CN113656046A - 一种应用部署方法和装置 - Google Patents
一种应用部署方法和装置 Download PDFInfo
- Publication number
- CN113656046A CN113656046A CN202111011306.3A CN202111011306A CN113656046A CN 113656046 A CN113656046 A CN 113656046A CN 202111011306 A CN202111011306 A CN 202111011306A CN 113656046 A CN113656046 A CN 113656046A
- Authority
- CN
- China
- Prior art keywords
- application
- resource
- applications
- deployment
- data
- 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
- 238000000034 method Methods 0.000 title claims abstract description 51
- 238000013145 classification model Methods 0.000 claims abstract description 39
- 238000012549 training Methods 0.000 claims description 29
- 238000010801 machine learning Methods 0.000 claims description 13
- 238000000605 extraction Methods 0.000 claims description 12
- 238000004590 computer program Methods 0.000 claims description 10
- 238000012545 processing Methods 0.000 claims description 9
- 238000010586 diagram Methods 0.000 description 17
- 238000004891 communication Methods 0.000 description 7
- 230000008569 process Effects 0.000 description 7
- 230000006870 function Effects 0.000 description 6
- 230000003287 optical effect Effects 0.000 description 4
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 230000008901 benefit Effects 0.000 description 2
- 238000003066 decision tree Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 239000000835 fiber Substances 0.000 description 2
- 230000000644 propagated effect Effects 0.000 description 2
- 239000004065 semiconductor Substances 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000007477 logistic regression Methods 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 238000005096 rolling process Methods 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012706 support-vector machine Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F8/00—Arrangements for software engineering
- G06F8/60—Software deployment
Landscapes
- Engineering & Computer Science (AREA)
- Software Systems (AREA)
- General Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Debugging And Monitoring (AREA)
Abstract
本发明公开了一种应用部署方法和装置,涉及计算机技术领域。该方法的一具体实施方式包括:获取多个主机节点上部署的应用的资源使用特征数据,将资源使用特征数据输入至预训练的编排分类模型,输出应用的资源使用类别;其中,资源使用类别包括设定资源指标的指标级别;根据为主机节点设定的编排规则和指标级别,对多个应用进行编排,生成编排部署文件;根据编排部署文件,将待部署应用部署到对应的目标主机节点上,完成应用部署。该实施方式通过预训练的编排分类模型,对应用的资源使用情况进行分类,之后结合设定的编排规则和模型输出的资源使用类别,对应用进行编排,进而实现应用的自动、合理部署,提高了资源利用率和***整体性能。
Description
技术领域
