CN106201718A - 一种基于负载预测的云计算资源动态伸缩方法 - Google Patents
一种基于负载预测的云计算资源动态伸缩方法 Download PDFInfo
- Publication number
- CN106201718A CN106201718A CN201610522336.3A CN201610522336A CN106201718A CN 106201718 A CN106201718 A CN 106201718A CN 201610522336 A CN201610522336 A CN 201610522336A CN 106201718 A CN106201718 A CN 106201718A
- Authority
- CN
- China
- Prior art keywords
- expansion
- load
- cloud computing
- cpu
- virtual machine
- 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
- 238000000034 method Methods 0.000 title claims abstract description 63
- 238000012417 linear regression Methods 0.000 claims abstract description 11
- 230000009191 jumping Effects 0.000 claims description 25
- 230000008569 process Effects 0.000 claims description 14
- 238000013468 resource allocation Methods 0.000 claims description 7
- 238000004364 calculation method Methods 0.000 claims description 6
- 230000007480 spreading Effects 0.000 claims description 6
- 239000002699 waste material Substances 0.000 claims description 5
- 230000007812 deficiency Effects 0.000 abstract description 2
- 230000008602 contraction Effects 0.000 description 4
- 230000008859 change Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000005265 energy consumption Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 230000005012 migration Effects 0.000 description 1
- 238000013508 migration Methods 0.000 description 1
- 230000000737 periodic effect Effects 0.000 description 1
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]
- G06F9/5083—Techniques for rebalancing the load in a distributed system
-
- 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
- G06F9/44—Arrangements for executing specific programs
- G06F9/455—Emulation; Interpretation; Software simulation, e.g. virtualisation or emulation of application or operating system execution engines
- G06F9/45533—Hypervisors; Virtual machine monitors
-
- 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
- G06F9/44—Arrangements for executing specific programs
- G06F9/455—Emulation; Interpretation; Software simulation, e.g. virtualisation or emulation of application or operating system execution engines
- G06F9/45533—Hypervisors; Virtual machine monitors
- G06F9/45558—Hypervisor-specific management and integration aspects
- G06F2009/4557—Distribution of virtual machine instances; Migration and load balancing
Landscapes
- Engineering & Computer Science (AREA)
- Software Systems (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
一种基于负载预测的云计算资源动态伸缩方法,括下列操作步骤:(1)对负载进行预测,在云计算资源利用率比较高时,使用线性回归算法预测负载;否则首选使用改进字符串匹配算法预测负载,当使用所述的改进字符串匹配算法无法预测负载时,则使用线性回归算法预测负载;(2)对云计算资源进行动态伸缩,负载预测后发现下一时刻资源不足时,系统进行云计算资源预扩展;如果云计算资源预扩展后出现突发状况,云计算资源仍然不足时则进行实时扩展,实时扩展利用垂直扩展的方法完成;如果云计算资源足量时则需要进行实时缩放。
Description
技术领域
本发明涉及一种基于负载预测的云计算资源动态伸缩方法,属于计算机网络技术领域,特别是属于云计算技术领域。
背景技术
随着信息技术和互联网的飞速发展,海量数据处理的需求日益增大,云计算作为一种资源共享模型应运而生。云计算是由并行计算、分布式计算、网格计算演化而来,具有灵活性、经济性、独立性、共享性、可靠性、可扩展性、安全性和可持续性8大特征。其中可扩展性指的是云计算的规模可以动态伸缩,能够满足应用和用户规模增长的需要。使用云计算的自动伸缩技术可以增加服务器利用率,减少能源消耗和气体排放,营造一个绿色的计算环境。然而在应用的实际需求和当前传统资源分配之间仍然存在很多不足,比如:有的时候资源需求急速增加,而资源分配需要一定时间,这就造成某一时间段资源分配不足,难以满足Qos要求;而有的时候过分提供资源,造成浪费现象。
