CN111598390B - 服务器高可用性评估方法、装置、设备和可读存储介质 - Google Patents
服务器高可用性评估方法、装置、设备和可读存储介质 Download PDFInfo
- Publication number
- CN111598390B CN111598390B CN202010276892.3A CN202010276892A CN111598390B CN 111598390 B CN111598390 B CN 111598390B CN 202010276892 A CN202010276892 A CN 202010276892A CN 111598390 B CN111598390 B CN 111598390B
- Authority
- CN
- China
- Prior art keywords
- server
- availability
- evaluation
- user
- target 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.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 44
- 238000003860 storage Methods 0.000 title claims abstract description 25
- 238000011156 evaluation Methods 0.000 claims abstract description 142
- 239000013598 vector Substances 0.000 claims abstract description 32
- 238000004422 calculation algorithm Methods 0.000 claims description 29
- 238000004590 computer program Methods 0.000 claims description 22
- 238000013210 evaluation model Methods 0.000 claims description 19
- 238000003066 decision tree Methods 0.000 claims description 16
- 230000008569 process Effects 0.000 claims description 13
- 230000004044 response Effects 0.000 claims description 12
- 238000010801 machine learning Methods 0.000 claims description 11
- 238000004458 analytical method Methods 0.000 claims description 10
- 238000013468 resource allocation Methods 0.000 claims description 8
- 238000005457 optimization Methods 0.000 claims description 3
- 238000010586 diagram Methods 0.000 description 8
- 238000012549 training Methods 0.000 description 7
- 238000004364 calculation method Methods 0.000 description 5
- 230000003068 static effect Effects 0.000 description 5
- 230000002159 abnormal effect Effects 0.000 description 2
- 230000006978 adaptation Effects 0.000 description 2
- 230000006399 behavior Effects 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 238000004088 simulation Methods 0.000 description 2
- 238000004891 communication Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 230000008676 import Effects 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000002360 preparation method Methods 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 230000001568 sexual effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
- G06Q10/06393—Score-carding, benchmarking or key performance indicator [KPI] analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0631—Resource planning, allocation, distributing or scheduling for enterprises or organisations
- G06Q10/06312—Adjustment or analysis of established resource schedule, e.g. resource or task levelling, or dynamic rescheduling
Landscapes
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Engineering & Computer Science (AREA)
- Strategic Management (AREA)
- Economics (AREA)
- Entrepreneurship & Innovation (AREA)
- Development Economics (AREA)
- Operations Research (AREA)
- Game Theory and Decision Science (AREA)
- Marketing (AREA)
- Educational Administration (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Debugging And Monitoring (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本申请涉及一种服务器高可用性评估方法、装置、计算机可读存储介质和计算机设备,方法包括:获取高可用服务目录;从所述高可用服务目录中选取目标特征向量作为评估指标;根据所述评估指标为目标用户分配服务器中对应的资源;获取所述目标用户在历史时段内使用所述服务器中资源的历史使用值;根据所述历史使用值,预测所述目标用户在预设时段内使用所述服务器中资源的预测值;获取所述预设时段内所述目标用户使用所述服务器中资源的实际使用值;根据所述实际使用值和所述预测值计算用户满意度;根据所述用户满意度确定所述服务器的可用性。本申请提供的方案可以实现对服务器的高可用性进行评估。
Description
本申请要求于2019年10月16日提交中国专利局,申请号为2019109841043,发明名称为“一种应用SLA的高可用性评估的方法”的中国专利申请的优先权,其全部内容通过引用结合在本申请中。
技术领域
本申请涉及计算机技术领域,特别是涉及一种服务器高可用性评估方法、装置、设备和可读存储介质。
背景技术
随着计算机技术的发展,商业和社会机构日常业务的计算机化要求达到了前所未有的程度。为了解决服务器关闭造成的严重价值损失,出现了高可用服务器集群,高可用服务器集群主要是向用户提供尽可能连续不断的服务。传统的高可用评估主要是基于高可用服务集群本身的功能、性能进行评估,评估结果往往不能够有效满足用户对高可用服务质量的要求。
发明内容
基于此,有必要针对传统的高可用性评估不能满足用户对高可用服务质量要求的技术问题,提供一种服务器高可用性评估方法、装置、设备和可读存储介质。
一种服务器高可用性评估方法,包括:
获取高可用服务目录;
从所述高可用服务目录中选取目标特征向量作为评估指标;
根据所述评估指标为目标用户分配服务器中对应的资源;
获取所述目标用户在历史时段内使用所述服务器中资源的历史使用值;
根据所述历史使用值,预测所述目标用户在预设时段内使用所述服务器中资源的预测值;
获取所述预设时段内所述目标用户使用所述服务器中资源的实际使用值;
根据所述实际使用值和所述预测值计算用户满意度;
根据所述用户满意度确定所述服务器的可用性。
在一个实施例中,所述从所述高可用服务目录中选取目标特征向量作为评估指标,包括:
以决策树算法为基础,通过机器学习算法从所述高可用服务目录中选取目标特征向量作为评估指标。
在一个实施例中,所述根据所述评估指标为目标用户分配服务器中对应的资源,包括:
采用α算法的一致性分析对用户数据进行分析,得到用户需求与实际过程的匹配度以及用户需求的适应度;
根据所述评估指标、所述匹配度和所述适应度,为目标用户分配服务器中对应的资源。
在一个实施例中,所述根据所述历史使用值,预测所述目标用户在预设时段内使用所述服务器中资源的预测值,包括:
获取预设时段;
将所述预设时段输入预测模型;所述预测模型是基于所述历史使用值得到的时间序列模型;
通过所述预测模型预测所述目标用户在所述预设时段内使用所述服务器中资源的预测值。
在一个实施例中,所述方法还包括:
判断预设时段内所述目标用户使用所述服务器中资源的实际使用值是否满足所述目标用户的用户需求;
若否,则重新为所述目标用户分配服务器中对应的资源。
在一个实施例中,所述根据所述实际使用值和所述预测值计算用户满意度,包括:
根据所述实际使用值和所述预测值构建评估模型;
通过所述评估模型进行可用性评估,得到可用性评估结果;
根据所述可用性评估结果计算用户满意度。
在一个实施例中,所述根据所述可用性评估结果计算用户满意度,包括:
将所述预测值和所述可用性评估结果输入用户满意度公式中,得到用户满意度;所述用户满意度公式如下:
其中,Q为用户满意度,YP为所述预测值,Y为所述可用性评估结果。
一种服务器高可用性评估装置,所述装置包括:
高可用服务目录获取模块,用于获取高可用服务目录;
评估指标确定模块,用于从所述高可用服务目录中选取目标特征向量作为评估指标;
服务器资源分配模块,用于根据所述评估指标为目标用户分配服务器中对应的资源;
资源使用值获取模块,用于获取所述目标用户在历史时段内使用所述服务器中资源的历史使用值;
预测模块,用于根据所述历史使用值,预测所述目标用户在预设时段内使用所述服务器中资源的预测值;
所述资源使用值获取模块,还用于获取所述预设时段内所述目标用户使用所述服务器中资源的实际使用值;
用户满意度计算模块,用于根据所述实际使用值和所述预测值计算用户满意度;
可用性确定模块,用于根据所述用户满意度确定所述服务器的可用性。
在一个实施例中,所述评估指标确定模块,还用于:
以决策树算法为基础,通过机器学习算法从所述高可用服务目录中选取目标特征向量作为评估指标。
在一个实施例中,所述服务器资源分配模块,还用于:
采用α算法的一致性分析对用户数据进行分析,得到用户需求与实际过程的匹配度以及用户需求的适应度;
根据所述评估指标、所述匹配度和所述适应度,为目标用户分配服务器中对应的资源。
在一个实施例中,所述预测模块,还用于:
获取预设时段;
将所述预设时段输入预测模型;所述预测模型是基于所述历史使用值得到的时间序列模型;
通过所述预测模型预测所述目标用户在所述预设时段内使用所述服务器中资源的预测值。
在一个实施例中,所述装置还包括:
用户需求判断模块,用于判断预设时段内所述目标用户使用所述服务器中资源的实际使用值是否满足所述目标用户的用户需求;
所述服务器资源分配模块还用于,若所述预设时段内所述目标用户使用所述服务器中资源的实际使用值未满足所述目标用户的用户需求,则重新为所述目标用户分配服务器中对应的资源。
在一个实施例中,所述用户满意度计算模块,还用于:
根据所述实际使用值和所述预测值构建评估模型;
通过所述评估模型进行可用性评估,得到可用性评估结果;
根据所述可用性评估结果计算用户满意度。
在一个实施例中,所述用户满意度计算模块,还用于:
将所述预测值和所述可用性评估结果输入用户满意度公式中,得到用户满意度;所述用户满意度公式如下:
其中,Q为用户满意度,YP为所述预测值,Y为所述可用性评估结果。
一种计算机可读存储介质,存储有计算机程序,所述计算机程序被处理器执行时,使得所述处理器执行上述方法的步骤。
一种计算机设备,包括存储器和处理器,所述存储器存储有计算机程序,所述计算机程序被所述处理器执行时,使得所述处理器执行上述方法的步骤。
上述服务器高可用性评估方法、装置、设备和可读存储介质,在获取高可用服务目录之后,从高可用服务目录中选取目标特征向量作为评估指标,根据评估指标为目标用户分配服务器中对应的资源,获取目标用户在历史时段内使用服务器中资源的历史使用值,根据历史使用值预测目标用户在预设时段内使用服务器中资源的预测值,获取预设时段内目标用户使用服务器中资源的实际使用值,从而根据实际使用值和预测值计算用户满意度,并根据用户满意度确定服务器的可用性。从而能够在满足用户对高可用服务质量需求的前提下,对服务器的高可用性进行评估。
附图说明
图1为一个实施例中服务器高可用性评估方法的应用环境图;
图2为一个实施例中服务器高可用性评估方法的模型图;
图3为一个实施例中服务器高可用性评估方法的流程示意图;
图4为另一个实施例中服务器高可用性评估方法的流程示意图;
图5为一个实施例中模拟***使用VMware工作站示意图;
图6为一个实施例中服务器高可用性评估装置的结构框图;
图7为另一个实施例中服务器高可用性评估装置的结构框图;
图8为一个实施例中计算机设备的结构框图。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本申请进行进一步详细说明。应当理解,此处所描述的具体实施例仅仅用以解释本申请,并不用于限定本申请。
本申请提供的服务器高可用性评估方法,可以应用于如图1所示的应用环境中。其中,终端102通过代理服务器104与高可用服务器106进行网络通信。以上述服务器高可用性评估方法执行于代理服务器104为例,并结合图2所示的服务器高可用性评估模型图进行说明,代理服务器104获取高可用服务目录;从高可用服务目录中选取目标特征向量作为评估指标;根据评估指标为目标用户分配服务器中对应的资源;获取目标用户在历史时段内使用服务器中资源的历史使用值;根据历史使用值,预测目标用户在预设时段内使用服务器中资源的预测值;获取预设时段内目标用户使用服务器中资源的实际使用值;根据实际使用值和预测值计算用户满意度。
其中,终端102可以但不限于是各种个人计算机、笔记本电脑、智能手机、平板电脑和便携式可穿戴设备,代理服务器104可以是服务等级代理,存储有服务等级协议,高可用服务器106是为终端提供业务服务的高可用服务器代理服务器104和高可用服务器106可以用独立的服务器或者是多个服务器组成的服务器集群来实现。
如图3所示,在一个实施例中,提供了一种服务器高可用性评估方法。本实施例主要以该方法应用于上述图1中的代理服务器104来举例说明。参照图3,该服务器高可用性评估方法具体包括如下步骤:
S302,获取高可用服务目录。
其中,高可用服务目录中包含有高可用服务器针对不同用户所提供的服务类型和服务内容等信息。
在一个实施例中,代理服务器在获取高可用服务目录之前,接收高可用服务器发送的服务等级协议(Service Level Agreement,SLA),然后根据该服务等级协议创建高可用服务目录,并将该高可用服务目录存储到数据库中。当对高可用服务器的高可用性进行评估时,从数据库中读取高可用服务目录。其中,服务等级协议是服务提供商和用户双方经协商而确定的关于服务质量等级的协议或合同,而制定该协议或合同的目的是使服务提供商和用户对服务品质、水准、性能、优先权、责任等达成共识,服务等级协议中包含有服务等级协议的相关参数,参数及其对应的描述如下表所示。
表1服务等级协议参数表
参数 | 描述 |
CPU容量 | 高可用***虚拟机CPU运行速度 |
内存容量 | 高可用***虚拟机闪存空间大小 |
导入时间 | 正式使用前准备和导入时间 |
存储 | 用户数据所需存储空间大小 |
可用性 | 一个指定时间断里,用户签订的SLA服务的可用性 |
业务响应时间 | 业务提供商响应和处理用户签订SLA的高可用业务请求的时间 |
S304,从高可用服务目录中选取目标特征向量作为评估指标。
其中,目标特征向量为能够体现出不同终端所对应用户的个体特征的特征向量,特征向量具体可以是内存容量(Memory)、响应时间(Time)和存储 (Storage)中的至少一个,高可用服务目录包含所有可以测量的特征向量。
在一个实施例中,代理服务器在获取高可用服务目录之后,采用机器学习算法从高可用服务目录中选取目标特征向量,其中所采用的机器学习算法可以是基于决策树的机器学习算法,具体可以是ID3算法,决策树是一种依托决策而建立起来的一种树。在机器学习中,决策树是一种预测模型,代表的是一种对象属性与对象值之间的一种映射关系,每一个节点代表某个对象,树中的每一个分叉路径代表某个可能的属性值,而每一个叶子节点则对应从根节点到该叶子节点所经历的路径所表示的对象的值。决策树仅有单一输出,如果有多个输出,可以分别建立独立的决策树以处理不同的输出,ID3算法是一种贪心算法,用来构造决策树。
作为一个示例对上述实施例进行说明。首先设给定训练集为TR,TR的元素由特征向量及其分类结果表示,分类对象的属性表Attrlist为[Al,A2,...An],全部分类结果构成的集合Class为{Cl,C2...Cm},一般的有n≥1和m≥2。对于每一属性Ai,其值域为ValueType(Ai),值域是离散的。这样,TR的一个元素就可以表示成<X,C>的形式,其中X=(a1,...an),ai对应于实例X第i个属性的取值,C∈Class为实例X的分类结果;然后随机选择训练实例的子集,构成一个训练窗口,重复执行下列步骤:
①对窗口内的实例集构造决策树;
②寻找决策树的一个反例;
③如果反例存在,将其加入到训练窗口,并执行步骤①;若反例不存在,则返回得到的决策树。选取获得信息量最大的属性作为扩展属性。这一启发式规则又称为最小熵原理,使获得的信息量最大等价于使不确定性最小,即使熵最小。给定正负实例的子集为S,构成训练窗口。当决策有k个不同的输出时,则S的熵为:
其中,Pi为取值为k个不同的输出中的第i个值的概率。
为了检测每个属性的重要性,可以通过每个属性的信息增益Gain来评估其重要性。对于属性A,假设其值域为(Vl,V2,...Vn),则训练实例S中属性A 的信息增益可以定义如下:
其中,Si表示训练实例S中属性A的值为Vi的子集,|Si|表示集合的势。在实际情况中,Gain(S,A)最大的属性A包括三个特征向量,分别为:内存容量、响应时间和存储。
S306,根据评估指标为目标用户分配服务器中对应的资源。
其中,服务器中对应的资源为高可用服务器的资源,其中服务器的资源包括服务器的计算资源、存储资源和网络资源。
在一个实施例中,代理服务器在从高可用服务目录中选取目标特征向量作为评估指标之后,采用α算法的一致性分析对用户数据进行分析,得到用户需求与实际过程的匹配度以及用户需求的适应度,然后根据评估指标、匹配度和适应度,为目标用户分配服务器中对应的资源。
对α算法的功能进行说明:匹配事件日志L到一个Petri网,则该Petri网成为事件日志的行为表现。α算法的输入为基于任务T的事件日志L,输出为一个Petfi网,我们的SLA限制了供应商,在整个对用户服务过程中确保质量。
由于参与者在完成任务时可能访问一些不包含在期望模型中的状态或者期望模型可能包含日志文件中未出现的事件,所以定义了一个变量(日志覆盖率C) 来评测期望模型(用户需求)和实际过程的匹配度。
其中,|E|表示所有的事件数,|e∈E|表示实际发生的事件数。
适应度是指实际的操作轨迹与期望模型的关联程度。通过期望模型对实际的实例过程进行一致性分析,可以得到每个实例以及整个任务相对于期望模型的适应度(基于Petri网)。每个实例过程的期望模型的适应度定义如下:
其中:m为实际过程在Petri网模型上重现时丢失的令牌(token)数;c为消耗的令牌数;r为任务完成后仍然存在的令牌数;p为产生的令牌数。
S308,获取目标用户在历史时段内使用服务器中资源的历史使用值。
S310,根据历史使用值,预测目标用户在预设时段内使用服务器中资源的预测值。
在一个实施例中,代理服务器在根据评估指标为目标用户分配高可用服务器中对应的资源之后,实时监测目标用对应终端所运行的应用程序的实用绩效和资源的使用情况,并将对应的资源使用值存储到数据库。
在一个实施例中,代理服务器从数据库中获取目标用户在历史时段内使用服务器中资源的历史使用值,然后根据所获取的历史使用值构建预测模型,所创建的预测模型用于预测目标用户在预设时段使用服务器中资源的预测值,该预测模型具体可以是时间序列预测模型。
在一个实施例中,代理服务器获取所要进行预测的预设时段,并将预设时段输入预测模型,通过预测模型预测目标用户在预设时段内使用高可用服务器中资源的预测值。例如,当评估指标为内存容量时,所获取的是目标用户在历史时段内使用服务器内存容量的历史使用值,所预测的是目标用户在预设时段使用服务器内存容量的预测值;当评估指标为响应时间时,所获取的是目标用户在历史时段内使历史响应时间,所预测的是目标用户在预设时段内使用服务器中的资源对目标用户请求进行响应的预测响应时间。
S312,获取预设时段内目标用户使用服务器中资源的实际使用值。
S314,根据实际使用值和预测值计算用户满意度。
在一个实施例中,代理服务器在预测出目标用户在预设时段内使用服务器中资源的预测值之后,获取所预测的预设时段内目标用户使用服务器中资源的实际使用值,并根据该实际使用值和预测值计算用户满意度。
在一个实施例中,代理服务器在预测出目标用户在预设时段内使用服务器中资源的预测值之后,根据实际使用值和预测值构建评估模型;通过评估模型进行可用性评估,得到可用性评估结果,然后根据可用性评估结果计算满意度,具体可以是将预测值和可用性评估结果输入用户满意度公式,从而计算出用户满意度。
S316,根据用户满意度确定服务器的可用性。
在一个实施例中,在计算出用户满意度之后,获取目标用户对应的服务等级协议,并从服务协议等级中提取出可用性阈值,当用户满意度大于可用性阈值时,确定对应的高可用服务器的可用性为正常,当用户满意度小于可用性阈值时,确定对应的高可用服务器的可用性为异常。
作为一个示例对上述实施例进行说明。分别用f1、f2和f3代表已采样得到的内存容量、响应时间、存储,将历史数据整理成时间序列并用Sn表示,分别用 f1、f2和f3预测出预设时段对应的时间序列S'n,预测结果Yp分别用Y1、Y2和 Y3表示。设Sit为t时刻第i个可用性评估指标实际使用值,Yit为t时刻由预测模型预测第i个可用性评估指标获得的预测值,则预测误差为:
误差平方和为:
其中,ωi为第i个评估指标对应的权重。以预测误差平方和最小为优化目标确定f1、f2和f3的最优加权系数ω1、ω2和ω3,则评估模型可表示为:
f=f1ω1+f2ω2+f3ω3,ω1+ω2+ω3=1
在构建出评估模型之后,将评估指标对应的目标特征向量输入该评估模型,计算得到可用性评估结果Y,然后将预测值Yp和可用性评估结果Y输入用户满意度公式中,从而计算出用户满意度,用户满意度公式如下:
其中,Q为用户满意度,YP为所述预测值,Y为所述可用性评估结果。
在计算出用户满意度Q之后,获取目标用户对应的可用性阈值Qt,然后根据用户满意度Q和性阈值Qt计算高可用服务器的可用性A,其中:
其中,A=1可表示高可用服务器的可用性为正常,A=0表示高可用服务器的可用性为异常,
下表为通过模拟***(图3)计算的高可用服务器的可用性,模拟***选择时间点t1至t7记录由决策树所决定的T、M两个评价指标来计算用户满意度,T为响应时间,对应的单位是μs、M为内存容量率、Q是用户满意度和A是***的可用性。其中,在时间点t4时刻,人为调整了模拟***的状态,使得时间点t4所对应的预测值有较大偏差,从下表中可以看出当高可用服务器的可用性是被人为破坏时,T、M和S也相应发生了变化,且在服务器的可用性较低时,通过本申请的服务器高可用性评估方法,可准确的报告服务器可用性的变化。
表2高可用服务器的可用性
时间点 | t1 | t2 | t3 | t4 | t5 | t6 | t7 |
T | 121 | 120 | 121 | 507 | 120 | 119 | 121 |
M | 17 | 18 | 17 | 42 | 19 | 18 | 19 |
Q | 4 | 4 | 4 | 2 | 4 | 4 | 4 |
A | 1 | 1 | 1 | 0 | 1 | 1 | 1 |
在一个实施例中,代理服务器监测目标用户对应终端所运行的应用程序的实用绩效和资源的使用情况,并判断预设时段内目标用户使用服务器中资源的实际使用值是否满足目标用户的用户需求;若否,则重新为目标用户分配服务器中对应的资源。具体地设定fitness的阈值F,当|fitness|>F时,***进入中断,根据用户的具体实例,选择自动或手动reset。
上述实施例中,代理服务器在获取高可用服务目录之后,从高可用服务目录中选取目标特征向量作为评估指标,根据评估指标为目标用户分配服务器中对应的资源,获取目标用户在历史时段内使用服务器中资源的历史使用值,根据历史使用值预测目标用户在预设时段内使用服务器中资源的预测值,获取预设时段内目标用户使用服务器中资源的实际使用值,从而根据实际使用值和预测值计算用户满意度,并根据用户满意度确定服务器的可用性。从而能够在满足用户对高可用服务质量需求的前提下,对服务器的高可用性进行评估。
在一个实施例中,还提供了一种服务器高可用性评估方法,以该方法应用于上述图1中的代理服务器104来举例说明。参照图4和图5,该服务器高可用性评估方法具体包括如下步骤:
步骤1,高可用服务评估,包括高可用服务目录的建立。
步骤2,SLA评估***设计,包括SLA静态评估***和实施评估***。
通过机器学习算法从用户相应评估和模拟***的记录数据来提高评估的准确率。
步骤3,SLA分配。
开发了一种基于α算法的一致性分析对用户数据进行发掘,匹配事件日志L 到一个Petri网,则该Petri网成为事件日志的行为表现。
步骤4,SLA监测。
原始数据应该针对SLA目标或SLA阈值处理和分析之后来反映SLA的性能。具体地,设定fitness的阈值F,当|fitness|>F时,***进入中断,根据用户的具体实例,选择自动或手动reset。
步骤5,SLA评估。
根据SLA静态评估***和SLA实施评估***对高可用服务器进行评估。
步骤6,SLA修正。
整合来自SLA静态评估***和SLA实施评估***的信息,以获得高可用***供应商可信度的最终价值。
应该理解的是,虽然图3和4的流程图中的各个步骤按照箭头的指示依次显示,但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明,这些步骤的执行并没有严格的顺序限制,这些步骤可以以其它的顺序执行。而且,图3和4中的至少一部分步骤可以包括多个步骤或者多个阶段,这些步骤或者阶段并不必然是在同一时刻执行完成,而是可以在不同的时刻执行,这些步骤或者阶段的执行顺序也不必然是依次进行,而是可以与其它步骤或者其它步骤中的步骤或者阶段的至少一部分轮流或者交替地执行。
在一个实施例中,如图6所示,提供了一种服务器高可用性评估装置,包括:高可用服务目录获取模块602、服务器资源分配模块606、资源使用值获取模块608、预测模块610、用户满意度计算模块612和可用确定模块614,其中:
高可用服务目录获取模块602,用于获取高可用服务目录;
评估指标确定模块604,用于从所述高可用服务目录中选取目标特征向量作为评估指标;
服务器资源分配模块606,用于根据所述评估指标为目标用户分配服务器中对应的资源;
资源使用值获取模块608,用于获取所述目标用户在历史时段内使用所述服务器中资源的历史使用值;
预测模块610,用于根据所述历史使用值,预测所述目标用户在预设时段内使用所述服务器中资源的预测值;
所述资源使用值获取模块608,还用于获取所述预设时段内所述目标用户使用所述服务器中资源的实际使用值;
用户满意度计算模块612,用于根据所述实际使用值和所述预测值计算用户满意度;
可用确定模块614,用于根据所述用户满意度确定所述服务器的可用性。
在一个实施例中,所述评估指标确定模块604,还用于:
以决策树算法为基础,通过机器学习算法从所述高可用服务目录中选取目标特征向量作为评估指标。
在一个实施例中,所述服务器资源分配模块606,还用于:
采用α算法的一致性分析对用户数据进行分析,得到用户需求与实际过程的匹配度以及用户需求的适应度;
根据所述评估指标、所述匹配度和所述适应度,为目标用户分配服务器中对应的资源。
在一个实施例中,所述预测模块610,还用于:
获取预设时段;
将所述预设时段输入预测模型;所述预测模型是基于所述历史使用值得到的时间序列模型;
通过所述预测模型预测所述目标用户在所述预设时段内使用所述服务器中资源的预测值。
在一个实施例中,如图7所示,所述装置还包括:用户需求判断模块616,其中:
用户需求判断模块616,用于判断预设时段内所述目标用户使用所述服务器中资源的实际使用值是否满足所述目标用户的用户需求;
所述服务器资源分配模块606还用于,若所述预设时段内所述目标用户使用所述服务器中资源的实际使用值未满足所述目标用户的用户需求,则重新为所述目标用户分配服务器中对应的资源。
在一个实施例中,所述用户满意度计算模块612,还用于:
根据所述实际使用值和所述预测值构建评估模型;
通过所述评估模型进行可用性评估,得到可用性评估结果;
根据所述可用性评估结果计算用户满意度。
在一个实施例中,所述用户满意度计算模块612,还用于:
将所述预测值和所述可用性评估结果输入用户满意度公式中,得到用户满意度;所述用户满意度公式如下:
其中,Q为用户满意度,YP为所述预测值,Y为所述可用性评估结果。
上述实施例中,代理服务器在获取高可用服务目录之后,从高可用服务目录中选取目标特征向量作为评估指标,根据评估指标为目标用户分配服务器中对应的资源,获取目标用户在历史时段内使用服务器中资源的历史使用值,根据历史使用值预测目标用户在预设时段内使用服务器中资源的预测值,获取预设时段内目标用户使用服务器中资源的实际使用值,从而根据实际使用值和预测值计算用户满意度,并根据用户满意度确定服务器的可用性。从而能够在满足用户对高可用服务质量需求的前提下,对服务器的高可用性进行评估。
关于服务器高可用性评估装置的具体限定可以参见上文中对于服务器高可用性评估方法的限定,在此不再赘述。上述服务器高可用性评估装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中,也可以以软件形式存储于计算机设备中的存储器中,以便于处理器调用执行以上各个模块对应的操作。
在一个实施例中,提供了一种计算机设备,该计算机设备可以是服务器,其内部结构图可以如图8所示。该计算机设备包括通过***总线连接的处理器、存储器和网络接口。其中,该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作***、计算机程序和数据库。该内存储器为非易失性存储介质中的操作***和计算机程序的运行提供环境。该计算机设备的数据库用于存储资源使用值数据。该计算机设备的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种服务器高可用性评估方法。
本领域技术人员可以理解,图8中示出的结构,仅仅是与本申请方案相关的部分结构的框图,并不构成对本申请方案所应用于其上的计算机设备的限定,具体的计算机设备可以包括比图中所示更多或更少的部件,或者组合某些部件,或者具有不同的部件布置。
在一个实施例中,提供了一种计算机设备,包括存储器和处理器,存储器存储有计算机程序,计算机程序被处理器执行时,使得处理器执行以下的步骤:获取高可用服务目录;从高可用服务目录中选取目标特征向量作为评估指标;根据评估指标为目标用户分配服务器中对应的资源;获取目标用户在历史时段内使用服务器中资源的历史使用值;根据历史使用值,预测目标用户在预设时段内使用服务器中资源的预测值;获取预设时段内目标用户使用服务器中资源的实际使用值;根据实际使用值和预测值计算用户满意度,根据用户满意度确定服务器的可用性。
在一个实施例中,计算机程序被处理器执行从高可用服务目录中选取目标特征向量作为评估指标的步骤时,使得处理器具体执行以下步骤:以决策树算法为基础,通过机器学习算法从高可用服务目录中选取目标特征向量作为评估指标。
在一个实施例中,计算机程序被处理器执行根据评估指标为目标用户分配服务器中对应的资源的步骤时,使得处理器具体执行以下步骤:采用α算法的一致性分析对用户数据进行分析,得到用户需求与实际过程的匹配度以及用户需求的适应度;根据评估指标、匹配度和适应度,为目标用户分配服务器中对应的资源。
在一个实施例中,计算机程序被处理器执行根据历史使用值,预测目标用户在预设时段内使用服务器中资源的预测值的步骤时,使得处理器具体执行以下步骤:获取预设时段;将预设时段输入预测模型;预测模型是基于历史使用值得到的时间序列模型;通过预测模型预测目标用户在预设时段内使用服务器中资源的预测值。
在一个实施例中,计算机程序被处理器执行时,使得处理器还执行以下的步骤:判断预设时段内目标用户使用服务器中资源的实际使用值是否满足目标用户的用户需求;若否,则重新为目标用户分配服务器中对应的资源。
在一个实施例中,计算机程序被处理器执行根据实际使用值和预测值计算用户满意度的步骤时,使得处理器具体执行以下步骤:根据实际使用值和预测值构建评估模型;通过评估模型进行可用性评估,得到可用性评估结果;根据可用性评估结果计算用户满意度。
在一个实施例中,计算机程序被处理器执行根据可用性评估结果计算用户满意度的步骤时,使得处理器具体执行以下步骤:将预测值和可用性评估结果输入用户满意度公式中,得到用户满意度;用户满意度公式如下:
其中,Q为用户满意度,YP为预测值,Y为可用性评估结果。
在一个实施例中,提供了一种计算机可读存储介质,存储有计算机程序,计算机程序被处理器执行时,使得处理器执行以下的步骤:获取高可用服务目录;从高可用服务目录中选取目标特征向量作为评估指标;根据评估指标为目标用户分配服务器中对应的资源;获取目标用户在历史时段内使用服务器中资源的历史使用值;根据历史使用值,预测目标用户在预设时段内使用服务器中资源的预测值;获取预设时段内目标用户使用服务器中资源的实际使用值;根据实际使用值和预测值计算用户满意度,根据用户满意度确定服务器的可用性。
在一个实施例中,计算机程序被处理器执行从高可用服务目录中选取目标特征向量作为评估指标的步骤时,使得处理器具体执行以下步骤:以决策树算法为基础,通过机器学习算法从高可用服务目录中选取目标特征向量作为评估指标。
在一个实施例中,计算机程序被处理器执行根据评估指标为目标用户分配服务器中对应的资源的步骤时,使得处理器具体执行以下步骤:采用α算法的一致性分析对用户数据进行分析,得到用户需求与实际过程的匹配度以及用户需求的适应度;根据评估指标、匹配度和适应度,为目标用户分配服务器中对应的资源。
在一个实施例中,计算机程序被处理器执行根据历史使用值,预测目标用户在预设时段内使用服务器中资源的预测值的步骤时,使得处理器具体执行以下步骤:获取预设时段;将预设时段输入预测模型;预测模型是基于历史使用值得到的时间序列模型;通过预测模型预测目标用户在预设时段内使用服务器中资源的预测值。
在一个实施例中,计算机程序被处理器执行时,使得处理器还执行以下的步骤:判断预设时段内目标用户使用服务器中资源的实际使用值是否满足目标用户的用户需求;若否,则重新为目标用户分配服务器中对应的资源。
在一个实施例中,计算机程序被处理器执行根据实际使用值和预测值计算用户满意度的步骤时,使得处理器具体执行以下步骤:根据实际使用值和预测值构建评估模型;通过评估模型进行可用性评估,得到可用性评估结果;根据可用性评估结果计算用户满意度。
在一个实施例中,计算机程序被处理器执行根据可用性评估结果计算用户满意度的步骤时,使得处理器具体执行以下步骤:将预测值和可用性评估结果输入用户满意度公式中,得到用户满意度;用户满意度公式如下:
其中,Q为用户满意度,YP为预测值,Y为可用性评估结果。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程,是可以通过计算机程序来指令相关的硬件来完成,所述的计算机程序可存储于一非易失性计算机可读取存储介质中,该计算机程序在执行时,可包括如上述各方法的实施例的流程。其中,本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用,均可包括非易失性和易失性存储器中的至少一种。非易失性存储器可包括只读存储器(Read-Only Memory,ROM)、磁带、软盘、闪存或光存储器等。易失性存储器可包括随机存取存储器(Random Access Memory,RAM)或外部高速缓冲存储器。作为说明而非局限,RAM可以是多种形式,比如静态随机存取存储器(Static Random Access Memory, SRAM)或动态随机存取存储器(Dynamic Random Access Memory,DRAM)等。
以上实施例的各技术特征可以进行任意的组合,为使描述简洁,未对上述实施例中的各个技术特征所有可能的组合都进行描述,然而,只要这些技术特征的组合不存在矛盾,都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本申请的几种实施方式,其描述较为具体和详细,但并不能因此而理解为对发明专利范围的限制。应当指出的是,对于本领域的普通技术人员来说,在不脱离本申请构思的前提下,还可以做出若干变形和改进,这些都属于本申请的保护范围。因此,本申请专利的保护范围应以所附权利要求为准。
Claims (10)
1.一种服务器高可用性评估方法,其特征在于,包括:
获取高可用服务目录;所述高可用服务目录中包含有高可用服务器针对不同用户所提供的服务类型和服务内容;
从所述高可用服务目录中选取目标特征向量作为评估指标;所述评估指标包括内存容量指标、响应时间指标和存储指标;
根据所述评估指标为目标用户分配服务器中对应的资源;
获取所述目标用户在历史时段内使用所述服务器中资源的历史使用值;
根据所述历史使用值,预测所述目标用户在预设时段内使用所述服务器中资源的预测值;
获取所述预设时段内所述目标用户使用所述服务器中资源的实际使用值;
根据各所述评估指标对应的所述实际使用值和所述预测值,确定所述评估指标对应的预测误差值,确定所述评估指标对应的预测误差平方和表达式;基于所述预测误差平方和表达式,以所述预测误差平方和最小为优化目标,确定各所述评估指标分别对应的权重;基于各所述评估指标分别对应的权重构建评估模型,通过所述评估模型进行可用性评估,得到可用性评估结果,根据所述可用性评估结果计算用户满意度;所述可用性评估模型为:f=f1ω1+f2ω2+f3ω3,ω1+ω2+ω3=1,其中f1表示内存容量指标、f2表示响应时间指标、f3表示存储指标,f表示可用性评估结果;ω1、ω2和ω3分别为f1、f2和f3的最优加权系数;
根据所述用户满意度确定所述服务器的可用性。
2.根据权利要求1所述的方法,其特征在于,所述从所述高可用服务目录中选取目标特征向量作为评估指标,包括:
以决策树算法为基础,通过机器学习算法从所述高可用服务目录中选取目标特征向量作为评估指标。
3.根据权利要求1所述的方法,其特征在于,所述根据所述评估指标为目标用户分配服务器中对应的资源,包括:
采用α算法的一致性分析对用户数据进行分析,得到用户需求与实际过程的匹配度以及用户需求的适应度;
根据所述评估指标、所述匹配度和所述适应度,为目标用户分配服务器中对应的资源。
4.根据权利要求1所述的方法,其特征在于,所述根据所述历史使用值,预测所述目标用户在预设时段内使用所述服务器中资源的预测值,包括:
获取预设时段;
将所述预设时段输入预测模型;所述预测模型是基于所述历史使用值得到的时间序列模型;
通过所述预测模型预测所述目标用户在所述预设时段内使用所述服务器中资源的预测值。
5.根据权利要求1所述的方法,其特征在于,所述方法还包括:
判断预设时段内所述目标用户使用所述服务器中资源的实际使用值是否满足所述目标用户的用户需求;
若否,则重新为所述目标用户分配服务器中对应的资源。
6.根据权利要求1所述的方法,其特征在于,所述方法还包括:
接收高可用服务器发送的服务等级协议,然后根据该服务等级协议创建高可用服务目录。
7.根据权利要求1所述的方法,其特征在于,所述根据所述可用性评估结果计算用户满意度,包括:
将所述预测值和所述可用性评估结果输入用户满意度公式中,得到用户满意度;所述用户满意度公式如下:
其中,Q为用户满意度,YP为所述预测值,Y为所述可用性评估结果。
8.一种服务器高可用性评估装置,其特征在于,所述装置包括:
高可用服务目录获取模块,用于获取高可用服务目录;
评估指标确定模块,用于从所述高可用服务目录中选取目标特征向量作为评估指标;所述评估指标包括内存容量指标、响应时间指标和存储指标;
服务器资源分配模块,用于根据所述评估指标为目标用户分配服务器中对应的资源;
资源使用值获取模块,用于获取所述目标用户在历史时段内使用所述服务器中资源的历史使用值;
预测模块,用于根据所述历史使用值,预测所述目标用户在预设时段内使用所述服务器中资源的预测值;
所述资源使用值获取模块,还用于获取所述预设时段内所述目标用户使用所述服务器中资源的实际使用值;
用户满意度计算模块,用于根据各所述评估指标对应的所述实际使用值和所述预测值,确定所述评估指标对应的预测误差值,确定所述评估指标对应的预测误差平方和表达式;基于所述预测误差平方和表达式,以所述预测误差平方和最小为优化目标,确定各所述评估指标分别对应的权重;基于各所述评估指标分别对应的权重构建评估模型,通过所述评估模型进行可用性评估,得到可用性评估结果,根据所述可用性评估结果计算用户满意度;所述可用性评估模型为:f=f1ω1+f2ω2+f3ω3,ω1+ω2+ω3=1,其中f1表示内存容量指标、f2表示响应时间指标、f3表示存储指标,f表示可用性评估结果;ω1、ω2和ω3分别为f1、f2和f3的最优加权系数;
可用性确定模块,用于根据所述用户满意度确定所述服务器的可用性。
9.一种计算机可读存储介质,存储有计算机程序,所述计算机程序被处理器执行时,使得所述处理器执行如权利要求1至7中任一项所述方法的步骤。
10.一种计算机设备,包括存储器和处理器,所述存储器存储有计算机程序,所述计算机程序被所述处理器执行时,使得所述处理器执行如权利要求1至7中任一项所述方法的步骤。
Applications Claiming Priority (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN2019109841043 | 2019-10-16 | ||
CN201910984104 | 2019-10-16 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111598390A CN111598390A (zh) | 2020-08-28 |
CN111598390B true CN111598390B (zh) | 2023-12-01 |
Family
ID=72188775
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010276892.3A Active CN111598390B (zh) | 2019-10-16 | 2020-04-10 | 服务器高可用性评估方法、装置、设备和可读存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111598390B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115994070B (zh) * | 2023-03-21 | 2023-08-04 | 深圳市明源云科技有限公司 | ***可用率检测方法、装置、电子设备及可读存储介质 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6912568B1 (en) * | 1999-07-27 | 2005-06-28 | Hitachi, Ltd. | Service management system |
US7571149B1 (en) * | 2006-05-15 | 2009-08-04 | Rockwell Collins, Inc. | Inferential evaluation and control for matching requirements to system capabilities |
WO2018119568A1 (en) * | 2016-12-26 | 2018-07-05 | Morgan Stanley Services Group Inc. | Predictive asset optimization for computer resources |
CN108762885A (zh) * | 2018-04-27 | 2018-11-06 | 北京奇艺世纪科技有限公司 | 一种虚拟机创建方法、装置、管理设备及终端设备 |
CN109284871A (zh) * | 2018-09-30 | 2019-01-29 | 北京金山云网络技术有限公司 | 资源调整方法、装置和云平台 |
CN109614231A (zh) * | 2018-12-04 | 2019-04-12 | 广东亿迅科技有限公司 | 空闲服务器资源发现方法、装置、计算机设备和存储介质 |
CN110059858A (zh) * | 2019-03-15 | 2019-07-26 | 深圳壹账通智能科技有限公司 | 服务器资源预测方法、装置、计算机设备及存储介质 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20140229026A1 (en) * | 2013-02-13 | 2014-08-14 | Al Cabrini | Prediction of future energy and demand usage using historical energy and demand usage |
US10439870B2 (en) * | 2015-11-24 | 2019-10-08 | International Business Machines Corporation | Assessment and dynamic provisioning of computing resources for multi-tiered application |
-
2020
- 2020-04-10 CN CN202010276892.3A patent/CN111598390B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6912568B1 (en) * | 1999-07-27 | 2005-06-28 | Hitachi, Ltd. | Service management system |
US7571149B1 (en) * | 2006-05-15 | 2009-08-04 | Rockwell Collins, Inc. | Inferential evaluation and control for matching requirements to system capabilities |
WO2018119568A1 (en) * | 2016-12-26 | 2018-07-05 | Morgan Stanley Services Group Inc. | Predictive asset optimization for computer resources |
CN108762885A (zh) * | 2018-04-27 | 2018-11-06 | 北京奇艺世纪科技有限公司 | 一种虚拟机创建方法、装置、管理设备及终端设备 |
CN109284871A (zh) * | 2018-09-30 | 2019-01-29 | 北京金山云网络技术有限公司 | 资源调整方法、装置和云平台 |
CN109614231A (zh) * | 2018-12-04 | 2019-04-12 | 广东亿迅科技有限公司 | 空闲服务器资源发现方法、装置、计算机设备和存储介质 |
CN110059858A (zh) * | 2019-03-15 | 2019-07-26 | 深圳壹账通智能科技有限公司 | 服务器资源预测方法、装置、计算机设备及存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN111598390A (zh) | 2020-08-28 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
WO2022037337A1 (zh) | 机器学习模型的分布式训练方法、装置以及计算机设备 | |
CN108009016B (zh) | 一种资源负载均衡控制方法及集群调度器 | |
CN108833458B (zh) | 一种应用推荐方法、装置、介质及设备 | |
US10783002B1 (en) | Cost determination of a service call | |
CN111162934B (zh) | 业务服务的测试方法和装置、存储介质、电子装置 | |
CN106487939B (zh) | 一种确定用户ip子网的方法和装置、一种电子设备 | |
CN105607952B (zh) | 一种虚拟化资源的调度方法及装置 | |
CN110046093A (zh) | 接口测试方法、装置、计算机设备和存储介质 | |
Unuvar et al. | Selecting optimum cloud availability zones by learning user satisfaction levels | |
Gupta et al. | Long range dependence in cloud servers: a statistical analysis based on *** workload trace | |
Rahmani et al. | Kullback-Leibler distance criterion consolidation in cloud | |
CN111858458A (zh) | 一种互联通道的调整方法、装置、***、设备和介质 | |
CN113158435B (zh) | 基于集成学习的复杂***仿真运行时间预测方法与设备 | |
CN114297041A (zh) | 网络异构计算平台测试方法、装置和计算机设备 | |
CN111598390B (zh) | 服务器高可用性评估方法、装置、设备和可读存储介质 | |
US10313457B2 (en) | Collaborative filtering in directed graph | |
CN110796591A (zh) | 一种gpu卡的使用方法及相关设备 | |
US20140214826A1 (en) | Ranking method and system | |
CN116962419A (zh) | 服务器分配策略的生成方法及装置、电子设备及存储介质 | |
US11374869B2 (en) | Managing bandwidth based on user behavior | |
CN116737373A (zh) | 负载均衡方法、装置、计算机设备、存储介质 | |
Ray et al. | A framework for analyzing resource allocation policies for multi-access edge computing | |
CN112579246B (zh) | 虚拟机迁移处理方法及装置 | |
CN110134575B (zh) | 一种服务器集群的服务能力计算方法及装置 | |
CN113296951A (zh) | 一种资源配置方案确定方法及设备 |
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 |