CN106464733A - 一种调整云计算中虚拟资源的方法及装置 - Google Patents
一种调整云计算中虚拟资源的方法及装置 Download PDFInfo
- Publication number
- CN106464733A CN106464733A CN201580030592.4A CN201580030592A CN106464733A CN 106464733 A CN106464733 A CN 106464733A CN 201580030592 A CN201580030592 A CN 201580030592A CN 106464733 A CN106464733 A CN 106464733A
- Authority
- CN
- China
- Prior art keywords
- kpi
- stability
- upper threshold
- service
- sampling 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.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 60
- 238000005070 sampling Methods 0.000 claims abstract description 161
- 238000012545 processing Methods 0.000 claims abstract description 61
- 238000004364 calculation method Methods 0.000 claims description 96
- 230000008859 change Effects 0.000 claims description 37
- 230000008569 process Effects 0.000 claims description 21
- 238000010606 normalization Methods 0.000 claims description 4
- 230000003247 decreasing effect Effects 0.000 abstract description 2
- 230000000875 corresponding effect Effects 0.000 description 198
- 230000006870 function Effects 0.000 description 21
- 238000010586 diagram Methods 0.000 description 10
- 238000005259 measurement Methods 0.000 description 9
- 238000004590 computer program Methods 0.000 description 7
- 238000012423 maintenance Methods 0.000 description 7
- 238000012986 modification Methods 0.000 description 5
- 230000004048 modification Effects 0.000 description 5
- 230000010355 oscillation Effects 0.000 description 5
- 238000001816 cooling Methods 0.000 description 4
- 230000006641 stabilisation Effects 0.000 description 4
- 238000011105 stabilization Methods 0.000 description 4
- 238000004422 calculation algorithm Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 208000018910 keratinopathic ichthyosis Diseases 0.000 description 3
