU温度过高,会大大缩短CPU寿命。上述内存利用率即资源节点运行服务的程序时占用的内存百分比,与上述CPU利用率类似,如果内存利用率较低,说明该资源节点利用率较低;如果内存利用率较高,说明该资源节点利用率较高,但内存利用率过高时,也会影响服务的程序的运行速度,进而影响服务性能。
上述网卡出入流量即该资源节点的上行数据和下行数据量,如果网卡出入流量较高,通常说明该服务访问量较大。监控节点或资源节点上可以设置有***,该***可以通过软件程序实现;该监听室可以用于监听指定资源节点、指定虚拟机或指定数据类型的流量;上述***出入流量可以表明服务中某些特定模块功能的访问量。上述数据包转发率通常用来衡量资源节点的数据吞吐能力和数据处理能力,当资源节点的数据包转发率较高时,也可以说明服务的业务量较大。
步骤S204,将上述历史运行数据输入至预设的资源预测模型中,以输出服务当前所需资源的预测结果。
上述预设的资源预测模型可以通过机器学习的方式建立。下面具体描述该模型的建立方式;参见图3所示,具体步骤如下:
步骤S302,获取训练样本数据;该训练样本数据中包含至少一个服务的运行样本数据,以及运行样本数据对应的资源调整数据;
在生成模型过程中过使用的训练样本数据,可以来源于当前的服务,即上述进行资源调整的服务,也可以来源于其他的服务;该运行样本数据同样可以包含资源节点的CPU利用率、内存利用率、网卡出入流量、***出入流量和数据包转发率等;例如,可以通过定时采集的方式获取多组运行样本数据;每组运行样本数据对应的资源调整数据可以由工程师根据实际经验手动设置。
步骤S304,搭建初始的模型结构;
初始的模型结构具体可以根据实际需求进行选择,例如,神经网络模型、支持向量机模型、趋势外推预测模型、回归预测模型、组合预测模型等。
步骤S306,将训练样本数据输入至初始的模型结构进行训练,得到资源预测模型。
以回归预测模型为例,由于服务的运行样本数据包括资源节点的CPU利用率、内存利用率、网卡出入流量、***出入流量和数据包转发率中的多种;将运行样本数据和资源调整数据输入至回归预测模型,可以计算得到一条函数曲线,该函数曲线可以较好地拟合上述运行样本数据和资源调整数据;当接收到新的运行数据时,可以通过该函数曲线计算得到该运行数据对应的资源调整数据。
上述步骤S302至步骤S306描述的是资源预测模型的建立过程,下面继续描述资源调整方法的步骤。
步骤S206,根据预测结果,调整运行服务的资源节点。
上述步骤通过资源节点的历史运行数据得到该服务当前所需资源的预测结果,该预测结果中可以包含该服务当前所需资源量,或者所需资源节点的数量;如果运行服务的当前的资源节点小于预测结果中的资源量,说明运行该服务的资源节点需要扩容,此时可以为该服务增加资源节点,将运行服务的资源节点扩容至预测结果中的资源量;如果运行服务的当前的资源节点大于预测结果中的资源量,说明运行该服务的资源节点需要缩容,此时可以从当前运行该服务的资源节点中删减部分资源节点,将运行服务的资源节点缩容至预测结果中的资源量。
为了保证资源节点调整的稳定性和有效性,可以定时或不定时地由工作人员监控根据预测结果调整资源节点后,资源节点的运行数据;或者,如果预测结果中的资源量与运行服务的当前的资源节点的差值超出设定阈值,可以生成报警信号以提示工作人员,由工作人员确定是否根据预测结果调整调整运行服务的资源节点。
另外,为了保证上述资源预测模型的预测准确性,可以根据预测结果更新模型的训练样本数据,利用更新的训练样本数据输入至资源预测模型进行训练,以得到更新的资源预测模型;具体地,可以将预测结果对应的历史运行数据作为更新的运行样本数据,将该预测结果作为对应的资源调整数据,再次输入至上述资源预测模型,对模型进行训练,以完成模型的更新过程。
本发明实施例提供的一种资源调整方法,通过机器学***台资源利用率,节约了平台用户的使用成本。
本发明实施例提供了另一种资源调整方法,该方法在上述实施例所述方法的基础上实现;本实施例中,重点描述根据预测结果调整运行服务的资源节点的具体实现方式;该预测结果中可以包括运行该服务的预测资源总量,例如,运行该服务的计算节点的个数或核数,存储节点的总存储容量。在调整过程中,比较该预测资源总量与当前运行服务的资源节点的实际资源总量;根据比较结果,增加或减少当前运行服务的资源节点。
具体地,如果预测资源总量少于当前运行该服务的资源节点的实际资源总量,则减少当前运行服务的资源节点,使得运行该服务的资源节点的资源总量与预测资源总量一致或接近;如果预测资源总量多于当前运行该服务的资源节点的实际资源总量,则增加当前运行服务的资源节点,使得运行该服务的资源节点与预测资源总量一致或接近。
如图4所示,上述资源调整方法具体描述如下:
步骤S402,获取预设时间段内,服务对应的资源节点的历史运行数据;该历史运行数据包括资源节点的CPU利用率、内存利用率、网卡出入流量、***出入流量和数据包转发率中的多种。
步骤S404,将该历史运行数据输入至预设的资源预测模型中,输出服务当前所需资源的预测结果;该预测结果中包括运行服务的预测资源总量;该预设的资源预测模型通过机器学习的方式建立。
步骤S406,根据预测资源总量与资源节点的单位资源量,确定运行服务的预测节点数量;
步骤S408,比较预测节点数量与当前运行服务的资源节点数量;如果预测节点数量大于资源节点数量,执行步骤S410;如果预测节点数量小于资源节点数量,执行步骤S412;如果预测节点数量等于资源节点数量,结束。
步骤S410,按照预测节点数量增加运行服务的资源节点;
