CN111581070B - 容量确定方法、装置、电子设备及计算机可读存储介质 - Google Patents
容量确定方法、装置、电子设备及计算机可读存储介质 Download PDFInfo
- Publication number
- CN111581070B CN111581070B CN202010378924.0A CN202010378924A CN111581070B CN 111581070 B CN111581070 B CN 111581070B CN 202010378924 A CN202010378924 A CN 202010378924A CN 111581070 B CN111581070 B CN 111581070B
- Authority
- CN
- China
- Prior art keywords
- application
- capacity
- parameter
- machine room
- parameters
- 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
- 238000000034 method Methods 0.000 title claims abstract description 45
- 230000004044 response Effects 0.000 claims description 20
- 238000013507 mapping Methods 0.000 claims description 8
- 238000010586 diagram Methods 0.000 description 14
- 238000012545 processing Methods 0.000 description 7
- 238000009530 blood pressure measurement Methods 0.000 description 6
- 238000004891 communication Methods 0.000 description 6
- 238000004590 computer program Methods 0.000 description 6
- 230000008569 process Effects 0.000 description 5
- 238000013528 artificial neural network Methods 0.000 description 4
- 238000012790 confirmation Methods 0.000 description 4
- 230000001419 dependent effect Effects 0.000 description 4
- 230000006870 function Effects 0.000 description 4
- 230000008859 change Effects 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F11/00—Error detection; Error correction; Monitoring
- G06F11/30—Monitoring
- G06F11/34—Recording or statistical evaluation of computer activity, e.g. of down time, of input/output operation ; Recording or statistical evaluation of user activity, e.g. usability assessment
- G06F11/3447—Performance evaluation by modeling
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
- Y02D10/00—Energy efficient computing, e.g. low power processors, power management or thermal management
Landscapes
- Engineering & Computer Science (AREA)
- General Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Computer Hardware Design (AREA)
- Quality & Reliability (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Debugging And Monitoring (AREA)
Abstract
本公开实施例公开了一种容量确定方法、装置、电子设备及计算机可读存储介质,方法包括:获取该参考容量参数对应的每个应用的影响系数,以及参考特征参数;确定每个应用在该参考特征参数影响下的参考性能参数;根据该每个应用在该参考特征参数的影响下的参考性能参数确定该参考容量参数是否为该目标机房的容量上限。该方案能够通过预先建立的目标机房运行的多个应用中每个应用的影响系数模型和每个应用的性能预测模型,确定用户输入的参考容量参数是否为目标机房的容量上限,提高了对目标机房容量预测的便捷性,同时通过多次输入参考容量参数可以大幅度提高对目标机房容量预测的准确率,为用户对目标机房的扩容提供有力参考。
Description
技术领域
本公开涉及数据处理技术领域,具体涉及一种容量确定方法、装置、电子设备及计算机可读存储介质。
背景技术
随着互联网业务云上部署的普及,大多数云服务器选择采用混合云为企业和用户提供互联网服务,即通过公有云完成计算和软件安装等业务,通过私有云向用户和企业提供数据存储等业务。
由用户对上述混合云的弹性伸缩能力要求较高,因此该混合云的整体机房扩容的依据显得尤为重要。相关技术中,绝大多数提供云服务的企业和厂商都是通过历史的数据和经验判断,对提供混合云服务的整体机房容量进行预估。比如,互联网公司根据某已经过去的大促场景,预测与其类似的场景的最大容量等。
但是,该混合云的整体流量与业务形态有着密不可分的联系,由于业务不断的变化,其业务及其依赖的属性也在时刻发生变化。这就意味着,历史的数据对当前的业务形态不一定适用。比如,如果业务1在半年前一直是依赖业务2和3,因为某些原因,最近1业务的下游又新增了业务4和5,那么如果用半年前的经验做预估,得出的结论显然是不准确的。
发明内容
本公开实施例提供一种容量确定方法、装置、电子设备及计算机可读存储介质。
第一方面,本公开实施例中提供了一种容量确定方法。
具体的,所述容量确定方法,包括:
根据参考容量参数,获取所述参考容量参数对应的目标机房运行的多个应用中每个应用的影响系数,以及所述每个应用的参考特征参数;所述参考容量参数为所述目标机房待确定的容量上限;
根据所述每个应用的参考特征参数和每个应用的性能预测模型,确定每个应用在所述参考特征参数影响下的参考性能参数;所述性能预测模型描述了应用的不同特征参数与不同性能参数之间的映射关系;
根据所述每个应用在所述参考特征参数的影响下的参考性能参数确定所述参考容量参数是否为所述目标机房的容量上限。
结合第一方面,本公开在第一方面的第一种实现方式中,所述根据参考容量参数,获取所述参考容量参数对应的目标机房运行的多个应用中每个应用的影响系数,以及所述每个应用的参考特征参数包括:
根据所述参考容量参数和所述每个应用的影响系数模型,获取所述参考容量参数对应的所述每个应用的影响系数,所述影响系数模型表示了不同容量参数与应用的影响系数的对应关系;
根据所述每个应用的影响系数和所述参考容量参数,获取所述每个应用的参考特征参数。
结合第一方面和第一方面的第一种实现方式,本公开在第一方面的第二种实现方式中,所述根据所述每个应用在所述参考特征参数影响下的参考性能参数确定所述参考容量参数是否为所述目标机房的容量上限包括:
确定每个应用在所述参考特征参数影响下的参考性能参数是否超过性能阀值;
若存在超过所述性能阀值的参考性能参数,确认所述参考容量参数大于所述目标机房的容量上限;
若不存在超过所述性能阀值的参考性能参数,确认所述参考容量参数小于所述目标机房的容量上限。
结合第一方面、第一方面的第一种实现方式和第一方面的第二种实现方式,本公开在第一方面的第三种实现方式中,所述方法还包括:
在多个时段采集所述多个应用中每个应用的特征参数和性能参数;所述特征参数为反映应用的工作状态的参数,所述性能参数为反映应用的性能状态的参数;
根据采集到的所述多个时段中每个应用的所述特征参数和所述性能参数,建立所述每个应用的性能预测模型。
结合第一方面、第一方面的第一种实现方式、第一方面的第二种实现方式和第一方面的第三种实现方式,本公开在第一方面的第四种实现方式中,所述特征参数包括应用的每秒查询率QPS、响应时间、吞吐量或者对中间件的依赖值中的至少一个;
所述性能参数包括处理器CPU占用率,响应时间或者文件读写速率中的至少一个。
结合第一方面、第一方面的第一种实现方式、第一方面的第二种实现方式、第一方面的第三种实现方式和第一方面的第四种实现方式,本公开在第一方面的第五种实现方式中,所述方法还包括:
在多个时段采集所述多个应用中每个应用的特征参数和所述目标机房的容量参数;所述特征参数为反映应用的工作状态的参数,所述容量参数为反映所述多个时段中所述目标机房的整体容量的参数;
根据采集到的所述多个时段中每个应用的所述特征参数和所述目标机房的容量参数,获取所述每个应用的影响系数模型。
结合第一方面、第一方面的第一种实现方式、第一方面的第二种实现方式、第一方面的第三种实现方式、第一方面的第四种实现方式和第五种实现方式,本公开在第一方面的第六种实现方式中,所述容量参数至少包括每秒事务处理量TPS。
第二方面,本公开实施例中提供了一种容量确认装置。
具体的,所述容量确认装置,包括:
系数获取模块,被配置为根据参考容量参数,获取所述参考容量参数对应的目标机房运行的多个应用中每个应用的影响系数,以及所述每个应用的参考特征参数;所述参考容量参数为所述目标机房待确定的容量上限;
参数获取模块,被配置为根据所述每个应用的参考特征参数和每个应用的性能预测模型,确定每个应用在所述参考特征参数影响下的参考性能参数;所述性能预测模型描述了应用的不同特征参数与不同性能参数之间的映射关系;
确定模块,被配置为根据所述每个应用在所述参考特征参数的影响下的参考性能参数确定所述参考容量参数是否为所述目标机房的容量上限。
结合第二方面,本公开在第二方面的第一种实现方式中,所述系数获取模块包括:
系数获取子模块,被配置为根据所述参考容量参数和所述每个应用的影响系数模型,获取所述参考容量参数对应的所述每个应用的影响系数,所述影响系数模型表示了不同容量参数与应用的影响系数的对应关系;
参数获取子模块,被配置为根据所述每个应用的影响系数和所述参考容量参数,获取所述每个应用的参考特征参数。
结合第二方面和第二方面的第一种实现方式,本公开在第二方面的第二种实现方式中,所述确定模块包括:
确定子模块,被配置为确定每个应用在所述参考特征参数影响下的参考性能参数是否超过性能阀值;
第一确认子模块,被配置为若存在超过所述性能阀值的参考性能参数,确认所述参考容量参数大于所述目标机房的容量上限;
第二确认子模块,被配置为若不存在超过所述性能阀值的参考性能参数,确认所述参考容量参数小于所述目标机房的容量上限。
结合第二方面、第二方面的第一种实现方式和第二方面的第二种实现方式,本公开在第二方面的第三种实现方式中,所述装置包括:
第一采集模块,被配置为在多个时段采集所述多个应用中每个应用的特征参数和性能参数;所述特征参数为反映应用的工作状态的参数,所述性能参数为反映应用的性能状态的参数;
第一建立模块,被配置为根据采集到的所述多个时段中每个应用的所述特征参数和所述性能参数,建立所述每个应用的性能预测模型。
结合第二方面、第二方面的第一种实现方式、第二方面的第二种实现方式和第二方面的第三种实现方式,本公开在第二方面的第四种实现方式中,所述特征参数包括应用的每秒查询率QPS、响应时间、吞吐量或者对中间件的依赖值中的至少一个;
所述性能参数包括处理器CPU占用率,响应时间或者文件读写速率中的至少一个。
结合第二方面、第二方面的第一种实现方式、第二方面的第二种实现方式、第二方面的第三种实现方式和第二方面的第四种实现方式,本公开在第二方面的第五种实现方式中,所述装置包括:
第二采集模块,被配置为在多个时段采集所述多个应用中每个应用的特征参数和所述目标机房的容量参数;所述特征参数为反映应用的工作状态的参数,所述容量参数为反映所述多个时段中所述目标机房的整体容量的参数;
第二建立模块,被配置为根据采集到的所述多个时段中每个应用的所述特征参数和所述目标机房的容量参数,获取所述每个应用的影响系数模型。
结合第二方面、第二方面的第一种实现方式、第二方面的第二种实现方式、第二方面的第三种实现方式、第二方面的第四种实现方式和第二方面的第五种实现方式,本公开在第二方面的第六种实现方式中,所述容量参数至少包括每秒事务处理量TPS。
第三方面,本公开实施例提供了一种电子设备,包括存储器和处理器,所述存储器用于存储一条或多条支持容量确定装置执行上述第一方面中容量确定方法的计算机指令,所述处理器被配置为用于执行所述存储器中存储的计算机指令。所述容量确定装置还可以包括通信接口,用于容量确定装置与其他设备或通信网络通信。
第四方面,本公开实施例提供了一种计算机可读存储介质,用于存储容量确定装置所用的计算机指令,其包含用于执行上述第一方面中容量确定方法为容量确定装置所涉及的计算机指令。
本公开实施例提供的技术方案可以包括以下有益效果:
上述技术方案,通过预先建立的目标机房运行的多个应用中每个应用的影响系数模型和每个应用的性能预测模型,可以确定用户输入的参考容量参数是否为目标机房的容量上限,提高了对目标机房容量预测的便捷性,同时通过多次输入参考容量参数可以大幅度提高对目标机房容量预测的准确率,为用户对目标机房的扩容提供有力参考。
应当理解的是,以上的一般描述和后文的细节描述仅是示例性和解释性的,并不能限制本公开。
附图说明
结合附图,通过以下非限制性实施方式的详细描述,本公开的其它特征、目的和优点将变得更加明显。在附图中:
图1a示出根据本公开一实施方式的容量确定方法的流程图;
图1b示出根据本公开一实施方式的容量确定方法的流程图;
图1c示出根据本公开一实施方式的容量确定方法的流程图;
图2a示出根据本公开一实施方式的容量确定装置的结构框图;
图2b示出根据图2a所示实施方式的容量确定装置的系数获取模块201的结构框图;
图2c示出根据图2a所示实施方式的容量确定装置的确定模块203的结构框图;
图2d示出根据本公开一实施方式的容量确定装置的结构框图;
图2e示出根据本公开一实施方式的容量确定装置的结构框图;
图3示出根据本公开一实施方式的电子设备的结构框图;
图4是适于用来实现根据本公开一实施方式的容量确定方法的计算机***的结构示意图。
具体实施方式
