CN104102810B - 基于流行病学算法的it基础架构预测方法和系统 - Google Patents

基于流行病学算法的it基础架构预测方法和系统 Download PDF

Info

Publication number
CN104102810B
CN104102810B CN201410138004.6A CN201410138004A CN104102810B CN 104102810 B CN104102810 B CN 104102810B CN 201410138004 A CN201410138004 A CN 201410138004A CN 104102810 B CN104102810 B CN 104102810B
Authority
CN
China
Prior art keywords
classification
server
servers
rate
deployment
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
Application number
CN201410138004.6A
Other languages
English (en)
Other versions
CN104102810A (zh
Inventor
A·M·斯格罗
科特 G·德拉
A·多纳泰利
S·普罗耶蒂
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
International Business Machines Corp
Original Assignee
International Business Machines Corp
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by International Business Machines Corp filed Critical International Business Machines Corp
Publication of CN104102810A publication Critical patent/CN104102810A/zh
Application granted granted Critical
Publication of CN104102810B publication Critical patent/CN104102810B/zh
Expired - Fee Related legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L43/00—Arrangements for monitoring or testing data switching networks
    • H04L43/08—Monitoring or testing based on specific metrics, e.g. QoS, energy consumption or environmental parameters
    • H04L43/0876—Network utilisation, e.g. volume of load or congestion level
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F9/00—Arrangements for program control, e.g. control units
    • G06F9/06—Arrangements for program control, e.g. control units using stored programs, i.e. using an internal store of processing equipment to receive or retain programs
    • G06F9/46—Multiprogramming arrangements
    • G06F9/50—Allocation of resources, e.g. of the central processing unit [CPU]
    • G06F9/5005—Allocation of resources, e.g. of the central processing unit [CPU] to service a request
    • G06F9/5027—Allocation of resources, e.g. of the central processing unit [CPU] to service a request the resource being a machine, e.g. CPUs, Servers, Terminals
    • G06F9/505—Allocation of resources, e.g. of the central processing unit [CPU] to service a request the resource being a machine, e.g. CPUs, Servers, Terminals considering the load
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L41/00—Arrangements for maintenance, administration or management of data switching networks, e.g. of packet switching networks
    • H04L41/50—Network service management, e.g. ensuring proper service fulfilment according to agreements
    • H04L41/508—Network service management, e.g. ensuring proper service fulfilment according to agreements based on type of value added network service under agreement
    • H04L41/5096—Network service management, e.g. ensuring proper service fulfilment according to agreements based on type of value added network service under agreement wherein the managed service relates to distributed or central networked applications
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F9/00—Arrangements for program control, e.g. control units
    • G06F9/06—Arrangements for program control, e.g. control units using stored programs, i.e. using an internal store of processing equipment to receive or retain programs
    • G06F9/46—Multiprogramming arrangements
    • G06F9/50—Allocation of resources, e.g. of the central processing unit [CPU]
    • G06F9/5061—Partitioning or combining of resources
    • G06F9/5072—Grid computing
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/063—Operations research, analysis or management
    • G06Q10/0631—Resource planning, allocation, distributing or scheduling for enterprises or organisations
    • G06Q10/06315—Needs-based resource requirements planning or analysis
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L41/00—Arrangements for maintenance, administration or management of data switching networks, e.g. of packet switching networks
    • H04L41/14—Network analysis or design
    • H04L41/145—Network analysis or design involving simulating, designing, planning or modelling of a network
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L41/00—Arrangements for maintenance, administration or management of data switching networks, e.g. of packet switching networks
    • H04L41/14—Network analysis or design
    • H04L41/147—Network analysis or design for predicting network behaviour
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L67/00—Network arrangements or protocols for supporting network services or applications
    • H04L67/01—Protocols
    • H04L67/10—Protocols in which an application is distributed across nodes in the network
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L67/00—Network arrangements or protocols for supporting network services or applications
    • H04L67/01—Protocols
    • H04L67/10—Protocols in which an application is distributed across nodes in the network
    • H04L67/1001—Protocols in which an application is distributed across nodes in the network for accessing one among a plurality of replicated servers
    • H04L67/1004—Server selection for load balancing
    • H04L67/1008—Server selection for load balancing based on parameters of servers, e.g. available memory or workload
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2209/00—Indexing scheme relating to G06F9/00
    • G06F2209/50—Indexing scheme relating to G06F9/50
    • G06F2209/5019—Workload prediction
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
    • Y02D10/00—Energy efficient computing, e.g. low power processors, power management or thermal management

Landscapes

  • Engineering & Computer Science (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Signal Processing (AREA)
  • Theoretical Computer Science (AREA)
  • Software Systems (AREA)
  • Physics & Mathematics (AREA)
  • Business, Economics & Management (AREA)
  • General Engineering & Computer Science (AREA)
  • Human Resources & Organizations (AREA)
  • General Physics & Mathematics (AREA)
  • Computer Hardware Design (AREA)
  • Mathematical Physics (AREA)
  • Strategic Management (AREA)
  • Economics (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Environmental & Geological Engineering (AREA)
  • Development Economics (AREA)
  • Game Theory and Decision Science (AREA)
  • Marketing (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Tourism & Hospitality (AREA)
  • General Business, Economics & Management (AREA)
  • Educational Administration (AREA)
  • Debugging And Monitoring (AREA)
  • Computer And Data Communications (AREA)

Abstract

本发明涉及一种基于流行病学算法的IT基础架构预测方法和系统。可以提供一种用于预测未来计算工作负载的所需服务器数量的计算机实现的方法。所述方法可包括：确定三个类别的服务器，并且基于易染‑感染‑免疫算法预测不同类别中的未来服务器数量，以便计算未来时间t时在数据中心内的计算机网络的拓扑中所需的服务器总数。