目前云平台支持的弹性伸缩有两种方法,一种是水平伸缩,另一种是垂直伸缩。水平伸缩是主要使用虚拟机作为调整单元,为粗粒度的弹性调整,此类方法是在水平层次上增加或减少虚拟机数目,需要重新启动应用并且不能只调整需要调整的某一种资源,因此会造成时延增大,带来大量的资源开销和成本浪费。与水平调整相对应,云资源管理者通过编程语言修改了虚拟机资源接口,实现了虚拟机分配的物理资源的动态调整,这种弹性调整方法称作垂直伸缩,此方法能够动态调节虚拟机资源,在不中断服务或重启系统的情况下对虚拟机资源大小进行重配置。目前,垂直伸缩普遍采用动态虚拟机大小调整和虚拟机迁移两种方式实现垂直伸缩,垂直伸缩虽然可以细粒度的调整资源,但是不能像水平伸缩那样扩展和释放更大规模的虚拟机集群。
为了解决资源分配过量或不足的问题,目前很多云计算企业都实现了弹性伸缩功能,但是实现的弹性伸缩基本都是利用水平伸缩按照自定义规则完成的,比如亚马逊、微软、阿里云等的自动伸缩都是根据自定义的基于告警策略、定时策略、周期策略进行粗粒度的伸缩。这些伸缩方法并没有考虑到任务的进度、消耗的成本、资源的使用率等问题。
云计算平台所需的资源大小与负载变化密切相关,如何结合负载变化实现云计算资源的动态伸缩成为目前云计算技术领域一个亟待解决的技术难题。
发明内容
有鉴于此,本发明的目的是发明一种云计算资源动态伸缩方法,该方法能够在对系统负载进行快速有效预测的基础上,实现对云计算资源的快速动态有效伸缩。
为了达到上述目的,本发明提出了一种基于负载预测的云计算资源动态伸缩方法,所述方法包括下列操作步骤:
(1)对负载进行预测,具体过程是:在云计算资源利用率比较高时,使用线性回归算法预测负载;而在云计算资源利用率比较低时,首选使用改进字符串匹配算法预测负载,当使用所述的改进字符串匹配算法无法预测负载时,则使用线性回归算法预测负载;
(2)对云计算资源进行动态伸缩,具体过程是:负载预测后发现下一时刻资源不足时,系统进行云计算资源预扩展;如果云计算资源预扩展后出现突发状况,云计算资源仍然不足时则进行实时扩展,实时扩展利用垂直扩展的方法完成;如果云计算资源足量时则需要进行实时缩放。
步骤1中所述的在云计算资源利用率比较高时,使用线性回归算法预测负载的具体内容是:设当前时刻为m时刻,系统根据当前时刻及之前的共计m个时刻的负载值预测下一个时刻即m+1时刻的负载值,其中m为大于1的自然数,具体计算过程如下:
Lm+1=α1+α2Tm+1
上式中,Lm+1表示m+1时刻负载的预测值,Tm+1表示m时刻到m+1时刻的时间间隔,α1、α2按照下面公式进行计算:
上述公式中,Li表示i时刻的负载,Ti表示i-1时刻到i时刻的时间间隔,i是大于等于1小于等于m的自然数。
步骤1中所述的在云计算资源利用率比较低时,利用改进字符串匹配算法预测负载的具体内容是:由于负载具有自相似性,在不同的时期会出现相似的负载曲线,利用历史数据进行字符串匹配算法来识别相似的负载数据,然后根据匹配结果进行负载预测。
所述的字符串匹配算法的具体内容是:首先,由于字符串匹配算法关键在于计算负载趋势,所以每次开始匹配时将两个待匹配负载序列分别减去其序列的第一个负载值,当生成匹配结果后再加上相应的第一个负载值;然后由于字符串匹配算法是为了寻找相似的负载趋势而不是完全相同的负载序列,所以在对两个待匹配负载序列进行比较时设定一个误差范围,只要匹配误差在所设定的误差范围内即把待匹配的两个负载序列视为相等。
所述的字符串匹配算法的具体内容是包括如下操作子步骤:
(101)选取历史负载数据序列S0;选取当前负载数据序列T0,S0和T0是由多个两位整数的负载值组成;
(102)把当前负载数据序列T0中的每一个负载值减去其序列的第一个负载值,得到新序列T1,其中T1的每三位代表一个相对负载值,第一位为符号位,符号“+”代表正数,符号“-”代表负数,后两位代表相对量;
(103)把历史负载数据序列S0中的每一个负载值减去其序列的第一个负载值,得到新序列S1,其中S1的每三位代表一个相对负载值,第一位为符号位,符号“+“代表正数,符号“-”代表负数,后两位代表相对量;
(104)按照改进的字符串匹配算法KMP(Knuth-Morris-Pratt算法)对序列S1和T1进行匹配,其中序列T1作为搜索串;首先匹配S1和T1的前三位也就是对应S0和T0的第一个值,如果S1的前三位和T1的前三位所代表的数值之差在系统设定的误差范围内,则认为是匹配成功的,否则认为是匹配失败的;如果匹配成功则匹配S1和T1的再往后的三位也就是对应S0和T0的下一个值;如果匹配失败则S0去掉第一个负载值,然后转步骤(103);如果T0或者T1每一位匹配成功则认为最终整个序列匹配成功;其他步骤与标准的字符串匹配算法KMP完全一致;
(105)把序列S1中最后匹配成功的那个数据的下一个数据取出来,加上当前负载数据序列T0的第一个负载值,作为系统负载的预测值,算法结束。
步骤2中所述的负载预测发现下一时刻资源不足时,系统进行云计算资源预扩展的具体内容是:在进行预扩展时,由于时间充足,所以将水平扩展和垂直扩展相结合,充分利用水平扩展和垂直扩展的优点;进行资源预扩展时有多种满足扩展需求的策略,它们是水平扩展和垂直扩展的不同组合,所以需要从所述的不同组合中按照整数规划的方法选取成本最优的组合进行云计算资源预扩展。
所述的从不同组合中按照整数规划的方法选取成本最优的组合进行云计算资源预扩展的具体操作是:设n是云计算资源预扩展后虚拟机个数,则按照如下整数规划问题求得n:
minimize(SCh+SCv)
满足下列约束条件:
上述公式中,SCh表示水平扩展成本,SCv表示垂直扩展成本,MEMi表示第i个虚拟机内存大小,CPUi表示第i个虚拟机CPU大小,DISKi表示第i个虚拟机硬盘大小,MEMneed表示需要的虚拟机内存大小,CPUneed表示需要的虚拟机CPU大小,DISKneed表示需要的虚拟机硬盘大小;
其中,
上述公式中,p表示云计算资源预扩展前的虚拟机个数,VMCi表示云计算资源预扩展后的第i个虚拟机的成本,OVMCi表示云计算资源预扩展前的第i个虚拟机的成本,LCi表示第i个虚拟机的许可证成本;
其中,
VMCi=MEMCi+CPUCi+DISKCi
OVMCi=OMEMCi+OCPUCi+ODISKCi
上述公式中,MEMCi表示云计算资源预扩展后的第i个虚拟机内存成本,CPUCi表示云计算资源预扩展后的第i个虚拟机CPU成本,DISKCi表示云计算资源预扩展后的第i个虚拟机硬盘成本,OMEMCi表示云计算资源预扩展前的第i个虚拟机内存成本,OCPUCi表示云计算资源预扩展前的第i个虚拟机CPU成本,ODISKCi表示云计算资源预扩展前的第i个虚拟机硬盘成本。
步骤2中所述的负载预测发现下一时刻资源不足时,系统进行云计算资源预扩展的具体内容是:水平扩展只能根据已有的虚拟机配置进行,垂直扩展只能扩展到已有虚拟机的最大配置,如果仅进行垂直扩展可以满足扩展需求,则进行垂直扩展并结束,否则要进行水平扩展;水平扩展时分配资源应该从配置大的虚拟机到配置小的虚拟机的顺序遍历;不论水平扩展还是垂直扩展必须同时满足内存、CPU、硬盘需求,也就是需要在满足内存的水平扩展的虚拟机个数、满足CPU内存的水平扩展的虚拟机个数、满足硬盘的内存的水平扩展的虚拟机个数的三种情况中取最大值;
具体实现过程包括如下操作步骤:
(201)将虚拟机按照配置排序,配置越小序号越小,序号从1开始递增,排序规则如下:先比较CPU大小,CPU越小的序号越小,然后CPU相同的比较内存大小,内存越小的序号越小,最后内存相同的比较硬盘大小,硬盘越小的序号越小;最大的序号设为max,配置最大的虚拟机为VMmax;
(202)计算垂直扩展能力:
