CN109600245B - 服务器自动配置方法及装置 - Google Patents
服务器自动配置方法及装置 Download PDFInfo
- Publication number
- CN109600245B CN109600245B CN201710919835.0A CN201710919835A CN109600245B CN 109600245 B CN109600245 B CN 109600245B CN 201710919835 A CN201710919835 A CN 201710919835A CN 109600245 B CN109600245 B CN 109600245B
- Authority
- CN
- China
- Prior art keywords
- load balancer
- historical
- offline
- operation data
- server cluster
- 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
Images
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L41/00—Arrangements for maintenance, administration or management of data switching networks, e.g. of packet switching networks
- H04L41/08—Configuration management of networks or network elements
- H04L41/0803—Configuration setting
- H04L41/0823—Configuration setting characterised by the purposes of a change of settings, e.g. optimising configuration for enhancing reliability
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L41/00—Arrangements for maintenance, administration or management of data switching networks, e.g. of packet switching networks
- H04L41/08—Configuration management of networks or network elements
- H04L41/0803—Configuration setting
- H04L41/0823—Configuration setting characterised by the purposes of a change of settings, e.g. optimising configuration for enhancing reliability
- H04L41/0836—Configuration setting characterised by the purposes of a change of settings, e.g. optimising configuration for enhancing reliability to enhance reliability, e.g. reduce downtime
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L41/00—Arrangements for maintenance, administration or management of data switching networks, e.g. of packet switching networks
- H04L41/08—Configuration management of networks or network elements
- H04L41/0876—Aspects of the degree of configuration automation
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L67/00—Network arrangements or protocols for supporting network services or applications
- H04L67/01—Protocols
- H04L67/10—Protocols in which an application is distributed across nodes in the network
- H04L67/1001—Protocols in which an application is distributed across nodes in the network for accessing one among a plurality of replicated servers
Landscapes
- Engineering & Computer Science (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Automation & Control Theory (AREA)
- Debugging And Monitoring (AREA)
Abstract
本发明公开了一种服务器自动配置方法及装置,该方法应用于负载均衡器,包括:根据负载均衡器的当前运行数据判断预选取的目标服务器集群是否开启配置操作;若是,根据负载均衡器的当前运行数据生成目标服务器集群的至少一个下线规则;从至少一个下线规则中选取目标下线规则;按照目标下线规则对目标服务器集群内各个服务器进行配置操作。基于本发明公开的方法,可在一定程度上减少了运维人员的参与量,在业务量很大的时候,可有效避免运维人员无法准确确定下线规则所出现的盲目配置情况,从而降低后续升级过程中数据丢失的可能性。