下文中,将参考附图详细描述本公开的示例性实施方式,以使本领域技术人员可容易地实现它们。此外,为了清楚起见,在附图中省略了与描述示例性实施方式无关的部分。
在本公开中,应理解,诸如“包括”或“具有”等的术语旨在指示本说明书中所公开的特征、数字、步骤、行为、部件、部分或其组合的存在,并且不欲排除一个或多个其他特征、数字、步骤、行为、部件、部分或其组合存在或被添加的可能性。
另外还需要说明的是,在不冲突的情况下,本公开中的实施例及实施例中的特征可以相互组合。下面将参考附图并结合实施例来详细说明本公开。
本公开实施例提供的技术方案通过预先建立的目标机房运行的多个应用中每个应用的影响系数模型和每个应用的性能预测模型,可以确定用户输入的参考容量参数是否为目标机房的容量上限,提高了对目标机房容量预测的便捷性,同时通过多次输入参考容量参数可以大幅度提高对目标机房容量预测的准确率,为用户对目标机房的扩容提供有力参考。
图1a示出根据本公开一实施方式的容量确定方法的流程图。如图1a所示,该容量确定方法包括以下步骤S101至步骤S103:
在步骤S101中,根据参考容量参数,获取该参考容量参数对应的目标机房运行的多个应用中每个应用的影响系数,以及该每个应用的参考特征参数;该参考容量参数为该目标机房待确定的容量上限。
在步骤S102中,根据该每个应用的参考特征参数和每个应用的性能预测模型,确定每个应用在该参考特征参数影响下的参考性能参数;该性能预测模型描述了应用的不同特征参数与不同性能参数之间的映射关系。
在步骤S103中,根据该每个应用在该参考特征参数的影响下的参考性能参数确定该参考容量参数是否为该目标机房的容量上限。
上文提及,绝大多数提供云服务的企业和厂商都是通过历史的数据和经验判断,对提供混合云服务的整体机房容量进行预估。但是,该混合云的整体流量与业务形态有着密不可分的联系,由于业务不断的变化,其业务及其依赖的属性也在时刻发生变化。这就意味着,历史的数据对当前的业务形态不一定适用。
实际应用中,还可以使用线性预估或者通过压测间接评估。但是,由于混合云中业务间的关系错综复杂,绝非简单的线性关系可以描述,因此,线性预估去判断整体机房容量上限肯定也是不准确的。同时,利用压测间接评估手段进行整体机房容量评估最大的劣势在于非常容易产生线上故障,造成服务可用率下降,用户体验差的问题,而且很难也不敢压到性能的天花板,因此在整体机房容量评估时很有可能产生一定的误差。
考虑到上述缺陷,在该实施方式中,提出一种容量确定方法,该方法可以通过根据目标机房的历史数据预先建立的该目标机房运行的多个应用中每个应用的影响系数模型和每个应用的性能预测模型,确定用户输入的参考容量参数是否为目标机房的容量上限,提高了对目标机房容量预测的便捷性,同时通过多次输入参考容量参数可以大幅度提高对目标机房容量预测的准确率,为用户对目标机房的扩容提供有力参考。
其中,目标机房可以为提供云服务或者混合云服务的机房,该目标机房运行有多个应用。每个应用在运行时存在多个反映其工作状态的特征参数,例如,QPS(Queries-per-second,每秒查询率)、响应时间、吞吐量或者对中间件的依赖值;也存在多个反映其性能状态的性能参数,例如,CPU(Central Processing Unit,处理器)占用率,响应时间或者文件读写速率。同时,目标机房在提供服务时也存在反映其整体容量的容量参数,例如,TPS(Transaction Per Second,每秒事务处理量)。本开始实施例以应用的特征参数为QPS,应用的性能参数为CPU占用率,以及目标机房的容量参数为TPS为例进行说明,但并不以此为限。
其中,参考容量参数可以为用户根据经验确定的可能为目标机房容量上限的TPS,下文采用参考TPS表示。参考特征参数可以示例为目标机房的整体容量达到参考TPS时应用的QPS,下文采用参考QPS表示。参考性能参数可以示例为应用的QPS达到该参考QPS时的CPU占用率,下文采用参考CPU占用率表示。
在本实施例的一个可选实现方式中,可以根据参考容量参数和预先获取的每个应用的影响系数模型,确定该参考容量参数对应的每个应用的影响系数,然后根据该每个应用的影响系数和参考容量参数,获取每个应用的参考特征参数,即根据参考TPS和预先获取的每个应用的影响系数模型,获取该参考TPS对应的每个应用的影响系数,然后根据该每个应用的影响系数和参考TPS,获取每个应用的参考QPS。示例的,用户在根据经验确定参考TPS之后,可以将该参考TPS输入影响系数模型,即可得到该参考TPS对应的不同应用的影响系数,不同应用的影响系数表示了目标机房的整体容量达到参考TPS时与不同应用的参考QPS之间的预测比例。该影响系数模型表示了不同容量参数与应用的影响系数的对应关系,例如表示了不同TPS与应用的影响系数的对应关系。假设该目标机房提供的云服务上运行有三个应用,分别为应用A,应用B和应用C。在将参考TPS输入该影响系数模型之后,该影响系数模型即可输出该参考TPS分别对应的应用A的影响系数X1,应用B的影响系数X2和应用C的影响系数X3。
在得到该参考TPS对应的不同应用的影响系数之后,可以根据该每个应用的影响系数和该参考TPS,获取该每个应用的参考QPS,即该参考TPS分别与每个应用的影响系数相乘,得到的乘积即为每个应用的参考QPS。以上述应用A,应用B和应用C为例,该应用A的参考QPS为参考TPS*X1,该应用B的参考QPS为参考TPS*X2,该应用C的参考QPS为参考TPS*X3。
获取到每个应用的参考QPS之后,即可将该每个的参考QPS分别输入每个应用的性能预测模型,该性能预测模型即可输出应用在其参考QPS影响下的参考CPU占用率,该性能预测模型描述了应用的不同的QPS与不同的CPU占用率之间的映射关系。例如,将参考TPS*X1输入应用A的性能预测模型即可得到应用A的参考CPU占用率;将参考TPS*X2输入应用B的性能预测模型即可得到应用B的参考CPU占用率B;将参考TPS*X3输入应用C的性能预测模型即可得到应用C的参考CPU占用率。
然后,即可根据得到的不同应用的参考CPU占用率来确定该参考TPS是否为目标机房的容量上限。示例的,可以确定每个应用在该参考特征参数影响下的参考性能参数是否超过性能阀值。若存在超过该性能阀值的参考性能参数,确认该参考容量参数大于该目标机房的容量上限;若不存在超过该性能阀值的参考性能参数,确认该参考容量参数小于该目标机房的容量上限。具体的,可以提前设置性能阈值,例如,为了保证目标机房的正常运行,可以将CPU占用率的80%设置为性能阈值。在分别获取到应用A的参考CPU占用率,应用B的参考CPU占用率B和应用C的参考CPU占用率之后,可以分别确定上述三项中是否存在CPU占用率超过80%的情况。若存在,说明该参考TPS大于该目标机房的容量上限;若不存在,说明该参考TPS小于该目标机房的容量上限,此时用户可以在该参考TPS的基础上增加一个数值得到新的参考TPS,并按照上述方法重新开始预测,确定通过该新的参考TPS获取到的多个应用的参考CPU占用率是否存在超过80%的情况,并在不存在时,继续获取新的参考TPS进行预测,直至通过第N次获取到的参考TPS得到的多个应用的参考CPU占用率存在超过80%的情况,那么可以将第N-1次获取到的参考TPS作为目标机房的容量上限,该N为大于或等于2的整数。
在本实施例的一个可选实现方式中,如图1b所示,该方法还包括步骤S104至步骤S105:
在步骤S104中,在多个时段采集该多个应用中每个应用的特征参数和性能参数;该特征参数为反映应用的工作状态的参数,该性能参数为反映应用的性能状态的参数。
在步骤S105中,根据采集到的该多个时段中每个应用的该特征参数和该性能参数,建立该每个应用的性能预测模型。
