CN109995573A - 确定用于预测计算资源的样本空间的方法、计算资源分配方法及装置 - Google Patents

确定用于预测计算资源的样本空间的方法、计算资源分配方法及装置 Download PDF

Info

Publication number
CN109995573A
CN109995573A CN201810001385.1A CN201810001385A CN109995573A CN 109995573 A CN109995573 A CN 109995573A CN 201810001385 A CN201810001385 A CN 201810001385A CN 109995573 A CN109995573 A CN 109995573A
Authority
CN
China
Prior art keywords
computing resource
data set
prediction
historical data
resource
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
Application number
CN201810001385.1A
Other languages
English (en)
Other versions
CN109995573B (zh
Inventor
刘晨旭
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
China Mobile Communications Group Co Ltd
China Mobile Communications Co Ltd
Original Assignee
China Mobile Communications Group Co Ltd
China Mobile Communications Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by China Mobile Communications Group Co Ltd, China Mobile Communications Co Ltd filed Critical China Mobile Communications Group Co Ltd
Priority to CN201810001385.1A priority Critical patent/CN109995573B/zh
Publication of CN109995573A publication Critical patent/CN109995573A/zh
Application granted granted Critical
Publication of CN109995573B publication Critical patent/CN109995573B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • G06F9/5011—Allocation of resources, e.g. of the central processing unit [CPU] to service a request the resources being hardware resources other than CPUs, Servers and Terminals
    • G06F9/5016—Allocation of resources, e.g. of the central processing unit [CPU] to service a request the resources being hardware resources other than CPUs, Servers and Terminals the resource being the memory
    • 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
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L12/00—Data switching networks
    • H04L12/28—Data switching networks characterised by path configuration, e.g. LAN [Local Area Networks] or WAN [Wide Area Networks]
    • H04L12/2803—Home automation networks
    • H04L12/2807—Exchanging configuration information on appliance services in a home automation network
    • 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
    • H04L41/14—Network analysis or design
    • H04L41/147—Network analysis or design for predicting network behaviour

Landscapes

  • Engineering & Computer Science (AREA)
  • Software Systems (AREA)
  • Theoretical Computer Science (AREA)
  • Automation & Control Theory (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Signal Processing (AREA)
  • Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本申请公开了一种确定用于预测计算资源的样本空间的方法、计算资源分配方法及装置。本申请中，获取目标设备的计算资源历史数据；根据所述计算资源历史数据中第一时间段内的第一历史数据集合，得到W个用于进行预测计算资源的样本数据集合；分别根据所述W个样本数据集合对所述计算资源历史数据中第二时间段内的M个时间点的计算资源数据进行预测，得到W个预测数据集合；根据所述W个预测数据集合与所述第二历史数据集合的相似度，从所述W个预测数据集合中选取最优预测数据集合；根据所述最优预测数据集合，得到用于对所述目标设备进行预测计算资源的样本空间。进一步地，可根据该样本空间对该目标设备在未来时间段内的计算资源进行预测。

