CN103595763B - 资源调度处理方法和装置 - Google Patents
资源调度处理方法和装置 Download PDFInfo
- Publication number
- CN103595763B CN103595763B CN201310482258.5A CN201310482258A CN103595763B CN 103595763 B CN103595763 B CN 103595763B CN 201310482258 A CN201310482258 A CN 201310482258A CN 103595763 B CN103595763 B CN 103595763B
- Authority
- CN
- China
- Prior art keywords
- load
- candidate server
- server
- value
- cum rights
- 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
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明提供一种资源调度处理方法和装置,包括:分别预测数据中心内每一个候选服务器承载第一负载时的带权能效值;所述候选服务器的带权能效值是相关于所述第一负载与所述候选服务器已承载的各第二负载之间的性能干扰及所述候选服务器已承载的各第二负载之间的性能干扰;根据各所述候选服务器的带权能效值,确定最小的带权能效值所对应的候选服务器作为最优服务器;调度所述最优服务器承载所述第一负载。通过该资源调度处理方法调度最优服务器承载第一负载时,可避免第一负载与第二负载之间出现的严重的性能干扰现象,不会影响各负载的服务质量,利于提高数据中心的能效。
Description
技术领域
本发明涉及计算机信息技术领域,尤其涉及一种资源调度处理方法和装置。
背景技术
随着数据中心的迅速发展,许多大型的网络公司,如Google、Facebook等在世界各地建立了多个数据中心以更好的支持网络应用服务。其中数据中心是由大量服务器通过通信设备相互连接,并形成具有一定拓扑结构的大型网络,其中大量的服务器可进行集中统一管理。目前,新一代的数据中心已采用虚拟化技术,即数据中心可向封装在虚拟机中的负载提供资源,该资源具体可以为可承载负载的服务器,而合理的分配策略与数据中心提供的网络应用服务息息相关;举例来说,建立数据中心的开销巨大,服务器的花费占到了总花费的45%,其中包括服务器的软硬件资源、冷却和维护等。但在实际应用中,服务器的资源利用率仅为5%-15%,造成资源的浪费且增加维护成本,因此如何合理分配资源,提高数据中心的资源利用率并减少数据中心的能耗已成为目前研究的热点问题。
在现有技术中,根据各个负载所需的资源的不同,动态地聚合多个负载至同一个服务器上,以提高资源利用率和能源使用效率。例如当前负载A由一个服务器承载,负载B由另一个服务器承载,而负载A和负载B所需的CPU(Central Processing Unit,中央处理器)资源总和远小于一个服务器可提供的CPU资源,因此,为了提高提高资源利用率和能源使用效率,可调度一个服务器同时承载负载A和负载B,并关闭另一个服务器。
但采用上述调度策略时发现,由于不同负载会竞争服务器内的资源(例如不同负载抢占内存资源),从而不同负载之间会出现严重的性能干扰现象,造成严重的性能下降,影响了负载的服务质量,还会极大地降低数据中心的能效。
发明内容
本发明提供一种资源调度处理方法和装置,该资源调度处理方法用于优化面向负载的调度策略,避免服务器上不同负载之间出现严重的性能干扰现象,从而可优化数据中心的能效。
第一方面,本发明提供一种资源调度处理方法,包括:
当数据中心内每一个服务器均承载至少一个第二负载时,分别预测数据中心内每一个候选服务器承载第一负载时的带权能效值;所述候选服务器的带权能效值是相关于所述第一负载与所述候选服务器已承载的各第二负载之间的性能干扰及所述候选服务器已承载的各第二负载之间的性能干扰;
根据各所述候选服务器的带权能效值,确定最小的带权能效值所对应的候选服务器作为最优服务器;
调度所述最优服务器承载所述第一负载。
第二方面,本发明提供一种资源调度处理装置,包括:
预测模块,用于若数据中心内每一个服务器均承载至少一个第二负载时,分别预测数据中心内每一个候选服务器承载第一负载时的带权能效值;所述候选服务器的带权能效值是相关于所述第一负载与所述候选服务器已承载各第二负载之间的性能干扰及所述候选服务器已承载的各第二负载之间的性能干扰;
确定模块,用于根据各所述候选服务器的带权能效值,确定最小的带权能效值所对应的候选服务器作为最优服务器;
调度模块,用于调度所述最优服务器承载所述第一负载。
通过本发明提供的资源调度处理方法和装置,确定的最优服务器是考虑了负载之间的性能干扰而确定的,从而调度该最优服务器承载第一负载,可避免候选服务器承载第一负载后,该候选服务器上各个负载之间出现的严重的性能干扰现象,从而不会影响各负载的服务质量,利于提高数据中心的能效。