在本实施方式中,通过采集到的目标机房运行的多个应用的历史数据建立每个应用的性能预测模型,保证了性能预测模型的准确性,避免对整体机房容量进行预测是出现偏差。
其中,该特征参数可以包括应用的QPS、响应时间、吞吐量或者对中间件的依赖值中的至少一个,也可以为其他能够反映应用工作状态的参数;该性能参数可以包括CPU占用率,响应时间或者文件读写速率中的至少一个,也可以为其他能够反映应用性能状态的参数。该响应时间为应用从接收到访问到响应该访问之间的时间差。该吞吐量为应用在单位时间内的上传或下载的数据量。对中间件的依赖值体现了应用对中间件的依赖程度,该依赖值越高说明依赖程度越深。该文件读写速率为应用单位时间内应用读取或写入信息的速率。本公开实施例以特征参数为QPS,性能参数为CPU占用率为例进行说明,但并不以此为限,其他参数可以类比本公开实施例进行实施。
示例的,为了保证建模的准确度,可以连续或不连续的采集多天高峰期时预设时间段的每个应用的QPS和CPU占用率,即连续或不连续的拉取多天高峰期时预设时间段的每个应用的流量快照,获取到每个应用的第一参数集,该第一参数集中包括了对应不同采集时间的多组QPS和CPU占用率的数据。
以应用A为例,可以将应用A的第一参数集包括的多组数据中的QPS输入至预先建立的神经网络的第一预测模型,然后确定该第一预测模型输出的多个数值与该多组数据中的CPU占用率的差异性是否小于预设差异阈值,或者,可以确定该第一预测模型输出的多个数值与该多组数据中的CPU占用率是否相同。若是,说明该第一预测模型即为应用A的性能预测模型;若否,则可以调整该第一预测模型的参数,并再次将应用A的第一参数集包括的多组数据中的QPS输入至调整后的第一预测模型,然后确定该调整后的第一预测模型输出的多个数值与该多组数据中的CPU占用率的差异性是否小于预设差异阈值,或者,可以确定该第一预测模型输出的多个数值与该多组数据中的CPU占用率是否相同,并在否的时候继续调整,直至调整后的第一预测模型输出的多个数值与该多组数据中的CPU占用率的差异性小于预设差异阈值,或者,该第一预测模型输出的多个数值与该多组数据中的CPU占用率相同,此时即可将最后调整得到的第一预测模型作为应用A的性能预测模型。
同理的,可以推测其他应用的性能预测模型的建立过程,本公开实施例在此不做赘述。
在本实施例的一个可选实现方式中,如图1c所示,该方法还包括步骤S106至步骤S107:
在步骤S106中,在多个时段采集该多个应用中每个应用的特征参数和该目标机房的容量参数;该特征参数为反映应用的工作状态的参数,该容量参数为反映该多个时段中该目标机房的整体容量的参数。
在步骤S107中,根据采集到的该多个时段中每个应用的该特征参数和该目标机房的容量参数,获取该每个应用的影响系数模型。
在本实施方式中,通过采集到的目标机房运行的多个应用的历史数据和运行该多个应用时目标机房的整体容量建立每个应用的影响系数模型,保证了影响系数模型的准确性,避免对整体机房容量进行预测是出现偏差。
其中,该容量参数至少包括TPS,或者其他能够反映机房容量的参数。
示例的,为了保证建模的准确度,可以连续或不连续的采集多天高峰期时预设时间段的每个应用的QPS和目标机房的TPS,获取到每个应用的第二参数集,该第二参数集中包括了对应不同采集时间的多组数据对,每个数据对包括一个TPS和该TPS与对应的QPS的比值。
以应用A为例,可以将应用A的第二参数集包括的多组数据对中的TPS输入至预先建立的神经网络的第二预测模型,然后确定该第二预测模型输出的多个数值与该多组数据对中的TPS与对应的QPS的比值的差异性是否小于预设差异阈值,或者,可以确定该第二预测模型输出的多个数值与该多组数据对中的TPS与对应的QPS的比值是否相同。若是,说明该第二预测模型即为应用A的影响系数模型;若否,则可以调整该第二预测模型的参数,并再次将应用A的第二参数集包括的多组数据对中的TPS输入至调整后的第二预测模型,然后确定该调整后的第二预测模型输出的多个数值与该多组数据对中的TPS与对应的QPS的比值的差异性是否小于预设差异阈值,或者,可以确定该第二预测模型输出的多个数值与该多组数据对中的TPS与对应的QPS的比值是否相同,并在否的时候继续调整,直至调整后的第二预测模型输出的多个数值与该多组数据对中的TPS与对应的QPS的比值的差异性小于预设差异阈值,或者,该第二预测模型输出的多个数值与该多组数据对中的TPS与对应的QPS的比值相同,此时即可将最后调整得到的第二预测模型作为应用A的影响系数模型。
同理的,可以推测其他应用的影响系数模型的建立过程,本公开实施例在此不做赘述。
本公开实施例提供一种容量确定方法,通过预先建立的目标机房运行的多个应用中每个应用的影响系数模型和每个应用的性能预测模型,可以确定用户输入的参考容量参数是否为目标机房的容量上限,提高了对目标机房容量预测的便捷性,同时通过多次输入参考容量参数可以大幅度提高对目标机房容量预测的准确率,为用户对目标机房的扩容提供有力参考。
下述为本公开装置实施例,可以用于执行本公开方法实施例。
图2a示出根据本公开一实施方式的容量确定装置的结构框图,该装置可以通过软件、硬件或者两者的结合实现成为电子设备的部分或者全部。如图2a所示,所述容量确定装置包括:
系数获取模块201,被配置为根据参考容量参数,获取所述参考容量参数对应的目标机房运行的多个应用中每个应用的影响系数,以及所述每个应用的参考特征参数;所述参考容量参数为所述目标机房待确定的容量上限。
参数获取模块202,被配置为根据所述每个应用的参考特征参数和每个应用的性能预测模型,确定每个应用在所述参考特征参数影响下的参考性能参数;所述性能预测模型描述了应用的不同特征参数与不同性能参数之间的映射关系。
确定模块203,被配置为根据所述每个应用在所述参考特征参数的影响下的参考性能参数确定所述参考容量参数是否为所述目标机房的容量上限。
上文提及,绝大多数提供云服务的企业和厂商都是通过历史的数据和经验判断,对提供混合云服务的整体机房容量进行预估。但是,该混合云的整体流量与业务形态有着密不可分的联系,由于业务不断的变化,其业务及其依赖的属性也在时刻发生变化。这就意味着,历史的数据对当前的业务形态不一定适用。
实际应用中,还可以使用线性预估或者通过压测间接评估。但是,由于混合云中业务间的关系错综复杂,绝非简单的线性关系可以描述,因此,线性预估去判断整体机房容量上限肯定也是不准确的。同时,利用压测间接评估手段进行整体机房容量评估最大的劣势在于非常容易产生线上故障,造成服务可用率下降,用户体验差的问题,而且很难也不敢压到性能的天花板,因此在整体机房容量评估时很有可能产生一定的误差。
考虑到上述缺陷,在该实施方式中,提出一种容量确认装置,该装置可以通过根据目标机房的历史数据预先建立的该目标机房运行的多个应用中每个应用的影响系数模型和每个应用的性能预测模型,确定用户输入的参考容量参数是否为目标机房的容量上限,提高了对目标机房容量预测的便捷性,同时通过多次输入参考容量参数可以大幅度提高对目标机房容量预测的准确率,为用户对目标机房的扩容提供有力参考。
其中,目标机房可以为提供云服务或者混合云服务的机房,该目标机房运行有多个应用。每个应用在运行时存在多个反映其工作状态的特征参数,例如,QPS、响应时间、吞吐量或者对中间件的依赖值;也存在多个反映其性能状态的性能参数,例如,CPU占用率,响应时间或者文件读写速率。同时,目标机房在提供服务时也存在反映其整体容量的容量参数,例如,TPS。本开始实施例以应用的特征参数为QPS,应用的性能参数为CPU占用率,以及目标机房的容量参数为TPS为例进行说明,但并不以此为限。
