CN112527470A - 用于预测性能指标的模型训练方法、装置及可读存储介质 - Google Patents
用于预测性能指标的模型训练方法、装置及可读存储介质 Download PDFInfo
- Publication number
- CN112527470A CN112527470A CN202110036748.7A CN202110036748A CN112527470A CN 112527470 A CN112527470 A CN 112527470A CN 202110036748 A CN202110036748 A CN 202110036748A CN 112527470 A CN112527470 A CN 112527470A
- Authority
- CN
- China
- Prior art keywords
- model
- gate layer
- virtual device
- training
- output
- 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
Links
Images
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
- G06F9/44—Arrangements for executing specific programs
- G06F9/455—Emulation; Interpretation; Software simulation, e.g. virtualisation or emulation of application or operating system execution engines
- G06F9/45533—Hypervisors; Virtual machine monitors
- G06F9/45558—Hypervisor-specific management and integration aspects
-
- 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
- G06N3/08—Learning methods
-
- 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
- G06F9/44—Arrangements for executing specific programs
- G06F9/455—Emulation; Interpretation; Software simulation, e.g. virtualisation or emulation of application or operating system execution engines
- G06F9/45533—Hypervisors; Virtual machine monitors
- G06F9/45558—Hypervisor-specific management and integration aspects
- G06F2009/4557—Distribution of virtual machine instances; Migration and load balancing
-
- 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)
- Software Systems (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Biophysics (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Health & Medical Sciences (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
- Debugging And Monitoring (AREA)
Abstract
本发明公开用于预测性能指标的模型训练方法、装置及可读存储介质质。该训练方法的步骤包括:采集待迁移虚拟设备历史N个周期内的性能指标;根据该性能指标,获得训练用输入输出数据集;将该训练用输入输出数据集输入预设第一模型中进行训练;当训练达到第一预设条件时,结束训练并获得模型最佳性能参数;该预设第一模型是一种基于时间循环神经网络的模型,模型中包括忘记门层、输入门层和输出门层,通过忘记门层决定需要丢弃的信息,通过输入门层确定需要更新的信息;通过输出门层输出更新最终状态。本发明可以缩短现有的虚拟设备迁移过程中的中断时间。
Description
技术领域
本申请为2020年5月27日递交的,申请号为“202010460191.5”,发明创造名称为“一种虚拟设备最优空闲时间迁移法、装置及可读存储介质”的中国申请的分案申请。
本发明涉及虚拟化技术领域,特别是涉及用于预测性能指标的模型训练方法、装置及可读存储介质。
背景技术
***的迁移是指把源主机上的操作***和应用程序移动到目的主机,并且能够在目的主机上正常运行。在没有虚拟设备的时代,物理机之间的迁移依靠的是***备份和恢复技术。在源主机上实时备份操作***和应用程序的状态,然后把存储介质连接到目标主机上,最后在目标主机上恢复***。随着虚拟设备技术的发展,***的迁移更加灵活和多样化。虚拟设备的迁移方法为服务器的虚拟化提供简便的方法,虚拟设备迁移的方式包括静态迁移(离线迁移)和动态迁移(在线迁移),所谓静态迁移就是在虚拟设备关机或暂停的情况下从一台物理机迁移到另一台物理机,这种方式的迁移过程需要停止虚拟设备的运行,从用户角度看,有明确的一段停机时间,虚拟设备上的服务不可用。所谓动态迁移就是在保证虚拟设备上的服务正常运行的同时,将一个虚拟设备***从一个物理主机移动到另一个物理主机,该过程不会对最终用户造成明显的影响,从而使得管理员能够在不影响用户正常使用的情况下,对物理服务器进行离线维修或者升级。虽然动态迁移与与静态迁移相比,可以保证迁移过程中虚拟设备服务的可用,但迁移过程仍然难以避免要有一定的停机时间。
发明内容
本发明的目的在于提供用于预测性能指标的模型训练方法、装置及可读存储介质,进一步缩短现有的虚拟设备迁移过程中的中断时间。
为解决上述技术问题,本发明是通过以下技术方案实现的:
本发明提供一种用于预测性能指标的模型训练方法,其至少包括以下步骤:
S1.采集待迁移虚拟设备历史N个周期内的性能指标;
S2.根据所述性能指标,获得训练用输入输出数据集;
S3.将所述训练用输入输出数据集输入预设第一模型中进行训练;
S4.当训练达到第一预设条件时,结束训练并获得模型最佳性能参数;
所述预设第一模型是一种基于时间循环神经网络的模型,模型中包括忘记门层、输入门层和输出门层,通过忘记门层决定需要丢弃的信息,通过输入门层确定需要更新的信息;通过输出门层输出更新最终状态;所述预设第一模型中的各门层输出0和1之间的数字,这个数字描述每个门层有多少数据信息可以通过,0表示不通过任何数据信息,1表示数据信息全部通过,通过各门层对待通过的数据信息进行筛选。
