CN103220365B - 一种云计算弹性资源预测及构建方法 - Google Patents
一种云计算弹性资源预测及构建方法 Download PDFInfo
- Publication number
- CN103220365B CN103220365B CN201310153762.0A CN201310153762A CN103220365B CN 103220365 B CN103220365 B CN 103220365B CN 201310153762 A CN201310153762 A CN 201310153762A CN 103220365 B CN103220365 B CN 103220365B
- Authority
- CN
- China
- Prior art keywords
- resource
- cloud computing
- time
- virtual machine
- unit
- 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.)
- Expired - Fee Related
Links
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种云计算弹性资源预测及构建方法,包括以下步骤:步骤1、初始化预测单元和资源构建单元;步骤2、预测模块计算下一个时刻点t1的期望E[N(t1)|0];步骤3、资源构建单元计算第一个时间点t1的M1=E[N(t1)|0]×K;步骤4、资源构建单元选取计算资源组合,启动云计算虚拟机计算单元;步骤5、判断时间点是否到达下一个时刻tn+1;步骤6、若达到下一个时刻,则预测单元计算tn+1的期望E[N(tn+1)|N(tn)];步骤7、资源构建单元计算出下一个时刻的资源数Mn+1=E[N(tn+1)|N(tn)]×K;步骤8、资源构建单元将当前的资源数Mn和下一个时刻点的Mn+1对比,当Mn+1>Mn时,增加计算资源组合;当Mn+1<Mn时,关闭计算资源组合,返回步骤5。具有提高了云计算的效用比,有效利用了云计算按需服务、弹性构建的特点、提高了节能减排的效果等优点。
Description
技术领域
本发明涉及一种基于云计算系统平台的计算资源预测和弹性构建方式的技术,特别涉及一种云计算弹性资源预测及构建方法,该方法基于泊松随机过程模型,可对互联网络服务的需要进行预测并对云计算虚拟机计算资源规模进行弹性伸缩,是一种随机过程数学模型和云计算虚拟机计算单元调整和构建方法。
背景技术
网络服务成为了当前社会信息化发展一个重要基础,云计算是继个人电脑、互联网之后的一个最为重要的IT技术,具备需服务、弹性构建、异构化以及节能减排等优点。在云计算基础设施服务技术领域,面对集群化资源构建,能有效的利用云计算的按需服务和弹性构建提高云计算的效用比,目前仍未找到有效可行的解决方案。目前相关的IT技术人员主要是采用面对当前网络服务需求对云计算虚拟机计算资源集群的规模进行人工调整,以满足网络服务对云计算虚拟机计算资源规模的需求,对网络服务的的按需与云计算虚拟机计算单元规模的调整存在一定的滞后性,同时增加了云计算平台人工维护的成本。目前在保证网络服务质量的前提下如何有效的提高云计算的效用比,关键问题在于对网络的服务需求做出有效的预测,并实现云计算虚拟机计算资源规模的自动动态调整,避免因资源的动态调整影响网络的在线服务质量,进一步提高云计算的无人工干预调整的自动化成都,充分利用云计算服务的优势。
而现有的云计算平台在构建资源时采用固定资源池的方式,按照所提供服务的最大计算需求构建资源池,预先按照服务最大需求构建固定的资源,满足网络服务所需的虚拟机规模,然而多数服务的网络服务需求并不会长期的保持在顶峰状态,因此采取此种方式会造成云计算资源效用比无法实现最优化。
发明内容
本发明的目的在于克服现有技术的缺点与不足,提供一种云计算弹性资源预测及构建方法,该方法实现了云计算虚拟机计算资源规模的动态调整,提高了资源的效用比,该方法是一种对网络服务规模需求作出有效的预测并能自动对云计算虚拟机计算资源进行动态调整的技术,能有效的对网络服务规模需求做出有效的预测并提前调整云计算虚拟机计算资源集群,从而进一步体现云计算按需服务、弹性构建和自动化的优势,能有效适配当前网络服务对云计算虚拟机云计算资源规模需求。
本发明的目的通过下述技术方案实现:一种云计算弹性资源预测及构建方法,网络服务规模的需求由网络服务的接入数决定,其随机事件概率分布与经典的电话交换机接入数量的随机事件一致,均为独立增量过程,且服从非时齐泊松分布。若以ε(t)表示第t时刻网络服务规模需求事件,而每个时间段服务请求相互独立,即