其中,参考容量参数可以为用户根据经验确定的可能为目标机房容量上限的TPS,下文采用参考TPS表示。参考特征参数可以示例为目标机房的整体容量达到参考TPS时应用的QPS,下文采用参考QPS表示。参考性能参数可以示例为应用的QPS达到该参考QPS时的CPU占用率,下文采用参考CPU占用率表示。
在本实施例的一个可选实现方式中,如图2b所示,所述系数获取模块201包括系数获取子模块2011和参数获取子模块2012,其中系数获取子模块2011可以根据参考容量参数和预先获取的每个应用的影响系数模型,获取该参考容量参数对应的每个应用的影响系数,然后参数获取子模块2012可以根据该每个应用的影响系数和参考容量参数,获取每个应用的参考特征参数,即系数获取子模块2011根据参考TPS和预先获取的每个应用的影响系数模型,获取该参考TPS对应的每个应用的影响系数,然后参数获取子模块2012根据该每个应用的影响系数和参考TPS,获取每个应用的参考QPS。示例的,用户在根据经验确定参考TPS之后,可以将该参考TPS输入该装置中设置的影响系数模型,该装置的系数获取子模块2011即可得到该参考TPS对应的不同应用的影响系数,不同应用的影响系数表示了目标机房的整体容量达到参考TPS时与不同应用的参考QPS之间的预测比例。该影响系数模型表示了不同容量参数与应用的影响系数的对应关系,例如表示了不同TPS与应用的影响系数的对应关系。假设该目标机房提供的云服务上运行有三个应用,分别为应用A,应用B和应用C。在将参考TPS输入该影响系数模型之后,该影响系数模型即可输出该参考TPS分别对应的应用A的影响系数X1,应用B的影响系数X2和应用C的影响系数X3。
在系数获取子模块2011得到该参考TPS对应的不同应用的影响系数之后,该参数获取子模块2012可以根据该每个应用的影响系数和该参考TPS,获取该每个应用的参考QPS,即该参考TPS分别与每个应用的影响系数相乘,得到的乘积即为每个应用的参考QPS。以上述应用A,应用B和应用C为例,该应用A的参考QPS为参考TPS*X1,该应用B的参考QPS为参考TPS*X2,该应用C的参考QPS为参考TPS*X3。
参数获取子模块2012获取到每个应用的参考QPS之后,参数获取模块即可将该每个的参考QPS分别输入每个应用的性能预测模型,该性能预测模型即可输出应用在其参考QPS影响下的参考CPU占用率,该性能预测模型描述了应用的不同的QPS与不同的CPU占用率之间的映射关系。例如,将参考TPS*X1输入应用A的性能预测模型即可得到应用A的参考CPU占用率;将参考TPS*X2输入应用B的性能预测模型即可得到应用B的参考CPU占用率B;将参考TPS*X3输入应用C的性能预测模型即可得到应用C的参考CPU占用率。
然后,确定模块203即可根据得到的不同应用的参考CPU占用率来确定该参考TPS是否为目标机房的容量上限。示例的,如图2c所示,确定模块203可以包括:确定子模块2031,被配置为确定每个应用在所述参考特征参数影响下的参考性能参数是否超过性能阀值;第一确认子模块2032,被配置为若存在超过所述性能阀值的参考性能参数,确认所述参考容量参数大于所述目标机房的容量上限;第二确认子模块2033,被配置为若不存在超过所述性能阀值的参考性能参数,确认所述参考容量参数小于所述目标机房的容量上限。若确定子模块2031确定存在超过该性能阀值的参考性能参数,则第一确认子模块2032即可确认该参考容量参数大于该目标机房的容量上限;若确定子模块2031确定不存在超过该性能阀值的参考性能参数,则第二确认子模块2033即可确认该参考容量参数小于该目标机房的容量上限。具体的,该装置可以提前设置性能阈值,例如,为了保证目标机房的正常运行,该装置可以将CPU占用率的80%设置为性能阈值。在参数获取模块202分别获取到应用A的参考CPU占用率,应用B的参考CPU占用率B和应用C的参考CPU占用率之后,确定模块203可以分别确定上述三项中是否存在CPU占用率超过80%的情况。若存在,说明该参考TPS大于该目标机房的容量上限;若不存在,说明该参考TPS小于该目标机房的容量上限,此时用户可以在该参考TPS的基础上增加一个数值得到新的参考TPS,并按照上述方法重新开始预测,确定模块203再次确定通过该新的参考TPS获取到的多个应用的参考CPU占用率是否存在超过80%的情况,并在不存在时,继续获取新的参考TPS进行预测,直至通过第N次获取到的参考TPS得到的多个应用的参考CPU占用率存在超过80%的情况,那么可以将第N-1次获取到的参考TPS作为目标机房的容量上限,该N为大于或等于2的整数。
在本实施例的一个可选实现方式中,如图2d所示,所述装置还包括:
第一采集模块204,被配置为在多个时段采集所述多个应用中每个应用的特征参数和性能参数;所述特征参数为反映应用的工作状态的参数,所述性能参数为反映应用的性能状态的参数。
第一建立模块205,被配置为根据采集到的所述多个时段中每个应用的所述特征参数和所述性能参数,建立所述每个应用的性能预测模型。
在本实施方式中,该装置可以通过采集到的目标机房运行的多个应用的历史数据建立每个应用的性能预测模型,保证了性能预测模型的准确性,避免对整体机房容量进行预测是出现偏差。
其中,该特征参数可以包括应用的QPS、响应时间、吞吐量或者对中间件的依赖值中的至少一个,也可以为其他能够反映应用工作状态的参数;该性能参数可以包括CPU占用率,响应时间或者文件读写速率中的至少一个,也可以为其他能够反映应用性能状态的参数。该响应时间为应用从接收到访问到响应该访问之间的时间差。该吞吐量为应用在单位时间内的上传或下载的数据量。对中间件的依赖值体现了应用对中间件的依赖程度,该依赖值越高说明依赖程度越深。该文件读写速率为应用单位时间内应用读取或写入信息的速率。本公开实施例以特征参数为QPS,性能参数为CPU占用率为例进行说明,但并不以此为限,其他参数可以类比本公开实施例进行实施。
示例的,为了保证建模的准确度,第一采集模块204可以连续或不连续的采集多天高峰期时预设时间段的每个应用的QPS和CPU占用率,即连续或不连续的拉取多天高峰期时预设时间段的每个应用的流量快照,获取到每个应用的第一参数集,该第一参数集中包括了对应不同采集时间的多组QPS和CPU占用率的数据。
以应用A为例,第一建立模块205可以将应用A的第一参数集包括的多组数据中的QPS输入至预先建立的神经网络的第一预测模型,然后确定该第一预测模型输出的多个数值与该多组数据中的CPU占用率的差异性是否小于预设差异阈值,或者,可以确定该第一预测模型输出的多个数值与该多组数据中的CPU占用率是否相同。若是,说明该第一预测模型即为应用A的性能预测模型;若否,则第一建立模块205可以调整该第一预测模型的参数,并再次将应用A的第一参数集包括的多组数据中的QPS输入至调整后的第一预测模型,然后确定该调整后的第一预测模型输出的多个数值与该多组数据中的CPU占用率的差异性是否小于预设差异阈值,或者,可以确定该第一预测模型输出的多个数值与该多组数据中的CPU占用率是否相同,并在否的时候继续调整,直至调整后的第一预测模型输出的多个数值与该多组数据中的CPU占用率的差异性小于预设差异阈值,或者,该第一预测模型输出的多个数值与该多组数据中的CPU占用率相同,此时即可将最后调整得到的第一预测模型作为应用A的性能预测模型。
同理的,可以推测其他应用的性能预测模型的建立过程,本公开实施例在此不做赘述。
在本实施例的一个可选实现方式中,如图2e所示,所述装置还包括:
第二采集模块206,被配置为在多个时段采集所述多个应用中每个应用的特征参数和所述目标机房的容量参数;所述特征参数为反映应用的工作状态的参数,所述容量参数为反映所述多个时段中所述目标机房的整体容量的参数。
