CN103530190B - 一种负载预测方法及装置 - Google Patents
一种负载预测方法及装置 Download PDFInfo
- Publication number
- CN103530190B CN103530190B CN201310479084.7A CN201310479084A CN103530190B CN 103530190 B CN103530190 B CN 103530190B CN 201310479084 A CN201310479084 A CN 201310479084A CN 103530190 B CN103530190 B CN 103530190B
- Authority
- CN
- China
- Prior art keywords
- prediction
- load
- sequence
- modeling
- normal
- 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
Abstract
本发明提供一种负载预测方法及装置，包括：收集负载信息，根据所述负载信息形成负载序列，对所述负载序列进行建模，得到建模方程；对所述负载序列进行分析，得到不同时期同一时刻的预测偏大点数量和预测偏小点数量；根据所述预测偏大点数量和预测偏小点数量确定补偿阈值，并根据所述补偿阈值和所述建模方程计算负载预测值。本发明实施例通过提供一种负载预测方法及装置，通过收集负载信息形成的负载序列，对负载序列进行建模得到建模方程，通过对负载序列进行分析，得到不同时期同一时刻的预测偏大点数量和预测偏小点数量，进而得到补偿阈值，从而根据补偿阈值和建模方程计算得到负载预测值更加准确，效率高。
Description
技术领域
本发明涉及负载预测技术，特别涉及一种负载预测方法及装置。
背景技术
随着虚拟化等关键技术的发展，云计算作为一种新兴的信息技术运用模式得到越来越广泛的关注和普及，越来越多的企业趋向于从云计算平台购买计算资源。其中，最为常见的就是提供Web服务的企业。由于受时间、地域、用户使用习惯等因素的影响，绝大部分的Web应用需求都是随着时间变化的。尽管用户可以根据应用需求的变化在一个较短的时间间隔内自由地增加或减少购买的计算资源。但是，如果企业只是在发现当前资源无法满足负载需求时再被动申请资源，那么Web应用服务质量必然会受到一定影响，用户体验的降低会导致用户的流失，进而会影响到企业的收入。
现有技术中的负载预测方法包括：
A、根据距离预测时间点；
B、在预设时间范围内，获取服务器的多个历史负载抽样值；
C、根据获取到的所述历史负载抽样值，调用立方卷积插值算法,计算出所述服务器在所述预测时间点上的负载值。
然而，现有技术的缺点是：利用立方卷积插值算法对服务器在预测时间点上的负载值进行计算，由于计算复杂度较高，导致计算效率太低。
发明内容
（一）解决的技术问题
本发明解决的技术问题是：如何提供一种负载预测方法及装置，用于解决目前负载预测中计算效率低的问题。
（二）技术方案
本发明实施例提供了一种负载预测方法，包括：
收集负载信息，根据所述负载信息形成负载序列，对所述负载序列进行建模，得到建模方程；
对所述负载序列进行分析，得到不同时期同一时刻的预测偏大点数量和预测偏小点数量；
根据所述预测偏大点数量和预测偏小点数量确定补偿阈值，并根据所述补偿阈值和所述建模方程计算负载预测值。
优选地，对所述负载序列进行建模，得到的建模方程为：
ADPtXt+1=APtXt+1+fec(C(t+1),E(t+1))；
fec(C(t),E(t))=C(t)*|E(t)|*p；
其中，APtXt+1为在t时刻预测t+1时刻的负载值；C(t)为t时刻的补偿阈值；E(t)为t时刻的误差期望；p为所述预测偏大点数量和所述预测偏小点数量的差值与总点数量之商。
优选地，对所述负载序列进行建模，得到建模方程，具体包括：
判断所述负载序列是否为平稳序列，如果不是，对所述负载序列进行差分计算，并继续判断得到的序列是否为平稳序列，直到判断为平稳序列，继续进行下一步；
根据所述负载序列计算模型阶数和模型参数，并利用所述模型阶数和所述模型参数进行计算，得到ARMA模型，利用该ARMA模型建立所述建模方程。
优选地，所述对所述负载序列进行分析，得到不同时期同一时刻的预测偏大点数量和预测偏小点数量，具体包括：
利用ARMA模型对所述负载序列进行分析，得到分析结果；
利用所述分析结果统计不同时期同一时刻的预测偏大点数量和预测偏小点数量。