Description

基于流行病学算法的IT基础架构预测方法和系统
技术领域
本发明一般地涉及用于预测未来计算工作负载的所需服务器数量的计算机实现的方法。本发明还涉及用于预测未来计算工作负载的所需服务器数量的预测系统、计算系统、数据处理程序和计算机程序产品。
背景技术
现代数据中心根据要求、当前和未来工作负载以及不同体系结构之间的工作负载分布而随时间变化。信息技术基础架构（IT）组件根据地理扩展或收缩而随时间快速变化，具体取决于业务因素。预测IT基础架构拓扑如何随时间发展以及采取预防措施以便适应未来变化是相当复杂和困难的。
计算工作负载可以由大型计算机、中型系统或基于工业标准体系结构的系统（例如，基于x86体系结构的系统）执行。此外，许多工作负载在虚拟化环境中运行，即，在虚拟机上运行。尤其在云计算环境中，对某些工作负载的需求可以在相当大的范围内变化。为了即使在不断变化的工作负载要求下也保证稳定的操作环境，强制数据中心运营商具有关于未来工作负载要求的线索。
文档US2011/0060827A1描述一种包括信息资源管理器（RIM）的网络数字计算系统，信息资源管理器可操作以便与数字计算系统的元件通信以获得性能信息。该系统可以用于使RIM能够调整有关应用执行的应用参数，以便可以优化应用的执行。
另一个公开披露应用马尔可夫模型以便重现疫情信息传播和工作负载供应方面，从而在云计算系统中进行网络操作预测。
但是，例如针对在一个或多个数据中心内运行并由不同用户操作的特定应用，可能需要洞察工作负载的未来状态。因此，可能需要预测应用生命周期的未来部分。
发明内容
可以通过根据独立权利要求的以下各项解决此需要：用于预测未来计算工作负载的所需服务器数量的计算机实现的方法、用于预测未来计算工作负载的所需服务器数量的预测系统、计算系统、数据处理程序和计算机程序产品。
根据一个实施例，可以提供一种用于预测未来计算工作负载的所需服务器数量的计算机实现的方法。所述方法可以包括将多个服务器、计算服务器或充当服务器的计算机彼此相连，从而构建计算机网络。具体地说，所述网络可以具有由实际连接到所述网络的服务器限定的某种拓扑。可以在数据中心内部署所述服务器和所述网络。
可以确定所述多个服务器中的类别S服务器。所述S服务器可以适合于部署应用。通常，所述应用可以在所述服务器上操作或运行。但是，所述应用可以实际上未在所述类别S服务器上运行。与此相反，可以确定所述多个服务器中的类别I服务器。所述类别I服务器可以实际上部署或运行所述应用。此外，可以确定所述多个服务器中的类别R服务器。这些类别R服务器可以与具有其它服务器的所述计算机网络断开连接。但是，它们可以仍然在所述数据中心内。
所述方法还可以包括根据易染-感染-免疫算法，分别计算所述类别S、I、R的每一个类别中的服务器数量。所述服务器数量可以基于和/或依赖于部署率、取消部署率和删除率。
所述部署率可以指示在预定时段内离开所述类别S并且移动到所述类别I的类别S服务器的数量。因此，所述服务器可以从状态“未运行所述应用”更改为状态“正在运行所述应用”。
所述取消部署率可以指示在所述预定时段内离开所述类别I并且移动到所述类别S的类别I服务器的数量。可以从所述服务器中删除所述应用，或者可以停用所述应用。但是，所述服务器可以仍然连接到所述网络。
所述删除率可以指示在所述预定时段内离开所述类别I并且移动到所述类别R的类别I服务器的数量。这些服务器可以与所述网络断开连接。
所述方法的结果，即在未来时间t的存在于所述数据中心内或者与所述计算机网络的拓扑相关的服务器总数P(t)可以计算为：
P(t)=S(t)+I(t)+R(t)。
从而，S(t)可以是在时间t时类别S中的服务器数量，I(t)可以是在时间t时类别I中的服务器数量，R(t)可以是在时间t时类别R中的服务器数量。
根据另一个实施例，可以提供一种用于预测未来计算工作负载的所需服务器数量的预测系统。所述预测系统可以包括：连接单元，其适合于将多个服务器的一部分彼此相连，从而在数据中心内构建计算机网络；S类别存储单元，其可以适合于存储指示所述多个服务器中的类别S服务器数量的数值，其中所述类别S服务器适合于部署应用；以及I类别存储单元，其适合于存储指示所述多个服务器中的类别I服务器数量的数值，其中所述类别I服务器可以部署所述应用。
所述预测系统还可以包括R类别存储单元，其适合于存储指示所述多个服务器中的类别R服务器数量的数值，其中所述类别R服务器可以与所述网络断开连接，但仍然在所述数据中心内可用。
所述预测系统还可以包括计算模块，其适合于根据易染-感染-免疫算法，计算可以基于或依赖于部署率、取消部署率和删除率的所述多个服务器中在所述类别S、I、R的每一个中的服务器数量。
所述部署率可以指示在预定时段内离开所述类别S并移动到所述类别I的类别S服务器的数量，所述取消部署率可以指示在所述预定时段内离开所述类别I并移动到所述类别S的类别I服务器的数量，以及所述删除率指示在所述预定时段内离开所述类别I并移动到所述类别R的类别I服务器的数量，以便具体地说在未来时间t时针对某个工作负载，所述计算模块可以将与所述数据中心内的计算机网络拓扑相关的服务器总数P(t)计算为
P(t)=S(t)+I(t)+R(t)。
S(t)可以是在时间t时类别S中的服务器数量，I(t)可以是在时间t时类别I中的服务器数量，R(t)可以是在时间t时类别R中的服务器数量。
可以指出，从所述网络中删除的服务器可以临时可用于所述数据中心内的其它任务。
还可以指出，计算未来服务器数量还可以表示为工作负载（例如特定应用）未来需要服务器的概率。
详细描述
基本上，本发明的概念使得采用新颖和最新改编形式的生物学或流行病学理论概念实际可用于操作计算资源。具体地说，可以根据某些输入值预测未来计算工作负载。因此，可以预测例如基于指标数据的服务器网络拓扑的发展。作为计算机网络拓扑，可以理解多个服务器可以连接到网络。可以指出，流行病学理论概念可能不以1:1方式应用。一个不同之处是SIR模型（参见下面）将组R中的元素视为感染的但有抵抗力或免疫的。在本申请中，类别R服务器可以是从网络中删除或与网络断开的那些服务器，这可以是多个可用服务器的所有服务器的这些元素的不同处理。
在此概念中，活动服务器可以是属于类别S和I的服务器数量的总和，意味着连接到网络的服务器能够运行并且实际上运行应用。在该上下文中，可以从网络中删除或与网络断开连接的服务器可以不被视为活动服务器。
术语发展指数可以表示描述从业务角度来看的未来工作负载要求的数据，例如采用以下形式：增加的订单数量或收入数量或者提供的产品或服务类型的趋势。它还可以包括有关竞争对手的数据。术语“发展指数”或“经济气候向量”可以基于复杂的确定算法，该算法反映多个未来业务指标以及因此反映工作负载。所有这一切可以导致增加的IT资源需求，例如，需要应用的用户数量增加。
在本说明书的上下文中，可以使用以下约定、术语和/或表达：
术语“预测”可以表示预测例如网络拓扑、连接到网络的服务器数量、运行应用或仅能够运行应用的服务器数量等的未来状态的过程。预测还可以被视为假设的未来状态。
术语“未来计算工作负载”可以表示一个或多个服务器上的工作负载，在未来的某个时间点可能需要该工作负载。
术语“服务器”可以表示可连接到数据网络的计算设备，该数据网络连接多个服务器。任何计算设备都可以用作网络中的节点。
术语“类别S服务器”可以表示能够运行特定预定应用的服务器。服务器可以由于其特性而有资格运行应用。但是，“类别S”仅意味着服务器可以能够运行应用，但并未实际上运行应用。
术语“类别I服务器”可以表示实际上运行特定预定应用的服务器。类别I服务器不仅能够运行应用，而且实际上部署应用。
术语“类别R服务器”可以表示未连接到网络的服务器。但是，原则上服务器还可以能够运行应用。运行应用的先决条件可以是连接到网络并且加载应用。
术语“部署”可以表示应用在计算机或服务器上运行。
术语“断开连接”可以表示服务器的状态，其中服务器可能未连接到网络。但是，这些服务器可以实际上也与网络相关而不是连接到网络，因为它们可以立即连接。
术语“易染-感染-免疫算法”（SIR算法）可以表示流行病模型中的算法。SIR模型可以是基于感染个体的特定流行病模型。S可以表示尚未感染疾病的人员数量。I可以表示被感染的人员数量。R可以表示已感染疾病然后从疾病痊愈的人员数量。SIR算法可以预测不同类别中的人员数量。
术语“部署率”可以表示在某个时段内离开类别S服务器并加入类别I服务器的服务器数量。这意味着所述服务器不仅适合于运行应用，而且实际上运行应用并服务于用户。
术语“取消部署率”可以表示按相反方向（即，在某个时段内离开类别I服务器并加入类别S服务器）移动的服务器数量：。
术语“删除率”可以表示与计算机网络断开连接的服务器数量，以便它们不再可以有助于处理网络中有关应用的工作负载。
术语“连接数”可以表示活动服务器，即，连接到网络的服务器数量。这些服务器可以是类别S和I。
术语“活动服务器”可以表示类别S和类别I中的服务器的总数。断开连接的服务器可以被视为活动服务器。
术语“发展指数”可以表示有关未来工作负载要求的预期或假设指数。
术语“预测系统”可以表示具有不同组件的系统，这些组件能够预测计算机网络拓扑，更具体地说，预测未来工作负载所需的服务器数量。
在一个实施例中，术语“连接单元”可以表示一个或多个网络集线器或交换机等，它们适合于在至少两个计算机之间建立连接。
术语“S类别存储单元”可以表示计算机存储器，其适合于存储指示网络中的S类别服务器数量的数值。术语“I类别存储单元”可以表示计算机存储器，其适合于存储指示网络中的I类别服务器数量的数值。术语“R类别存储单元”可以表示计算机存储器，其适合于存储指示网络中的R类别服务器数量的数值。
用于预测未来计算工作负载的所需服务器数量的建议的计算机实现的方法可以提供多个优点：
随着计算能力的日益商品化，数据中心越来越多地面临巨大的成本压力。安装远高于某个时间点所需的计算能力并保持其可用在经济上可能不可行。
另一方面，需要一些时间来安装和部署新服务器，这些服务器能够运行应用并且服务于某一数量的用户。采用一种简化的方式，工作负载可以被视为针对具有预定用户简档的预定数量的用户运行特定应用的等效物。
因此，数据中心运营商可能处于没有足够或太多的服务器可用于运行应用的困境。使用云计算技术、软件即服务等可用模型使得可预测性基于甚至更不确定的试探方法。
用于在不断变化的工作负载条件下预测未来某个时间点的服务器数量的建议的计算机实现的方法可以有助于优化数据中心的操作。能够预测未来某个时间点的服务器数量可以使得数据中心内的资源规划更可靠，并且可以避免性能瓶颈。可以优化应用对用户的响应时间、运营费用、支持人员、电源要求等，以便以更智能的方式运行数据中心。
所建议的本发明的概念还可以应用于虚拟机和/或数据中心内的其它组件，如网络元件、存储设备等。
根据本方法的一个实施例，可以根据以下项确定数据中心内的不同类别S、I和R中的当前服务器数量：S0(t0)，在时间t0时类别S中的服务器数量；I0(t0)，在时间t0时类别I中的服务器数量；以及R0(t0)，在时间t0时类别R中的服务器数量。t0可以是用于预测未来某个时间点的不同类别中的服务器数量的方法的起始点。功能算法可能需要起始点。
根据本方法的又一个实施例，部署率可以至少依赖于指示网络中的活动服务器数量的连接数。可以将活动服务器数量理解为类别S和I中的服务器，因此也理解为连接到网络的那些服务器。这些服务器可以实际上能够执行工作负载，并且在计算能力和处理应用方面满足用户要求。非连接的服务器不会被视为活动服务器数量，因为它们不能满足运行应用和服务于用户的要求。
根据本方法的一个高级实施例，部署率还可以依赖于指示对应用和活动服务器的增加需求的概率的发展指数。需求增加可能具有多个根本原因：更多的用户可能需要使用应用，相同或更少数量的用户可能更密集地（即，更频繁地）使用应用，应用的功能可能随时间变化从而需要更多的计算能力，更多的应用用户可能在不同的应用领域使用应用等—这仅是几种可能性。可以假设，更密集的业务环境可能导致对应用的更高需求。但是，如上面实例表明的，较少用户对应用的更密集使用也可能导致工作负载需求增加。
但是，更高的经济活动也可能是工作负载需求增加的原因，从而导致在网络中需要更多数量的服务器运行应用以便支持更多的用户。更高需求可仅适用于一个数据中心或者数据中心可以服务的一个区域。因此，本发明的概念还可以适用于虚拟数据中心，这些虚拟数据中心可以遍布于不同的地理位置并且在一个中央数据中心的管理之下。
根据本方法的一个增强实施例，可以根据以下各项计算类别S、I、R中的服务器数量随时间的发展：
(d/dt)S(t)=-λ(t)*S(t)+δ(t)*I(t)，
(d/dt)I(t)=λ(t)*S(t)+(γ(t)+δ(t))*I(t)，
(d/dt)R(t)=γ(t)*I(t)，
其中
λ(t)是部署率，
δ(t)是取消部署率，以及
γ(t)是删除率。
术语(d/dt)可以在数学上理解为一阶求导。部署率、取消部署率和删除率均可以是时间相关的。作为方程组的求解方法，可以使用欧拉（Euler）方法。它允许在给定参数函数λ(t)、δ(t)和γ(t)下，对方程组进行求解并且确定类别S、I和R中的服务器数量。
可以根据以下项计算部署率λ(t)
λ(t)=c*Φ(t)*(I(t)/P(t0))，其中
c是连接指数，Φ是发展指数，并且P(t0)是在时间t0时的服务器总数。
可以根据以下项计算发展指数Φ(t)
Φ(t)=I(t)/P(t0)。
使用这些和其它公式，可以提供闭合方程组，可以使用欧拉方法等公知技术对该方程组进行求解。
根据本方法的又一个实施例，对应用并且因此对活动服务器的增加需求可以基于以下项中的至少一个：来自系统监视工具的工作负载数据、所收集的应用的用户需求数据和/或经济指数。经济指数可以最终导致更多的业务活动，并且因此导致对IT资源的更高需求，例如更多的用户需要应用。但是，如上面解释的，不仅仅是更多的用户可能导致更高的工作负载。更少数量的用户也可能通过更密集地使用可用IT功能（例如，应用），处理更高的业务需求。
此外，各实施例可以采取可从计算机可用或计算机可读介质中访问的计算机程序产品的形式，该介质提供程序代码以便由计算机或任何指令执行系统使用或者与其结合使用。出于本说明的目的，计算机可用或计算机可读介质可以是任何装置，该装置可以包含用于存储、发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序的部件。
所述介质可以是电、磁、光、电磁、红外线或半导体系统以作为传播介质。计算机可读介质的实例可以包括半导体或固态存储器、磁带、可移动计算机盘、随机存取存储器（RAM）、只读存储器（ROM）、硬磁盘和光盘。光盘的当前实例包括紧凑盘-只读存储器（CD-ROM）、紧凑盘-读/写（CD-R/W）、DVD和蓝光盘。
还应该指出，参考不同的主题描述本发明的各实施例。具体地说，参考方法型权利要求描述某些实施例，而参考装置型权利要求描述其它实施例。但是，所属技术领域的技术人员将从上面和下面的说明获悉，除非另有通知，否则除了属于一种类型主题的特性的任意组合之外，与不同主题相关的特性之间（具体地说，方法型权利要求的特性和装置型权利要求的特性之间）的任意组合也被视为在本文档中公开。
上面定义的方面和本发明的其他方面从下文中描述的实施例实例中显而易见，并且参考实施例实例进行解释，但本发明并不限于这些实施例实例。
附图说明
现在仅通过实例的方式并且参考以下附图描述本发明的优选实施例，这些附图是：
