CN104798049A - 操作管理装置和操作管理方法 - Google Patents

操作管理装置和操作管理方法 Download PDF

Info

Publication number
CN104798049A
CN104798049A CN201380060602.XA CN201380060602A CN104798049A CN 104798049 A CN104798049 A CN 104798049A CN 201380060602 A CN201380060602 A CN 201380060602A CN 104798049 A CN104798049 A CN 104798049A
Authority
CN
China
Prior art keywords
disposal system
performance
server
correlation model
tolerance
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.)
Granted
Application number
CN201380060602.XA
Other languages
English (en)
Other versions
CN104798049B (zh
Inventor
加藤清志
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.)
NEC Corp
Original Assignee
NEC 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 NEC Corp filed Critical NEC Corp
Publication of CN104798049A publication Critical patent/CN104798049A/zh
Application granted granted Critical
Publication of CN104798049B publication Critical patent/CN104798049B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F11/00—Error detection; Error correction; Monitoring
    • G06F11/30—Monitoring
    • G06F11/34—Recording or statistical evaluation of computer activity, e.g. of down time, of input/output operation ; Recording or statistical evaluation of user activity, e.g. usability assessment
    • G06F11/3409—Recording or statistical evaluation of computer activity, e.g. of down time, of input/output operation ; Recording or statistical evaluation of user activity, e.g. usability assessment for performance assessment
    • G06F11/3428—Benchmarking
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F11/00—Error detection; Error correction; Monitoring
    • G06F11/30—Monitoring
    • G06F11/3003—Monitoring arrangements specially adapted to the computing system or computing system component being monitored
    • G06F11/3006—Monitoring arrangements specially adapted to the computing system or computing system component being monitored where the computing system is distributed, e.g. networked systems, clusters, multiprocessor systems
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F11/00—Error detection; Error correction; Monitoring
    • G06F11/30—Monitoring
    • G06F11/34—Recording or statistical evaluation of computer activity, e.g. of down time, of input/output operation ; Recording or statistical evaluation of user activity, e.g. usability assessment
    • G06F11/3447—Performance evaluation by modeling
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F11/00—Error detection; Error correction; Monitoring
    • G06F11/30—Monitoring
    • G06F11/34—Recording or statistical evaluation of computer activity, e.g. of down time, of input/output operation ; Recording or statistical evaluation of user activity, e.g. usability assessment
    • G06F11/3457—Performance evaluation by simulation

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • General Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Quality & Reliability (AREA)
  • General Physics & Mathematics (AREA)
  • Computer Hardware Design (AREA)
  • Computing Systems (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Mathematical Physics (AREA)
  • Debugging And Monitoring (AREA)

Abstract

本发明在不在迁移目的地执行环境中执行系统的情况下认识到在迁移目的地的执行环境中的系统的瓶颈。操作管理设备(100)包括相关模型存储单元(112)和预测模型生成单元(105)。相关模型存储单元(112)存储指示在第一处理系统中执行预定程序处理时的一个或多个度量的每一对的相关性的相关模型(260)。预测模型生成单元(105)通过使用在第一处理系统和第二处理系统中执行规定基准处理时所获得的基准性能来校正第一处理系统的相关模型(260)，由此生成用于在第二处理系统中执行规定程序处理时的相关模型的预测模型(370)。