上面式子中,是垂直扩展第i次CPU增加的大小,是垂直扩展第i次内存增加的大小,是垂直扩展第i次硬盘增加的大小,i从1到max-1;指VMmax的CPU大小,指VMmax-i的CPU大小,指VMmax的内存大小,指VMmax-i的内存大小,指VMmax的硬盘的大小,指VMmax-i的硬盘的大小;
(203)判断只进行垂直扩展能否满足扩展需求:假如垂直扩展VMmax-1到VMmax,看CPU、内存、硬盘是否同时满足需求,即判断是否同时满足且且如果满足则说明垂直扩展可以完成,进行相应的垂直扩展并记录,然后跳转到步骤(206),否则继续判断如果再扩展VMmax-2到VMmax看CPU、内存、硬盘是否同时满足需求,即判断是否同时满足且 且如果满足则说明垂直扩展可以完成,进行相应的垂直扩展并记录,然后跳转到步骤(206),否则继续判断如果再扩展VMmax-3到VMmax,以此类推,直到再扩展VM1到VMmax,即判断如下三个不等式:
是否同时满足,如果满足则说明垂直扩展可以完成,进行相应的垂直扩展并记录,然后跳转到步骤(206),否则跳到步骤(204);上面式子中,MEMneed表示需要的虚拟机内存大小,CPUneed表示需要的虚拟机CPU大小,DISKneed表示需要的虚拟机硬盘大小;
(204)进行水平扩展,判断创建一台VMmax能否满足扩展需求,如果不能则创建一台VMmax并跳转到步骤(205),如果能则再判断VMmax-1能否满足扩展需求,如果不能则创建一台VMmax-1并跳转到步骤(205),如果能满足则判断VMmax-2,以此类推直到虚拟机序号为1,当序号为1时,不用进行判断直接创建VM1并跳转到步骤(205);
(205)如果步骤(204)刚扩展的虚拟机为VMmax-i,则水平扩展后需求应该减小,
然后跳转到步骤(203);
(206)完成资源扩展后作资源扩展记录,即垂直扩展有几台,分别是将哪一台虚拟机的配置扩展到VMmax那么大的配置,水平扩展有几台,分别是按照哪一台虚拟机的配置扩展多少台;并按照如下公式计算伸缩成本:
伸缩成本=垂直扩展成本+(水平扩展费+许可证费)*水平扩展数。
步骤2中所述的实时扩展的内容是:由于水平扩展需要时间长,垂直扩展需要时间短,而实时扩展要求及时满足增大的资源需求,所以所述的实时扩展只能进行垂直扩展。
步骤2中所述的如果云计算资源足量时则需要进行实时缩放的内容是:当资源利用率低于系统设置的下限时表明资源分配过量,部分资源空闲,容易造成浪费,这时候需要对系统的资源进行释放;由于水平缩放不仅可以快速释放大规模的空闲资源,还可以减少软件许可证成本,所以,实时缩放先要进行水平缩放,然后再进行垂直缩放;由于虚拟机能力越小,单位资源的价格越贵,单位资源的许可证成本越高,所以在进行水平缩放时要先对虚拟机能力较小的资源进行缩放。
本发明的有益效果在于:本发明的方法利用负载预测的解决了资源扩展不及时的问题,利用水平伸缩和垂直伸缩相结合的自动伸缩方法使资源分配更合理;本发明的方法可以使资源按需动态快速分配,既保证了服务满意度,又满足了用户的成本最小化需求。
附图说明
图1是本发明提出的一种基于负载预测的云计算资源动态伸缩方法的流程图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚,下面结合附图对本发明作进一步的详细描述。
参见图1,介绍本发明提出的一种基于负载预测的云计算资源动态伸缩方法,所述方法包括下列操作步骤:
(1)对负载进行预测,具体过程是:在云计算资源利用率比较高时,使用线性回归算法预测负载;而在云计算资源利用率比较低时,首选使用改进字符串匹配算法预测负载,当使用所述的改进字符串匹配算法无法预测负载时,则使用线性回归算法预测负载;
(2)对云计算资源进行动态伸缩,具体过程是:负载预测后发现下一时刻资源不足时,系统进行云计算资源预扩展;如果云计算资源预扩展后出现突发状况,云计算资源仍然不足时则进行实时扩展,实时扩展利用垂直扩展方法完成;如果云计算资源足量时则需要进行实时缩放。
步骤1中所述的在云计算资源利用率比较高时,使用线性回归算法预测负载的具体内容是:设当前时刻为m时刻,系统根据当前时刻及之前的共计m个时刻的负载值预测下一个时刻即m+1时刻的负载值,其中m为大于1的自然数,具体计算过程如下:
Lm+1=α1+α2Tm+1
上式中,Lm+1表示m+1时刻负载的预测值,Tm+1表示m时刻到m+1时刻的时间间隔,α1、α2按照下面公式进行计算:
上述公式中,Li表示i时刻的负载,Ti表示i-1时刻到i时刻的时间间隔,i是大于等于1小于等于m的自然数。
举例如下:假设前8个时刻负载值是:12,18,22,28,33,40,46,53,即:
L1=12,L2=18,L3=22,L4=28,L5=33,L6=40,L7=46,L8=53
假设m=3,那么可以根据最近的三个时刻负载值计算下一时刻负载值,
首先计算α1,α2:
所以下一时刻负载值为
步骤1中所述的在云计算资源利用率比较低时,利用字符串匹配算法预测负载的具体内容是:由于负载具有自相似性,在不同的时期会出现相似的负载曲线,利用历史数据进行字符串匹配算法来识别相似的负载数据,然后根据匹配结果进行负载预测。
所述的字符串匹配算法的具体内容是:首先,由于字符串匹配算法关键在于计算负载趋势,所以每次开始匹配时将两个待匹配负载序列分别减去其序列的第一个负载值,当生成匹配结果后再加上相应的第一个负载值;然后由于字符串匹配算法是为了寻找相似的负载趋势而不是完全相同的负载序列,所以在对两个待匹配负载序列进行比较时设定一个误差范围,只要匹配误差在所设定的误差范围内即把待匹配的两个负载序列视为相等。
所述的字符串匹配算法的具体内容是包括如下操作子步骤:
(101)选取历史负载数据序列S0;选取当前负载数据序列T0,S0和T0是由多个两位整数的负载值组成;
(102)把当前负载数据序列T0中的每一个负载值减去其序列的第一个负载值,得到新序列T1,其中T1的每三位代表一个相对负载值,第一位为符号位,符号“+”代表正数,符号“-”代表负数,后两位代表相对量;
(103)把历史负载数据序列S0中的每一个负载值减去其序列的第一个负载值,得到新序列S1,其中S1的每三位代表一个相对负载值,第一位为符号位,符号“+“代表正数,符号“-”代表负数,后两位代表相对量;
(104)按照改进的字符串匹配算法KMP(Knuth-Morris-Pratt算法)对序列S1和T1进行匹配,其中序列T1作为搜索串;首先匹配S1和T1的前三位也就是对应S0和T0的第一个值,如果S1的前三位和T1的前三位所代表的数值之差在系统设定的误差范围内(如-4~+4),则认为是匹配成功的,否则认为是匹配失败的;如果匹配成功则匹配S1和T1的再往后的三位也就是对应S0和T0的下一个值;如果匹配失败则S0去掉第一个负载值,然后转步骤(103);如果T0或者T1每一位匹配成功则认为最终整个序列匹配成功;其他步骤与标准的字符串匹配算法KMP完全一致;
(105)把序列S1中最后匹配成功的那个数据的下一个数据取出来,加上当前负载数据序列T0的第一个负载值,作为系统负载的预测值,算法结束。
上述操作过程举例如下:
假设历史负载数据序列为:12,14,18,22,25,28,33,38,43,54,67,52,44…
当前负载数据序列为:37,45,57,69,53
即:
S0:12141822252833384354675244…
T0:3745576953
(102)T1=+00+08+20+32+16
(103)S1=+00+02+06+10+13+16+21+26+31+42+55+40+32…