ε(t1),ε(t2)-ε(t1),ε(t3)-ε(t2),......,ε(tn)-ε(tn-1)相互独立,且ε(tn)-ε(tn-1)分
布仅与tn-tn-1有关,其中tn代表t时间段的第n个时刻。
根据非时齐泊松过程分布,即s时间段内的计算需求服从如下分布:
N(t)表示第t时刻之前网络服务需求规模的总数量,n为需求的增量,∧(t)表示t时刻计算需求的平均数值,即过程强度。主要内容如下:
若N(t)代表当前时刻之前的网络服务需求规模的总数量,N(t+s)代表s时间段之后网络服务需求规模的总数量,则P(N(t+s)-N(t)=n)表示了在当前计算符合条件下将来时刻的网络服务需求规模预测概率,即以数学期望:
为准则对当前弹性计算资源池做出调整,实现虚拟机实例的按需增减,包括以下步骤:
步骤1、由用户制定不同时间点t的非时齐泊松的时间强度表、云计算虚拟机计算单元配置与计算单元数值表(如图3所示)以及转换因子K,初始化预测单元和资源构建单元;一般而言当t=0时,∧(t)=0。
步骤2、预测模块计算出下一个时刻点t1的期望E[N(t1)|0];
步骤3、资源构建单元计算出第一个时间点t1的M1=E[N(t1)|0]*K,
其中E[N(t1)|0]为在起始点条件下的t1时间点网络服务需求数的条件期望,所述起始点条件指挽留过服务需求数量为0;K为转换因子,该因子为最小单元虚拟机可最大满足网络接入服务数量;
步骤4、资源构建单元采取从高到低递归选取计算资源组合,并启动云计算虚拟机计算单元;
步骤5、判断时间点是否到达下一个时刻tn+1;
步骤6、若达到下一个时刻,则预测单元计算出下一个时刻tn+1的期望E[N(tn+1)|N(tn)];
步骤7、资源构建单元计算出下一个时刻的资源数Mn+1=E[N(tn+1)|N(tn)]*K;
步骤8、资源构建单元将当前的资源数Mn和下一个时刻点Mn+1对比,当Mn+1>Mn时,采用归档方式,从高到低递归增加计算资源组合;当Mn+1<Mn时,采用从低到高递归关闭计算资源组合,并返回步骤5。
所述步骤8包括以下步骤:
A、将云计算虚拟机最小单元配置与其能支持的网络服务数量向对应,以转换因子K表示。
B、云计算虚拟机计算资源所需构建的计算单元数,所述云计算虚拟机计算资源所需构建的计算单元数为:
M=E[N(t+s)|N(t)]*K,
其中E[N(t+s)|N(t)]为在t时刻网络服务需求数的条件下t+s时间网络服务需求数的条件期望;K为转换因子,该因子为最小单元虚拟机可最大满足网络接入服务数量;
对M进行取整增量处理,所述对M进行取整增量处理的方法为:当M为小数时,取M的整数位+1为最终数值;
C、对M进行资源分类递归处理,选取资源的最优化构建组合,所述对M进行资源分类递归处理,选取资源的最优化构建组合的方法为:当云计算虚拟机计算资源规模需要作出增加时,采用归档方式,从高到低递归选增加计算资源组合;当云计算虚拟机计算资源需要作出减小时,采用从低到高递归关闭计算资源。
所述步骤8中,对所述资源数Mn进行调整,所述对资源数Mn进行调整采用资源分类递归处理方式,所述资源分类递归处理方式为:将前当前时刻t的Mn与下一个时刻t+s的Mn+1对比,当Mn+1>Mn时,采用归档方式从高到低递归增加计算资源组合;当Mn+1<Mn时,采用从低到高递归关闭计算资源。例如当前的计算资源为M=5+3+2+1+1=12,若下一时间段需要的M=18时,采用M=5+3+2+1+1+6=18方式构建云计算虚拟机计算资源集群,即按照以当前计算单元规模为起始,按照计算单元数值高低从高到低递归增加4VCPU/4GRAM配置虚拟机计算单元;若下一时间段需要的M=8时,采用M=5+3=8方式构建云计算虚拟机计算资源集群,即按照计算单元的高低从低到高递归关闭2个1VCPU/256MRAM和1个2VCPU/512MRAM虚拟机计算单元。
本发明的弹性资源预测模型的构建方法如下:
构建基于非时齐泊松过程的网络服务需求预测数学模型的方法为:
网络服务规模的需求由网络服务的接入数决定,其随机事件概率分布与经典的电话交换机接入数量的随机事件一致,均为独立增量过程,且服从非时齐泊松分布。若以ε(t)表示第t时刻网络服务规模需求事件,而每个时间段服务请求相互独立,即:
ε(t1),ε(t2)-ε(t1),ε(t3)-ε(t2),......,ε(tn)-ε(tn-1)相互独立,
且ε(tn)-ε(tn-1)分布仅与tn-tn-1有关,