图1示出本发明方法的一个实施例的框图；
图2示出在不同时间点的具有服务器的数据中心的一个实施例的框图；
图3示出与预测系统相关并影响预测系统的组件的框图；
图4示出本发明的预测系统的一个实施例；
图5示出包括预测系统的计算系统的一个实施例；
图6示出网络拓扑和类别S、I和R中的服务器。
具体实施方式
在下面，将提供各图的详细说明。各图中的所有说明都是示意性的。首先，提供用于预测未来计算工作负载的所需服务器数量的本发明的计算机实现的方法的一个实施例的框图。然后，将描述用于预测未来计算工作负载的所需服务器数量的预测系统的各个方面。
图1示出用于预测未来计算工作负载的所需服务器数量的计算机实现的方法的一个实施例的框图。所述方法可以包括将多个服务器（即，计算服务器或充当服务器的计算机）的一部分彼此相连（102），以便它们可以构建计算机网络。网络可以具有某种拓扑。网络可以位于一个物理数据中心内。备选地，它可以是遍布于多个物理位置的虚拟数据中心的一部分。
所述方法还可以包括确定（104）多个服务器中的类别S服务器的数量。类别S服务器可以适合于部署应用。所述应用可能已经安装但可能未在服务器上运行，即，它可能未启动并且服务于用户。
此外，可以进行确定（106）以便发现多个服务器中的类别I服务器的数量。类别I服务器可以部署，即实际上运行应用，并且可以使用应用的功能服务于用户。
此外，可以执行确定（108）多个服务器中的类别R服务器。类别R服务器可以与网络断开连接，但仍然在数据中心内。它们可以通常可用，但在给定时间点不能支持工作负载需求，因为它们未连接到网络。它们实际上被从网络中删除。但是，所述服务器可以用于数据中心内的其它任务。对于此处的上下文，技术人员可以注意到，类别R服务器可能不可用于应用。在一个实施例中，这还可以包括以下选项：所述服务器可以在物理上仍然连接到网络，但可能不可用于运行应用。
在后续步骤，可以根据易染-感染-免疫算法，计算（110）多个服务器中在类别S、I、R的每一个中的服务器数量，所述服务器数量基于部署率、取消部署率和删除率。不同类别中的服务器数量还可以表示为不同类别中未来需要服务器的概率。
部署率可以指示在预定时段内离开类别S并移动到类别I的类别S服务器的数量，因此运行应用而不是仅能够运行应用。取消部署率可以指示在预定时段内离开类别I并移动到类别S的类别I服务器的数量。此外，删除率可以指示在预定时段内离开类别I并移动到类别R的类别I服务器的数量，因此，它们可以不再是计算机网络的一部分。
因此，在未来时间t的数据中心的计算机网络拓扑中需要的服务器总数P(t)可以计算为
P(t)=S(t)+I(t)+R(t)，其中
S(t)可以是在时间t时类别S中的服务器数量，
I(t)可以是在时间t时类别I中的服务器数量，
R(t)可以是在时间t时类别R中的服务器数量。“t”可以是初始时间t0之后的任意未来时间。
图2示出不同时间t0和t时的相关服务器的框图。在初始状态218，在t0时，三个数据中心202、204和206示出不同的配额数量。数据中心202、204和206还可以是跨越不同地理区域的较大数据中心的分部。或者参考标号可以涉及负责不同地理或组织区域的较大数据中心内的不同逻辑部门。
在一个实例中，数据中心202可以负责满足区域A的工作负载要求，数据中心204可以满足区域B的工作负载要求，数据中心206可以满足区域C的工作负载要求。在随后的时间点t220（而不是t0），可以通过参考标号222、224、226识别相同的数据中心。
配额数量可以指示类别S和类别I中的服务器数量。因此，在数据中心202中，可以具有50个包含已部署应用的服务器和120个已安装的服务器。在一个简单实例中，一个已安装的应用可以与一个服务器相关。因此，在此70个服务器（=120-50）可以能够运行应用但可能空闲。类别R中的服务器—意味着与相应网络断开连接—可能根本未示出。
根据相同的逻辑，数据中心204可以具有40个运行应用的服务器和总计190个可用服务器，以便用于网络中的应用。
在数据中心206中，可以具有240个运行应用的服务器和总计380个活动服务器—意味着类别S和类别I服务器的总和。
此外，箭头可以指示业务气候，作为预计未来工作负载要求的指标的一个实例。数据中心202示出减少的工作负载指标212，数据中心204示出平衡的工作负载指标214，数据中心206示出增加的工作负载指标216。
在t0之后的时间t时，数据中心内的情况可以变化。数据中心222（其相当于在随后时间点的数据中心202）示出30个运行应用的服务器和总数为110个的活动服务器。因此，活动服务器数量从170减少到140。同时，类别S中（即，运行应用）的服务器数量从50减少到30。
技术人员可以轻松针对数据中心224和226解释其它数据中心数量。
一般来说，数据中心204/224中的服务器数量大体上保持不变，即40/190与45/190。在数据中心206/226中，类别S和活动服务器的数量显著增加：从240/380增加到320/480。在此，工作负载指标（例如，业务气候）增加，如“向上箭头”216所示。在数据中心204/224中，工作负载指标可以通过双箭头指示稳定的工作负载要求。
图3示出预测系统304及其相关组件的一个实施例的框图。可以存在与IT监视系统306的数据交换，IT监视系统306示出过去服务器数量的发展历史概览。在另一端，预测系统304可以连接到供应系统302。可以启用供应系统302以便控制服务器部署，安装和运行应用和/或虚拟机以用于应用或者与应用一起使用。预测系统可以使用IT监视系统306的组件以便控制供应系统302的功能。总而言之，预测系统304可以是系统管理工具的组件。
此外，示出预测系统从外部要求数据源308、内部要求数据源310以及数据中心要求数据312接收输入。一般来说，预测系统304可以接收尽可能多的信息，以便预测类别S、I和R中的服务器的未来要求。在过去尚未用于部署规划的信息。外部数据可以是相关的业务气候数据、新接订单的发展、在垂直行业获得的收入、采购指数，或者可以用作未来业务（因此，就计算工作负载而言的IT要求）的指标的任何其它数据。
图4可以提供预测系统的更详细视图。它示出具有不同组件的预测系统304的一个实施例的框图。用于预测未来计算工作负载的所需服务器数量的预测系统304可以包括：连接单元402，其适合于将多个服务器的一部分彼此相连，以便所连接的系统可以在数据中心内构建计算机网络。可以存在多个存储单元：S类别存储单元404，其适合于存储指示多个服务器中的类别S服务器数量的数值；I类别存储单元406，其适合于存储指示多个服务器中的类别I服务器数量的数值；以及R类别存储单元408，其适合于存储指示多个服务器中的类别R服务器的数值。类别S服务器可以适合于运行和/或部署应用，类别I服务器可以实际上运行和/或部署应用，类别R服务器可以与网络断开连接。但是，它们可以仍然在数据中心内。
此外，预测系统可以包括计算模块410，其适合于计算多个服务器中在类别S、I和R的每一个中的服务器数量。可以使用基于部署率、取消部署率和删除率的易染-感染-免疫算法。如上面已经提及的，部署率可以指示在预定时段内离开类别S并移动到类别I的类别S服务器的数量，取消部署率可以指示在预定时段内离开类别I并移动到类别S的类别I服务器的数量，删除率可以指示在预定时段内离开类别I并移动到类别R的类别I服务器的数量。
因此，计算模块可以将在未来时间t的数据中心内需要的服务器总数P(t)计算为
P(t)=S(t)+I(t)+R(t)，其中
S(t)可以是在时间t时类别S中的服务器数量，
I(t)可以是在时间t时类别I中的服务器数量，并且
R(t)可以是在时间t时类别R中的服务器数量，其中t表示t0之后的某个时间点。