- 239000002131 composite material Substances 0.000 description 2
- 239000002699 waste material Substances 0.000 description 2
- 230000004075 alteration Effects 0.000 description 1
- 230000001276 controlling effect Effects 0.000 description 1
- 230000002596 correlated effect Effects 0.000 description 1
- 230000003203 everyday effect Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000011022 operating instruction Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 101150103782 thrL gene Proteins 0.000 description 1
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L65/00—Network arrangements, protocols or services for supporting real-time applications in data packet communication
- H04L65/40—Support for services or applications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W24/00—Supervisory, monitoring or testing arrangements
Abstract
本发明提供了一种调整云计算中虚拟资源的方法及装置,用以解决现有技术中存在的针对不同应用场景人工设置不同度量指标的上门限和下门限,造成虚拟机数量震荡,影响业务处理效率,降低服务质量,增加额外资源开销的问题。该方法为:根据虚拟机处理的业务的业务类型,确定对应的至少一个KPI,根据针对每个KPI对应的上门限基础值、变化幅度,稳定性标准化参数,以及在最近第一设定时长内的第一采样集合,确定该KPI的上门限,从而根据每个KPI的上门限,对处理该业务的虚拟机的数量进行调整。这样,根据不同应用场景动态调整每个KPI的上门限,得到更合理的上门限,避免了虚拟机的数量震荡,提高了处理业务的效率以及服务质量。
Description
本发明涉及云计算和网络多媒体技术领域,尤其涉及一种调整云计算中虚拟资源的方法及装置。
云计算是一种基于互联网的计算方式,通常利用虚拟化技术,将服务器的CPU、内存、硬盘、带宽等物理资源虚拟化为虚拟资源,并以虚拟机的形式提供给用户。虚拟机代表了用户所需要的计算能力、存储空间和信息服务,而给用户提供虚拟机的网络称为“云”。在云计算中,大量远程服务器通过网络互联组成集群,允许数据集中存储和在线访问计算资源。用户根据需求获取一定数量的虚拟资源,同时根据虚拟资源的数量和使用时长相应付费。
当用户的应用业务量增加时,为了保证用户的服务质量,需要增加虚拟资源;而当用户的应用业务量减少时,需要相应减少虚拟资源,以减少用户开销。然而,由于应用业务量会发生变化,因此,在满足应用业务量的需求的前提下,需要使用尽量少的虚拟资源,保证资源的合理利用,避免资源浪费。
目前,虚拟资源的自动伸缩技术是实现云平台资源弹性的有效方法,该技术为基于静态阈值的弹性伸缩算法。其中,该算法的原理为:在一组虚拟机对一个业务时,对不同的度量指标,如用户数目、分组数据包协议(Packet Data Protocol,PDP)数目、中央处理器(Central Processing Unit,CPU)占用率、内存使用率、带宽使用率、硬盘使用率等,分别设置对应的上门限以及下门限,当至少一个度量指标的取值大于对应的上门限时,增加设定数量的虚拟机;当至少一个独立指标的取值小于对应的下门限时,减少设定数量的虚拟机;当每个度量指标的取值均处于对应的上门限和下门限之间时,不做处理。