其中tn代表t时间段的第n个时刻。
根据非时齐泊松过程分布,即s时间段内的计算需求服从如下分布:
N(t)表示第t时刻之前网络服务需求规模的总数量,n为需求的增量,∧(t)表示t时刻计算需求的平均数值,即过程强度。
考虑到网络服务需求与时间段、日期有关,因此其泊松过程强度为非固定常数,该数值表可由云计算服务提供者依据其服务在不同时间段的服务规模的统计决定,在本方法中为日期、时间切分段的所对应的强度数值表,本方法称为时间强度表。
由于泊松过程的数学期望表示该段时间内计算需求增量的平均值,且P(N(t+s)-N(t)=n)=P(N(t+s)|N(t)),即若N(t)代表当前时刻之前的网络服务需求规模的总数量,N(t+s)代表s时间段之后网络服务需求规模的总数量,则P(N(t+s)-N(t)=n)表示了在当前时刻t网络服务需求规模条件下,下一个时刻t+s的网络服务需求规模预测概率。
综上所述,本发明该数学模型以非时齐泊松条件期望为标准,即以E[N(t+s)|N(t)]为准则对当前弹性计算资源池做出调整,实现虚拟机实例的按需增减,其中下一个时刻服务的需求预测为:
其中∧(t)在不同日期和时间段各不相同,由所提供服务的接入数的统计平均决定。
依据非时齐泊松过程的网络服务需求预测数学模型(以下简称预测模型)的云计算虚拟机计算资源规模调整方法,包括如下所述:
依据预测模型的条件数学期望,即依据E[N(t+s)|N(t)]调整云计算虚拟机计算资源规模,需要将预测的数值转换为对应的云计算虚拟机计算单元规模,从而实现对云计算虚拟机计算资源规模按需构建和弹性伸缩。
对该方法的进一步包括:
将云计算虚拟机最小单元配置与其能支持的网络服务数量向对应,如1VCPU/256MRAM的最小单元虚拟机可最大满足50个网络接入服务,此时本方法约定转换因子K=1/50。因此云计算虚拟机计算资源所需构建的计算单元数为M=E[N(t+s)|N(t)]*K,并对M进行取整增量处理,即M为小数时,取M的整数位+1为最终数值。
对M进行资源分类递归处理,选取资源的最优化构建组合。当云计算虚拟机计算资源规模需要作出增加时,采用归档方式,从高到低递归选增加计算资源组合;当云计算虚拟机计算资源需要作出减小时,采用从低到高递归关闭计算资源。在本方法中,可将云计算虚拟机计算单元配置按按附件图3所示的云计算虚拟机计算单元配置与计算单元数值表做转换为相对应的计算单元数。例如当前的计算资源为M=5+3+2+1+1=12,若下一时间段需要的M=18时,采用M=5+3+2+1+1+6=18方式构建云计算虚拟机计算资源集群,即按照以当前计算单元规模为起始,按照计算单元数值高低从高到低递归增加4VCPU/4GRAM配置虚拟机计算单元;若下一时间段需要的M=8时,采用M=5+3=8方式构建云计算虚拟机计算资源集群,即按照计算单元的高低从低到高递归关闭2个1VCPU/256MRAM和1个2VCPU/512MRAM虚拟机计算单元。
本发明的工作原理:
本发明依据典型的随机过程模型,即将网络服务需求与传统电信交换机的接入随机事件向匹配,服从Possion过程,并依据不同不服务不同时间是Possion过程的强度不同构建其规律统计模型,并将前当前时刻条件下的下一个时刻的网络服务需求的条件期望E[N(t+s)|N(t)]作为所计算资源弹性扩展的资源基数,并按照实际的云主机计算资源配置将该基数进行转换,实现对下一个时刻计算资源所需规模的预测。
本发明相对于现有技术具有如下的优点及效果:
1、实现了云计算的资源的按需使用、弹性扩展的特点,提高了云计算资源使用的效用比。
2、依据典型的随机事件过程对整个网络服务需求进行预测,可按照当前时间的网络服务需求规模预测下一个时刻的计算资源规模数,实现了对服务规模的概率预测。本发明可对将来时刻的云计算网络服务需求规模做出有效的预测,并对云计算虚拟机计算单元数作出优化调整和构建,进一步体现了云计算的按需服务、弹性构建和自动化部署的优势。其中该方法包括了设计一套基于非时齐泊松过程的预测数学模型,根据用户的定制可预测出出不同时间点的云计算网络服务需求规模的数值;并将该数值按照单位计算资源所能提供服务规模转换为实际所需的云计算虚拟机计算单元数,按照资源的增减和不同单位计算资源所能提供的服务规模决策出最佳的资源构建和调整策略,在保障云计算网络服务质量的前提下,提高了云计算的效用比,有效的利用云计算按需服务、弹性构建的优点进一步提高节能减排的效果。
3、本发明可预测数按照云计算自身云主机计算资源的配置进行优化搭配,实现计算资源的优化构建。
附图说明