附图说明
图1为本发明资源调度处理方法实施例一的流程图;
图2为本发明资源调度处理方法实施例二的流程图;
图3为本发明资源调度处理装置实施例一的结构图;
图4为本发明资源调度处理装置实施例二的结构图。
具体实施方式
图1为本发明资源调度处理方法实施例一的流程图。如图1所示,本实施例的方法可以由资源调度处理装置来实现,该处理装置可以采用硬件和/或软件方式来实现,该处理装置可优选设置在数据中心内具有数据处理能力的处理器中,以实现资源调度;该资源调度处理该方法包括:
S101、分别预测数据中心内每一个候选服务器承载第一负载时的带权能效值。
当数据中心内每一个服务器均承载至少一个第二负载时,上述第一负载为待分配的负载,资源调度处理装置在将该第一负载分配至数据中心内的一个候选服务器中之前,需要预测各个候选服务器承载该第一负载之后出现的负载之间的性能干扰、候选服务器的能效损失等问题,具体的,由于第一负载与候选服务器内已承载的各第二负载之间的性能干扰及候选服务器内已承载的各第二负载之间的性能干扰,而导致的候选服务器能效损失等信息可通过带权能效值体现,即该候选服务器的带权能效值是相关于第一负载与候选服务器已承载的各第二负载之间的性能干扰及候选服务器已承载的各第二负载之间的性能干扰;其中,资源调度处理装置可使用已建立的预测模型预测数据中心内每一个候选服务器承载第一负载时的带权能效值,该预测模型是通过分析数据中心内大量的历史负载的相关数据,并采用合理的数据处理方式建立的。
S102、根据各候选服务器的带权能效值,确定最小的带权能效值所对应的候选服务器作为最优服务器。
若候选服务器的带权能效值越小,则可表明若第一负载由该候选服务器承载后,该候选服务器上各个负载之间的性能干扰及候选服务器的能效损失偏低,因此该候选服务器承载第一负载后,可向该候选服务器上的各个负载提供较佳的资源并使各负载保持较佳的服务质量。因此,在各所述候选服务器的带权能效值中确定出最小的带权能效值,随即确定该最小的带权能效值所对应的候选服务器作为最优服务器。
S103、调度最优服务器承载第一负载。
本实施例中,在多个候选服务器中选择承载第一负载的最优服务器时,本实施例是通过预测数据中心内每一个候选服务器承载第一负载时的带权能效值,并选择带权能效值最小的候选服务器作为最优服务器,而该带权能效值是与第一负载及候选服务器已承载的至少一个第二负载相关的;因此,最终确定的最优服务器是考虑了负载之间的性能干扰而确定的,从而避免了调度该最优服务器承载第一负载后各个负载之间出现的严重的性能干扰现象,并且不会影响各负载的服务质量,利于提高数据中心的能效。
图2为本发明资源调度处理方法实施例二的流程图。如图2所示,本实施例是在图1所示的实施例一的基础上,进一步描述资源调度处理方法,该处理方法包括:
S201、学习数据中心内各历史负载的相关数据,建立负载分类规则并获得模拟数据及第一预测模型和第二预测模型。
具体的,对数据中心内各历史负载的相关数据进行聚类分析,该相关数据可具体包括负载执行时间、负载CPU使用率、负载内存使用率等,而进行聚类分析时可以采用K-means算法;通过聚类分析可将负载分为大型负载L、中型负载M和小负载S(本实施例中的三种负载类别L、M和S仅用于举例说明,在实际应用中不以上述三种负载类别为限制);随后采用分类算法(例如决策树算法)学习上述三种类别的负载,可确定用于分类的负载分类规则,基于该负载分类规则资源调度处理装置可对负载进行类别的分类;在对负载进行类别的分类时,可建立一个负载分类模型,资源调度处理装置使用该负载分类模型对负载进行类别分类;例如分类规则规定当一个负载的负载CPU使用率或其他相关数据大于一定的阈值,则认为该负载的负载类别为L,从而负载分类模型基于该分类规则,可确定负载的类别;例如,一个负载的负载执行时间为4536秒,负载CPU使用率为0.012%、负载内存使用率为0.0011%及负载磁盘使用率为0.024%,则可根据负载分类模型设定的阈值确定该负载类别为L或M或S。
在建立负载分类规则之后,可基于负载分类规则,资源调度处理装置可生成不同类别的模拟负载,例如负载分类规则规定负载的相关数据处于一定阈值范围内时,该负载的负载类别为M,则资源调度处理装置可模拟生成一个相关数据处于负载类别M对应的阈值范围内的模拟负载,且该模拟负载可在数据中心内的服务器上运行,从而可根据模拟负载进行实验承载,获得模拟数据。