(104)|(+00)-(+00)|<=4,比较下一位,|(+08)-(+02)|>4,返回到(103)
(103)S1=+00+04+08+11+14+19+24+29+40+53+38+30…
(104)|(+00)-(+00)|<=4,比较下一位,|(+08)-(+04)|<=4,比较下一位,|(+20)-(+08)|>4,返回(103)
(103)S1=+00+04+07+10+15+20+25+36+49+34+26…
(104)|(+00)-(+00)|<=4,比较下一位,|(+08)-(+04)|<=4,比较下一位,|(+20)-(+07)|>4,返回(103)
(103)S1=+00+03+06+11+16+21+32+45+30+22…
(104)|(+00)-(+00)|<=4,比较下一位,|(+08)-(+03)|>4,返回(103)
(103)S1=+00+03+08+13+18+29+42+27+19…
(104)|(+00)-(+00)|<=4,比较下一位,|(+08)-(+03)|>4,返回(103)
(103)S1=+00+05+10+15+26+39+24+16…
(104)|(+00)-(+00)|<=4,比较下一位,|(+08)-(+05)|<=4,比较下一位,|(+20)-(+10)|>4,返回(103)
(103)S1=+00+05+10+21+34+19+11…
(104)|(+00)-(+00)|<=4,比较下一位,|(+08)-(+05)|<=4,比较下一位,|(+20)-(+10)|>4,返回(103)
(103)S1=+00+05+16+29+14+06…
(104)|(+00)-(+00)|<=4,比较下一位,|(+08)-(+05)|<=4,比较下一位,|(+20)-(+16)|<=4,比较下一位,|(+32)-(+29)|<=4,比较下一位,|(+16)-(+14)|<=4,T0或者T1每一位匹配成功则认为最终整个序列匹配成功。
(105)S1中最后匹配成功的那个数据的下一个数据为+06,所以(+06)+(+37)=43即为系统负载的预测值。
步骤2中所述的负载预测发现下一时刻资源不足时,系统进行云计算资源预扩展的具体内容是:在进行预扩展时,由于时间充足,所以将水平扩展和垂直扩展相结合,充分利用水平扩展和垂直扩展的优点;进行资源预扩展时有多种满足扩展需求的策略,它们是水平扩展和垂直扩展的不同组合,所以需要从所述的不同组合中按照整数规划的方法选取成本最优的组合进行云计算资源预扩展。
所述的从不同组合中按照整数规划的方法选取成本最优的组合进行云计算资源预扩展的具体操作是:设n是云计算资源预扩展后虚拟机个数,则按照如下整数规划问题求得n:
minimize(SCh+SCv)
满足下列约束条件:
上述公式中,SCh表示水平扩展成本,SCv表示垂直扩展成本,MEMi表示第i个虚拟机内存大小,CPUi表示第i个虚拟机CPU大小,DISKi表示第i个虚拟机硬盘大小,MEMneed表示需要的虚拟机内存大小,CPUneed表示需要的虚拟机CPU大小,DISKneed表示需要的虚拟机硬盘大小;
其中,
上述公式中,p表示云计算资源预扩展前的虚拟机个数,VMCi表示云计算资源预扩展后的第i个虚拟机的成本,OVMCi表示云计算资源预扩展前的第i个虚拟机的成本,LCi表示第i个虚拟机的许可证成本;
其中,
VMCi=MEMCi+CPUCi+DISKCi
OVMCi=OMEMCi+OCPUCi+ODISKCi
上述公式中,MEMCi表示云计算资源预扩展后的第i个虚拟机内存成本,CPUCi表示云计算资源预扩展后的第i个虚拟机CPU成本,DISKCi表示云计算资源预扩展后的第i个虚拟机硬盘成本,OMEMCi表示云计算资源预扩展前的第i个虚拟机内存成本,OCPUCi表示云计算资源预扩展前的第i个虚拟机CPU成本,ODISKCi表示云计算资源预扩展前的第i个虚拟机硬盘成本。
步骤2中所述的负载预测发现下一时刻资源不足时,系统进行云计算资源预扩展的具体内容是:水平扩展只能根据已有的虚拟机配置进行,垂直扩展只能扩展到已有虚拟机的最大配置,如果仅进行垂直扩展可以满足扩展需求,则进行垂直扩展并结束,否则要进行水平扩展;水平扩展时分配资源应该从配置大的虚拟机到配置小的虚拟机的顺序遍历;不论水平扩展还是垂直扩展必须同时满足内存、CPU、硬盘需求,也就是需要在满足内存的水平扩展的虚拟机个数、满足CPU内存的水平扩展的虚拟机个数、满足硬盘的内存的水平扩展的虚拟机个数的三种情况中取最大值;
具体实现过程包括如下操作步骤:
(201)将虚拟机按照配置排序,配置越小序号越小,序号从1开始递增,排序规则如下:先比较CPU大小,CPU越小的序号越小,然后CPU相同的比较内存大小,内存越小的序号越小,最后内存相同的比较硬盘大小,硬盘越小的序号越小;最大的序号设为max,配置最大的虚拟机为VMmax;
(202)计算垂直扩展能力:
上面式子中,是垂直扩展第i次CPU增加的大小,是垂直扩展第i次内存增加的大小,是垂直扩展第i次硬盘增加的大小,i从1到max-1;指VMmax的CPU大小,指VMmax-i的CPU大小,指VMmax的内存大小,指VMmax-i的内存大小,指VMmax的硬盘的大小,指VMmax-i的硬盘的大小;
(203)判断只进行垂直扩展能否满足扩展需求:假如垂直扩展VMmax-1到VMmax,看CPU、内存、硬盘是否同时满足需求,即判断是否同时满足且且如果满足则说明垂直扩展可以完成,进行相应的垂直扩展并记录,然后跳转到步骤(206),否则继续判断如果再扩展VMmax-2到VMmax看CPU、内存、硬盘是否同时满足需求,即判断是否同时满足且 且如果满足则说明垂直扩展可以完成,进行相应的垂直扩展并记录,然后跳转到步骤(206),否则继续判断如果再扩展VMmax-3到VMmax,以此类推,直到再扩展VM1到VMmax,即判断如下三个不等式:
是否同时满足,如果满足则说明垂直扩展可以完成,进行相应的垂直扩展并记录,然后跳转到步骤(206),否则跳到步骤(204);上面式子中,MEMneed表示需要的虚拟机内存大小,CPUneed表示需要的虚拟机CPU大小,DISKneed表示需要的虚拟机硬盘大小;
(204)进行水平扩展,判断创建一台VMmax能否满足扩展需求,如果不能则创建一台VMmax并跳转到步骤(205),如果能则再判断VMmax-1能否满足扩展需求,如果不能则创建一台VMmax-1并跳转到步骤(205),如果能满足则判断VMmax-2,以此类推直到虚拟机序号为1,当序号为1时,不用进行判断直接创建VM1并跳转到步骤(205);
(205)如果步骤(204)刚扩展的虚拟机为VMmax-i,则水平扩展后需求应该减小,
然后跳转到步骤(203);
(206)完成资源扩展后作资源扩展记录,即垂直扩展有几台,分别是将哪一台虚拟机的配置扩展到VMmax那么大的配置,水平扩展有几台,分别是按照哪一台虚拟机的配置扩展多少台;并按照如下公式计算伸缩成本:
伸缩成本=垂直扩展成本+(水平扩展费+许可证费)*水平扩展数。
上述过程举例如下:
假设目前有三个虚拟机,p=3,这三个虚拟机的配置情况如表1所示:
表1
配置\价格 | MEM | CPU | DISK |
VM1 | 2G\20元 | 2核\50元 | 20G\20元 |
VM2 | 4G\30元 | 4核\80元 | 40G\30元 |
VM3 | 6G\40元 | 6核\100元 | 60G\40元 |
如表1所示,这三个虚拟机的三种配置的成本如下(单位元):
OMEMC1=20,OMEMC2=30,OMEMC3=40