本发明涉及计算机技术领域,尤其涉及一种应用部署方法和装置。
背景技术
目前,应用部署通常是通过应用编排,将应用部署到共用的物理主机节点或者云主机节点。现有应用编排方式是将应用随机均衡到已有的主机节点上。比如,Kubernetes会按照上述编排方式,将应用机械的部署到主机节点。其中,Kubernetes是用于管理云平台中多个主机上的容器化的应用。
在实现本发明过程中,现有技术中至少存在如下问题:
现有的应用部署方式,对***资源的利用率低,***性能差。
发明内容
有鉴于此,本发明实施例提供一种应用部署方法和装置,该方法通过预训练的编排分类模型,对应用的资源使用情况进行分类,之后结合设定的编排规则和模型输出的资源使用类别,对应用进行编排,进而实现应用的自动、合理部署,提高了资源利用率和***整体性能。
为实现上述目的,根据本发明实施例的一个方面,提供了一种应用部署方法。
本发明实施例的一种应用部署方法,包括:获取多个主机节点上部署的应用的资源使用特征数据,将所述资源使用特征数据输入至预训练的编排分类模型,输出所述应用的资源使用类别;其中,所述资源使用类别包括设定资源指标的指标级别;根据为所述主机节点设定的编排规则和所述指标级别,对多个所述应用进行编排,生成编排部署文件;其中,所述编排规则用于组合多个所述资源指标;根据所述编排部署文件,将待部署应用部署到对应的目标主机节点上,完成应用部署。
可选地,所述编排规则指示组合的多个所述资源指标的期望级别;所述对多个所述应用进行编排,生成编排部署文件,包括:将相同资源指标的指标级别与所述期望级别进行比较,以从多个所述应用中筛选出符合所述主机节点的编排规则的应用,构建相应的应用组;将所述主机节点作为所述应用组的应用要部署的目标主机节点,将所述应用组的应用信息和所述目标主机节点的地址写入编排部署文件。
可选地,所述方法还包括:采集多个应用在多个主机节点的资源使用数据,对所述资源使用数据进行特征提取,得到相应的资源使用特征数据作为训练数据;使用机器学习算法,对所述训练数据进行训练,得到所述编排分类模型。
可选地,所述采集多个应用在多个主机节点的资源使用数据,包括:统计多个应用在设定时间段内接收到的请求量,并采集多个应用在各自主机节点运行时的性能指标的指标值;其中,所述性能指标包括CPU使用率、内存使用率和磁盘使用率中的任意一个或者多个;根据所述请求量和所述性能指标的指标值,生成资源使用数据。
可选地,所述对所述资源使用数据进行特征提取,得到相应的资源使用特征数据,包括:根据预选取的特征参数,对所述资源使用数据进行数据处理,得到相应的资源使用特征数据;其中,所述特征参数包括不同时间段的请求量占比和所述性能指标。
可选地,所述资源指标包括设定时间段使用率、CPU使用率、内存使用率和磁盘使用率中的任意多个的组合。
可选地,所述方法还包括:获取所述目标主机节点上部署的应用的资源使用特征数据,以使用所述编排分类模型输出所述应用的新资源使用类别;再次执行对所述应用进行编排的步骤,生成新编排部署文件,根据所述新编排部署文件,重新部署所述应用。
为实现上述目的,根据本发明实施例的另一方面,提供了一种应用部署装置。
本发明实施例的一种应用部署装置,包括:应用分类模块,用于获取多个主机节点上部署的应用的资源使用特征数据,将所述资源使用特征数据输入至预训练的编排分类模型,输出所述应用的资源使用类别;其中,所述资源使用类别包括设定资源指标的指标级别;应用编排模块,用于根据为所述主机节点设定的编排规则和所述指标级别,对多个所述应用进行编排,生成编排部署文件;其中,所述编排规则用于组合多个所述资源指标;应用部署模块,用于根据所述编排部署文件,将待部署应用部署到对应的目标主机节点上,完成应用部署。
可选地,所述编排规则指示组合的多个所述资源指标的期望级别;所述应用编排模块,还用于将相同资源指标的指标级别与所述期望级别进行比较,以从多个所述应用中筛选出符合所述主机节点的编排规则的应用,构建相应的应用组;将所述主机节点作为所述应用组的应用要部署的目标主机节点,将所述应用组的应用信息和所述目标主机节点的地址写入编排部署文件。
可选地,所述装置还包括:模型训练模块,用于采集多个应用在多个主机节点的资源使用数据,对所述资源使用数据进行特征提取,得到相应的资源使用特征数据作为训练数据;使用机器学习算法,对所述训练数据进行训练,得到所述编排分类模型。
可选地,所述模型训练模块,还用于统计多个应用在设定时间段内接收到的请求量,并采集多个应用在各自主机节点运行时的性能指标的指标值;其中,所述性能指标包括CPU使用率、内存使用率和磁盘使用率中的任意一个或者多个;根据所述请求量和所述性能指标的指标值,生成资源使用数据。
可选地,所述模型训练模块,还用于根据预选取的特征参数,对所述资源使用数据进行数据处理,得到相应的资源使用特征数据;其中,所述特征参数包括不同时间段的请求量占比和所述性能指标。
可选地,所述资源指标包括设定时间段使用率、CPU使用率、内存使用率和磁盘使用率中的任意多个的组合。
可选地,所述装置还包括:重新部署模块,用于获取所述目标主机节点上部署的应用的资源使用特征数据,以使用所述编排分类模型输出所述应用的新资源使用类别;再次执行对所述应用进行编排的步骤,生成新编排部署文件,根据所述新编排部署文件,重新部署所述应用。
为实现上述目的,根据本发明实施例的再一方面,提供了一种电子设备。
本发明实施例的一种电子设备,包括:一个或多个处理器;存储装置,用于存储一个或多个程序,当所述一个或多个程序被所述一个或多个处理器执行,使得所述一个或多个处理器实现本发明实施例的一种应用部署方法。
为实现上述目的,根据本发明实施例的再一方面,提供了一种计算机可读介质。
本发明实施例的一种计算机可读介质,其上存储有计算机程序,所述程序被处理器执行时实现本发明实施例的一种应用部署方法。