具体的,对多个模拟负载进行多种随机组合获得多个模拟负载组合,该多个模拟负载组合中的任意一个模拟负载组合中的负载个数为至少一个,且在该至少一个负载中负载的负载类别为至少一种;随后在实验服务器上实验承载各个模拟负载组合,获得各个模拟负载组合对应的模拟数据;例如为满足一定的准确性,可在10(根据实际需要也可以为20、30等)个模拟负载中随机组合,并在实验服务器上依次运行各模拟负载组合,以获取各模拟负载组合对应的模拟数据;举例来说,上述各模拟负载组合可以为L、S、M、LL、MM、SS、LM、LS、MS、LMS、LLS、MLLLSS……,则在实验服务器上依次实验承载上述各模拟负载组合并获得各模拟数据;上述模拟数据包括各模拟负载组合的性能干扰对应的模拟负载组合的性能干扰值及实验服务器的能效损失值;具体可采用公式确定模拟负载组合的性能干扰值,其中C为模拟负载组合的性能干扰值,m为模拟负载组合中模拟负载的个数,Pi为实验服务器实验承载模拟负载组合时,该模拟负载组合中的一个第一模拟负载的运行时间,Bi为服务器仅实验承载该第一模拟负载时,该第一模拟负载的运行时间;与此同时,也可获得实验服务器运行上述模拟负载组合时的能效损失值,即采用公式确定实验服务器的能效损失值;其中△E为实验服务器的能效损失值,EEexp为预期能效,可通过对模拟负载组合中的各模拟负载的能效进行求和获得,EEact为实际能效,可通过对实验服务器实验承载该模拟负载组合时进行能效测量获得,其中,模拟负载组合中的各模拟负载的能效可通过确定,其中w为一个模拟负载的指令数,E为服务器仅实验承载该模拟负载时所消耗的能量,可通过测量获得。另外,上述实验服务器是与前述候选服务器功能一致的服务器,由于在此用于获得模拟数据,故称为实验服务器。
在获得模拟数据之后,根据模拟数据,建立第一预测模型和第二预测模型,该第一预测模型和第二预测模型即为上述预测模型。具体的,将上述各模拟负载组合分解为多个两两组合的负载对,即将每一个模拟负载组合中的各个模拟负载进行两两组合,获得针对各模拟负载组合的多个负载对;随后根据已知的模拟数据获得各负载对的性能干扰值,从而将针对一个模拟负载组合的各负载对的性能干扰值相加,获得该模拟负载组合的预测性能干扰值;随后比较模拟数据中模拟负载组合的性能干扰值与该模拟负载组合的预测性能干扰值以获得偏差值;最后通过对各模拟负载组合对应的偏差值进行数据分析处理,确定第一预测模型;以针对一种模拟负载组合为例,该模拟负载组合为LSM,将该模拟负载组合分解为两两组合的负载对,即将该模拟负载组合中的各模拟负载“L、M、S”进行两两组合,得到三组负载对“LM、LS、MS”,出于预测的动机,可假设模拟负载组合LMS中各负载之间的性能干扰由三组负载对“LM、LS、MS”预测,但将各负载对“LM、LS、MS”的性能干扰值相加得到的结果与上述模拟数据中模拟负载组合LSM的性能干扰值之间存在偏差值,因此,针对每一个模拟负载组合,根据模拟数据中模拟负载组合的性能干扰值与通过负载对预测的性能干扰值之间的偏差,可采用数据拟合、回归分析等数据处理方法进行分析,建立第一预测模型;同理,也可建立第二预测模型;由此可知,可以理解的,第一预测模型和第二预测模型是基于负载之间的性能干扰及负载之间的性能干扰所导致的服务器的能效损失而建立的,则在预测数据中心内每一个候选服务器承载第一负载时的带权能效值时,通过上述第一预测模型和第二预测模型确定的带权能效值可以充分体现候选服务器承载第一负载后,该候选服务器上各负载之间的性能干扰的情况。
需要说明的是,在实现资源调度处理方法时,若模拟数据和各个模型已知,则不需执行S201,由S202开始执行。
S202、采用负载分类模型,确定第一负载的负载类别。
在向负载分配候选服务器时,需要获知待分配负载(即上述第一负载)的负载类别。具体可通过使用服务器实验运行待分配负载,获得待分配负载的相关数据,随后采用S201中建立的负载分类模型进行分类。
上述待分配负载被分配进候选服务器后,该负载即为候选服务器已承载的负载,因此可以理解的,候选服务器已承载的负载的负载类别在执行S202时已知。
S203、分别预测数据中心内每一个候选服务器承载第一负载时的带权能效值。
在预测数据中心内一个候选服务器承载第一负载时的带权能效值时,具体预测方法包括:使第一负载及候选服务器已承载的各第二负载进行两两组合,获得个负载对,其中n为候选服务器承载的全部第二负载与第一负载的负载总数;再根据各负载对中两个负载的负载类别,使用模拟数据确定各负载对的性能干扰值,最后根据各负载对的性能干扰值,确定候选服务器的带权能效值。
举例来说,数据中心的一个候选服务器Sever1中已承载的第二负载有两个,且负载类型分别为L、M、S,而当前第一负载的负载类别通过S202中的负载分类规则,确定为L,则预测候选服务器Sever1承载负载类别为L的第一负载时,使第一负载L和候选服务器Sever1中已承载的三个第二负载两两组合,获得个负载对,该个负载对包括第一负载与候选服务器Sever1上已承载的三个第二负载L、M、S分别进行两两组合得到“LL、LM、LS”和候选服务器Sever1上已承载的三个第二负载L、M、S进行两两组合后得到的“LS、LM、MS”;;由于在执行S201时已获取到包括各种模拟负载组合对应的性能干扰值的模拟数据,该模拟数据也必然包括由两个模拟负载组合而成的模拟负载组合及对应的性能干扰值,即模拟数据中包括上述负载对与对应于该负载对的负载对的性能干扰值,则此时可在已知的模拟数据中确定各负载对各自对应的负载对的性能干扰值。