Description

确定用于预测计算资源的样本空间的方法、计算资源分配方 法及装置
技术领域
本发明涉及通信技术领域，尤其涉及一种确定用于预测计算资源的样本空间的方法、计算资源分配方法及装置。
背景技术
边缘计算指在靠近物或数据源头的网络边缘侧，融合网络、计算、存储、应用核心能力的开放平台，就近提供边缘智能服务，满足行业数字化在敏捷连接、实时业务、数据优化、应用智能、安全与隐私保护等方面的关键需求。
边缘计算可应用于家庭物联网。家庭物联网的边缘计算应用场景可包括：通过智能家庭中的数字化设备(如：家庭网关、机顶盒或智能机器人等)进行边缘计算，从而在家庭本地范围内高效率低成本的完成各类家庭物联网应用。典型应用有：智能居家养老、智能家庭安防、智能儿童陪护等。
以家庭物联网为例，家庭物联网应用可能会占用较多的计算资源，因此如何合理利用家庭网络环境中的计算机设备(比如各种智能家居设备)的计算资源，是目前需要解决的技术问题。
发明内容
本申请实施例提供一种样本空间确定方法及装置。
第一方面，提供一种确定用于预测计算资源的样本空间的方法，该方法包括：
获取目标设备的计算资源历史数据，所述计算资源历史数据包括第一历史数据集合和第二历史数据集合，所述第一历史数据集合包括第一时间段内的N个时间点的计算资源历史数据，所述第二历史数据集合包括第二时间段内的M个时间点的计算资源历史数据，N和M均为大于1的整数；
根据所述第一历史数据集合，得到W个用于进行预测计算资源的样本数据集合，一个样本数据集合是所述第一历史数据集合的一个子集，1≤W≤N；
分别根据所述W个样本数据集合对所述第二时间段内的M个时间点的计算资源数据进行预测，得到W个预测数据集合；
根据所述W个预测数据集合与所述第二历史数据集合的相似度，从所述W个预测数据集合中选取最优预测数据集合；
根据所述最优预测数据集合，得到用于对所述目标设备进行预测计算资源的样本空间。
可选地，所述W个用于进行预测计算资源的样本数据集合中的第i个集合，包括：所述第一时间段内的第i到第N个时间点的连续(N-i+1)个时间点的计算资源历史数据，1≤i≤N。
可选地，根据所述W个预测数据集合与所述第二历史数据集合的相似度，从所述W个预测数据集合中选取最优预测数据集合之前，还包括：
分别计算所述W个预测数据集合与所述第二历史数据集合的绝对误差；
将大于绝对误差门限的绝对误差所对应的预测数据集合排除；
所述从所述W个预测数据集合中选取最优预测数据集合，包括：
从所述排除后剩余的预测数据集合中选取最优预测数据集合。
可选地，所述根据所述W个预测数据集合与所述第二历史数据集合的相似度，从所述W个预测数据集合中选取最优预测数据集合，包括：
分别计算所述W个预测数据集合与所述第二历史数据集合的均方根误差平均值；
根据所述每个预测数据集合的均方根误差，确定其中的最优预测数据集合。
可选地，所述计算资源包括CPU资源和内存资源中的至少一种。
第二方面，提供一种确定用于预测计算资源的样本空间的装置，该装置包括：
获取模块，用于获取目标设备的计算资源历史数据，所述计算资源历史数据包括第一历史数据集合和第二历史数据集合，所述第一历史数据集合包括第一时间段内的N个时间点的计算资源历史数据，所述第二历史数据集合包括第二时间段内的M个时间点的计算资源历史数据，N和M均为大于1的整数；
样本数据集合确定模块，用于根据所述第一历史数据集合，得到W个用于进行预测计算资源的样本数据集合，一个样本数据集合是所述第一历史数据集合的一个子集，1≤W≤N；
预测模块，用于分别根据所述W个样本数据集合对所述第二时间段内的M个时间点的计算资源数据进行预测，得到W个预测数据集合；
最优预测数据集合选取模块，用于根据所述W个预测数据集合与所述第二历史数据集合的相似度，从所述W个预测数据集合中选取最优预测数据集合；
样本空间确定模块，用于根据所述最优预测数据集合，得到用于对所述目标设备进行预测计算资源的样本空间。
第三方面，提供一种计算机设备，包括：处理器、存储器、收发机，所述处理器、存储器和收发机通过总线连接；所述处理器，用于读取存储器中的程序，执行如第一方面中任一项所述的方法。
第四方面，提供一种计算机存储介质，所述计算机可读存储介质存储有计算机可执行指令，所述计算机可执行指令用于使所述计算机执行如第一方面中任一项所述的方法。
本申请的上述实施例中，获取目标设备的计算资源历史数据，根据所述计算资源历史数据中的第一历史数据集合，得到W个用于进行预测计算资源的样本数据集合，并分别根据所述W个样本数据集合对所述第二时间段内的M个时间点的计算资源数据进行预测，得到W个预测数据集合，根据所述W个预测数据集合与所述第二历史数据集合的相似度，从所述W个预测数据集合中选取最优预测数据集合，进而得到该最优预测数据集合对应的最优样本空间。由于预测得到的最优预测数据集合与真实记录的第二时间段内的计算资源数据相似度高，因此表明根据该预测数据集合所预测得到的结果较为准确，因此该预测数据集合所对应的样本空间作为该目标设备的最优样本空间，在进行预测计算资源时，可以提高预测的准确性。
本申请实施例还提供了一种计算资源分配方法及装置。
第五方面，提供一种计算资源分配方法，包括：
根据用于对目标设备进行预测计算资源的样本空间以及所述目标设备的计算资源历史数据，确定用于对所述目标设备进行预测计算资源的样本数据集合，一个样本空间用于定义使用目标时间段之前的哪些时间点的计算资源历史数据对所述目标时间段内的计算资源数据进行预测；
根据所述样本数据集合，预测所述目标设备在目标时间段内的计算资源数据；
根据所述目标时间段内的计算资源数据与设定计算资源门限值的比较结果，确定所述目标设备的计算资源分配策略。
可选地，所述计算资源包括CPU资源和内存资源，所述计算资源数据包括CPU利用率和内存利用率；
所述根据所述目标时间段内的计算资源数据与设定计算资源门限值的比较结果，确定所述目标设备的计算资源分配策略，包括：
若所述目标时间段内的CPU利用率预测值大于第一CPU利用率门限，且所述目标时间段内的内存利用率预测值小于第二内存利用率门限，则确定所述目标设备在所述目标时间段内的计算资源不均衡，则根据所述目标设备中各应用的计算资源使用情况确定所述目标设备的计算资源分配策略；或者，
若所述目标时间段内的CPU利用率预测值小于第二CPU利用率门限，且所述目标时间段内的内存利用率预测值大于第一内存利用率门限，则确定所述目标设备在所述目标时间段内的计算资源不均衡，则根据所述目标设备中各应用的计算资源使用情况确定所述目标设备的计算资源分配策略；
其中，所述第一CPU利用率门限大于所述第二CPU利用率门限，所述第一内存利用率门限大于所述第二内存利用率门限。
可选地，对目标设备进行预测计算资源的样本空间，通过以下方式得到：
获取所述目标设备的计算资源历史数据，所述计算资源历史数据包括第一历史数据集合和第二历史数据集合，所述第一历史数据集合包括第一时间段内的N个时间点的计算资源历史数据，所述第二历史数据集合包括第二时间段内的M个时间点的计算资源历史数据，N和M均为大于1的整数；
根据所述第一历史数据集合，得到W个用于进行预测计算资源的样本数据集合，一个样本数据集合是所述第一历史数据集合的一个子集，1≤W≤N；
分别根据所述W个样本数据集合对所述第二时间段内的M个时间点的计算资源数据进行预测，得到W个预测数据集合；
根据所述W个预测数据集合与所述第二历史数据集合的相似度，从所述W个预测数据集合中选取最优预测数据集合；
根据所述最优预测数据集合，得到用于对所述目标设备进行预测计算资源的样本空间。
可选地，所述计算资源包括CPU资源和内存资源中的至少一种。
第六方面，提供一种计算资源分配装置，该装置包括：
样本数据集合确定模块，用于根据用于对目标设备进行预测计算资源的样本空间以及所述目标设备的计算资源历史数据，确定用于对所述目标设备进行预测计算资源的样本数据集合，一个样本空间用于定义使用目标时间段之前的哪些时间点的计算资源历史数据对所述目标时间段内的计算资源数据进行预测；
预测模块，用于根据所述样本数据集合，预测所述目标设备在目标时间段内的计算资源数据；
分配策略确定模块，用于根据所述目标时间段内的计算资源数据与设定计算资源门限值的比较结果，确定所述目标设备的计算资源分配策略。
第七方面，提供一种计算机设备，包括：处理器、存储器、收发机，所述处理器、存储器和收发机通过总线连接；所述处理器，用于读取存储器中的程序，执行如第六方面中任一项所述的方法。
第八方面，提供一种计算机存储介质，所述计算机可读存储介质存储有计算机可执行指令，所述计算机可执行指令用于使所述计算机执行如第六方面中任一项所述的方法。
本申请的上述实施例中，根据用于对目标设备进行预测计算资源的样本空间以及所述目标设备的计算资源历史数据，确定用于对所述目标设备进行预测计算资源的样本数据集合，根据所述样本数据集合，预测所述目标设备在目标时间段内的计算资源数据，并根据所述目标时间段内的计算资源数据与设定计算资源门限值的比较结果，确定所述目标设备的计算资源分配策略，从而实现了对目标设备在未来时间段内的计算资源进行预测，并以此作为计算资源分配的依据。
附图说明
图1为本申请实施例的网络架构示意图；
图2为本申请实施例提供的样本空间确定流程示意图；
图3为本申请实施例提供的计算资源分配流程示意图；
图4为本申请实施例提供的确定用于预测计算资源的样本空间的装置结构示意图；
图5为本申请实施例提供的计算机设备的结构示意图；
图6为本申请实施例提供的计算资源分配装置的结构示意图；
图7为本申请另一实施例提供的计算机设备的结构示意图。
具体实施方式
以下，对本申请实施例中的部分用语进行解释说明，以便于本领域技术人员理解。
(1)本申请实施例中，名词“网络”和“***”经常交替使用，但本领域的技术人员可以理解其含义。
(2)本申请实施例中术语“多个”是指两个或两个以上，其它量词与之类似。
(3)“和/或”，描述关联对象的关联关系，表示可以存在三种关系，例如，A和/或B，可以表示：单独存在A，同时存在A和B，单独存在B这三种情况。字符“/”一般表示前后关联对象是一种“或”的关系。
下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述。
本申请实施例可应用于家庭物联网，也可应用于工业互联网或者广域蜂窝网。
以应用于家庭物联网为例，图1示出了本申请的一些实施例可以在其中被实现的典型的网络***(环境)架构100。***架构100中包括无线局域网接入设备110、网络120，以及多个终端130a～130n。
无线局域网接入设备110与网络120耦合在一起，使得无线局域网接入设备110可以使终端130a～130n与网络120进行数据交互。例如，无线局域网接入设备110和网络120可以经由双绞线电缆网络、同轴电缆网络、电话网络或任何适当类型的连接网络进行连接。在一些实施例中，无线局域网接入设备110和网络120可以采用无线方式连接。支持无线局域接入设备110和网络120之间的通信技术可包括以太网(例如在IEEE 802.3系列标准中描述的)和/或其他合适类型的区域网络技术。
无线局域网接入设备110具体可以是家庭网关、机顶盒或无线路由器等。终端130a～130n可以连接到无线局域网接入设备110并与其采用无线方式进行通信，例如，使用IEEE802.11系列标准(例如，无线局域网)。终端130a～130n与无线局域网接入设备110之间可采用无线局域网的网络连接技术。终端130a～130n可以是任何适当的计算或移动设备，比如可包括：智能手机、平板电脑、笔记本电脑、个人数字助理(Personal Digital Assistant，PDA)或类似设备。终端130a～130n的其他例子包括网络连接相机(或称IP相机)、家庭传感器、其他智能家居设备(例如，智能冰箱，它可以连接到因特网)或者智能机器人等。
需要说明的是，本领域的普通技术人员能够理解，图1中的组件只是本实施例可以在其中被实现的计算机网络环境的一种实现方式，并且各种替代实施例在本申请实施例的范围之内。例如，***架构100可以进一步包括无线局域网接入设备110、网络120以及终端130a～130n之间的中间设备，例如，所述中间设备可包括：交换机、路由器、集线器，调制解调器(光纤通信中尤其常见)、无线接入点(Access Point，AP)，网络控制器(WirelessAccess Point Controller)等。在一些实施例中，网络120包括因特网，企业网(intranet)。
本申请实施例描述的网络架构是为了更加清楚的说明本申请实施例的技术方案，并不构成对本申请实施例提供的技术方案的限定，本领域普通技术人员可知，随着网络架构的演变，本申请实施例提供的技术方案对于类似的技术问题，同样适用。
在本申请的一些实施例中，根据计算机设备的计算资源历史数据，采用多种样本空间对某段时间(历史时间)的计算资源进行预测，并将基于不同样本空间的预测结果与真实记录的计算资源历史数据进行比较，从而选取出针对该计算机设备进行预测计算资源所使用的最优的样本空间。一个样本空间用于定义使用目标时间段之前的哪些时间点的计算资源历史数据对所述目标时间段内的计算资源数据进行预测。
在本申请的另外一些实施例中，针对某个计算机设备，根据该计算机设备的计算资源历史数据，使用对该计算机设备进行预测计算资源所使用的最优样本空间，对该计算机设备在未来一段时间的计算资源使用情况进行预测，从而作为计算资源分配的依据。
下面结合附图对本申请实施例进行详细描述。
参见图2，为本申请实施例提供的样本空间确定流程的示意图。
以图1所示的家庭物联网为例，该流程可由网络***架构100中的无线局域网接入设备110执行，也可由计算能力较强的终端执行，比如由智能机器人执行。
当有终端接入网络***架构100时，可触发该流程的执行。该流程也可在预定义的其他事件发生时触发执行，或者按照设定的周期执行。
本申请实施例中，以家庭物联网为例，可针对家庭物联网中的每个终端，采用以下流程确定对该终端进行预测计算资源所使用的样本空间，也可针对特定的终端(比如特定类型的终端)采用以下流程确定对该终端进行预测计算资源所使用的样本空间。
如图所示，以下流程给出了针对一个计算机设备确定对其进行预测计算资源所使用的样本空间的流程。以下流程中将该计算机设备称为目标设备，该流程可包括：
S201：获取目标设备的计算资源历史数据。
其中，计算资源可以包括CPU资源和内存资源中的至少一种，当然还可以包括其他类型的计算资源。以CPU资源为例，其计算资源数据可以是CPU利用率。以内存资源为例，其计算资源数据可以是内存利用率。
该步骤中，所获取的计算资源历史数据包括第一历史数据集合和第二历史数据集合，所述第一历史数据集合包括第一时间段内的N个时间点的计算资源历史数据，所述第二历史数据集合包括第二时间段内的M个时间点的计算资源历史数据，N和M均为大于1的整数。
其中，本申请实施例对第一时间段和第二时间段的先后顺序不作限制。以下以第二时间段在第一时间段之后为例描述。
具体实施时，可通过对目标设备的计算资源统计数据进行数据采样，得到目标设备的计算资源历史数据。
S202：根据第一历史数据集合，得到W个用于进行预测计算资源的样本数据集合。1≤W≤N。
其中，一个样本数据集合是第一历史数据集合的一个子集。
一个样本空间用于定义使用目标时间段之前的哪些时间点的计算资源历史数据对所述目标时间段内的计算资源数据进行预测。比如，一个样本空间可以定义使用第一时间段内第1至第N个时间点的计算资源历史数据进行预测计算资源，而另一个样本空间可以定义使用第一时间段内的第2至第N个时间点的计算资源历史数据进行预测计算资源。
本申请实施例中，可预先定义W个样本空间，针对一个时间段内的N个计算资源历史数据，第一样本空间定义使用第1～N个历史数据进行资源预测，第二样本空间定义使用第2～N个历史数据进行资源预测，以此类推，第W样本空间定义使用第W～N个历史数据进行资源预测。基于上述W个样本空间以及第一时间段内的N个计算资源历史数据，可以得到W个用于进行预测计算资源的样本数据集合，其中，所述W个用于进行预测计算资源的样本数据集合中的第i个集合所包含的数据为：第一时间段内的第i到第N个时间点的连续(N-i+1)个时间点的计算资源历史数据，1≤i≤N。
S203：分别根据W个样本数据集合对第二时间段内的M个时间点的计算资源数据进行预测，得到W个预测数据集合。
其中，根据一个样本数据集合中的计算资源历史数据进行预测计算资源，可以得到一个预测结果，即一个预测数据集合。该预测数据集合包括第二时间段内的M个时间点中的每个时间点上的预测计算资源数据。
本申请实施例中，对该步骤所采用的预测算法不作限制，比如可采用基于AR(autoregressive，自回归)模型的预测算法，也可采用基于ARMA(auto regressive movingaverage，自回归滑动平均)模型的预测算法。其中，AR模型是一种线性预测，即已知N个数据，可由模型推出第N点前面或后面的数据。ARMA模型属于高分辨率谱分析方法之一。这种方法是研究平稳随机过程有理谱的典型方法，适用于很大一类实际问题。它比AR模型法与MA模型法有较精确的谱估计及较优良的谱分辨率性能。
S204：根据W个预测数据集合与第二历史数据集合的相似度，从W个预测数据集合中选取最优预测数据集合。
可选地，可以将与第二历史数据集合的相似度最高的预测数据集合，确定为最优预测数据集合。其中，相似度越高，表明进行资源预测所使用的计算资源历史数据越合理，也即所对应的样本空间越合理。
可选地，可采用如下方法来选取最优预测数据集合：分别计算W个预测数据集合与第二历史数据集合的均方根误差，其中，针对一个预测数据集合计算得到一个均方根误差；然后，根据每个预测数据集合的均方根误差，确定出其中的最优预测数据集合。
具体地，对比不同预测数据集合所对应的均方根误差，可发现均方根误差随着样本空间增大而明显减少。当样本空间增大，均方根误差不再减小或减小程度变得明显缓慢时，表明此时随着样本空间增大，计算资源利用率不再提高，此时的预测数据集合为最优预测数据集合，该最优预测数据集合所对应的样本空间即为最优样本空间。通过这种方法选择出的样本空间，可以在预测的准确性和计算开销之间取得一定平衡。
可选地，为了初步筛选出相似度较高的预测数据集合，可以首先将误差较大的预测数据集合进行排除，以减少计算开销。这样，在选取最优预测数据集合时，可以从排除后的预测数据集合中选取最优预测数据集合。
其中，可采用如下方法，以较少的计算开销，排除误差较大的预测数据集合：分别计算W个预测数据集合与第二历史数据集合的绝对误差，其中，针对一个预测数据集合计算得到一个绝对误差；然后，将大于绝对误差门限的绝对误差所对应的预测数据集合排除。
S205：根据最优预测数据集合，得到用于对目标设备进行预测计算资源的样本空间。
下面以计算资源包括CPU资源和内存资源为例，结合具体应用场景对上述流程进行详细描述。
在S201中，根据采样时间点，得到相应时间点上的CPU利用率和内存利用率。
其中，采样时间点按照先后顺序包括{t1,t2,t3,…,tN,tN+1,tN+2,tN+3,…,tN+M}，其中，{t1,t2,t3,…,tN}为第一时间段内的N个采样时间点，{tN+1,tN+2,tN+3,…,tN+M}为第二时间段内的M个采样时间点。
采样得到的第一时间段内的CPU利用率为{C1,C2,C3,…,CN}；
采样得到的第一时间段内的内存利用率为{R1,R2,R3,…,RN}；
采样得到的第二时间段内的CPU利用率为{CN+1,CN+2,CN+3,…,CN+M}；
采样得到的第二时间段内的内存利用率为{RN+1,RN+2,RN+3,…,RN+M}。
其中，对于内存资源，通常能够直接采样得到的数据为总内存大小和剩余内存大小，则内存利用率可通过如下公式计算得到：Ri＝(RTi-RAi)/RTi，其中，RTi表示时间点ti的总内存大小，RAi表示时间点ti的剩余内存大小，1≤i≤N+M。
在S202中，根据第一时间段内的CPU利用率以及设定的W个样本空间，得到W个用于进行CPU利用率预测的样本数据集合；根据第一时间段内的内存利用率以及设定的W个样本空间，得到W个用于进行内存利用率预测的样本数据集合。
其中，所得到的W个用于进行CPU利用率预测的样本数据集合中的第i个集合所包含的数据为：第一时间段内的第i到第N个时间点的连续(N-i+1)个时间点的CPU利用率。所得到的W个用于进行内存利用率预测的样本数据集合中的第i个集合所包含的数据为：第一时间段内的第i到第N个时间点的连续(N-i+1)个时间点的内存利用率。其中1<i<N。
在S203中，基于S202中得到的样本数据集合，利用预测算法，得到W个第二时间段内的CPU利用率预测数据集合以及W个第二时间段内的内存利用率预测数据集合。
在S204中，针对W个CPU利用率预测数据集合中的每个集合，分别计算其与第二时间段内的CPU利用率历史数据的绝对误差，其中，第y个(y＝1,2,…W)CPU利用率预测数据集合的绝对误差表示为δcy。
针对W个内存利用率预测数据集合中的每个集合，分别计算其与第二时间段内的内存利用率历史数据的绝对误差，其中，第y个内存利用率预测数据集合的绝对误差表示为δry。
针对一个采样空间，若满足以下两个条件，则将其排除：
条件1：该采样空间对应的CPU利用率绝对误差大于CPU利用率误差门限值；
条件2：该采样空间对应的内存利用率绝对误差大于内存利用率误差门限值。
针对排除后得到的每个CPU利用率预测数据集合，计算其与第二时间段内的CPU利用率历史数据的均方根误差；针对排除后得到的每个内存利用率预测数据集合，计算其与第二时间段内的内存利用率历史数据的均方根误差。根据各CPU利用率预测数据集合和内存利用率预测数据集合的均方根误差，确定出其中的最优CPU利用率预测数据集合和最优内存利用率预测数据集合，其中，最优CPU利用率预测数据集合和最优内存利用率预测数据集合对应相同的采样空间。
在S205中，将最优CPU利用率预测数据集合和最优内存数据预测集合所对应的采样空间，确定为用于对目标设备进行预测计算资源的样本空间。
本申请的上述实施例中，获取目标设备的计算资源历史数据，根据所述计算资源历史数据中的第一历史数据集合，得到W个用于进行预测计算资源的样本数据集合，并分别根据所述W个样本数据集合对所述第二时间段内的M个时间点的计算资源数据进行预测，得到W个预测数据集合，根据所述W个预测数据集合与所述第二历史数据集合的相似度，从所述W个预测数据集合中选取最优预测数据集合，进而得到该最优预测数据集合对应的最优样本空间。由于预测得到的最优预测数据集合与真实记录的第二时间段内的计算资源数据相似度高，因此表明根据该预测数据集合所预测得到的结果较为准确，因此该预测数据集合所对应的样本空间作为该目标设备的最优样本空间，在进行预测计算资源时，可以提高预测的准确性。
参见图3，为本申请实施例提供的预测计算资源与分配流程示意图。
以图1所示的家庭物联网为例，该流程可由网络***架构100中的无线局域网接入设备110执行，也可由计算能力较强的终端执行，比如由智能机器人执行。
当有物联网应用开启时，可触发该流程的执行。该流程也可在预定义的其他事件发生时触发执行，或者按照设定的周期执行。
本申请实施例中，以家庭物联网为例，可针对家庭物联网中的每个终端或用于承担计算资源分担的终端，采用以下流程对该终端的计算资源开销进行预测，并可进一步确定该终端的计算资源分配策略。
如图所示，以下流程给出了针对一个计算机设备对齐进行预测计算资源以及确定计算资源分配策略的流程。以下流程中将该计算机设备称为目标设备，该流程可包括：
S301：根据用于对目标设备进行预测计算资源的样本空间以及该目标设备的计算资源历史数据，确定用于对该目标设备进行预测计算资源的样本数据集合。
其中，一个样本空间用于定义使用目标时间段之前的哪些时间点的计算资源历史数据对所述目标时间段内的计算资源数据进行预测。
其中，计算资源可以包括CPU资源和内存资源中的至少一种，当然还可以包括其他类型的计算资源。以CPU资源为例，其计算资源数据可以是CPU利用率。以内存资源为例，其计算资源数据可以是内存利用率。
针对该目标设备，对其进行预测计算资源的样本空间，可通过前述实施例确定得到，在此对确定样本空间的过程不再重复。当然，也可以采用其他方法确定对该目标设备进行预测计算资源的样本空间。
S302：根据S301中得到的样本数据集合，预测该目标设备在目标时间段内的计算资源数据。
该步骤中，可采用基于AR模型或ARMA模型或其他的预测算法进行计算资源的预测。
S303：根据目标时间段内的计算资源数据与设定计算资源门限值的比较结果，确定该目标设备的计算资源分配策略。
本申请实施例中，以计算资源包括CPU资源和内存资源为例，可预先设置以下门限值：
第一CPU利用率门限，表示为Cmax，用于判断CPU是否繁忙；
第二CPU利用率门限，表示为Cmin，用于判断CPU是否空闲；
第一内存利用率门限，表示为Rmax，用于判断内存是否繁忙；
第二内存利用率门限，表示为Rmin，用于判断内存是否空闲。
本申请实施例中，根据预测得到的目标时间段内各时间点的CPU利用率，可计算得到这些时间点的CPU利用率平均值，表示为Cb；根据预测得到的目标时间段内各时间点的内存利用率，可计算得到这些时间点的内存利用率平均值，表示为Rb。在S303中，目标时间段内的计算资源数据与设定计算资源门限值的比较结果可包括以下几种情况：
情况1：Cb≥Cmax，Rb≥Rmax
此种情况下，判断目标设备计算资源严重过载，则可禁止该目标设备承担其他任务，即在目标时间段内不再使用该目标设备的计算资源来承担额外的任务。
情况2：Cb≥Cmax，Rmin<Rb<Rmax
此种情况下，判断目标设备的CPU过载，内存尚无过载，则可认为该目标设备的计算资源为一般过载，则可不建议该目标设备承担其他任务，即在目标时间段内不使用该设备的计算资源来承担额外的任务。
情况3：Cmin<Cb<Cmax，Rb≥Rmax
此种情况下，判断目标设备的内存过载，CPU尚无过载，则可认为该目标设备的计算资源为一般过载，则可不建议该目标设备承担其他任务，即在目标时间段内不使用该设备的计算资源来承担额外的任务。
情况4：Cmin<Cb<Cmax，Rmin<Rb<Rmax
此种情况下，目标设备的CPU尚无过载，内存尚无过载，则可认为目标设备的计算资源一般空闲，建议承担其他任务，即在目标时间段内为该目标设备分配一些额外的任务，以利用其计算资源进行任务处理。
情况5：Cmin<Cb<Cmax，Rb≤Rmin
此种情况下，目标设备的CPU尚无过载，内存空闲，则可认为目标设备的计算资源一般空闲，建议承担其他任务，即在目标时间段内为该目标设备分配一些额外的任务，以利用其计算资源进行任务处理。
情况6：Cb≤Cmin，Rb≤Rmin
此种情况下，判断目标设备的计算资源空闲，可使该目标设备分段部分任务，即在目标时间段内为该目标设备分配一些额外的任务，以利用其计算资源进行任务处理。
情况7：Cb≤Cmin，Rmin<Rb<Rmax
此种情况下，判断目标设备的CPU空闲，内存尚无过载，则可认为该目标设备的计算资源一般空闲，可建议承担其他任务，即在目标时间段内为该目标设备分配一些额外的任务，以利用其计算资源进行任务处理。
情况8：Cb≥Cmax，Rb<Rmin
此种情况下，判断目标设备在目标时间段内的计算资源不均衡，则可根据目标设备中各应用的计算资源使用情况确定该目标设备的计算资源分配策略。
具体地，可获取统计得到的该目标设备上各应用所占用的CPU利用率，记为：Capp-u＝{Cu1,Cu2,Cu3,…,CUN}，以及获取统计得到的该目标设备上各应用所占用的内存利用率，记为：Rapp-u＝{Ru1,Ru2,Ru3,…,RUN}。其中，u＝1,2,…U。U是应用的数量，CUN表示第U个应用在第N个时间点上的CPU利用率，RUN表示第U个应用在第N个时间点上的内存利用率。
根据Capp-u＝{Cu1,Cu2,Cu3,…,CUN}，分别计算各应用在一段时间内的平均CPU利用率，记为Capp-u-aver；根据Rapp-u＝{Ru1,Ru2,Ru3,…,RUN}，分别计算各应用在一段时间内的平均内存大小，记为Rapp-u-aver。
根据各应用的平均CPU利用率Capp-u-aver以及平均占用内存大小Rapp-u-aver以及CPU的状态，视情况在目标时间段内使目标设备承担一些额外的任务。
情况9：Cb≤Cmin，Rb≥Rmax
此种情况下，判断目标设备在目标时间段内的计算资源不均衡，则可根据目标设备中各应用的计算资源使用情况确定该目标设备的计算资源分配策略。
具体地，根据目标设备中各应用的计算资源使用情况确定该目标设备的计算资源分配策略的过程，可参见前述实施例的描述。
以上实施例仅示例性地示出了几种根据预测计算资源情况确定计算资源分配策略的方法，本申请实施例并不局限于此。
本申请的上述实施例中，根据用于对目标设备进行预测计算资源的样本空间以及所述目标设备的计算资源历史数据，确定用于对所述目标设备进行预测计算资源的样本数据集合，根据所述样本数据集合，预测所述目标设备在目标时间段内的计算资源数据，并根据所述目标时间段内的计算资源数据与设定计算资源门限值的比较结果，确定所述目标设备的计算资源分配策略，从而实现了对目标设备在未来时间段内的计算资源进行预测，并以此作为计算资源分配的依据。
进一步地，由于用于对目标设备进行预测计算资源的样本空间，可以采用本申请实施例提供的方法来确定，因此可以提高预测计算资源的准确性，进而可以提高计算资源分配的合理性。
本申请的上述实施例可以在跨平台的场景下应用，在应用与家庭物联网场景时，可以利用家庭物理网内部的多个设备的计算资源，进行协同计算。
可以理解的是，本申请实施例为了实现上述功能，其包含了执行各个功能相应的硬件结构和/或软件模块。结合本申请中所公开的实施例描述的各示例的单元(器、器件)及算法步骤，本申请实施例能够以硬件或硬件和计算机软件的结合形式来实现。某个功能究竟以硬件还是计算机软件驱动硬件的方式来执行，取决于技术方案的特定应用和设计约束条件。本领域技术人员可以对每个特定的应用来使用不同的方法来实现所描述的功能，但是这种实现不应认为超出本申请实施例的技术方案的范围。
本申请实施例可以根据上述方法示例对执行上述方法的装置进行功能单元(器、器件)的划分，例如，可以对应各个功能划分各个功能单元(器、器件)，也可以将两个或两个以上的功能集成在一个处理单元(器、器件)中。上述集成的单元(器、器件)既可以采用硬件的形式实现，也可以采用软件功能单元(器、器件)的形式实现。需要说明的是，本申请实施例中对单元(器、器件)的划分是示意性的，仅为一种逻辑功能划分，实际实现时可以有另外的划分方式。
在采用集成的单元(器、器件)的情况下，图4示出了本申请实施例提供的一种确定用于预测计算资源的样本空间的装置，该确定装置400的结构示意图。参阅图4所示，确定装置400包括：获取模块401、样本数据集合确定模块402、预测模块403、最优预测数据集合选取模块404以及样本空间确定模块405。
获取模块401用于获取目标设备的计算资源历史数据，所述计算资源历史数据包括第一历史数据集合和第二历史数据集合，所述第一历史数据集合包括第一时间段内的N个时间点的计算资源历史数据，所述第二历史数据集合包括第二时间段内的M个时间点的计算资源历史数据，N和M均为大于1的整数；
样本数据集合确定模块402用于根据所述第一历史数据集合，得到W个用于进行预测计算资源的样本数据集合，一个样本数据集合是所述第一历史数据集合的一个子集，1≤W≤N；
预测模块403用于分别根据所述W个样本数据集合对所述第二时间段内的M个时间点的计算资源数据进行预测，得到W个预测数据集合；
最优预测数据集合选取模块404用于根据所述W个预测数据集合与所述第二历史数据集合的相似度，从所述W个预测数据集合中选取最优预测数据集合；
样本空间确定模块405用于根据所述最优预测数据集合，得到用于对所述目标设备进行预测计算资源的样本空间，一个样本空间用于定义使用目标时间段之前的哪些时间点的计算资源历史数据对所述目标时间段内的计算资源数据进行预测。
可选地，所述W个用于进行预测计算资源的样本数据集合中的第i个集合，包括：所述第一时间段内的第i到第N个时间点的连续(N-i+1)个时间点的计算资源历史数据，1≤i≤N。
可选地，最优预测数据集合选取模块404还用于：在根据所述W个预测数据集合与所述第二历史数据集合的相似度，从所述W个预测数据集合中选取最优预测数据集合之前，分别计算所述W个预测数据集合中的计算资源数据与所述第二历史数据集合中的计算资源数据的绝对误差平均值；将大于绝对误差门限的绝对误差平均值所对应的预测数据集合排除。最优预测数据集合选取模块404从所述W个预测数据集合中选取最优预测数据集合时，从所述排除后剩余的预测数据集合中选取最优预测数据集合。
可选地，最优预测数据集合选取模块404具体用于：分别计算所述W个预测数据集合中的计算资源数据与所述第二历史数据集合中计算资源数据的均方根误差平均值；根据所述每个预测数据集合的均方根误差平均值，确定其中的最优预测数据集合。
可选地，所述计算资源包括CPU资源和内存资源中的至少一种。
图5示出了本申请实施例提供的计算机设备500的结构示意图，即示出了确定装置400的另一结构示意图。参阅图5所示，计算机设备500包括处理器501、网络接口502。其中，处理器501也可以为控制器。所述处理器501被配置为支持确定装置400执行图2所涉及的功能。网络接口502被配置为支持确定装置400收发消息的功能。计算机设备500还可以包括存储器503，存储器503用于与处理器501耦合，其保存该设备必要的程序指令和数据。其中，处理器501、网络接口502和存储器503相连，该存储器503用于存储指令，该处理器501用于执行该存储器503存储的指令，以控制网络接口502收发消息，完成上述方法中服务器600执行相应功能的步骤。
本申请实施例中，确定装置400以及计算机设备500所涉及的与本申请实施例提供的技术方案相关的概念，解释和详细说明及其他步骤请参见前述方法或其他实施例中关于这些内容的描述，此处不做赘述。
需要说明的是，本申请实施例上述涉及的处理器可以是中央处理器(centralprocessing unit，CPU)，通用处理器，数字信号处理器(digital signalprocessor，DSP)，专用集成电路(application-specific integrated circuit，ASIC)，现场可编程门阵列(field programmable gate array，FPGA)或者其他可编程逻辑器件、晶体管逻辑器件、硬件部件或者其任意组合。其可以实现或执行结合本申请公开内容所描述的各种示例性的逻辑方框，模块和电路。处理器也可以是实现计算功能的组合，例如包含一个或多个微处理器组合，DSP和微处理器的组合等等。其中，所述存储器可以集成在所述处理器中，也可以与所述处理器分开设置。
在采用集成的单元(器、器件)的情况下，图6示出了本申请实施例提供的一种计算资源分配装置600的结构示意图。参阅图6所示，计算资源分配装置600包括：样本数据集合确定模块601、预测模块602以及分配策略确定模块603。
样本数据集合确定模块601用于根据用于对目标设备进行预测计算资源的样本空间以及所述目标设备的计算资源历史数据，确定用于对所述目标设备进行预测计算资源的样本数据集合，一个样本空间用于定义使用目标时间段之前的哪些时间点的计算资源历史数据对所述目标时间段内的计算资源数据进行预测；
预测模块602用于根据所述样本数据集合，预测所述目标设备在目标时间段内的计算资源数据；
分配策略确定模块603用于根据所述目标时间段内的计算资源数据与设定计算资源门限值的比较结果，确定所述目标设备的计算资源分配策略。
可选地，所述计算资源包括CPU资源和内存资源，所述计算资源数据包括CPU利用率和内存利用率。分配策略确定模块603具体用于：若所述目标时间段内的CPU利用率预测值大于第一CPU利用率门限，且所述目标时间段内的内存利用率预测值小于第二内存利用率门限，则确定所述目标设备在所述目标时间段内的计算资源不均衡，则根据所述目标设备中各应用的计算资源使用情况确定所述目标设备的计算资源分配策略；或者，若所述目标时间段内的CPU利用率预测值小于第二CPU利用率门限，且所述目标时间段内的内存利用率预测值大于第一内存利用率门限，则确定所述目标设备在所述目标时间段内的计算资源不均衡，则根据所述目标设备中各应用的计算资源使用情况确定所述目标设备的计算资源分配策略。其中，所述第一CPU利用率门限大于所述第二CPU利用率门限，所述第一内存利用率门限大于所述第二内存利用率门限。
可选地，计算资源分配装置600中还可包括用上述确定装置400。确定装置400的功能如前所述，在此不再重复。
图7示出了本申请实施例提供的计算机设备700的结构示意图，即示出了计算资源分配装置600的另一结构示意图。参阅图7所示，计算机设备700包括处理器701、网络接口702。其中，处理器701也可以为控制器。所述处理器701被配置为计算资源分配装置600执行图3所涉及的功能。网络接口702被配置为支持计算资源分配装置600收发消息的功能。计算机设备700还可以包括存储器703，存储器703用于与处理器701耦合，其保存该设备必要的程序指令和数据。其中，处理器701、网络接口702和存储器703相连，该存储器703用于存储指令，该处理器701用于执行该存储器703存储的指令，以控制网络接口702收发消息，完成上述方法中计算资源分配装置60000执行相应功能的步骤。
本申请实施例中，计算资源分配装置600以及计算机设备700所涉及的与本申请实施例提供的技术方案相关的概念，解释和详细说明及其他步骤请参见前述方法或其他实施例中关于这些内容的描述，此处不做赘述。
需要说明的是，本申请实施例上述涉及的处理器可以是中央处理器(centralprocessing unit，CPU)，通用处理器，数字信号处理器(digital signal processor，DSP)，专用集成电路(application-specific integrated circuit，ASIC)，现场可编程门阵列(field programmable gate array，FPGA)或者其他可编程逻辑器件、晶体管逻辑器件、硬件部件或者其任意组合。其可以实现或执行结合本申请公开内容所描述的各种示例性的逻辑方框，模块和电路。处理器也可以是实现计算功能的组合，例如包含一个或多个微处理器组合，DSP和微处理器的组合等等。其中，所述存储器可以集成在所述处理器中，也可以与所述处理器分开设置。
本申请实施例还提供一种计算机存储介质，用于存储一些指令，这些指令被执行时，可以完成前述服务器所涉及的任意一种方法。
本申请实施例还提供一种计算机存储介质，用于存储一些指令，这些指令被执行时，可以完成前述客户端设备所涉及的任意一种方法。
本申请实施例还提供一种计算机程序产品，用于存储计算机程序，该计算机程序用于执行上述方法实施例中涉及的交互方法。
本领域内的技术人员应明白，本申请实施例可提供为方法、***、或计算机程序产品。因此，本申请实施例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，本申请实施例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。
本申请实施例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。

Claims (15)

1.一种确定用于预测计算资源的样本空间的方法，其特征在于，包括：
获取目标设备的计算资源历史数据，所述计算资源历史数据包括第一历史数据集合和第二历史数据集合，所述第一历史数据集合包括第一时间段内的N个时间点的计算资源历史数据，所述第二历史数据集合包括第二时间段内的M个时间点的计算资源历史数据，N和M均为大于1的整数；
根据所述第一历史数据集合，得到W个用于预测计算资源的样本数据集合，一个样本数据集合是所述第一历史数据集合的一个子集，1≤W≤N；
分别根据所述W个样本数据集合对所述第二时间段内的M个时间点的计算资源数据进行预测，得到W个预测数据集合；
根据所述W个预测数据集合与所述第二历史数据集合的相似度，从所述W个预测数据集合中选取最优预测数据集合；
根据所述最优预测数据集合，得到用于对所述目标设备进行预测计算资源的样本空间。
2.如权利要求1所述的方法，其特征在于，所述W个用于进行预测计算资源的样本数据集合中的第i个集合，包括：
所述第一时间段内的第i到第N个时间点的连续(N-i+1)个时间点的计算资源历史数据，1≤i≤N。
3.如权利要求1所述的方法，其特征在于，根据所述W个预测数据集合与所述第二历史数据集合的相似度，从所述W个预测数据集合中选取最优预测数据集合之前，还包括：
分别计算所述W个预测数据集合与所述第二历史数据集合的绝对误差；
将大于绝对误差门限的绝对误差所对应的预测数据集合排除；
所述从所述W个预测数据集合中选取最优预测数据集合，包括：
从所述排除后剩余的预测数据集合中选取最优预测数据集合。
4.如权利要求1所述的方法，其特征在于，所述根据所述W个预测数据集合与所述第二历史数据集合的相似度，从所述W个预测数据集合中选取最优预测数据集合，包括：
分别计算所述W个预测数据集合与所述第二历史数据集合的均方根误差；
根据所述每个预测数据集合的均方根误差，确定其中的最优预测数据集合。
5.如权利要求1至4中任一项所述的方法，其特征在于，所述计算资源包括CPU资源和内存资源中的至少一种。
6.一种计算资源分配方法，其特征在于，包括：
根据用于对目标设备进行预测计算资源的样本空间以及所述目标设备的计算资源历史数据，确定用于对所述目标设备进行预测计算资源的样本数据集合；
根据所述样本数据集合，预测所述目标设备在目标时间段内的计算资源数据；
根据所述目标时间段内的计算资源数据与设定计算资源门限值的比较结果，确定所述目标设备的计算资源分配策略。
7.如权利要求6所述的方法，其特征在于，所述计算资源包括CPU资源和内存资源，所述计算资源数据包括CPU利用率和内存利用率；
所述根据所述目标时间段内的计算资源数据与设定计算资源门限值的比较结果，确定所述目标设备的计算资源分配策略，包括：
若所述目标时间段内的CPU利用率预测值大于第一CPU利用率门限，且所述目标时间段内的内存利用率预测值小于第二内存利用率门限，则确定所述目标设备在所述目标时间段内的计算资源不均衡，则根据所述目标设备中各应用的计算资源使用情况确定所述目标设备的计算资源分配策略；或者，
若所述目标时间段内的CPU利用率预测值小于第二CPU利用率门限，且所述目标时间段内的内存利用率预测值大于第一内存利用率门限，则确定所述目标设备在所述目标时间段内的计算资源不均衡，则根据所述目标设备中各应用的计算资源使用情况确定所述目标设备的计算资源分配策略；
其中，所述第一CPU利用率门限大于所述第二CPU利用率门限，所述第一内存利用率门限大于所述第二内存利用率门限。
8.如权利要求6所述的方法，其特征在于，对目标设备进行预测计算资源的样本空间，通过以下方式得到：
获取所述目标设备的计算资源历史数据，所述计算资源历史数据包括第一历史数据集合和第二历史数据集合，所述第一历史数据集合包括第一时间段内的N个时间点的计算资源历史数据，所述第二历史数据集合包括第二时间段内的M个时间点的计算资源历史数据，N和M均为大于1的整数；
根据所述第一历史数据集合，得到W个用于进行预测计算资源的样本数据集合，一个样本数据集合是所述第一历史数据集合的一个子集，1≤W≤N；
分别根据所述W个样本数据集合对所述第二时间段内的M个时间点的计算资源数据进行预测，得到W个预测数据集合；
根据所述W个预测数据集合与所述第二历史数据集合的相似度，从所述W个预测数据集合中选取最优预测数据集合；
根据所述最优预测数据集合，得到用于对所述目标设备进行预测计算资源的样本空间。
9.如权利要求6所述的方法，其特征在于，所述计算资源包括CPU资源和内存资源中的至少一种。
10.一种确定预测计算资源的样本空间的装置，其特征在于，包括：
获取模块，用于获取目标设备的计算资源历史数据，所述计算资源历史数据包括第一历史数据集合和第二历史数据集合，所述第一历史数据集合包括第一时间段内的N个时间点的计算资源历史数据，所述第二历史数据集合包括第二时间段内的M个时间点的计算资源历史数据，N和M均为大于1的整数；
样本数据集合确定模块，用于根据所述第一历史数据集合，得到W个用于进行预测计算资源的样本数据集合，一个样本数据集合是所述第一历史数据集合的一个子集，1≤W≤N；
预测模块，用于分别根据所述W个样本数据集合对所述第二时间段内的M个时间点的计算资源数据进行预测，得到W个预测数据集合；
最优预测数据集合选取模块，用于根据所述W个预测数据集合与所述第二历史数据集合的相似度，从所述W个预测数据集合中选取最优预测数据集合；
样本空间确定模块，用于根据所述最优预测数据集合，得到用于对所述目标设备进行预测计算资源的样本空间，一个样本空间用于定义使用目标时间段之前的哪些时间点的计算资源历史数据对所述目标时间段内的计算资源数据进行预测。
11.一种计算资源分配装置，其特征在于，包括：
样本数据集合确定模块，用于根据用于对目标设备进行预测计算资源的样本空间以及所述目标设备的计算资源历史数据，确定用于对所述目标设备进行预测计算资源的样本数据集合；
预测模块，用于根据所述样本数据集合，预测所述目标设备在目标时间段内的计算资源数据；
分配策略确定模块，用于根据所述目标时间段内的计算资源数据与设定计算资源门限值的比较结果，确定所述目标设备的计算资源分配策略。
12.一种计算机设备，其特征在于，包括：处理器、存储器、收发机，所述处理器、存储器和收发机通过总线连接；所述处理器，用于读取存储器中的程序，执行如权利要求1至5中任一项所述的方法。
13.一种计算机设备，其特征在于，包括：处理器、存储器、收发机，所述处理器、存储器和收发机通过总线连接；所述处理器，用于读取存储器中的程序，执行如权利要求6至9中任一项所述的方法。
14.一种计算机存储介质，其特征在于，所述计算机可读存储介质存储有计算机可执行指令，所述计算机可执行指令用于使所述计算机执行如权利要求1至5中任一项所述的方法。
15.一种计算机存储介质，其特征在于，所述计算机可读存储介质存储有计算机可执行指令，所述计算机可执行指令用于使所述计算机执行如权利要求6至9中任一项所述的方法。
CN201810001385.1A 2018-01-02 2018-01-02 确定用于预测计算资源的样本空间的方法、计算资源分配方法及装置 Active CN109995573B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201810001385.1A CN109995573B (zh) 2018-01-02 2018-01-02 确定用于预测计算资源的样本空间的方法、计算资源分配方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201810001385.1A CN109995573B (zh) 2018-01-02 2018-01-02 确定用于预测计算资源的样本空间的方法、计算资源分配方法及装置

Publications (2)

Publication Number Publication Date
CN109995573A true CN109995573A (zh) 2019-07-09
CN109995573B CN109995573B (zh) 2022-04-01

Family

ID=67128511

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201810001385.1A Active CN109995573B (zh) 2018-01-02 2018-01-02 确定用于预测计算资源的样本空间的方法、计算资源分配方法及装置

Country Status (1)

Country Link
CN (1) CN109995573B (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110659133A (zh) * 2019-09-02 2020-01-07 中国平安人寿保险股份有限公司 一种资源分配方法及分配装置、存储介质、电子设备
CN113672375A (zh) * 2020-05-15 2021-11-19 中国联合网络通信集团有限公司 资源分配预测方法、装置、设备及存储介质

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104254848A (zh) * 2011-08-19 2014-12-31 哈佛蒸汽锅炉检验和保险公司 动态离群值偏倚减少***和方法
US20150067405A1 (en) * 2013-08-27 2015-03-05 Oracle International Corporation System stability prediction using prolonged burst detection of time series data
WO2015120823A1 (zh) * 2014-02-16 2015-08-20 同济大学 使用多种形式的参考像素存储空间的图像压缩方法和装置
CN105760224A (zh) * 2016-01-06 2016-07-13 杭州华三通信技术有限公司 一种资源的动态调整方法和装置
CN106775936A (zh) * 2016-11-30 2017-05-31 华为技术有限公司 一种虚拟机的管理方法及装置
CN106844180A (zh) * 2017-02-07 2017-06-13 山东浪潮云服务信息科技有限公司 一种OpenStack平台计算资源的监控预测方法

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104254848A (zh) * 2011-08-19 2014-12-31 哈佛蒸汽锅炉检验和保险公司 动态离群值偏倚减少***和方法
US20150067405A1 (en) * 2013-08-27 2015-03-05 Oracle International Corporation System stability prediction using prolonged burst detection of time series data
WO2015120823A1 (zh) * 2014-02-16 2015-08-20 同济大学 使用多种形式的参考像素存储空间的图像压缩方法和装置
CN105760224A (zh) * 2016-01-06 2016-07-13 杭州华三通信技术有限公司 一种资源的动态调整方法和装置
CN106775936A (zh) * 2016-11-30 2017-05-31 华为技术有限公司 一种虚拟机的管理方法及装置
CN106844180A (zh) * 2017-02-07 2017-06-13 山东浪潮云服务信息科技有限公司 一种OpenStack平台计算资源的监控预测方法

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110659133A (zh) * 2019-09-02 2020-01-07 中国平安人寿保险股份有限公司 一种资源分配方法及分配装置、存储介质、电子设备
CN110659133B (zh) * 2019-09-02 2024-05-14 中国平安人寿保险股份有限公司 一种资源分配方法及分配装置、存储介质、电子设备
CN113672375A (zh) * 2020-05-15 2021-11-19 中国联合网络通信集团有限公司 资源分配预测方法、装置、设备及存储介质
CN113672375B (zh) * 2020-05-15 2023-05-19 中国联合网络通信集团有限公司 资源分配预测方法、装置、设备及存储介质

Also Published As

Publication number Publication date
CN109995573B (zh) 2022-04-01

Similar Documents

Publication Publication Date Title
Skarlat et al. Towards qos-aware fog service placement
CN113014415A (zh) 边缘计算环境中的端到端服务质量
Fu et al. Layered virtual machine migration algorithm for network resource balancing in cloud computing
CN109635854A (zh) 基于马尔科夫链的充电桩故障预测方法及装置
CN110300134A (zh) 云存储资源池的存储空间调整方法、装置及云存储***
CN105703927B (zh) 一种资源分配方法、网络设备和网络***
CN110198339B (zh) 一种基于QoE感知的边缘计算任务调度方法
CN105094751B (zh) 一种用于流式数据并行处理的内存管理方法
Lujic et al. Efficient edge storage management based on near real-time forecasts
CN110231976A (zh) 一种基于负载预测的边缘计算平台容器部署方法及***
WO2021087639A1 (en) Cdn optimization platform
Saboury et al. Applying two efficient hybrid heuristics for hub location problem with fully interconnected backbone and access networks
CN109995573A (zh) 确定用于预测计算资源的样本空间的方法、计算资源分配方法及装置
CN109327844A (zh) 一种小区扩容方法及装置
CN109189572A (zh) 一种资源预估方法及***、电子设备和存储介质
CN106209967A (zh) 一种视频监控云资源预测方法及***
CN107948084B (zh) 一种限流方法和装置
CN115033340A (zh) 一种宿主机的选择方法及相关装置
CN110275873A (zh) 文件存储方法、装置、存储管理设备及存储介质
Ming et al. Edge-based video surveillance with graph-assisted reinforcement learning in smart construction
US8966094B2 (en) Managing session data of a composite service session in a communication network
Lujic et al. Resilient edge data management framework
CN103354506B (zh) 一种物联网业务架构以及业务组合方法
Pham-Nguyen et al. Dynamic resource provisioning on fog landscapes
CN105094986B (zh) 一种面向存储***的突发访问行为的预测方法及装置

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
GR01 Patent grant
GR01 Patent grant