Description

操作管理装置和操作管理方法
技术领域
本发明涉及操作管理装置和操作管理方法。
背景技术
随着虚拟机执行环境和云计算的技术发展，有必要根据诸如灾害发生、快速负荷变化等的外部环境变化来执行用于将迄今已经固定安装的系统迁移到另一执行环境的操作。在迁移时，要求准确地估计迁移目的地的执行环境所需要的处理性能，并且配置适合于迁移目的地的执行环境的计算机资源，来在抑制与迁移相关联的成本的情况下提高服务水平。
作为用于对这种情况进行响应的技术，例如，PTL 1公开了一种技术，该技术用于基于从操作服务被操作的系统收集的性能信息来生成系统的性能模型(相关模型)，并且用于使用性能模型来分析系统的瓶颈。
作为相关技术，PTL 2公开了一种技术，该技术用于使用以与PTL1相同的方式生成的性能模型来检测相关破坏并且识别故障的原因的技术。PTL 3公开了一种性能评估支持系统，该性能评估支持系统在待机服务器和新安装的服务器中执行基准程序，并且测量CPU(中央处理单元)、存储设备、网络等的资源使用率。
[引用清单]
[专利文献]
[PTL5]日本专利公开No.4872945
[PTL6]日本专利公开No.4872944
[PTL1]日本专利申请特开No.2008-146313
发明内容
[技术问题]
如在上述PTL 1中所述的操作管理装置生成性能模型，并且因此，需要从操作中的系统收集的性能信息。因此，为了认识迁移目的地的执行环境中的系统的瓶颈，有必要在迁移目的地的执行环境中操作该系统。
本发明的目的是解决上述问题并且提供一种操作管理装置和操作管理方法，该操作管理装置和操作管理方法能够在迁移目的地的执行环境中不操作该系统的情况下，认识迁移目的地的执行环境中的系统的瓶颈。
[对问题的解决方案]
根据本发明的示例性方面的操作管理装置包括：相关模型存储部件，用于存储相关模型，该相关模型指示在第一处理系统中执行预定程序处理的情况下的一个或多个度量中的每一对的相关性；以及预测模型生成部件，用于通过使用在第一处理系统和不同于第一处理系统的第二处理系统中执行预定基准处理的状态下获得的基准性能校正第一处理系统的相关模型，来生成在第二处理系统中执行预定程序处理的状态下的相关模型的预测模型。
根据本发明的示例性方面的操作管理方法包括：存储相关模型，该相关模型指示在第一处理系统中执行预定程序处理的情况下的一个或多个度量中的每一对的相关性；以及通过使用在第一处理系统和不同于第一处理系统的第二处理系统中执行预定基准处理的状态下获得的基准性能校正第一处理系统的相关模型，来生成在第二处理系统中执行预定程序处理的状态下的相关模型的预测模型。
根据本发明的示例性方面的计算机可读存储介质记录有程序，使得计算机执行包括下述的方法：存储相关模型，该相关模型指示在第一处理系统中执行预定程序处理的情况下的一个或多个度量中的每一对的相关性；以及通过使用在第一处理系统和不同于第一处理系统的第二处理系统中执行预定基准处理的状态下获得的基准性能校正第一处理系统的相关模型，来生成在第二处理系统中执行预定程序处理的状态下的相关模型的预测模型。
[本发明的有益效果]
本发明的有益效果是能够不在迁移目的地的执行环境中操作系统的情况下，认识迁移目的地的执行环境中的该系统的瓶颈。
附图说明
图1是图示本发明的第一示例性实施例的特性配置的框图。
图2是图示在本发明的第一示例性实施例中的包括操作管理装置100的操作管理系统的配置的框图。
图3是图示在本发明的第一示例性实施例中的迁移源执行环境200和迁移目的地执行环境300中的每一个的配置示例的框图。
图4是图示在本发明的第一示例性实施例中的迁移目的地处理系统350的配置示例的框图。
图5是图示在本发明的第一示例性实施例中的迁移目的地处理系统350的另一配置示例的框图。
图6是图示在本发明的第一示例性实施例中的服务器特性信息400的示例的图。
图7是图示在本发明的第一示例性实施例中的操作管理装置100的处理的流程图。
图8是图示在本发明的第一示例性实施例中的性能信息的示例的图。
图9是图示在本发明的第一示例性实施例中的相关模型260的示例的图。
图10是图示在本发明的第一示例性实施例中的相关映射261的示例的图。
图11是图示在本发明的第一示例性实施例中的基准性能比信息124的示例的图。
图12是图示在本发明的第一示例性实施例中的迁移目的地处理系统350的方案的显示画面126的示例的图。
图13是图示在本发明的第一示例性实施例中的预测模型370的示例的图。
图14是图示在本发明的第一示例性实施例中的预测性能比信息129的示例的图。
图15是图示在本发明的第一示例性实施例中的迁移目的地处理系统350的方案的显示画面127的示例的图。
图16是图示本发明的第二示例性实施例中的包括操作管理装置100的操作管理系统的配置的框图。
图17是图示本发明的第二示例性实施例中的操作管理装置100的处理的流程图。
具体实施方式
(第一示例性实施例)
现在，将描述本发明的第一示例性实施例。
首先，描述本发明的第一示例性实施例的操作管理装置100的配置。图2是图示在本发明的第一示例性实施例中的包括操作管理装置100的操作管理系统的配置的框图。
参考图2，本发明的第一示例性实施例的操作管理装置100包括性能信息收集单元101、相关模型生成单元102、相关模型存储单元112、基准性能收集单元103、基准性能比较单元104、基准性能比存储单元114、预测模型生成单元105、预测模型存储单元115和分析单元106。
操作管理装置100经由未示出的网络等连接到迁移源执行环境200和迁移目的地执行环境300。
在本发明的第一示例性实施例中，用于提供诸如Web服务、操作服务等的信息通信服务的系统(服务系统)由诸如Web服务器、AP服务器、DB服务器等各种服务器来配置。在迁移源执行环境200和迁移目的地执行环境300中，这些服务器分别被布置在不同的物理处理设备(计算机)或不同的虚拟处理设备(VM(虚拟机))中。在每个处理设备中，执行所布置的服务器的程序(服务器程序)处理。
配置系统的服务器被布置在迁移源执行环境200和迁移目的地执行环境300中的处理设备和VM的集合分别被称为迁移源处理系统250(或第一处理系统)和迁移目的地处理系统350(或第二处理系统)。配置迁移源处理系统250的处理设备和VM被称为迁移源设备。此外，可用于配置迁移目的地处理系统350的处理设备和VM被称为迁移目的地候选设备。此外，配置已经迁移了服务系统的迁移目的地处理系统350的处理设备和VM被称为迁移目的地设备。
图3是图示在本发明的第一示例性实施例中的迁移源执行环境200和迁移目的地执行环境300中的每一个的配置示例的框图。
迁移源执行环境200包括一个或多个处理设备210(210a,b,…)。处理设备210经由设备间网络彼此连接。在图3的示例中，迁移源处理系统250由设备类型R1的处理设备210a(Web服务器)、210b(AP服务器)和210c(DB服务器)来配置。
迁移目的地执行环境300包括一个或多个处理设备310(310a,b,…)。处理设备310经由设备间网络彼此连接。在处理设备310上，构建作为虚拟处理设备的VM(虚拟机)320。处理设备310中的VM 320经由VM间网络彼此连接。
假定在设备类型S1的处理设备310a上，可构建设备类型VM-A、VM-B和VM-D的VM 320。此外，假定在设备类型S2的处理设备310b上，可构建设备类型VM-C的VM 320。在迁移目的地执行环境300中，使用这些VM 320来配置迁移目的地处理系统350。
图6是图示在本发明的第一示例性实施例中的服务器特性信息400的示例的图。针对配置服务系统的每个服务器，服务器特性信息400指示布置服务器的处理设备210的设备类型以及服务器的处理特性(CPU负荷、磁盘负荷等)。图6的示例指示AP服务器具有大的CPU负荷并且DB服务器具有大的磁盘负荷。