本发明的一个实施例中,还包括对历史N个周期内的性能指标进行预处理,所述预处理包括对数据进行平稳性测试,如果不平稳,进行平稳性处理;数据平稳后,对数据进行白噪声检验,获得训练用输入输出数据集;所述平稳性测试利用单位根检验的方法或者绘制性能指标的时序图检验平稳性;所述白噪音检验利用LB统计量的方法对差分后的数据检验白噪音。
本发明的一个实施例中,所述忘记门层的输出数据通过以下公式获取:
其中,ft为经过忘记门层后的输出值,σ为σ函数,Wf为忘记门层的权重矩阵,t为当前时间,ht-1为t-1时间节点对应的性能指标,xt为当前观测性能指标,bf为偏置项;所述忘记门层用于决定上一时刻的信息有多少能够保留到当前时刻。
本发明的一个实施例中,所述预设第一模型通过输入门层创建更新值,通过输入门层决定需要更新的值,再创建一个候选向量,将这两个向量结合来创建更新值;根据公式创建更新值:
其中,it为经过输入门层后的输出值,Wi为输入门层的权重矩阵,bi为偏置项,Ĉt为候选向量,tanh为tanh函数,Wc为向量参数,bc为可调节参数,Ct为模型t时刻对应的更新状态值,Ct-1为模型t-1时刻对应的历史状态值;
所述预设第一模型通过输出门层决定需要输出的值,通过tanh函数将模型t时刻对应的更新状态值规范化到-1和1之间,并将其乘以输出门层的输出值,得到所述预设第一模型的输出值,根据公式得到输出值:
其中,Ot为经过输出门层后的输出值,WO为输出门层的权重矩阵,bO为偏置项,ht为模型的输出值。
本发明提供一种虚拟设备最优空闲时间迁移法,其至少包括以下步骤:
使用用于预测性能指标的模型获得待迁移虚拟设备未来M个周期内的预测性能指标;
根据所述预测性能指标,获得所述待迁移虚拟设备最优空闲迁移时间;
根据所述最优空闲迁移时间,设置定时调度任务;
根据所述定时调度任务,完成所述待迁移虚拟设备的自动迁移;
所述用于预测性能指标的模型根据上述一种用于预测性能指标的模型训练方法训练得到。
本发明的一个实施例中,所述自动迁移的方法至少包括以下步骤:
R1. 提供源主机与目标主机;
R2.在所述源主机内配置一第一虚拟设备,在所述目标主机内配置一第二虚拟设备,并检查虚拟设备迁移环境;
R3.在所述源主机的第一虚拟设备外配置一内存访问跟踪记录器,所述内存访问跟踪记录器用于监视所述第一虚拟设备内的内存块使用情况;
R4.根据所述内存块使用情况,采用内存分类分块算法,将内存分为空闲内存块和活跃内存块,将所有所述空闲内存块由所述第一虚拟设备拷贝至所述第二虚拟设备中;
R5.将剩余所述活跃内存块拷贝由所述第一虚拟设备拷贝至第二虚拟设备中,完成所述第一虚拟设备的自动迁移。
本发明的一个实施例中,所述方法还包括:
在目标主机与源主机上各配置一虚拟设备;
准备迁移环境,所述迁移环境包括:目标主机与源主机是否处于具有网络共享的存储***,目标主机与源主机的中央处理器类型是否相同,目标主机的操作***版本是否符合源虚拟设备迁移环境,第二虚拟设备的名称与第一虚拟设备的名称是否相同,目标主机的内存大小与源主机的内存大小是否相同,网络传输速度是否适合虚拟设备热迁移。
本发明的一个实施例中,所述方法还包括:
源主机向服务器发送一个指定文件包,及向该服务器发送一个该指定文件包的整数倍大小的文件包,并分别记录两次发送动作所需时间为第一发送时间和第二发送时间;根据所述第一发送时间与所述第二发送时间获取网速,根据所述网速确定所述内存块的大小。
本发明提供一种用于预测性能指标的模型训练装置,包括:
数据采集模块,用于采集待迁移虚拟设备历史N个周期内的性能指标;
输入输出数据集获取模块,用于根据所述性能指标,获得训练用输入输出数据集;
训练模块,用于将所述训练用输入输出数据集输入预设第一模型中进行训练;.当训练达到第一预设条件时,结束训练并获得模型最佳性能参数;
所述预设第一模型是一种基于时间循环神经网络的模型,模型中包括忘记门层、输入门层和输出门层,通过忘记门层决定需要丢弃的信息,通过输入门层确定需要更新的信息;通过输出门层输出更新最终状态;所述预设第一模型中的各门层输出0和1之间的数字,这个数字描述每个门层有多少数据信息可以通过,0表示不通过任何数据信息,1表示数据信息全部通过,通过各门层对待通过的数据信息进行筛选。
本发明提供一种计算机可读存储介质,所述计算机可读存储介质上存储有计算机程序,所述计算机程序被处理器执行时实现如上述任一项所述的一种用于预测性能指标的模型训练方法或上述任一项所述的一种虚拟设备最优空闲时间迁移法。
本发明首先根据源主机的历史使用情况,自动预测源主机的最空闲的时段,用户使用最少的时段作为最优空闲迁移时间,并可以推断在此最优空闲迁移时间段进行虚拟设备的迁移可以最大限度的保证用户的使用,避免迁移过程对用户的使用造成影响,当预测了源主机的最优空闲时间之后,***可以设定当***时间到达所预测的最优空闲迁移时间时,源主机自动开始进行迁移。在自动迁移过程中,通过内存访问跟踪记录器监视内存块的使用情况,并根据所述内存块使用情况,将所述内存块分割为同样大小的两部分,且分别标记为空闲内存块和活跃内存块,然后将所述空闲内存块由源主机的第一虚拟设备拷贝至目标主机的第二虚拟设备中,同时将所述活跃内存块再次分割为同样大小的空闲内存块和活跃内存块,不断重复空闲内存块拷贝和活跃内存块分割的步骤,直至剩余所述活跃内存块的大小小于等于最小内存块阈值,再根据最近访问的频次对所述活跃内存块集合内的活跃内存块进行排序,依据所述排序结果将所述活跃内存块由所述第一虚拟设备拷贝至所述第二虚拟设备,直至所有活跃内存块的最后访问时间在最小阈值时间内,停止拷贝,再进行中断迁移,至此完成源主机第一虚拟设备的迁移过程,且同时保证了最短的源主机中断时间,使用户在基本不影响使用的情况下完成源主机虚拟设备的迁移。
当然,实施本发明的任一产品并不一定需要同时达到以上所述的所有优点。
附图说明
为了更清楚地说明本发明实施例的技术方案,下面将对实施例描述所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1为本发明虚拟设备数据迁移的应用示意图;
图2为本发明虚拟设备数据迁移的另一应用示意图;
图3为本发明虚拟设备最优空闲时间迁移法的方法流程图;
图4为图1中性能指标曲线图及预测性能指标曲线图;
图5为图1中自动迁移的方法流程图;
图6为本发明虚拟设备数据迁移的示意图;
图7至图11为图5中自动迁移的方法示意图;
图12为本发明一种虚拟设备迁移装置的结构图;
图13为图12中数据处理模块的结构图;
图14为本发明一种虚拟设备迁移装置的结构图;
图15为图14中数据处理模块的结构图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其它实施例,都属于本发明保护的范围。