在获得负载对的性能干扰值之后,将各负载对的性能干扰值相加,获得预测性能干扰值;然后根据预测性能干扰值,采用第一预测模型确定候选服务器的性能干扰值;具体的,第一预测模型为CIS=0.505n+0.260pbCIS-0.004pbCIS2-0.269,其中CIS为候选服务器的性能干扰值,n为候选服务器承载的全部第二负载与第一负载的总数,pbCIS为预测性能干扰值;进一步的,根据候选服务器的性能干扰值,采用第二预测模型确定候选服务器的能效损失值;其中第二预测模型为△EE=0.310CIS+0.048CIS2+0.002CIS3+0.123,其中△EE为候选服务器的能效损失值;最后,将候选服务器的性能干扰值与候选服务器的能效损失值相乘,获得候选服务器的带权能效值。
在预测数据中心其他候选服务器的带权能效值时,同样采用上述预测方法,确定各候选服务器的带权能效值。
S204、根据各候选服务器的带权能效值,确定最小的带权能效值所对应的候选服务器作为最优服务器。
在S203中得到的各候选服务器的带权能效值中,确定最小的带权能效值,随即确定该最小的带权能效值所对应的候选服务器作为最优服务器。
S205、调度最优服务器承载第一负载。
候选服务器的带权能效值最小,说明该候选服务器承载了第一负载后,该候选服务器上各负载之间的性能干扰较小,且该候选服务器的能效损失最低,是承载第一负载的最优服务器。
但需要补充说明的是,当数据中心内的候选服务器未承载第二负载,则调度该候选服务器作为最优服务器,承载第一负载,也可以理解为,由于候选服务器未承载第二负载,则该候选服务器承载了第一负载后,该候选服务器上不存在负载之间的性能干扰,则对于第一负载来说,该候选服务器可向第一负载提供较佳的资源,则该候选服务器是承载第一负载的最优服务器。
本实施例中,在多个候选服务器中选择承载第一负载的最优服务器时,本实施例通过预测数据中心内每一个候选服务器承载第一负载时的带权能效值,并选择带权能效值最小的候选服务器作为最优服务器,且在预测候选服务器的带权能效值时,采用了基于负载之间的性能干扰建立的第一预测模型和第二预测模型,即通过第一预测模型和第二预测模型确定的带权能效值是与负载之间的性能干扰相关的;因此,最终确定的最优服务器是考虑了负载之间的性能干扰及负载之间的性能干扰导致的候选服务器的能效损失而确定的,从而避免了调度该最优服务器承载第一负载后各个负载之间出现的严重的性能干扰现象,不会影响各负载的服务质量及该候选服务器的能效,利于提高数据中心的能效。
本领域普通技术人员可以理解:实现上述各方法实施例的全部或部分步骤可以通过程序指令相关的硬件来完成。前述的程序可以存储于一计算机可读取存储介质中。该程序在执行时,执行包括上述各方法实施例的步骤;而前述的存储介质包括:ROM、RAM、磁碟或者光盘等各种可以存储程序代码的介质。
图3为本发明资源调度处理装置实施例一的结构图。如图3所示,该装置包括:
预测模块31,用于若数据中心内每一个服务器均承载至少一个第二负载时,分别预测数据中心内每一个候选服务器承载第一负载时的带权能效值;候选服务器的带权能效值是相关于第一负载与候选服务器已承载的第二负载之间的性能干扰及候选服务器已承载的各第二负载之间的性能干扰;
确定模块32,用于根据各候选服务器的带权能效值,确定最小的带权能效值所对应的候选服务器作为最优服务器;
调度模块33,用于调度最优服务器承载第一负载。
本实施例中,在多个候选服务器中选择承载第一负载的最优服务器时,资源调度处理装置是通过预测数据中心内每一个候选服务器承载第一负载时的带权能效值,并选择带权能效值最小的候选服务器作为最优服务器,而该带权能效值是与第一负载及候选服务器已承载的至少一个第二负载相关的;因此,最终确定的最优服务器是考虑了负载之间的性能干扰而确定的,从而避免了调度该最优服务器承载第一负载后各个负载之间出现的严重的性能干扰现象,不会影响了负载的服务质量及该候选服务器的能效,利于提高数据中心的能效。
图4为本发明资源调度处理装置实施例二的结构图。如图4所示,在图3所示的实施例的基础上,预测模块31包括:组合单元311,用于使第一负载分别及候选服务器已承载的各第二负载进行两两组合,获得个负载对,其中n为候选服务器承载的全部第二负载与第一负载的负载总数;
第一确定单元312,用于根据各负载对中两个负载的负载类别,使用模拟数据确定各负载对的性能干扰值,模拟数据包括负载对与对应于该负载对的负载对的性能干扰值;
第二确定单元313,用于根据各负载对的性能干扰值,确定候选服务器的带权能效值。
其中第二确定单元具体用于将各负载对的性能干扰值相加,获得预测性能干扰值;
根据预测性能干扰值,采用第一预测模型确定候选服务器的性能干扰值;
根据候选服务器的性能干扰值,采用第二预测模型确定候选服务器的能效损失值;
将候选服务器的性能干扰值与候选服务器的能效损失值相乘,获得候选服务器的带权能效值。