当在迁移源处理系统250中执行(在操作服务系统的情况下)要作为迁移对象的服务系统的每个服务器程序的处理时，性能信息收集单元101以预定性能信息收集周期收集配置迁移源处理系统250的每个服务器的预定性能项的测量值。作为有关计算机资源的性能项，使用例如执行每个服务器的处理的处理设备(或VM)的CPU使用率(CPU)、内存使用率(MEM)和磁盘存取频率(DISK)。作为有关计算机之间的通信的性能项，例如，使用向/从另一处理设备(或VM)的数据传送/接收量(NW)的总值。向/从多个其他处理设备(或VM)中的每一个的数据传送/接收量(总量)或数据传送量与数据接收量中的每一个可用作性能项。
服务器和性能项的集合被定义为度量(性能指示符)，并且同时测量的多个度量的值的集合被定义为性能信息。度量对应于在PTL 1和PTL 2中针对其生成相关模型的“元素”。
相关模型生成单元102基于预定时段中的性能信息的时序变化，来在迁移源处理系统250中操作服务系统的状态下，生成相关模型260。
相关模型存储单元112存储由相关模型生成单元102生成的相关模型260(性能模型)。
基准性能收集单元103在迁移源设备和迁移目的地候选设备中，通过预定方法来执行提供负荷的处理时，收集每个性能项的测量值(基准性能)。
基准性能比较单元104基于由基准性能收集单元103收集的基准性能来针对每个性能项，比较迁移源设备和迁移目的地候选设备的处理性能，并且生成基准性能比信息124。
基准性能比存储单元114存储基准性能比信息124。
预测模型生成单元105基于相关模型260和基准性能比信息124，来生成已经预测了在迁移目的地处理系统350中操作服务系统的状态下的相关模型的预测模型370。
预测模型存储单元115存储由预测模型生成单元105生成的预测模型370。
分析单元106基于基准性能比信息124来生成迁移目的地处理系统350的方案。此外，分析单元106使用预测模型370来预测在迁移目的地处理系统350中操作服务系统的状态下的度量的值。
操作管理装置100可以是包括CPU和存储有程序的存储介质并且基于该程序控制操作的计算机。相关模型存储单元112、基准性能存储单元114和预测模型存储单元115可以由独立存储介质或一个存储介质来配置。
接下来，将描述在本发明的第一示例性实施例中的操作管理装置100的操作。
图7是图示在本发明的第一示例性实施例中的操作管理装置100的处理的流程图。
首先，性能信息收集单元101在迁移源处理系统250中操作服务系统的状态下，以预定性能信息收集周期来从迁移源设备收集性能信息(步骤S101)。
图8是图示在本发明的第一示例性实施例中的性能信息的示例的图。在图8的示例中，作为度量，性能信息包括布置各个服务器(WEB服务器、AP服务器和DB服务器)的处理设备210的各个性能项(CPU、MEM、DISK和NW)的值。
相关模型生成单元102基于在预定时段中性能信息的时序变化来生成迁移源处理系统250的相关模型260(步骤S102)。相关模型生成单元102将所生成的相关模型260存储在相关模型存储单元112中。
相关模型260包括多个度量当中的指示用于每一对(对)度量的相关性的相关函数(或变换系数)。相关函数是指用于从一对度量中的另一度量的值的时间序列来预测一个度量的值的时间序列的函数。相关模型生成单元102基于预定建模时段中的性能信息来确定用于每一对度量的相关函数的系数。以与PTL 1和PTL 2的操作管理装置中相同的方式，针对度量的测量值的时间序列，通过系统识别处理来确定相关函数的系数。相关模型生成单元102以与在PTL 1和PTL 2的操作管理装置中相同的方式，针对每一对度量，基于相关函数的变换误差来计算权重，并且将具有等于或大于预定值的权重的相关函数的集合(有效相关函数)设定为相关模型260。
图9是图示在本发明的第一示例性实施例中的相关模型260的示例的图。图9图示了基于图8的性能信息生成的相关模型260。在图9的示例中，相关模型260包括相关函数的系数(α，β)以及用于输入度量(X)和输出度量(Y)的每一对的权重。相关函数被假定为Y＝αX+β。例如，针对输入度量X“WEB.CPU”和输出度量Y“WEB.磁盘(WEB.DISK)”，计算“α＝0.8”和“β＝10”。
只要从一对度量中的一个度量的值的时间序列检测到另一个度量的值的时间序列，相关模型生成单元102就可以将另一函数表达式用作相关函数。例如，使用指示Y的过去时间序列的Y1和Y2以及指示X的过去时间序列的X1和X2，相关模型生成单元102可以计算由函数表达式Y＝aY1+bY2+cX1+dX2+e指示的系数a到e。
图10是图示在本发明的第一示例性实施例中的相关映射261的示例的图。图10的相关映射261对应于图9的相关模型260。在相关映射261中，使用包括节点和箭头的图来图示相关模型260。每个节点指示度量，并且度量之间的箭头表示从两个度量中的一个到另一个的相关性。
然后，基准性能比较单元104基于迁移源处理系统250的相关模型260来确定需要收集基准性能的性能项(步骤S103)。基准性能比较单元104将有关具有与相关模型260中的另一度量的相关性的度量的性能项确定为需要收集其基准性能的性能项。基准性能比较单元104指令基准性能收集单元103来获得有关性能项的基准性能。
在图9的相关模型260中，例如，度量“WEB.CPU”、“WEB.磁盘”和“WEB.NW”中的每一个具有与另一度量的相关性。以相同的方式，度量“AP.CPU”、“AP.磁盘”、“AP.NW”、“DB.CPU”、“DB.磁盘”和“DB.NW”中的每一个具有与另一度量的相关性。基准性能比较单元104将有关这些度量的性能项“CPU”、“磁盘”和“NW”确定为需要收集其基准性能的性能项。
基准性能收集单元103获得迁移源设备和迁移目的地候选设备中的基准性能(步骤S104)。基准性能收集单元103获得由基准性能比较单元104指令的性能项的基准性能。
基准性能收集单元103从每个设备类型的处理设备210和VM 320获得例如性能项“CPU”、“磁盘”和“NW”的基准性能。关于性能项“NW”，当迁移源设备或迁移目的地候选设备是处理设备时，获得向/从另一处理设备的数据传送/接收量。当迁移源设备或迁移目的地候选设备是VM时，获得向/从另一处理设备“NW(设备间)”的数据传送/接收量以及向/从另一VM“NW(VM间)”的数据传送/接收量。
基准性能收集单元103能够获得不是用于由基准性能比较单元104指令的性能项而是用于先前由管理员等确定的性能项的基准性能。
接着，基准性能比较单元104关于每个性能项来计算迁移目的地候选设备的基准性能与迁移源设备的基准性能的比(基准性能比)(步骤S105)。基准性能比较单元104将所计算的基准性能比设定在基准性能比信息124中。
图11是图示在本发明的第一示例性实施例中的基准性能比信息124的示例的图。基准性能比信息124包括用于迁移源设备和迁移目的地候选设备中的每个设备类型的性能项、性能项的基准性能比和校正的性能比。基准性能比信息124进一步包括用于迁移目的地候选设备的每个设备类型的使用和价格。
在图11的示例中，作为迁移源设备的设备类型“R1”的处理设备210的性能项“CPU”和“磁盘”的基准性能分别是“80”和“50”。作为迁移目的地候选设备的设备类型“S1”的处理设备310的设备类型“VM-A”上的VM 320(在下文中，称为设备类型“VM-A/S1”的VM 320)中的度量“CPU”和“DISK”的基准性能分别为“96”和“60”，并且基准性能比分别是“1.2”和“1.2”。
基准性能比较单元104进一步基于相关模型260来计算已经校正了迁移源设备和迁移目的地候选设备的基准性能比的校正性能比(步骤S106)。基准性能比较单元104将校正的性能比设定在基准性能比信息124中。