OCPUC1=50,OCPUC2=80,OCPUC3=100
ODISKC1=20,ODISKC2=30,ODISKC3=40
假设安装软件基本不变,也就是许可证费用一定,即LCi=5,
假设预测负载值为:
MEMneed=23G
CPUneed=22核
DISKneed=230G
实现步骤:
(201)排序VM1,VM2,VM3,max=3;
(202)计算垂直扩展能力,
(203)判断只进行垂直扩展能否满足扩展需求,因为不满足且且也不满足且且所以跳到(204)
(204)进行水平扩展,判断创建一台VM3不能否满足扩展需求,所以创建一台VM3,跳到(205)
(205)核,跳到(203)
(203)因为不满足且且也不满足且且 所以跳到(204)
(204)进行水平扩展,判断创建一台VM3不能否满足扩展需求,所以创建一台VM3,跳到(205)
(205)核,跳到(203)
(203)判断只进行垂直扩展能否满足扩展需求,因为不满足且且也不满足且且所以跳到(204)
(204)进行水平扩展,判断创建一台VM3不能否满足扩展需求,所以创建一台VM3,跳到(205)
(205)核,跳到(203)
(203)因为且且 可以满足,跳到(206)
(206)完成资源扩展,并总结资源扩展记录,即垂直扩展有2台,分别是将VM1扩展到和VM3配置一样,将VM2扩展到和VM3配置一样,水平扩展有3台,分别是扩展和VM3配置一样的虚拟机3台。伸缩成本为:20+50+20+10+20+10+(40+100+40+LCi)*3=685元。
步骤2中所述的实时扩展的内容是:由于水平扩展需要时间长,垂直扩展需要时间短,而实时扩展要求及时满足增大的资源需求,所以所述的实时扩展只能进行垂直扩展。
步骤2中所述的如果云计算资源足量时则需要进行实时缩放的内容是:当资源利用率低于系统设置的下限时表明资源分配过量,部分资源空闲,容易造成浪费,这时候需要对系统的资源进行释放;由于水平缩放不仅可以快速释放大规模的空闲资源,还可以减少软件许可证成本,所以,实时缩放先要进行水平缩放,然后再进行垂直缩放;由于虚拟机能力越小,单位资源的价格越贵,单位资源的许可证成本越高,所以在进行水平缩放时要先对虚拟机能力较小的资源进行缩放。
Claims (10)
1.一种基于负载预测的云计算资源动态伸缩方法,其特征在于:所述方法包括下列操作步骤:
(1)对负载进行预测,具体过程是:在云计算资源利用率比较高时,使用线性回归算法预测负载;而在云计算资源利用率比较低时,首选使用改进字符串匹配算法预测负载,当使用所述的改进字符串匹配算法无法预测负载时,则使用线性回归算法预测负载;
(2)对云计算资源进行动态伸缩,具体过程是:负载预测后发现下一时刻资源不足时,系统进行云计算资源预扩展;如果云计算资源预扩展后出现突发状况,云计算资源仍然不足时则进行实时扩展,实时扩展利用垂直扩展的方法完成;如果云计算资源足量时则需要进行实时缩放。
2.根据权利要求1所述的一种基于负载预测的云计算资源动态伸缩方法,其特征在于:步骤1中所述的在云计算资源利用率比较高时,使用线性回归算法预测负载的具体内容是:设当前时刻为m时刻,系统根据当前时刻及之前的共计m个时刻的负载值预测下一个时刻即m+1时刻的负载值,其中m为大于1的自然数,具体计算过程如下:
Lm+1=α1+α2Tm+1
上式中,Lm+1表示m+1时刻负载的预测值,Tm+1表示m时刻到m+1时刻的时间间隔,α1、α2按照下面公式进行计算:
上述公式中,Li表示i时刻的负载,Ti表示i-1时刻到i时刻的时间间隔,i是大于等于1小于等于m的自然数。
3.根据权利要求1所述的一种基于负载预测的云计算资源动态伸缩方法,其特征在于:步骤1中所述的在云计算资源利用率比较低时,利用字符串匹配算法预测负载的具体内容是:由于负载具有自相似性,在不同的时期会出现相似的负载曲线,利用历史数据进行字符串匹配算法来识别相似的负载数据,然后根据匹配结果进行负载预测。
4.根据权利要求1或3所述的一种基于负载预测的云计算资源动态伸缩方法,其特征在于:所述的字符串匹配算法的具体内容是:首先,由于字符串匹配算法关键在于计算负载趋势,所以每次开始匹配时将两个待匹配负载序列分别减去其序列的第一个负载值,当生成匹配结果后再加上相应的第一个负载值;然后由于字符串匹配算法是为了寻找相似的负载趋势而不是完全相同的负载序列,所以在对两个待匹配负载序列进行比较时设定一个误差范围,只要匹配误差在所设定的误差范围内即把待匹配的两个负载序列视为相等。
5.根据权利要求1或3或4所述的一种基于负载预测的云计算资源动态伸缩方法,其特征在于:所述的字符串匹配算法的具体内容是包括如下操作子步骤:
(101)选取历史负载数据序列S0;选取当前负载数据序列T0,S0和T0是由多个两位整数的负载值组成;
(102)把当前负载数据序列T0中的每一个负载值减去其序列的第一个负载值,得到新序列T1,其中T1的每三位代表一个相对负载值,第一位为符号位,符号“+”代表正数,符号“-”代表负数,后两位代表相对量;
(103)把历史负载数据序列S0中的每一个负载值减去其序列的第一个负载值,得到新序列S1,其中S1的每三位代表一个相对负载值,第一位为符号位,符号“+“代表正数,符号“-”代表负数,后两位代表相对量;
(104)按照改进的字符串匹配算法KMP(Knuth-Morris-Pratt算法)对序列S1和T1进行匹配,其中序列T1作为搜索串;首先匹配S1和T1的前三位也就是对应S0和T0的第一个值,如果S1的前三位和T1的前三位所代表的数值之差在系统设定的误差范围内,则认为是匹配成功的,否则认为是匹配失败的;如果匹配成功则匹配S1和T1的再往后的三位也就是对应S0和T0的下一个值;如果匹配失败则S0去掉第一个负载值,然后转步骤(103);如果T0或者T1每一位匹配成功则认为最终整个序列匹配成功;其他步骤与标准的字符串匹配算法KMP完全一致;
(105)把序列S1中最后匹配成功的那个数据的下一个数据取出来,加上当前负载数据序列T0的第一个负载值,作为系统负载的预测值,算法结束。
6.根据权利要求1所述的一种基于负载预测的云计算资源动态伸缩方法,其特征在于:步骤2中所述的负载预测发现下一时刻资源不足时,系统进行云计算资源预扩展的具体内容是:在进行预扩展时,由于时间充足,所以将水平扩展和垂直扩展相结合,充分利用水平扩展和垂直扩展的优点;进行资源预扩展时有多种满足扩展需求的策略,它们是水平扩展和垂直扩展的不同组合,所以需要从所述的不同组合中按照整数规划的方法选取成本最优的组合进行云计算资源预扩展。
7.根据权利要求6所述的一种基于负载预测的云计算资源动态伸缩方法,其特征在于:所述的从不同组合中按照整数规划的方法选取成本最优的组合进行云计算资源预扩展的具体操作是:设n是云计算资源预扩展后虚拟机个数,则按照如下整数规划问题求得n:
minimize(SCh+SCv)
满足下列约束条件:
上述公式中,SCh表示水平扩展成本,SCv表示垂直扩展成本,MEMi表示第i个虚拟机内存大小,CPUi表示第i个虚拟机CPU大小,DISKi表示第i个虚拟机硬盘大小,MEMneed表示需要的虚拟机内存大小,CPUneed表示需要的虚拟机CPU大小,DISKneed表示需要的虚拟机硬盘大小;
其中,
上述公式中,p表示云计算资源预扩展前的虚拟机个数,VMCi表示云计算资源预扩展后的第i个虚拟机的成本,OVMCi表示云计算资源预扩展前的第i个虚拟机的成本,LCi表示第i个虚拟机的许可证成本;
其中,
VMCi=MEMCi+CPUCi+DISKCi