如根据预测资源总量与资源节点的单位资源量确定预测节点数量为10个,其中运算节点4个,存储节点6个,当前运行服务的资源节点的数量为7个,其中运算节点4个,存储节点3个,经过对比发现,需要增加3个存储节点。
在实际实现时,监控节点可以通知云平台的资源管理节点,向该服务分配更多的资源节点,以使运行服务的资源总量与预测资源总量相匹配;资源管理节点为该服务分配新增的资源节点后,可以向监控节点反馈分配完成信息,该信息中通常包含新增的资源节点的访问路径、节点标识等信息,以使监控节点将新增的资源节点纳入监控范围。
步骤S412,按照预测节点数量减少运行服务的资源节点。
如根据预测资源总量与资源节点的单位资源量确定预测节点数量为7个,其中运算节点4个,存储节点3个,当前运行服务的资源节点的数量为9个,其中运算节点4个,存储节点5个,经过对比发现,需要减少2个存储节点。
监控节点可以根据每个资源节点的运行情况,挑选资源利用率较低的资源节点作为待删除的资源节点;将该待删除的资源节点的运行程序、数据等转移至其他资源节点中;之后,监控节点通知资源管理节点回收该待删除的资源节点,回收完成后,监控节点从监控范围中删除该资源节点。
上述资源调整方法中,根据资源预测模型输出的预测资源总量调节当前运行服务的资源节点数量,从而使资源与服务的实际需求相匹配,保证***正常运行的同时,提高了云平台资源利用率,节约了平台用户的使用成本。
对应于上述方法实施例,本实施例中的资源调整方法进一步描述了增加资源节点和减少资源节点的具体过程;如图5所示,增加资源节点的步骤具体包括如下:
步骤S500,确定待增加的资源节点;
步骤S502,获取服务的镜像文件;
该镜像文件是将特定的一系列文件按照一定的格式制作成单一的文件,该镜像文件中保存有运行上述服务的运行程序。
步骤S504,设置增加的资源节点的运行参数;该运行参数至少包括资源节点的数据传输带宽;
具体地,可以根据该资源节点执行的服务的具体功能模块,设置数据传输带宽;例如,如果该资源节点主要用于接收上传文件,则该资源节点需要设置较高的上行带宽;如果该资源节点主要用于播放视频文件,则该资源节点需要设置较高的下行带宽。可以理解,还可以设置该资源节点的其他运行参数,如数据包转发率等。
步骤S506,将镜像文件部署至增加的资源节点中,以将上述服务设置在该资源节点中。
运行参数设置完成后,即可将镜像文件安装至该资源节点中,安装完成后,该资源节点即可正常运行服务。
如图6所示,减少资源节点的步骤具体包括如下:
步骤S602,确定待删除的资源节点;
如上文所述,可以根据运行服务的每个资源节点的利用率,挑选利用率较低的资源节点作为待删除的资源节点。
步骤S604,回收待删除的资源节点中,服务的运行数据;
该运行数据可以包含运行程序,运行过程中产生的数据等。
步骤S606,将回收的运行数据转移至除待删除的资源节点以外的资源节点中;将该待删除的资源节点中的服务删除。
以存储节点为例,如果当前运行服务的存储节点共有5个,其中确定两个为待删除的资源节点;此时,回收这两个待删除的资源节点中的服务的运行数据,并将回收到的运行数据转移至除待删除的资源节点以外的资源节点中,即转移至剩余3个未被删除的存储节点中,进而删除待删除的资源节点中的服务。
步骤S608,将回收的运行数据转移完毕之后,将待删除的资源节点进行删除,由未被删除的资源节点继续运行当前服务。
上述方式中,如果需要增加资源节点,则需要对新增的资源节点部署镜像文件并设置运行参数;如果需要减少资源节点,则需要对待删除的资源节点上的运行数据进行回收和转移;从而保证在不影响服务正常运行的情况下完成资源节点的调整,使资源与服务的实际需求更加匹配,提高了云平台资源利用率,节约了平台用户的使用成本。
对应于上述方法实施例,本发明实施例还提供了一种资源调整装置,如图7所示,其中,该装置应用于云平台的监控节点,该监控节点连接有多个资源节点,资源节点上运行有服务;该装置包括:
数据获取模块110,用于获取预设时间段内,所述资源节点的历史运行数据;历史运行数据包括资源节点的CPU利用率、内存利用率、网卡出入流量、***出入流量和数据包转发率中的至少一种;
预测模块111,用于将历史运行数据输入至预设的资源预测模型中,输出服务当前所需资源的预测结果;预设的资源预测模型通过机器学习的方式建立;
调整模块112,用于根据预测结果,调整运行服务的资源节点。
具体的,上述装置还包括机器学习模块,该机器学习模块用于:获取训练样本数据;训练样本数据中包含至少一个服务的运行样本数据,以及运行样本数据对应的资源调整数据;搭建初始的模型结构;将训练样本数据输入至初始的模型结构进行训练,得到资源预测模型。
具体的,上述预测结果包括运行所述服务的预测资源总量;上述调整模块112用于:比较预测资源总量与当前运行服务的资源节点的实际资源总量;根据比较结果,增加或减少当前运行服务的资源节点。
具体的,上述调整模块11用于:根据预测资源总量与资源节点的单位资源量,确定运行服务的预测节点数量;如果预测节点数量大于当前运行服务的资源节点数量,按照预测节点数量增加运行服务的资源节点;如果预测节点数量小于当前运行服务的资源节点数量,按照预测节点数量减少运行服务的资源节点。
具体的,上述调整模块用于:确定待增加的资源节点;获取服务的镜像文件;设置增加的资源节点的运行参数;运行参数至少包括资源节点的数据传输带宽;将镜像文件部署至增加的资源节点中,以将服务设置在资源节点中;按照运行参数运行服务。
具体的,上述调整模块用于:确定待删除的资源节点;回收待删除的资源节点中,服务的运行数据;将运行数据转移至除待删除的资源节点以外的资源节点中;将待删除的资源节点中的服务删除。
