CN105868070A - 确定任务消耗资源的方法及装置 - Google Patents
确定任务消耗资源的方法及装置 Download PDFInfo
- Publication number
- CN105868070A CN105868070A CN201510997430.XA CN201510997430A CN105868070A CN 105868070 A CN105868070 A CN 105868070A CN 201510997430 A CN201510997430 A CN 201510997430A CN 105868070 A CN105868070 A CN 105868070A
- Authority
- CN
- China
- Prior art keywords
- task
- resource
- cluster
- consumes
- default unit
- 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
- G06F11/00—Error detection; Error correction; Monitoring
- G06F11/30—Monitoring
-
- 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
- G06F11/3051—Monitoring arrangements for monitoring the configuration of the computing system or of the computing system component, e.g. monitoring the presence of processing resources, peripherals, I/O links, software programs
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Computing Systems (AREA)
- Quality & Reliability (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Debugging And Monitoring (AREA)
Abstract
本公开实施例提供了一种确定任务消耗资源的方法及装置,所示方法包括:获取集群任务的任务记录,所述任务记录包括:任务执行时启动的任务进程;计算每个任务进程占用预设单位资源的资源占用时间;统计集群任务启动的多个任务进程占用的预设单位资源的总资源占用时间;根据所述总资源占用时间及预设单位资源确定所述集群任务在执行时消耗的集群资源。本公开能够确定每个集群任务在执行时占用的集群资源,便于追踪每天在集群中计算的集群任务消耗的资源。
Description
技术领域
本公开涉及计算机技术领域,尤其涉及一种确定任务消耗资源的方法及装置。
背景技术
Hadoop实现了一个分布式文件系统(Hadoop Distributed File System),简称HDFS。用户可以在不了解分布式底层细节的情况下,开发分布式程序,充分利用集群的威力进行高速运算和存储。集群中一般包含多个节点,每个节点上的CPU资源和存储资源等。
在实际应用中,一个企业中的Hadoop集群在实际应用中可能会由企业中很多的研发人员使用,由于每个提交到集群中的任务在执行时均需要消耗一定的资源,例如CPU资源和存储资源等,对于一些研发人员提供的需要消耗很多集群资源的程序,可能会造成资源的争抢,可能还会影响其它集群任务的运行。
发明内容
为克服相关技术中存在的问题,本公开提供一种确定任务消耗资源的方法及装置。
根据本公开实施例的第一方面,提供一种确定任务消耗资源的方法,包括:
获取集群任务的任务记录,所述任务记录包括:任务执行时启动的任务进程;
计算每个任务进程占用预设单位资源的资源占用时间;
统计集群任务启动的多个任务进程占用的预设单位资源的总资源占用时间;
根据所述总资源占用时间及预设单位资源确定所述集群任务在执行时消耗的集群资源。
可选地,所述方法还包括:
统计集群中每个节点上的多维度资源;
将每个节点上的多维度资源划分成多个单维度的预设单位资源。
可选地,所述方法还包括:
获取预设集群资源与任务优先级的对应关系;
将与所述集群任务消耗的集群资源对应的任务优先级确定为所述集群任务的优先级。
可选地,所述任务记录还包括:尝试进程;
所述计算每个任务进程在对应的所述进程时间内占用预设单位资源的资源占用时间包括:
针对每个任务进程,获取每个任务进程启动的尝试进程;
当存在运行成功的尝试进程时,统计运行成功的尝试进程占用预设单位资源的资源占用时间。
可选地,所述获取集群任务的任务记录包括:
通过预设接口以负载均衡的方式获取集群任务的任务记录。
根据本公开实施例的第二方面,提供一种确定任务消耗资源的装置,包括:
第一获取模块,用于获取集群任务的任务记录,所述任务记录包括:任务执行时启动的任务进程;
计算模块,用于计算每个任务进程占用预设单位资源的资源占用时间;
第一统计模块,用于统计集群任务启动的多个任务进程占用的预设单位资源的总资源占用时间;
第一确定模块,用于根据所述总资源占用时间及预设单位资源确定所述集群任务在执行时消耗的集群资源。
可选地,所述装置还包括:
第二统计模块,用于统计集群中每个节点上的多维度资源;
划分模块,用于将每个节点上的多维度资源划分成多个单维度的预设单位资源。
可选地,所述装置还包括:
第二获取模块,用于获取预设集群资源与任务优先级的对应关系;
第二确定模块,用于将与所述集群任务消耗的集群资源对应的任务优先级确定为所述集群任务的优先级。
可选地,所述任务记录还包括:尝试进程;
所述计算模块包括:
第一获取子模块,用于针对每个任务进程,获取每个任务进程启动的尝试进程;
统计子模块,用于当存在运行成功的尝试进程时,统计运行成功的尝试进程占用预设单位资源的资源占用时间。
可选地,所述第一获取模块包括:
第二获取子模块,用于通过预设接口以负载均衡的方式获取集群任务的任务记录。
本公开的实施例提供的技术方案可以包括以下有益效果:
本公开通过获取集群任务的任务记录,所述任务记录包括:任务执行时启动的任务进程;计算每个任务进程占用预设单位资源的资源占用时间;统计集群任务启动的多个任务进程占用的预设单位资源的总资源占用时间;根据所述总资源占用时间及预设单位资源确定所述集群任务在执行时消耗的集群资源。
本公开提供的该方法,能够确定每个集群任务在执行时占用的集群资源,便于追踪每天在集群中计算的集群任务消耗的资源,进而便于按照部门、用户或者业务进行分析,找出资源占用最低的集群任务,便于统计各个部门或者各个业务线的资源消耗,进而便于指导各部门优化计算任务,有利于控制集群建设的成本控制。
应当理解的是,以上的一般描述和后文的细节描述仅是示例性和解释性的,并不能限制本公开。
附图说明
此处的附图被并入说明书中并构成本说明书的一部分,示出了符合本发明的实施例,并与说明书一起用于解释本发明的原理。
图1是根据一示例性实施例示出的一种确定任务消耗资源的方法的一种流程图;
图2是根据一示例性实施例示出的一种确定任务消耗资源的方法的另一种流程图;
图3是根据一示例性实施例示出的一种确定任务消耗资源的方法的另一种流程图;
图4是根据一示例性实施例示出的一种确定任务消耗资源的装置的结构图。
具体实施方式
这里将详细地对示例性实施例进行说明,其示例表示在附图中。下面的描述涉及附图时,除非另有表示,不同附图中的相同数字表示相同或相似的要素。以下示例性实施例中所描述的实施方式并不代表与本发明相一致的所有实施方式。相反,它们仅是与如所附权利要求书中所详述的、本发明的一些方面相一致的装置和方法的例子。
如图1所示,在本公开的又一实施例中,提供一种确定任务消耗资源的方法,应用于服务器,包括以下步骤。
在步骤S101中,获取集群任务的任务记录。
在本公开实施例中,所述任务记录包括:任务执行时启动的任务进程,服务器可以通过预设接口以负载均衡的方式获取集群任务的任务记录。
在该步骤中,集群任务可以为提交到Hadoop集群中的任务,对于每一个运行完成的MapReduce任务,JobTracker都记录了该任务的详细信息,包括任务的基本配置信息和该MapReduce任务具体执行情况。这些信息都可以从JobTracker的Web站点以及各个子页面里获取得到;数据收集程序是一个Newlisp脚本,该脚本通过Http Get的方式请求JobTracker站点指定页面的内容,并对内容进行解析,获取到指定的MapReduce任务的详细信息。一般地,收集的信息具体分为三类:
1)任务的基本信息;
包括:任务Id、用户名、任务名称、Hive执行语句、任务提交机器、任务提交机器ip、任务提交时间、任务Launch时间、任务Launch耗时、任务结束时间、任务总共耗时、任务运行结果、失败信息。
2)任务运行的统计信息;
包括:各种Task的数目、成功运行的Task数目、失败的Task数目、杀死的Task数目、各个阶段(Setup、Map、Reduce、Cleanup)的开始时间、结束时间、总耗时、各个Counter的统计值。
3)每个Task的每个Attempt执行的详细信息;
包括:Attempt的id、所属Task id、Attempt开始时间、Shuffle阶段结束时间、Shuffle阶段耗时、Sort阶段结束时间、sort阶段耗时、Attempt结束时间、总共耗时、执行机器、执行结果、错误信息、Counter数目。
对于每一个MapReduce任务,程序都会收集上述三类信息,汇总成一条任务记录,通过Http的方式发回到服务器,服务器通过REST API的方式接收程序发送过来的数据,为了防止单点,采用了LVS+Nginx+双机负载均衡的方案,数据库采用了MongoDB三机集群,保证数据存储的高性能和无单点。
在步骤S102中,计算每个任务进程占用预设单位资源的资源占用时间。
在本公开实施例中,一个预设单位资源可以指一个Slot,可以针对每个任务进程,获取每个任务进程启动的尝试进程;当存在运行成功的尝试进程时,统计运行成功的尝试进程占用预设单位资源的资源占用时间。
在该步骤中,当一个集群任务(即MapReduce任务)运行的时候,总是需要运行一定数目的Map Task和Reduce Task。而每一任务进程(即Task)的运行总是要占据一个Slot一段时间,也就是占据着机器上的一定的资源一段时间。
每个集群任务(即MapReduce任务)都是由若干个任务进程(即Task)组成,而每一任务进程都可能启动多个尝试进程(即Attempt)组成,每个尝试进程是对完成该任务进程的一次尝试。在执行一次尝试进程的时候,可能由于运行节点异常导致该尝试进程失败或是执行的异常缓慢,这时候计算框架就会再启动一次尝试进程执行相同的任务进程。Hadoop集群使用这种机制来保证每个任务进程能够运行成功且任务不会因为一个任务进程的缓慢而执行时间过长。每个任务进程的若干次尝试进程只有至多一次会是运行成功的状态。
由于每一个任务进程的多次尝试进程大多数情况是由于集群计算节点的异常导致的,所以多次尝试进程运行的成本不应该重复计算在每一个任务上面,即只计算一个任务中所有运行状态为SUCCESS的尝试进程的执行时间之和,作为该任务的任务进程运行总时长。
在步骤S103中,统计集群任务启动的多个任务进程占用的预设单位资源的总资源占用时间。
在该步骤中,可以将每个任务进程占用预设单位资源的资源占用时间求和,得到总资源占用时间。
在步骤S104中,根据所述总资源占用时间及预设单位资源确定所述集群任务在执行时消耗的集群资源。
由于Hadoop集群的机器数目是有限的,每个机器上能够配置的Slot数目也是一定的,所以集群每天总共能够提供的Map Task和Reduce Task的运行时间也是一定的,所以本公开实施例提供的该方法,能够确定每个集群任务在执行时占用的集群资源,便于追踪每天在集群中计算的集群任务消耗的资源,按照部门、用户或者业务进行分析,找出资源占用最低的集群任务,便于统计各个部门或者各个业务线的资源消耗,进而便于指导各部门优化计算任务,有利于控制集群建设的成本控制。
如图2所示,在本公开的又一实施例中,所述方法还包括以下步骤。
在步骤S201中,统计集群中每个节点上的多维度资源。
在步骤S202中,将每个节点上的多维度资源划分成多个单维度的预设单位资源。
在该步骤中,可以将Hadoop集群中各个节点上的多维度资源(CPU、内存、网络I/O和磁盘I/O等)等分成多个一维度Slot,考虑到Map Task和Reduce Task资源使用量不同,可以将Slot进一步划分成Map Slot和Reduce Slot两种,并规定Map Task只能使用MapSlot,Reduce Task只能使用Reduce Slot。
本公开实施例能够将各个节点上的资源进行划分,得到多个单维度的预设单位资源,以便于根据每个任务进程占用的预设单位资源的时时间确定集群任务的总资源占用时间。
如图3所示,再本公开的有一个实施例中,所述方法还包括以下步骤。
在步骤S301中,获取预设集群资源与任务优先级的对应关系。
在该步骤中,预设集群资源与任务优先级的对应关系可以为集群资源的阈值范围与任务优先级的对应关系,例如:集群资源的阈值范围在100至200时,对应的优先级为2级等。
在步骤S302中,将与所述集群任务消耗的集群资源对应的任务优先级确定为所述集群任务的优先级。
本公开实施例提供的该方法,能够根据集群任务的资源消耗情况,确定集群任务的优先级,便于确定根据任务的优先级对集群任务进行调度控制等。
如图4所示,在本公开的又一实施例中,提供一种确定任务消耗资源的装置,包括:第一获取模块401、计算模块402、第一统计模块403和第一确定模块404。
第一获取模块401,用于获取集群任务的任务记录,所述任务记录包括:任务执行时启动的任务进程。
在本公开实施例中,第二获取子模块,用于通过预设接口以负载均衡的方式获取集群任务的任务记录。
计算模块402,用于计算每个任务进程占用预设单位资源的资源占用时间。
在本公开实施例中,所述计算模块包括:
第一获取子模块,用于针对每个任务进程,获取每个任务进程启动的尝试进程;
统计子模块,用于当存在运行成功的尝试进程时,统计运行成功的尝试进程占用预设单位资源的资源占用时间。
第一统计模块403,用于统计集群任务启动的多个任务进程占用的预设单位资源的总资源占用时间。
第一确定模块404,用于根据所述总资源占用时间及预设单位资源确定所述集群任务在执行时消耗的集群资源。
在本公开的又一实施例中,所述装置还包括:第二统计模块和划分模块。
第二统计模块,用于统计集群中每个节点上的多维度资源。
划分模块,用于将每个节点上的多维度资源划分成多个单维度的预设单位资源。
在本公开的又一实施例中,所述装置还包括:第二获取模块和第二确定模块。
第二获取模块,用于获取预设集群资源与任务优先级的对应关系。
第二确定模块,用于将与所述集群任务消耗的集群资源对应的任务优先级确定为所述集群任务的优先级。
本领域技术人员在考虑说明书及实践这里公开的发明后,将容易想到本发明的其它实施方案。本申请旨在涵盖本发明的任何变型、用途或者适应性变化,这些变型、用途或者适应性变化遵循本发明的一般性原理并包括本公开未公开的本技术领域中的公知常识或惯用技术手段。说明书和实施例仅被视为示例性的,本发明的真正范围和精神由所附的权利要求指出。
应当理解的是,本发明并不局限于上面已经描述并在附图中示出的精确结构,并且可以在不脱离其范围进行各种修改和改变。本发明的范围仅由所附的权利要求来限制。
Claims (10)
1.一种确定任务消耗资源的方法,其特征在于,包括:
获取集群任务的任务记录,所述任务记录包括:任务执行时启动的任务进程;
计算每个任务进程占用预设单位资源的资源占用时间;
统计集群任务启动的多个任务进程占用的预设单位资源的总资源占用时间;
根据所述总资源占用时间及预设单位资源确定所述集群任务在执行时消耗的集群资源。
2.根据权利要求1所述的确定任务消耗资源的方法,其特征在于,所述方法还包括:
统计集群中每个节点上的多维度资源;
将每个节点上的多维度资源划分成多个单维度的预设单位资源。
3.根据权利要求1所述的确定任务消耗资源的方法,其特征在于,所述方法还包括:
获取预设集群资源与任务优先级的对应关系;
将与所述集群任务消耗的集群资源对应的任务优先级确定为所述集群任务的优先级。
4.根据权利要求1至3任意一项所述的确定任务消耗资源的方法,其特征在于,所述任务记录还包括:尝试进程;
所述计算每个任务进程在对应的所述进程时间内占用预设单位资源的资源占用时间包括:
针对每个任务进程,获取每个任务进程启动的尝试进程;
当存在运行成功的尝试进程时,统计运行成功的尝试进程占用预设单位资源的资源占用时间。
5.根据权利要求4所述的确定任务消耗资源的方法,其特征在于,所述获取集群任务的任务记录包括:
通过预设接口以负载均衡的方式获取集群任务的任务记录。
6.一种确定任务消耗资源的装置,其特征在于,包括:
第一获取模块,用于获取集群任务的任务记录,所述任务记录包括:任务执行时启动的任务进程;
计算模块,用于计算每个任务进程占用预设单位资源的资源占用时间;
第一统计模块,用于统计集群任务启动的多个任务进程占用的预设单位资源的总资源占用时间;
第一确定模块,用于根据所述总资源占用时间及预设单位资源确定所述集群任务在执行时消耗的集群资源。
7.根据权利要求6所述的确定任务消耗资源的装置,其特征在于,所述装置还包括:
第二统计模块,用于统计集群中每个节点上的多维度资源;
划分模块,用于将每个节点上的多维度资源划分成多个单维度的预设单位资源。
8.根据权利要求6所述的确定任务消耗资源的装置,其特征在于,所述装置还包括:
第二获取模块,用于获取预设集群资源与任务优先级的对应关系;
第二确定模块,用于将与所述集群任务消耗的集群资源对应的任务优先级确定为所述集群任务的优先级。
9.根据权利要求6至8任意一项所述的确定任务消耗资源的装置,其特征在于,所述任务记录还包括:尝试进程;
所述计算模块包括:
第一获取子模块,用于针对每个任务进程,获取每个任务进程启动的尝试进程;
统计子模块,用于当存在运行成功的尝试进程时,统计运行成功的尝试进程占用预设单位资源的资源占用时间。
10.根据权利要求9所述的确定任务消耗资源的装置,其特征在于,所述第一获取模块包括:
第二获取子模块,用于通过预设接口以负载均衡的方式获取集群任务的任务记录。
Priority Applications (3)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510997430.XA CN105868070A (zh) | 2015-12-25 | 2015-12-25 | 确定任务消耗资源的方法及装置 |
PCT/CN2016/089272 WO2017107456A1 (zh) | 2015-12-25 | 2016-07-07 | 确定任务消耗资源的方法及装置 |
US15/241,389 US20170185454A1 (en) | 2015-12-25 | 2016-08-19 | Method and Electronic Device for Determining Resource Consumption of Task |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510997430.XA CN105868070A (zh) | 2015-12-25 | 2015-12-25 | 确定任务消耗资源的方法及装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN105868070A true CN105868070A (zh) | 2016-08-17 |
Family
ID=56624390
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201510997430.XA Pending CN105868070A (zh) | 2015-12-25 | 2015-12-25 | 确定任务消耗资源的方法及装置 |
Country Status (2)
Country | Link |
---|---|
CN (1) | CN105868070A (zh) |
WO (1) | WO2017107456A1 (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108021450A (zh) * | 2017-12-04 | 2018-05-11 | 北京小度信息科技有限公司 | 基于yarn的作业分析方法和装置 |
CN110599148A (zh) * | 2019-09-16 | 2019-12-20 | 广州虎牙科技有限公司 | 集群数据处理方法、装置、计算机集群及可读存储介质 |
CN111833022A (zh) * | 2020-07-17 | 2020-10-27 | 海南大学 | 跨数据、信息、知识模态与量纲的任务处理方法及组件 |
CN112749055A (zh) * | 2020-12-29 | 2021-05-04 | 拉卡拉支付股份有限公司 | 资源消耗计量方法、装置、电子设备及存储介质 |
CN117234711A (zh) * | 2023-09-05 | 2023-12-15 | 合芯科技(苏州)有限公司 | Flink系统资源动态分配方法、系统、设备及介质 |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111580951B (zh) * | 2019-02-15 | 2023-10-10 | 杭州海康威视数字技术股份有限公司 | 一种任务分配方法及资源管理平台 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20130290972A1 (en) * | 2012-04-27 | 2013-10-31 | Ludmila Cherkasova | Workload manager for mapreduce environments |
CN103455375A (zh) * | 2013-01-31 | 2013-12-18 | 南京理工大学连云港研究院 | Hadoop云平台下基于负载监控的混合调度方法 |
CN103970604A (zh) * | 2013-01-31 | 2014-08-06 | 国际商业机器公司 | 基于MapReduce架构实现图处理的方法和装置 |
US20140245298A1 (en) * | 2013-02-27 | 2014-08-28 | Vmware, Inc. | Adaptive Task Scheduling of Hadoop in a Virtualized Environment |
CN104298550A (zh) * | 2014-10-09 | 2015-01-21 | 南通大学 | 一种面向Hadoop的动态调度方法 |
CN104915407A (zh) * | 2015-06-03 | 2015-09-16 | 华中科技大学 | 一种基于Hadoop多作业环境下的资源调度方法 |
CN105138405A (zh) * | 2015-08-06 | 2015-12-09 | 湖南大学 | 基于待释放资源列表的MapReduce任务推测执行方法和装置 |
Family Cites Families (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN100549979C (zh) * | 2007-11-29 | 2009-10-14 | 中兴通讯股份有限公司 | 系统任务的cpu占用率检测方法及系统 |
US8560779B2 (en) * | 2011-05-20 | 2013-10-15 | International Business Machines Corporation | I/O performance of data analytic workloads |
CN103246570A (zh) * | 2013-05-20 | 2013-08-14 | 百度在线网络技术(北京)有限公司 | Hadoop的调度方法、系统及管理节点 |
CN103699433B (zh) * | 2013-12-18 | 2017-07-14 | 中国科学院计算技术研究所 | 一种于Hadoop平台中动态调整任务数目的方法及系统 |
CN103761146B (zh) * | 2014-01-06 | 2017-10-31 | 浪潮电子信息产业股份有限公司 | 一种MapReduce动态设定slots数量的方法 |
US9785469B2 (en) * | 2014-02-07 | 2017-10-10 | International Business Machines Corporation | Detection of time points to voluntarily yield resources for context switching |
-
2015
- 2015-12-25 CN CN201510997430.XA patent/CN105868070A/zh active Pending
-
2016
- 2016-07-07 WO PCT/CN2016/089272 patent/WO2017107456A1/zh active Application Filing
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20130290972A1 (en) * | 2012-04-27 | 2013-10-31 | Ludmila Cherkasova | Workload manager for mapreduce environments |
CN103455375A (zh) * | 2013-01-31 | 2013-12-18 | 南京理工大学连云港研究院 | Hadoop云平台下基于负载监控的混合调度方法 |
CN103970604A (zh) * | 2013-01-31 | 2014-08-06 | 国际商业机器公司 | 基于MapReduce架构实现图处理的方法和装置 |
US20140245298A1 (en) * | 2013-02-27 | 2014-08-28 | Vmware, Inc. | Adaptive Task Scheduling of Hadoop in a Virtualized Environment |
CN104298550A (zh) * | 2014-10-09 | 2015-01-21 | 南通大学 | 一种面向Hadoop的动态调度方法 |
CN104915407A (zh) * | 2015-06-03 | 2015-09-16 | 华中科技大学 | 一种基于Hadoop多作业环境下的资源调度方法 |
CN105138405A (zh) * | 2015-08-06 | 2015-12-09 | 湖南大学 | 基于待释放资源列表的MapReduce任务推测执行方法和装置 |
Non-Patent Citations (1)
Title |
---|
张永坤等: "一种基于进程剩余运行时间总和的集群动态负载平衡算法", 《计算机工程与科学》 * |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108021450A (zh) * | 2017-12-04 | 2018-05-11 | 北京小度信息科技有限公司 | 基于yarn的作业分析方法和装置 |
CN110599148A (zh) * | 2019-09-16 | 2019-12-20 | 广州虎牙科技有限公司 | 集群数据处理方法、装置、计算机集群及可读存储介质 |
CN110599148B (zh) * | 2019-09-16 | 2022-05-31 | 广州虎牙科技有限公司 | 集群数据处理方法、装置、计算机集群及可读存储介质 |
CN111833022A (zh) * | 2020-07-17 | 2020-10-27 | 海南大学 | 跨数据、信息、知识模态与量纲的任务处理方法及组件 |
CN112749055A (zh) * | 2020-12-29 | 2021-05-04 | 拉卡拉支付股份有限公司 | 资源消耗计量方法、装置、电子设备及存储介质 |
CN117234711A (zh) * | 2023-09-05 | 2023-12-15 | 合芯科技(苏州)有限公司 | Flink系统资源动态分配方法、系统、设备及介质 |
CN117234711B (zh) * | 2023-09-05 | 2024-05-07 | 合芯科技(苏州)有限公司 | Flink系统资源动态分配方法、系统、设备及介质 |
Also Published As
Publication number | Publication date |
---|---|
WO2017107456A1 (zh) | 2017-06-29 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US10831633B2 (en) | Methods, apparatuses, and systems for workflow run-time prediction in a distributed computing system | |
CN105868070A (zh) | 确定任务消耗资源的方法及装置 | |
US10510007B2 (en) | Systems and methods for generating performance prediction model and estimating execution time for applications | |
US9740522B2 (en) | Controlled interruption and resumption of batch job processing | |
US10430332B2 (en) | System and method for performance tuning of garbage collection algorithms | |
US9367601B2 (en) | Cost-based optimization of configuration parameters and cluster sizing for hadoop | |
US8812752B1 (en) | Connector interface for data pipeline | |
US9535754B1 (en) | Dynamic provisioning of computing resources | |
US20130139152A1 (en) | Cloud provisioning accelerator | |
CN111625331B (zh) | 任务调度方法、装置、平台、服务器及存储介质 | |
US20150317081A1 (en) | Adaptive system provisioning | |
US20170262315A1 (en) | Multilayered resource scheduling | |
CN111158888A (zh) | 多任务调度方法和装置 | |
US20170091009A1 (en) | Optimized diagnostic data collection driven by a ticketing system | |
Xu et al. | Fault tolerance and quality of service aware virtual machine scheduling algorithm in cloud data centers | |
Sidhanta et al. | Deadline-aware cost optimization for spark | |
US20190377596A1 (en) | Flexible batch job scheduling in virtualization environments | |
CN114416849A (zh) | 数据处理方法、装置、电子设备及存储介质 | |
CN114846490A (zh) | 量化机器人流程自动化相关资源的使用 | |
Çavdar et al. | Quantifying the brown side of priority schedulers: Lessons from big clusters | |
Li et al. | Practical resource usage prediction method for large memory jobs in hpc clusters | |
US20180341521A1 (en) | Managing job schedules | |
CN115443642A (zh) | 跨规则引擎的实例的规则分发 | |
CN111353766A (zh) | 分布式业务系统的业务流程处理系统及方法 | |
Mántaras et al. | Optimizing the BizTalk Platform |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20160817 |
|
WD01 | Invention patent application deemed withdrawn after publication |