图1是本发明在云计算弹性资源预测及构建方法实施的流程示意图。
图2是本发明在云计算弹性资源预测及构建方法实施的组成示意图。
图3是本发明云计算虚拟机计算单元配置与计算单元数值表。
具体实施方式
下面结合实施例及附图对本发明作进一步详细的描述,但本发明的实施方式不限于此。
实施例
本发明实施过程结合发明内容中的第一项构建基于非时齐泊松过程的网络服务需求预测数学模型,以此数学模型为基本进行资源的预测和弹性构建,该数学模型在云计算资源构建中使用也在本发明的保护范围之内。另外图3列举了云计算虚拟机计算单元配置与计算单元数值的对应关系,但在特定的情况下,其数值对应关系可以有所不同,与本发明的方法并不冲突。
图1为本发明基于泊松随机过程模型的云计算弹性资源预测及构建方法流程示意图,主要包括以下步骤:
步骤S110,由用户制定不同时间点t的非时齐泊松的时间强度表以及云计算虚拟机计算单元配置与计算单元数值表(如图3所示)和转换因子K,初始化预测单元和资源构建单元;一般而言当t=0时,∧(t)=0;
步骤S120,预测模块计算出下一个时刻点t1的期望E[N(t1)|0];
步骤S130,资源构建单元计算出第一个时间点t1的M1=E[N(t1)|0]*K;
步骤S140,资源构建单元采取从高到低递归选取计算资源组合,并启动云计算虚拟机计算单元;
步骤S150,判断时间点是否到达下一个时刻tn+1;
步骤S160,若达到下一个时刻,则预测单元计算出下一个时刻tn+1的期望E[N(tn+1)|N(tn)];
步骤S170,资源构建单元计算出下一个时刻的资源数Mn+1=E[N(tn+1)|N(tn)]*K;
步骤S180,资源构建单元将当前的资源数Mn和下一个时刻点Mn+1对比,当Mn+1>Mn时,采用归档方式,从高到低递归增加计算资源组合;当Mn+1<Mn时,采用从低到高递归关闭计算资源组合,并返回S150步骤。
图2为本发明在云计算弹性资源预测及构建方法实施的组成示意图,主要包括预测模块210、资源构建模220块两个部分,其中:
预测模块210,基于本发明提出的非时齐泊松数学模型构建,以用户根据自己服务的特点所构建的不同时间点的∧(t)数值表为输入,预测出相当于当前时刻的下一个时刻点的预测期望E[N(t+s)|N(t)]数值;
资源构建模块220,与210模块连接,获取预测模块所计算的预测期望E[N(t+s)|N(t)]数值,并且以用户服务特点制定的计算单元数值的对应表和转换因子K为初始化参数,计算出下一个时刻点的实际计算单元数Mn+1,并将当前的资源数Mn和下一个时刻点Mn+1对比,按照如图3所云计算虚拟机计算单元配置与计算单元数值表递归方式调整云计算虚拟机计算单元规模,当Mn+1>Mn时,采用归档方式,从高到低递归增加计算资源组合;当Mn+1<Mn时,采用从低到高递归关闭计算资源。
资源构建模块220可以包括:
计算单元数换算子模块,用以将预测模块的输出数值E[N(t+s)|N(t)]根据用户服务特点制定的转换因子K为初始化参数换算为实际的计算单元数M;
资源构建决策子模块,用以将计算出实际的计算单元数M按照步骤S170所述规则,查找例如图3所示云计算虚拟机计算单元配置与计算单元数值表计算出资源组合关系,并作出云计算虚拟机计算单元数的调整;
本领域的技术人员应该明白,上述发明的各个模块可以采用通用的计算装置实现,可以采用集中在单个计算装置,或者分布在多个计算装置的组成的网络上,可选地,它们可以用计算装置可执行代码来实现,从而可以将他们存储在存储装置中用计算装置来执行。这样本发明不受限于任何特定的计算装置和软件结合。
上述实施例为本发明较佳的实施方式,但本发明的实施方式并不受上述实施例的限制,其他的任何未背离本发明的精神实质与原理下所作的改变、修饰、替代、组合、简化,均应为等效的置换方式,都包含在本发明的保护范围之内。
Claims (3)
1.一种云计算弹性资源预测及构建方法,其特征在于,包括以下步骤:
步骤1、由用户制定不同时间点t的非时齐泊松的时间强度表、云计算虚拟机计算单元配置与计算单元数值表以及转换因子K,初始化预测单元和资源构建单元;
步骤2、预测单元计算出下一个时间点t1的期望E[N(t1)|0];
步骤3、资源构建单元计算出第一个时间点t1的资源组合数:
M1=E[N(t1)|0]*K,
其中E[N(t1)|0]为在起始点条件下的t1时间点网络服务需求数的条件期望,其中时间起始点条件为0表示在时间起始点处网络的服务需求为0;K为转换因子;
步骤4、资源构建单元采取从高到低递归选取计算资源组合,并启动云计算虚拟机计算单元;