本实施例中,在多个候选服务器中选择承载第一负载的最优服务器时,资源调度处理装置是通过预测数据中心内每一个候选服务器承载第一负载时的带权能效值,并选择带权能效值最小的候选服务器作为最优服务器,而该带权能效值是与第一负载及候选服务器已承载的至少一个第二负载相关的;因此,最终确定的最优服务器是考虑了负载之间的性能干扰而确定的,从而避免了调度该最优服务器承载第一负载后各负载之间出现的严重的性能干扰现象,不会影响了负载的服务质量及该候选服务器的能效,利于提高数据中心的能效。
需要说明的是,上述装置实施例中的各模块对应上述各方法实施例,在此不再赘述。
最后应说明的是:以上各实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述各实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分或者全部技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的范围。
Claims (8)
1.一种资源调度处理方法,其特征在于,包括:
当数据中心内每一个服务器均承载至少一个第二负载时,分别预测数据中心内每一个候选服务器承载第一负载时的带权能效值;所述候选服务器的带权能效值是相关于所述第一负载与所述候选服务器已承载的各第二负载之间的性能干扰及所述候选服务器已承载的各第二负载之间的性能干扰;
根据各所述候选服务器的带权能效值,确定最小的带权能效值所对应的候选服务器作为最优服务器;
调度所述最优服务器承载所述第一负载;
预测每一个候选服务器承载所述第一负载时的带权能效值,包括:
使所述第一负载及所述候选服务器已承载的各第二负载进行两两组合,获得个负载对,其中n为所述候选服务器承载的全部第二负载与所述第一负载的负载总数;
根据各所述负载对中两个负载的负载类别,使用模拟数据确定各所述负载对的性能干扰值,所述模拟数据包括所述负载对与对应于该负载对的所述负载对的性能干扰值;
根据各所述负载对的性能干扰值,确定所述候选服务器的带权能效值。
2.根据权利要求1所述的处理方法,其特征在于,根据各所述负载对的性能干扰值,确定所述候选服务器的带权能效值,包括:
将各所述负载对的性能干扰值相加,获得预测性能干扰值;
根据所述预测性能干扰值,采用第一预测模型确定所述候选服务器的性能干扰值;
根据所述候选服务器的性能干扰值,采用第二预测模型确定所述候选服务器的能效损失值;
将所述候选服务器的性能干扰值与所述候选服务器的能效损失值相乘,获得所述候选服务器的带权能效值。
3.根据权利要求2所述的处理方法,其特征在于,所述第一预测模型为CIS=0.505n+0.260pbCIS-0.004pbCIS2-0.269,其中CIS为所述候选服务器的性能干扰值,pbCIS为预测性能干扰值;
所述第二预测模型为ΔEE=0.310CIS+0.048CIS2+0.002CIS3+0.123,其中ΔEE为所述候选服务器的能效损失值。
4.根据权利要求2所述的处理方法,其特征在于,分别预测每一个候选服务器承载第一负载时的带权能效值之前,所述处理方法还包括:
学习所述数据中心内各历史负载的相关数据,建立负载分类规则;
基于所述负载分类规则,生成不同类别的模拟负载;
根据所述模拟负载进行实验承载,获得所述模拟数据;
根据所述模拟数据,建立所述第一预测模型和所述第二预测模型。
5.根据权利要求4所述的处理方法,其特征在于,在根据所述模拟数据,建立所述第一预测模型和所述第二预测模型之后,分别预测每一个候选服务器承载第一负载时的带权能效值之前,所述处理方法还包括:
采用所述负载分类规则,确定所述第一负载的负载类别。
6.根据权利要求1所述的处理方法,其特征在于,所述处理方法还包括:
当所述候选服务器未承载所述第二负载,则调度该候选服务器作为所述最优服务器,承载所述第一负载。
7.一种资源调度处理装置,其特征在于,包括:
预测模块,用于若数据中心内每一个服务器均承载至少一个第二负载时,分别预测数据中心内每一个候选服务器承载第一负载时的带权能效值;所述候选服务器的带权能效值是相关于所述第一负载与所述候选服务器已承载的各第二负载之间的性能干扰及所述候选服务器已承载的各第二负载之间的性能干扰;
确定模块,用于根据各所述候选服务器的带权能效值,确定最小的带权能效值所对应的候选服务器作为最优服务器;
调度模块,用于调度所述最优服务器承载所述第一负载;
所述预测模块包括:
组合单元,用于使所述第一负载及所述候选服务器已承载的各第二负载进行两两组合,获得个负载对,其中n为所述候选服务器承载的全部第二负载与所述第一负载的负载总数;
第一确定单元,用于根据各所述负载对中两个负载的负载类别,使用模拟数据确定各所述负载对的性能干扰值,所述模拟数据包括所述负载对与对应于该负载对的所述负载对的性能干扰值;
第二确定单元,用于根据各所述负载对的性能干扰值,确定所述候选服务器的带权能效值。
8.根据权利要求7所述的处理装置,其特征在于,所述第二确定单元具体用于将各所述负载对的性能干扰值相加,获得预测性能干扰值;