具体的,上述装置还包括:数据更新模块,用于根据预测结果更新训练样本数据;训练模块,用于利用更新的训练样本数据输入至资源预测模型进行训练,以得到更新的资源预测模型。
本发明实施例提供了一种资源调整装置,通过机器学***台资源利用率,节约了平台用户的使用成本。
对应于上述发明实施例,本发明实施例还提供了一种云平台,该云平台包括监控节点和资源节点;监控节点连接有多个资源节点,资源节点上运行有服务;资源节点包括运算节点和/或存储节点;上述资源调整装置设置于监控节点。
本发明实施例提供的云平台,与上述实施例提供的资源调整方法具有相同的技术特征,所以也能解决相同的技术问题,达到相同的技术效果。
本发明实施例还提供了一种服务器,用于运行上述资源调整方法,参见图8所示,该云服务器包括存储器和处理器,其中,存储器用于存储一条或多条计算机指令,一条或多条计算机指令被处理器执行,以实现上述资源调整方法。
进一步,图8所示的云服务器还包括总线102和通信接口103,处理器101、通信接口103和存储器100通过总线102连接。
其中,存储器100可能包含高速随机存取存储器(RAM,Random Access Memory),也可能还包括非不稳定的存储器(non-volatile memory),例如至少一个磁盘存储器。通过至少一个通信接口103(可以是有线或者无线)实现该***网元与至少一个其他网元之间的通信连接,可以使用互联网,广域网,本地网,城域网等。总线102可以是ISA总线、PCI总线或EISA总线等。所述总线可以分为地址总线、数据总线、控制总线等。为便于表示,图8中仅用一个双向箭头表示,但并不表示仅有一根总线或一种类型的总线。
处理器101可能是一种集成电路芯片,具有信号的处理能力。在实现过程中,上述方法的各步骤可以通过处理器101中的硬件的集成逻辑电路或者软件形式的指令完成。上述的处理器101可以是通用处理器,包括中央处理器(Central Processing Unit,简称CPU)、网络处理器(Network Processor,简称NP)等;还可以是数字信号处理器(DigitalSignal Processing,简称DSP)、专用集成电路(Application Specific IntegratedCircuit,简称ASIC)、现成可编程门阵列(Field-Programmable Gate Array,简称FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。可以实现或者执行本发明实施例中的公开的各方法、步骤及逻辑框图。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。结合本发明实施例所公开的方法的步骤可以直接体现为硬件译码处理器执行完成,或者用译码处理器中的硬件及软件模块组合执行完成。软件模块可以位于随机存储器,闪存、只读存储器,可编程只读存储器或者电可擦写可编程存储器、寄存器等本领域成熟的存储介质中。该存储介质位于存储器100,处理器101读取存储器100中的信息,结合其硬件完成前述实施例的方法的步骤。
本发明实施例还提供了一种机器可读存储介质,该机器可读存储介质存储有机器可执行指令,该机器可执行指令在被处理器调用和执行时,机器可执行指令促使处理器实现上述资源调整方法,具体实现可参见方法实施例,在此不再赘述。
本发明实施例所提供的资源调整方法、装置和云平台的计算机程序产品,包括存储了程序代码的计算机可读存储介质,所述程序代码包括的指令可用于执行前面方法实施例中所述的方法,具体实现可参见方法实施例,在此不再赘述。
所述功能如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
最后应说明的是:以上所述实施例,仅为本发明的具体实施方式,用以说明本发明的技术方案,而非对其限制,本发明的保护范围并不局限于此,尽管参照前述实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:任何熟悉本技术领域的技术人员在本发明揭露的技术范围内,其依然可以对前述实施例所记载的技术方案进行修改或可轻易想到变化,或者对其中部分技术特征进行等同替换;而这些修改、变化或者替换,并不使相应技术方案的本质脱离本发明实施例技术方案的精神和范围,都应涵盖在本发明的保护范围之内。因此,本发明的保护范围应所述以权利要求的保护范围为准。
Claims (17)
1.一种资源调整方法,其特征在于,所述方法应用于监控节点,所述监控节点连接有多个资源节点,所述资源节点上运行有服务,所述方法包括:
获取预设时间段内,所述资源节点的历史运行数据;所述历史运行数据包括所述资源节点的CPU利用率、内存利用率、网卡出入流量、***出入流量和数据包转发率中的至少一种;
将所述历史运行数据输入至预设的资源预测模型中,以输出所述服务当前所需资源的预测结果;所述预设的资源预测模型通过机器学习的方式建立;
根据所述预测结果,调整运行所述服务的资源节点。
2.根据权利要求1所述的方法,其特征在于,所述预设的资源预测模型具体通过下述方式建立:
获取训练样本数据;所述训练样本数据中包含至少一个所述服务的运行样本数据,以及所述运行样本数据对应的资源调整数据;
搭建初始的模型结构;
将所述训练样本数据输入至所述初始的模型结构进行训练,得到所述资源预测模型。
3.根据权利要求1所述的方法,其特征在于,
所述预测结果中包括运行所述服务的预测资源总量;
所述根据所述预测结果,调整运行所述服务的资源节点包括:
比较所述预测资源总量与当前运行所述服务的资源节点的实际资源总量;
根据比较结果,增加或减少当前运行所述服务的资源节点。
4.根据权利要求3所述的方法,其特征在于,所述比较所述预测资源总量与当前运行所述服务的资源节点的实际资源总量包括:
根据所述预测资源总量与资源节点的单位资源量,确定运行所述服务的预测节点数量;
比较所述预测节点数量与当前运行所述服务的资源节点数量;
所述根据比较结果,增加或减少当前运行所述服务的资源节点包括:如果所述预测节点数量大于当前运行所述服务的资源节点数量,按照所述预测节点数量增加运行所述服务的资源节点;如果所述预测节点数量小于当前运行所述服务的资源节点数量,按照所述预测节点数量减少运行所述服务的资源节点。
5.根据权利要求4所述的方法,其特征在于,所述按照所述预测节点数量增加运行所述服务的资源节点包括:
确定待增加的资源节点;
获取所述服务的镜像文件;
设置待增加的资源节点的运行参数;所述运行参数至少包括所述资源节点的数据传输带宽;
将所述镜像文件部署至待增加的所述资源节点中,以将所述服务设置在所述资源节点中;
按照所述运行参数运行所述服务。
6.根据权利要求4所述的方法,其特征在于,所述按照所述预测节点数量减少运行所述服务的资源节点包括:
确定待删除的资源节点;
回收所述待删除的资源节点中,所述服务的运行数据;
将所述运行数据转移至除所述待删除的资源节点以外的资源节点中;
将所述待删除的资源节点中的所述服务删除。
7.根据权利要求2所述的方法,其特征在于,所述输出所述服务当前所需资源的预测结果的步骤之后,所述方法还包括:
根据所述预测结果更新所述训练样本数据;
利用所述更新的训练样本数据输入至所述资源预测模型进行训练,以得到更新的所述资源预测模型。
8.一种资源调整装置,其特征在于,所述装置应用于监控节点,所述监控节点连接有多个资源节点,所述资源节点上运行有服务;所述装置包括:
数据获取模块,用于获取预设时间段内,所述资源节点的历史运行数据;所述历史运行数据包括所述资源节点的CPU利用率、内存利用率、网卡出入流量、***出入流量和数据包转发率中的至少一种;
预测模块,用于将所述历史运行数据输入至预设的资源预测模型中,以输出所述服务当前所需资源的预测结果;所述预设的资源预测模型通过机器学习的方式建立;
调整模块,用于根据所述预测结果,调整运行所述服务的资源节点。
9.根据权利要求8所述的装置,其特征在于,所述装置还包括机器学习模块,所述机器学习模块用于:
获取训练样本数据;所述训练样本数据中包含至少一个服务的运行样本数据,以及所述运行样本数据对应的资源调整数据;
搭建初始的模型结构;
将所述训练样本数据输入至所述初始的模型结构进行训练,得到所述资源预测模型。
10.根据权利要求8所述的装置,其特征在于,所述预测结果包括运行所述服务的预测资源总量;
所述调整模块用于:比较所述预测资源总量与当前运行所述服务的资源节点的实际资源总量;根据比较结果,增加或减少当前运行所述服务的资源节点。
11.根据权利要求10所述的装置,其特征在于,所述调整模块用于:
根据所述预测资源总量与资源节点的单位资源量,确定运行所述服务的预测节点数量;
如果所述预测节点数量大于当前运行所述服务的资源节点数量,按照所述预测节点数量增加运行所述服务的资源节点;
如果所述预测节点数量小于当前运行所述服务的资源节点数量,按照所述预测节点数量减少运行所述服务的资源节点。
12.根据权利要求11所述的装置,其特征在于,所述调整模块用于:
确定待增加的资源节点;
获取所述服务的镜像文件;
设置增加的资源节点的运行参数;所述运行参数至少包括所述资源节点的数据传输带宽;
将所述镜像文件部署至增加的所述资源节点中,以将所述服务设置在所述资源节点中;
按照所述运行参数运行所述服务。
13.根据权利要求11所述的装置,其特征在于,所述调整模块用于:
确定待删除的资源节点;
回收所述待删除的资源节点中,所述服务的运行数据;
将所述运行数据转移至除所述待删除的资源节点以外的资源节点中;
将所述待删除的资源节点中的所述服务删除。
14.根据权利要求9所述的装置,其特征在于,所述装置还包括:
数据更新模块,用于根据所述预测结果更新所述训练样本数据;
训练模块,用于利用所述更新的训练样本数据输入至所述资源预测模型进行训练,以得到更新的所述资源预测模型。
15.一种云平台,其特征在于,所述云平台包括监控节点和资源节点;所述监控节点连接有多个所述资源节点,所述资源节点上运行有服务;所述资源节点包括运算节点和/或存储节点;权利要求8-14任一项所述的装置设置于所述监控节点。
16.一种服务器,其特征在于,包括处理器和存储器,所述存储器存储有能够被所述处理器执行的机器可执行指令,所述处理器执行所述机器可执行指令以实现权利要求1至7任一项所述的方法。
17.一种机器可读存储介质,其特征在于,该机器可读存储介质存储有机器可执行指令,该机器可执行指令在被处理器调用和执行时,机器可执行指令促使处理器实现权利要求1至7任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811166697.4A CN109284871A (zh) | 2018-09-30 | 2018-09-30 | 资源调整方法、装置和云平台 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811166697.4A CN109284871A (zh) | 2018-09-30 | 2018-09-30 | 资源调整方法、装置和云平台 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN109284871A true CN109284871A (zh) | 2019-01-29 |
