CN104956325A - 物理资源分配 - Google Patents
物理资源分配 Download PDFInfo
- Publication number
- CN104956325A CN104956325A CN201380071884.3A CN201380071884A CN104956325A CN 104956325 A CN104956325 A CN 104956325A CN 201380071884 A CN201380071884 A CN 201380071884A CN 104956325 A CN104956325 A CN 104956325A
- Authority
- CN
- China
- Prior art keywords
- resource
- physical resource
- instruction
- consumption
- data
- 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.)
- Pending
Links
Classifications
-
- 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
-
- 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
- G06F9/5011—Allocation of resources, e.g. of the central processing unit [CPU] to service a request the resources being hardware resources other than CPUs, Servers and Terminals
-
- 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
- G06F9/5011—Allocation of resources, e.g. of the central processing unit [CPU] to service a request the resources being hardware resources other than CPUs, Servers and Terminals
- G06F9/5016—Allocation of resources, e.g. of the central processing unit [CPU] to service a request the resources being hardware resources other than CPUs, Servers and Terminals the resource being the memory
-
- 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
-
- 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
- G06F2209/501—Performance criteria
Landscapes
- Engineering & Computer Science (AREA)
- Software Systems (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Debugging And Monitoring (AREA)
Abstract
物理资源的分配通过访问在一个或多个虚拟机中执行并消耗多个分配的物理资源的多个应用程序组件中的每一个的消耗数据来实现。消耗数据指示多个物理资源中的每一个被多个应用程序组件中的每一个消耗的消耗水平。紧随确定与所述应用程序关联的性能指标值已经越过关联的阈值之后,消耗数据被分析以识别多个资源中被多个应用程序组件中的第一应用程序组件消耗的第一资源的消耗水平已经偏离那个物理资源的历史趋势。然后,在执行时会导致所述多个物理资源中的第一物理资源的分配水平发生改变的指令被传送。
Description
背景技术
云计算可以由数据中心实施以建立公共云和私有云。云计算提供自服务、可扩展性和灵活性,以及传统上不可能的另外的控制和定制的优点。云服务供应商扩展了用于限定应用程序性能的保证水平的服务水平协议(SLA)。例如,SLA可以指定用于限定每时间帧的响应次数或计算的性能指标。然后,应用程序性能被监控以确保SLA遵从性。
附图说明
图1描述其中各个实施例可以被实施的示例环境。
图2描述根据示例的系统。
图3是描述根据示例的存储器资源和处理资源的框图。
图4是描述用于实施示例的步骤的流程图。
图5是示出随时间测量的应用程序的性能指标值的示例图。
图6和图7是描述两个应用程序组件的物理资源消耗水平的示例图。
具体实施方式
介绍:现代应用程序包括一起操作以实现预定结果的多个组件。在一个示例中,应用程序可以包括应用程序服务器和数据库服务器。每个组件的一个或多个实例可以在任意数量的虚拟机中执行。在执行时,每个组件消耗诸如CPU、存储器、联网和存储之类的物理资源。因为多个虚拟机可以共享对同一物理资源的访问,因此需要多次恰当的资源分配以确保期望的应用程序性能。
云服务供应商扩展了用于限定应用程序性能的保证水平的服务水平协议(SLA)。SLA可以指定用于限定每时间帧的响应次数或计算的性能指标。手动监控可以证明是困难的,并且在许多情况下是低效或无效的。虽然诸如平均响应时间的性能指标可以被看到,并且对应SLA的违背可以被识别,但是可能难于快速确定导致不期望的性能的瓶颈。瓶颈经常在被分配至虚拟机的物理资源被应用程序组件以比预期水平高的水平消耗时发生。如果随着虚拟机数目的增加,不能手动识别特别导致瓶颈的应用程序组件和对应的物理资源,那么这可能是困难的。
以下描述的各个实施例已经被发展为将物理资源自动分配给执行应用程序组件的虚拟机。在一个示例中,性能数据和消耗数据从在虚拟机中执行的代理获取。性能数据指示应用程序随时间的性能指标。消耗数据指示每个应用程序组件或虚拟机随时间的物理资源消耗水平。性能数据被分析以识别性能事件。性能事件在与应用程序关联的性能指标的值越过关联的阈值时发生。例如,在性能指标与应用程序响应时间对应的情况下,阈值可以对应于由SLA指定或确定的特定平均响应时间。在一个示例中,越过阈值指示SLA已经被违背或可能会被违背并且应用程序组件可能需要被分配另外的物理资源。在另一个示例中,越过阈值指示性能水平很好地在SLA要求内,并且物理资源未被充分利用且可以从应用程序组件分配出来。
一旦检测到性能指标已经越过阈值,则消耗数据被分析以检查由应用程序组件利用的物理资源的消耗水平。在物理资源之一(但不是另一个)的消耗水平在通常与性能事件相一致的时刻偏离历史趋势的情况下,可以假定消耗那个物理资源的给定应用程序组件导致了性能事件。在执行时会导致对应物理资源的分配水平改变的指令被传送。指令例如可以被传送至负责对执行各个应用程序组件的虚拟机进行管理的云控制器,并被该云控制器执行。在性能事件指示实际或可能的SLA违背的情况下,资源分配的改变可以是计划使性能指标值越回阈值之上的增加。在性能事件指示未被完全利用的情况下,分配的改变可以是允许物理资源被再分配到别处的减小分配。