假定在操作服务系统的状态下，具有相关模型260中的相关性的一对度量中的一个度量的性能不会独立于另一度量的性能而增加，并且有关相关性的输入度量的性能项的性能比和有关相关性的输出度量的性能项的性能比之间的关系是根据相关函数的系数的关系。
基准性能比较单元104将有关相关性的输出度量的性能项的性能比与有关相关性的输入度量的性能项的性能比的比限定为相关函数的系数的值。当通过使有关相关性的输入度量的性能项的基准性能比乘以相关函数的系数α所获得的计算值等于或小于有关相关性的输出度量的性能项的基准性能比时，基准性能比较单元104将所计算的值设定为有关输出度量的性能项的校正性能比。当所计算的值超出有关输出度量的性能项的基准性能比时，基准性能比较单元104将通过使有关输出度量的性能项的基准性能比乘以相关函数的系数α的倒数所获得的值设定为有关输入度量的性能项的校正性能比。
在图11的基准性能比信息124中，设定基于图9的相关模型260所计算的校正性能比。在图9的相关模型260中，例如，相对于输入度量“WEB.CPU”和输出度量“WEB.磁盘”的相关函数的系数α为“0.8”。以相同的方式，相对于输入度量“AP.CPU”和输出度量“AP.磁盘”、以及输入度量“DB.CPU”和输出度量“DB.磁盘”的相关函数的系数α也为“0.8”。因此，基准性能比较单元104将通过使有关输入度量的性能项“CPU”的基准性能比乘以相关函数的系数α“0.8”所获得的值设定为有关输出度量的性能项“磁盘”的校正性能比，或基准性能比较单元104将通过使有关输出度量的性能项“磁盘”的基准性能比乘以相关函数的系数α的倒数“1/0.8”所获得的值设定为有关输入度量的性能项“CPU”的校正性能比。结果，在图11中，例如，作为设备类型“VM-A/S1”的VM 320的性能项“磁盘”的校正性能比，设定通过使性能项“CPU”的基准性能比乘以系数α“0.8”所获得的“0.96”。
可以理解，还在迁移源处理系统250中，在操作服务系统的状态下，将有关相关性的输出度量的性能项的性能比与有关相关性的输入度量的性能项的性能比的比限定为相关函数的系数的值。因此，基准性能比较单元104还相对于作为基准的迁移源设备中的基准性能比，进一步基于相关模型260中的相关函数的系数来计算校正性能比，并且将所计算的比设定在基准性能比信息124中。在图11中，例如，作为迁移源设备的性能项“磁盘”的校正性能比，设定通过使性能项“CPU”的基准性能比乘以系数α“0.8”所获得的“0.8”。
接着，分析单元106基于服务器特性信息400和基准性能比信息124来生成迁移目的地处理系统350的方案，并且向管理员等呈现所生成的方案(步骤S107)。例如，对于相对于服务器特性信息400中的给定性能项具有大负荷的服务器，分析单元106选择下述迁移目的地候选设备，在迁移目的地候选设备中，性能项的基准性能比(校正性能比)在基准性能比信息124中是大的。
图12是图示在本发明的第一示例性实施例中的迁移目的地处理系统350的方案的显示画面126的示例的图。图12图示了基于图6的服务器特性信息400和图11的基准性能比信息124所生成的显示画面126。显示画面126包括方案128(128a和128b)。
每个方案128包括有关每个服务器的方案的价格以及设备类型、性能比较和通信比较。设备类型指示所选择的迁移目的地候选设备的设备类型。性能比较指示用于选择每个设备类型和性能项的基准性能比(校正性能比)的性能项。通信比较指示性能项“NW”的基准性能比(校正性能比)。
图12的示例呈现了作为方案128a(方案A)和方案128b(方案B)的两个方案。
在方案128a(方案A)中，作为WEB服务器、AP服务器和DB服务器的迁移目的地候选设备，分别选择设备类型“VM-A/S1”、“VM-B/S1”和“VM-B/S1”的VM 320。此外，在方案128b(方案B)中，作为WEB服务器、AP服务器和DB服务器的迁移目的地候选设备，分别选择设备类型“VM-A/S1”、“VM-C/S2”和“VM-D/S1”的VN 320。
图4和图5中的每一个是图示本发明的第一示例性实施例中的迁移目的地处理系统350的配置示例的框图。图4图示了根据方案128a(方案A)配置的迁移目的地处理系统350的示例，并且图5图示了根据方案128b(方案B)配置的迁移目的地处理系统350的示例。
在方案128a(方案A)中，WEB服务器、AP服务器和DB服务器被布置在设备类型“S1”的相同处理设备310上的VM 320中。为此，在VM 320之间执行服务器间的通信。因此，作为图12的方案128a(方案A)的通信比较，指示图11的基准性能比信息124中的性能项“NW(VW间)”的基准性能比(校正性能比)。另一方面，在方案128b(方案B)中，WEB服务器和DB服务器被布置在设备类型“S1”的处理设备310上的VM 320中，并且WEB服务器被布置在设备类型“S2”的处理设备310上的VM 320中。为此，在处理设备320之间执行在WEB服务器与AP服务器之间的通信以及在AP服务器和DB服务器之间的通信。因此，作为图12的方案128b(方案B)的通信比较，指示图11的基准性能比信息124中的性能项“NW(设备间)”的基准性能比(校正性能比)。
在图12中，在方案128a(方案A)的性能比较中，WEB服务器的“CPU”、AP服务器的“CPU”和DB服务器的“磁盘”的性能分别增加到“1.2倍”、“1.5倍”和“1.5倍”。此外，在通信比较中，每个服务器的“NW(VM间)”的性能增加到“2.0倍”。另一方面，在方案128b(方案B)的性能比较中，WEB服务器的“CPU”、AP服务器的“CPU”和DB服务器的“磁盘”的性能分别增加到“1.5倍”、“1.5倍”和“1.5倍”。然而，在通信比较中，每个服务器的“NW(设备间)”的性能下降到“0.8倍”。
然后，预测模型生成单元105生成基于所呈现的方案配置的迁移目的地处理系统350的预测模型370。
可以想到，与迁移源处理系统250相比，迁移目的地处理系统350的服务器之间的通信性能的降低还影响服务器之间的相关性。
例如，在图12的方案128b(方案B)中，每个服务器的通信性能下降到“0.8倍”。该通信性能的降低影响作为指示服务器之间的通信性能的相关性的度量“WEB.NW”和“AP.NW”之间以及度量“AP.NW”和“DB.NW”之间的相关性。此外，该降低还影响作为服务器之间的其他相关性的度量“WEB.NW”和“AP.CPU”之间以及度量“AP.CPU”和“DB.磁盘”之间的相关性。
在本发明的第一示例性实施例中，假定由通过使迁移源处理系统250的相关模型260中的相应相关性的系数乘以有关相关性的输入度量的基准性能比所获得的值，来表示指示迁移目的地处理系统350的相关模型中的服务器之间的通信性能的相关函数的系数。
预测模型生成单元105使指示相关模型260中的服务器之间的通信性能的度量之间的相关性的系数乘以有关相关性的输入度量的基准性能比(校正性能比)来生成预测模型370。
图13是图示在本发明的第一示例性实施例中的预测模型370的示例的图。图13图示了图12的方案128b(方案B)的迁移目的地处理系统350的预测模型370。
在图13的预测模型370中，例如，作为度量“WEB.NW”和“AP.NW”之间的相关函数的系数α，设定通过使相关模型260中的相应的相关函数的系数α“1.3”乘以WEB服务器的“NW(设备间)”的性能比“0.8”所获得的“1.04”。以相同的方式，作为度量“AP.NW”和“DB.NW”之间的相关函数的系数α，设定通过使相关模型260中的相应的相关函数的系数α“0.3”乘以AP服务器的“NW(设备间)”的性能比“0.8”所获得的“0.24”。根据这些系数，还改变服务器之间的其他相关性的系数α和β。例如，使用相关模型260中的所计算的度量“WEB.NW”和“AP.NW”之间的相关函数以及度量“AP.NW”和“AP.CPU”之间的相关函数，来计算度量“WEB.NW”和“AP.CPU”之间的相关函数的系数α和β。