上述发明中的一个实施例具有如下优点或有益效果:通过预训练的编排分类模型,对应用的资源使用情况进行分类,之后结合设定的编排规则和模型输出的资源使用类别,对应用进行编排,进而实现应用的自动、合理部署,提高了资源利用率和***整体性能。
通过在主机节点的编排规则中设置资源指标组合,以及资源指标组合中各资源指标的期望级别,使得可以将资源使用类别中的各资源指标的指标级别与相应期望级别进行对比,来筛选出符合编排规则的应用,以此准确的确定筛选出的应用的部署位置。使用机器学习算法训练编排分类模型,便于预测应用所属资源使用类别,同时保证预测结果的准确性。
上述的非惯用的可选方式所具有的进一步效果将在下文中结合具体实施方式加以说明。
附图说明
附图用于更好地理解本发明,不构成对本发明的不当限定。其中:
图1是根据本发明一实施例的应用部署方法的主要步骤的示意图;
图2是根据本发明又一实施例的应用部署方法的主要流程示意图;
图3是根据本发明再一实施例的应用部署方法的主要流程示意图;
图4是根据本发明实施例的应用部署装置的主要模块的示意图;
图5是本发明实施例可以应用于其中的示例性***架构图;
图6是适用于来实现本发明实施例的电子设备的计算机装置的结构示意图。
具体实施方式
以下结合附图对本发明的示范性实施例做出说明,其中包括本发明实施例的各种细节以助于理解,应当将它们认为仅仅是示范性的。因此,本领域普通技术人员应当认识到,可以对这里描述的实施例做出各种改变和修改,而不会背离本发明的范围和精神。同样,为了清楚和简明,以下的描述中省略了对公知功能和结构的描述。
图1是根据本发明一实施例的应用部署方法的主要步骤的示意图。如图1所示,本发明实施例的应用部署方法,主要包括如下步骤:
步骤S101:获取多个主机节点上部署的应用的资源使用特征数据,将所述资源使用特征数据输入至预训练的编排分类模型,输出所述应用的资源使用类别。本步骤首先采集多个主机节点上部署的应用的资源使用数据,对资源使用数据进行特征提取,得到相应的资源使用特征数据。此处的主机节点可以是物理主机节点,也可以是云主机节点。
之后将资源使用特征数据输入至预训练的编排分类模型,该编排分类模型用于预测各应用的资源使用类别。其中,该资源使用类别包括设定资源指标的指标级别。资源指标是用于衡量资源利用情况和***性能的指标,比如设定时间段使用率、CPU(CentralProcessing Unit,中央处理器)使用率、内存使用率、磁盘使用率等;指标级别比如高、低、中等。因此,编排分类模型即用于预测各应用在各个资源指标下的指标级别。
步骤S102:根据为所述主机节点设定的编排规则和所述指标级别,对多个所述应用进行编排,生成编排部署文件。其中,所述编排规则用于组合多个资源指标,比如组合CPU使用率和磁盘使用率(构成一个资源指标组合),再比如组合内存使用率和磁盘使用率(构成另一个资源指标组合)。实施例中,编排规则可以指示组合的多个资源指标的期望级别,因此编排规则中可以包括资源指标组合,以及资源指标组合中各资源指标的期望级别。
实施例中,可以为多个主机节点分别设置各自的编排规则。该步骤根据为主机节点设置的编排规则,以及编排分类模型预测出的各应用的资源使用类别,之后从多个应用中筛选出满足该主机节点的编排规则的应用,并将筛选出的应用添加到应用组,之后将该主机节点作为该应用组的应用的部署位置,以生成编排部署文件,该编排部署文件记录各应用组的应用对应的部署位置。
步骤S103:根据所述编排部署文件,将待部署应用部署到对应的目标主机节点上,完成应用部署。待部署应用可以是已经部署到主机节点的应用,也可以是未部署到主机节点的应用。对于已经部署到主机节点的应用,由于编排部署文件中记录有其部署位置,则可以直接将该应用部署到相应的部署位置(即目标主机节点);对于未部署到主机节点的应用,可以根据应用信息和编排部署文件,从多个主机节点中选择目标主机节点,并进行应用部署。
本实施例通过预训练的编排分类模型,对应用的资源使用情况进行分类,之后结合设定的编排规则和模型输出的资源使用类别,对应用进行编排,进而实现应用的自动、合理部署,提高了资源利用率和***整体性能。
图2是根据本发明又一实施例的应用部署方法的主要流程示意图。如图2所示,本发明实施例的应用部署方法,主要包括如下步骤:
步骤S201:获取训练数据,使用机器学习算法,对训练数据进行训练,得到编排分类模型。本步骤用于使用机器学习算法训练编排分类模型。具体地,采集多个应用在多个主机节点的资源使用数据,对资源使用数据进行特征提取,得到相应的资源使用特征数据作为训练数据;之后使用机器学习算法,对训练数据进行训练,即可得到编排分类模型。
可以理解的是,此处所采集的资源使用数据是已经部署在主机节点上的应用在运行过程中形成的数据。实施例中,可以通过如下方式采集资源使用数据:统计多个应用在设定时间段内接收到的请求量,并采集多个应用在各自主机节点运行时的性能指标的指标值;之后根据请求量和性能指标的指标值,生成资源使用数据。
其中,性能指标用于衡量***性能,包括CPU使用率、内存使用率和磁盘使用率中的任意一个或者多个。实施例中,资源使用数据中可以包括应用在某个或者某几个时间段的请求量(包括请求入数量和请求出数量),还可以包括应用在该时间段的CPU使用率、CPU负载、内存使用率、磁盘使用率,这些数据可以从项目部署试验的过程中得到,具体数据内容见表1。上述资源使用数据能够从多个维度衡量当前部署对***资源和***性能的影响。
表1
在一实施例中,对资源使用数据进行特征提取,即根据预选取的特征参数,对资源使用数据进行数据处理,得到相应的资源使用特征数据。其中,特征参数包括不同时间段的请求量占比和性能指标,该特征参数的选取能够去除资源使用数据中的冗余数据,降低数据维度,增加机器学习效率和效果。不同时间段的请求量占比即两个时间段的请求量的比值,比如白天请求量和夜晚请求量的比值。表2为资源使用特征数据的数据内容示例。