以这种方式,物理资源可以被自动分配和再分配以有助于确保SLA遵从性和有效的资源消耗。
随后的描述被分为多个部分。标记为“设置”的第一部分描述其中各个实施例可以被实施的环境。标记为“组件”的第二部分描述用于实施各个实施例的各个物理和逻辑组件的示例。标记为“操作”的第三部分描述用于实施各个实施例的步骤。
设置:图1描述其中各个实施例可以被实施的设置10。设置10被示出为包括云环境12、物理资源14、客户端计算设备16和资源分配系统18。云环境12通常表示被配置为作为诸如因特网的网络上的服务而提供的计算资源(硬件或软件)。为了效率被描述为服务器的物理资源14提供实施云环境所需的CPU、存储器、联网和存储资源。用户被提供以访问在云环境中执行的应用程序软件和数据库,同时云供应商管理应用程序在其上运行的基础结构和平台。在图1的示例中,那个基础结构由物理资源14表示。
云控制器(未示出)负责将物理资源14供给至应用程序的各个组件。在这样做时,控制器利用物理资源14实例化用于执行应用程序组件的虚拟机。虚拟机共享由物理资源14提供的诸如CPU、存储器、联网和存储的物理资源,其中每个资源的指定部分被分配给每个虚拟机。在本文中,两个或多个虚拟机可以一起被称为虚拟环境。
客户端设备16通常表示能够利用提供在云环境12内的应用程序的任何计算设备。以下具体描述的资源分配系统18表示被配置为自动管理被云环境12中执行的应用程序的组件所消耗的资源的分配。通常,资源分配系统18被配置为响应于预定性能事件而识别在通常与性能事件对应的时刻已经成尖峰或经历改变的、被应用程序组件消耗的物理资源的消耗水平。然后,系统18传送在被云控制器执行时导致那个资源的分配根据性能事件的性质而改变的指令。例如,在性能事件是实际上违背或可能违背SLA时,改变可以是向对应的应用程序组件增加资源的分配。
组件:图2和图3描述用于实施各个实施例的物理和逻辑组件的示例。在图2中,各个组件被识别为引擎32-36。在描述引擎30-34中,注意力将会落在每个引擎的指定功能上。然而,这里使用的术语引擎指的是被配置为执行指定功能的硬件和程序的组合。如随后结合图3所示,每个引擎的硬件例如可以包括处理器和存储器,同时程序是存储在该存储器上并可被处理器执行以执行指定功能的代码。在另一个示例中,硬件可以是用于存储代码的存储器。
图2描述与云环境12通信的资源分配系统18。在这个示例中,云环境12包括物理资源14并被示出为包括多个实例化的虚拟机20,每个实例化的虚拟机20在对应操作系统上执行一个或多个应用程序组件21。对于示例应用程序,各个组件21可以表示不同的应用程序服务器和任何给定应用程序服务器的各个实例。同样,其他组件21可以表示不同的数据库服务和任何特定数据库服务器的不同实例。每个虚拟机20包括虚拟资源24。给定虚拟机20的虚拟资源24表示该虚拟机的物理资源14分配。再次,这些物理资源可以包括CPU、存储器、联网和存储资源。每个虚拟机20还被示出为执行代理26。每个代理26被配置为针对给定虚拟机20或应用程序组件21监控性能指标、物理资源消耗水平或其组合。每个代理26根据其目的被配置为产生指示监控的性能指标和/或监控的物理资源消耗水平的数据,并被配置为将该数据传送至资源分配系统18或使其可用于资源分配系统18。这种数据可以被称为性能统计和消耗统计。
图2还描述云控制器28。云控制器28负责执行从资源分配系统18接收的指令以改变指定物理资源的分配水平。该改变可以是分配至给定虚拟机20或应用程序组件21的物理资源水平的增加或减少。云控制器28可以具有诸如实例化、复制、移植和关闭虚拟机20之类的其他功能。换言之,云控制器20被配置为通过管理资源分配水平来放大或缩小应用程序,并被配置为通过关闭或复制虚拟机20来向内扩展或向外扩展。如所述,云控制器28独立于云环境28,并表示被配置为实施上面指定的功能的硬件和程序的组合。在其他示例中,云控制器28可以是云环境12的一部分,并由在一个或多个虚拟机20中执行的一个或多个应用程序组件21来实施。
资源分配系统18被示出为与数据存储库30以及云控制器28和云环境12通信。数据存储库通常表示可接入系统并被配置为存储性能数据和消耗数据的任意物理存储器。虽然示出为与云环境12不一样,但是资源分配系统18可以是云环境12的一部分,并由在一个或多个虚拟机20中执行的一个或多个应用程序组件21实施。
资源分配系统18被示出为包括数据引擎32、分析引擎34和资源引擎36。数据引擎32被配置为维护性能数据和资源消耗数据。性能数据指示应用程序的性能指标趋势。应用程序包括在一个或多个虚拟机20中执行的多个应用程序组件21。消耗数据指示被多个应用程序组件消耗的多个物理资源14中的每一个的消耗水平趋势。在图2的示例中,数据引擎32可以通过从将数据存储在数据存储库30中的代理26获取数据来执行这项功能。因此,性能和消耗数据表示随时间测量的性能指标值和物理资源消耗水平值。
代理26可以连续地或周期性地报告性能和消耗测量,并且数据引擎32可以以一个或多个表格或者其它数据结构将这些信息采集在数据存储库30中。数据引擎32还可以维护与应用程序的服务水平协议(SLA)关联的参数。参数可以指定与诸如交易性能(响应次数)或交易量之类的性能指标相对应的一个或多个阈值。例如,一个阈值可以指定平均响应时间,如果超过该平均响应时间,则SLA正被违背或处于被违背的风险中。另一个阈值可以指定平均响应时间,如果不超过该平均响应时间,则指示当前分配给应用程序的给定组件21的物理资源14可以被再次分配并更有效地用于支持另一个应用程序组件21。
分析引擎34被配置为分析性能数据以确定应用程序的性能指标值是否越过关联的阈值。这可以被称为性能事件。响应于正性确定,分析引擎34负责分析消耗数据以识别被应用程序的给定组件消耗的多个物理资源之一的消耗水平已经偏离该资源的历史趋势。分析引擎34可以只考虑在时间上通常与给定性能事件同时发生的偏离。换言之,分析引擎34可以只查找与性能事件共享预定时间帧或窗并且可以被假定为性能事件的原因的偏离。因此,历史趋势可以至少部分地由发生在对应性能事件之前的时段期间的最大和最小消耗水平确定。
资源引擎36被配置为传送在被云控制器28执行时会导致分析引擎34所识别的物理资源的分配水平发生改变的指令。该指令可以是标记语言格式,诸如XML(可扩展标记语言)。在执行其功能的过程中,资源引擎36可以检查所识别的物理资源的当前消耗水平和它的近来消耗趋势以优化改变。该优化可以根据情况导致增加或减少,并且可以影响少于分配给应用程序组件的全部物理资源的物理资源。这在消耗数据的分析揭露多个物理资源中由该应用程序的组件消耗的另一物理资源的消耗水平已经不偏离该资源的历史趋势时是真的。因此,该指令在执行时只影响在消耗数据的分析中识别的资源的分配水平。