优选地，所述根据所述预测偏大点数量和预测偏小点数量确定补偿阈值，具体包括：
计算所述预测偏大点数量和所述预测偏小点数量的差值与总点数量之商得到计算结果，将该计算结果与预设阈值进行比较，如果所述计算结果大于预设阈值，则进行负向补偿，如果所述计算结果小于预设阈值，则进行正向补偿；
根据负向补偿值和正向补偿值分别计算负向补偿和正向补偿时的误差期望值；
根据所述建模方程计算负载预测值。
本发明实施例还提供了一种负载预测装置，包括：
收集模块，用于收集负载信息，将所述负载信息传输给负载序列形成模块；
所述负载序列形成模块，用于根据所述负载信息形成负载序列，并将所述负载序列传输给建模模块和分析模块；
所述建模模块，用于对所述负载序列进行建模，得到建模方程，将所述建模方程传输给计算模块；
所述分析模块，用于对所述负载序列进行分析，得到不同时期同一时刻的预测偏大点数量和预测偏小点数量，将所述预测偏大点数量和所述预测偏小点数量传输给补偿阈值确定模块；
所述补偿阈值确定模块，用于根据所述预测偏大点数量和预测偏小点数量确定补偿阈值，将所述补偿阈值传输给所述计算模块；
所述计算模块，用于根据所述补偿阈值和所述建模方程计算负载预测值。
优选地，对所述负载序列进行建模，得到的建模方程为：
ADPtXt+1=APtXt+1+fec(C(t+1),E(t+1))；
fec(C(t),E(t))=C(t)*|E(t)|*p；
其中，APtXt+1为在t时刻预测t+1时刻的负载值；C(t)为t时刻的补偿阈值；E(t)为t时刻的误差期望；p为所述预测偏大点数量和所述预测偏小点数量的差值与总点数量之商。
优选地，所述建模模块包括：
判断子模块，用于判断所述负载序列是否为平稳序列，如果判断结果为不是，则将判断结果传输给第一计算子模块，如果判断结果为是，则将判断结果传输给第二计算子模块；
所述第一计算子模块，用于对所述负载序列进行差分计算，并将计算得到的序列传输给所述判断子模块继续进行判断，直到所述判断子模块判断得到的序列为平稳序列；
所述第二计算子模块，用于根据所述负载序列进行模型阶数和模型参数，并利用所述模型阶数和所述模型参数进行计算，得到ARMA模型，将ARMA模型传输给建模子模块；
所述建模子模块，用于利用ARMA模型建立所述建模方程。
优选地，
所述分析模块，还用于利用ARMA模型对所述负载序列进行分析，得到分析结果，将所述分析结果传输给统计模块；
所述装置还包括：统计模块，用于根据所述分析结果统计不同时期同一时刻的预测偏大点数量和预测偏小点数量。
优选地，所述补偿阈值确定模块包括：
第三计算子模块，用于计算所述预测偏大点数量和所述预测偏小点数量的差值与总点数量之商得到计算结果，将该计算结果传输给比较子模块；以及用于根据负向补偿值和正向补偿值分别计算负向补偿和正向补偿时的误差期望值，并根据所述建模方程计算负载预测值；
所述比较子模块，用于将所述计算结果与预设阈值进行比较，如果所述计算结果大于预设阈值，则进行负向补偿，如果所述计算结果小于预设阈值，则进行正向补偿，将负向补偿值或正向补偿值传输给所述第三计算子模块。
（三）有益效果
本发明实施例通过提供一种负载预测方法及装置，通过收集负载信息形成的负载序列，对负载序列进行建模得到建模方程，通过对负载序列进行分析，得到不同时期同一时刻的预测偏大点数量和预测偏小点数量，进而得到补偿阈值，从而根据补偿阈值和建模方程计算得到负载预测值更加准确，效率高。
附图说明
图1是本发明实施例一提供的方法流程图；
图2是本发明实施例二提供的方法流程图；
图3是本发明实施例三提供的装置结构示意图。
具体实施方式
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作一简单地介绍，显而易见地，下面描述中的附图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。
实施例1：
本发明实施例提供了一种负载预测方法，该方法流程图如图1所示，包括：
步骤S1：收集负载信息，根据所述负载信息形成负载序列，对所述负载序列进行建模，得到建模方程；
步骤S2：对所述负载序列进行分析，得到不同时期同一时刻的预测偏大点数量和预测偏小点数量；
步骤S3：根据所述预测偏大点数量和预测偏小点数量确定补偿阈值，并根据所述补偿阈值和所述建模方程计算负载预测值。