根据所述预测性能干扰值,采用第一预测模型确定所述候选服务器的性能干扰值;
根据所述候选服务器的性能干扰值,采用第二预测模型确定所述候选服务器的能效损失值;
将所述候选服务器的性能干扰值与所述候选服务器的能效损失值相乘,获得所述候选服务器的带权能效值。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201310482258.5A CN103595763B (zh) | 2013-10-15 | 2013-10-15 | 资源调度处理方法和装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201310482258.5A CN103595763B (zh) | 2013-10-15 | 2013-10-15 | 资源调度处理方法和装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN103595763A CN103595763A (zh) | 2014-02-19 |
CN103595763B true CN103595763B (zh) | 2016-08-24 |
Family
ID=50085743
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201310482258.5A Active CN103595763B (zh) | 2013-10-15 | 2013-10-15 | 资源调度处理方法和装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN103595763B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109783304B (zh) * | 2017-11-15 | 2022-06-07 | 中国移动通信有限公司研究院 | 一种数据中心的节能调度方法及对应装置 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102053873A (zh) * | 2011-01-13 | 2011-05-11 | 浙江大学 | 一种缓存感知的多核处理器虚拟机故障隔离保证方法 |
CN102567080A (zh) * | 2012-01-04 | 2012-07-11 | 北京航空航天大学 | 一种云计算环境中的面向负载均衡的虚拟机择位系统 |
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 |
EP2615803A2 (en) * | 2012-01-13 | 2013-07-17 | Accenture Global Services Limited | Performance interference model for managing consolidated workloads in QoS-aware clouds |
CN103294546A (zh) * | 2013-04-03 | 2013-09-11 | 华中科技大学 | 多维度资源性能干扰感知的虚拟机在线迁移方法及系统 |
-
2013
- 2013-10-15 CN CN201310482258.5A patent/CN103595763B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102053873A (zh) * | 2011-01-13 | 2011-05-11 | 浙江大学 | 一种缓存感知的多核处理器虚拟机故障隔离保证方法 |
CN102567080A (zh) * | 2012-01-04 | 2012-07-11 | 北京航空航天大学 | 一种云计算环境中的面向负载均衡的虚拟机择位系统 |
EP2615803A2 (en) * | 2012-01-13 | 2013-07-17 | Accenture Global Services Limited | Performance interference model for managing consolidated workloads in QoS-aware clouds |
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 |
CN103294546A (zh) * | 2013-04-03 | 2013-09-11 | 华中科技大学 | 多维度资源性能干扰感知的虚拟机在线迁移方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN103595763A (zh) | 2014-02-19 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN103677958B (zh) | 一种虚拟化集群的资源调度方法及装置 | |