Family
ID=65177102
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811166697.4A Pending CN109284871A (zh) | 2018-09-30 | 2018-09-30 | 资源调整方法、装置和云平台 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109284871A (zh) |
Cited By (29)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109976916A (zh) * | 2019-04-04 | 2019-07-05 | 中国联合网络通信集团有限公司 | 一种云资源需求判定方法及*** |
CN110059858A (zh) * | 2019-03-15 | 2019-07-26 | 深圳壹账通智能科技有限公司 | 服务器资源预测方法、装置、计算机设备及存储介质 |
CN110297713A (zh) * | 2019-05-22 | 2019-10-01 | 菜鸟智能物流控股有限公司 | 一种云主机的配置管理***和方法 |
CN110333991A (zh) * | 2019-05-30 | 2019-10-15 | 武汉科技大学 | 云平台任务最大资源使用率预测方法 |
CN110365765A (zh) * | 2019-07-11 | 2019-10-22 | 网宿科技股份有限公司 | 一种缓存服务器的带宽调度方法及装置 |
CN110673954A (zh) * | 2019-09-18 | 2020-01-10 | 北京北科融智云计算科技有限公司 | 利用率预测方法、装置、计算设备、存储介质及程序产品 |
CN110795334A (zh) * | 2019-09-09 | 2020-02-14 | 连连银通电子支付有限公司 | 一种测试装置和方法 |
CN110990138A (zh) * | 2019-12-04 | 2020-04-10 | 北京三快在线科技有限公司 | 资源调度方法、装置、服务器及存储介质 |
CN111061564A (zh) * | 2019-12-11 | 2020-04-24 | 中国建设银行股份有限公司 | 服务器容量调整方法、装置及电子设备 |
CN111352712A (zh) * | 2020-02-25 | 2020-06-30 | 程瑞萍 | 云计算任务跟踪处理方法、装置、云计算***及服务器 |
CN111352733A (zh) * | 2020-02-26 | 2020-06-30 | 北京奇艺世纪科技有限公司 | 一种扩缩容状态的预测方法和装置 |
CN111538597A (zh) * | 2020-04-27 | 2020-08-14 | 贝壳技术有限公司 | 资源配置方法、装置、计算机可读存储介质及电子设备 |
CN111598390A (zh) * | 2019-10-16 | 2020-08-28 | 中国南方电网有限责任公司 | 服务器高可用性评估方法、装置、设备和可读存储介质 |
CN111858015A (zh) * | 2019-04-25 | 2020-10-30 | ***通信集团河北有限公司 | 配置应用程序的运行资源的方法、装置及网关 |
CN112346846A (zh) * | 2019-08-06 | 2021-02-09 | 陆明 | 对云资源进行分析和编排的方法、装置以及存储介质 |
CN112463391A (zh) * | 2020-12-08 | 2021-03-09 | Oppo广东移动通信有限公司 | 内存控制方法、内存控制装置、存储介质与电子设备 |
CN112559147A (zh) * | 2020-12-08 | 2021-03-26 | 和美(深圳)信息技术股份有限公司 | 基于gpu占用资源特点的动态匹配算法、***和设备 |
CN112612305A (zh) * | 2020-12-04 | 2021-04-06 | 格力电器(武汉)有限公司 | 温度的调整方法、装置、设备、存储介质和空调*** |
CN112667405A (zh) * | 2021-01-05 | 2021-04-16 | 田宇 | 信息处理方法、装置、设备及存储介质 |
CN112860442A (zh) * | 2021-03-16 | 2021-05-28 | 迅雷计算机(深圳)有限公司 | 资源配额调整方法、装置、计算机设备和存储介质 |
CN113296951A (zh) * | 2021-05-31 | 2021-08-24 | 阿里巴巴新加坡控股有限公司 | 一种资源配置方案确定方法及设备 |
CN113516270A (zh) * | 2020-10-30 | 2021-10-19 | 腾讯科技(深圳)有限公司 | 业务数据监控方法、装置 |
CN113792971A (zh) * | 2021-08-11 | 2021-12-14 | 邹平市供电有限公司 | 一种区域电力调度组网方法及*** |