预测模型生成单元105可以向管理员等输出所生成的预测模型370。
分析单元106使用预测模型370来预测在迁移目的地处理系统350中操作服务系统的状态下的每个度量的值(步骤S109)。
分析单元106将预定值指定为包括在预测模型370中的特定度量的值，并且使用相关性的相关函数来计算具有与该度量的相关性的另一度量的值。以相同的方式，分析单元106进一步顺序地计算具有与计算值的度量的相关性的另一度量的值。分析单元106可以确定度量的计算值是否超出对该度量设定的预定极限值。
以相同的方式，分析单元106使用相关模型260来预测在迁移源处理系统250中操作服务系统的状态下的每个度量的值(步骤S110)。
分析单元106关于每个度量来计算预测性能比(步骤S111)，该预测性能比是迁移目的地处理系统350中的度量的预测值(迁移目的地预测值)与迁移源处理系统250中的度量的预测值(迁移源预测值)的比。分析单元106将所计算的预测性能比设定在预测性能比信息129中。
图14是图示在本发明的第一示例性实施例中的预测性能比信息129的示例的图。图14的预测性能比信息129指示基于图9的相关模型260和图13的预测模型370计算的预测性能比。预测性能比信息129包括用于每个服务器的每个性能项(度量)的迁移源预测值、迁移目的地预测值和预测性能比。图14的示例指示另一度量的迁移源预测值、迁移目的地预测值和预测性能比，其中，“24000”被指定为度量“WEB.NW”的值。例如，度量“AP.CPU”的迁移源预测值、迁移目的地预测值和预测性能比分别为“78.4”、“65.9”和“0.84”，并且与迁移源处理系统250相比，迁移目的地处理系统350的性能下降。
分析单元106基于预测性能比信息129来校正迁移目的地处理系统350的方案，并且向管理员等呈现所校正的方案(步骤S112)。分析单元106将下述值呈现为校正后的性能比较和通信比较的值：该值是通过使呈现为显示画面126的方案128中的性能比较和通信比较的基准性能比(校正性能比)的值分别乘以相应的预测性能比所获得的。
图15是图示在本发明的第一示例性实施例中的迁移目的地处理系统350的方案的显示画面127的示例的图。图15的显示画面127指示已经基于图14的预测性能比信息129校正了图12的方案128b(方案B)的结果。当例如在显示画面126中选择方案128b(方案B)并且按压“瓶颈分析”按扭时，显示该显示画面127。在显示画面127中，例如，作为AP服务器的性能比较的值，设定通过使显示画面126中的性能比较“1.5(CPU)”的值乘以预测性能比“0.84”所获得的“1.26(CPU)”。以相同的方式，还校正DB服务器的性能比较和通信比较的值。
从图15的显示画面127中，管理员可以认识到与方案128a(方案A)相比，方案128b(方案B)性能更低并且价格更高。然后，管理员例如将方案128a(方案A)选择为迁移目的地处理系统350。结果，在迁移目的地执行环境300中，构建如图4所示的迁移目的地处理系统350。这使得能够防止由于在方案128b(方案B)的迁移目的地处理系统350(图5)的构建时的VM 320的布置方法而导致的通信性能的下降和瓶颈的出现，并且然后选择具有良好成本性能的方案。
如上所述，完成本发明的第一示例性实施例的操作。
接着，将描述本发明的第一示例性实施例的特性结构。图1是图示本发明的第一示例性实施例的特性配置的框图。
参考图1，操作管理装置100包括相关模型存储单元112和预测模型生成单元105。
相关模型存储单元112存储指示在第一处理系统中执行预定程序处理的状态下的一个或多个度量中的每个对的相关性的相关模型260。
预测模型生成单元105通过使用在第一处理系统和不同于第一处理系统的第二处理系统中执行预定基准处理的状态下所获得的基准性能校正第一处理系统的相关模型260，来生成在第二处理系统中执行预定程序处理的状态下的相关模型的预测模型370。
接着，以下描述本发明的第一示例性实施例的有效效果。
本发明的第一示例性实施例使得能够不迁移目的地的执行环境中操作系统的情况下，认识到迁移目的地的执行环境中的该系统的瓶颈。原因在于预测模型生成单元105通过使用迁移源处理系统250和迁移目的地处理系统350的基准性能校正迁移源处理系统250的相关模型260，来生成迁移目的地处理系统350的预测模型370。
这使得能够在迁移前，认识到根据迁移目的地处理系统350的配置的具体瓶颈，诸如迁移目的地的服务器布置等。因此，能够显著地降低迁移之后的性能故障的发生，并且然后增强服务系统的可靠性和适用性。
本发明的第一示例性实施例使得能够关于不要求基准性能的性能项，来确认迁移目的地的执行环境中的值。原因在于预测模型生成单元105基于迁移源处理系统250的相关模型260来生成迁移目的地处理系统350的预测模型370。当迁移源处理系统250的相关模型260是使用不需要基准性能的性能项的测量值来生成的，并且包括有关性能项的相关性时，可以使用预测模型370来确认性能项的值。这使得能够在不增加收集基准性能的工作负荷的情况下，执行迁移目的地处理系统350中的多个性能项的特性评估。
本发明的第一示例性实施例已经描述了预测模型生成单元105校正相关函数(Y＝αX+β)的系数的简单示例，但是本发明不限于该示例。当能够根据由迁移目的地处理系统350检测的局部性能下降的影响来修改相关函数时，预测模型生成单元105可以校正另一形式的相关函数。作为相关函数，例如，使用能够表达诸如时间延迟等的参数的等式，预测模型生成单元105可以生成反映了通信响应延迟、通信流控制等的影响的预测模型370。
本发明的第一示例性实施例使指示服务器之间的通信性能的相关性的系数乘以有关相关性的输入度量的基准性能比来校正相关函数，但是当能够使用基准性能来校正系数时，可以使用另一方法来执行校正。
(第二示例性实施例)
接着，以下将描述本发明的第二示例性实施例。
本发明的第二示例性实施例与本发明的第一示例性实施例不同之处在于，计算在迁移目的地系统的相关模型360和预测模型370之间的预测误差。
首先，描述本发明的第二示例性实施例中的操作管理装置100的配置。图16是图示在本发明的第二示例性实施例中的包括操作管理装置100的操作管理系统的配置的框图。参考图16，除了本发明的第一示例性实施例中的操作管理装置100的部件之外，本发明的第二示例性实施例中的操作管理装置100还包括预测误差计算单元107。
除了迁移源处理系统250的性能信息的收集之外，性能信息收集单元101收集在迁移目的地处理系统350中操作服务系统的状态下的性能信息。除了迁移源处理系统250的相关模型260之外，相关模型生成单元102生成迁移目的地处理系统360的相关模型360。除了相关模型260之外，相关模型存储单元112存储相关模型360。
预测误差计算单元107计算迁移目的地处理系统350的相关模型360和预测模型370之间的预测误差(模型预测误差)。
预测模型生成单元105使用预测误差来校正预测模型370。
接着，将描述在本发明的第二示例性实施例中的操作管理装置100的操作。
图17是图示本发明的第二示例性实施例中的操作管理装置100的处理的流程图。
除了步骤S208，在呈现迁移目的地处理系统350的校正方案之前的操作(步骤S201至S212)与本发明的第一示例性实施例的操作(步骤S101至S112)相同。
假定在迁移目的地执行环境300中，已经根据由管理员选择的方案构建了迁移目的地处理系统350。
性能信息收集单元101在迁移目的地处理系统350中操作服务系统的状态下，从迁移目的地设备收集性能信息(步骤S213)。相关模型生成单元102生成迁移目的地处理系统350的相关模型360(步骤S214)。相关模型生成单元102将所生成的相关模型360存储在相关模型存储单元112中。
