CN101374076B - 一种电信业务支撑系统服务器处理能力预测与规划方法 - Google Patents
一种电信业务支撑系统服务器处理能力预测与规划方法 Download PDFInfo
- Publication number
- CN101374076B CN101374076B CN2008101575284A CN200810157528A CN101374076B CN 101374076 B CN101374076 B CN 101374076B CN 2008101575284 A CN2008101575284 A CN 2008101575284A CN 200810157528 A CN200810157528 A CN 200810157528A CN 101374076 B CN101374076 B CN 101374076B
- Authority
- CN
- China
- Prior art keywords
- server
- business support
- support system
- term
- target end
- 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
Images
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明涉及一种对电信业务支撑系统服务器未来处理能力的预测和规划方法。包括如下步骤:(1)建立业务支撑系统服务器的关键参数与目标期末服务器资源需求的关联模型;(2)利用预测分析系统对业务支撑系统服务器的关键参数进行预测估算;(3)利用业务支撑系统服务器关键参数的最终估算值和关联模型方程,用预测分析系统计算出目标期末服务器资源需求;(4)根据测算得到的目标期末服务器资源需求,调整业务支撑系统服务器的资源部署。本发明能够准确地预测出电信业务支撑系统服务器各应用模块对资源的需求,可对系统服务器资源进行灵活分配和有效利用,避免后期出现负荷不均、资源浪费等现象而影响系统稳定性和安全性。
Description
技术领域:
本发明涉及一种对电信业务支撑系统服务器未来处理能力的预测和规划方法。
背景技术:
电信业务支撑系统是各大电信运营商用来支持全网业务运营的支撑系统,该系统的建设基于业界高端的小型机、存储、备份和网络设备等硬件设备,采用开放和先进的数据库、中间件等软件技术。在中国移动通信集团公司中,该系统称为BOSS系统(Business & Operation Support System),本发明以中国移动通信集团省级BOSS系统为例进行说明。BOSS系统一般由营业数据库、营业应用、WEB应用、帐务应用、帐务数据库、计费应用、结算应用、统计查询应用等物理应用系统组成。如何提高对未来海量服务器规划能力的准确性,对系统进行前期规划、合理分配和利用服务器资源、提高投资收益对运营商起着关键的作用。
目前对于电信业务支撑系统服务器处理能力需求的预测主要有两种方法:业务模型法和类比法。
(1)业务模型法
服务器处理能力需求=日业务量×忙时集中系数×单笔交易需要的处理能力/60×未来业务冗余系数/CPU利用率
基于目前系统的业务量情况,采用应用软件开发商提供的实验室环境下测试的单笔交易需要的处理能力,再考虑为未来业务发展预留冗余系数,计算出对未来服务器处理能力的需求。
(2)类比法
服务器处理能力需求=目前实际处理能力×业务增长率×未来业务冗余系数/CPU利用率
基于目前系统中服务器的实际占用处理能力情况,考虑未来的业务增长和为未来业务发展进行预留,计算出对未来服务器处理能力的需求。
以上两种方法均存有缺点,
(1)业务模型法
业务模型法的缺点主要体现在以下几个方面:
①、静态方法,相对保守。该方法引用的前提是新一期的系统上线后主要功能大致保持不变,而对于电信业务支撑系统,需要满足对各种新的业务支撑,经常会出现修改或者增加新的功能点,而业务模型法不能很好体现这种频繁的变化对处理能力的增加。
②、不能有效结合实际,偏差大。该方法引用的单笔交易需要的处理能力这个重要参数主要来源于应用软件开发商。一方面,该数据由于从实际运营环境中难以准确测出,一般都是在实验室环境中得出的,而实验室环境与实际的运行环境存在很大差异;另一方面,应用软件开发商出于某些商业目的,提供的相应参数在客观性上也有待商榷。出于这两方面的问题,导致预测结果和实际需求存在很大偏差。
(2)类比法
类比法的缺点主要体现在以下几个方面:
①、测算方法较粗,导致误差较大。由于该方法是直接通过目前的运行情况得出预测期末的需求,没有充分考虑到系统规模增长、业务与营销变动等因素引起的单位业务量占用资源开销的变化趋势,导致结果的偏差。
②、存在业务发展重复冗余的情况。该方法的测算公式中取定了业务增长率和未来业务冗余系数两个参数,这两个参数均是考虑了业务发展方面的冗余,存在较大重叠,导致测算结果过大。
基于上面两种预测方法存在的缺点,将会对后期整个系统的运营带来某些负面影响。因为在具体的设备部署时,一般根据前期预测情况,将各应用部署在各物理服务器上。当预测存在较大偏差时,就会出现各应用负荷严重不均的现象,整个系统资源不能得到充分利用,从而降低整个系统的稳定性。