US11663505B2 (en) | 2020-03-10 | 2023-05-30 | International Business Machines Corporation | Estimating performance and required resources from shift-left analysis |
CN116600015A (zh) * | 2023-07-18 | 2023-08-15 | 湖南快乐阳光互动娱乐传媒有限公司 | 一种资源节点调整方法、***、电子设备及可读存储介质 |
CN117648173A (zh) * | 2024-01-26 | 2024-03-05 | 杭州阿里云飞天信息技术有限公司 | 资源调度方法以及装置 |
CN117729114A (zh) * | 2024-01-18 | 2024-03-19 | 苏州元脑智能科技有限公司 | 网卡功耗调整方法、装置、网卡、电子设备及存储介质 |
CN118093057A (zh) * | 2024-04-24 | 2024-05-28 | 武汉攀升鼎承科技有限公司 | 基于用户使用习惯的笔记本电脑***资源优化方法及*** |
CN118093057B (zh) * | 2024-04-24 | 2024-07-05 | 武汉攀升鼎承科技有限公司 | 基于用户使用习惯的笔记本电脑***资源优化方法及*** |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106789424A (zh) * | 2016-12-21 | 2017-05-31 | 携程旅游网络技术(上海)有限公司 | 服务器活跃度检测***及方法 |
CN107196869A (zh) * | 2017-07-14 | 2017-09-22 | 北京知道创宇信息技术有限公司 | 基于主机实际负载的自适应负载均衡方法、设备和*** |
CN107231264A (zh) * | 2017-07-25 | 2017-10-03 | 北京百度网讯科技有限公司 | 用于管理云服务器的容量的方法和装置 |
CN108009016A (zh) * | 2016-10-31 | 2018-05-08 | 华为技术有限公司 | 一种资源负载均衡控制方法及集群调度器 |
US20180144251A1 (en) * | 2016-11-23 | 2018-05-24 | Institute For Information Industry | Server and cloud computing resource optimization method thereof for cloud big data computing architecture |
-
2018
- 2018-09-30 CN CN201811166697.4A patent/CN109284871A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108009016A (zh) * | 2016-10-31 | 2018-05-08 | 华为技术有限公司 | 一种资源负载均衡控制方法及集群调度器 |
US20180144251A1 (en) * | 2016-11-23 | 2018-05-24 | Institute For Information Industry | Server and cloud computing resource optimization method thereof for cloud big data computing architecture |
CN106789424A (zh) * | 2016-12-21 | 2017-05-31 | 携程旅游网络技术(上海)有限公司 | 服务器活跃度检测***及方法 |
CN107196869A (zh) * | 2017-07-14 | 2017-09-22 | 北京知道创宇信息技术有限公司 | 基于主机实际负载的自适应负载均衡方法、设备和*** |
CN107231264A (zh) * | 2017-07-25 | 2017-10-03 | 北京百度网讯科技有限公司 | 用于管理云服务器的容量的方法和装置 |
Cited By (42)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110059858A (zh) * | 2019-03-15 | 2019-07-26 | 深圳壹账通智能科技有限公司 | 服务器资源预测方法、装置、计算机设备及存储介质 |
CN109976916A (zh) * | 2019-04-04 | 2019-07-05 | 中国联合网络通信集团有限公司 | 一种云资源需求判定方法及*** |
CN111858015A (zh) * | 2019-04-25 | 2020-10-30 | ***通信集团河北有限公司 | 配置应用程序的运行资源的方法、装置及网关 |
CN110297713A (zh) * | 2019-05-22 | 2019-10-01 | 菜鸟智能物流控股有限公司 | 一种云主机的配置管理***和方法 |
CN110333991B (zh) * | 2019-05-30 | 2022-11-25 | 武汉科技大学 | 云平台任务最大资源使用率预测方法 |
CN110333991A (zh) * | 2019-05-30 | 2019-10-15 | 武汉科技大学 | 云平台任务最大资源使用率预测方法 |