表2
提取到资源使用特征数据后,可使用机器学习算法进行训练,得到编排分类模型。实施例中,机器学习算法可以是决策树、逻辑回归算法、支持向量机等。以决策树为例,可以将特征参数与设定阈值进行比较,得到设定资源指标的指标级别。
其中,资源指标可以是设定时间段使用率(比如白天使用率、夜晚使用率)、CPU使用率、内存使用率和磁盘使用率中的任意多个的组合,该资源指标的设置可以从多个维度实现提高资源利用率、提升***整体性能的目标。
比如,将白天夜晚的请求量占比与阈值1比较,如果大于1,则说明白天使用率这一资源指标的指标级别为高;如果等于1,则说明白天使用率这一资源指标的指标级别为中;如果小于1,则说明白天使用率这一资源指标的指标级别为低。
再比如,资源指标(CPU使用率、内存使用率或者磁盘使用率)小于阈值30%,说明相应资源指标的指标级别为低;位于30%-60%之间,说明相应资源指标的指标级别为中;大于60%,说明相应资源指标的指标级别为高。表3为机器学习算法对表2数据进行处理后,得到的结果示例。
表3
应用 | 白天使用率 | 夜晚使用率 | CPU使用率 | 内存使用率 | 磁盘使用率 |
A | 低 | 高 | 高 | 高 | 高 |
B | 低 | 高 | 中 | 中 | 中 |
E | 高 | 低 | 高 | 高 | 低 |
F | 中 | 中 | 中 | 中 | 中 |
步骤S202:获取多个主机节点上部署的应用的资源使用特征数据,将资源使用特征数据输入至编排分类模型,输出应用的资源使用类别。实施例中,采集多个主机节点上部署的应用的资源使用数据,包括多个时间段的请求量、CPU使用率、内存使用率和磁盘使用率,之后按照步骤S201的特征提取流程对该资源使用数据进行特征提取,得到相应的资源使用特征数据。这里的主机节点对步骤S201用于获取训练数据的主机节点可以相同,也可以不同。
该实施例中,资源使用特征数据即应用的分类结果,比如应用1的白天使用率高、CPU使用率高、内存使用率高、磁盘使用率低;应用2的夜晚使用率高、CPU使用率低、内存使用率低、磁盘使用率高。
步骤S203:根据为主机节点设定的编排规则和资源使用类别的指标级别,对多个应用进行编排,生成编排部署文件。编排规则中可以包括资源指标组合,以及资源指标组合中各资源指标的期望级别。故本步骤可以将相同资源指标的指标级别与对应的期望级别进行比较,以从多个应用中筛选出符合主机节点的编排规则的应用,构建应用组,之后将主机节点作为应用组的应用要部署的目标主机节点,将应用组的应用信息和目标主机节点的地址写入编排部署文件。
实施例中,资源指标组合,可以是白天使用率和夜晚使用率组合、CPU使用率和磁盘使用率组合、内存使用率和磁盘使用率组合。以部署主机节点1为例,其编排规则为部分应用的白天使用率高,部分应用的夜晚使用率高。假设应用1用于定时同步任务,其夜晚使用率高;应用2为具体业务,白天使用率高,则可以将应用1和应用2部署到主机节点1,使得应用能够最大限度的使用主机节点1的CPU、内存、磁盘等资源。
步骤S204:根据编排部署文件,将待部署应用部署到对应的目标主机节点上,完成应用部署。在用户部署应用时,可以读取编排部署文件中的各应用要部署的目标主机节点的地址,对待部署应用进行合理规划部署。
图3是根据本发明再一实施例的应用部署方法的主要流程示意图。如图3所示,本发明实施例的应用部署方法,主要包括如下步骤:
步骤S301:获取训练数据,使用机器学习算法,对训练数据进行训练,得到编排分类模型。
步骤S302:获取多个主机节点上部署的应用的资源使用特征数据,将资源使用特征数据输入至编排分类模型,输出应用的资源使用类别。
步骤S303:根据为主机节点设定的编排规则和资源使用类别的指标级别,对多个应用进行编排,生成编排部署文件。
步骤S304:根据编排部署文件,将待部署应用部署到对应的目标主机节点上,完成应用部署。
步骤S305:判断当前次部署是否为首次部署,如果是首次部署,则执行步骤S302;如果不是首次部署,则结束本流程。可以理解的是,还可以进一步判断当前次部署是否为指定次部署,如果不是,可以再次循环步骤S302-步骤S305。此处的指定次大于等于2次。
步骤S301-步骤S304的具体实现对应参见步骤S201-步骤S204,此处不再赘述。步骤S305用于在首次部署结束后,通过步骤S302收集目标主机节点上部署的应用的资源使用特征数据,之后使用编排分类模型输出应用的新资源使用类别,并再次执行步骤S303生成新编排部署文件,以根据新编排部署文件,重新部署应用,完成应用部署的微调,进一步保证部署合理性。
上述实施例,在一次部署结束后,重新获取该次部署产生的资源使用数据,并使用编排分类模型进行分类,进而重新对应用进行编排部署,完成应用部署的微调,进一步保证部署合理性,进一步提高资源利用率和***整体性能。
在一优选的实施例中,可以在空闲时间执行上述步骤S305。且在部署升级时,可以采用滚动升级的方式,即先升级部分应用;再升级剩余应用,避免全部升级部署导致大量资源占用,影响正常业务。
图4是根据本发明实施例的应用部署装置的主要模块的示意图。
如图4所示,本发明实施例的应用部署装置400,主要包括:
应用分类模块401,用于获取多个主机节点上部署的应用的资源使用特征数据,将所述资源使用特征数据输入至预训练的编排分类模型,输出所述应用的资源使用类别。本模块首先采集多个主机节点上部署的应用的资源使用数据,对资源使用数据进行特征提取,得到相应的资源使用特征数据。此处的主机节点可以是物理主机节点,也可以是云主机节点。