步骤5、判断时间点是否到达下一个时刻tn+1;
步骤6、若达到下一个时刻,则预测单元计算出下一个时刻tn+1的期望E[N(tn+1)|N(tn)];
步骤7、资源构建单元计算出下一个时刻的资源数Mn+1=E[N(tn+1)|N(tn)]*K;
步骤8、资源构建单元将当前的资源数Mn和下一个时刻的资源数Mn+1对比;当Mn+1>Mn时,采用归档方式,从高到低递归增加计算资源组合;当Mn+1<Mn时,采用从低到高递归关闭计算资源组合,并返回步骤5。
2.根据权利要求1所述的云计算弹性资源预测及构建方法,其特征在于,所述步骤8包括以下步骤:
A、将云计算虚拟机最小单元配置与其能支持的网络服务数量相对应,以转换因子K表示;
B、云计算虚拟机计算资源所需构建的计算单元数,所述云计算虚拟机计算资源所需构建的计算单元数为:
M=E[N(t+s)|N(t)]*K,
其中E[N(t+s)|N(t)]为在t时刻网络服务需求数的条件下t+s时间网络服务需求数的条件期望;K为转换因子;
对M进行取整增量处理,所述对M进行取整增量处理的方法为:当M为小数时,取M的整数位+1为最终数值;
C、对M进行资源分类递归处理,选取资源的最优化构建组合,所述对M进行资源分类递归处理,选取资源的最优化构建组合的方法为:当云计算虚拟机计算资源规模需要作出增加时,采用归档方式,从高到低递归选增加计算资源组合;当云计算虚拟机计算资源需要作出减小时,采用从低到高递归关闭计算资源。
3.根据权利要求1所述的云计算弹性资源预测及构建方法,其特征在于,所述步骤8中,对所述资源数Mn进行调整,所述对资源数Mn进行调整采用资源分类递归处理方式,所述资源分类递归处理方式为:将当前时刻t的Mn与下一个时刻t+s的Mn+1对比,当Mn+1>Mn时,采用归档方式从高到低递归增加计算资源组合;当Mn+1<Mn时,采用从低到高递归关闭计算资源。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201310153762.0A CN103220365B (zh) | 2013-04-27 | 2013-04-27 | 一种云计算弹性资源预测及构建方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201310153762.0A CN103220365B (zh) | 2013-04-27 | 2013-04-27 | 一种云计算弹性资源预测及构建方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN103220365A CN103220365A (zh) | 2013-07-24 |
CN103220365B true CN103220365B (zh) | 2016-01-20 |
Family
ID=48817816
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201310153762.0A Expired - Fee Related CN103220365B (zh) | 2013-04-27 | 2013-04-27 | 一种云计算弹性资源预测及构建方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN103220365B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US11848826B2 (en) | 2014-04-08 | 2023-12-19 | Kyndryl, Inc. | Hyperparameter and network topology selection in network demand forecasting |
Families Citing this family (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US10043194B2 (en) | 2014-04-04 | 2018-08-07 | International Business Machines Corporation | Network demand forecasting |
US10361924B2 (en) | 2014-04-04 | 2019-07-23 | International Business Machines Corporation | Forecasting computer resources demand |