在示例中,性能事件与SLA的实际违背或可能违背相对应。这里,优化产生在被云控制器28执行时进行以下操作的指令:将资源的当前分配水平增加预期会将性能指标值带回与SLA一致使其不会被违背或不趋于被违背的量。该指令的执行也预期不过度分配并剩下未充分利用的物理资源。在另一个示例中,性能事件指示资源未被充分利用。这里,优化产生在被云控制器28执行时进行以下操作的指令:将资源的当前分配水平降低允许物理资源被更有效地用于别处而不会违背SLA的量。
简言之,资源分配系统18借助于代理26监控由云环境12内的一个或多个虚拟机20实施的应用程序的性能。一旦检测到性能事件,系统18就自动识别支持应用程序的物理资源的消耗水平的改变,其中该改变在时间上与性能事件同时发生。然后,系统18自动传送在被云控制器28执行时导致所识别的物理资源的分配水平发生改变的指令。根据性能事件的性质,改变可以是增加或减少。
资源分配系统18还可以被配置为预测未来的性能事件,并采取试图阻止它们发生的行动。随着时间的过去,数据引擎32可以维护涉及性能事件的细节,和在时间上与那些事件对应的消耗数据。这些细节可以被称为过去的性能数据和消耗数据。然后,分析引擎34可以处理过去的性能数据以预测未来性能事件的发生。过去的性能数据可以揭露在资源分配水平的改变不存在的情况下性能事件可能发生的重复周期,诸如一天中的时间或一周或一个月的一天。因此,未来性能事件可以被预测为在随后的天、周或月的与这种情况相同的时间期间发生。
然后,分析引擎34可以分析过去的消耗数据以识别被预测为在时间上与未来性能事件对应的、给定物理资源的消耗水平的预测的未来变化。过去的消耗数据可以揭露给定物理资源的消耗水平在与过去的性能事件对应的时间偏离历史趋势。然后,资源引擎36可以传送在被执行时会导致其消耗水平被预测为偏离的资源的分配水平发生改变的指令。该指令会被传送,使得其可以在预测的未来性能事件期间或之前被执行。
在前面的讨论中,引擎32-36被描述为硬件和程序的组合。引擎32-36可以以多种形式实施。参见图3,程序可以是存储在有形存储器资源38上的处理器可执行指令,并且硬件可以包括用于执行那些指令的处理资源40。因此,存储器资源38可以说是存储在被处理资源40执行时实施图2的系统18的程序指令。
存储器资源38通常表示能够存储可以被处理资源40执行的指令的任意数目的存储器组件。在存储器资源38不包含临时信号而相反由被配置为存储相关指令的一个或多个存储器组件组成的意义上,存储器资源38是非暂时性的。存储器资源38可以在单个设备中实施或分布在多个设备中。同样,处理资源40表示能够执行由存储器资源38存储的指令的任意数目的处理器。处理资源40可以被集成在单个设备或分布在多个设备中。此外,存储器资源38可以全部或部分集成在与处理资源40相同的设备中,或者其可以对该设备和处理资源40来说是分立的但可访问的。
在一个示例中,程序指令可以是在安装时可以被处理资源40执行以实施系统18的安装包的一部分。在这种情况下,存储器资源38可以是便携式介质,诸如,CD、DVD或闪存驱动、或者由服务器维护的从其可以下载并安装安装包的存储器。在另一个示例中,程序指令可以是已经安装的应用程序的一部分。这里,存储器资源38可以包括集成存储器,诸如硬盘驱动器或固态驱动器等。
在图3中,存储在存储器资源38中的可执行程序指令被描述为数据模块42、分析模块44和资源模块46。数据模块42表示在执行时导致处理资源40实施图2中的数据引擎32的程序指令。分析模块44表示在执行时导致实施分析引擎34的程序指令。同样,资源模块46表示在执行时导致实施资源引擎36的程序指令。
操作:图4是用于实施用于分配物理资源的方法的步骤的流程图。图5-7描述用于帮助示出示例性使用情况的各个图。在讨论图4-7中,可以参考图2和3中描述的组件。这种参考提供上下文示例,而且不制可以实施图4描述的方法所采取的方式。
参见图4,消耗数据被访问(步骤48)。消耗数据针对在一个或多个虚拟机中执行并消耗多个分配的物理资源的多个应用程序组件中的每一个。消耗数据指示实施一个或多个虚拟机的多个物理资源中的每一个被多个应用程序组件中的每一个消耗的消耗水平。参见图2,数据引擎32可以负责实施步骤48。
作出关于性能事件是否已经发生的确定(步骤50)。性能事件在与应用程序关联的性能指标值越过关联阈值时发生。图2的分析引擎可以实施步骤50,数据引擎32访问被分析以作出确定的性能数据。在示例中,阈值可以与根据应用程序的服务水平协议(SLA)设定或确定的参数相对应。这里,可以假定在性能指标值在给定方向上越过那个阈值时SLA已经被违背或可能会被违背。
向前参看图5,图形56以在给定应用程序的时间段上的响应时间的形式描述性能数据。这里那个性能数据与最小、平均和最大应用程序响应时间58、60和62对应。图形56还描述阈值64。这里,性能事件可以发生在平均响应时间60越过并超过阈值64时。
回到图4,消耗数据被分析以识别多个资源中的第一资源被多个应用程序组件中的第一应用程序组件消耗的消耗水平已经偏离那个物理资源的历史趋势(步骤52)。历史趋势被在性能事件发生之前的时段期间给定物理资源的最大和最小消耗水平中的一个或多个至少部分地限定。参见图2,步骤52可以由分析引擎34实施。
向前看,图6的图形66描述两个应用程序组件——应用程序服务器和数据库服务器——的CPU消耗水平68和72。图7的图形74描述相同两个组件的存储器消耗水平76和78。参见图6,应用程序服务器的CPU消耗偏离由线72之间的空间限定的其历史趋势,同时数据库服务器的CPU消耗没有偏离线73限定的其历史趋势。参见图7,两个组件的存储器消耗保持在由线80之间的空间限定的历史趋势内。因此,在图6和7的示例中,在图4的步骤52中,只有被应用程序服务器组件消耗的CPU资源的消耗水平68会被识别。
回到图4,该方法继续步骤54,其中指令被传送。该指令在接收并执行时会导致消耗水平在步骤52中被识别的资源的分配水平的改变。参见图2,步骤54可以被资源引擎36实施,同时云控制器28可以负责执行指令。执行可以根据在步骤50中检测的性能事件的性质导致分配的增加或减少。在性能事件对应于SLA的实际违背或可能违背的情况下,执行可以导致增加。在性能事件指示资源未充分利用的情况下,执行可能导致减少。在图5-7的示例中,指令在执行时仅影响针对应用程序服务器的CPU资源的分配水平。
图4的方法可以被修改为预测性能事件并采取试图阻止它们发生的行动。随着时间的过去,涉及性能事件的细节和在时间上对应于那些事件的消耗数据可以被维护。这些细节可以被称为过去的性能数据和消耗数据。经过修改,步骤50包括处理过去的性能数据以预测未来的性能事件。过去的性能数据可以揭露在资源分配水平的改变不存在的情况下性能事件可能发生的重复周期,诸如一天中的时间或一周或一个月的一天。因此,未来性能事件可以被预测为在随后的天、周或月与这种情况相同的时间期间发生。
然后,步骤52被修改为使得过去的消耗数据被分析以识别被预测为在时间上与未来性能事件对应的、给定物理资源的消耗水平的预测的未来变化。过去的消耗数据可以揭露给定物理资源的消耗水平在与过去的性能事件对应的时间处偏离历史趋势。最终,步骤54可以被修改为传送在被执行时会导致资源中其消耗水平被预测为偏离的第一资源的分配水平的改变的指令。该指令会被传送,使得其可以在预测的未来性能事件期间或之前被执行。
结论:图1-3有助于描述各个实施例的结构、功能和操作。具体来说,图2和3描述各个物理和逻辑组件。各个组件至少部分被限定为程序或编程。每个这种组件、其部分或者其各个组合可以整体或部分地表示模块、段或包括一个或多个可执行指令以实施任何指定的逻辑功能的代码的一部分。每个组件或其各个组合可以表示用于实施指定的逻辑功能的电路或多个互连电路。
实施例可以被实现在任意存储器资源中以通过或结合处理资源来使用。“处理资源”是指令执行系统,诸如基于计算机/处理器的系统或ASIC(专用集成电路),或者可以从计算机可读介质提取或获取指令和数据并执行包含于其中的指令的其他系统。“存储器资源”是可以包含、存储或维护程序或数据以通过或结合指令执行系统来使用的任意非暂时性存储介质。术语“非暂时性”只用于澄清这里使用的术语介质不包含信号。因此,存储器资源可以包括许多物理介质中的任意一种,诸如例如电子、磁性、光学、电磁或半导体介质。合适的计算机可读介质的更具体的示例包括但不限于硬盘驱动器、固态驱动器、随机存取存储器(RAM)、只读存储器(ROM)、可擦除可编程只读存储器、闪存驱动器和便携式光盘。
虽然图4的流程图示出执行的具体次序,但是执行的次序可以不同于所描述的次序。例如,两个或多个框或箭头的执行次序可以相对于示出的次序扰乱。同样,连续示出的两个或多个框可以被同时执行或部分同时执行。所有的这些变形都处于本发明的范围内。
已经结合前述示例性实施例示出并描述了本发明。然而,应当理解的是,在不偏离所附权利要求限定的本发明的精神和范围的情况下,可以作出其他的形式、细节和实施例。
Claims (15)
1.一种存储指令的存储器资源,所述指令在被执行时导致处理资源:
访问在虚拟环境中执行并消耗分配的多个物理资源的多个应用程序组件中的每一个的消耗数据,所述消耗数据指示所述多个物理资源中的每一个被所述多个应用程序组件中的每一个消耗的消耗水平;并且
随着确定与所述应用程序关联的性能指标的值已经越过关联的阈值:
分析所述消耗数据以识别所述多个物理资源中的第一物理资源被所述多个应用程序组件中的第一应用程序组件消耗的消耗水平已经偏离所述第一物理资源的历史趋势;以及
传送在被执行时会导致所述多个物理资源中的所述第一物理资源的分配水平改变的指令。
2.根据权利要求1所述的存储器资源,其中:
导致所述处理资源进行分析的指令包括在执行时导致所述处理资源执行以下操作的指令:分析所述消耗数据以识别所述多个物理资源中的第二物理资源的消耗水平未偏离所述第二物理资源的历史趋势;并且
导致所述处理资源进行传送的指令包括在执行时导致所述处理资源执行以下操作的指令:传送在执行时会导致所述多个物理资源中的所述第一物理资源的分配水平改变而所述多个物理资源中的所述第二物理资源的分配水平不改变的指令。
3.根据权利要求1所述的存储器资源,其中:
所述阈值对应于在与所述应用程序关联的服务水平协议中限定的参数;
所述确定是确定所述性能指标的值已越过所述关联的阈值并已经违背或趋于可能违背所述服务水平协议;
导致所述处理资源进行传送的指令包括在执行时导致所述处理资源执行以下操作的指令:传送在执行时会导致所述多个物理资源中的所述第一物理资源的分配水平改变以更改所述性能指标的值的指令,使得在第三时间所述性能指标的值不违背所述服务水平协议或不趋于可能违背所述服务水平协议。
4.根据权利要求1所述的存储器资源,其中:
所述指令包括在执行时导致所述处理资源执行以下操作的指令:识别与所述性能指标的值越过所述关联的阈值相关联的第一时间;并且
导致所述处理资源进行分析的指令包括在执行时导致所述处理资源执行以下操作的指令:分析所述消耗数据以识别所述多个物理资源中的所述第一物理资源的消耗水平在第二时间已经偏离所述第一物理资源的历史趋势,所述第二时间与所述第一时间共享预定时间帧。
5.根据权利要求1所述的存储器资源,其中:
所述性能指标与应用程序响应时间相对应;
所述应用程序组件包括应用程序服务器和数据库服务器组件;
对于每个组件,所述物理资源包括物理计算设备的存储器资源和中央处理(CPU)资源;并且
导致所述处理资源进行传送的指令包括在执行时导致所述处理资源执行以下操作的指令:传送在执行时会导致所述CPU和存储器资源中具有所识别的消耗水平的一个的分配改变被预期为使所述应用程序响应时间符合服务水平协议的量的指令。
6.一种系统,包括存储在执行时导致处理资源实施资源引擎、数据引擎和分析引擎的指令的计算机可读资源,其中:
所述资源引擎被配置为传送在执行时导致被所述分析引擎识别的物理资源的分配水平改变的指令,所述物理资源被分配给具有各自消耗多个物理资源的多个组件的应用程序的组件;
所述数据引擎被配置为维护性能数据和资源消耗数据,所述性能数据指示所述应用程序的性能指标趋势,所述消耗数据指示被所述多个应用程序组件消耗的所述多个物理资源中的每一个的消耗水平趋势;
所述分析引擎被配置为:
分析所述性能数据以确定服务水平协议是否已经被违背或被预测为被违背;并且
分析所述消耗数据以识别所述多个物理资源中被对应的应用程序组件消耗的消耗水平在与实际违背对应的时间已经经历增加或被预测为在与预测违背对应的时间经历增加的第一物理资源。
7.根据权利要求6所述的系统,其中,如果针对所述多个物理资源中的第二物理资源,所述消耗数据的分析不指示在与所述实际违背或预测违背相对应时间实际或预测消耗水平的增加,则所述分析引擎被配置为不识别所述多个物理资源中的所述第二物理资源,并且被所述资源引擎传送的指令在执行时导致所述第一物理资源的分配水平改变而所述第二物理资源的分配水平不改变。
8.根据权利要求6所述的系统,其中所述多个应用程序组件中的第一应用程序组件与监控代理一起在虚拟机中执行,并且其中所述数据引擎被配置为定期从所述监控代理获取性能统计和消耗统计,以更新所述性能数据和消耗数据。
9.根据权利要求6所述的系统,其中所述资源引擎被配置为以标记语言格式传送所述指令,供云控制器使用来改变所识别的物理资源的分配水平。
10.根据权利要求6所述的系统,进一步包括所述处理资源。
11.一种用于将物理资源分配给在虚拟环境中执行的应用程序的组件的系统,所述系统包括分析引擎和资源引擎:
所述资源引擎用于传送在执行时会导致所述物理资源中的第一物理资源的分配水平改变而所述物理资源中由所述分析引擎指定的第二物理资源的分配水平不改变的指令;
所述分析引擎响应于确定在时间帧期间相对于所述应用程序已发生性能事件:
评估所述第一物理资源和所述第二物理资源的消耗水平;并且
识别所述第一物理资源和所述第二物理资源中的一个而不是另一个在所述时间帧期间已经以偏离那个物理资源的历史趋势的水平被消耗。
12.根据权利要求11所述的系统:
包括被配置为维护性能数据和资源消耗数据的数据引擎;并且
其中所述分析引擎被配置为处理所述性能数据以识别所述性能事件,并处理所述消耗数据以识别所述偏离。
13.根据权利要求11所述的系统,其中所述资源引擎被配置为:
确定所述物理资源中的所述第一物理资源的分配水平调节,该分配水平调节被预期为将所述性能指标转变为期望状态;并且
传送在执行时会导致所述物理资源中的所述第一物理资源的分配水平根据所确定的分配水平调节改变的指令。
14.根据权利要求13所述的系统:其中:
所述分析引擎被配置为处理性能数据以确定服务水平协议的违背已经实际发生或被预测为发生,所述性能数据包括所述性能指标的当前值和历史值;并且
所述资源引擎被配置为确定所述物理资源中的所述第一物理资源的分配水平调节,该分配水平调节被预期为纠正实际违背或阻止预测违背的发生。
15.根据权利要求11所述的系统,包括:
数据引擎,被配置为维护过去的性能数据和过去的资源消耗数据;
所述分析引擎被配置为处理所述过去的性能数据以预测未来的应用程序性能事件,并被配置为处理过去的资源消耗数据以识别所述物理资源中的所述第一物理资源的消耗水平的、被预测为在时间上与未来性能事件相对应的预测的未来变化;并且
所述资源引擎被配置为为了至少部分阻止所预测的未来应用程序性能事件,传送在执行时会导致所述物理资源中的所述第一物理资源的分配水平在所述未来性能事件的预测发生期间或之前改变的指令。
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
PCT/IN2013/000065 WO2014118792A1 (en) | 2013-01-31 | 2013-01-31 | Physical resource allocation |
Publications (1)
Publication Number | Publication Date |
---|---|
CN104956325A true CN104956325A (zh) | 2015-09-30 |
Family
ID=51261562
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201380071884.3A Pending CN104956325A (zh) | 2013-01-31 | 2013-01-31 | 物理资源分配 |
Country Status (4)
Country | Link |
---|---|
US (1) | US20150378786A1 (zh) |
EP (1) | EP2951686A4 (zh) |
CN (1) | CN104956325A (zh) |
WO (1) | WO2014118792A1 (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106919578A (zh) * | 2015-12-24 | 2017-07-04 | 阿里巴巴集团控股有限公司 | 一种确定互联网资源的关联资源值的方法及装置 |
CN110007929A (zh) * | 2018-01-02 | 2019-07-12 | 中国移动通信有限公司研究院 | 一种混合部署下获取资源的方法及装置 |
Families Citing this family (40)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US10346430B2 (en) | 2010-12-23 | 2019-07-09 | Mongodb, Inc. | System and method for determining consensus within a distributed database |
US9805108B2 (en) | 2010-12-23 | 2017-10-31 | Mongodb, Inc. | Large distributed database clustering systems and methods |
US10698775B2 (en) | 2016-05-31 | 2020-06-30 | Mongodb, Inc. | Method and apparatus for reading and writing committed data |
US10713280B2 (en) * | 2010-12-23 | 2020-07-14 | Mongodb, Inc. | Systems and methods for managing distributed database deployments |
US10614098B2 (en) | 2010-12-23 | 2020-04-07 | Mongodb, Inc. | System and method for determining consensus within a distributed database |
US9740762B2 (en) | 2011-04-01 | 2017-08-22 | Mongodb, Inc. | System and method for optimizing data migration in a partitioned database |
US10740353B2 (en) | 2010-12-23 | 2020-08-11 | Mongodb, Inc. | Systems and methods for managing distributed database deployments |
US11544288B2 (en) | 2010-12-23 | 2023-01-03 | Mongodb, Inc. | Systems and methods for managing distributed database deployments |
US10977277B2 (en) | 2010-12-23 | 2021-04-13 | Mongodb, Inc. | Systems and methods for database zone sharding and API integration |
US10366100B2 (en) | 2012-07-26 | 2019-07-30 | Mongodb, Inc. | Aggregation framework system architecture and method |
US10262050B2 (en) | 2015-09-25 | 2019-04-16 | Mongodb, Inc. | Distributed database systems and methods with pluggable storage engines |
US11615115B2 (en) | 2010-12-23 | 2023-03-28 | Mongodb, Inc. | Systems and methods for managing distributed database deployments |
US10997211B2 (en) | 2010-12-23 | 2021-05-04 | Mongodb, Inc. | Systems and methods for database zone sharding and API integration |