由于该算法简单和直观性使其得到了较广泛的应用。然而,在实际应用中,不同的应用场景,度量指标不尽相同,而每个度量指标对应的上门限和下门限应该是不同的,因此,用户需要针对每个应用场景,对每个度量指标设置对应的上门限和下门限,增加了用户的工作量,提高了维护难度。在针对一个应用场景,分别对每个度量指标设置对应的上门限和下门限时,由于是人工设置的,与该应用场景最合理的上门限和下门限存在误差,会造成虚拟机的数量震荡,进而降低了服务质量,增加了额外的资源开销。
发明内容
本发明实施例提供了一种调整云计算中虚拟资源的方法及装置,用以解决现有技术中存在的虚拟机数量震荡,进而降低服务质量,增加额外的资源开销,以及增加用户的工作量,提高了维护难度的问题。
第一方面,一种调整云计算中虚拟资源的方法,包括:
在基于虚拟机处理一业务时,确定所述业务的业务类型,并根据确定的所述业务类型、预设的业务类型和至少一个关键性能指标KPI的对应关系,确定所述业务类型对应的至少一个KPI,其中,所述业务的业务类型为虚拟机处理所述业务的处理模式;
获取针对所述业务类型预设的,所述至少一个KPI中每个KPI对应的上门限基础值、变化幅度,以及获取针对所述业务类型更新的每个KPI对应的稳定性标准化参数;
分别获取所述至少一个KPI中每个KPI的第一采样数据集合,其中,每个KPI的第一采样数据集合为每个KPI在距离当前时刻最近的第一设定时长内的每个采样周期内采集的所有采样数据,所述采样周期小于所述第一设定时长;
分别根据获取的每个KPI的第一采样数据集合,确定每个KPI对应的稳定性度量值;
分别根据获取的每个KPI对应的上门限基础值、变化幅度、稳定性标准
化参数以及确定的稳定性度量值,确定每个KPI对应的上门限;
根据每个KPI距离当前时刻最近一次的采样数据,以及确定的每个KPI对应的上门限,对处理所述业务的虚拟机的数量进行调整。
结合第一方面,在第一种可能的实现方式中,更新所述业务类型的每个KPI对应的稳定性标准化参数,包括:
在更新周期开始时,开始获取该KPI的采样数据;
在所述更新周期内的每个稳定性计算周期内,根据该稳定性计算周期内获取的该KPI的第二采样数据集合,确定该KPI在该稳定性计算周期内的稳定性度量值,该KPI的第二采样数据集合为该KPI在该稳定性计算周期内的每个采样周期内采集的所有采样数据,所述采样周期小于稳定性计算周期;
在所述更新周期结束时,停止获取该KPI的采样数据,并根据该KPI在所述更新周期内的每个稳定性计算周期内的稳定性度量值,计算该KPI对应的稳定性度量值的平均值与标准差;
将该KPI对应的稳定性度量值的平均值与标准差,作为该KPI对应的稳定性标准化参数。
结合第一方面的第一种可能的实现方式,在第二种可能的实现方式中,根据该稳定性计算周期内获取的该KPI的第二采样数据集合,确定该KPI在该稳定性计算周期内的稳定性度量值,包括:
根据该KPI的第二采样数据集合中的所有采样数据,计算该KPI在该稳定性计算周期内的稳定性度量值。
结合第一方面的第二种可能的实现方式,在第三种可能的实现方式中,计算该KPI在该稳定性计算周期内的稳定性度量值,包括:
计算该KPI的第二采样数据集合中的所有采样数据的平均绝对离差,或绝对离差中位数,或标准差,或信息熵,或样本熵,并将计算结果作为该KPI在该稳定性计算周期内的稳定性度量值。
结合第一方面,在第四种可能的实现方式中,确定每个KPI对应的稳定性度量值之后,还包括:
将确定的每个KPI对应的稳定性度量值进行缓存。
更新所述业务类型的每个KPI对应的稳定性标准化参数,包括:
在更新周期结束时,获取缓存的每个KPI对应的稳定性度量值,计算每个KPI对应的稳定性度量值的平均值与标准差;
将每个KPI对应的稳定性度量值的平均值与标准差,更新为每个KPI对应的稳定性标准化参数。
结合第一方面或第一方面的以上任一种可能的实现方式,在第五种可能的实现方式中,根据获取的每个KPI对应的上门限基础值、变化幅度、稳定性标准化参数以及确定的稳定性度量值,确定每个KPI对应的上门限,包括:
根据获得的每个KPI的稳定性标准化参数、确定的稳定性度量值,以及预设的每个KPI对应的上门限变化因子函数,获得每个KPI的上门限变化因子,其中,每个KPI对应的上门限变化因子函数是根据保存的每个KPI对应的稳定性标准化参数、稳定性度量值与上门限变化因子的对应关系确定的;
将每个KPI对应的上门限基础值加上变化幅度与所述上门限变化因子的乘机,作为每个KPI对应的上门限。
结合第一方面或第一方面的以上任一种可能的实现方式,在第六种可能的实现方式中,根据所述至少一个KPI中每个KPI距离当前时刻最近一次的采样数据,以及确定的每个KPI对应的上门限,对处理所述业务的虚拟机的数量进行调整,包括:
当所述至少一个KPI中第一KPI距离当前时刻最近一次的采样数据大于所述第一KPI对应的上门限时,增加设定数量的虚拟机处理所述业务,其中第一KPI为所述至少一个KPI中的任意一个KPI。
结合第一方面或第一方面的第一至第五种中任一种可能的实现方式,在第七种可能的实现方式中,根据所述至少一个KPI中每个KPI距离当前时刻最近一次的采样数据,以及确定的每个KPI对应的上门限,对处理所述业务的虚拟机的数量进行调整,还包括:
根据每个KPI对应的上门限、处理所述业务的虚拟机的数量,确定每个
KPI对应的下门限;
当所述至少一个KPI中第二KPI距离当前时刻最近一次的采样数据小于所述第二KPI对应的下门限时,减少设定数量的虚拟机处理所述业务,其中第二KPI为所述至少一个KPI中的任意一个KPI。
结合第一方面的第七种可能的实现方式,在第八种可能的实现方式中,根据每个KPI对应的上门限、处理所述业务的虚拟机的数量,确定每个KPI对应的下门限,包括:
将所述虚拟机的数量减一后,再除以所述虚拟机的数量,作为第一数值;
将每个KPI的上门限乘以所述第一数值的C次方,作为每个KPI对应的下门限,其中,C为常数。
第二方面,一种调整云计算中虚拟资源的装置,包括:
确定单元,用于在基于虚拟机处理一业务时,确定所述业务的业务类型,并根据确定的所述业务类型、预设的业务类型和至少一个关键性能指标KPI的对应关系,确定所述业务类型对应的至少一个KPI,其中,所述业务的业务类型为虚拟机处理所述业务的处理模式;
第一获取单元,用于获取针对所述业务类型预设的,所述至少一个KPI中每个KPI对应的上门限基础值、变化幅度,以及获取针对所述业务类型更新的每个KPI对应的稳定性标准化参数;
第二获取单元,用于分别获取所述至少一个KPI中每个KPI的第一采样数据集合,其中,每个KPI的第一采样数据集合为每个KPI在距离当前时刻最近的第一设定时长内的每个采样周期内采集的所有采样数据,所述采样周期小于所述第一设定时长;
第一计算单元,用于分别根据获取的每个KPI的第一采样数据集合,确定每个KPI对应的稳定性度量值;
第二计算单元,用于分别根据获取的每个KPI对应的上门限基础值、变化幅度、稳定性标准化参数以及确定的稳定性度量值,确定每个KPI对应的上门限;
运行单元,用于根据每个KPI距离当前时刻最近一次的采样数据,以及确定的每个KPI对应的上门限,对处理所述业务的虚拟机的数量进行调整。
结合第二方面,在第一种可能的实现方式中,还包括:
更新单元,用于更新所述业务类型的每个KPI对应的稳定性标准化参数,具体用于:
在更新周期开始时,开始获取该KPI的采样数据;
在所述更新周期内的每个稳定性计算周期内,根据该稳定性计算周期内获取的该KPI的第二采样数据集合,确定该KPI在该稳定性计算周期内的稳定性度量值,该KPI的第二采样数据集合为该KPI在该稳定性计算周期内的每个采样周期内采集的所有采样数据,所述采样周期小于稳定性计算周期;
在所述更新周期结束时,停止获取该KPI的采样数据,并根据该KPI在所述更新周期内的每个稳定性计算周期内的稳定性度量值,计算该KPI对应的稳定性度量值的平均值与标准差;
将该KPI对应的稳定性度量值的平均值与标准差,作为该KPI对应的稳定性标准化参数。
结合第二方面的第一种可能的实现方式,在第二种可能的实现方式中,所述更新单元,在根据该稳定性计算周期内获取的该KPI的第二采样数据集合,确定该KPI在该稳定性计算周期内的稳定性度量值时,具体用于:
根据该KPI的第二采样数据集合中的所有采样数据,计算该KPI在该稳定性计算周期内的稳定性度量值。
结合第二方面的第二种可能的实现方式,在第三种可能的实现方式中,所述更新单元,在计算该KPI在该稳定性计算周期内的稳定性度量值时,具体用于:
计算该KPI的第二采样数据集合中的所有采样数据的平均绝对离差,或绝对离差中位数,或标准差,或信息熵,或样本熵,并将计算结果作为该KPI在该稳定性计算周期内的稳定性度量值。
结合第二方面,在第四种可能的实现方式中,所述第一计算单元,还用
于:
确定每个KPI对应的稳定性度量值之后,将确定的每个KPI对应的稳定性度量值进行缓存。
所述装置还包括:更新单元,用于更新所述业务类型的每个KPI对应的稳定性标准化参数,具体用于:
在更新周期结束时,获取所述第一计算单元缓存的每个KPI对应的稳定性度量值,计算每个KPI对应的稳定性度量值的平均值与标准差;
将每个KPI对应的稳定性度量值的平均值与标准差,更新为每个KPI对应的稳定性标准化参数。
结合第二方面或第二方面的以上任一种可能的实现方式,在第五种可能的实现方式中,第二计算单元,具体用于:
根据获得的每个KPI的稳定性标准化参数、确定的稳定性度量值,以及预设的每个KPI对应的上门限变化因子函数,获得每个KPI的上门限变化因子,其中,每个KPI对应的上门限变化因子函数是根据保存的每个KPI对应的稳定性标准化参数、稳定性度量值与上门限变化因子的对应关系确定的;
将每个KPI对应的上门限基础值加上变化幅度与所述上门限变化因子的乘机,作为每个KPI对应的上门限。
结合第二方面或第二方面的以上任一种可能的实现方式,在第六种可能的实现方式中,所述运行单元,用于:
当所述至少一个KPI中第一KPI距离当前时刻最近一次的采样数据大于所述第一KPI对应的上门限时,增加设定数量的虚拟机处理所述业务,其中第一KPI为所述至少一个KPI中的任意一个KPI。
结合第二方面或第二方面的第一至第五种中任一种可能的实现方式,在第七种可能的实现方式中,所述运行单元,还用于:
根据每个KPI对应的上门限、处理所述业务的虚拟机的数量,确定每个KPI对应的下门限;
当所述至少一个KPI中第二KPI距离当前时刻最近一次的采样数据小于
所述第二KPI对应的下门限时,减少设定数量的虚拟机处理所述业务,其中第二KPI为所述至少一个KPI中的任意一个KPI。
结合二方面的第七种可能的实现方式,在第八种可能的实现方式中,所述运行单元,在根据每个KPI对应的上门限、处理所述业务的虚拟机的数量,确定每个KPI对应的下门限时,具体用于:
将所述虚拟机的数量减一后,再除以所述虚拟机的数量,作为第一数值;
将每个KPI的上门限乘以所述第一数值的C次方,作为每个KPI对应的下门限,其中,C为常数。
本发明实施例中,在基于虚拟机处理一业务时,确定该业务的业务类型,从而确定该业务类型对应的至少一个KPI,根据该业务类型预设的每个KPI对应的上门限基础值、变化幅度,不断更新的稳定性标准化参数,以及每个KPI在最近第一设定时长内的第一采样集合,确定每个KPI对应的上门限,从而根据每个KPI对应的上门限,对处理所述业务的虚拟机的数量进行调整。这样,根据不同应用场景每个KPI的稳定性,动态调整每个KPI的上门限,可以得到更合理的上门限,避免了虚拟机的数量震荡,提高了处理业务的效率以及服务质量,合理的利用虚拟资源,由于避免了人工操作,也降低了维护难度。
图1为本发明实施例提供的一种调整云计算中虚拟资源的方法的流程图;
图2为本发明实施例提供的应用场景示意图;
图3为本发明实施例提供的一种调整云计算中虚拟资源的装置结构示意图;
图4为本发明实施例提供的一种调整云计算中虚拟资源的设备的结构示意图。
为了使本发明的目的、技术方案和优点更加清楚,下面将结合附图对本发明作进一步地详细描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其它实施例,都属于本发明保护的范围。
本发明实施例提供一种在云计算中虚拟资源优化方法及装置,用以解决现有技术中存在的人工设置的每个度量指标对应的上门限和下门限,存在误差,造成虚拟机的数量震荡,进而降低服务质量,增加额外的资源开销,以及增加用户的工作量,提高了维护难度的问题。其中,方法和装置是基于同一发明构思的,由于方法及装置解决问题的原理相似,因此装置与方法的实施可以相互参见,重复之处不再赘述。