本发明实施例通过提供一种负载预测方法及装置，通过收集负载信息形成的负载序列，对负载序列进行建模得到建模方程，通过对负载序列进行分析，得到不同时期同一时刻的预测偏大点数量和预测偏小点数量，进而得到补偿阈值，从而根据补偿阈值和建模方程计算得到负载预测值更加准确，效率高。
在本发明实施例中，通过利用平稳序列计算模型阶数和模型参数得到ARMA模型，并利用ARMA模型建立建模方程，从而保证了基本的预测准确度。
通过计算所述预测偏大点数量和所述预测偏小点数量的差值与总点数量之商得到计算结果，将该计算结果与预设阈值进行比较，如果所述计算结果大于预设阈值，则进行负向补偿，如果所述计算结果小于预设阈值，则进行正向补偿；根据建模方程计算出负载预测值，有效提高了预测精度，降低了误差。
实施例2
为了完善或补充上述实施例1，本发明实施例提供了一种负载预测方法，该方法流程图如图2所示，包括：
步骤201：确定时间窗口，收集Web负载信息，根据该负载信息形成负载序列；
其中，收集Web负载信息的过程为线下收集过程；
在本发明实施例中，Web负载信息为单位时间内用户的请求数量。
步骤202：对形成的负载序列进行建模，得到建模方程；
其中，利用ARMA模型对负载序列进行建模；
首先形成ARMA模型的过程为：
2021：判断所述负载序列是否为平稳序列，如果不是，则跳转2022；如果是，则跳转2023；
2022：对所述负载序列进行差分计算，并返回步骤2021；
2023：根据所述负载序列计算模型阶数和模型参数；
其中，利用ACF/PACF方法或者信息准则计算模型阶数；使用极大似然估计或者矩估计计算模型参数。
其中，对于模型阶数和模型参数进行周期性离线分析更新，为在线预测时，可以根据获取到的模型迅速计算出下一时刻负载值，速度快，效率高。
2024：利用所述模型阶数和所述模型参数进行计算，得到ARMA模型。
其次，利用该ARMA模型建立所述建模方程。
其中，建模方程式为：
ADPtXt+1=APtXt+1+fec(C(t+1),E(t+1))；
fec(C(t),E(t))=C(t)*|E(t)|*p；
其中，APtXt+1为在t时刻预测t+1时刻的负载值；C(t)为t时刻的补偿阈值，正向补偿时，取值为1，负向补偿时，取值为-1，其他情况取值为0；E(t)为t时刻的误差期望；p为所述预测偏大点数量和所述预测偏小点数量的差值与总点数量之商。
步骤203：利用ARMA模型对负载序列进行分析，得到分析结果；
步骤204：在分析结果中，统计得到不同时期同一时刻的预测偏大点数量和预测偏小点数量；
步骤205：计算所述预测偏大点数量和所述预测偏小点数量的差值与总点数量之商得到计算结果；
步骤206：将该计算结果与预设阈值进行比较，如果所述计算结果大于预设阈值，则进行负向补偿，如果所述计算结果小于预设阈值，则进行正向补偿；
步骤207：根据负向补偿值C(t)=-1和正向补偿值C(t)=1分别计算负向补偿和正向补偿时的误差期望值E(t)，并将得到的数据代入上述建模方程进行计算，得到负载预测值。
其中，若该时刻为非补偿阈值C(t)=0，则预测误差期望E(t)=0。
例如，获取1998年世界杯网站用户访问信息，通过统计了其中五月一日至五月十日的数据（部分数据参见表1），前七天数据用于ARMA模型建立以及补偿阈值相关信息获取，后三天数据用于验证模型有效性。
表1
对负载信息进行分析，以及对新数据进行预测，具体结果见表2。
表2
使用获取到得ARMA模型对历史数据进行预测分析，其中，阀值设定为0.4，若(预测偏大点数量-预测偏小点数量)/总点数量大于0.4，为负向补偿阈值；若(预测偏大点数量-预测偏小点数量)/总点数量大于0.4，为正向补偿阈值；部分结果见表3。
表3
对May8中3点到6点进行预测，相关常数值分别设置如下：α=70。
在3点的时候，
ADP2X3=AP2X3+fec(C(3),E(3))，
由表2知AP2X3=743，
fec(C(3),E(3))=C(3)*|E(3)|*p=19*3/7=8.14。
因此，
ADP2X3=743+8.14=751.14，
从表1知这一时刻实际值为766，误差进一步缩小。
在4、5点时，由于C(4)=0,C(5)=0,这两个时刻为非补偿阈值，因此，ADP3X4=AP3X4=720，ADP4X5=AP4X5=722，误差同ARMA模型相同。
在6点时，C(6)=-1,为负向补偿阈值，
ADP5X6=AP5X6+fec(C(6),
E(6))=AP5X6+C(6)*|E(6)|*p=776+(-1)*|-66|*5/7=729，