请参阅图1至图2,虚拟设备迁移所应用的场景首先是物理机器硬件***的维护,故障修复和升级时,这时候需要运行在这台物理机器上的虚拟设备不能关机,因为用户的应用在上面。另外物理机器软件***升级,打补丁,为了不影响上面跑的虚拟设备,在升级和打补丁之前,需要把虚拟设备迁移到别的物理机器上。再者,一个物理机器上的负载太重,需要减少一些虚拟设备来释放资源。跨域环境下,有的域里有的物理机上的虚拟设备太多,有的域里物理机上虚拟设备太少,需要做一下资源平衡。虚拟设备的迁移过程势必需要有一段中断的时间,在此中断时间内,用户的使用势必也会受到影响。
请参阅图3至图4,本发明提供一种虚拟设备最优空闲时间迁移法,所述迁移方法为:首先根据源主机的历史使用情况,自动预测源主机1的最空闲的时段,用户使用最少的时段作为最优空闲迁移时间,并可以推断在此最优空闲迁移时间段进行虚拟设备的迁移可以最大限度的保证用户的使用,避免迁移过程对用户的使用造成影响,当预测了源主机1的最优空闲时间之后,***可以设定当***时间到达所预测的最优空闲迁移时间时,源主机1上的虚拟设备自动开始进行迁移。
请参阅图5,当迁移开始时,首先将源主机1上的虚拟设备的内存进行分块,然后在源主机1中的虚拟设备外设置内存访问跟踪记录器,用来监视内存的使用情况,根据内存使用情况,将内存块分割为同样大小的两部分,且分别标记为空闲内存块和活跃内存块,然后将所述空闲内存块由源主机1的虚拟设备拷贝至目标主机2的虚拟设备中,同时将所述活跃内存块再次分割为同样大小的空闲内存块和活跃内存块,不断重复空闲内存块拷贝和活跃内存块分割的步骤,直至剩余所述活跃内存块的大小小于等于最小内存块阈值,,例如达到***内存页的大小,至此所有空闲内存块拷贝完毕。再根据最近访问的频次对所述活跃内存块集合内的活跃内存块进行排序,依据所述排序结果,依次拷贝最不活跃的内存块,将所述活跃内存块由源主机1的虚拟设备拷贝至目标主机2的虚拟设备,直至所有活跃内存块的最后访问时间在最小阈值时间内,停止拷贝,暂停源主机1。由于在虚拟设备迁移的过程中用户可能仍在源主机1上进行一些操作,使得内存中的内容发生变动,此时从内存访问跟踪记录器获取已经拷贝后变动的内存地址,按最小的内存块阈值划分内存块,并合并到活跃内存块集合,同步剩余活跃内存块至目标主机2的虚拟设备,切换业务至目标主机2,停止源主机1,至此完成虚拟设备的迁移过程,且同时保证了最短的源主机1中断时间,使用户在基本不影响使用的情况下完成源主机1虚拟设备的迁移。
请参阅图3及图4,具体的,本发明的最优空闲时间迁移法至少包括以下步骤:
S1.采集待迁移虚拟设备历史N个周期内的性能指标;
S2.根据所述性能指标,获得训练用输入输出数据集;
S3.将所述训练用输入输出数据集输入预设第一模型中进行训练;
S4.当训练达到第一预设条件时,结束训练并获得模型最佳性能参数;
S5.使用具有所述最佳性能参数的模型获得所述待迁移虚拟设备未来M个周期内的预测性能指标;
S6.根据所述预测性能指标,获得所述待迁移虚拟设备最优空闲迁移时间;
S7.根据所述最优空闲迁移时间,设置定时调度任务;
S8.根据所述定时调度任务,完成所述待迁移虚拟设备的自动迁移。
请参阅图3,在步骤S1中,通过采集模块采集待迁移虚拟设备历史N个周期内的性能指标,其中所述性能指标包括:待迁移虚拟设备的中央处理器的占用率、待迁移虚拟设备的内存的占用率、输入/输出接口的利用率、网络流量、网络延迟时间、并发连接数、发包数等其中的一种或几种。
请参阅图3,在步骤S2中,对历史N个周期内的性能指标进行预处理,所述预处理过程包括数据预处理平稳性检验和白噪音检验,获得训练用输入输出数据集。具体的,在本发明的一实施例中,可以先对数据进行平稳性测试,如果不平稳,进行平稳性处理;数据平稳后,对数据进行白噪声测试。数据的平稳性测试可以利用单位根检验的方法或者绘制性能指标的时序图检验平稳性。白噪音检验可以利用LB统计量的方法对差分后的数据进行平稳性检查。具体执行方法为:选取性能指标数据X1、X2、X3……Xn-1、Xn;进行一节差分平稳,得到X2-X1、X3-X2……Xn-Xn-1;对平稳后的数据利用MATLAB中的1bqtest函数进行白噪音检测,当输出的h为1则为白噪声。
请参阅图3,在步骤S3中,将所述训练用输入输出数据集输入预设第一模型中进行训练。其中所述预设第一模型可以是一种基于时间循环神经网络的模型,模型中包括忘记门层、输入门层和输出门层,通过忘记门层决定需要丢弃的信息,通过输入门层确定需要更新的信息;通过输出门层输出更新最终状态。所述预设第一模型有删除和添加信息的能力,预设第一模型中的各门层输出0和1之间的数字,这个数字描述每个门层有多少数据信息可以通过,0表示不通过任何数据信息,1表示数据信息全部通过,因此可以通过各门层对待通过的数据信息进行筛选。预设第一模型对输入输出数据集的训练过程具体包括以下步骤,首先将上一时间节点的性能指标和当前观测到的性能指标输入忘记门层,在忘记门层中决定需要丢弃的数据信息并通过数字0和1进行输出,其中1代表完全保留,而0代表彻底删除。忘记门层的输出数据通过以下方法获取:
其中,ft为经过忘记门层后的输出值,σ为σ函数,Wf为忘记门层的权重矩阵,t为当前时间,ht-1为t-1时间节点对应的性能指标,xt为当前观测性能指标,bf为偏置项。
通过上式可以决定上一时刻的信息有多少能够保留到当前时刻。
之后再通过输入门层创建更新值,此过程分为两步,首先通过输入门层决定需要更新的值,再创建一个候选向量,将这两个向量结合来创建更新值。
其中,it为经过输入门层后的输出值,Wi为输入门层的权重矩阵,bi为偏置项,Ĉt为候选向量,tanh为tanh函数,Wc为向量参数,bc为可调节参数,Ct为模型t时刻对应的更新状态值,Ct-1为模型t-1时刻对应的历史状态值。
最后通过输出门层决定需要输出的值,通过tanh函数将模型t时刻对应的更新状态值规范化到-1和1之间,并将其乘以输出门层的输出值,通过上述过程,可以实现输出模型需要的值。
其中,Ot为经过输出门层后的输出值,WO为输出门层的权重矩阵,bO为偏置项,ht为模型的输出值。
请参阅图3,在步骤S4中,当上述训练过程达到第一预设条件时,结束训练并获得模型最佳性能参数,所述最佳性能参数即可以代表源主机1使用率最低的状态,例如包括待迁移虚拟设备的中央处理器的占用率最低、待迁移虚拟设备的内存的占用率最低、输入/输出接口的利用率最低等。其中所述第一预设条件为为获得良好的所述神经网络模型所需完整遍历所述输入输出数据集的最佳次数,若训练次数太少,训练过程有可能发生欠拟合,即对于输入数据的学习不够充分,若训练次数太多,则训练过程有可能发生过拟合,即训练过程对输入数据中的“噪声”而非信号拟合。只有达到预设的合适的训练次数的时候,获得的更新后的有效性能参数才认为是最佳性能参数。本发明的训练达到第一预设条件的方法不需要手动设置完整遍历所述预设第一模型的训练次数,此方法可以被视为一种能够避免训练过程发生过拟合的正则化方法,以防止过拟合以及学习率过大导致不收敛的问题。