Description
技术领域
本发明涉及负载均衡技术领域,尤其涉及一种服务器自动配置方法及装置。
背景技术
在高并发的互联网应用背景下,服务的发布可以呈集群化,即对于某一种服务可由服务器集群(Cluster)提供,集群内每台服务器都可以单独对外提供该服务。当服务调用者要调用该服务时,可以采用负载均衡(Load Balance)的处理方式,由负载均衡器,例如LVS Director将外部发来的服务调用请求相对均匀的分配到集群内每台服务器上。
为保证服务平滑升级,服务器集群的各台服务器不能同时下线,需要分批升级。而目前升级前的配置操作是由运维人员首先确定好下线规则,即哪几台服务器第一批下线,哪几台服务器第二批下线等,再修改相应服务器的配置文件来完成的。
但是在业务量很大的时候,由于运维人员无法准确确定下线规则,出现盲目配置的情况,从而使得后续升级过程中很可能出现数据丢失的问题。
发明内容
鉴于上述问题,提出了本发明以便提供一种克服上述问题或者至少部分地解决上述问题的服务器自动配置方法及装置。
具体技术方案如下:
一种服务器自动配置方法,应用于负载均衡器,包括:
根据所述负载均衡器的当前运行数据判断预选取的目标服务器集群是否开启配置操作;
若是,根据所述负载均衡器的当前运行数据生成所述目标服务器集群的至少一个下线规则,所述下线规则中包含有所述目标服务器集群内各个服务器的上线时间和下线时间;
在检测到规则选取指令的情况下,从所述至少一个下线规则中选取目标下线规则;
按照所述目标下线规则对所述目标服务器集群内各个服务器进行配置操作。
优选的,还包括:
若否,根据所述负载均衡器的当前运行数据生成所述目标服务器集群的至少一个升级时间段;
在检测到时间段选取指令的情况下,从所述至少一个升级时间段中选取目标升级时间段;
按照所述目标升级时间段生成提示信息。
优选的,所述根据所述负载均衡器的当前运行数据判断预选取的目标
服务器集群是否开启配置操作,包括:
采集所述负载均衡器的当前运行数据,所述当前运行数据包括用户连接数值、流量值、内存占用量和CPU使用率;
判断所述用户连接数值、所述流量值、所述内存占用量和所述CPU使用率是否都大于各自的阈值;
若是,确定预选取的目标服务器集群开启配置操作;
若否,确定预选取的目标服务器集群不开启配置操作。
优选的,所述根据所述负载均衡器的当前运行数据生成所述目标服务
器集群的至少一个下线规则,包括:
从后台数据库中调取至少一个所述负载均衡器的历史运行数据,以及所述负载均衡器的历史运行数据对应的至少一个标定历史下线规则;其中,所述标定历史下线规则中包含有所述目标服务器集群内各个服务器的历史上线时间和历史下线时间;
提取各个所述负载均衡器的历史运行数据的第一特征值,以及该所述负载均衡器的历史运行数据对应的各个标定历史下线规则的第二特征值;其中,所述第二特征值中包含有所述目标服务器集群内各个服务器的历史上线时间的特征值和历史下线时间的特征值;
构建至少一个第一特征向量组,所述第一特征向量组由一个所述第一特征值和一个所述第二特征值构成;
根据预设机器学习算法和所述至少一个第一特征向量组,构建下线规则生成模型;
依据所述负载均衡器的当前运行数据和所述下线规则生成模型,生成所述目标服务器集群的至少一个下线规则。
优选的,所述根据所述负载均衡器的当前运行数据生成所述目标服务
器集群的至少一个升级时间段,包括:
从后台数据库中调取至少一个所述负载均衡器的历史运行数据,以及所述负载均衡器的历史运行数据对应的至少一个标定历史升级时间段;
提取各个所述负载均衡器的历史运行数据的第三特征值,以及该所述负载均衡器的历史运行数据对应的各个标定历史升级时间段的第四特征值;
构建至少一个第二特征向量组,所述第二特征向量组由一个所述第三特征值和一个所述第四特征值构成;
根据预设机器学习算法和所述至少一个第二特征向量组,构建升级时间段生成模型;
依据所述负载均衡器的当前运行数据和所述升级时间段生成模型,生成所述目标服务器集群的至少一个升级时间段。
一种服务器自动配置装置,包括:判断模块、下线规则生成模块、规
则选取模块和下线配置模块;
所述判断模块,用于根据所述负载均衡器的当前运行数据判断预选取的目标服务器集群是否开启配置操作;
所述下线规则生成模块,用于若是,根据所述负载均衡器的当前运行数据生成所述目标服务器集群的至少一个下线规则,所述下线规则中包含有所述目标服务器集群内各个服务器的上线时间和下线时间;
所述规则选取模块,用于在检测到规则选取指令的情况下,从所述至少一个下线规则中选取目标下线规则;
所述下线配置模块,用于按照所述目标下线规则对所述目标服务器集群内各个服务器进行配置操作。
优选的,还包括:升级时间段生成模块、时间段选取模块和提示模块;
所述升级时间段生成模块,用于若否,根据所述负载均衡器的当前运行数据生成所述目标服务器集群的至少一个升级时间段;
所述时间段选取模块,用于在检测到时间段选取指令的情况下,从所述至少一个升级时间段中选取目标升级时间段;
所述提示模块,用于按照所述目标升级时间段生成提示信息。
优选的,所述判断模块,具体用于:
采集所述负载均衡器的当前运行数据,所述当前运行数据包括用户连接数值、流量值、内存占用量和CPU使用率;判断所述用户连接数值、所述流量值、所述内存占用量和所述CPU使用率是否都大于各自的阈值;若是,确定预选取的目标服务器集群开启配置操作;若否,确定预选取的目标服务器集群不开启配置操作。
一种存储介质,所述存储介质包括存储的程序,其中,所述程序执行上述技术方案任意一项所述的服务器自动配置方法。
一种处理器,所述处理器用于运行程序,其中,所述程序运行时执行上述技术方案任意一项所述的服务器自动配置方法。
借由上述技术方案,本发明提供的服务器自动配置方法及装置,可以自动判断目标服务器集群当前是否开启配置操作,进而自动生成至少一个下线规则,并根据运维人员从中选取的目标下线规则对目标服务器集群内的各个服务器进行配置,以实现分批下线。