第二建立模块207,被配置为根据采集到的所述多个时段中每个应用的所述特征参数和所述目标机房的容量参数,获取所述每个应用的影响系数模型。
在本实施方式中,通过采集到的目标机房运行的多个应用的历史数据和运行该多个应用时目标机房的整体容量建立每个应用的影响系数模型,保证了影响系数模型的准确性,避免对整体机房容量进行预测是出现偏差。
其中,该容量参数至少包括TPS,或者其他能够反映机房容量的参数。
示例的,为了保证建模的准确度,第二采集模块206可以连续或不连续的采集多天高峰期时预设时间段的每个应用的QPS和目标机房的TPS,获取到每个应用的第二参数集,该第二参数集中包括了对应不同采集时间的多组数据对,每个数据对包括一个TPS和该TPS与对应的QPS的比值。
以应用A为例,第二建立模块207可以将应用A的第二参数集包括的多组数据对中的TPS输入至预先建立的神经网络的第二预测模型,然后确定该第二预测模型输出的多个数值与该多组数据对中的TPS与对应的QPS的比值的差异性是否小于预设差异阈值,或者,可以确定该第二预测模型输出的多个数值与该多组数据对中的TPS与对应的QPS的比值是否相同。若是,说明该第二预测模型即为应用A的影响系数模型;若否,则第二建立模块207可以调整该第二预测模型的参数,并再次将应用A的第二参数集包括的多组数据对中的TPS输入至调整后的第二预测模型,然后确定该调整后的第二预测模型输出的多个数值与该多组数据对中的TPS与对应的QPS的比值的差异性是否小于预设差异阈值,或者,可以确定该第二预测模型输出的多个数值与该多组数据对中的TPS与对应的QPS的比值是否相同,并在否的时候继续调整,直至调整后的第二预测模型输出的多个数值与该多组数据对中的TPS与对应的QPS的比值的差异性小于预设差异阈值,或者,该第二预测模型输出的多个数值与该多组数据对中的TPS与对应的QPS的比值相同,此时即可将最后调整得到的第二预测模型作为应用A的影响系数模型。
同理的,可以推测其他应用的影响系数模型的建立过程,本公开实施例在此不做赘述。
本公开实施例提供一种容量确定装置,通过预先建立的目标机房运行的多个应用中每个应用的影响系数模型和每个应用的性能预测模型,可以确定用户输入的参考容量参数是否为目标机房的容量上限,提高了对目标机房容量预测的便捷性,同时通过多次输入参考容量参数可以大幅度提高对目标机房容量预测的准确率,为用户对目标机房的扩容提供有力参考。
本公开还公开了一种电子设备,图3示出根据本公开一实施方式的电子设备的结构框图,如图3所示,所述电子设备1100包括存储器1101和处理器1102;其中,
所述存储器1101用于存储一条或多条计算机指令,其中,所述一条或多条计算机指令被所述处理器1102执行以实现上述任一方法步骤。
图4适于用来实现根据本公开实施方式的容量确定方法的计算机***的结构示意图。
如图4所示,计算机***1200包括处理单元1201,其可以根据存储在只读存储器(ROM)1202中的程序或者从存储部分1208加载到随机访问存储器(RAM)1203中的程序而执行上述实施方式中的各种处理。在RAM1203中,还存储有***1200操作所需的各种程序和数据。处理单元1201、ROM1202以及RAM1203通过总线1204彼此相连。输入/输出(I/O)接口1205也连接至总线1204。
以下部件连接至I/O接口1205:包括键盘、鼠标等的输入部分1206;包括诸如阴极射线管(CRT)、液晶显示器(LCD)等以及扬声器等的输出部分1207;包括硬盘等的存储部分1208;以及包括诸如LAN卡、调制解调器等的网络接口卡的通信部分1209。通信部分1209经由诸如因特网的网络执行通信处理。驱动器1210也根据需要连接至I/O接口1205。可拆卸介质1211,诸如磁盘、光盘、磁光盘、半导体存储器等等,根据需要安装在驱动器1210上,以便于从其上读出的计算机程序根据需要被安装入存储部分1208。其中,所述处理单元1201可实现为CPU、GPU、TPU、FPGA、NPU等处理单元。
特别地,根据本公开的实施方式,上文描述的方法可以被实现为计算机软件程序。例如,本公开的实施方式包括一种计算机程序产品,其包括有形地包含在及其可读介质上的计算机程序,所述计算机程序包含用于执行所述容量确定方法的程序代码。在这样的实施方式中,该计算机程序可以通过通信部分1209从网络上被下载和安装,和/或从可拆卸介质1211被安装。
附图中的流程图和框图,图示了按照本公开各种实施方式的***、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上,路程图或框图中的每个方框可以代表一个模块、程序段或代码的一部分,所述模块、程序段或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意,在有些作为替换的实现中,方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如,两个接连地表示的方框实际上可以基本并行地执行,它们有时也可以按相反的顺序执行,这依所涉及的功能而定。也要注意的是,框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合,可以用执行规定的功能或操作的专用的基于硬件的***来实现,或者可以用专用硬件与计算机指令的组合来实现。
描述于本公开实施方式中所涉及到的单元或模块可以通过软件的方式实现,也可以通过硬件的方式来实现。所描述的单元或模块也可以设置在处理器中,这些单元或模块的名称在某种情况下并不构成对该单元或模块本身的限定。
作为另一方面,本公开还提供了一种计算机可读存储介质,该计算机可读存储介质可以是上述实施方式中所述装置中所包含的计算机可读存储介质;也可以是单独存在,未装配入设备中的计算机可读存储介质。计算机可读存储介质存储有一个或者一个以上程序,所述程序被一个或者一个以上的处理器用来执行描述于本公开的方法。
以上描述仅为本公开的较佳实施例以及对所运用技术原理的说明。本领域技术人员应当理解,本公开中所涉及的发明范围,并不限于上述技术特征的特定组合而成的技术方案,同时也应涵盖在不脱离所述发明构思的情况下,由上述技术特征或其等同特征进行任意组合而形成的其它技术方案。例如上述特征与本公开中公开的(但不限于)具有类似功能的技术特征进行互相替换而形成的技术方案。
Claims (12)
1.一种容量确定方法,其特征在于,包括:
根据参考容量参数,获取所述参考容量参数对应的目标机房运行的多个应用中每个应用的影响系数,以及所述每个应用的参考特征参数,所述参考容量参数为目标机房待确定的容量上限的TPS,采用参考TPS表示,应用的参考特征参数为目标机房的整体容量达到参考TPS时应用的QPS,采用参考QPS表示,应用的影响系数用于指示目标机房的整体容量达到参考TPS时与应用的参考QPS之间的预测比例;
根据所述每个应用的参考特征参数和每个应用的性能预测模型,确定每个应用在所述参考特征参数影响下的参考性能参数,参考性能参数包括应用的QPS达到该参考QPS时的处理器CPU占用率;所述性能预测模型描述了应用的不同特征参数与不同性能参数之间的映射关系,特征参数包括应用的QPS、响应时间、吞吐量或者对中间件的依赖值中的至少一个;
根据所述每个应用在所述参考特征参数的影响下的参考性能参数确定所述参考容量参数是否为所述目标机房的容量上限;
所述根据参考容量参数,获取所述参考容量参数对应的目标机房运行的多个应用中每个应用的影响系数,以及所述每个应用的参考特征参数包括:
根据所述参考容量参数和所述每个应用的影响系数模型,获取所述参考容量参数对应的所述每个应用的影响系数;所述影响系数模型表示了不同容量参数与应用的影响系数的对应关系,所述容量参数至少包括TPS;
根据所述每个应用的影响系数和所述参考容量参数,获取所述每个应用的参考特征参数。
2.根据权利要求1所述的方法,其特征在于,所述根据所述每个应用在所述参考特征参数影响下的参考性能参数确定所述参考容量参数是否为所述目标机房的容量上限包括:
确定每个应用在所述参考特征参数影响下的参考性能参数是否超过性能阀值;
若存在超过所述性能阀值的参考性能参数,确认所述参考容量参数大于所述目标机房的容量上限;
若不存在超过所述性能阀值的参考性能参数,确认所述参考容量参数小于所述目标机房的容量上限。
3.根据权利要求1所述的方法,其特征在于,所述方法还包括:
在多个时段采集所述多个应用中每个应用的特征参数和性能参数;所述特征参数为反映应用的工作状态的参数,所述性能参数为反映应用的性能状态的参数;
根据采集到的所述多个时段中每个应用的所述特征参数和所述性能参数,建立所述每个应用的性能预测模型。
4.根据权利要求3所述的方法,其特征在于,
所述特征参数包括应用的每秒查询率QPS、响应时间、吞吐量或者对中间件的依赖值中的至少一个;
所述性能参数包括处理器CPU占用率,响应时间或者文件读写速率中的至少一个。
5.根据权利要求2所述的方法,其特征在于,所述方法还包括:
在多个时段采集所述多个应用中每个应用的特征参数和所述目标机房的容量参数;所述特征参数为反映应用的工作状态的参数,所述容量参数为反映所述多个时段中所述目标机房的整体容量的参数;
根据采集到的所述多个时段中每个应用的所述特征参数和所述目标机房的容量参数,获取所述每个应用的影响系数模型。
6.一种容量确定装置,其特征在于,包括:
系数获取模块,被配置为根据参考容量参数,获取所述参考容量参数对应的目标机房运行的多个应用中每个应用的影响系数,以及所述每个应用的参考特征参数,所述参考容量参数为目标机房待确定的容量上限的TPS,采用参考TPS表示,应用的参考特征参数为目标机房的整体容量达到参考TPS时应用的QPS,采用参考QPS表示,应用的影响系数用于指示目标机房的整体容量达到参考TPS时与应用的参考QPS之间的预测比例;
参数获取模块,被配置为根据所述每个应用的参考特征参数和每个应用的性能预测模型,确定每个应用在所述参考特征参数影响下的参考性能参数,参考性能参数包括应用的QPS达到该参考QPS时的处理器CPU占用率;所述性能预测模型描述了应用的不同特征参数与不同性能参数之间的映射关系,特征参数包括应用的QPS、响应时间、吞吐量或者对中间件的依赖值中的至少一个;
确定模块,被配置为根据所述每个应用在所述参考特征参数的影响下的参考性能参数确定所述参考容量参数是否为所述目标机房的容量上限;
所述系数获取模块包括:
系数获取子模块,被配置为根据所述参考容量参数和所述每个应用的影响系数模型,获取所述参考容量参数对应的所述每个应用的影响系数,所述影响系数模型表示了不同容量参数与应用的影响系数的对应关系,所述容量参数至少包括TPS;
参数获取子模块,被配置为根据所述每个应用的影响系数和所述参考容量参数,获取所述每个应用的参考特征参数。
7.根据权利要求6所述的装置,其特征在于,所述确定模块包括:
确定子模块,被配置为确定每个应用在所述参考特征参数影响下的参考性能参数是否超过性能阀值;
第一确认子模块,被配置为若存在超过所述性能阀值的参考性能参数,确认所述参考容量参数大于所述目标机房的容量上限;
第二确认子模块,被配置为若不存在超过所述性能阀值的参考性能参数,确认所述参考容量参数小于所述目标机房的容量上限。
8.根据权利要求6所述的装置,其特征在于,所述装置包括:
第一采集模块,被配置为在多个时段采集所述多个应用中每个应用的特征参数和性能参数;所述特征参数为反映应用的工作状态的参数,所述性能参数为反映应用的性能状态的参数;
第一建立模块,被配置为根据采集到的所述多个时段中每个应用的所述特征参数和所述性能参数,建立所述每个应用的性能预测模型。
9.根据权利要求8所述的装置,其特征在于,
所述特征参数包括应用的每秒查询率QPS、响应时间、吞吐量或者对中间件的依赖值中的至少一个;
所述性能参数包括处理器CPU占用率,响应时间或者文件读写速率中的至少一个。
10.根据权利要求6所述的装置,其特征在于,所述装置包括:
第二采集模块,被配置为在多个时段采集所述多个应用中每个应用的特征参数和所述目标机房的容量参数;所述特征参数为反映应用的工作状态的参数,所述容量参数为反映所述多个时段中所述目标机房的整体容量的参数;
第二建立模块,被配置为根据采集到的所述多个时段中每个应用的所述特征参数和所述目标机房的容量参数,获取所述每个应用的影响系数模型。
11.一种电子设备,其特征在于,包括存储器和处理器;其中,
所述存储器用于存储一条或多条计算机指令,其中,所述一条或多条计算机指令被所述处理器执行以实现权利要求1-5任一项所述的方法步骤。
12.一种计算机可读存储介质,其上存储有计算机指令,其特征在于,该计算机指令被处理器执行时实现权利要求1-5任一项所述的方法步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010378924.0A CN111581070B (zh) | 2020-05-07 | 2020-05-07 | 容量确定方法、装置、电子设备及计算机可读存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010378924.0A CN111581070B (zh) | 2020-05-07 | 2020-05-07 | 容量确定方法、装置、电子设备及计算机可读存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111581070A CN111581070A (zh) | 2020-08-25 |
CN111581070B true CN111581070B (zh) | 2023-08-18 |
Family
ID=72113268
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010378924.0A Active CN111581070B (zh) | 2020-05-07 | 2020-05-07 | 容量确定方法、装置、电子设备及计算机可读存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111581070B (zh) |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CA2723511A1 (en) * | 2010-12-03 | 2012-06-03 | Cirba Inc. | System and method for analyzing computing system resources |
CN104866408A (zh) * | 2014-02-20 | 2015-08-26 | 阿里巴巴集团控股有限公司 | 一种应用***的容量预测方法和装置 |
CN105786681A (zh) * | 2016-02-18 | 2016-07-20 | 中国科学院计算技术研究所 | 数据中心的服务器性能评估及服务器更新方法 |
CN106886485A (zh) * | 2017-02-28 | 2017-06-23 | 深圳市华傲数据技术有限公司 | ***容量分析预测方法及装置 |