在现有技术中,针对不同的应用场景,需要人工对不同的度量指标设置上门限和下门限,首先增加了用户的工作量,提高了维护难度,同时人工设置的上门限和下门限存在误差,会造成虚拟机的数量震荡,影响了处理业务的效率,降低了服务质量,增加了额外的资源开销;而采用本发明技术方案,在基于虚拟机处理一业务时,确定该业务的业务类型,从而确定该业务类型对应的至少一个KPI,根据该业务类型预设的每个KPI对应的上门限基础值、变化幅度,以及不断更新的稳定性标准化参数,以及每个KPI在最近第一设定时长内的第一采样集合,确定每个KPI对应的上门限,从而根据每个KPI对应的上门限,对处理所述业务的虚拟机的数量进行调整。这样,根据不同应用场景每个KPI的稳定性,动态调整每个KPI的上门限,可以得到更合理的上门限,避免了虚拟机的数量震荡,提高了处理业务的效率以及服务质量,合理的利用虚拟资源,由于避免了人工操作,也降低了维护难度。
本发明实施例提供了一种在云计算中虚拟资源优化方法及装置,适用于控制虚拟机的服务器,如虚拟网络功能管理器(Virtualized Network Function
Manager,VNFM)等,下面结合附图对本发明优选的实施方式进行详细说明。
本发明实施例提供的一种在云计算中虚拟资源优化方法,参阅图1所示,该方法的具体流程包括:
步骤101:在基于虚拟机处理一业务时,确定该业务的业务类型,并根据确定的该业务类型、预设的业务类型和至少一个关键性能指标(Key Performance Indicator,KPI)的对应关系,确定该业务类型对应的至少一个KPI,其中,该业务的业务类型为虚拟机处理该业务的处理模式。
KPI为调整虚拟机数量的独立指标,如用户数目、PDP数目、CPU占用率、内存使用率、带宽使用率、硬盘使用率等。
其中,针对不同的业务的处理模式,业务类型包括内存型、计算型、存储型,以及复合型等。根据对业务的处理模式的不同,对应的KPI也不同,例如,内存型业务通常选择内存使用率为KPI;计算型业务通常选择CPU占用率为KPI;存储型业务通常选择磁盘使用率为KPI;而复合型业务通常选择多个KPI。
在服务器或者与服务器相连的其它存储设备中预先保存有业务类型和至少一个KPI的对应关系,可选的,还保存有每个业务类型对应的每个KPI的各个参数,如上门限基础值、变化幅度,每次调整虚拟机数量的变化值,以及稳定时间、冷却时间、虚拟机启动和关闭时间、虚拟机的最大数量以及最小数量等,还保存有每次调整虚拟机数量的历史记录,方便用户查询。
步骤102:获取针对该业务类型预设的,该至少一个KPI中每个KPI对应的上门限基础值、变化幅度,以及获取针对所述业务类型更新的每个KPI对应的稳定性标准化参数。
根据步骤101中的描述,在服务器或者与服务器相连的其它存储设备中,可以还保存每个业务类型对应的每个KPI的各个参数,如上门限基础值、变化幅度,每次调整虚拟机数量的变化值,以及稳定时间、冷却时间、虚拟机启动和关闭时间、虚拟机的最大数量以及最小数量等,因此,可以直接在服务器或其它存储设备中读取针对该业务类型预设的,该至少一个KPI中每个
KPI对应的上门限基础值、变化幅度。
服务器与KPI采集单元相连,获取KPI采集单元采集的采样数据,其中,KPI是根据一定的采样周期进行采样的,采样周期通常较短,如1秒,0.5秒等,每个采样周期的采样数据可以是个瞬时值,或在设定时窗内的平均值、最大值、最小值,以及中间值等。
具体的,更新该业务类型的每个KPI对应的稳定性标准化参数,包括两种方式:
第一种方式:
在更新周期开始时,开始获取该KPI的采样数据;
在所述更新周期内的每个稳定性计算周期内,根据该稳定性计算周期内获取的该KPI的第二采样数据集合,确定该KPI在该稳定性计算周期内的稳定性度量值,该KPI的第二采样数据集合为该KPI在该稳定性计算周期内的每个采样周期内采集的所有采样数据,所述采样周期小于稳定性计算周期;
在所述更新周期结束时,停止获取该KPI的采样数据,并根据该KPI在所述更新周期内的每个稳定性计算周期内的稳定性度量值,计算该KPI对应的稳定性度量值的平均值与标准差;