OVMCi=OMEMCi+OCPUCi+ODISKCi
上述公式中,MEMCi表示云计算资源预扩展后的第i个虚拟机内存成本,CPUCi表示云计算资源预扩展后的第i个虚拟机CPU成本,DISKCi表示云计算资源预扩展后的第i个虚拟机硬盘成本,OMEMCi表示云计算资源预扩展前的第i个虚拟机内存成本,OCPUCi表示云计算资源预扩展前的第i个虚拟机CPU成本,ODISKCi表示云计算资源预扩展前的第i个虚拟机硬盘成本。
8.根据权利要求1所述的一种基于负载预测的云计算资源动态伸缩方法,其特征在于:步骤2中所述的负载预测发现下一时刻资源不足时,系统进行云计算资源预扩展的具体内容是:水平扩展只能根据已有的虚拟机配置进行,垂直扩展只能扩展到已有虚拟机的最大配置,如果仅进行垂直扩展可以满足扩展需求,则进行垂直扩展并结束,否则要进行水平扩展;水平扩展时分配资源应该从配置大的虚拟机到配置小的虚拟机的顺序遍历;不论水平扩展还是垂直扩展必须同时满足内存、CPU、硬盘需求,也就是需要在满足内存的水平扩展的虚拟机个数、满足CPU内存的水平扩展的虚拟机个数、满足硬盘的内存的水平扩展的虚拟机个数的三种情况中取最大值;
具体实现过程包括如下操作步骤:
(201)将虚拟机按照配置排序,配置越小序号越小,序号从1开始递增,排序规则如下:先比较CPU大小,CPU越小的序号越小,然后CPU相同的比较内存大小,内存越小的序号越小,最后内存相同的比较硬盘大小,硬盘越小的序号越小;最大的序号设为max,配置最大的虚拟机为VMmax;
(202)计算垂直扩展能力:
上面式子中,是垂直扩展第i次CPU增加的大小,是垂直扩展第i次内存增加的大小,是垂直扩展第i次硬盘增加的大小,i从1到max-1;指VMmax的CPU大小,指VMmax-i的CPU大小,指VMmax的内存大小,指VMmax-i的内存大小,指VMmax的硬盘的大小,指VMmax-i的硬盘的大小;
(203)判断只进行垂直扩展能否满足扩展需求:假如垂直扩展VMmax-1到VMmax,看CPU、内存、硬盘是否同时满足需求,即判断是否同时满足且且如果满足则说明垂直扩展可以完成,进行相应的垂直扩展并记录,然后跳转到步骤(206),否则继续判断如果再扩展VMmax-2到VMmax看CPU、内存、硬盘是否同时满足需求,即判断是否同时满足且 且如果满足则说明垂直扩展可以完成,进行相应的垂直扩展并记录,然后跳转到步骤(206),否则继续判断如果再扩展VMmax-3到VMmax,以此类推,直到再扩展VM1到VMmax,即判断如下三个不等式:
是否同时满足,如果满足则说明垂直扩展可以完成,进行相应的垂直扩展并记录,然后跳转到步骤(206),否则跳到步骤(204);上面式子中,MEMneed表示需要扩展的虚拟机内存大小,CPUneed表示需要扩展的虚拟机CPU大小,DISKneed表示需要扩展的虚拟机硬盘大小;
(204)进行水平扩展,判断创建一台VMmax能否满足扩展需求,如果不能则创建一台VMmax并跳转到步骤(205),如果能则再判断VMmax-1能否满足扩展需求,如果不能则创建一台VMmax-1并跳转到步骤(205),如果能满足则判断VMmax-2,以此类推直到虚拟机序号为1,当序号为1时,不用进行判断直接创建VM1并跳转到步骤(205);
(205)如果步骤(204)刚扩展的虚拟机为VMmax-i,则水平扩展后需求应该减小,
然后跳转到步骤(203);
(206)完成资源扩展后作资源扩展记录,即垂直扩展有几台,分别是将哪一台虚拟机的配置扩展到VMmax那么大的配置,水平扩展有几台,分别是按照哪一台虚拟机的配置扩展多少台;并按照如下公式计算伸缩成本:
伸缩成本=垂直扩展成本+(水平扩展费+许可证费)*水平扩展数。
9.根据权利要求1所述的一种基于负载预测的云计算资源动态伸缩方法,其特征在于:步骤2中所述的实时扩展的内容是:由于水平扩展需要时间长,垂直扩展需要时间短,而实时扩展要求及时满足增大的资源需求,所以所述的实时扩展只能进行垂直扩展。
10.根据权利要求1所述的一种基于负载预测的云计算资源动态伸缩方法,其特征在于:步骤2中所述的如果云计算资源足量时则需要进行实时缩放的内容是:当资源利用率低于系统设置的下限时表明资源分配过量,部分资源空闲,容易造成浪费,这时候需要对系统的资源进行释放;由于水平缩放不仅可以快速释放大规模的空闲资源,还可以减少软件许可证成本,所以,实时缩放先要进行水平缩放,然后再进行垂直缩放;由于虚拟机能力越小,单位资源的价格越贵,单位资源的许可证成本越高,所以在进行水平缩放时要先对虚拟机能力较小的资源进行缩放。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610522336.3A CN106201718A (zh) | 2016-07-05 | 2016-07-05 | 一种基于负载预测的云计算资源动态伸缩方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610522336.3A CN106201718A (zh) | 2016-07-05 | 2016-07-05 | 一种基于负载预测的云计算资源动态伸缩方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN106201718A true CN106201718A (zh) | 2016-12-07 |
Family
ID=57465647
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201610522336.3A Pending CN106201718A (zh) | 2016-07-05 | 2016-07-05 | 一种基于负载预测的云计算资源动态伸缩方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN106201718A (zh) |
Cited By (18)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107911399A (zh) * | 2017-05-27 | 2018-04-13 | 广东网金控股股份有限公司 | 一种基于负载预测的弹性伸缩方法及系统 |
CN108234231A (zh) * | 2016-12-22 | 2018-06-29 | 阿里巴巴集团控股有限公司 | 云计算环境中弹性伸缩配置的方法、装置以及电子设备 |
CN108228334A (zh) * | 2016-12-14 | 2018-06-29 | 中国移动通信集团公司 | 一种容器集群扩展的方法和装置 |
CN108628662A (zh) * | 2018-04-11 | 2018-10-09 | 武汉理工大学 | 混合云环境下基于负载预测的资源弹性伸缩方法 |
CN108762892A (zh) * | 2018-06-07 | 2018-11-06 | 北京仿真中心 | 一种云仿真协同仿真模式的资源配置方法 |
CN108984301A (zh) * | 2018-07-04 | 2018-12-11 | 中国人民解放军国防科技大学 | 自适应云资源调配方法和装置 |
CN109460301A (zh) * | 2018-09-07 | 2019-03-12 | 中南大学 | 一种流数据负载的弹性资源配置方法及系统 |