由于本发明可以自动生成下线规则以及自动完成配置操作,运维人员仅需要指定目标服务器集群和目标下线规则即可,因此,这在一定程度上减少了运维人员的参与量,在业务量很大的时候,可有效避免运维人员无法准确确定下线规则所出现的盲目配置情况,从而降低后续升级过程中数据丢失的可能性。
上述说明仅是本发明技术方案的概述,为了能够更清楚了解本发明的技术手段,而可依照说明书的内容予以实施,并且为了让本发明的上述和其它目的、特征和优点能够更明显易懂,以下特举本发明的具体实施方式。
附图说明
通过阅读下文优选实施方式的详细描述,各种其他的优点和益处对于本领域普通技术人员将变得清楚明了。附图仅用于示出优选实施方式的目的,而并不认为是对本发明的限制。而且在整个附图中,用相同的参考符号表示相同的部件。在附图中:
图1示出了服务器自动配置方法的方法流程图;
图2示出了服务器自动配置方法的部分方法流程图;
图3示出了服务器自动配置方法的又一部分方法流程图;
图4示出了服务器自动配置方法的又一方法流程图;
图5示出了服务器自动配置方法的再一部分方法流程图;
图6示出了服务器自动配置装置的结构示意图;
图7示出了服务器自动配置装置的又一结构示意图。
具体实施方式
下面将参照附图更详细地描述本公开的示例性实施例。虽然附图中显示了本公开的示例性实施例,然而应当理解,可以以各种形式实现本公开而不应被这里阐述的实施例所限制。相反,提供这些实施例是为了能够更透彻地理解本公开,并且能够将本公开的范围完整的传达给本领域的技术人员。
如图1所示,本发明实施例提供一种服务器自动配置方法,该方法应用于负载均衡器,可以包括如下步骤:
S10,根据负载均衡器的当前运行数据判断预选取的目标服务器集群是否开启配置操作;若是,则执行步骤S20;
在执行步骤S10的过程中,由于一个负载均衡器可能同时连接多个服务器集群,因此,在执行本实施例提供的服务器自动配置方法之前,运维人员需从连接的多个服务器集群中指定一个待升级的目标服务器集群,从而使得负载均衡器为该目标服务器集群执行配置操作。当然,如果负载均衡器仅连接一个服务器集群,那就无需运维人员指定目标服务器集群,负载均衡器直接将该服务器集群作为目标服务器集群,执行本实施例提供的服务器自动配置方法。
在负载均衡器确定目标服务器集群之后,实时获取自身的当前运行数据,当前运行数据包括但不局限于用户连接数值、流量值、内存占用量以及CPU使用率,可根据实际需要具体选择。
在具体实现过程中,步骤S10中“根据负载均衡器的当前运行数据判断预选取的目标服务器集群是否开启配置操作”可以具体采用以下步骤,方法流程图如图2所示:
S101,采集负载均衡器的当前运行数据,所述当前运行数据包括用户连接数值、流量值、内存占用量和CPU使用率;
S102,判断用户连接数值、流量值、内存占用量和CPU使用率是否都大于各自的阈值;若是,则执行步骤S103;若否,则执行步骤S104;
S103,确定预选取的目标服务器集群开启配置操作;
S104,确定预选取的目标服务器集群不开启配置操作。
需要说明的是,本发明实施例还可利用其它运行数据及其对应的阈值判断是否开启配置操作;此外,还可利用历史运行数据和机器学习算法训练一个配置操作模型,以此完成利用当前运行数据判断是否开启配置操作,具体实施方式,本实施例并不做具体限定。
S20,根据负载均衡器的当前运行数据生成目标服务器集群的至少一个下线规则,所述下线规则中包含有目标服务器集群内各个服务器的上线时间和下线时间;
在执行步骤S20的过程中,负载均衡器可利用历史运行数据为运维人员推荐下线规则,其中,历史运行数据包括但不局限于历史用户连接数值、历史流量值、历史内存占用量和历史CPU使用率;
在具体实现过程中,步骤S20中“根据负载均衡器的当前运行数据生成目标服务器集群的至少一个下线规则”可以具体采用以下步骤,方法流程图如图3所示:
S201,从后台数据库中调取至少一个负载均衡器的历史运行数据,以及负载均衡器的历史运行数据对应的至少一个标定历史下线规则;其中,所述标定历史下线规则中包含有目标服务器集群内各个服务器的历史上线时间和历史下线时间;
在执行步骤S201的过程中,负载均衡器的后台数据库中存储有至少一个历史运行数据,以及在该历史运行数据下运维人员所标定的至少一个标定历史下线规则,这里的“至少一个标定历史下线规则”可按照下线目的,例如,下线总时长最少、出错概率最低等进一步分类。
例如,对于历史运行数据A来说,运维人员标定的标定历史下线规则有3个,其中,下线总时长最少的标定历史下线规则有1个,出错概率最低的标定历史下线规则有2个,而为了区分各标定历史下线规则的类别,可通过添加类别标签实现。
S202,提取各个负载均衡器的历史运行数据的第一特征值,以及该负载均衡器的历史运行数据对应的各个标定历史下线规则的第二特征值;其中,所述第二特征值中包含有目标服务器集群内各个服务器的历史上线时间的特征值和历史下线时间的特征值;
在执行步骤S202的过程中,可分别提取历史运行数据的第一特征值、标定历史下线规则的第二特征值,此外,为区分各标定历史下线规则的下线目的,在提取第二特征值时可同时对标定历史下线规则的类别标签进行分析。
S203,构建至少一个第一特征向量组,所述第一特征向量组由一个第一特征值和一个第二特征值构成;
在执行步骤S203的过程中,对提取的各个第一特征值和第二特征值进行匹配,得到至少一个第一特征向量组,例如,所调取的历史运行数据为2个:A和B;而对于历史运行数据A来说,运维人员标定的标定历史下线规则有3个—a1、a2和a3,而对于历史运行数据B来说,运维人员标定的标定历史下线规则有2个—b1和b2;则在对全部历史运行数据提取完第一特征值、对标定历史下线规则提取完第二特征值之后,可匹配得到(A,a1)、(A,a2)、(A,a3)、(B,b1)和(B,b2)这几个历史运行数据和标定历史下线规则的组合所对应的第一特征向量组。
S204,根据预设机器学习算法和至少一个第一特征向量组,构建下线规则生成模型;
预设机器学习算法包括但不局限于支持向量机、神经网络和决策树,本实施例不做具体限定。
S205,依据负载均衡器的当前运行数据和下线规则生成模型,生成目标服务器集群的至少一个下线规则。