请参阅图3及图4,在一些实施例中,在步骤S5和步骤S6中,使用具有所述最佳性能参数的模型获得所述待迁移虚拟设备未来M个周期内的预测性能指标,并根据所述预测性能指标,获得所述待迁移虚拟设备最优空闲迁移时间。根据所述预测性能指标可以认为源主机1的虚拟设备在一些时间点处于最空闲的状态,即根据历史数据分析推测用户在此时间点对源主机1的虚拟设备的使用率是最低的,在此时间点进行虚拟设备的迁移,可以最大限度的保证用户的使用,减小迁移过程对用户造成的影响。
请参阅图3,在步骤S7和步骤S8中,根据所述最优空闲迁移时间,设置定时调度任务,所述定时调度任务根据预测的最优空闲迁移时间,进行定时,当***时间达到最优空闲迁移时间时,开始源主机1虚拟设备的自动迁移。
请参阅图4,在本发明的一实施例中,可以根据需要迁移的虚拟设备的历史数据,在大数据分析平台通过预设第一模型算法预测未来时间内虚拟设备CPU、内存、IO等指标的数据,从而获得虚拟设备数据迁移时间预测图,如图4所示,在其中的最优空闲迁移时间点开始所述待迁移虚拟设备的自动迁移。
请参阅图5,本发明提供的一种虚拟设备最优空闲时间迁移法,其中,所述的自迁移的方法至少包括以下步骤:
R1、提供源主机1与目标主机2;
R2、在所述源主机1内配置一第一虚拟设备11,在所述目标主机2内配置一第二虚拟设备21,并预先检查虚拟设备的迁移环境;
R3、在所述源主机1的第一虚拟设备11外配置一内存访问跟踪记录器,所述内存访问跟踪记录器用于监视所述第一虚拟设备11内的内存块使用情况;
R4、根据所述内存块使用情况,采用内存分类分块算法,将内存分为空闲内存块13和活跃内存块14,将所有所述空闲内存块13由所述第一虚拟设备11拷贝至所述第二虚拟设备21中;
R5、将剩余所述活跃内存块14拷贝由所述第一虚拟设备11拷贝至第二虚拟设备21中,完成第一虚拟设备11的自动迁移。
请参阅图6,在步骤R2中,首先在所提供的源主机1上安装虚拟设备***,所述虚拟设备例如可以为vmware workstation pro,VMware Workstation Pro 是将多个操作***作为虚拟设备 (VM) 在单台 Linux 或 Windows PC 上运行的行业标准。在虚拟设备上可以安装OpenStack云平台,其中OpenStack是一个由美国国家航空航天局和Rackspace合作研发并发起的,以Apache许可证授权的自由软件和开放源代码项目。虚拟设备和宿主***网络上配置有能互通的环境,更具体的,首先保证虚拟设备的内存例如要大于4G,硬盘例如要大于30G,以满足openstack环境需要,虚拟设备网络选择桥接网络,这样能保证宿主机访问到虚拟设备(nat网络只是单向通),本实施例中例如主机采用的是wifi连接,则需要选择wifi网卡,接下来就安装***,安装完之后,需要配置网络。例如用ifconfig查看宿主机网卡的信息,发现宿主机网卡的ip为192.168.199.128,那么需保证虚拟设备的网段应该也要在192.168.199.xxx这个网段才能互通。本实施例中查看虚拟设备的ip,若虚拟设备ip网段和宿主机器一样,可以通过ping测试一下,若网络是互通的,也能ping通外网,则证明网络已经互通了。
请参阅图5,本实施例中,在步骤R2中执行拷贝步骤之前需要在目标主机2与源主机1上各配置一虚拟设备,虚拟设备的迁移实质上就是将源主机1上虚拟设备中的内存迁移至目标主机2上虚拟设备中的过程。迁移前的准备还包括迁移环境的准备,这是因为虚拟设备迁移的过程能否顺利完成及迁移时间的长短直接受到迁移环境的影响,所以在虚拟设备迁移之前首先要保证迁移环境适合虚拟设备的迁移,这里的迁移环境可以包括:目标主机2与源主机1是否处于具有网络共享的存储***,目标主机2与源主机1的中央处理器类型是否相同,目标主机2的操作***版本是否符合源虚拟设备迁移环境,第二虚拟设备21的名称与第一虚拟设备11的名称是否相同,目标主机2的内存大小与源主机1的内存大小是否相同,还可以包括网络传输速度是否适合虚拟设备热迁移等。
请参阅图5,具体的,例如在步骤R2中,可以通过网速测试决定传输所述内存块的大小。而本实施例中的网速测试,可以由用户通过指定方式触发,例如,输入测试链接,或者扫描指定二维码进入测试;也可以是在执行其它功能之前默认先进入网速测试,例如,在用户浏览空间等网页之前先进行网速测试。源主机1后台向服务器发送一个指定文件包,及向该服务器发送一个该指定文件包的整数倍大小的文件包,并分别记录两次发送动作所需时间为第一发送时间和第二发送时间。该指定文件包可以是该电子终端内存储的一张图片,测试文档等文件包。由于一次HTTP请求过程分为域名***(Domain Name System,DT)请求、传输控制协议(Transmission Control Protocol,CT)连接、往返时延 (Round-Trip Time,RT)、交通时间。其中,往返时延表示从发送端发送数据开始,到发送端收到接收端的确认(接收端收到数据后便立即发送确认),总共经历的时延。因此,本实施例中的向服务器发送指定文件包记录的该第一发送时间与该第二发送时间均包括该域名***请求、传输控制协议连接、往返时延、交通时间所花费的总时长。该一个该指定文件包的整数倍大小的文件包可以根据需求设置该指定文件包的任意整数倍数,例如可以是改指定文件包两倍大小的文件包。进一步地,该指定文件包的整数倍大小的文件包的大小不超过最大输出单元(MTU)所限制的大小。该最大内存块(Maximum Transmission Unit,MTU)是指一种通信协议的对应层上面所能通过的最大数据包大小(以字节为单位)。比如,在本实施例中,该最大内存块可以是发送上述文件包所依据的通信协议的对应层上面所能通过的最大数据包大小。根据该第一发送时间与该第二发送时间计算该源主机1的当前网速。由于只要向服务器发送的文件包的大小不大于最大内存块 (MTU),每次发送动作所花时间中的DT请求、CT连接、往返时延RT可以看作大致相同。因此,该第一发送时间与该第二发送时间的时差在于两次发送动作中所花费的该交通时间的差别,而该交通时间则由所发送的文件包的大小和带宽决定。
请参阅图5,在一个实例中,根据该第一发送时间与该第二发送时间获取源主机1当前网速的方法可包括:
第一发送时间为:T1=DT+CT+RT+PS/BW;
第一发送时间为:T2=DT+CT+RT+nPS/BW;
T2-T1=(n-1)PS/BW;
则BW=(n-1)PS/(T2-T1);
网速S=125*BW;
其中,DT表示DT请求时间、CT表示CT连接时间、RT即往返时延、PS为发送的该指定文件包的大小、以及BW表示带宽,其中n为该整数倍大小的文件包的该整数倍数。由此可知,根据该第一发送时间和该第二发送时间则可计算出带宽(BW),即可得到源主机1至目标主机2的网速。
请参阅图5,在步骤R3中,在源主机1上配置内存访问跟踪记录器,用于监视所述源主机1内第一虚拟设备的所述内存块的使用情况,所述内存访问跟踪记录器所监视的内存块使用情况可以包括:记录被访问过的所述内存块、记录对所述内存块的访问频次、记录对所述内存块的最后访问时间和拷贝状态。