US8572031B2 (en) | 2010-12-23 | 2013-10-29 | Mongodb, Inc. | Method and apparatus for maintaining replica sets |
US8996463B2 (en) | 2012-07-26 | 2015-03-31 | Mongodb, Inc. | Aggregation framework system architecture and method |
US9881034B2 (en) | 2015-12-15 | 2018-01-30 | Mongodb, Inc. | Systems and methods for automating management of distributed databases |
US11403317B2 (en) | 2012-07-26 | 2022-08-02 | Mongodb, Inc. | Aggregation framework system architecture and method |
US11544284B2 (en) | 2012-07-26 | 2023-01-03 | Mongodb, Inc. | Aggregation framework system architecture and method |
US10872095B2 (en) | 2012-07-26 | 2020-12-22 | Mongodb, Inc. | Aggregation framework system architecture and method |
US10574748B2 (en) * | 2013-03-21 | 2020-02-25 | Infosys Limited | Systems and methods for allocating one or more resources in a composite cloud environment |
JP5976230B2 (ja) * | 2013-10-04 | 2016-08-23 | 株式会社日立製作所 | リソース管理システムおよびリソース管理方法 |
WO2015130199A1 (en) * | 2014-02-25 | 2015-09-03 | Telefonaktiebolaget L M Ericsson (Publ) | Method, computer program and node for management of resources |
US9921866B2 (en) * | 2014-12-22 | 2018-03-20 | Intel Corporation | CPU overprovisioning and cloud compute workload scheduling mechanism |
US9558044B2 (en) | 2015-03-13 | 2017-01-31 | International Business Machines Corporation | Managing resources of a shared pool of configurable computing resources |
US9507636B2 (en) * | 2015-04-20 | 2016-11-29 | International Business Machines Corporation | Resource management and allocation using history information stored in application's commit signature log |
US20160344597A1 (en) * | 2015-05-22 | 2016-11-24 | Microsoft Technology Licensing, Llc | Effectively operating and adjusting an infrastructure for supporting distributed applications |
US10713275B2 (en) | 2015-07-02 | 2020-07-14 | Mongodb, Inc. | System and method for augmenting consensus election in a distributed database |
US10042732B2 (en) * | 2015-08-17 | 2018-08-07 | Microsoft Technology Licensing, Llc | Dynamic data collection pattern for target device |
US9971664B2 (en) * | 2015-08-27 | 2018-05-15 | Vmware, Inc. | Disaster recovery protection based on resource consumption patterns |
US10846411B2 (en) | 2015-09-25 | 2020-11-24 | Mongodb, Inc. | Distributed database systems and methods with encrypted storage engines |
US10423626B2 (en) | 2015-09-25 | 2019-09-24 | Mongodb, Inc. | Systems and methods for data conversion and comparison |
US10673623B2 (en) | 2015-09-25 | 2020-06-02 | Mongodb, Inc. | Systems and methods for hierarchical key management in encrypted distributed databases |
US10621050B2 (en) | 2016-06-27 | 2020-04-14 | Mongodb, Inc. | Method and apparatus for restoring data from snapshots |
FR3061570B1 (fr) * | 2016-12-29 | 2020-11-27 | Bull Sas | Mecanisme de surveillance et d'alertes des applications du systeme informatique |
US10866868B2 (en) | 2017-06-20 | 2020-12-15 | Mongodb, Inc. | Systems and methods for optimization of database operations |