预测误差计算单元107将相关模型360的相关函数和预测模型370的相关函数作比较，并且计算相关模型360和预测模型370之间的预测误差(步骤S215)。预测误差计算单元107将所计算的预测误差划分成对同一迁移目的地处理系统350的各个服务器公共的预测误差(公共预测误差)和取决于特定服务器的预测误差(服务器相关预测误差)(步骤S216)。
预测误差计算单元107关于诸如度量“WEB.CPU”和“WEB.磁盘”之间的相关性、度量“AP.CPU”和“AP.磁盘”之间的相关性以及度量“DB.CPU”和“DB.磁盘”之间的相关性的在服务器间公共的性能项之间的相关性(公共相关性)，来计算预测误差。
例如，相关模型360的WEB服务器、AP服务器和DB服务器的公共相关性的相关函数的系数被分别指定为(αwc,βwc)、(αac,βac)和(αdc,βdc)。此外，预测模型370的WEB服务器、AP服务器和DB服务器的公共相关性的相关函数的系数被分别指定为(αwe,βwe)、(αae,βae)和(αde,βde)。在该情况下，预测误差计算单元107使用例如数学式1来计算各个服务器中的系数(α,β)的预测误差(Δαw,Δβw)、(Δαa,Δβa)和(Δαd,Δβd)。
[数学式1]
Δαw＝αwc/αwe;Δβw＝βwc-βwe
Δαa＝αac/αae；Δβa＝βac-βae
Δαd＝αdc/αde;Δβd＝βdc-βde
当各个服务器的预测误差基本相同时，这些预测误差可视作在各个服务器中共同生成的预测误差(公共预测误差)。当给定服务器的预测误差很大程度上不同于其他服务器的预测误差时，该服务器的预测误差可视作取决于由服务器执行的操作的特性的预测误差(服务器相关预测误差)。
例如，当AP服务器和DB服务器的预测误差(Δαa,Δβa)和(Δαd,Δβd)是基本上相同程度的预测误差(Δα,Δβ)时，预测误差计算单元107将预测误差(Δα,Δβ)确定为公共预测误差。当WEB服务器的预测误差(Δαw,Δβw)很大程度上不同于AP服务器和DB服务器的预测误差时，预测误差计算单元107将预测误差(Δαw,Δβw)确定为WEB服务器的服务器相关预测误差。
此后，当根据从步骤S201开始的处理迁移服务系统时，在步骤S208中，预测模型生成单元105使用预测误差来校正基于相关模型260和基准性能比信息124生成的新预测模型370。
当要作为迁移对象的服务系统包括新的服务器，而且迁移目的地处理系统350与在计算预测误差时的迁移目的地处理系统350相同时，预测模型生成单元105使用公共预测误差来校正新服务器的公共相关性。
例如，新预测模型370中的服务器X的公共相关性的相关函数的系数被指定为(αxe,βxe)。在该情况下，预测模型生成单元105使用例如在等式数学式2中的公共预测误差(Δα,Δβ)来校正系数(αxe,βxe)
[数学式2]
αxe_new＝αxe×Δα，βxe_new＝βxe+Δβ
当要作为迁移对象的服务系统包括已经计算了服务器相关预测误差的服务器，而且迁移目的地处理系统350不同于在计算服务器相关预测误差时的迁移目的地处理系统350时，预测模型生成单元105使用服务器相关预测误差来校正服务器的公共相关性。
例如，新预测模型370中的WEB服务器的相关性函数的系数被指定为(α'we,β'we)。在该情况下，预测模型生成单元105使用例如在数学式3中的WEB服务器的服务器相关预测误差(Δαw,Δβw)来校正系数(α'we,β'we)，例如。
[等式3]
α′we_new＝α′we×Δαw，β′we_new＝β′we+Δβw
预测误差计算单元107可以关于诸如度量“WEB.NW”和“AP.NW”之间的相关性、度量“AP.NW”和“DB.NW”之间的相关性等的服务器对(对)之间公共的性能项之间的相关性，来计算预测误差。在该情况下，预测误差计算单元107计算例如服务器对之间公共的预测误差(公共预测误差)和取决于特定服务器对的预测误差(服务器对相关预测误差)。预测误差计算单元107使用公共预测误差来校正服务器对的相关性，或者替代地，使用服务器对相关预测误差来校正特定服务器对的相关性。
如上所述，完成本发明的第二示例性实施例的操作。
接着，以下描述本发明的第二示例性实施例的有益效果。
与第一示例性实施例相比，本发明的第二示例性实施例使得能够提高预测模型370的预测精度。原因在于预测误差计算单元107计算迁移目的地处理系统350的相关模型360和预测模型370之间的预测误差，并且预测模型生成单元105使用预测误差来校正预测模型370。
当如在PTL3中，使用基准性能来确定服务系统的迁移时，存在下述问题：在迁移之后，难以确定迁移目的地处理系统350的性能是否是预期性能。
本发明的第二示例性实施例使得能够在迁移之后，验证迁移目的地处理系统350的性能是否是预期性能。原因在于预测误差计算单元107将在服务系统迁移之前生成的预测模型370与迁移之后生成的相关模型360作比较，并且然后计算预测误差。
本发明的第二示例性实施例使得能够根据迁移目的地和特定服务器的存在或不存在，来生成准确的预测模型370。原因在于预测误差计算单元107相对于服务器之间的性能相关性来比较预测误差，并且将预测误差划分成公共预测误差和服务器相关预测误差。这使得能够根据迁移目的地和特定服务器的存在或不存在，使用适当的预测误差来校正预测模型370。
本发明的第二示例性实施例使得即使当服务系统的使用情形倾向于在迁移前后改变时，也能够生成符合迁移后的使用情形的适当预测模型370。原因在于预测误差计算单元107计算在迁移之后操作实际服务系统的状态下的相关模型360和预测模型370之间的预测误差，并且预测模型生成单元105使用该预测误差来校正预测模型370。
例如，当由于系统的集成或规模扩大而导致服务系统从物理处理设备迁移到VM上时，与迁移前相比，其处理负荷在迁移后倾向于增加。因此，当通过假定迁移前后相同的处理负荷来估计迁移目的地处理系统350的性能时，非常可能在迁移后，在迁移目的地处理系统350上实现瓶颈。当如在PTL 3中，使用基准性能来确定服务系统的迁移时，在这样的实际操作时，由于外部因素而导致难以预测变化。因此，有必要使得迁移目的地处理系统350包括过多剩余资源，或者替代地，有必要基于管理员的经验和直观以及先进知识来确定迁移目的地处理系统350的剩余资源。
相反，本发明的第二示例性实施例在后续预测模型370中，反映迁移后的相关模型360和预测模型370之间的预测误差。因此，当例如处理负荷倾向于在迁移后增加时，使用考虑上述事项的预测模型370来估计迁移目的地处理系统350的性能。这使得能够响应于由于在实际操作时的外部因素而导致的变化，并且由此，可以获得根据实际操作的性能估计结果。
尽管参考本发明的示例性实施例具体示出和描述了本发明，但是本发明不限于这些实施例。本领域的普通技术人员将理解，在不背离如由权利要求所限定的本发明的精神和范围的情况下，可以在形式和细节方面进行各种改变。
本申请基于并且要求2012年11月20日提交的日本专利申请No.2012-254389的优先权的权益，其全部公开内容通过引用合并于此。
[附图标记列表]
100  操作管理装置
101  性能信息收集单元
102  相关模型生成单元
103  基准性能收集单元
104  基准性能比较单元
105  预测模型生成单元
106  分析单元
107  预测误差计算单元
112  相关模型存储单元
114  基准性能比存储单元
115  预测模型存储单元
124  基准性能比信息
126  显示画面
127  显示画面
128  方案
129  预测性能比信息
200  迁移源执行环境
210  处理设备
250  迁移源处理系统
260  相关模型
261  相关图
300  迁移目的地执行环境
310  处理设备
320  VM
350  迁移目的地处理系统
360  相关模型
370  预测模型
400  服务器特性信息