本发明的概念可能没有理由不适用于作为应用的计算基础的虚拟机。
图6示出具有相关拓扑和类别S、I和R中的服务器602、604、606的网络600。S类别和I类别服务器是活动服务器，并且因此连接到网络600。R类别服务器未连接到网络，并且因此通常不能有助于工作负载计算。
本发明的各实施例可以使用几乎任何类型的计算机实现，而不考虑适合于存储和/或执行程序代码的平台。例如，如图5中所示，计算系统500可以包括一个或多个处理器502（每个处理器具有一个或多个核心）、关联的存储元件504、内部存储设备506（例如，硬盘、诸如紧凑盘驱动器或数字视频盘（DVD）驱动器之类的光盘驱动器、闪存棒、固态磁盘等），以及各种其它元件和功能，它们是当今计算机（未示出）的典型组件。存储元件504可以包括在程序代码的实际执行期间采用的主存储器（例如，随机存取存储器（RAM）），以及高速缓冲存储器，其可以提供至少某些程序代码和/或数据的临时存储以减少必须从长期存储介质或外部大容量存储装置516检索用于执行的代码和/或数据的次数。计算机500内部的元件可以通过具有对应适配器的总线系统518链接在一起。此外，用于预测未来计算工作负载的所需服务器数量的预测系统304可以附加或连接到总线系统518。预测系统304可以包括在图4的上下文中描述的组件。
计算系统500还可以包括输入部件，例如键盘508、指点设备（例如鼠标510）或麦克风（未示出）。备选地，计算系统可以配备有触摸敏感屏作为主要输入设备。此外，计算机500可以包括输出部件，例如显示器或屏幕512（例如，液晶显示器（LCD）、等离子显示器、发光二极管显示器（LED）或阴极射线管（CRT）显示器）。计算机系统500可以通过网络接口连接514连接到网络（例如，局域网（LAN）、广域网（WAN），例如因特网或任何其它类似类型的网络，包括无线网络）。这可以允许耦合到其它计算机系统或存储网络或磁带驱动器。所属技术领域的技术人员应该理解，存在许多其它类型的计算机系统，并且上述输入和输出部件可以采取其它形式。一般来说，计算机系统500可以至少包括实现本发明实施例必需的最少处理、输入和/或输出部件。
尽管针对有限数量的实施例描述了本发明，但得益于本公开的所属技术领域的技术人员应该理解，可以设计其它实施例，这并不偏离在此公开的本发明的范围。因此，本发明的范围应该仅由所附权利要求限制。此外，可以组合结合不同实施例描述的元素。还应该指出，权利要求中的参考标号不应该被解释为限制性元素。
所属技术领域的技术人员知道，本发明公开的各个方面可以实现为系统、方法或计算机程序产品。因此，本发明公开的各个方面可以具体实现为以下形式，即：完全的硬件实施方式、完全的软件实施方式（包括固件、驻留软件、微代码等），或硬件和软件方面结合的实施方式，这里可以统称为“电路”、“模块”或“系统”。此外，本发明公开的各个方面还可以实现为在一个或多个计算机可读介质中的计算机程序产品的形式，该计算机可读介质中包含计算机可读的程序代码。
可以采用一个或多个计算机可读介质的任意组合。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。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、或半导体的系统、装置或器件，或者上述的任意合适的组合。计算机可读存储介质的更具体的例子（非穷举的列表）包括：具有一个或多个导线的电连接、便携式计算机盘、硬盘、随机存取存储器（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。在本文件中，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系统、装置或者器件使用或者与其结合使用。
计算机可读的信号介质可以包括例如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系统、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、有线、光缆、RF等等，或者上述的任意合适的组合。
可以以一种或多种程序设计语言的任意组合来编写用于执行本发明的各个方面的操作的计算机程序代码，所述程序设计语言包括面向对象的程序设计语言—诸如Java、Smalltalk、C++等，还包括常规的过程式程序设计语言—诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中，远程计算机可以通过任意种类的网络—包括局域网（LAN）或广域网（WAN）—连接到用户计算机，或者，可以连接到外部计算机（例如利用因特网服务提供商来通过因特网连接）。
下面将参照根据本发明公开实施例的方法、装置（系统）和计算机程序产品的流程图和/或框图描述本发明公开的各个方面。应当理解，流程图和/或框图的每个方框以及流程图和/或框图中各方框的组合，都可以由计算机程序指令实现。这些计算机程序指令可以提供给通用计算机、专用计算机或其它可编程数据处理装置的处理器，从而生产出一种机器，使得这些指令在通过计算机或其它可编程数据处理装置的处理器执行时，产生了实现流程图和/或框图中的一个或多个方框中规定的功能/动作的装置。
也可以把这些计算机程序指令存储在计算机可读介质中，这些指令使得计算机、其它可编程数据处理装置、或其它设备以特定方式工作，从而，存储在计算机可读介质中的指令就产生出包括实现流程图和/或框图中的一个或多个方框中规定的功能/动作的指令的制造品。
也可以把计算机程序指令加载到计算机、其它可编程数据处理装置、或其它设备上，使得在计算机、其它可编程装置或其它设备上执行一系列操作步骤，以产生计算机实现的过程，从而使得在计算机或其它可编程装置上执行的指令提供实现流程图和/或框图中的一个或多个方框中规定的功能/动作的过程。
附图中的流程图和框图显示了根据本发明公开的不同实施例的系统、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，所述模块、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，上面讨论的方框中所标注的功能可以以不同于附图中所标注的顺序发生。例如，两个连续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，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或动作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。
在此使用的术语只是为了描述特定的实施例并且并非旨在作为本发明的限制。如在此使用的，单数形式“一”、“一个”和“该”旨在同样包括复数形式，除非上下文明确地另有所指。还将理解，当在此说明书中使用时，术语“包括”和/或“包含”指定了声明的特性、整数、步骤、操作、元素和/或组件的存在，但是并不排除一个或多个其它特性、整数、步骤、操作、元素、组件和/或其组合的存在或增加。
下面权利要求中的对应结构、材料、操作以及所有功能性限定的装置或步骤的等同替换，旨在包括任何用于与在权利要求中具体指出的其它元件相组合地执行该功能的结构、材料或操作。出于示例和说明目的给出了对本发明的描述，但所述描述并非旨在是穷举的或是将本发明限于所公开的形式。在不偏离本发明的范围和精神的情况下，对于所属技术领域的普通技术人员来说许多修改和变化都将是显而易见的。实施例的选择和描述是为了最佳地解释本发明的原理和实际应用，并且当适合于所构想的特定使用时，使得所属技术领域的其它普通技术人员能够理解本发明的具有各种修改的各种实施例。