US9385934B2 (en) | 2014-04-08 | 2016-07-05 | International Business Machines Corporation | Dynamic network monitoring |
US10713574B2 (en) | 2014-04-10 | 2020-07-14 | International Business Machines Corporation | Cognitive distributed network |
US9413626B2 (en) * | 2014-12-05 | 2016-08-09 | Amazon Technologies, Inc. | Automatic management of resource sizing |
CN104572302B (zh) * | 2015-01-04 | 2018-09-11 | 中国联合网络通信集团有限公司 | 一种实现资源分配的方法及装置 |
CN109901928B (zh) * | 2019-03-01 | 2022-11-29 | 厦门星界链科技有限公司 | 一种推荐云主机配置的方法及云主机 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102857548A (zh) * | 2012-04-25 | 2013-01-02 | 梁宏斌 | 一种移动云计算资源优化配置方法 |
CN102938790A (zh) * | 2012-11-20 | 2013-02-20 | 无锡城市云计算中心有限公司 | 云计算系统中的资源分配方法 |
CN102981890A (zh) * | 2012-11-30 | 2013-03-20 | 华南理工大学 | 一种在虚拟化数据中心内的计算任务及虚拟机部署方法 |
CN103034527A (zh) * | 2013-01-09 | 2013-04-10 | 上海交通大学 | 混合虚拟化云计算资源优化控制方法与系统 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US9619357B2 (en) * | 2011-09-28 | 2017-04-11 | International Business Machines Corporation | Hybrid storage devices |
US9158586B2 (en) * | 2011-10-10 | 2015-10-13 | Cox Communications, Inc. | Systems and methods for managing cloud computing resources |
-
2013
- 2013-04-27 CN CN201310153762.0A patent/CN103220365B/zh not_active Expired - Fee Related
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102857548A (zh) * | 2012-04-25 | 2013-01-02 | 梁宏斌 | 一种移动云计算资源优化配置方法 |
CN102938790A (zh) * | 2012-11-20 | 2013-02-20 | 无锡城市云计算中心有限公司 | 云计算系统中的资源分配方法 |
CN102981890A (zh) * | 2012-11-30 | 2013-03-20 | 华南理工大学 | 一种在虚拟化数据中心内的计算任务及虚拟机部署方法 |
CN103034527A (zh) * | 2013-01-09 | 2013-04-10 | 上海交通大学 | 混合虚拟化云计算资源优化控制方法与系统 |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US11848826B2 (en) | 2014-04-08 | 2023-12-19 | Kyndryl, Inc. | Hyperparameter and network topology selection in network demand forecasting |
Also Published As
Publication number | Publication date |
---|---|