请参阅图5、图7至11,在步骤R4中,根据所述内存块的使用情况,并依据内存分类分块算法将所述内存块分割为同样大小的两部分,并将分割后的内存块标记为空闲内存块13和活跃内存块14,本实施例中例如可以采用LRU算法监视内存块的使用情况,在其他实施例中也可以采用其他算法用于监视内存块的使用情况,例如 FIFO,LFU,NMRU等算法。本实施例中将内存块的使用情况进行标记,例如标记被访问过的内存块、标记所述内存块的访问频次及标记所述内存块的最后访问时间和拷贝状态等,通过哈希链表将内存块的物理地址与标记的内存块关联,当内存块的使用情况发生变动时,可以通过哈希链表快速的找到该内存块对应的物理地址。
请参阅图5、图7至图12,在步骤R4中,具体包括以下步骤:H1.根据所述内存访问跟踪记录器的监视结果,筛选最近最久没有使用的所述内存块,并标记在预设阈值时间内没有被访问的所述内存块为空闲内存块13,其余的所述内存块为活跃内存块14;H2.将所述空闲内存块13由第一虚拟设备拷贝至第二虚拟设备21中;H3.获取所述活跃内存块14的大小;H4.若所述活跃内存块14的大小大于最小内存块阈值,则将所述活跃内存块14分割为同等大小的两个内存块,根据所述内存访问跟踪记录器的监视结果,在预设阈值时间内如果所述内存块没有被访问过,则标记所述内存块为空闲内存块13,否则,则标记所述内存块为活跃内存块14;H5.重复步骤H2至步骤H4,直至剩余所述活跃内存块14的大小小于等于最小内存块阈值;H6.所有空闲内存块13拷贝完毕。
请参阅图5及图13,在步骤R5中,具体包括以下步骤:F1.若所述活跃内存块14的大小小于等于最小内存块阈值;F2.根据最近访问的频次对所述活跃内存块14集合内的活跃内存块14进行排序;F3.依据所述排序结果将所述活跃内存块14由所述第一虚拟设备拷贝至所述第二虚拟设备21,直至所有活跃内存块14的最后访问时间在最小阈值时间内,停止拷贝;F4.暂停所述源主机1;F5.在暂停所述源主机1后,由于用户可能仍在源主机1上进行一些操作,使得内存中的内容发生变动,此时从内存访问跟踪记录器获取已经拷贝后变动的内存地址,按最小的内存块阈值划分内存块,合并到活跃内存块14集合;F6.同步剩余活跃内存块14至所述第二虚拟设备21;F7.切换业务至目标主机2,停止源主机1,所述第一虚拟设备11的自动迁移完成。
请参阅图14,本发明还提供一种低中断虚拟设备迁移装置3,所述装置包括:数据采集模块4、数据处理模块5、时间调度模块6、数据传输模块7、内存监视模块8、内存切割模块9、内存传输模块10。
请参阅图14及图15,数据采集模块4,用于采集待迁移虚拟设备历史N个周期内的性能指标。数据处理模块5与数据采集模块4连接,用于将通过数据采集模块4得到的T个周期内的性能指标进行处理,获得最优空闲迁移时间。所述数据处理模块5包括依次连接的:输入输出数据集形成单元51、模型训练单元53、最佳性能参数保存单元55、预测性能指标单元56、最优空闲迁移时间提取单元57。
请参阅图14及图15,输入输出数据集形成单元51,用于处理数据采集模块4所得到的待迁移虚拟设备历史N个周期内的性能指标,在输入输出数据集形成单元51中对历史N个周期内的性能指标进行预处理,所述预处理过程包括数据预处理平稳性检验和白噪音检验,获得训练用输入输出数据集。在模型训练单元53内设有预设第一模型,可以通过所述预设第一模型对所述输入输出数据集进行训练。当所述训练过程达到第一预设条件时,终止所述预设第一模型的训练,同时保存训练后所获得的最佳性能参数到最佳性能参数保存单元55。预测性能指标单元56通过最佳性能参数保存单元55内的最佳性能参数得到待迁移虚拟设备未来M个周期内的预测性能指标;最优空闲迁移时间提取单元57根据所述待迁移虚拟设备未来M个周期内的预测性能指标获得待迁移虚拟设备最优空闲迁移时间。
请参阅图14,时间调度模块6与数据处理模块5连接,可以根据数据处理模块5内最优空闲迁移时间提取单元57获得的待迁移虚拟设备最优空闲迁移时间设置定时调度任务,当***时间达到最优空闲迁移时间时,开始源主机1虚拟设备的自动迁移。
请参阅图14,数据传输模块7包括内存监视模块8、内存切割模块9和内存传输模块10。内存切割模块9可以根据需要将源主机1的内存进行分块。内存监视模块8与内存切割模块9连接,内存监视模块8内设置有内存访问跟踪记录器,可以记录被访问过的内存地址所属块、访问频次、最后访问时间和拷贝状态。内存传输模块10与内存切割模块9连接,内存传输模块10按照预设规则对内存进行传输。
请参阅图14,具体的,内存切割模块9将内存块分割为同样大小的空闲内存13块和活跃内存块14,迁移时,内存传输模块10拷贝空闲内存块13至目标主机2的虚拟设备中,内存切割模块9再将剩余的活跃的内存块14根据内存监视模块8记录的访问频次将所述活跃内存块14再次分割为同样大小的空闲内存块13和活跃内存块14,不断重复内存传输模块10将空闲内存块13拷贝至目标主机2和内存切割模块9将活跃内存块14分割的步骤,直至剩余所述活跃内存块14的大小小于等于最小内存块阈值,例如达到***内存页的大小,至此内存传输模块10对所有空闲内存13块拷贝完毕。再根据最近访问时间对所述活跃内存块集合内的活跃内存块进行排序,依据所述排序结果,依次拷贝最不活跃的内存块,将所述活跃内存块14由源主机1的虚拟设备拷贝至目标主机2的虚拟设备,直至所有活跃内存块14的最后访问时间在最小阈值时间内,停止拷贝,暂停源主机1。由于在虚拟设备迁移的过程中用户可能仍在源主机1上进行一些操作,使得内存发生变动,此时内存监视模块8获取已经拷贝后变动的内存地址,内存切割模块9则按最小的内存块阈值划分内存块,合并到活跃内存块14集合,内存传输模块10同步剩余活跃内存块14至目标主机2的虚拟设备,切换业务至目标主机2,停止源主机1,至此完成虚拟设备的迁移过程,且同时保证了最短的源主机1中断时间,使用户在基本不影响使用的情况下完成源主机1虚拟设备的迁移。
本发明还提供一种虚拟设备迁移装置,其包括:存储器和处理器。其中存储器用于存储计算机程序,其中处理器,用于执行所述计算机程序时实现本发明所述的一种虚拟设备最优空闲时间迁移法。
本发明还提供一种计算机可读存储介质,所述计算机可读存储介质上存储有计算机程序,上述的计算机可读存储介质例如为非易失性存储器例如光盘、硬盘、或者闪存。所述计算机程序被处理器执行时实现本发明所述的一种虚拟设备最优空闲时间迁移法。
以上公开的本发明选实施例只是用于帮助阐述本发明。优选实施例并没有详尽叙述所有的细节,也不限制该发明仅为所述的具体实施方式。显然,根据本说明书的内容,可作很多的修改和变化。本说明书选取并具体描述这些实施例,是为了更好地解释本发明的原理和实际应用,从而使所属技术领域技术人员能很好地理解和利用本发明。本发明仅受权利要求书及其全部范围和等效物的限制。
Claims (10)
1.一种用于预测性能指标的模型训练方法,其特征在于,其至少包括以下步骤:
S1.采集待迁移虚拟设备历史N个周期内的性能指标;
S2.根据所述性能指标,获得训练用输入输出数据集;
S3.将所述训练用输入输出数据集输入预设第一模型中进行训练;
S4.当训练达到第一预设条件时,结束训练并获得模型最佳性能参数,将训练好的预设第一模型作为所述预测性能指标的模型;
所述预设第一模型是一种基于时间循环神经网络的模型,模型中包括忘记门层、输入门层和输出门层,通过忘记门层决定需要丢弃的信息,通过输入门层确定需要更新的信息;通过输出门层输出更新最终状态;所述预设第一模型中的各门层输出0和1之间的数字,这个数字描述每个门层有多少数据信息可以通过,0表示不通过任何数据信息,1表示数据信息全部通过,通过各门层对待通过的数据信息进行筛选。
2.根据权利要求1所述用于预测性能指标的模型训练方法,其特征在于,还包括对历史N个周期内的性能指标进行预处理,所述预处理包括对数据进行平稳性测试,如果不平稳,进行平稳性处理;数据平稳后,对数据进行白噪声检验,获得训练用输入输出数据集;所述平稳性测试利用单位根检验的方法或者绘制性能指标的时序图检验平稳性;所述白噪音检验利用LB统计量的方法对差分后的数据检验白噪音。
4.根据权利要求1所述用于预测性能指标的模型训练方法,其特征在于,
所述预设第一模型通过输入门层创建更新值,通过输入门层决定需要更新的值,再创建一个候选向量,将这两个向量结合来创建更新值;根据公式创建更新值:
其中,it为经过输入门层后的输出值,Wi为输入门层的权重矩阵,bi为偏置项,Ĉt为候选向量,tanh为tanh函数,Wc为向量参数,bc为可调节参数,Ct为模型t时刻对应的更新状态值,Ct-1为模型t-1时刻对应的历史状态值;
所述预设第一模型通过输出门层决定需要输出的值,通过tanh函数将模型t时刻对应的更新状态值规范化到-1和1之间,并将其乘以输出门层的输出值,得到所述预设第一模型的输出值,根据公式得到输出值:
其中,Ot为经过输出门层后的输出值,WO为输出门层的权重矩阵,bO为偏置项,ht为模型的输出值。
5.一种虚拟设备最优空闲时间迁移法,其特征在于,其至少包括以下步骤:
使用用于预测性能指标的模型获得待迁移虚拟设备未来M个周期内的预测性能指标;
根据所述预测性能指标,获得所述待迁移虚拟设备最优空闲迁移时间;
根据所述最优空闲迁移时间,设置定时调度任务;
根据所述定时调度任务,完成所述待迁移虚拟设备的自动迁移;
所述用于预测性能指标的模型根据权利要求1-4中任意一项所述一种用于预测性能指标的模型训练方法训练得到。
6.根据权利要求5所述一种虚拟设备最优空闲时间迁移法,其特征在于,所述自动迁移的方法至少包括以下步骤:
R1. 提供源主机与目标主机;
R2.在所述源主机内配置一第一虚拟设备,在所述目标主机内配置一第二虚拟设备,并检查虚拟设备迁移环境;
R3.在所述源主机的第一虚拟设备外配置一内存访问跟踪记录器,所述内存访问跟踪记录器用于监视所述第一虚拟设备内的内存块使用情况;
R4.根据所述内存块使用情况,采用内存分类分块算法,将内存分为空闲内存块和活跃内存块,将所有所述空闲内存块由所述第一虚拟设备拷贝至所述第二虚拟设备中;
R5.将剩余所述活跃内存块拷贝由所述第一虚拟设备拷贝至第二虚拟设备中,完成所述第一虚拟设备的自动迁移。
7.根据权利要求6所述一种虚拟设备最优空闲时间迁移法,其特征在于,所述方法还包括:
在目标主机与源主机上各配置一虚拟设备;
准备迁移环境,所述迁移环境包括:目标主机与源主机是否处于具有网络共享的存储***,目标主机与源主机的中央处理器类型是否相同,目标主机的操作***版本是否符合源虚拟设备迁移环境,第二虚拟设备的名称与第一虚拟设备的名称是否相同,目标主机的内存大小与源主机的内存大小是否相同,网络传输速度是否适合虚拟设备热迁移。
8.根据权利要求7所述一种虚拟设备最优空闲时间迁移法,其特征在于,所述方法还包括:
源主机向服务器发送一个指定文件包,及向该服务器发送一个该指定文件包的整数倍大小的文件包,并分别记录两次发送动作所需时间为第一发送时间和第二发送时间;根据所述第一发送时间与所述第二发送时间获取网速,根据所述网速确定所述内存块的大小。
9.一种用于预测性能指标的模型训练装置,其特征在于,包括:
数据采集模块,用于采集待迁移虚拟设备历史N个周期内的性能指标;
输入输出数据集获取模块,用于根据所述性能指标,获得训练用输入输出数据集;
训练模块,用于将所述训练用输入输出数据集输入预设第一模型中进行训练;.当训练达到第一预设条件时,结束训练并获得模型最佳性能参数,将训练好的预设第一模型作为所述预测性能指标的模型;
所述预设第一模型是一种基于时间循环神经网络的模型,模型中包括忘记门层、输入门层和输出门层,通过忘记门层决定需要丢弃的信息,通过输入门层确定需要更新的信息;通过输出门层输出更新最终状态;所述预设第一模型中的各门层输出0和1之间的数字,这个数字描述每个门层有多少数据信息可以通过,0表示不通过任何数据信息,1表示数据信息全部通过,通过各门层对待通过的数据信息进行筛选。
10.一种计算机可读存储介质,所述计算机可读存储介质上存储有计算机程序,所述计算机程序被处理器执行时实现如权利要求1至4中任一项所述的一种用于预测性能指标的模型训练方法或权利要求5-8中任意一项所述的一种虚拟设备最优空闲时间迁移法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110036748.7A CN112527470B (zh) | 2020-05-27 | 2020-05-27 | 用于预测性能指标的模型训练方法、装置及可读存储介质 |
Applications Claiming Priority (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110036748.7A CN112527470B (zh) | 2020-05-27 | 2020-05-27 | 用于预测性能指标的模型训练方法、装置及可读存储介质 |
CN202010460191.5A CN111611055B (zh) | 2020-05-27 | 2020-05-27 | 一种虚拟设备最优空闲时间迁移法、装置及可读存储介质 |
Related Parent Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010460191.5A Division CN111611055B (zh) | 2020-05-27 | 2020-05-27 | 一种虚拟设备最优空闲时间迁移法、装置及可读存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112527470A true CN112527470A (zh) | 2021-03-19 |
CN112527470B CN112527470B (zh) | 2023-05-26 |
Family
ID=72200670