从表1知这一时刻实际值为741，原预测方法误差为776-741=35,新预测方法误差为741-729=12，误差进一步缩小。
本发明实施例通过提供一种负载预测方法，通过利用ARMA模型，保证了基本的预测准确度；通过周期性离线分析更新预测模型参数和模型阶数，在线预测时，可以根据获取到的模型迅速计算出下一时刻负载值，速度快，效率高。通过对负载信息进行误差分析确定补偿阈值，在新的预测中基于补偿阈值进行动态误差补偿，有效的提高了预测精度，降低了误差。
实施例3
本发明实施例还提供了一种负载预测装置，如图3所示，包括：
收集模块301，用于收集负载信息，将所述负载信息传输给负载序列形成模块；
所述负载序列形成模块302，用于根据所述负载信息形成负载序列，并将所述负载序列传输给建模模块和分析模块；
所述建模模块303，用于对所述负载序列进行建模，得到建模方程，将所述建模方程传输给计算模块；
所述分析模块304，用于对所述负载序列进行分析，得到不同时期同一时刻的预测偏大点数量和预测偏小点数量，将所述预测偏大点数量和所述预测偏小点数量传输给补偿阈值确定模块；
所述补偿阈值确定模块305，用于根据所述预测偏大点数量和预测偏小点数量确定补偿阈值，将所述补偿阈值传输给所述计算模块；
所述计算模块306，用于根据所述补偿阈值和所述建模方程计算负载预测值。
进一步的，对所述负载序列进行建模，得到的建模方程为：
ADPtXt+1=APtXt+1+fec(C(t+1),E(t+1))；
fec(C(t),E(t))=C(t)*|E(t)|*p；
其中，APtXt+1为在t时刻预测t+1时刻的负载值；C(t)为t时刻的补偿阈值；E(t)为t时刻的误差期望；p为所述预测偏大点数量和所述预测偏小点数量的差值与总点数量之商。
进一步的，所述建模模块包括：
判断子模块，用于判断所述负载序列是否为平稳序列，如果判断结果为不是，则将判断结果传输给第一计算子模块，如果判断结果为是，则将判断结果传输给第二计算子模块；
所述第一计算子模块，用于对所述负载序列进行差分计算，并将计算得到的序列传输给所述判断子模块继续进行判断，直到所述判断子模块判断得到的序列为平稳序列；
所述第二计算子模块，用于根据所述负载序列进行模型阶数和模型参数，并利用所述模型阶数和所述模型参数进行计算，得到ARMA模型，将ARMA模型传输给建模子模块；
所述建模子模块，用于利用ARMA模型建立所述建模方程。
进一步的，
所述分析模块，还用于利用ARMA模型对所述负载序列进行分析，得到分析结果，将所述分析结果传输给统计模块；
所述装置还包括：统计模块，用于根据所述分析结果统计不同时期同一时刻的预测偏大点数量和预测偏小点数量。
进一步的，所述补偿阈值确定模块包括：
第三计算子模块，用于计算所述预测偏大点数量和所述预测偏小点数量的差值与总点数量之商得到计算结果，将该计算结果传输给比较子模块；以及用于根据负向补偿值和正向补偿值分别计算负向补偿和正向补偿时的误差期望值，并根据所述建模方程计算负载预测值；
所述比较子模块，用于将所述计算结果与预设阈值进行比较，如果所述计算结果大于预设阈值，则进行负向补偿，如果所述计算结果小于预设阈值，则进行正向补偿，将负向补偿值或正向补偿值传输给所述第三计算子模块。
在本发明实施例中，通过利用ARMA模型，保证了基本的预测准确度；通过第二计算子模块周期性离线分析更新预测模型参数和模型阶数，在线预测时，可以根据获取到的模型迅速计算出下一时刻负载值，速度快，效率高。补偿阈值确定模块通过对负载信息进行误差分析确定补偿阈值，在新的预测中基于补偿阈值进行动态误差补偿，有效的提高了预测精度，降低了误差。
以上实施方式仅用于说明本发明，而并非对本发明的限制，有关技术领域的普通技术人员，在不脱离本发明的精神和范围的情况下，还可以做出各种变化和变型，因此所有等同的技术方案也属于本发明的范畴，本发明的专利保护范围应由权利要求限定。
Claims (8)
1.一种负载预测方法，其特征在于，包括：
收集负载信息，根据所述负载信息形成负载序列，对所述负载序列进行建模，得到建模方程；
对所述负载序列进行分析，得到不同时期同一时刻的预测偏大点数量和预测偏小点数量；
根据所述预测偏大点数量和预测偏小点数量确定补偿阈值，并根据所述补偿阈值和所述建模方程计算负载预测值；
其中对所述负载序列进行建模，得到建模方程，具体包括：
判断所述负载序列是否为平稳序列，如果不是，对所述负载序列进行差分计算，并继续判断得到的序列是否为平稳序列，直到判断为平稳序列，继续进行下一步；