发明内容:
本发明提供了一种电信业务支撑系统服务器处理能力预测与规划方法,它更加贴近实际的真实环境,能够更加准确地预测出电信业务支撑系统服务器各种应用模块对资源的需求情况,可对电信业务支撑系统服务器资源进行灵活分配和有效利用,避免后期出现负荷不均、资源浪费等现象而影响系统稳定性和安全性,解决了现有技术中存在的问题。
本发明为解决上述技术问题所采用的技术方案是:一种电信业务支撑系统服务器处理能力预测与规划方法,包括如下步骤:
(1)、建立业务支撑系统服务器的关键参数与目标期末服务器资源需求的关联模型,
目标期末服务器资源需求=目标期末单位用户资源开销×目标期末用户数÷目标期系统CPU利用率;
(2)、利用预测分析系统对业务支撑系统服务器的关键参数进行预测估算;
(3)、利用业务支撑系统服务器关键参数的最终估算值和关联模型方程,用预测分析系统计算出目标期末服务器资源需求;
(4)、根据测算得到的目标期末服务器资源需求,调整业务支撑系统服务器的资源部署。
上述步骤(2)包括:
(21)、确定目标期末用户数和目标期系统CPU利用率;
(22)、采集业务支撑系统服务器1~2年的每月最忙三天的系统分配资源情况、系统忙时CPU利用率和系统处理用户数的平均值;
(23)、建立另一关联模型,
单位用户资源开销=(系统分配资源×系统忙时CPU利用率)÷系统处理用户数;
(24)、利用采集的数据和关联模型计算出每月单位用户资源开销,然后根据单位用户资源开销值做出相应趋势曲线,利用曲线拟合方法对做出的曲线进行拟合得到最佳拟合曲线,通过该拟合曲线得到该曲线的数学模型;
(25)、利用该拟合曲线的数学模型计算出目标期末单位用户资源开销。
本发明采用上述预测与规划方法,以单位用户资源开销作为衡量基准单位,通过较长的历史周期内实际占用资源的变化规律和趋势,来综合反映由于系统规模增长、业务与营销变动等因素引起的单位用户资源开销的变化,通过运用这种变化趋势,更加准确地测算出未来电信业务支撑系统系统对服务器处理能力需求。该方法即贴近了实际的资源占用情况,又能体现在较长周期内资源的历史变化情况,进而能够更加准确地预测出电信业务支撑系统服务器各种应用模块对资源的需求情况,然后对电信业务支撑系统服务器资源进行灵活分配和有效利用,避免后期出现负荷不均、资源浪费等现象而影响系统稳定性和安全性。
附图说明:
图1为本发明所述预测与规划方法的流程图。
图2为本发明对业务支撑系统服务器的关键参数进行预测估算的流程图。
具体实施方式:
为能清楚说明本方案的技术特点,下面通过具体实施方式,并结合其附图,对本发明进行详细阐述。
如图1所示,为本发明所述预测与规划方法的流程图。包括如下步骤:
(1)、建立业务支撑系统服务器的关键参数与目标期末服务器资源需求的关联模型,
目标期末服务器资源需求=目标期末单位用户资源开销×目标期末用户数÷目标期系统CPU利用率;
(2)、利用预测分析系统对业务支撑系统服务器的关键参数进行预测估算;
(3)、利用业务支撑系统服务器关键参数的最终估算值和关联模型方程,用预测分析系统计算出目标期末服务器资源需求;
(4)、根据测算得到的目标期末服务器资源需求,调整业务支撑系统服务器的资源部署。
由于该种测算结果更加贴近实际需求,因此,在设备部署上更加可控可管,可对电信业务支撑系统的应用服务器在逻辑上虚拟化为“服务器资源池”,进行统一集中管理,通过服务器分区技术划分相应的服务器资源部署电信业务支撑系统的各个应用系统。
本发明为上述步骤(2)提供了一种预测估算方法,如图2所示,包括如下步骤:
(21)、确定目标期末用户数和目标期系统CPU利用率;
(22)、采集业务支撑系统服务器1~2年的每月最忙三天的系统分配资源情况、系统忙时CPU利用率和系统处理用户数的平均值;
(23)、建立另一关联模型,
单位用户资源开销=(系统分配资源×系统忙时CPU利用率)÷系统处理用户数;
(24)、利用采集的数据和关联模型计算出每月单位用户资源开销,然后根据单位用户资源开销值做出相应趋势曲线,利用曲线拟合方法对做出的曲线进行拟合得到最佳拟合曲线,通过该拟合曲线得到该曲线的数学模型;
(25)、利用该拟合曲线的数学模型计算出目标期末单位用户资源开销。
上述模型中,系统分配资源情况指在物理上分配给该应用的实际的CPU、内存等的数量和配置情况,然后根据业界公认的不同主机不同情况下的测试值,对应该分配情况和环境可以达到的处理能力进行量化(如用业界公认的TPC-C)。系统忙时CPU利用率,指忙时对CPU的占用比例。在衡量服务器实际消耗资源情况时,若取一个月中最忙1天的数据往往会造成对后期的资源需求预测过大,而选择的天数过多又会造成对峰值数据屏蔽过多,恐系统不能承受峰值时的压力。在对最忙几天的选择上,目前选择的是最忙3天的忙时平均作为系统忙时的数据。根据上面的统计,以月为单位,取每月最忙3天中系统分配资源情况、系统忙时CPU利用率和系统处理用户数的平均值作为月统计数据,至少保证有1~2年以上的数据。
目标期末用户数的预测方法有多种,如人口普及法、市话容量类比法、趋势外推法、成长曲线,其仅作为本预测方法的输入条件。目标期系统CPU利用率是指业务支撑系统设计CPU利用率,一般取定70~80%。