CN106897109B (zh) | 基于随机森林回归的虚拟机性能预测方法 | |
CN104484220B (zh) | 虚拟化集群的动态资源调度的方法及装置 | |
CN103885831B (zh) | 虚拟机宿主机的选择方法与装置 | |
Cao et al. | Coarse-grained parallel genetic algorithm applied to a vector based land use allocation optimization problem: the case study of Tongzhou Newtown, Beijing, China | |
US9122676B2 (en) | License reconciliation with multiple license types and restrictions | |
CN108804227A (zh) | 基于移动云计算的计算密集型任务卸载和最佳资源配置的方法 | |
WO2010024027A1 (ja) | 仮想サーバシステム及び物理サーバ選択方法 | |
Castiglione et al. | Modeling performances of concurrent big data applications | |
CN102662754A (zh) | 一种支持多场景的虚拟机调度装置和方法 | |
CN103019855B (zh) | MapReduce作业执行时间预测方法 | |
CN105373432A (zh) | 一种基于虚拟资源状态预测的云计算资源调度方法 | |
CN105354725A (zh) | 一种应用推广效果的预测方法及系统 | |
Riahi et al. | A multi-objective decision support framework for virtual machine placement in cloud data centers: a real case study | |
Xu et al. | A heuristic virtual machine scheduling method for load balancing in fog-cloud computing | |
Khan et al. | HeporCloud: An energy and performance efficient resource orchestrator for hybrid heterogeneous cloud computing environments | |
Pongsakorn et al. | Container rebalancing: Towards proactive linux containers placement optimization in a data center | |
Hua et al. | Hadoop configuration tuning with ensemble modeling and metaheuristic optimization | |
Javadpour et al. | An intelligent energy-efficient approach for managing IoE tasks in cloud platforms | |
Panwar et al. | A systematic review on effective energy utilization management strategies in cloud data centers | |
CN108769105A (zh) | 一种云环境下的知识服务多任务调度优化方法及其构建的调度系统 | |
Guo et al. | Automated exploration and implementation of distributed cnn inference at the edge | |
CN103595763B (zh) | 资源调度处理方法和装置 | |
Guyon et al. | How much energy can green HPC cloud users save? | |
Ren et al. | Waxelephant: A realistic hadoop simulator for parameters tuning and scalability analysis |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
C14 | Grant of patent or utility model | ||
GR01 | Patent grant |