根据所述负载序列计算模型阶数和模型参数，并利用所述模型阶数和所述模型参数进行计算，得到ARMA模型，利用该ARMA模型建立所述建模方程。
2.如权利要求1所述的方法，其特征在于，对所述负载序列进行建模，得到的建模方程为：
ADPtXt+1＝APtXt+1+fec(C(t+1),E(t+1))；
fec(C(t),E(t))＝C(t)*|E(t)|*p；
其中，APtXt+1为在t时刻预测t+1时刻的负载值；C(t)为t时刻的补偿阈值；E(t)为t时刻的误差期望；p为所述预测偏大点数量和所述预测偏小点数量的差值与总点数量之商。
3.如权利要求1所述的方法，其特征在于，所述对所述负载序列进行分析，得到不同时期同一时刻的预测偏大点数量和预测偏小点数量，具体包括：
利用ARMA模型对所述负载序列进行分析，得到分析结果；
利用所述分析结果统计不同时期同一时刻的预测偏大点数量和预测偏小点数量。
4.如权利要求3所述的方法，其特征在于，所述根据所述预测偏大点数量和预测偏小点数量确定补偿阈值，具体包括：
计算所述预测偏大点数量和所述预测偏小点数量的差值与总点数量之商得到计算结果，将该计算结果与预设阈值进行比较，如果所述计算结果大于预设阈值，则进行负向补偿，如果所述计算结果小于预设阈值，则进行正向补偿；
根据负向补偿值和正向补偿值分别计算负向补偿和正向补偿时的误差期望值；
根据所述建模方程计算负载预测值。
5.一种负载预测装置，其特征在于，包括：
收集模块，用于收集负载信息，将所述负载信息传输给负载序列形成模块；
所述负载序列形成模块，用于根据所述负载信息形成负载序列，并将所述负载序列传输给建模模块和分析模块；
所述建模模块，用于对所述负载序列进行建模，得到建模方程，将所述建模方程传输给计算模块；
所述分析模块，用于对所述负载序列进行分析，得到不同时期同一时刻的预测偏大点数量和预测偏小点数量，将所述预测偏大点数量和所述预测偏小点数量传输给补偿阈值确定模块；
所述补偿阈值确定模块，用于根据所述预测偏大点数量和预测偏小点数量确定补偿阈值，将所述补偿阈值传输给所述计算模块；
所述计算模块，用于根据所述补偿阈值和所述建模方程计算负载预测值；
其中所述建模模块包括：
判断子模块，用于判断所述负载序列是否为平稳序列，如果判断结果为不是，则将判断结果传输给第一计算子模块，如果判断结果为是，则将判断结果传输给第二计算子模块；
所述第一计算子模块，用于对所述负载序列进行差分计算，并将计算得到的序列传输给所述判断子模块继续进行判断，直到所述判断子模块判断得到的序列为平稳序列；
所述第二计算子模块，用于根据所述负载序列进行模型阶数和模型参数，并利用所述模型阶数和所述模型参数进行计算，得到ARMA模型，将ARMA模型传输给建模子模块；
所述建模子模块，用于利用ARMA模型建立所述建模方程。
6.如权利要求5所述的装置，其特征在于，对所述负载序列进行建模，得到的建模方程为：
ADPtXt+1＝APtXt+1+fec(C(t+1),E(t+1))；
fec(C(t),E(t))＝C(t)*|E(t)|*p；
其中，APtXt+1为在t时刻预测t+1时刻的负载值；C(t)为t时刻的补偿阈值；E(t)为t时刻的误差期望；p为所述预测偏大点数量和所述预测偏小点数量的差值与总点数量之商。
7.如权利要求5所述的装置，其特征在于，
所述分析模块，还用于利用ARMA模型对所述负载序列进行分析，得到分析结果，将所述分析结果传输给统计模块；
所述装置还包括：统计模块，用于根据所述分析结果统计不同时期同一时刻的预测偏大点数量和预测偏小点数量。
8.如权利要求7所述的装置，其特征在于，所述补偿阈值确定模块包括：
第三计算子模块，用于计算所述预测偏大点数量和所述预测偏小点数量的差值与总点数量之商得到计算结果，将该计算结果传输给比较子模块；以及用于根据负向补偿值和正向补偿值分别计算负向补偿和正向补偿时的误差期望值，并根据所述建模方程计算负载预测值；
所述比较子模块，用于将所述计算结果与预设阈值进行比较，如果所述计算结果大于预设阈值，则进行负向补偿，如果所述计算结果小于预设阈值，则进行正向补偿，将负向补偿值或正向补偿值传输给所述第三计算子模块。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201310479084.7A CN103530190B (zh) | 2013-10-14 | 2013-10-14 | 一种负载预测方法及装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201310479084.7A CN103530190B (zh) | 2013-10-14 | 2013-10-14 | 一种负载预测方法及装置 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN103530190A CN103530190A (zh) | 2014-01-22 |