Claims (17)

1.一种用于预测未来计算工作负载的所需服务器数量的计算机实现的方法(100)，所述方法(100)包括：
-将多个服务器(602、604、606)的一部分(602、604)彼此相连(102)，从而在数据中心(200)内构建计算机网络(600)，
-确定(104)所述多个服务器(602、604、606)中的类别S服务器(602)的数量，其中所述类别S服务器(602)适合于部署应用，
-确定(106)所述多个服务器(602、604、606)中的类别I服务器(604)的数量，其中所述类别I服务器(604)部署所述应用，
-确定(108)所述多个服务器(602、604、606)中的类别R服务器(606)的数量，其中所述类别R服务器(606)与所述网络断开连接并且仍然在所述数据中心(200)内，
-基于部署率、取消部署率和删除率，根据易染-感染-免疫算法，计算(110)所述多个服务器(602、604、606)中在所述类别S、I、R的每个类别中的服务器数量，其中
-所述部署率指示在预定时段内离开所述类别S服务器(602)并移动到所述类别I服务器(604)的类别S服务器(602)的数量，
-所述取消部署率指示在所述预定时段内离开所述类别I服务器并移动到类别S服务器(602)的类别I服务器(604)的数量，
-所述删除率指示在所述预定时段内离开所述类别I服务器(604)并且移动到类别R服务器(606)的类别I服务器(604)的数量，
-使得在未来时间t的与所述数据中心(200)内的所述计算机网络(600)的拓扑相关的服务器(602、604、606)的总数P(t)被计算为P(t)＝S(t)+I(t)+R(t)，其中
-S(t)是时间t时在类别S中的服务器(602)的数量，
-I(t)是时间t时在类别I中的服务器(604)的数量，
-R(t)是时间t时在类别R中的服务器(606)的数量。
2.根据权利要求1的方法(100)，其中所述数据中心(200)内在不同类别S、I和R中的当前服务器数量由以下各项确定：
S0(t0)是时间t0时在类别S中的服务器数量，
I0(t0)是时间t0时在类别I中的服务器数量，
R0(t0)是时间t0时在类别R中的服务器数量，
并且所述当前服务器数量定义所述易染-感染-免疫算法的起始点。
3.根据权利要求1或2的方法(100)，其中所述部署率至少依赖于
-指示所述网络(600)中的活动服务器(602、604)的数量的连接数。
4.根据权利要求1或2的方法(100)，其中所述部署率还依赖于指示对所述应用和活动服务器(602、604)的增加需求的概率的发展指数。
5.根据权利要求1或2的方法(100)，其中根据以下各项计算类别S、I、R中的服务器数量随时间的发展：
(d/dt)S(t)＝-λ(t)*S(t)+δ(t)*I(t)，
(d/dt)I(t)＝λ(t)*S(t)+(γ(t)+δ(t))*I(t)，
(d/dt)R(t)＝γ(t)*I(t)，
其中
λ(t)是部署率，
δ(t)是取消部署率，以及
γ(t)是删除率。
6.根据权利要求5的方法(100)，其中根据以下项计算部署率λ(t)：
λ(t)＝c*Φ(t)*(I(t)/P(t0))，其中
c是连接指数，
Φ是发展指数，以及
P(t0)是时间t0时的服务器总数。
7.根据权利要求6的方法(100)，其中根据I(t)/P(t0)计算所述发展指数Φ(t)。
8.根据权利要求1或2所述的方法(100)，其中对所述应用和活动服务器(602、604)的增加需求基于以下项中的至少一个：来自系统监视工具(306)的工作负载数据、所述应用的用户需求数据(308、310、312)，以及经济指数。
9.一种用于预测未来计算工作负载的所需服务器数量的预测系统(304)，所述预测系统(304)包括：
-连接单元(402)，其适合于将多个服务器(602、604、606)的一部分(602、604)彼此相连，从而在数据中心(200)内构建计算机网络(600)，
-S类别存储单元(404)，其适合于存储指示所述多个服务器(602、604、606)中的类别S服务器数量的数值，其中所述类别S服务器(602)适合于部署应用，
-I类别存储单元(406)，其适合于存储指示所述多个服务器(602、604、606)中的类别I服务器(604)数量的数值，其中所述类别I服务器(604)部署所述应用，
-R类别存储单元(408)，其适合于存储指示所述多个服务器(602、604、606)中的类别R服务器(606)数量的数值，其中所述类别R服务器(606)与所述网络(600)断开连接并且仍然在所述数据中心(200)内，
-计算模块(410)，其适合于基于部署率、取消部署率和删除率，根据易染-感染-免疫算法，计算所述多个服务器(602、604、606)中在所述类别S、I、R的每个类别中的服务器数量，其中
-所述部署率指示在预定时段内离开所述类别S并移动到所述类别I的类别S服务器(602)的数量，
-所述取消部署率指示在所述预定时段内离开所述类别I并移动到所述类别S的类别I服务器(604)的数量，
-所述删除率指示在所述预定时段内离开所述类别I并移动到所述类别R的类别I服务器(604)的数量，
使得所述计算模块(410)将在未来时间t的与所述数据中心(200)内的所述计算机网络(600)的拓扑相关的服务器(602、604、606)的总数P(t)计算为P(t)＝S(t)+I(t)+R(t)，其中
-S(t)是时间t时在类别S中的服务器(602)的数量，
-I(t)是时间t时在类别I中的服务器(604)的数量，
-R(t)是时间t时在类别R中的服务器(606)的数量。
10.根据权利要求9的系统，其中所述数据中心(200)内在不同类别S、I和R中的当前服务器数量由以下各项确定：
S0(t0)是时间t0时在类别S中的服务器数量，
I0(t0)是时间t0时在类别I中的服务器数量，
R0(t0)是时间t0时在类别R中的服务器数量，
并且所述当前服务器数量定义所述易染-感染-免疫算法的起始点。
11.根据权利要求9或10的系统，其中所述部署率至少依赖于
-指示所述网络(600)中的活动服务器(602、604)的数量的连接数。
12.根据权利要求9或10的系统，其中所述部署率还依赖于指示对所述应用和活动服务器(602、604)的增加需求的概率的发展指数。
13.根据权利要求9或10的系统，其中根据以下各项计算类别S、I、R中的服务器数量随时间的发展：
(d/dt)S(t)＝-λ(t)*S(t)+δ(t)*I(t)，
(d/dt)I(t)＝λ(t)*S(t)+(γ(t)+δ(t))*I(t)，
(d/dt)R(t)＝γ(t)*I(t)，
其中
λ(t)是部署率，
δ(t)是取消部署率，以及
γ(t)是删除率。
14.根据权利要求13的系统，其中根据以下项计算部署率λ(t)：
λ(t)＝c*Φ(t)*(I(t)/P(t0))，其中
c是连接指数，
Φ是发展指数，以及
P(t0)是时间t0时的服务器总数。
15.根据权利要求14的系统，其中根据I(t)/P(t0)计算所述发展指数Φ(t)。
16.根据权利要求9或10的系统，其中对所述应用和活动服务器(602、604)的增加需求基于以下项中的至少一个：来自系统监视工具(306)的工作负载数据、所述应用的用户需求数据(308、310、312)，以及经济指数。
17.一种计算系统(500)，包括根据权利要求9的预测系统(304)。
CN201410138004.6A 2013-04-09 2014-04-08 基于流行病学算法的it基础架构预测方法和系统 Expired - Fee Related CN104102810B (zh)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
GB1306360.7 2013-04-09
GB1306360.7A GB2512847A (en) 2013-04-09 2013-04-09 IT infrastructure prediction based on epidemiologic algorithm