之后将资源使用特征数据输入至预训练的编排分类模型,该编排分类模型用于预测各应用的资源使用类别。其中,该资源使用类别包括设定资源指标的指标级别。资源指标是用于衡量资源利用情况和***性能的指标,比如设定时间段使用率、CPU使用率、内存使用率、磁盘使用率等;指标级别比如高、低、中等。因此,编排分类模型即用于预测各应用在各个资源指标下的指标级别。
应用编排模块402,用于根据为所述主机节点设定的编排规则和所述指标级别,对多个所述应用进行编排,生成编排部署文件。其中,所述编排规则用于组合多个资源指标,比如组合CPU使用率和磁盘使用率(构成一个资源指标组合),再比如组合内存使用率和磁盘使用率(构成另一个资源指标组合)。实施例中,编排规则可以指示组合的多个资源指标的期望级别,因此编排规则中可以包括资源指标组合,以及资源指标组合中各资源指标的期望级别。
实施例中,可以为多个主机节点分别设置各自的编排规则。该模块根据为主机节点设置的编排规则,以及编排分类模型预测出的各应用的资源使用类别,之后从多个应用中筛选出满足该主机节点的编排规则的应用,并将筛选出的应用添加到应用组,之后将该主机节点作为该应用组的应用的部署位置,以生成编排部署文件,该编排部署文件记录各应用组的应用对应的部署位置。
应用部署模块403,用于根据所述编排部署文件,将待部署应用部署到对应的目标主机节点上,完成应用部署。待部署应用可以是已经部署到主机节点的应用,也可以是未部署到主机节点的应用。对于已经部署到主机节点的应用,由于编排部署文件中记录有其部署位置,则可以直接将该应用部署到相应的部署位置(即目标主机节点);对于未部署到主机节点的应用,可以根据应用信息和编排部署文件,从多个主机节点中选择目标主机节点,并进行应用部署。
另外,本发明实施例的应用部署装置400还可以包括:模型训练模块和重新部署模块(图4中未示出)。其中,模型训练模块,用于采集多个应用在多个主机节点的资源使用数据,对所述资源使用数据进行特征提取,得到相应的资源使用特征数据作为训练数据;使用机器学习算法,对所述训练数据进行训练,得到所述编排分类模型。
重新部署模块,用于获取所述目标主机节点上部署的应用的资源使用特征数据,以使用所述编排分类模型输出所述应用的新资源使用类别;再次执行对所述应用进行编排的步骤,生成新编排部署文件,根据所述新编排部署文件,重新部署所述应用。
从以上描述可以看出,通过预训练的编排分类模型,对应用的资源使用情况进行分类,之后结合设定的编排规则和模型输出的资源使用类别,对应用进行编排,进而实现应用的合理部署,提高了资源利用率和***整体性能。
图5示出了可以应用本发明实施例的应用部署方法或应用部署装置的示例性***架构500。
如图5所示,***架构500可以包括终端设备501、502、503,网络504和服务器505。网络504用以在终端设备501、502、503和服务器505之间提供通信链路的介质。网络504可以包括各种连接类型,例如有线、无线通信链路或者光纤电缆等等。
用户可以使用终端设备501、502、503通过网络504与服务器505交互,以接收或发送消息等。终端设备501、502、503上可以安装有各种通讯客户端应用,例如购物类应用、网页浏览器应用、搜索类应用、即时通信工具、邮箱客户端、社交平台软件等。
终端设备501、502、503可以是具有显示屏并且支持网页浏览的各种电子设备,包括但不限于智能手机、平板电脑、膝上型便携计算机和台式计算机等等。
服务器505可以是提供各种服务的服务器,例如对管理员利用终端设备501、502、503发送的应用部署请求进行处理的后台管理服务器。后台管理服务器可以获取资源特征数据,确定应用的资源使用类别,生成编排部署文件,完成应用部署,并将处理结果(例如应用部署结果)反馈给终端设备。
需要说明的是,本申请实施例所提供的应用部署方法一般由服务器505执行,相应地,应用部署装置一般设置于服务器505中。
应该理解,图5中的终端设备、网络和服务器的数目仅仅是示意性的。根据实现需要,可以具有任意数目的终端设备、网络和服务器。
根据本发明的实施例,本发明还提供了一种电子设备和一种计算机可读介质。
本发明的电子设备包括:一个或多个处理器;存储装置,用于存储一个或多个程序,当所述一个或多个程序被所述一个或多个处理器执行,使得所述一个或多个处理器实现本发明实施例的一种应用部署方法。
本发明的计算机可读介质,其上存储有计算机程序,所述程序被处理器执行时实现本发明实施例的一种应用部署方法。
下面参考图6,其示出了适用于来实现本发明实施例的电子设备的计算机***600的结构示意图。图6示出的电子设备仅仅是一个示例,不应对本发明实施例的功能和使用范围带来任何限制。
如图6所示,计算机***600包括中央处理单元(CPU)601,其可以根据存储在只读存储器(ROM)602中的程序或者从存储部分608加载到随机访问存储器(RAM)603中的程序而执行各种适当的动作和处理。在RAM 603中,还存储有计算机***600操作所需的各种程序和数据。CPU 601、ROM 602以及RAM 603通过总线604彼此相连。输入/输出(I/O)接口605也连接至总线604。
以下部件连接至I/O接口605:包括键盘、鼠标等的输入部分606;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607;包括硬盘等的存储部分608;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609。通信部分609经由诸如因特网的网络执行通信处理。驱动器610也根据需要连接至I/O接口605。可拆卸介质611,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610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608。
特别地,根据本发明公开的实施例,上文主要步骤图描述的过程可以被实现为计算机软件程序。例如,本公开的实施例包括一种计算机程序产品,其包括承载在计算机可读介质上的计算机程序,该计算机程序包含用于执行主要步骤图所示的方法的程序代码。在这样的实施例中,该计算机程序可以通过通信部分609从网络上被下载和安装,和/或从可拆卸介质611被安装。在该计算机程序被中央处理单元(CPU)601执行时,执行本发明的***中限定的上述功能。
需要说明的是,本发明所示的计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质或者是上述两者的任意组合。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的***、装置或器件,或者任意以上的组合。计算机可读存储介质的更具体的例子可以包括但不限于:具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本发明中,计算机可读存储介质可以是任何包含或存储程序的有形介质,该程序可以被指令执行***、装置或者器件使用或者与其结合使用。而在本发明中,计算机可读的信号介质可以包括在基带中或者作为载波一部分传播的数据信号,其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式,包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读的信号介质还可以是计算机可读存储介质以外的任何计算机可读介质,该计算机可读介质可以发送、传播或者传输用于由指令执行***、装置或者器件使用或者与其结合使用的程序。计算机可读介质上包含的程序代码可以用任何适当的介质传输,包括但不限于:无线、电线、光缆、RF等等,或者上述的任意合适的组合。
附图中的流程图和框图,图示了按照本发明各种实施例的***、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,流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,上述模块、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,框图或流程图中的每个方框、以及框图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。
描述于本发明实施例中所涉及到的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。所描述的模块也可以设置在处理器中,例如,可以描述为:一种处理器包括应用分类模块、应用编排模块和应用部署模块。其中,这些模块的名称在某种情况下并不构成对该模块本身的限定,例如,应用分类模块还可以被描述为“获取多个主机节点上部署的应用的资源使用特征数据,将所述资源使用特征数据输入至预训练的编排分类模型,输出所述应用的资源使用类别的模块”。
作为另一方面,本发明还提供了一种计算机可读介质,该计算机可读介质可以是上述实施例中描述的设备中所包含的;也可以是单独存在,而未装配入该设备中。上述计算机可读介质承载有一个或者多个程序,当上述一个或者多个程序被一个该设备执行时,使得该设备包括:获取多个主机节点上部署的应用的资源使用特征数据,将所述资源使用特征数据输入至预训练的编排分类模型,输出所述应用的资源使用类别;其中,所述资源使用类别包括设定资源指标的指标级别;根据为所述主机节点设定的编排规则和所述指标级别,对多个所述应用进行编排,生成编排部署文件;其中,所述编排规则用于组合多个所述资源指标;根据所述编排部署文件,将待部署应用部署到对应的目标主机节点上,完成应用部署。
根据本发明实施例的技术方案,通过预训练的编排分类模型,对应用的资源使用情况进行分类,之后结合设定的编排规则和模型输出的资源使用类别,对应用进行编排,进而实现应用的合理部署,提高了资源利用率和***整体性能。
上述产品可执行本发明实施例所提供的方法,具备执行方法相应的功能模块和有益效果。未在本实施例中详尽描述的技术细节,可参见本发明实施例所提供的方法。
上述具体实施方式,并不构成对本发明保护范围的限制。本领域技术人员应该明白的是,取决于设计要求和其他因素,可以发生各种各样的修改、组合、子组合和替代。任何在本发明的精神和原则之内所作的修改、等同替换和改进等,均应包含在本发明保护范围之内。
Claims (10)
1.一种应用部署方法,其特征在于,包括:
获取多个主机节点上部署的应用的资源使用特征数据,将所述资源使用特征数据输入至预训练的编排分类模型,输出所述应用的资源使用类别;其中,所述资源使用类别包括设定资源指标的指标级别;
根据为所述主机节点设定的编排规则和所述指标级别,对多个所述应用进行编排,生成编排部署文件;其中,所述编排规则用于组合多个所述资源指标;
根据所述编排部署文件,将待部署应用部署到对应的目标主机节点上,完成应用部署。
2.根据权利要求1所述的方法,其特征在于,所述编排规则指示组合的多个所述资源指标的期望级别;
所述对多个所述应用进行编排,生成编排部署文件,包括:
将相同资源指标的指标级别与所述期望级别进行比较,以从多个所述应用中筛选出符合所述主机节点的编排规则的应用,构建相应的应用组;
将所述主机节点作为所述应用组的应用要部署的目标主机节点,将所述应用组的应用信息和所述目标主机节点的地址写入编排部署文件。
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:
采集多个应用在多个主机节点的资源使用数据,对所述资源使用数据进行特征提取,得到相应的资源使用特征数据作为训练数据;
使用机器学习算法,对所述训练数据进行训练,得到所述编排分类模型。
4.根据权利要求3所述的方法,其特征在于,所述采集多个应用在多个主机节点的资源使用数据,包括:
统计多个应用在设定时间段内接收到的请求量,并采集多个应用在各自主机节点运行时的性能指标的指标值;其中,所述性能指标包括CPU使用率、内存使用率和磁盘使用率中的任意一个或者多个;
根据所述请求量和所述性能指标的指标值,生成资源使用数据。
5.根据权利要求4所述的方法,其特征在于,所述对所述资源使用数据进行特征提取,得到相应的资源使用特征数据,包括:
根据预选取的特征参数,对所述资源使用数据进行数据处理,得到相应的资源使用特征数据;其中,所述特征参数包括不同时间段的请求量占比和所述性能指标。
6.根据权利要求1至5的任一项所述的方法,其特征在于,所述资源指标包括设定时间段使用率、CPU使用率、内存使用率和磁盘使用率中的任意多个的组合。
7.根据权利要求1至5的任一项所述的方法,其特征在于,所述方法还包括:
获取所述目标主机节点上部署的应用的资源使用特征数据,以使用所述编排分类模型输出所述应用的新资源使用类别;
再次执行对所述应用进行编排的步骤,生成新编排部署文件,根据所述新编排部署文件,重新部署所述应用。
8.一种应用部署装置,其特征在于,包括:
应用分类模块,用于获取多个主机节点上部署的应用的资源使用特征数据,将所述资源使用特征数据输入至预训练的编排分类模型,输出所述应用的资源使用类别;其中,所述资源使用类别包括设定资源指标的指标级别;
应用编排模块,用于根据为所述主机节点设定的编排规则和所述指标级别,对多个所述应用进行编排,生成编排部署文件;其中,所述编排规则用于组合多个所述资源指标;
应用部署模块,用于根据所述编排部署文件,将待部署应用部署到对应的目标主机节点上,完成应用部署。
9.一种电子设备,其特征在于,包括:
一个或多个处理器;
存储装置,用于存储一个或多个程序,
当所述一个或多个程序被所述一个或多个处理器执行,使得所述一个或多个处理器实现如权利要求1-7中任一所述的方法。
10.一种计算机可读介质,其上存储有计算机程序,其特征在于,所述程序被处理器执行时实现如权利要求1-7中任一所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111011306.3A CN113656046A (zh) | 2021-08-31 | 2021-08-31 | 一种应用部署方法和装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111011306.3A CN113656046A (zh) | 2021-08-31 | 2021-08-31 | 一种应用部署方法和装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113656046A true CN113656046A (zh) | 2021-11-16 |
Family
ID=78493324
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111011306.3A Pending CN113656046A (zh) | 2021-08-31 | 2021-08-31 | 一种应用部署方法和装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113656046A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115033718A (zh) * | 2022-08-15 | 2022-09-09 | 浙江大学 | 一种业务应用部署方法、装置及设备 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103873569A (zh) * | 2014-03-05 | 2014-06-18 | 兰雨晴 | 一种基于IaaS云平台的资源优化部署方法 |
CN108809694A (zh) * | 2018-04-27 | 2018-11-13 | 广州西麦科技股份有限公司 | 业务编排方法、***、装置与计算机可读存储介质 |
US20190018671A1 (en) * | 2017-07-12 | 2019-01-17 | Futurewei Technologies, Inc. | Apparatus and method for application deployment assessment |
CN109684069A (zh) * | 2017-10-13 | 2019-04-26 | 华为技术有限公司 | 资源管理的方法及终端设备 |
CN111966453A (zh) * | 2020-07-29 | 2020-11-20 | 苏州浪潮智能科技有限公司 | 一种负载均衡方法、***、设备及存储介质 |
CN112363813A (zh) * | 2020-11-20 | 2021-02-12 | 上海连尚网络科技有限公司 | 资源调度方法、装置、电子设备和计算机可读介质 |
CN113220452A (zh) * | 2021-05-10 | 2021-08-06 | 北京百度网讯科技有限公司 | 资源分配方法、模型训练方法、装置和电子设备 |
-
2021
- 2021-08-31 CN CN202111011306.3A patent/CN113656046A/zh active Pending
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103873569A (zh) * | 2014-03-05 | 2014-06-18 | 兰雨晴 | 一种基于IaaS云平台的资源优化部署方法 |
US20190018671A1 (en) * | 2017-07-12 | 2019-01-17 | Futurewei Technologies, Inc. | Apparatus and method for application deployment assessment |
CN109684069A (zh) * | 2017-10-13 | 2019-04-26 | 华为技术有限公司 | 资源管理的方法及终端设备 |
CN108809694A (zh) * | 2018-04-27 | 2018-11-13 | 广州西麦科技股份有限公司 | 业务编排方法、***、装置与计算机可读存储介质 |
CN111966453A (zh) * | 2020-07-29 | 2020-11-20 | 苏州浪潮智能科技有限公司 | 一种负载均衡方法、***、设备及存储介质 |
CN112363813A (zh) * | 2020-11-20 | 2021-02-12 | 上海连尚网络科技有限公司 | 资源调度方法、装置、电子设备和计算机可读介质 |
CN113220452A (zh) * | 2021-05-10 | 2021-08-06 | 北京百度网讯科技有限公司 | 资源分配方法、模型训练方法、装置和电子设备 |
Non-Patent Citations (1)
Title |
---|
李莎: "面向PaaS平台的应用优化部署研究", 中国优秀硕士学位论文全文数据库——信息科技辑, vol. 2016, no. 03, 15 March 2016 (2016-03-15) * |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115033718A (zh) * | 2022-08-15 | 2022-09-09 | 浙江大学 | 一种业务应用部署方法、装置及设备 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108776934B (zh) | 分布式数据计算方法、装置、计算机设备及可读存储介质 | |
CN103763346B (zh) | 一种分布式资源调度方法及装置 | |
CN107423085B (zh) | 用于部署应用的方法和装置 | |
US9645914B1 (en) | Apps store with integrated test support | |
CN110852882B (zh) | 用于区块链网络的分组共识方法、装置、设备和介质 | |
US20150302440A1 (en) | Cloud computing solution generation systems and methods | |
CN111694646A (zh) | 资源调度方法、装置、电子设备及计算机可读存储介质 | |
US20220066744A1 (en) | Automatic Derivation Of Software Engineering Artifact Attributes From Product Or Service Development Concepts | |
US20210295231A1 (en) | Machine learning model training outliers | |
JP2018515844A (ja) | データ処理方法及びシステム | |
CN113591068B (zh) | 一种在线登录设备管理方法、装置及电子设备 | |
CN106648557A (zh) | 一种应用程序编程接口api的分享方法和装置 | |
CN109828859A (zh) | 移动终端内存分析方法、装置、存储介质及电子设备 | |
CN110339567A (zh) | ***资源配置、场景预测模型训练方法和装置 | |
CN113687949B (zh) | 服务器部署方法、装置、部署设备及存储介质 | |
US20190065270A1 (en) | Methods and modules relating to allocation of host machines | |
CN113656046A (zh) | 一种应用部署方法和装置 | |
US20220292392A1 (en) | Scheduled federated learning for enhanced search | |
CN112016797B (zh) | 基于knn的资源配额调整方法、装置和电子设备 | |
CN108959636A (zh) | 数据处理方法、装置、***、计算机可读介质 | |
CN112286930A (zh) | redis业务方资源共享的方法、装置、存储介质及电子设备 | |
CN116089367A (zh) | 动态分桶方法、装置、电子设备和介质 | |
CN110544166A (zh) | 样本生成方法、装置及存储介质 | |
CN113220573B (zh) | 用于微服务架构的测试方法、装置和电子设备 | |
CN111694670B (zh) | 资源分配方法、装置、设备和计算机可读介质 |
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 |