| CN103530190B true CN103530190B (zh) | 2016-08-17 |
Family
ID=49932227
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201310479084.7A Active CN103530190B (zh) | 2013-10-14 | 2013-10-14 | 一种负载预测方法及装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN103530190B (zh) |
Families Citing this family (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105677551B (zh) * | 2015-12-31 | 2019-05-31 | 联想(北京)有限公司 | 一种确定负载信息的方法及电子设备 |
| 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 |
| CN107191666B (zh) * | 2017-05-23 | 2019-09-17 | 浙江理工大学 | 面向天然气分输站的安全切断阀性能监测方法及系统 |
| CN112486738B (zh) * | 2019-09-12 | 2022-04-26 | 阿里巴巴集团控股有限公司 | 负载测试方法、装置、电子设备及计算机可读存储介质 |
Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102063327A (zh) * | 2010-12-15 | 2011-05-18 | 中国科学院深圳先进技术研究院 | 具有功耗意识的数据中心应用服务调度方法 |
| CN102104509A (zh) * | 2011-02-17 | 2011-06-22 | 浪潮(北京)电子信息产业有限公司 | 云操作系统中服务器负载预测的方法及装置 |
Family Cites Families (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2008038342A1 (en) * | 2006-09-27 | 2008-04-03 | Fujitsu Limited | Connection control method, connection control program, and connection control device |
| US8909763B2 (en) * | 2011-03-31 | 2014-12-09 | Mitsubishi Heavy Industries, Ltd. | Computing-device management device, computing-device management method, and computing-device management program |
-
2013
- 2013-10-14 CN CN201310479084.7A patent/CN103530190B/zh active Active
Patent Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102063327A (zh) * | 2010-12-15 | 2011-05-18 | 中国科学院深圳先进技术研究院 | 具有功耗意识的数据中心应用服务调度方法 |
| CN102104509A (zh) * | 2011-02-17 | 2011-06-22 | 浪潮(北京)电子信息产业有限公司 | 云操作系统中服务器负载预测的方法及装置 |
Non-Patent Citations (1)
| Title |
|---|