Publications (2)

Publication Number Publication Date
CN104102810A CN104102810A (zh) 2014-10-15
CN104102810B true CN104102810B (zh) 2017-04-05

Family

ID=48483561

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201410138004.6A Expired - Fee Related CN104102810B (zh) 2013-04-09 2014-04-08 基于流行病学算法的it基础架构预测方法和系统

Country Status (3)

Country Link
US (2) US9313114B2 (zh)
CN (1) CN104102810B (zh)
GB (1) GB2512847A (zh)

Families Citing this family (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
GB2512847A (en) * 2013-04-09 2014-10-15 Ibm IT infrastructure prediction based on epidemiologic algorithm
US10084658B2 (en) * 2015-09-28 2018-09-25 Cisco Technology, Inc. Enhanced cloud demand prediction for smart data centers
US11620163B2 (en) 2016-10-05 2023-04-04 Telefonaktiebolaget Lm Ericsson (Publ) Controlling resource allocation in a data center by monitoring load on servers and network links
CN109117352B (zh) * 2017-06-23 2020-08-07 华为技术有限公司 服务器性能预测方法和装置
CN109190375B (zh) * 2018-08-02 2021-03-19 北京北信源信息安全技术有限公司 分析恶意程序传播规律的方程组及恶意程序扩散预测方法
CN110266525B (zh) * 2019-06-04 2022-02-22 湖北五五互联科技有限公司 Cdn服务器数量配置方法、设备及计算机可读存储介质
US11252036B1 (en) 2021-06-10 2022-02-15 Bank Of America Corporation System for evaluating and tuning resources for anticipated demands

Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102664812A (zh) * 2012-05-14 2012-09-12 山东大学 融合业务预测与实时负载的两阶段服务系统负载预测与均衡方法

Family Cites Families (20)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US5809282A (en) 1995-06-07 1998-09-15 Grc International, Inc. Automated network simulation and optimization system
US5684967A (en) 1995-09-13 1997-11-04 International Business Machines Corporation System and method for generalized network topology representation
CA2171802C (en) 1996-03-14 2001-06-05 Richard Denison Mcdonald Comparative performance modeling for distributed object oriented applications
US6088718A (en) 1998-01-15 2000-07-11 Microsoft Corporation Methods and apparatus for using resource transition probability models for pre-fetching resources
US6904449B1 (en) 2000-01-14 2005-06-07 Accenture Llp System and method for an application provider framework
WO2003063419A1 (en) * 2002-01-22 2003-07-31 Siemens Medical Solutions Health Services Corporation A system for analyzing network load and other traffic characteristics of executable software applications
US7290048B1 (en) 2002-03-29 2007-10-30 Hyperformix, Inc. Method of semi-automatic data collection, data analysis, and model generation for the performance analysis of enterprise applications
US7350186B2 (en) * 2003-03-10 2008-03-25 International Business Machines Corporation Methods and apparatus for managing computing deployment in presence of variable workload
US7296256B2 (en) 2003-10-20 2007-11-13 International Business Machines Corporation Method and apparatus for automatic modeling building using inference for IT systems
US20060242647A1 (en) * 2005-04-21 2006-10-26 Kimbrel Tracy J Dynamic application placement under service and memory constraints
US7644148B2 (en) * 2005-05-16 2010-01-05 Hewlett-Packard Development Company, L.P. Historical data based workload allocation
US7739099B2 (en) 2005-12-22 2010-06-15 International Business Machines Corporation Method and system for on-line performance modeling using inference for real production IT systems
US8056082B2 (en) * 2006-05-31 2011-11-08 Bluetie, Inc. Capacity management and predictive planning systems based on trended rate change of monitored factors and methods thereof
US20080027948A1 (en) 2006-07-06 2008-01-31 Richard Corley Managing Application System Load
US8196143B2 (en) * 2008-05-05 2012-06-05 International Business Machines Corporation Storing resource information
US8140682B2 (en) * 2009-12-22 2012-03-20 International Business Machines Corporation System, method, and apparatus for server-storage-network optimization for application service level agreements
US8818922B2 (en) * 2010-06-29 2014-08-26 Nec Laboratories America, Inc. Method and apparatus for predicting application performance across machines with different hardware configurations
US8874642B2 (en) * 2011-04-07 2014-10-28 Infosys Limited System and method for managing the performance of an enterprise application
US20120265881A1 (en) * 2011-04-14 2012-10-18 Yuan Chen Provisioning data center resources
GB2512847A (en) * 2013-04-09 2014-10-15 Ibm IT infrastructure prediction based on epidemiologic algorithm

Patent Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102664812A (zh) * 2012-05-14 2012-09-12 山东大学 融合业务预测与实时负载的两阶段服务系统负载预测与均衡方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
An Agent-Based Model to study the epidemiological and evolutionary dynamics of Influenza viruses;Benjamin Roche et al.;《BMC Bioinformatics》;20111231;第1-10页 *

Also Published As

Publication number Publication date
US9699053B2 (en) 2017-07-04
US20140372606A1 (en) 2014-12-18
GB201306360D0 (en) 2013-05-22
CN104102810A (zh) 2014-10-15
US20140304396A1 (en) 2014-10-09
GB2512847A (en) 2014-10-15
US9313114B2 (en) 2016-04-12

Similar Documents

Publication Publication Date Title
CN104102810B (zh) 基于流行病学算法的it基础架构预测方法和系统
US10693740B2 (en) Data transformation of performance statistics and ticket information for network devices for use in machine learning models
EP3889777A1 (en) System and method for automating fault detection in multi-tenant environments
US10977068B2 (en) Minimizing impact of migrating virtual services
CN107924323B (zh) 基于依赖的容器部署
TWI620075B (zh) 用於雲端巨量資料運算架構之伺服器及其雲端運算資源最佳化方法
US10691647B2 (en) Distributed file system metering and hardware resource usage
CN102959510B (zh) 用于计算机功率和资源消耗建模的方法和系统
US8909785B2 (en) Smart cloud workload balancer
US20110320394A1 (en) Creation and Revision of Network Object Graph Topology for a Network Performance Management System
KR20170141248A (ko) 컴퓨팅 디바이스의 사용자에게 권고들을 선행적으로 제공하기 위한 시스템들 및 방법들
US10705873B2 (en) Predictive virtual server scheduling and optimization of dynamic consumable resources to achieve priority-based workload performance objectives
US11171825B2 (en) Context-based resource allocation with extended user concepts
US11568242B2 (en) Optimization framework for real-time rendering of media using machine learning techniques
US11593735B2 (en) Automated and efficient personal transportation vehicle sharing
US20120158451A1 (en) Dispatching Tasks in a Business Process Management System
CN110442402A (zh) 数据处理方法、装置、设备及存储介质
CN103270520A (zh) 基于重要性类的数据管理
US10901798B2 (en) Dependency layer deployment optimization in a workload node cluster
US10999159B2 (en) System and method of detecting application affinity using network telemetry
CN113254191A (zh) 用于运行应用的方法、电子设备和计算机程序产品
US20220147380A1 (en) Optimizing Hybrid Cloud Usage
US11436117B2 (en) Context aware dynamic relative positioning of fog nodes in a fog computing ecosystem
US20210264313A1 (en) Machine-learned data management between devices
US20190385091A1 (en) Reinforcement learning exploration by exploiting past experiences for critical events

Legal Events

Date Code Title Description
C06 Publication
PB01 Publication
C10 Entry into substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant
CF01 Termination of patent right due to non-payment of annual fee
CF01 Termination of patent right due to non-payment of annual fee

Granted publication date: 20170405