CN110275773A (zh) * | 2018-10-30 | 2019-09-24 | 湖北省农村信用社联合社网络信息中心 | 基于真实数据模型拟合的Paas资源循环利用指标系统 |
CN110990160A (zh) * | 2019-12-27 | 2020-04-10 | 广西电网有限责任公司 | 一种基于负荷预测的静态安全分析容器云弹性伸缩方法 |
CN111025925A (zh) * | 2019-12-05 | 2020-04-17 | 重庆特斯联智慧科技股份有限公司 | 一种基于云计算的智能家居配备系统 |
CN111638959A (zh) * | 2020-06-02 | 2020-09-08 | 山东汇贸电子口岸有限公司 | 云环境下基于负载回归预测的弹性伸缩方法及可读存储介质 |
CN111756589A (zh) * | 2019-03-26 | 2020-10-09 | 杭州海康威视系统技术有限公司 | 云资源管理方法、装置、云服务器及存储介质 |
CN111767198A (zh) * | 2020-06-23 | 2020-10-13 | 中国工商银行股份有限公司 | 基于分类标签序列匹配的系统风险预测方法及装置 |
CN112087504A (zh) * | 2020-08-31 | 2020-12-15 | 浪潮通用软件有限公司 | 一种基于工作负载特性的动态负载均衡的方法及装置 |
CN112527498A (zh) * | 2020-12-03 | 2021-03-19 | 哈尔滨工程大学 | 一种服务资源弹性扩缩容处理方法 |
CN113064696A (zh) * | 2021-03-25 | 2021-07-02 | 网易(杭州)网络有限公司 | 集群的系统扩容方法、设备及介质 |
CN114138473A (zh) * | 2021-11-23 | 2022-03-04 | 西安电子科技大学 | 一种基于混合模式的弹性调度装置及方法 |
WO2022100438A1 (en) * | 2020-11-11 | 2022-05-19 | International Business Machines Corporation | Predictive auto-scaler for a hierarchical computing infrastructure |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103425535A (zh) * | 2013-06-05 | 2013-12-04 | 浙江大学 | 云环境下的敏捷弹性伸缩方法 |
US20140047095A1 (en) * | 2012-08-07 | 2014-02-13 | Advanced Micro Devices, Inc. | System and method for tuning a cloud computing system |
CN103916438A (zh) * | 2013-01-06 | 2014-07-09 | 上海计算机软件技术开发中心 | 基于负载预测的云测试环境调度方法及其系统 |
CN104010029A (zh) * | 2014-05-12 | 2014-08-27 | 上海交通大学 | 基于横向纵向信息集成的分布式计算环境性能预测方法 |
CN104065663A (zh) * | 2014-07-01 | 2014-09-24 | 复旦大学 | 一种基于混合云调度模型的自动伸缩、费用优化的内容分发服务方法 |
CN104954185A (zh) * | 2015-06-09 | 2015-09-30 | 中国石油大学(华东) | 一种基于深度置信网的云计算负载预测方法 |
CN105592156A (zh) * | 2015-12-25 | 2016-05-18 | 中国人民解放军信息工程大学 | 面向网络功能的分布式弹性控制方法 |
-
2016
- 2016-07-05 CN CN201610522336.3A patent/CN106201718A/zh active Pending
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20140047095A1 (en) * | 2012-08-07 | 2014-02-13 | Advanced Micro Devices, Inc. | System and method for tuning a cloud computing system |
CN103916438A (zh) * | 2013-01-06 | 2014-07-09 | 上海计算机软件技术开发中心 | 基于负载预测的云测试环境调度方法及其系统 |
CN103425535A (zh) * | 2013-06-05 | 2013-12-04 | 浙江大学 | 云环境下的敏捷弹性伸缩方法 |
CN104010029A (zh) * | 2014-05-12 | 2014-08-27 | 上海交通大学 | 基于横向纵向信息集成的分布式计算环境性能预测方法 |
CN104065663A (zh) * | 2014-07-01 | 2014-09-24 | 复旦大学 | 一种基于混合云调度模型的自动伸缩、费用优化的内容分发服务方法 |
CN104954185A (zh) * | 2015-06-09 | 2015-09-30 | 中国石油大学(华东) | 一种基于深度置信网的云计算负载预测方法 |
CN105592156A (zh) * | 2015-12-25 | 2016-05-18 | 中国人民解放军信息工程大学 | 面向网络功能的分布式弹性控制方法 |
Non-Patent Citations (3)
Title |
---|
RONGHENG LIN 等: "EKMPC: Enhanced KMP Allocation for Virtual Network Service Provision in Cloud", 《2014 IEEE INTERNATIONAL CONFERENCE ON SERVICES COMPUTING》 * |
杨靖琦: "云化业务平台可伸缩性研究", 《中国博士学位论文全文数据库 信息科技辑》 * |
王志平 等: "基于实时计算平台的虚拟机调度策略", 《计算机工程》 * |
Cited By (25)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108228334A (zh) * | 2016-12-14 | 2018-06-29 | 中国移动通信集团公司 | 一种容器集群扩展的方法和装置 |
CN108234231A (zh) * | 2016-12-22 | 2018-06-29 | 阿里巴巴集团控股有限公司 | 云计算环境中弹性伸缩配置的方法、装置以及电子设备 |
CN108234231B (zh) * | 2016-12-22 | 2021-09-10 | 阿里巴巴集团控股有限公司 | 云计算环境中弹性伸缩配置的方法、装置以及电子设备 |
CN107911399B (zh) * | 2017-05-27 | 2020-10-16 | 广东网金控股股份有限公司 | 一种基于负载预测的弹性伸缩方法及系统 |
CN107911399A (zh) * | 2017-05-27 | 2018-04-13 | 广东网金控股股份有限公司 | 一种基于负载预测的弹性伸缩方法及系统 |