| 分布式系统中主机负载预测;马雪梅;《中国优秀硕士学位论文全文数据库 信息科技辑》;20050630;正文第30-42页 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN103530190A (zh) | 2014-01-22 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN108764863B (zh) | 一种数据转移方法、装置、服务器和存储介质 | |
| JP5313990B2 (ja) | 応答時間に基づいてサービスリソース消費を推定すること | |
| Huang et al. | Resource prediction based on double exponential smoothing in cloud computing | |
| US7720955B1 (en) | Determining performance of an application based on transactions | |
| KR101012863B1 (ko) | 고객기준부하 산출을 위한 부하 예측 비교 분석 시스템 | |
| Lin et al. | Enhancing and measuring the predictive capabilities of testing-effort dependent software reliability models | |
| CN103577268B (zh) | 基于应用负载的自适应资源供应方法 | |
| Xu et al. | Electric vehicle fleet size for carsharing services considering on-demand charging strategy and battery degradation | |
| CN103530190B (zh) | 一种负载预测方法及装置 | |
| CN108038040A (zh) | 计算机集群性能指标检测方法、电子设备及存储介质 | |
| US20120185851A1 (en) | Calculating virtual machine resource utilization information | |
| CN105205570A (zh) | 一种基于季节时序分析的电网售电量预测方法 | |
| CN1936849A (zh) | 资源动态调整方法及设备 | |
| CN102082703A (zh) | 业务支撑系统设备性能监控的方法及装置 | |
| CN102508774A (zh) | 基于新环境因子函数的软件可靠性增长模型的建模方法 | |
| CN110633194B (zh) | 一种硬件资源在特定环境下的性能评估方法 | |
| CN101771758A (zh) | 一种性能指标值正常波动范围的动态确定方法及其装置 | |
| Gmach et al. | Resource and virtualization costs up in the cloud: Models and design choices | |
| Yao et al. | Hybrid methods for short-term traffic flow prediction based on ARIMA-GARCH model and wavelet neural network | |
| CN108550047A (zh) | 交易量的预测方法及装置 | |
| CN109586954A (zh) | 一种网络流量预测方法、装置及电子设备 | |
| CN104462808A (zh) | 安全水平位移与水位的滑动可变窗口动态数据拟合方法 | |
| US10713578B2 (en) | Estimating utilization of network resources using time series data | |
| CN104407688A (zh) | 基于树回归的虚拟化云平台能耗测量方法及系统 | |
| Vaithilingam et al. | Available transfer capability estimation using Support Vector Machine |
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 |