CN110365765A (zh) * | 2019-07-11 | 2019-10-22 | 网宿科技股份有限公司 | 一种缓存服务器的带宽调度方法及装置 |
CN112346846A (zh) * | 2019-08-06 | 2021-02-09 | 陆明 | 对云资源进行分析和编排的方法、装置以及存储介质 |
CN110795334A (zh) * | 2019-09-09 | 2020-02-14 | 连连银通电子支付有限公司 | 一种测试装置和方法 |
CN110795334B (zh) * | 2019-09-09 | 2023-12-29 | 连连银通电子支付有限公司 | 一种测试装置和方法 |
CN110673954A (zh) * | 2019-09-18 | 2020-01-10 | 北京北科融智云计算科技有限公司 | 利用率预测方法、装置、计算设备、存储介质及程序产品 |
CN110673954B (zh) * | 2019-09-18 | 2022-02-15 | 北京北科融智云计算科技有限公司 | 利用率预测方法、装置、计算设备、存储介质及程序产品 |
CN111598390B (zh) * | 2019-10-16 | 2023-12-01 | 中国南方电网有限责任公司 | 服务器高可用性评估方法、装置、设备和可读存储介质 |
CN111598390A (zh) * | 2019-10-16 | 2020-08-28 | 中国南方电网有限责任公司 | 服务器高可用性评估方法、装置、设备和可读存储介质 |
CN110990138A (zh) * | 2019-12-04 | 2020-04-10 | 北京三快在线科技有限公司 | 资源调度方法、装置、服务器及存储介质 |
CN111061564A (zh) * | 2019-12-11 | 2020-04-24 | 中国建设银行股份有限公司 | 服务器容量调整方法、装置及电子设备 |
CN111352712A (zh) * | 2020-02-25 | 2020-06-30 | 程瑞萍 | 云计算任务跟踪处理方法、装置、云计算***及服务器 |
CN111352733A (zh) * | 2020-02-26 | 2020-06-30 | 北京奇艺世纪科技有限公司 | 一种扩缩容状态的预测方法和装置 |
US11663505B2 (en) | 2020-03-10 | 2023-05-30 | International Business Machines Corporation | Estimating performance and required resources from shift-left analysis |
CN111538597B (zh) * | 2020-04-27 | 2024-02-27 | 贝壳技术有限公司 | 资源配置方法、装置、计算机可读存储介质及电子设备 |
CN111538597A (zh) * | 2020-04-27 | 2020-08-14 | 贝壳技术有限公司 | 资源配置方法、装置、计算机可读存储介质及电子设备 |
CN113516270A (zh) * | 2020-10-30 | 2021-10-19 | 腾讯科技(深圳)有限公司 | 业务数据监控方法、装置 |
CN112612305A (zh) * | 2020-12-04 | 2021-04-06 | 格力电器(武汉)有限公司 | 温度的调整方法、装置、设备、存储介质和空调*** |
CN112612305B (zh) * | 2020-12-04 | 2022-04-08 | 格力电器(武汉)有限公司 | 温度的调整方法、装置、设备、存储介质和空调*** |
CN112559147B (zh) * | 2020-12-08 | 2024-04-19 | 和美(深圳)信息技术股份有限公司 | 基于gpu占用资源特点的动态匹配方法、***和设备 |
CN112463391A (zh) * | 2020-12-08 | 2021-03-09 | Oppo广东移动通信有限公司 | 内存控制方法、内存控制装置、存储介质与电子设备 |
CN112463391B (zh) * | 2020-12-08 | 2023-06-13 | Oppo广东移动通信有限公司 | 内存控制方法、内存控制装置、存储介质与电子设备 |
CN112559147A (zh) * | 2020-12-08 | 2021-03-26 | 和美(深圳)信息技术股份有限公司 | 基于gpu占用资源特点的动态匹配算法、***和设备 |
CN112667405B (zh) * | 2021-01-05 | 2021-09-24 | 田宇 | 信息处理方法、装置、设备及存储介质 |
CN112667405A (zh) * | 2021-01-05 | 2021-04-16 | 田宇 | 信息处理方法、装置、设备及存储介质 |
CN112860442A (zh) * | 2021-03-16 | 2021-05-28 | 迅雷计算机(深圳)有限公司 | 资源配额调整方法、装置、计算机设备和存储介质 |
CN113296951A (zh) * | 2021-05-31 | 2021-08-24 | 阿里巴巴新加坡控股有限公司 | 一种资源配置方案确定方法及设备 |
CN113792971B (zh) * | 2021-08-11 | 2023-12-29 | 邹平市供电有限公司 | 一种区域电力调度组网方法及*** |