S30,在检测到规则选取指令的情况下,从至少一个下线规则中选取目标下线规则;
S40,按照目标下线规则对目标服务器集群内各个服务器进行配置操作;
在执行步骤S40的过程中,负载均衡器根据运行人员指定的目标下线规则,可确定在此目标下线规则中所包含的目标服务器集群中各个服务器的目标上线时间和目标下线时间,按照此目标上线时间和目标下线时间修改各个服务器的配置文件,以完成各个服务器的配置操作。
以上步骤S101~步骤S104仅仅是本申请实施例公开的步骤S10“根据负载均衡器的当前运行数据判断预选取的目标服务器集群是否开启配置操作”过程的一种优选的实现方式,有关此过程的具体实现方式可根据自己的需求任意设置,在此不做限定。
以上步骤S201~步骤S205仅仅是本申请实施例公开的步骤S20中“根据负载均衡器的当前运行数据生成目标服务器集群的至少一个下线规则”过程的一种优选的实现方式,有关此过程的具体实现方式可根据自己的需求任意设置,在此不做限定。
本发明实施例提供的服务器自动配置方法,可以自动生成下线规则以及自动完成配置操作,在业务量很大的时候,可有效避免运维人员无法准确确定下线规则所出现的盲目配置情况,从而降低后续升级过程中数据丢失的可能性。
基于上述实施例提供的服务器自动配置方法,如图4所示,本发明实施例提供另一种服务器自动配置方法,步骤S10根据负载均衡器的当前运行数据判断预选取的目标服务器集群不开启配置操作,之后,还可包括如下步骤:
S50,根据负载均衡器的当前运行数据生成目标服务器集群的至少一个升级时间段;
在执行步骤S50的过程中,负载均衡器可利用历史运行数据为运维人员推荐升级时间段,其中,历史运行数据包括但不局限于历史用户连接数值、历史流量值、历史内存占用量和历史CPU使用率;
在具体实现过程中,步骤S50中“根据负载均衡器的当前运行数据生成目标服务器集群的至少一个升级时间段”可以具体采用以下步骤,方法流程图如图5所示:
S501,从后台数据库中调取至少一个负载均衡器的历史运行数据,以及负载均衡器的历史运行数据对应的至少一个标定历史升级时间段;
在执行步骤S501的过程中,负载均衡器的后台数据库中存储有至少一个历史运行数据,以及在该历史运行数据下运维人员所标定的至少一个标定历史升级时间段,例如,对于历史运行数据A来说,其所对于的标定历史升级时间段可为c1、c2和c3三个标定历史升级时间段,也就是说,目标集群内的各个服务器在c1、c2和c3可三个时间段内升级;这里的“至少一个标定历史升级时间段”针对的是一天内的时间段。
S502,提取各个负载均衡器的历史运行数据的第三特征值,以及该负载均衡器的历史运行数据对应的各个标定历史升级时间段的第四特征值;
S503,构建至少一个第二特征向量组,所述第二特征向量组由一个第三特征值和一个第四特征值构成;
在执行步骤S503的过程中,对提取的各个第三特征值和第四特征值进行匹配,得到至少一个第二特征向量组,例如,所调取的历史运行数据为2个:A和B;而对于历史运行数据A来说,运维人员标定的标定历史升级时间段有3个—c1、c2和c3,而对于历史运行数据B来说,运维人员标定的标定历史下线规则有1个—d1;则在对全部历史运行数据提取完第三特征值、对标定历史升级时间段提取完第四特征值之后,可匹配得到(A,c1)、(A,c2)、(A,c3)这(B,d1)这几个历史运行数据和标定历史升级时间段的组合所对应的第二特征向量组。
S504,根据预设机器学习算法和至少一个第二特征向量组,构建升级时间段生成模型;
S505,依据负载均衡器的当前运行数据和升级时间段生成模型,生成目标服务器集群的至少一个升级时间段。
S60,在检测到时间段选取指令的情况下,从至少一个升级时间段中选取目标升级时间段;
在执行步骤S60的过程中,负载均衡器根据运维人员指定的目标升级时间段,可确定下次进行步骤S10,也就是再次判断是否开启配置操作的时间,比如,目标升级时段段为10点~12点,则负载均衡器在10点~12点间进行服务器自动配置。
S70,按照目标升级时间段生成提示信息;
在执行步骤S70的过程中,负载均衡器在确定目标升级时间段之后,可在后台添加提醒,即在进行服务器自动配置之前生成提示信息对运维人员进行提醒。
以上步骤S501~步骤S505仅仅是本申请实施例公开的步骤S50“根据负载均衡器的当前运行数据生成目标服务器集群的至少一个升级时间段”过程的一种优选的实现方式,有关此过程的具体实现方式可根据自己的需求任意设置,在此不做限定。
本发明实施例提供的服务器自动配置方法,还可在不适合配置升级的情况下,提示运维人员并推荐升级时间段,进一步降低当前配置所带来的后续升级过程中数据丢失的可能性。
基于上述实施例提供的服务器自动配置方法,本发明实施例则对应提供执行上述服务器自动配置方法的装置,其结构示意图如图6所示,包括:判断模块10、下线规则生成模块20、规则选取模块30和下线配置模块40;
判断模块10,用于根据负载均衡器的当前运行数据判断预选取的目标服务器集群是否开启配置操作;
下线规则生成模块20,用于若是,根据负载均衡器的当前运行数据生成目标服务器集群的至少一个下线规则,所述下线规则中包含有目标服务器集群内各个服务器的上线时间和下线时间;
规则选取模块30,用于在检测到规则选取指令的情况下,从所述至少一个下线规则中选取目标下线规则;
下线配置模块40,用于按照所述目标下线规则对所述目标服务器集群内各个服务器进行配置操作。
可选的,判断模块10具体用于:
采集所述负载均衡器的当前运行数据,所述当前运行数据包括用户连接数值、流量值、内存占用量和CPU使用率;判断所述用户连接数值、所述流量值、所述内存占用量和所述CPU使用率是否都大于各自的阈值;若是,确定预选取的目标服务器集群开启配置操作;若否,确定预选取的目标服务器集群不开启配置操作。
可选的,下线规则生成模块20具体用于:
从后台数据库中调取至少一个所述负载均衡器的历史运行数据,以及所述负载均衡器的历史运行数据对应的至少一个标定历史下线规则;其中,所述标定历史下线规则中包含有所述目标服务器集群内各个服务器的历史上线时间和历史下线时间;提取各个所述负载均衡器的历史运行数据的第一特征值,以及该所述负载均衡器的历史运行数据对应的各个标定历史下线规则的第二特征值;其中,所述第二特征值中包含有所述目标服务器集群内各个服务器的历史上线时间的特征值和历史下线时间的特征值;构建至少一个第一特征向量组,所述第一特征向量组由一个所述第一特征值和一个所述第二特征值构成;根据预设机器学习算法和所述至少一个第一特征向量组,构建下线规则生成模型;依据所述负载均衡器的当前运行数据和所述下线规则生成模型,生成所述目标服务器集群的至少一个下线规则。
本发明实施例提供的服务器自动配置装置,可以自动生成下线规则以及自动完成配置操作,在业务量很大的时候,可有效避免运维人员无法准确确定下线规则所出现的盲目配置情况,从而降低后续升级过程中数据丢失的可能性。
基于上述实施例提供的服务器自动配置装置,如图7所示,本发明实施例提供另一种服务器自动配置装置,判断模块10之后,还可包括:升级时间段生成模块50、时间段选取模块60和提示模块70;
升级时间段生成模块50,用于若否,根据负载均衡器的当前运行数据生成所述目标服务器集群的至少一个升级时间段;
时间段选取模块60,用于在检测到时间段选取指令的情况下,从至少一个升级时间段中选取目标升级时间段;
提示模块70,用于按照目标升级时间段生成提示信息。
可选的,升级时间段生成模块50具体用于:
从后台数据库中调取至少一个所述负载均衡器的历史运行数据,以及所述负载均衡器的历史运行数据对应的至少一个标定历史升级时间段;提取各个所述负载均衡器的历史运行数据的第三特征值,以及该所述负载均衡器的历史运行数据对应的各个标定历史升级时间段的第四特征值;构建至少一个第二特征向量组,所述第二特征向量组由一个所述第三特征值和一个所述第四特征值构成;根据预设机器学习算法和所述至少一个第二特征向量组,构建升级时间段生成模型;依据所述负载均衡器的当前运行数据和所述升级时间段生成模型,生成所述目标服务器集群的至少一个升级时间段。
本发明实施例提供的服务器自动配置装置,还可在不适合配置升级的情况下,提示运维人员并推荐升级时间段,进一步降低当前配置所带来的后续升级过程中数据丢失的可能性。
可选的,本发明的实施例还提供了一种服务器自动配置装置,所述服务器自动配置装置包括处理器和存储器,上述文本判断模块、下线规则生成模块、规则选取模块和下线配置模块等均作为程序单元存储在存储器中,由处理器执行存储在存储器中的上述程序单元来实现相应的功能。
处理器中包含内核,由内核去存储器中调取相应的程序单元。内核可以设置一个或以上,通过调整内核参数来自动配置。
存储器可能包括计算机可读介质中的非永久性存储器,随机存取存储器(RAM)和/或非易失性内存等形式,如只读存储器(ROM)或闪存(flash RAM),存储器包括至少一个存储芯片。
本发明实施例提供了一种存储介质,其上存储有程序,该程序被处理器执行时实现所述服务器自动配置方法。
本发明实施例提供了一种处理器,所述处理器用于运行程序,其中,所述程序运行时执行所述服务器自动配置方法。
本发明实施例提供了一种设备,设备包括处理器、存储器及存储在存储器上并可在处理器上运行的程序,处理器执行程序时实现以下步骤:
根据所述负载均衡器的当前运行数据判断预选取的目标服务器集群是否开启配置操作;
若是,根据所述负载均衡器的当前运行数据生成所述目标服务器集群的至少一个下线规则,所述下线规则中包含有所述目标服务器集群内各个服务器的上线时间和下线时间;
在检测到规则选取指令的情况下,从所述至少一个下线规则中选取目标下线规则;
按照所述目标下线规则对所述目标服务器集群内各个服务器进行配置操作。
其中,还包括:
若否,根据所述负载均衡器的当前运行数据生成所述目标服务器集群的至少一个升级时间段;
在检测到时间段选取指令的情况下,从所述至少一个升级时间段中选取目标升级时间段;
按照所述目标升级时间段生成提示信息。
其中,所述根据所述负载均衡器的当前运行数据判断预选取的目标服务器集群是否开启配置操作,包括:
采集所述负载均衡器的当前运行数据,所述当前运行数据包括用户连接数值、流量值、内存占用量和CPU使用率;
判断所述用户连接数值、所述流量值、所述内存占用量和所述CPU使用率是否都大于各自的阈值;
若是,确定预选取的目标服务器集群开启配置操作;
若否,确定预选取的目标服务器集群不开启配置操作。
其中,所述根据所述负载均衡器的当前运行数据生成所述目标服务器集群的至少一个下线规则,包括:
从后台数据库中调取至少一个所述负载均衡器的历史运行数据,以及所述负载均衡器的历史运行数据对应的至少一个标定历史下线规则;其中,所述标定历史下线规则中包含有所述目标服务器集群内各个服务器的历史上线时间和历史下线时间;
提取各个所述负载均衡器的历史运行数据的第一特征值,以及该所述负载均衡器的历史运行数据对应的各个标定历史下线规则的第二特征值;其中,所述第二特征值中包含有所述目标服务器集群内各个服务器的历史上线时间的特征值和历史下线时间的特征值;
构建至少一个第一特征向量组,所述第一特征向量组由一个所述第一特征值和一个所述第二特征值构成;
根据预设机器学习算法和所述至少一个第一特征向量组,构建下线规则生成模型;
依据所述负载均衡器的当前运行数据和所述下线规则生成模型,生成所述目标服务器集群的至少一个下线规则。
其中,所述根据所述负载均衡器的当前运行数据生成所述目标服务器集群的至少一个升级时间段,包括:
从后台数据库中调取至少一个所述负载均衡器的历史运行数据,以及所述负载均衡器的历史运行数据对应的至少一个标定历史升级时间段;
提取各个所述负载均衡器的历史运行数据的第三特征值,以及该所述负载均衡器的历史运行数据对应的各个标定历史升级时间段的第四特征值;
构建至少一个第二特征向量组,所述第二特征向量组由一个所述第三特征值和一个所述第四特征值构成;
根据预设机器学习算法和所述至少一个第二特征向量组,构建升级时间段生成模型;
依据所述负载均衡器的当前运行数据和所述升级时间段生成模型,生成所述目标服务器集群的至少一个升级时间段。
本文中的设备可以是服务器、PC、PAD、手机等。
本申请还提供了一种计算机程序产品,当在数据处理设备上执行时,适于执行初始化有如下方法步骤的程序:
根据所述负载均衡器的当前运行数据判断预选取的目标服务器集群是否开启配置操作;
若是,根据所述负载均衡器的当前运行数据生成所述目标服务器集群的至少一个下线规则,所述下线规则中包含有所述目标服务器集群内各个服务器的上线时间和下线时间;
在检测到规则选取指令的情况下,从所述至少一个下线规则中选取目标下线规则;
按照所述目标下线规则对所述目标服务器集群内各个服务器进行配置操作。
其中,还包括:
若否,根据所述负载均衡器的当前运行数据生成所述目标服务器集群的至少一个升级时间段;
在检测到时间段选取指令的情况下,从所述至少一个升级时间段中选取目标升级时间段;
按照所述目标升级时间段生成提示信息。
其中,所述根据所述负载均衡器的当前运行数据判断预选取的目标服务器集群是否开启配置操作,包括:
采集所述负载均衡器的当前运行数据,所述当前运行数据包括用户连接数值、流量值、内存占用量和CPU使用率;
判断所述用户连接数值、所述流量值、所述内存占用量和所述CPU使用率是否都大于各自的阈值;
若是,确定预选取的目标服务器集群开启配置操作;
若否,确定预选取的目标服务器集群不开启配置操作。
其中,所述根据所述负载均衡器的当前运行数据生成所述目标服务器集群的至少一个下线规则,包括:
从后台数据库中调取至少一个所述负载均衡器的历史运行数据,以及所述负载均衡器的历史运行数据对应的至少一个标定历史下线规则;其中,所述标定历史下线规则中包含有所述目标服务器集群内各个服务器的历史上线时间和历史下线时间;
提取各个所述负载均衡器的历史运行数据的第一特征值,以及该所述负载均衡器的历史运行数据对应的各个标定历史下线规则的第二特征值;其中,所述第二特征值中包含有所述目标服务器集群内各个服务器的历史上线时间的特征值和历史下线时间的特征值;
构建至少一个第一特征向量组,所述第一特征向量组由一个所述第一特征值和一个所述第二特征值构成;
根据预设机器学习算法和所述至少一个第一特征向量组,构建下线规则生成模型;
依据所述负载均衡器的当前运行数据和所述下线规则生成模型,生成所述目标服务器集群的至少一个下线规则。
其中,所述根据所述负载均衡器的当前运行数据生成所述目标服务器集群的至少一个升级时间段,包括:
从后台数据库中调取至少一个所述负载均衡器的历史运行数据,以及所述负载均衡器的历史运行数据对应的至少一个标定历史升级时间段;
提取各个所述负载均衡器的历史运行数据的第三特征值,以及该所述负载均衡器的历史运行数据对应的各个标定历史升级时间段的第四特征值;
构建至少一个第二特征向量组,所述第二特征向量组由一个所述第三特征值和一个所述第四特征值构成;
根据预设机器学习算法和所述至少一个第二特征向量组,构建升级时间段生成模型;
依据所述负载均衡器的当前运行数据和所述升级时间段生成模型,生成所述目标服务器集群的至少一个升级时间段。
本领域内的技术人员应明白,本申请的实施例可提供为方法、***、或计算机程序产品。因此,本申请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,本申请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。
本申请是参照根据本申请实施例的方法、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。
在一个典型的配置中,计算设备包括一个或多个处理器(CPU)、输入/输出接口、网络接口和内存。
存储器可能包括计算机可读介质中的非永久性存储器,随机存取存储器(RAM)和/或非易失性内存等形式,如只读存储器(ROM)或闪存(flash RAM)。存储器是计算机可读介质的示例。
计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括,但不限于相变内存(PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、其他类型的随机存取存储器(RAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、快闪记忆体或其他内存技术、只读光盘只读存储器(CD-ROM)、数字多功能光盘(DVD)或其他光学存储、磁盒式磁带,磁带磁磁盘存储或其他磁性存储设备或任何其他非传输介质,可用于存储可以被计算设备访问的信息。按照本文中的界定,计算机可读介质不包括暂存电脑可读媒体(transitory media),如调制的数据信号和载波。
还需要说明的是,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、商品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、商品或者设备所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括要素的过程、方法、商品或者设备中还存在另外的相同要素。
本领域技术人员应明白,本申请的实施例可提供为方法、***或计算机程序产品。因此,本申请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,本申请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。
以上仅为本申请的实施例而已,并不用于限制本申请。对于本领域技术人员来说,本申请可以有各种更改和变化。凡在本申请的精神和原理之内所作的任何修改、等同替换、改进等,均应包含在本申请的权利要求范围之内。
Claims (10)
1.一种服务器自动配置方法,其特征在于,应用于负载均衡器,包括:
根据所述负载均衡器的当前运行数据判断预选取的目标服务器集群是否开启配置操作;
若是,根据所述负载均衡器的当前运行数据生成所述目标服务器集群的至少一个下线规则,所述下线规则中包含有所述目标服务器集群内各个服务器的上线时间和下线时间,其中,所述下线规则是根据所述负载均衡器的当前运行数据和下线规则生成模型自动生成的;所述下线规则生成模型是基于所述负载均衡器的历史运行数据,以及所述负载均衡器的历史运行数据对应的至少一个标定历史下线规则构建的;