目标期末单位用户资源开销是指通过拟合曲线的数学模型计算取得的目标期末单位用户资源开销。根据单位用户资源开销,做曲线拟合,运用多种数据模型的趋势线与实际曲线进行拟合,确定拟合最好曲线的数据模型。用该曲线对应的数学模型预测目标期末单位用户资源开销。
常用的拟合曲线有线性曲线(Y=a+bX),对数曲线(Y=aLN(X)+b)、乘幂曲线(Y=aXb)、指数曲线(Y=aebX)。
下面通过具体数据对某省业务支撑系统服务器处理能力进行预测分析。
(1)采集自2005年10月到2007年12月业务支撑系统服务器每月最忙3天中系统分配资源情况、系统忙时CPU利用率和系统处理用户数的平均值作为月统计数据,利用关联模型单位用户资源开销=(系统分配资源×系统忙时CPU利用率)÷系统处理用户数得到单位用户资源开销,再取每万用户的资源开销得到如下表所示数据,以tpmc为单位。
时间 | 200510 | 200511 | 200512 | 200601 | 200602 | 200603 | 200604 | 200605 | 200606 |
每万用户计费应用每月最忙3天实际资源开销平均值(单位tpmC) | 131 | 123 | 131 | 142 | 123 | 125 | 129 | 129 | 138 |
时间 | 200607 | 200608 | 200609 | 200610 | 200611 | 200612 | 200701 | 200702 | 200703 |
每万用户计费应用每月最忙3天实际资源开销平均值(单位tpmC) | 144 | 146 | 150 | 185 | 187 | 210 | 207 | 202 | 200 |
时间 | 200704 | 200705 | 200706 | 200707 | 200708 | 200709 | 200710 | 200711 | 200712 |
每万用户计费应用每月最忙3天实际资源开销平均值(单位tpmC) | 208 | 196 | 198 | 195 | 202 | 217 | 228 | 241 | 262 |
(2)根据上面的历史数据做趋势曲线,并利用线性曲线确定拟合最好的曲线为Y=4.8676X+107.7;
(3)根据上面的拟合曲线,进而预测出满足期末(2009年12月)资源需求:
目标期末服务器资源需求
=目标期末单位用户资源开销×目标期末用户数÷目标期系统CPU利用率
=(4.8676×51+107.7)×目标期末用户数÷70%;
其中目标期末用户数由建设单位根据业务需求给出;X为2005年10月到2009年12月目标期末的总月数。
本发明未详述之处,均为本技术领域技术人员的公知技术。
Claims (1)
1.一种电信业务支撑系统服务器处理能力预测与规划方法,其特征在于:包括如下步骤:
(1)、建立业务支撑系统服务器的关键参数与目标期末服务器资源需求的关联模型,
目标期末服务器资源需求=目标期末单位用户资源开销×目标期末用户数÷业务支撑系统设计CPU利用率;
(2)、利用预测分析系统对业务支撑系统服务器的关键参数进行预测估算,
(21)、确定目标期末用户数和业务支撑系统设计CPU利用率;
(22)、采集业务支撑系统服务器1~2年的每月最忙三天的系统分配资源情况、系统忙时CPU利用率和系统处理用户数的平均值;
(23)、建立另一关联模型,
单位用户资源开销=(系统分配资源×系统忙时CPU利用率)÷系统处理用户数;
(24)、利用采集的数据和关联模型计算出每月单位用户资源开销,然后根据单位用户资源开销值做出相应趋势曲线,利用曲线拟合方法对做出的曲线进行拟合得到最佳拟合曲线,通过该拟合曲线得到该曲线的数学模型;
(25)、利用该拟合曲线的数学模型计算出目标期末单位用户资源开销;
(3)、利用业务支撑系统服务器关键参数的最终估算值和关联模型方程,用预测分析系统计算出目标期末服务器资源需求;
(4)、根据测算得到的目标期末服务器资源需求,调整业务支撑系统服务器的资源部署。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN2008101575284A CN101374076B (zh) | 2008-10-06 | 2008-10-06 | 一种电信业务支撑系统服务器处理能力预测与规划方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN2008101575284A CN101374076B (zh) | 2008-10-06 | 2008-10-06 | 一种电信业务支撑系统服务器处理能力预测与规划方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN101374076A CN101374076A (zh) | 2009-02-25 |
CN101374076B true CN101374076B (zh) | 2010-09-29 |
Family
ID=40448018
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN2008101575284A Active CN101374076B (zh) | 2008-10-06 | 2008-10-06 | 一种电信业务支撑系统服务器处理能力预测与规划方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN101374076B (zh) |
Families Citing this family (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102055606B (zh) * | 2009-11-10 | 2012-08-01 | 中国移动通信集团广西有限公司 | 一种业务支撑系统中的业务处理方法、系统及设备 |
CN102075895A (zh) * | 2009-11-23 | 2011-05-25 | 中国移动通信集团贵州有限公司 | 一种获取运维和建设业务支撑系统所需数据的装置和方法 |
CN102646216B (zh) * | 2011-02-21 | 2016-02-24 | 中国地质科学院矿产资源研究所 | 基于“s”形模型的能源需求预测方法 |
CN102253883B (zh) * | 2011-07-29 | 2014-06-25 | 国家电网公司 | 一种服务器性能评价的方法和系统 |
CN107301466A (zh) * | 2016-04-15 | 2017-10-27 | 中国移动通信集团四川有限公司 | 对业务负载及资源配置与性能关系的预测方法及预测系统 |
CN108197012B (zh) * | 2017-12-24 | 2021-04-23 | 航天恒星科技有限公司 | 遥感数据分布式处理集群规模与性能测度方法 |
CN110618867A (zh) * | 2018-06-19 | 2019-12-27 | 北京京东尚科信息技术有限公司 | 一种预测资源使用量的方法和装置 |
CN109165045A (zh) * | 2018-08-09 | 2019-01-08 | 网宿科技股份有限公司 | 一种调整服务器的硬件配置的方法和装置 |
CN110888792A (zh) * | 2020-01-02 | 2020-03-17 | 大汉软件股份有限公司 | 一种节约政务服务器资源和并发性能提升的有效评估方法 |
CN112685173A (zh) * | 2020-12-22 | 2021-04-20 | 中通天鸿(北京)通信科技股份有限公司 | 一种基于富媒体的智能路由分配系统 |
CN113312107B (zh) * | 2021-06-16 | 2022-05-13 | 成都市以太节点科技有限公司 | 一种基于tpmC的安全防御资源配置方法及系统 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1300988A (zh) * | 1999-06-17 | 2001-06-27 | 国际商业机器公司 | 因特网环境下综合负载分配和资源管理的系统和方法 |
CN1422503A (zh) * | 2000-02-04 | 2003-06-04 | 高通股份有限公司 | 模拟和规划无线定位网络的方法和设备 |
CN101075304A (zh) * | 2006-05-18 | 2007-11-21 | 河北全通通信有限公司 | 电信行业基于数据仓库的决策支持系统的构造方法 |
-
2008
- 2008-10-06 CN CN2008101575284A patent/CN101374076B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1300988A (zh) * | 1999-06-17 | 2001-06-27 | 国际商业机器公司 | 因特网环境下综合负载分配和资源管理的系统和方法 |
CN1422503A (zh) * | 2000-02-04 | 2003-06-04 | 高通股份有限公司 | 模拟和规划无线定位网络的方法和设备 |
CN101075304A (zh) * | 2006-05-18 | 2007-11-21 | 河北全通通信有限公司 | 电信行业基于数据仓库的决策支持系统的构造方法 |
Also Published As
Publication number | Publication date |
---|---|
CN101374076A (zh) | 2009-02-25 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN101374076B (zh) | 一种电信业务支撑系统服务器处理能力预测与规划方法 | |
Yang et al. | A cost-aware auto-scaling approach using the workload prediction in service clouds | |
CN102004671B (zh) | 一种云计算环境下数据中心基于统计模型的资源管理方法 | |
EP2904491B1 (en) | Method, node and computer program for enabling automatic adaptation of resource units | |
EP3015981B1 (en) | Networked resource provisioning system | |
CN102622303A (zh) | 一种内存过载控制的方法及装置 | |
CN102037681A (zh) | 对于管理系统的计算资源进行管理的方法和装置 | |
Cao et al. | Energy efficient allocation of virtual machines in cloud computing environments based on demand forecast | |
Li | An adaptive overload threshold selection process using Markov decision processes of virtual machine in cloud data center | |
US10054997B2 (en) | Multivariable control for power-latency management to support optimization of data centers or other systems | |
CN109491760A (zh) | 一种高效能数据中心云服务器资源自主管理方法和系统 | |
CN110618867A (zh) | 一种预测资源使用量的方法和装置 | |
Yoon et al. | Adaptive data center activation with user request prediction | |
Zhang et al. | Dynamic workload management in heterogeneous cloud computing environments | |
Wang et al. | GeoCol: A geo-distributed cloud storage system with low cost and latency using reinforcement learning | |
EP2245539A1 (en) | System and method for estimating combined workloads of systems with uncorrelated and non-deterministic workload patterns | |
Li et al. | Dynamic virtual machine consolidation algorithm based on balancing energy consumption and quality of service | |
Xie et al. | Multi-objective optimization of data deployment and scheduling based on the minimum cost in geo-distributed cloud | |
Zheng et al. | Dynamic load balancing and pricing in grid computing with communication delay | |
Yoon et al. | Requests prediction in cloud with a cyclic window learning algorithm | |
Shen et al. | Stochastic modeling and approaches for managing energy footprints in cloud computing service | |
Abbas et al. | Autonomous DRL-based energy efficient VM consolidation for cloud data centers | |
Zhou et al. | AHPA: adaptive horizontal pod autoscaling systems on alibaba cloud container service for kubernetes | |
Quaglia et al. | Grain sensitive event scheduling in time warp parallel discrete event simulation | |
Wei et al. | Towards multi-resource physical machine provisioning for IaaS clouds |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
C14 | Grant of patent or utility model | ||
GR01 | Patent grant |