CN113792971A (zh) * | 2021-08-11 | 2021-12-14 | 邹平市供电有限公司 | 一种区域电力调度组网方法及*** |
CN116600015B (zh) * | 2023-07-18 | 2023-10-10 | 湖南快乐阳光互动娱乐传媒有限公司 | 一种资源节点调整方法、***、电子设备及可读存储介质 |
CN116600015A (zh) * | 2023-07-18 | 2023-08-15 | 湖南快乐阳光互动娱乐传媒有限公司 | 一种资源节点调整方法、***、电子设备及可读存储介质 |
CN117729114A (zh) * | 2024-01-18 | 2024-03-19 | 苏州元脑智能科技有限公司 | 网卡功耗调整方法、装置、网卡、电子设备及存储介质 |
CN117729114B (zh) * | 2024-01-18 | 2024-05-07 | 苏州元脑智能科技有限公司 | 网卡功耗调整方法、装置、网卡、电子设备及存储介质 |
CN117648173A (zh) * | 2024-01-26 | 2024-03-05 | 杭州阿里云飞天信息技术有限公司 | 资源调度方法以及装置 |
CN117648173B (zh) * | 2024-01-26 | 2024-05-14 | 杭州阿里云飞天信息技术有限公司 | 资源调度方法以及装置 |
CN118093057A (zh) * | 2024-04-24 | 2024-05-28 | 武汉攀升鼎承科技有限公司 | 基于用户使用习惯的笔记本电脑***资源优化方法及*** |
CN118093057B (zh) * | 2024-04-24 | 2024-07-05 | 武汉攀升鼎承科技有限公司 | 基于用户使用习惯的笔记本电脑***资源优化方法及*** |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109284871A (zh) | 资源调整方法、装置和云平台 | |
CN112165691B (zh) | 内容分发网络调度方法、装置、服务器和介质 | |
CN109359793A (zh) | 一种针对新场景的预测模型训练方法及装置 | |
CN105471759A (zh) | 数据中心的网络流量调度方法和装置 | |
CN104901989B (zh) | 一种现场服务提供***及方法 | |
EP3136650B1 (en) | Method and system for optimizing network parameters to improve customer satisfaction of network content | |
CN108089921A (zh) | 用于云端大数据运算架构的服务器及其运算资源最佳化方法 | |
CN107690822A (zh) | 网络管理 | |
CN111158613A (zh) | 基于访问热度的数据块存储方法、装置及存储设备 | |
CN109842563A (zh) | 内容分发网络流量调度方法、装置和计算机可读存储介质 | |
CN103701934A (zh) | 一种资源优化调度方法及虚拟机宿主机优化选择方法 | |
Alasmari et al. | Mobile edge offloading using markov decision processes | |
CN105024947A (zh) | 用于监控网络业务量的方法和装置 | |
CN106453143A (zh) | 带宽设置方法、装置和*** | |
CN106658358A (zh) | 一种共享网络的方法、装置和终端 | |
CN106797399A (zh) | 确定计算资源的新配置的配置方法、设备、***和计算机可读介质 | |
CN106775885A (zh) | 一种日志输出控制方法和***及银行管理*** | |
Cai et al. | SARM: service function chain active reconfiguration mechanism based on load and demand prediction | |
GB2599196A (en) | Continuous network slicing in a 5G cellular communications network via a delayed deep deterministic policy gradient | |
CN105956422A (zh) | 用于控制移动计算装置上的软件程序的使用的方法和*** | |
CN111353794B (zh) | 数据处理的方法、供应链调度的方法和装置 | |
CN110019261A (zh) | 数据查询方法和装置 | |
Sarkar et al. | Deep learning-based energy-efficient computational offloading strategy in heterogeneous fog computing networks | |
CN104866375B (zh) | 一种迁移虚拟机的方法及装置 | |
CN109978172B (zh) | 一种基于极限学习机的资源池利用率预测方法及装置 |
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 | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20190129 |