在检测到规则选取指令的情况下,从所述至少一个下线规则中选取目标下线规则;
按照所述目标下线规则对所述目标服务器集群内各个服务器进行配置操作。
2.根据权利要求1所述的方法,其特征在于,还包括:
若否,根据所述负载均衡器的当前运行数据生成所述目标服务器集群的至少一个升级时间段;
在检测到时间段选取指令的情况下,从所述至少一个升级时间段中选取目标升级时间段;
按照所述目标升级时间段生成提示信息。
3.根据权利要求1所述的方法,其特征在于,所述根据所述负载均衡器的当前运行数据判断预选取的目标服务器集群是否开启配置操作,包括:
采集所述负载均衡器的当前运行数据,所述当前运行数据包括用户连接数值、流量值、内存占用量和CPU使用率;
判断所述用户连接数值、所述流量值、所述内存占用量和所述CPU使用率是否都大于各自的阈值;
若是,确定预选取的目标服务器集群开启配置操作;
若否,确定预选取的目标服务器集群不开启配置操作。
4.根据权利要求1所述的方法,其特征在于,所述根据所述负载均衡器的当前运行数据生成所述目标服务器集群的至少一个下线规则,包括:
从后台数据库中调取至少一个所述负载均衡器的历史运行数据,以及所述负载均衡器的历史运行数据对应的至少一个标定历史下线规则;其中,所述标定历史下线规则中包含有所述目标服务器集群内各个服务器的历史上线时间和历史下线时间;
提取各个所述负载均衡器的历史运行数据的第一特征值,以及该所述负载均衡器的历史运行数据对应的各个标定历史下线规则的第二特征值;其中,所述第二特征值中包含有所述目标服务器集群内各个服务器的历史上线时间的特征值和历史下线时间的特征值;
构建至少一个第一特征向量组,所述第一特征向量组由一个所述第一特征值和一个所述第二特征值构成;
根据预设机器学习算法和所述至少一个第一特征向量组,构建下线规则生成模型;
依据所述负载均衡器的当前运行数据和所述下线规则生成模型,生成所述目标服务器集群的至少一个下线规则。
5.根据权利要求2所述的方法,其特征在于,所述根据所述负载均衡器的当前运行数据生成所述目标服务器集群的至少一个升级时间段,包括:
从后台数据库中调取至少一个所述负载均衡器的历史运行数据,以及所述负载均衡器的历史运行数据对应的至少一个标定历史升级时间段;
提取各个所述负载均衡器的历史运行数据的第三特征值,以及该所述负载均衡器的历史运行数据对应的各个标定历史升级时间段的第四特征值;
构建至少一个第二特征向量组,所述第二特征向量组由一个所述第三特征值和一个所述第四特征值构成;
根据预设机器学习算法和所述至少一个第二特征向量组,构建升级时间段生成模型;
依据所述负载均衡器的当前运行数据和所述升级时间段生成模型,生成所述目标服务器集群的至少一个升级时间段。
6.一种服务器自动配置装置,其特征在于,包括:判断模块、下线规则生成模块、规则选取模块和下线配置模块;
所述判断模块,用于根据所述负载均衡器的当前运行数据判断预选取的目标服务器集群是否开启配置操作;
所述下线规则生成模块,用于若是,根据所述负载均衡器的当前运行数据生成所述目标服务器集群的至少一个下线规则,所述下线规则中包含有所述目标服务器集群内各个服务器的上线时间和下线时间,其中,所述下线规则是根据所述负载均衡器的当前运行数据和下线规则生成模型自动生成的;所述下线规则生成模型是基于所述负载均衡器的历史运行数据,以及所述负载均衡器的历史运行数据对应的至少一个标定历史下线规则构建的;
所述规则选取模块,用于在检测到规则选取指令的情况下,从所述至少一个下线规则中选取目标下线规则;
所述下线配置模块,用于按照所述目标下线规则对所述目标服务器集群内各个服务器进行配置操作。
7.根据权利要求6所述的装置,其特征在于,还包括:升级时间段生成模块、时间段选取模块和提示模块;
所述升级时间段生成模块,用于若否,根据所述负载均衡器的当前运行数据生成所述目标服务器集群的至少一个升级时间段;
所述时间段选取模块,用于在检测到时间段选取指令的情况下,从所述至少一个升级时间段中选取目标升级时间段;
所述提示模块,用于按照所述目标升级时间段生成提示信息。
8.根据权利要求6所述的装置,其特征在于,所述判断模块,具体用于:
采集所述负载均衡器的当前运行数据,所述当前运行数据包括用户连接数值、流量值、内存占用量和CPU使用率;判断所述用户连接数值、所述流量值、所述内存占用量和所述CPU使用率是否都大于各自的阈值;若是,确定预选取的目标服务器集群开启配置操作;若否,确定预选取的目标服务器集群不开启配置操作。
9.一种存储介质,其特征在于,所述存储介质包括存储的程序,其中,所述程序执行权利要求1至5中任意一项所述的服务器自动配置方法。
10.一种处理器,其特征在于,所述处理器用于运行程序,其中,所述程序运行时执行权利要求1至5中任意一项所述的服务器自动配置方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710919835.0A CN109600245B (zh) | 2017-09-30 | 2017-09-30 | 服务器自动配置方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710919835.0A CN109600245B (zh) | 2017-09-30 | 2017-09-30 | 服务器自动配置方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109600245A CN109600245A (zh) | 2019-04-09 |
CN109600245B true CN109600245B (zh) | 2021-11-19 |
Family
ID=65956900