US11023280B2 (en) | 2017-09-15 | 2021-06-01 | Splunk Inc. | Processing data streams received from instrumented software using incremental finite window double exponential smoothing |
CN111045815B (zh) * | 2018-11-29 | 2024-04-09 | 华为云计算技术有限公司 | 多个处理机的已部署资源的优化方法及其扩展设备 |
US11366702B1 (en) * | 2019-03-29 | 2022-06-21 | United Services Automobile Association (Usaa) | Dynamic allocation of resources |
US10977072B2 (en) | 2019-04-25 | 2021-04-13 | At&T Intellectual Property I, L.P. | Dedicated distribution of computing resources in virtualized environments |
US11941442B1 (en) * | 2022-09-29 | 2024-03-26 | International Business Machines Corporation | Operating system based on dual system paradigm |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101488098A (zh) * | 2009-02-13 | 2009-07-22 | 华中科技大学 | 基于虚拟计算技术的多核计算资源管理系统 |
CN102112981A (zh) * | 2008-07-31 | 2011-06-29 | 思科技术公司 | 通信网络中的虚拟机的动态分布 |
US8103769B1 (en) * | 2009-09-03 | 2012-01-24 | Amazon Technologies, Inc. | Dynamic isolation of shared resources |
WO2013003031A2 (en) * | 2011-06-27 | 2013-01-03 | Microsoft Corporation | Resource management for cloud computing platforms |
Family Cites Families (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2003084133A1 (en) * | 2002-03-29 | 2003-10-09 | Network Genomics, Inc. | Forward looking infrastructure re-provisioning |
CN100465900C (zh) * | 2003-10-29 | 2009-03-04 | 国际商业机器公司 | 信息系统、负载控制方法、负载控制程序和记录媒体 |
US7693982B2 (en) * | 2004-11-12 | 2010-04-06 | Hewlett-Packard Development Company, L.P. | Automated diagnosis and forecasting of service level objective states |
DE102004058077A1 (de) * | 2004-12-01 | 2006-06-08 | Heraeus Noblelight Gmbh | CFC-Heizstrahler |
US7412448B2 (en) * | 2006-05-17 | 2008-08-12 | International Business Machines Corporation | Performance degradation root cause prediction in a distributed computing system |
JP2010205209A (ja) * | 2009-03-06 | 2010-09-16 | Hitachi Ltd | 管理計算機、計算機システム、物理リソース割り当て方法 |
US8346921B1 (en) * | 2010-11-19 | 2013-01-01 | Amazon Technologies, Inc. | Predictive governing of dynamic modification of program execution capacity |
CN102480794B (zh) * | 2010-11-22 | 2014-07-02 | 中兴通讯股份有限公司 | 一种专用前导资源分配的方法及装置 |
-
2013
- 2013-01-31 US US14/761,567 patent/US20150378786A1/en not_active Abandoned
- 2013-01-31 CN CN201380071884.3A patent/CN104956325A/zh active Pending
- 2013-01-31 EP EP13873308.4A patent/EP2951686A4/en not_active Withdrawn
- 2013-01-31 WO PCT/IN2013/000065 patent/WO2014118792A1/en active Application Filing
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102112981A (zh) * | 2008-07-31 | 2011-06-29 | 思科技术公司 | 通信网络中的虚拟机的动态分布 |
CN101488098A (zh) * | 2009-02-13 | 2009-07-22 | 华中科技大学 | 基于虚拟计算技术的多核计算资源管理系统 |
US8103769B1 (en) * | 2009-09-03 | 2012-01-24 | Amazon Technologies, Inc. | Dynamic isolation of shared resources |
WO2013003031A2 (en) * | 2011-06-27 | 2013-01-03 | Microsoft Corporation | Resource management for cloud computing platforms |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106919578A (zh) * | 2015-12-24 | 2017-07-04 | 阿里巴巴集团控股有限公司 | 一种确定互联网资源的关联资源值的方法及装置 |
CN106919578B (zh) * | 2015-12-24 | 2021-04-20 | 创新先进技术有限公司 | 一种确定互联网资源的关联资源值的方法及装置 |
CN110007929A (zh) * | 2018-01-02 | 2019-07-12 | 中国移动通信有限公司研究院 | 一种混合部署下获取资源的方法及装置 |
Also Published As
Publication number | Publication date |
---|---|
EP2951686A1 (en) | 2015-12-09 |
EP2951686A4 (en) | 2016-10-12 |
WO2014118792A1 (en) | 2014-08-07 |
US20150378786A1 (en) | 2015-12-31 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN104956325A (zh) | 物理资源分配 | |
CA2900948C (en) | Cost-minimizing task scheduler | |
US9037880B2 (en) | Method and system for automated application layer power management solution for serverside applications | |
US20180181437A9 (en) | Automated capacity provisioning method using historical performance data | |
US20130138806A1 (en) | Predictive and dynamic resource provisioning with tenancy matching of health metrics in cloud systems | |
CN114930293A (zh) | 预测性自动扩展和资源优化 | |
CN110249310A (zh) | 云计算系统中的用于虚拟机的资源管理 | |
US9189543B2 (en) | Predicting service request breaches | |
CN103748560A (zh) | 用于管理计算资源的方法和系统 | |
CN106557369A (zh) | 一种多线程的管理方法及系统 | |
US11212173B2 (en) | Model-driven technique for virtual network function rehoming for service chains | |
KR102338425B1 (ko) | 인공지능 기반 모니터링 대상 서버의 어플리케이션 자동 설정 및 모니터링 방법, 장치 및 시스템 | |
US8296418B2 (en) | Optimized modification of a clustered computer system | |
US10054997B2 (en) | Multivariable control for power-latency management to support optimization of data centers or other systems | |
Kulshrestha et al. | An efficient host overload detection algorithm for cloud data center based on exponential weighted moving average | |
Li et al. | Service reliability modeling and evaluation of active-active cloud data center based on the IT infrastructure | |
CN116962532A (zh) | 集群任务调度方法、装置、计算机设备及存储介质 | |
Shen et al. | Stochastic modeling and approaches for managing energy footprints in cloud computing service | |
CN111507819A (zh) | 一种动态风险限额管理方法 | |
Martinez-Julia et al. | Explained intelligent management decisions in virtual networks and network slices | |
Wang et al. | Remediating overload in over-subscribed computing environments | |
Antamoshkina et al. | Multi-agent automation system for monitoring, forecasting and managing emergency situations | |
CN112800089B (zh) | 一种中间数据存储级别调整方法、存储介质及计算机设备 | |
US11556451B2 (en) | Method for analyzing the resource consumption of a computing infrastructure, alert and sizing | |
Medhioub et al. | Adaptive risk management framework for cloud computing |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
C41 | Transfer of patent application or patent right or utility model | ||
TA01 | Transfer of patent application right |
Effective date of registration: 20160928 Address after: American Texas Applicant after: HEWLETT PACKARD ENTERPRISE DEVELOPMENT LP Address before: American Texas Applicant before: Hewlett-Packard Development Company, Limited Liability Partnership |
|
WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20150930 |
|
WD01 | Invention patent application deemed withdrawn after publication |