Family Applications (2)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110036748.7A Active CN112527470B (zh) | 2020-05-27 | 2020-05-27 | 用于预测性能指标的模型训练方法、装置及可读存储介质 |
CN202010460191.5A Active CN111611055B (zh) | 2020-05-27 | 2020-05-27 | 一种虚拟设备最优空闲时间迁移法、装置及可读存储介质 |
Family Applications After (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010460191.5A Active CN111611055B (zh) | 2020-05-27 | 2020-05-27 | 一种虚拟设备最优空闲时间迁移法、装置及可读存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (2) | CN112527470B (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112667516B (zh) * | 2021-01-06 | 2023-07-28 | 南京万得资讯科技有限公司 | 一种安卓多机型自动化测试***和方法 |
CN117453149B (zh) * | 2023-12-22 | 2024-04-09 | 柏科数据技术(深圳)股份有限公司 | 分布式存储***的数据平衡方法、装置、终端及存储介质 |
CN117453148B (zh) * | 2023-12-22 | 2024-04-02 | 柏科数据技术(深圳)股份有限公司 | 基于神经网络的数据平衡方法、装置、终端及存储介质 |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20100169253A1 (en) * | 2008-12-27 | 2010-07-01 | Vmware, Inc. | Artificial neural network for balancing workload by migrating computing tasks across hosts |
CN103577249A (zh) * | 2013-11-13 | 2014-02-12 | 中国科学院计算技术研究所 | 虚拟机在线迁移方法与*** |
CN105843748A (zh) * | 2015-01-15 | 2016-08-10 | 华为技术有限公司 | 一种对内存中内存页的处理方法及装置 |
CN106502799A (zh) * | 2016-12-30 | 2017-03-15 | 南京大学 | 一种基于长短时记忆网络的主机负载预测方法 |
CN109034400A (zh) * | 2018-05-29 | 2018-12-18 | 国网天津市电力公司 | 一种变电站异常量测数据预测平台*** |
CN109542585A (zh) * | 2018-11-14 | 2019-03-29 | 山东大学 | 一种支持不规则时间间隔的虚拟机工作负载预测方法 |
CN110008079A (zh) * | 2018-12-25 | 2019-07-12 | 阿里巴巴集团控股有限公司 | 监控指标异常检测方法、模型训练方法、装置及设备 |
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 |
CN110928634A (zh) * | 2018-09-19 | 2020-03-27 | 阿里巴巴集团控股有限公司 | 数据处理方法、装置及设备 |
Family Cites Families (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105446790B (zh) * | 2014-07-15 | 2019-10-18 | 华为技术有限公司 | 一种虚拟机迁移方法及装置 |
CN104156255B (zh) * | 2014-07-31 | 2017-10-17 | 华为技术有限公司 | 一种虚拟机迁移方法、虚拟机迁移装置及源物理主机 |
US20180246751A1 (en) * | 2015-09-25 | 2018-08-30 | Intel Corporation | Techniques to select virtual machines for migration |
US9336042B1 (en) * | 2015-11-19 | 2016-05-10 | International Business Machines Corporation | Performing virtual machine live migration within a threshold time by adding available network path in multipath network |
US10509667B1 (en) * | 2017-01-19 | 2019-12-17 | Tintri By Ddn, Inc. | Modeling space consumption of a migrated VM |
CN106933650B (zh) * | 2017-03-03 | 2020-08-04 | 北方工业大学 | 云应用***的负载管理方法及*** |
CN108932149B (zh) * | 2017-05-22 | 2023-11-17 | 中兴通讯股份有限公司 | 数据传输方法及装置 |
CN110806918A (zh) * | 2019-09-24 | 2020-02-18 | 梁伟 | 基于深度学习神经网络的虚拟机运行方法和装置 |
CN110795213B (zh) * | 2019-12-12 | 2022-06-07 | 东北大学 | 一种虚拟机迁移过程中活跃内存预测迁移方法 |
-
2020
- 2020-05-27 CN CN202110036748.7A patent/CN112527470B/zh active Active
- 2020-05-27 CN CN202010460191.5A patent/CN111611055B/zh active Active
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20100169253A1 (en) * | 2008-12-27 | 2010-07-01 | Vmware, Inc. | Artificial neural network for balancing workload by migrating computing tasks across hosts |
CN103577249A (zh) * | 2013-11-13 | 2014-02-12 | 中国科学院计算技术研究所 | 虚拟机在线迁移方法与*** |
CN105843748A (zh) * | 2015-01-15 | 2016-08-10 | 华为技术有限公司 | 一种对内存中内存页的处理方法及装置 |
CN106502799A (zh) * | 2016-12-30 | 2017-03-15 | 南京大学 | 一种基于长短时记忆网络的主机负载预测方法 |
CN109034400A (zh) * | 2018-05-29 | 2018-12-18 | 国网天津市电力公司 | 一种变电站异常量测数据预测平台*** |
CN110928634A (zh) * | 2018-09-19 | 2020-03-27 | 阿里巴巴集团控股有限公司 | 数据处理方法、装置及设备 |
CN109542585A (zh) * | 2018-11-14 | 2019-03-29 | 山东大学 | 一种支持不规则时间间隔的虚拟机工作负载预测方法 |
CN110008079A (zh) * | 2018-12-25 | 2019-07-12 | 阿里巴巴集团控股有限公司 | 监控指标异常检测方法、模型训练方法、装置及设备 |
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 |
Non-Patent Citations (3)
Title |
---|
S. WILSONPRAKASH等: "Artificial Neural Network Based Load Balancing On Software Defined Networking", 《2019 IEEE INTERNATIONAL CONFERENCE ON INTELLIGENT TECHNIQUES IN CONTROL, OPTIMIZATION AND SIGNAL PROCESSING (INCOS)》 * |
张晓兵等: "基于虚拟机迁移的云计算资源动态调度策略", 《软件导刊》 * |
彭军等: "一种车载服务的快速深度Q学习网络边云迁移策略", 《电子与信息学报》 * |
Also Published As
Publication number | Publication date |
---|---|
CN112527470B (zh) | 2023-05-26 |
CN111611055A (zh) | 2020-09-01 |
CN111611055B (zh) | 2020-12-18 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111611055B (zh) | 一种虚拟设备最优空闲时间迁移法、装置及可读存储介质 | |
US20200167258A1 (en) | Resource allocation based on applicable service level agreement | |
US8863138B2 (en) | Application service performance in cloud computing | |
US9886300B2 (en) | Information processing system, managing device, and computer readable medium | |
Bellavista et al. | Differentiated service/data migration for edge services leveraging container characteristics | |
TWI544328B (zh) | 用於經由背景虛擬機器的探測***的方法及系統 | |
CN104335180B (zh) | 虚拟化i/o处理延迟的实时测量 | |
CN104009885B (zh) | 一种云环境下基于隐蔽通道的虚拟机同驻检测方法 | |
CN103455363B (zh) | 一种虚拟机的指令处理方法、装置及物理主机 | |
Singh et al. | A review on migration techniques and challenges in live virtual machine migration | |
US20160203030A1 (en) | Load calculation method, load calculation program, and load calculation apparatus | |
CN109324962B (zh) | 一种基于云物联技术的应用程序的测试方法及设备 | |
WO2021141875A1 (en) | Automated local scaling of compute instances | |
Wood | Improving data center resource management, deployment, and availability with virtualization | |
WO2018054271A1 (zh) | 一种数据传输方法及装置 | |
CN104239120A (zh) | 一种虚拟机的状态信息同步的方法、装置及*** | |
GB2564863A (en) | Containerized application platform | |
CN106844004B (zh) | 基于虚拟化环境下的安全防护方法及*** | |
EP4006725A1 (en) | Virtual machine migration processing and strategy generation method, apparatus and device, and storage medium | |
US20220263771A1 (en) | Methods, systems and computer readable media for diagnosing network function virtualization performance | |
CN112948106B (zh) | 任务分配方法及装置 | |
CN114647488A (zh) | 一种任务训练方法、装置、设备及存储介质 | |
KR102284264B1 (ko) | 클라우드 시스템 및 그 제어방법 | |
CN105900066A (zh) | 计算机以及基于管理程序的资源调度方法 | |
Mukherjee et al. | Subscriber-driven cloud interference mitigation for network services |
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 |