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710919835.0A Active CN109600245B (zh) | 2017-09-30 | 2017-09-30 | 服务器自动配置方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109600245B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111026546B (zh) * | 2019-11-22 | 2024-06-14 | 北京奇艺世纪科技有限公司 | 一种任务的调度方法、装置、存储介质及电子装置 |
CN112019650B (zh) * | 2020-08-20 | 2023-06-30 | 北京达佳互联信息技术有限公司 | Ip地址推荐方法、装置及服务器 |
Family Cites Families (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1869932A (zh) * | 2005-05-24 | 2006-11-29 | ***股份有限公司 | 实现数据升级的计算机处理***以及数据升级方法 |
US7877154B2 (en) * | 2005-09-30 | 2011-01-25 | Fisher-Rosemount Systems, Inc. | Method and system for controlling a batch process |
US8514717B2 (en) * | 2011-01-21 | 2013-08-20 | T-Mobile Usa, Inc. | Smart connection manager |
CN106533744A (zh) * | 2016-10-25 | 2017-03-22 | 上海斐讯数据通信技术有限公司 | 一种基于服务器升级策略的路由器升级方法及*** |
-
2017
- 2017-09-30 CN CN201710919835.0A patent/CN109600245B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN109600245A (zh) | 2019-04-09 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110768912B (zh) | Api网关限流方法及装置 | |
JP2019507442A (ja) | 機械学習システムのトレーニング方法及びトレーニングシステム | |
KR20180020248A (ko) | 지불 임계값을 취득하기 위한 방법 및 디바이스 | |
CN110019298B (zh) | 数据处理方法和装置 | |
CN114169536B (zh) | 数据管控方法及相关装置 | |
CN109600245B (zh) | 服务器自动配置方法及装置 | |
EP4283511A1 (en) | Information processing method and device, server and user equipment | |
CN113420211A (zh) | 套餐推荐方法、装置及电子设备 | |
CN110968858B (zh) | 一种用户权限控制方法及*** | |
CN109582396B (zh) | 一种任务状态处理方法、装置、***及存储介质 | |
CN112559313A (zh) | 测试用例的设置方法及装置、存储介质、电子设备 | |
CN115222101A (zh) | 一种流量数据处理方法及装置 | |
CN111079390B (zh) | 一种复选框列表的选择状态确定方法以及装置 | |
CN115033551A (zh) | 一种数据库迁移方法、装置、电子设备及存储介质 | |
CN112070349A (zh) | 一种订单分配方法、装置、设备和存储介质 | |
CN108471362B (zh) | 资源分配预测方法和装置 | |
CN110928673A (zh) | 任务的分配方法及装置 | |
CN113900800B (zh) | 一种边缘计算***的分配方法 | |
CN114742600B (zh) | 基于工业互联网的内容解析方法及计算机存储介质 | |
CN114997401B (zh) | 自适应推理加速方法、装置、计算机设备和存储介质 | |
CN112486556B (zh) | 一种服务器兼容bmc的方法、***、终端及存储介质 | |
CN108255586B (zh) | 功能服务的排序方法及装置 | |
CN114020435A (zh) | 一种任务调度方法、装置、设备及介质 | |
CN117608862A (zh) | 数据分发控制方法、装置、设备及介质 | |
CN117931455A (zh) | 设备资源的需求数量的确定方法和装置 |
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 | ||
CB02 | Change of applicant information | ||
CB02 | Change of applicant information |
Address after: 100080 No. 401, 4th Floor, Haitai Building, 229 North Fourth Ring Road, Haidian District, Beijing Applicant after: Beijing Guoshuang Technology Co.,Ltd. Address before: 100086 Beijing city Haidian District Shuangyushu Area No. 76 Zhichun Road cuigongfandian 8 layer A Applicant before: Beijing Guoshuang Technology Co.,Ltd. |
|
GR01 | Patent grant | ||
GR01 | Patent grant |