Claims (10)

1.一种操作管理装置，包括：
相关模型存储部件，所述相关模型存储部件用于存储相关模型，所述相关模型指示在第一处理系统中执行预定程序处理的状态下的一个或多个度量的每一对的相关性；以及
预测模型生成部件，所述预测模型生成部件用于通过使用在所述第一处理系统和不同于所述第一处理系统的第二处理系统中执行预定基准处理的状态下所获得的基准性能校正所述第一处理系统的相关模型，来生成在所述第二处理系统中执行所述预定程序处理的状态下的相关模型的预测模型。
2.根据权利要求1所述的操作管理装置，其中，
所述预定程序处理包括用于多个服务器的处理，并且
所述预测模型生成部件基于有关不同服务器之间的通信性能的所述基准性能，来计算有关所述不同服务器之间的通信性能的所述第二处理系统与所述第一处理系统的基准性能比，并且使用所计算的基准性能比来校正所述第一处理系统的相关模型中的所述不同服务器的度量之间的相关性的相关系数。
3.根据权利要求2所述的操作管理装置，其中，
所述预测模型生成部件使相关函数的相关系数乘以关于所述多个服务器当中的第一服务器和第二服务器之间的通信性能的性能比，在所述相关函数中，将所述第一服务器的度量和所述第二服务器的度量分别指定为所述第一处理系统的相关模型中的输入和输出。
4.根据权利要求1至3中的任何一项所述的操作管理装置，进一步包括：
分析部件，所述分析部件用于使用所述第二处理系统的预测模型，相对于在所述第二处理系统中执行所述预定程序处理的状态下的所述一个或多个度量当中的第一度量的值，来预测第二度量的值。
5.根据权利要求4所述的操作管理装置，其中，
所述分析部件使用所述第一处理系统的相关模型，相对于在所述第一处理系统中执行所述预定程序处理的状态下的所述第一度量的值，来预测所述第二度量的值，并且基于所述第一处理系统和所述第二处理系统的所述第二度量的预测值来预测在执行所述预定程序处理的状态下的所述第二处理系统与所述第一处理系统的性能比。
6.根据权利要求1所述的操作管理装置，
其中，所述相关模型存储部件进一步存储下述相关模型：该相关模型指示在所述第二处理系统中执行上述预定程序处理的状态下的一个或多个度量的每一对的相关性，并且
进一步包括预测误差计算部件，所述预测误差计算部件用于计算所述第二处理系统的相关模型和所述第二处理系统的预测模型之间的模型预测误差。
7.根据权利要求6所述的操作管理装置，其中，
所述预测模型生成部件使用所述模型预测误差来校正所述第二处理系统的预测模型。
8.根据权利要求7所述的操作管理装置，其中，
所述预测程序处理包括用于多个服务器的处理，
所述预测误差计算部件将有关所述多个服务器中的公共性能项的度量之间的相关性的模型预测误差划分成对所述多个服务器公共的预测误差和取决于特定服务器的预测误差，并且
所述预测模型生成部件
在执行所述程序处理的情况下生成包括不同于所述多个服务器的新服务器的预测模型时，将对所述多个服务器公共的预测误差应用于有关所述新服务器的公共性能项的度量之间的相关性，并且
在执行所述程序处理的状态下生成包括所述特定服务器的预测模型时，将取决于所述特定服务器的预测误差应用于有关所述特定服务器的公共性能项的度量之间的相关性。
9.一种操作管理方法，包括：
存储相关模型，所述相关模型指示在第一处理系统中执行预定程序处理的状态下的一个或多个度量的每一对的相关性；以及
通过使用在所述第一处理系统和不同于所述第一处理系统的第二处理系统中执行预定基准处理的状态下所获得的基准性能校正所述第一处理系统的相关模型，来生成在所述第二处理系统中执行所述预定程序处理的状态下的相关模型的预测模型。
10.一种记录有程序的计算机可读存储介质，使得计算机执行包括下述的方法：
存储相关模型，所述相关模型指示在第一处理系统中执行预定程序处理的状态下的一个或多个度量的每一对的相关性；以及
通过使用在所述第一处理系统和不同于所述第一处理系统的第二处理系统中执行预定基准处理的状态下所获得的基准性能校正所述第一处理系统的相关模型，来生成在所述第二处理系统中执行所述预定程序处理的状态下的相关模型的预测模型。
CN201380060602.XA 2012-11-20 2013-11-14 操作管理装置和操作管理方法 Active CN104798049B (zh)