CN103220365A (zh) | 2013-07-24 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN103220365B (zh) | 一种云计算弹性资源预测及构建方法 | |
Yu et al. | Deadline scheduling as restless bandits | |
Shi et al. | Stochastic unit commitment with topology control recourse for power systems with large-scale renewable integration | |
CN104038392A (zh) | 一种云计算资源服务质量评估方法 | |
CN103853918B (zh) | 一种基于空闲时间预测的云计算服务器调度方法 | |
CN103605567A (zh) | 面向实时性需求变化的云计算任务调度方法 | |
CN103365727A (zh) | 一种云计算环境中的主机负载预测方法 | |
Li et al. | Deep reinforcement learning: Algorithm, applications, and ultra-low-power implementation | |
CN111614844B (zh) | 呼叫中心排班的方法、系统、设备及介质 | |
WO2019196427A1 (zh) | 基于支撑故障事件约束机组组合的备用优化方法和装置 | |
CN106162680A (zh) | 扩容参数确定方法及装置 | |
Wu et al. | A deadline-aware estimation of distribution algorithm for resource scheduling in fog computing systems | |
CN109756372B (zh) | 一种电信计费系统的弹性伸缩方法及装置 | |
JP2016177675A (ja) | 推定装置、推定方法およびコンピュータプログラム | |
CN107728466A (zh) | 一种适用于数控系统固定优先级可靠性感知能耗优化方法 | |
CN108122067B (zh) | 一种建筑需求响应动态过程的建模方法和系统 | |
CN103530801A (zh) | 一种基于动态定价策略的多数据中心成本优化方法 | |
CN117332896A (zh) | 多层集成学习的新能源小时间尺度功率预测方法及系统 | |
CN117061367A (zh) | Cdn节点带宽引导方法、装置、电子设备和存储介质 | |
CN106657238A (zh) | 一种面向交互式工作负载的数据中心粗粒度动态服务器预留算法 | |
Blanco et al. | Exploiting green energy to reduce the operational costs of multi-center web search engines | |
CN117081163A (zh) | 源荷耦合风光出力场景的生成方法及装置 | |
CN110969294A (zh) | 虚拟电厂分段出力计划确定和储能系统配置方法及装置 | |
CN103237072B (zh) | 一种基于用户满意度感知的数据中心服务布置方法 | |
CN104702676B (zh) | 一种铁路分布式数据中心资源调度方法 |
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 | ||
CB03 | Change of inventor or designer information |
Inventor after: Li Lei Inventor after: Jin Lianwen Inventor after: Huang Haibin Inventor before: Jin Lianwen Inventor before: Li Lei |
|
COR | Change of bibliographic data | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20160120 Termination date: 20210427 |
|
CF01 | Termination of patent right due to non-payment of annual fee |