CN108628662A (zh) * | 2018-04-11 | 2018-10-09 | 武汉理工大学 | 混合云环境下基于负载预测的资源弹性伸缩方法 |
CN108762892A (zh) * | 2018-06-07 | 2018-11-06 | 北京仿真中心 | 一种云仿真协同仿真模式的资源配置方法 |
CN108984301A (zh) * | 2018-07-04 | 2018-12-11 | 中国人民解放军国防科技大学 | 自适应云资源调配方法和装置 |
CN109460301A (zh) * | 2018-09-07 | 2019-03-12 | 中南大学 | 一种流数据负载的弹性资源配置方法及系统 |
CN109460301B (zh) * | 2018-09-07 | 2022-06-24 | 中南大学 | 一种流数据负载的弹性资源配置方法及系统 |
CN110275773A (zh) * | 2018-10-30 | 2019-09-24 | 湖北省农村信用社联合社网络信息中心 | 基于真实数据模型拟合的Paas资源循环利用指标系统 |
CN110275773B (zh) * | 2018-10-30 | 2020-08-28 | 湖北省农村信用社联合社网络信息中心 | 基于真实数据模型拟合的Paas资源循环利用指标系统 |
CN111756589A (zh) * | 2019-03-26 | 2020-10-09 | 杭州海康威视系统技术有限公司 | 云资源管理方法、装置、云服务器及存储介质 |
CN111025925A (zh) * | 2019-12-05 | 2020-04-17 | 重庆特斯联智慧科技股份有限公司 | 一种基于云计算的智能家居配备系统 |
CN110990160A (zh) * | 2019-12-27 | 2020-04-10 | 广西电网有限责任公司 | 一种基于负荷预测的静态安全分析容器云弹性伸缩方法 |
CN110990160B (zh) * | 2019-12-27 | 2023-06-27 | 广西电网有限责任公司 | 一种基于负荷预测的静态安全分析容器云弹性伸缩方法 |
CN111638959A (zh) * | 2020-06-02 | 2020-09-08 | 山东汇贸电子口岸有限公司 | 云环境下基于负载回归预测的弹性伸缩方法及可读存储介质 |
CN111767198A (zh) * | 2020-06-23 | 2020-10-13 | 中国工商银行股份有限公司 | 基于分类标签序列匹配的系统风险预测方法及装置 |
CN112087504A (zh) * | 2020-08-31 | 2020-12-15 | 浪潮通用软件有限公司 | 一种基于工作负载特性的动态负载均衡的方法及装置 |
WO2022100438A1 (en) * | 2020-11-11 | 2022-05-19 | International Business Machines Corporation | Predictive auto-scaler for a hierarchical computing infrastructure |
US11762709B2 (en) | 2020-11-11 | 2023-09-19 | International Business Machines Corporation | Predictive auto-scaler for a hierarchical computing infrastructure |
GB2617712A (en) * | 2020-11-11 | 2023-10-18 | Ibm | Predictive auto-scaler for a hierarchical computing infrastructure |
CN112527498A (zh) * | 2020-12-03 | 2021-03-19 | 哈尔滨工程大学 | 一种服务资源弹性扩缩容处理方法 |
CN113064696A (zh) * | 2021-03-25 | 2021-07-02 | 网易(杭州)网络有限公司 | 集群的系统扩容方法、设备及介质 |
CN114138473A (zh) * | 2021-11-23 | 2022-03-04 | 西安电子科技大学 | 一种基于混合模式的弹性调度装置及方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106201718A (zh) | 一种基于负载预测的云计算资源动态伸缩方法 | |
CN107659433B (zh) | 一种云资源调度方法及设备 | |
CN103916438B (zh) | 基于负载预测的云测试环境调度方法及其系统 | |
CN108829494A (zh) | 基于负载预测的容器云平台智能资源优化方法 | |
EP4242843A1 (en) | Graphics card memory management method and apparatus, device, and system | |
CN103188521B (zh) | 转码分配方法及装置,转码方法及设备 | |
CN105260230B (zh) | 基于分段服务等级协议的数据中心虚拟机资源调度方法 | |
CN106528270A (zh) | 一种基于OpenStack云平台的虚拟机自动迁移方法及系统 | |
CN110362388B (zh) | 一种资源调度方法及装置 | |
CN103473134A (zh) | 一种异构多核处理器的依赖任务调度方法 | |
CN108881432A (zh) | 基于ga算法的云计算集群负载调度方法 | |
CN107861796A (zh) | 一种支持云数据中心能耗优化的虚拟机调度方法 | |
CN108829501A (zh) | 一种基于改进遗传算法的批处理科学工作流任务调度算法 | |
CN103514046A (zh) | 一种虚拟机放置方法及集群管理服务器 | |
CN103677960A (zh) | 一种能耗约束的虚拟机博弈重放置方法 | |
CN108270805A (zh) | 用于数据处理的资源分配方法及装置 | |
CN102917014B (zh) | 资源调度方法及装置 | |
CN106209967A (zh) | 一种视频监控云资源预测方法及系统 | |
CN111352727A (zh) | 一种应用于图像混合集群处理系统的图像处理方法 | |
CN114327811A (zh) | 一种任务调度方法、装置、设备及可读存储介质 | |
CN100531070C (zh) | 网络资源调度仿真系统 | |
CN111597035A (zh) | 基于多线程的仿真引擎时间推进方法及系统 | |
CN105718318B (zh) | 一种基于辅助工程设计软件的集合式调度优化方法 | |
CN104519082B (zh) | 一种云计算的扩容方法和装置 | |
CN115470901B (zh) | 支持移动端异构处理器分载的混合精度训练方法及设备 |
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: 20161207 |
|
WD01 | Invention patent application deemed withdrawn after publication |