CN108897673A (zh) * | 2018-07-05 | 2018-11-27 | 北京京东金融科技控股有限公司 | ***容量评估方法与装置 |
CN109543891A (zh) * | 2018-11-09 | 2019-03-29 | 深圳前海微众银行股份有限公司 | 容量预测模型的建立方法、设备及计算机可读存储介质 |
CN110083506A (zh) * | 2019-04-16 | 2019-08-02 | 上海易点时空网络有限公司 | 集群资源量优化的方法及装置 |
CN110445939A (zh) * | 2019-08-08 | 2019-11-12 | 中国联合网络通信集团有限公司 | 容量资源的预测方法及装置 |
Family Cites Families (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7769843B2 (en) * | 2006-09-22 | 2010-08-03 | Hy Performix, Inc. | Apparatus and method for capacity planning for data center server consolidation and workload reassignment |
US20120221373A1 (en) * | 2011-02-28 | 2012-08-30 | Manish Marwah | Estimating Business Service Responsiveness |
US8938719B2 (en) * | 2011-11-30 | 2015-01-20 | Tata Consultancy Services Limited | System and method for performance assurance of applications |
-
2020
- 2020-05-07 CN CN202010378924.0A patent/CN111581070B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CA2723511A1 (en) * | 2010-12-03 | 2012-06-03 | Cirba Inc. | System and method for analyzing computing system resources |
CN104866408A (zh) * | 2014-02-20 | 2015-08-26 | 阿里巴巴集团控股有限公司 | 一种应用***的容量预测方法和装置 |
CN105786681A (zh) * | 2016-02-18 | 2016-07-20 | 中国科学院计算技术研究所 | 数据中心的服务器性能评估及服务器更新方法 |
CN106886485A (zh) * | 2017-02-28 | 2017-06-23 | 深圳市华傲数据技术有限公司 | ***容量分析预测方法及装置 |
CN108897673A (zh) * | 2018-07-05 | 2018-11-27 | 北京京东金融科技控股有限公司 | ***容量评估方法与装置 |
CN109543891A (zh) * | 2018-11-09 | 2019-03-29 | 深圳前海微众银行股份有限公司 | 容量预测模型的建立方法、设备及计算机可读存储介质 |
CN110083506A (zh) * | 2019-04-16 | 2019-08-02 | 上海易点时空网络有限公司 | 集群资源量优化的方法及装置 |
CN110445939A (zh) * | 2019-08-08 | 2019-11-12 | 中国联合网络通信集团有限公司 | 容量资源的预测方法及装置 |
Also Published As
Publication number | Publication date |
---|---|
CN111581070A (zh) | 2020-08-25 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108880931B (zh) | 用于输出信息的方法和装置 | |
CN106959894B (zh) | 资源分配方法和装置 | |
US8589329B2 (en) | Method and apparatus for incremental tracking of multiple quantiles | |
CN108366082A (zh) | 扩容方法及扩容装置 | |
CN110896357B (zh) | 流量预测方法、装置和计算机可读存储介质 | |
CN114500339B (zh) | 一种节点带宽监测方法、装置、电子设备及存储介质 | |
US20120317069A1 (en) | Throughput sustaining support system, device, method, and program | |
US8180716B2 (en) | Method and device for forecasting computational needs of an application | |
CN115134368A (zh) | 一种负载均衡方法、装置、设备以及存储介质 | |
CN110149377A (zh) | 一种视频服务节点资源分配方法、***、装置及存储介质 | |
CN114356577A (zh) | 一种***容量预估方法以及装置 | |
CN109344294B (zh) | 特征生成方法、装置、电子设备及计算机可读存储介质 | |
CN105071961A (zh) | 一种Web服务的服务质量预测方法和装置 | |
CN111581070B (zh) | 容量确定方法、装置、电子设备及计算机可读存储介质 | |
US20140181174A1 (en) | Distributed processing of stream data on an event protocol | |
JP4872702B2 (ja) | 分散ワークフローシミュレーションシステム、方法、及び、プログラム | |
CN111258854B (zh) | 模型训练方法、基于预测模型的报警方法和相关装置 | |
CN114257521B (zh) | 流量预测方法、装置、电子设备和存储介质 | |
CN112148551B (zh) | 用于确定存储***的使用变化率的方法、设备和计算机程序产品 | |
CN115328855A (zh) | 文件还原度的评估方法、装置、存储介质和设备 | |
JP5508449B2 (ja) | リソース監視装置、リソース監視システム、リソース監視方法及びリソース監視プログラム | |
JP2015216585A (ja) | トラヒック量上限値予測装置及び方法及びプログラム | |
WO2016165471A1 (zh) | Hadoop集群组件指标的采集方法及装置 | |
CN115130026A (zh) | 目标对象的确定方法、装置、介质及电子设备 | |
JP6533487B2 (ja) | アプリケーション制御装置、ネットワーク品質予測方法、及びプログラム |
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 |