Applications Claiming Priority (3)

Application Number Priority Date Filing Date Title
JP2012-254389 2012-11-20
JP2012254389 2012-11-20
PCT/JP2013/006688 WO2014080598A1 (ja) 2012-11-20 2013-11-14 運用管理装置、及び、運用管理方法

Publications (2)

Publication Number Publication Date
CN104798049A true CN104798049A (zh) 2015-07-22
CN104798049B CN104798049B (zh) 2017-08-04

Family

ID=50775793

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201380060602.XA Active CN104798049B (zh) 2012-11-20 2013-11-14 操作管理装置和操作管理方法

Country Status (5)

Country Link
US (1) US10282272B2 (zh)
EP (1) EP2924580B1 (zh)
JP (1) JP5954430B2 (zh)
CN (1) CN104798049B (zh)
WO (1) WO2014080598A1 (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2020215324A1 (en) * 2019-04-26 2020-10-29 Splunk Inc. Two-tier capacity planning

Families Citing this family (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US8874963B2 (en) * 2010-12-20 2014-10-28 Nec Corporation Operations management apparatus, operations management method and program thereof
JP6330456B2 (ja) * 2014-04-30 2018-05-30 富士通株式会社 相関係数算出方法、相関係数算出プログラムおよび相関係数算出装置
JP6393655B2 (ja) * 2015-05-11 2018-09-19 株式会社日立製作所 データ移行チューニング装置およびデータ移行チューニング方法
JP6634919B2 (ja) * 2016-03-25 2020-01-22 日本電気株式会社 分析装置
US10346201B2 (en) * 2016-06-15 2019-07-09 International Business Machines Corporation Guided virtual machine migration
JP2018173881A (ja) * 2017-03-31 2018-11-08 富士通株式会社 評価処理プログラム、装置、及び方法
US20210208983A1 (en) * 2018-06-29 2021-07-08 Microsoft Technology Licensing, Llc Multi-phase cloud service node error prediction
WO2020117270A1 (en) 2018-12-07 2020-06-11 Hewlett-Packard Development Company, L.P. Automated overclocking using a prediction model

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2008146313A (ja) * 2006-12-08 2008-06-26 Chugoku Electric Power Co Inc:The コンピュータの性能評価支援システム及び性能評価支援方法
US20090217099A1 (en) * 2008-02-25 2009-08-27 Kiyoshi Kato Operations management apparatus, operations management system, data processing method, and operations management program
CN102099795A (zh) * 2008-09-18 2011-06-15 日本电气株式会社 运用管理装置、运用管理方法和运用管理程序
CN102576328A (zh) * 2009-10-15 2012-07-11 日本电气株式会社 系统操作管理装置、系统操作管理方法和程序存储介质

Family Cites Families (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP4957256B2 (ja) * 2007-01-12 2012-06-20 日本電気株式会社 システム構成変更ルール生成システム、方法およびプログラム
JP4872945B2 (ja) 2008-02-25 2012-02-08 日本電気株式会社 運用管理装置、運用管理システム、情報処理方法、及び運用管理プログラム
US8260603B2 (en) 2008-09-30 2012-09-04 Hewlett-Packard Development Company, L.P. Scaling a prediction model of resource usage of an application in a virtual environment
JP2011258058A (ja) * 2010-06-10 2011-12-22 Mitsubishi Electric Corp 性能予測装置及びコンピュータプログラム及び性能予測方法
WO2012004418A2 (en) * 2010-07-09 2012-01-12 Stratergia Ltd. Power profiling and auditing consumption systems and methods
US8527704B2 (en) * 2010-11-11 2013-09-03 International Business Machines Corporation Method and apparatus for optimal cache sizing and configuration for large memory systems
US8930736B2 (en) * 2012-03-01 2015-01-06 Microsoft Corporation Inferred electrical power consumption of computing devices
JP5768796B2 (ja) 2012-10-23 2015-08-26 日本電気株式会社 運用管理装置、運用管理方法、及び、プログラム

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2008146313A (ja) * 2006-12-08 2008-06-26 Chugoku Electric Power Co Inc:The コンピュータの性能評価支援システム及び性能評価支援方法
US20090217099A1 (en) * 2008-02-25 2009-08-27 Kiyoshi Kato Operations management apparatus, operations management system, data processing method, and operations management program
CN102099795A (zh) * 2008-09-18 2011-06-15 日本电气株式会社 运用管理装置、运用管理方法和运用管理程序
CN102576328A (zh) * 2009-10-15 2012-07-11 日本电气株式会社 系统操作管理装置、系统操作管理方法和程序存储介质

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2020215324A1 (en) * 2019-04-26 2020-10-29 Splunk Inc. Two-tier capacity planning
US11995381B2 (en) 2019-04-26 2024-05-28 Splunk Inc. Two-tier capacity planning

Also Published As

Publication number Publication date
US20160306727A1 (en) 2016-10-20
US10282272B2 (en) 2019-05-07
EP2924580B1 (en) 2017-10-04
CN104798049B (zh) 2017-08-04
JP5954430B2 (ja) 2016-07-20
WO2014080598A1 (ja) 2014-05-30
EP2924580A4 (en) 2016-07-27
JPWO2014080598A1 (ja) 2017-01-05
EP2924580A1 (en) 2015-09-30

Similar Documents

Publication Publication Date Title
CN104798049A (zh) 操作管理装置和操作管理方法
CN109412829B (zh) 一种资源配置的预测方法及设备
CN104756084B (zh) 操作管理装置和操作管理方法
US8433554B2 (en) Predicting system performance and capacity using software module performance statistics
US10353745B1 (en) Assessing performance of disparate computing environments
US20130166241A1 (en) Data center thermal management
Huang et al. Optimal resource allocation for cost and reliability of modular software systems in the testing phase
US10601690B2 (en) Assessing performance of networked computing environments
KR20060061759A (ko) 트랜잭션 기반 성능 모델을 자동 검증 및 캘리브레이션하기위한 컴퓨터 구현 방법
US8762314B2 (en) Predictions using aggregate information
CN110633194B (zh) 一种硬件资源在特定环境下的性能评估方法
JP7010674B2 (ja) 電力需要予測装置、電力需要予測方法およびプログラム
CN109254865A (zh) 一种基于统计分析的云数据中心服务异常根因定位方法
US20130096831A1 (en) Automatic, adaptive and optimized sensor selection and virtualization
CN106598822A (zh) 一种用于容量评估的异常数据检测方法及装置
CN108139942A (zh) 数据中心端到端功率效率建模的方法
US20090138237A1 (en) Run-Time Characterization of On-Demand Analytical Model Accuracy
Daoud et al. Monte Carlo simulation-based algorithms for estimating the reliability of mobile agent-based systems
Durand et al. Trading accuracy for speed in parallel simulated annealing with simultaneous moves
CN103530190A (zh) 一种负载预测方法及装置
Nwanganga et al. Statistical Analysis and Modeling of Heterogeneous Workloads on Amazon's Public Cloud Infrastructure
US11080632B2 (en) Optimization of steady state cost for multi-site high availability application deployment of management and managed intrastructure
Gerdes et al. Performance analysis of distributed solution approaches in simulation-based optimization
Velázquez et al. Dynamic weighted average in multisensory systems
Andrikopoulos et al. CAP-oriented design for cloud-native applications

Legal Events

Date Code Title Description
C06 Publication
PB01 Publication
EXSB Decision made by sipo to initiate substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant