CN111327456A - 一种基于lstm的云计算资源管理方法和*** - Google Patents
一种基于lstm的云计算资源管理方法和*** Download PDFInfo
- Publication number
- CN111327456A CN111327456A CN202010068761.6A CN202010068761A CN111327456A CN 111327456 A CN111327456 A CN 111327456A CN 202010068761 A CN202010068761 A CN 202010068761A CN 111327456 A CN111327456 A CN 111327456A
- Authority
- CN
- China
- Prior art keywords
- cloud computing
- lstm
- computing resources
- resources
- user
- 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
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
- H04L41/14—Network analysis or design
- H04L41/145—Network analysis or design involving simulating, designing, planning or modelling of a network
-
- 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
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/044—Recurrent networks, e.g. Hopfield networks
-
- 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
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- 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
-
- 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
- H04L67/02—Protocols based on web technology, e.g. hypertext transfer protocol [HTTP]
- H04L67/025—Protocols based on web technology, e.g. hypertext transfer protocol [HTTP] for remote control or remote monitoring of applications
-
- 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
- H04L67/12—Protocols specially adapted for proprietary or special-purpose networking environments, e.g. medical networks, sensor networks, networks in vehicles or remote metering networks
-
- 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
- H04L67/50—Network services
- H04L67/51—Discovery or management thereof, e.g. service location protocol [SLP] or web services
Landscapes
- Engineering & Computer Science (AREA)
- Signal Processing (AREA)
- Computer Networks & Wireless Communication (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- Biomedical Technology (AREA)
- Mathematical Physics (AREA)
- Data Mining & Analysis (AREA)
- Molecular Biology (AREA)
- Computational Linguistics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Software Systems (AREA)
- Biophysics (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Medical Informatics (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种基于LSTM的云计算资源管理方法和***,属于云计算技术领域,该方法根据用户在不同场景下使用各类云计算资源的情况,利用LSTM算法实时预测未来该用户所需的云计算资源,并通过云平台为该用户自动创建相应的云计算资源;包括LSTM模型训练和预测,训练LSTM模型,应用训练好的LSTM模型预测用户未来所需的云计算资源;根据预测结果,通过云平台对云计算资源进行管理。该***包括模型训练模块、预测模块和云平台管理模块。本发明能够较为准确的为用户实时创建在实际业务中所需的各类云计算资源,预测用户业务在未来某段时间内所需的各类云计算资源,然后利用云平台有效的管理云计算资源。
Description
技术领域
本发明涉及云计算技术领域,具体地说是一种基于LSTM的云计算资源管理方法和***。
背景技术
目前,云计算技术利用虚拟化技术已经逐步实现了资源云化。各公司可以通过部署私有云或公有云等,实现云计算资源(包括存储、计算、网络等计算机资源)的充分利用。然而,云计算服务商如何为用户分配云计算资源仍然是目前云计算技术面临的问题。
云计算服务商目前大多通过云平台为用户提供购买云计算资源的环境,用户需要根据自身的情况粗略估计所需要的相关云计算资源。这将导致用户在实际业务过程中面临云计算资源购买量过多,导致投入过多的开销,或云计算资源不够用的情况。
发明内容
本发明的技术任务是针对以上不足之处,提供一种基于LSTM的云计算资源管理方法和***,能够较为准确的为用户实时创建在实际业务中所需的各类云计算资源。
本发明解决其技术问题所采用的技术方案是:
一种基于LSTM的云计算资源管理方法,该方法根据用户在不同场景下使用各类云计算资源的情况,利用LSTM算法实时预测未来该用户所需的云计算资源,并通过云平台为该用户自动创建相应的云计算资源;
包括LSTM模型训练和预测,训练LSTM模型,应用训练好的LSTM模型预测用户未来所需的云计算资源;
根据预测结果,通过云平台对云计算资源进行管理。
该方法通过收集用户在实际业务环境中各类云计算资源的实际使用情况,利用LSTM算法在处理时序数据上的优势,预测用户未来某一段时间内所需要的云计算资源,并通过云平台自动为用户购买相关云计算资源。通过分析用户在过去的实际业务中,云计算资源的实际使用情况,结合LSTM算法和云平台,能够较为准确的为用户实施创建在实际业务中所需的各类云计算资源。
优选的,该方法分析云平台用户所拥有的业务在不同场景下,其资源的使用情况,分场景训练LSTM模型,并在未来相似的场景下利用相应的LSTM模型。
对于云平台的用户,需要分析该用户所拥有的业务在不同场景下,其资源的使用情况,然后分场景训练LSTM模型,并在未来相似的场景下利用相应的LSTM模型。例如,对于国内某电商的购物平台,人们大多在白天购物,而晚上的购物量将会相对减少,我们可以利用此特点,在白天和晚上分别为该电商训练不同的LSTM模型,这能够极大提高模型的预测准确率。
根据业务在不同场景对云计算资源的需求不同,分场景训练LSTM模型,简化了业务场景,相较于在所有场景仅使用一个LSTM模型能够实现更高的准确率。
优选的,分别为每类云计算资源训练一个LSTM模型。
不同业务对各类云计算资源的需求不同,有的业务需要大量的存储资源,而计算资源需求不高,有的业务对存储资源、计算资源都有较高的需求。为了在保证用户的业务能够正常运行的情况下,充分利用各类云计算资源,需要分别为每类云计算资源训练一个LSTM模型。
根据不同类型的业务对各类云计算资源分别训练LSTM模型,相较于仅使用一个LSTM模型能够实现更高的准确率。
进一步的,所述模型训练时,利用已有数据,根据在时间粒度内,各类云计算资源的实际使用量数据,分别为所述的各类云计算资源训练LSTM模型;训练好的LSTM模型分别用来预测下一时间粒度,该用户的业务需要的各类云计算资源。根据不同类型的业务对各类云计算资源分别训练LSTM模型,相较于仅使用一个LSTM模型能够实现更高的准确率。
具体的,所述各类云计算资源包括存储资源、网络资源和计算资源。
根据在时间粒度内,存储资源、网络资源和计算资源的实际使用量数据,分别为存储资源、网络资源和计算资源训练LSTM模型;训练好的LSTM模型分别用来预测下一时间粒度,该用户的业务需要的存储资源、网络资源和计算资源。
进一步的,根据预测出的结果调用云平台的资源创建接口,为用户购买需要的资源,并采集用户在下一个时间粒度的各类云计算资源的实际使用量,用来实时矫正训练模型,保证结果的可靠度。
优选的,LSTM的分析结果触发云平台对云计算资源的管理,实现云平台自动管理云计算资源。
该方法相对于用户结合自身的情况粗略估计所需的云计算资源,然后借助云平台购买云计算资源,不仅能够自动为用户管理云计算资源,而且能够在保证业务正常运行的情况下,充分利用云计算资源。
本发明还要求保护一种基于LSTM的云计算资源管理***,包括模型训练模块、预测模块和云平台管理模块,
模型训练模块包括分场景训练LSTM模型和为各类云计算资源分别训练LSTM模型;
预测模块根据LSTM模型预测云计算资源需求,并调用云平台管理云计算资源;
云平台管理模块管理云计算资源并采集用户的云计算资源使用数据,将该数据应用于实时矫正LSTM训练模型。
对于云平台的用户,需要分析该用户所拥有的业务在不同场景下,其资源的使用情况,分场景训练LSTM模型,并在未来相似的场景下利用相应的LSTM模型;不同业务对各类云计算资源的需求不同,有的业务需要大量的存储资源,而计算资源需求不高,有的业务对有存储、计算资源都有较高的需求,为了在保证用户的业务能够正常运行的情况下,充分利用各类云计算资源,需要分别为每类云计算资源训练一个LSTM模型。
根据预测出的结果调用云平台的资源创建接口为用户购买需要的资源,并采集用户的实际资源需求数据,实时矫正训练模型,从而保证预测的准确性。
该***根据业务场景的特点,分场景利用各类云计算资源的使用情况,分别训练各LSTM模型,并利用该模型预测该业务在未来某段时间内所需要的各类云计算资源,然后利用云平台自动管理云计算资源。利用LSTM模型在时序数据分析上的优势,相较其他神经网络模型能够获得更高的准确率。
根据不同类型的业务对各类云计算资源分别训练LSTM模型,相较于仅使用一个LSTM模型能够实现更高的准确率。
根据业务在不同场景对云计算资源的需求不同,分场景训练LSTM模型,简化了业务场景,相较于在所有场景仅使用一个LSTM模型能够实现更高的准确率。
具体的,所述各类云计算资源包括存储资源、网络资源和计算资源,
训练LSTM模型时,利用已知用户在时间粒度内,存储资源、网络资源和计算资源的实际使用量,分别为存储资源、网络资源和计算资源训练LSTM模型,训练好的模型分别用来预测下一个时间粒度,该用户的业务需要的存储资源、网络资源和计算资源;
根据预测出的结果调用云平台的资源创建接口,为用户购买需要的资源,并采集用户在下一个时间粒度的存储资源、网络资源和计算资源的实际使用量,用来实时矫正训练模型。
优选的,将LSTM算法与云平台相结合,LSTM的分析结果触发云平台管理模块对云计算资源的管理,能够达到实现自动管理云计算资源的目的。
本发明的一种基于LSTM的云计算资源管理方法和***与现有技术相比,具有以下有益效果:
利用该方法和***,通过分析用户在不同场景的实际业务中对各类云计算资源的使用情况,结合LSTM算法和云平台自动为用户提供所需的云计算资源,包括存储、网络和计算资源。相对于用户结合自身的情况粗略估计所需的云计算资源,然后借助云平台购买云计算资源,不仅能够自动为用户管理(购买、退订等)云计算资源,而且能够在保证业务正常运行的情况下,充分利用云计算资源。
附图说明
图1是本发明基于LSTM的云计算资源管理方法的原理示意图。
具体实施方式
下面结合附图和具体实施例对本发明作进一步说明。
实施例一
一种基于LSTM的云计算资源管理方法,该方法根据用户在不同场景下使用各类云计算资源的情况,利用LSTM算法实时预测未来该用户所需的云计算资源,并通过云平台为该用户自动创建相应的云计算资源;
利用LSTM算法实时预测用户所需云计算资源,包括LSTM模型训练和预测两部分。
对于云平台的用户,需要分析该用户所拥有的业务在不同场景下,其资源的使用情况,分场景训练LSTM模型,并在未来相似的场景下利用相应的LSTM模型。例如,对于国内某电商的购物平台,人们大多在白天购物,而晚上的购物量将会相对减少,我们可以利用此特点,在白天和晚上分别为该电商训练不同的LSTM模型,这能够极大提高模型的预测准确率。
根据业务在不同场景对云计算资源的需求不同,分场景训练LSTM模型,简化了业务场景,相较于在所有场景仅使用一个LSTM模型能够实现更高的准确率。
不同业务对各类云计算资源的需求不同,有的业务需要大量的存储资源,而计算资源需求不高,有的业务对存储资源、计算资源都有较高的需求。为了在保证用户的业务能够正常运行的情况下,充分利用各类云计算资源,需要分别为每类云计算资源训练一个LSTM模型。
根据不同类型的业务对各类云计算资源分别训练LSTM模型,相较于仅使用一个LSTM模型能够实现更高的准确率。
如图1所示为该方法的流程图,在模型训练阶段,利用已有数据(即在时间粒度内,存储资源、网络资源、计算资源的实际使用量),分别为存储资源、网络资源和计算资源训练LSTM模型,训练好的模型分别用来预测下一个时间粒度,该用户的业务需要的存储资源、网络资源和计算资源,然后,根据预测出的结果调用云平台的资源创建接口为用户购买需要的资源,并采集用户在下一个时间粒度的存储资源、网络资源、计算资源的实际使用量,用来实时矫正训练模型。
根据业务场景的特点分场景利用各类云计算资源的使用情况,分别训练三个LSTM模型,并利用该模型预测该业务在未来某段时间内所需要的各类云计算资源,然后利用云平台自动管理云计算资源。
利用LSTM模型在时序数据分析上的优势,相较其他神经网络模型能够获得更高的准确率。
根据不同类型的业务对各类云计算资源(包括存储资源、计算资源和网络资源)分别训练LSTM模型,相较于仅使用一个LSTM模型能够实现更高的准确率;根据业务在不同场景对云计算资源的需求不同,分场景训练LSTM模型,简化了业务场景,相较于在所有场景仅使用一个LSTM模型能够实现更高的准确率。
该方法将LSTM算法与云平台相结合,LSTM的分析结果触发云平台对云计算资源的管理,能够达到实现自动管理云计算资源的目的。
实施例二
一种基于LSTM的云计算资源管理***,包括模型训练模块、预测模块和云平台管理模块。
模型训练模块包括分场景训练LSTM模型和为各类云计算资源分别训练LSTM模型;
预测模块根据LSTM模型预测云计算资源需求,并调用云平台管理云计算资源;
云平台管理模块管理云计算资源并采集用户的云计算资源使用数据,将该数据应用于实时矫正LSTM训练模型。
对于云平台的用户,需要分析该用户所拥有的业务在不同场景下,其资源的使用情况,分场景训练LSTM模型,并在未来相似的场景下利用相应的LSTM模型;不同业务对各类云计算资源的需求不同,有的业务需要大量的存储资源,而计算资源需求不高,有的业务对有存储、计算资源都有较高的需求,为了在保证用户的业务能够正常运行的情况下,充分利用各类云计算资源,需要分别为每类云计算资源训练一个LSTM模型。
根据预测出的结果调用云平台的资源创建接口为用户购买需要的资源,并采集用户的实际资源需求数据,实时矫正训练模型,从而保证预测的准确性。
该***根据业务场景的特点,分场景利用各类云计算资源的使用情况,分别训练各LSTM模型,并利用该模型预测该业务在未来某段时间内所需要的各类云计算资源,然后利用云平台自动管理云计算资源。利用LSTM模型在时序数据分析上的优势,相较其他神经网络模型能够获得更高的准确率。
根据不同类型的业务对各类云计算资源分别训练LSTM模型,相较于仅使用一个LSTM模型能够实现更高的准确率。
根据业务在不同场景对云计算资源的需求不同,分场景训练LSTM模型,简化了业务场景,相较于在所有场景仅使用一个LSTM模型能够实现更高的准确率。
所述各类云计算资源包括存储资源、网络资源和计算资源,
训练LSTM模型时,利用已知用户在时间粒度内,存储资源、网络资源和计算资源的实际使用量,分别为存储资源、网络资源和计算资源训练LSTM模型,训练好的模型分别用来预测下一个时间粒度,该用户的业务需要的存储资源、网络资源和计算资源;
根据预测出的结果调用云平台的资源创建接口,为用户购买需要的资源,并采集用户在下一个时间粒度的存储资源、网络资源和计算资源的实际使用量,用来实时矫正训练模型。
该***将LSTM算法与云平台相结合,LSTM的分析结果触发云平台管理模块对云计算资源的管理,能够达到实现自动管理云计算资源的目的。
该***分析用户在不同场景的实际业务中对各类云计算资源的使用情况,结合LSTM算法和云平台自动为用户提供所需的云计算资源,包括存储资源、网络资源和计算资源。相对于用户结合自身的情况粗略估计所需的云计算资源,然后借助云平台购买云计算资源,不仅能够自动为用户管理云计算资源,而且能够在保证业务正常运行的情况下,充分利用云计算资源。
通过上面具体实施方式,所述技术领域的技术人员可容易的实现本发明。但是应当理解,本发明并不限于上述的具体实施方式。在公开的实施方式的基础上,所述技术领域的技术人员可任意组合不同的技术特征,从而实现不同的技术方案。
除说明书所述的技术特征外,均为本专业技术人员的已知技术。
Claims (10)
1.一种基于LSTM的云计算资源管理方法,其特征在于根据用户在不同场景下使用各类云计算资源的情况,利用LSTM算法实时预测未来该用户所需的云计算资源,并通过云平台为该用户自动创建相应的云计算资源;
包括LSTM模型训练和预测,训练LSTM模型,应用训练好的LSTM模型预测用户未来所需的云计算资源;
根据预测结果,通过云平台对云计算资源进行管理。
2.根据权利要求1所述的一种基于LSTM的云计算资源管理方法,其特征在于分析云平台用户所拥有的业务在不同场景下,其资源的使用情况,分场景训练LSTM模型,并在未来相似的场景下利用相应的LSTM模型。
3.根据权利要求1或2所述的一种基于LSTM的云计算资源管理方法,其特征在于分别为每类云计算资源训练一个LSTM模型。
4.根据权利要求3所述的一种基于LSTM的云计算资源管理方法,其特征在于所述模型训练时,根据在时间粒度内,各类云计算资源的实际使用量数据,分别为所述的各类云计算资源训练LSTM模型;训练好的LSTM模型分别用来预测下一时间粒度,该用户的业务需要的各类云计算资源。
5.根据权利要求4所述的一种基于LSTM的云计算资源管理方法,其特征在于所述各类云计算资源包括存储资源、网络资源和计算资源。
6.根据权利要求3所述的一种基于LSTM的云计算资源管理方法,其特征在于根据预测出的结果调用云平台的资源创建接口,为用户购买需要的资源,并采集用户在下一个时间粒度的各类云计算资源的实际使用量,用来实时矫正训练模型。
7.根据权利要求1所述的一种基于LSTM的云计算资源管理方法,其特征在于LSTM的分析结果触发云平台对云计算资源的管理。
8.一种基于LSTM的云计算资源管理***,其特征在于包括模型训练模块、预测模块和云平台管理模块,
模型训练模块包括分场景训练LSTM模型和为各类云计算资源分别训练LSTM模型;
预测模块根据LSTM模型预测云计算资源需求,并调用云平台管理云计算资源;
云平台管理模块管理云计算资源并采集用户的云计算资源使用数据,将该数据应用于实时矫正LSTM训练模型。
9.根据权利要求8所述的一种基于LSTM的云计算资源管理***,其特征在于所述各类云计算资源包括存储资源、网络资源和计算资源,
训练LSTM模型时,利用已知用户在时间粒度内,存储资源、网络资源和计算资源的实际使用量,分别为存储资源、网络资源和计算资源训练LSTM模型,训练好的模型分别用来预测下一个时间粒度,该用户的业务需要的存储资源、网络资源和计算资源;
根据预测出的结果调用云平台的资源创建接口,为用户购买需要的资源,并采集用户在下一个时间粒度的存储资源、网络资源和计算资源的实际使用量,用来实时矫正训练模型。
10.根据权利要求8或9所述的一种基于LSTM的云计算资源管理***,其特征在于LSTM的分析结果触发云平台管理模块对云计算资源的管理。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010068761.6A CN111327456A (zh) | 2020-01-21 | 2020-01-21 | 一种基于lstm的云计算资源管理方法和*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010068761.6A CN111327456A (zh) | 2020-01-21 | 2020-01-21 | 一种基于lstm的云计算资源管理方法和*** |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111327456A true CN111327456A (zh) | 2020-06-23 |
Family
ID=71166969
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010068761.6A Pending CN111327456A (zh) | 2020-01-21 | 2020-01-21 | 一种基于lstm的云计算资源管理方法和*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111327456A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112085563A (zh) * | 2020-09-04 | 2020-12-15 | 浪潮云信息技术股份公司 | 一种基于cnn的云硬盘资源管理方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102307241A (zh) * | 2011-09-27 | 2012-01-04 | 上海忠恕物联网科技有限公司 | 一种基于动态预测的云计算资源部署方法 |
CN102801792A (zh) * | 2012-07-26 | 2012-11-28 | 华南理工大学 | 基于统计预测的云cdn资源自动部署方法 |
CN103092699A (zh) * | 2013-01-10 | 2013-05-08 | 中国南方电网有限责任公司超高压输电公司 | 一种云计算资源预分配实现方法 |
CN105373432A (zh) * | 2015-11-06 | 2016-03-02 | 北京***工程研究所 | 一种基于虚拟资源状态预测的云计算资源调度方法 |
US20210224434A1 (en) * | 2017-07-26 | 2021-07-22 | Ping An Technology (Shenzhen) Co., Ltd. | Service line-based predication method, device, storage medium and terminal |
-
2020
- 2020-01-21 CN CN202010068761.6A patent/CN111327456A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102307241A (zh) * | 2011-09-27 | 2012-01-04 | 上海忠恕物联网科技有限公司 | 一种基于动态预测的云计算资源部署方法 |
CN102801792A (zh) * | 2012-07-26 | 2012-11-28 | 华南理工大学 | 基于统计预测的云cdn资源自动部署方法 |
CN103092699A (zh) * | 2013-01-10 | 2013-05-08 | 中国南方电网有限责任公司超高压输电公司 | 一种云计算资源预分配实现方法 |
CN105373432A (zh) * | 2015-11-06 | 2016-03-02 | 北京***工程研究所 | 一种基于虚拟资源状态预测的云计算资源调度方法 |
US20210224434A1 (en) * | 2017-07-26 | 2021-07-22 | Ping An Technology (Shenzhen) Co., Ltd. | Service line-based predication method, device, storage medium and terminal |
Non-Patent Citations (1)
Title |
---|
张旭: "基于循环神经网络的时间序列预测方法研究", 《中国优秀硕士学位论文全文库-信息科技辑》 * |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112085563A (zh) * | 2020-09-04 | 2020-12-15 | 浪潮云信息技术股份公司 | 一种基于cnn的云硬盘资源管理方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US8863127B2 (en) | Virtual machine utility computing method and system | |
CN104346921B (zh) | 基于位置信息的出租车信息通讯服务***、终端和方法 | |
Glenis et al. | Flood modelling for cities using Cloud computing | |
CN104301404B (zh) | 一种基于虚拟机的调整业务***资源的方法及装置 | |
CN108830504B (zh) | 用车需求预测方法、***、服务器及计算机存储介质 | |
US20050096949A1 (en) | Method and system for automatic continuous monitoring and on-demand optimization of business IT infrastructure according to business objectives | |
CN109961204A (zh) | 一种微服务架构下业务质量分析方法和*** | |
US20070130357A1 (en) | Unexpected demand detection system and unexpected demand detection program | |
JP2016536718A (ja) | ネットワークアクセス可能なサービスユニットのための顧客選択可能な電力源選択肢 | |
CN110287688A (zh) | 关联账号分析方法、装置和计算机可读存储介质 | |
CN112488706B (zh) | 一种基于区块链的云服务管理方法及*** | |
WO2019086522A1 (en) | A COMPUTER IMPLEMENTED METHOD, A SYSTEM AND A COMPUTER PROGRAM FOR OPTIMIZING THE OPERATION OF A CLOUD HOSTED SOFTWARE AS A SERVICE (SaaS) SYSTEM | |
CN111327456A (zh) | 一种基于lstm的云计算资源管理方法和*** | |
CN115374968A (zh) | 一种银行机房管理方法、装置及设备 | |
US20190097887A1 (en) | Modifying distributed application based on cloud diagnostic data | |
CN117437579A (zh) | 视频处理方法、装置、设备及介质 | |
CN103093294A (zh) | 基于云计算的企业评估服务***及方法 | |
CN113890948B (zh) | 基于语音外呼机器人对话数据的资源分配方法及相关设备 | |
Bauer | Lean Computing for the Cloud | |
CN105573821A (zh) | 基于ceilometer的一种云端虚拟机的动态计费方法 | |
US20200401975A1 (en) | Energy-efficiency enhancement platform system based on submetering data | |
CN114338532A (zh) | 光网络资源预估方法及装置、存储介质、终端设备 | |
CN112085563A (zh) | 一种基于cnn的云硬盘资源管理方法 | |
CN110689372A (zh) | 广告投放实验的控制方法、装置及广告投放实验平台 | |
Rac et al. | Cost-effective scheduling for kubernetes in the edge-to-cloud continuum |
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 |
Application publication date: 20200623 |
|
RJ01 | Rejection of invention patent application after publication |