将该KPI对应的稳定性度量值的平均值与标准差,作为该KPI对应的稳定性标准化参数。
其中,根据该稳定性计算周期内获取的该KPI的第二采样数据集合,确定该KPI在该稳定性计算周期内的稳定性度量值,包括:
根据该KPI的第二采样数据集合中的所有采样数据,计算该KPI在该稳定性计算周期内的稳定性度量值。
具体的,计算该KPI在该稳定性计算周期内的稳定性度量值,包括:计算该KPI的第二采样数据集合中的所有采样数据的平均绝对离差,或绝对离差中位数,或标准差,或信息熵,或样本熵等可以体现数据的稳定性的指标,并将计算结果作为该KPI在该稳定性计算周期内的稳定性度量值。
例如,可以采用公式一,将一个KPI的第二采样数据集合中的所有采样
数据的绝对离差中位数,作为稳定性度量值:
S=mediani(|Xi-medianj(Xj)|) 公式一
其中,S为该KPI在该稳定性计算周期内的稳定性度量值,Xi,Xj为该KPI的第二采样数据集合中的一个采样数据,其中,i和j均为大于等于0,小于第二采样数据集合中的数据数目的整数,medianj(Xj)为KPI的第二采样数据集合中的所有采样数据的数值中的中位数。
例如,当该KPI的第二采样数据集合中的采样数据为{1,2,3,5,6,7,9},则根据公式一,计算该KPI在该稳定性计算周期内的稳定性度量值S为2。
第二种方式:
在更新周期结束时,获取缓存的每个KPI对应的稳定性度量值,计算每个KPI对应的稳定性度量值的平均值与标准差;
将每个KPI对应的稳定性度量值的平均值与标准差,更新为每个KPI对应的稳定性标准化参数。
采用第二种方式时,在步骤104分别根据获取的每个KPI的第一采样数据集合,确定每个KPI对应的稳定性度量值之后,还包括:
将确定的每个KPI对应的稳定性度量值进行缓存。
其中,该更新周期可以根据不同的应用场景设置不同的长度,可以为几天,或几个小时,本发明实施例对此不做限定。
采用第一种方式时,更新稳定性标准化参数,以及在计算当前每个KPI对应的稳定性度量值时,均需要多次读取每个KPI的采样数据,并根据采样数据计算每个KPI对应的稳定性度量值,如在步骤103和步骤104中,造成了计算资源的浪费,影响服务器的工作效率,因此,采用第二种方式,采用每个KPI缓存的稳定性度量值,避免了对稳定性度量值的重复计算,降低服务器的工作负载,合理利用计算资源。
通过以上两种方式,对稳定性标准化参数进行更新,确保该稳定性标准化参数根据稳定性度量值的统计特性的变化而不断更新,保证后续计算的上
门限值更合理,更接近理想值。
步骤103:分别获取所述至少一个KPI中每个KPI的第一采样数据集合,其中,每个KPI的第一采样数据集合为每个KPI在距离当前时刻最近的第一设定时长内的每个采样周期内采集的所有采样数据,所述采样周期小于所述第一设定时长。
其中,该第一设定时长不同的应用场景设置不同的长度,如10分钟,或20分钟,本发明实施例对此不做限定。
在步骤103中,获取每个KPI的第一采样数据集合与在步骤102中,在更新每个KPI对应的稳定性标准化参数时,获取该KPI的第二采样数据集合的方式相同,也是通过KPI采集单元,获取KPI采集单元采集的采样数据。
步骤104:分别根据获取的每个KPI的第一采样数据集合,确定每个KPI对应的稳定性度量值。
在执行步骤104,根据一个KPI的第一采样数据集合中的每个采样数据,确定该KPI对应的稳定性度量值,与步骤102中,根据该稳定性计算周期内获取的该KPI的第二采样数据集合,确定该KPI在该稳定性计算周期内的稳定性度量值,类似,包括:
根据该KPI的第一采样数据集合中的所有采样数据,计算平均绝对离差,或绝对离差中位数,或标准差,或信息熵,或样本熵等可以体现数据的稳定性的指标,并将计算结果作为该KPI当前对应的稳定性度量值。
具体的,也可以采用公式一,将一个KPI的第一采样数据集合中的所有采样数据的绝对离差中位数,作为稳定性度量值,本发明实施例对此不再赘述。
步骤105:分别根据获取的每个KPI对应的上门限基础值、变化幅度、稳定性标准化参数以及确定的稳定性度量值,确定每个KPI对应的上门限。
具体的,在执行步骤105时,包括以下步骤:
根据获得的每个KPI的稳定性标准化参数、确定的稳定性度量值,以及预设的每个KPI对应的上门限变化因子函数,获得每个KPI的上门限变化因
子,其中,每个KPI对应的上门限变化因子函数是根据保存的每个KPI对应的稳定性标准化参数、稳定性度量值与上门限变化因子的对应关系确定的;
将每个KPI对应的上门限基础值加上变化幅度与所述上门限变化因子的乘机,作为每个KPI对应的上门限。
具体的,采用公式二,可以根据一个KPI对应的上门限基础值、变化幅度、上门限变化因子,确定该KPI对应的上门限:
thrU=B+A×k 公式二
其中,thrU为该KPI对应的上门限,B为该KPI对应的上门限基础值,A为该KPI的变化幅度,k为该KPI的上门限变化因子。
其中,k是将该KPI的稳定性标准化参数、确定的稳定性度量值,代入预设的该KPI对应的上门限变化因子函数得到的,其中,S为该KPI确定的稳定性度量值,α为该KPI的稳定性标准化参数中的平均值,β为该KPI的稳定性标准化参数中的标准差。其中,该KPI对应的上门限变化因子函数是根据保存的多个该KPI的(稳定性标准化参数,稳定性度量值,上门限变化因子)的对应关系确定的。
该预设的该KPI对应的上门限变化因子函数是多个该KPI的(稳定性标准化参数,稳定性度量值,上门限变化因子)变化规律得到的,该函数可以为双曲正切函数,或者折线函数(如s形折线)等,本发明对此不做限定。
步骤106:根据每个KPI距离当前时刻最近一次的采样数据,以及确定的每个KPI对应的上门限,对处理所述业务的虚拟机的数量进行调整。
具体的,执行步骤106时包括:
当至少一个KPI中第一KPI距离当前时刻最近一次的采样数据大于第一KPI对应的上门限时,增加设定数量的虚拟机处理所述业务,其中第一KPI为该至少一个KPI中的任意一个KPI;
还包括:
根据每个KPI对应的上门限、处理所述业务的虚拟机的数量,确定每个
KPI对应的下门限;
当所述至少一个KPI中第二KPI距离当前时刻最近一次的采样数据小于所述第二KPI对应的下门限时,减少设定数量的虚拟机处理所述业务,其中第二KPI为所述至少一个KPI中的任意一个KPI。
具体的,在根据每个KPI对应的上门限、处理该业务的虚拟机的数量,确定每个KPI对应的下门限时,包括:
将处理该业务的虚拟机的数量减一后,再除以该虚拟机的数量,作为第一数值;
将每个KPI的上门限乘以所述第一数值的C次方,作为每个KPI对应的下门限,其中,C为常数。
可选的,可以采用公式三计算一个KPI对应的下门限:
公式三
其中,thrL为该KPI对应的下门限,N为处理该业务的虚拟机的数量,C为常数。
具体的,C是根据服务器的业务负荷和CPU占用率确定,其中,CPU占用率与业务负荷的C次幂正相关,业务负荷可以为分组数据包协议(Packet Data Protocol,PDP)数目,因此,根据多个(PDP数目,CPU占用率)进行拟合,即可得到PDP数目的幂函数,如CPU占用率=A×workloadC,其中,workload为业务负荷,如PDP数目。
可选的,在基于每个KPI对应的上门限和下门限对虚拟机的数量进行调整时,在通常根据稳定时间以及冷却时间,在指定时刻对虚拟机的数量进行调整,具体的,在该业务类型对应的任一个KPI最近一次的采样数据大于该KPI对应的上门限,且持续稳定时间后,确定增加设定数量的虚拟机,并在冷却时间结束时,增加设定数量的虚拟机,同理,在该业务类型对应的任一个KPI最近一次的采样数据小于该KPI对应的下门限,且持续稳定时间后,确定减少设定数量的虚拟机,并在冷却时间结束时,减少设定数量的虚拟机。
在现有技术中,通过人工设置每个KPI的上门限、下门限,都是根据业务较稳定的正常忙时/闲时场景(如图2A所示)的经验值确定的,因此,若在业务不稳定的场景,仍采用人工设置的上门限、下门限对虚拟机的数量进行调整,可以回造成虚拟机的震荡,在本发明实施例提供的方法中,不仅可以正常的忙时/闲时负载场景,还可以适用于对业务突发需求场景,如图2B,以及长周期的综合场景,如图2C。其中,在正常忙时/闲时场景中,系统负载会随着时间呈现出明显的波峰-波谷特点,并且波峰和波谷较平稳、持续时间较长,例如每天上午8点到晚上10点为忙时,其他时间段为闲时;在有业务突发需求场景中,在忙时/闲时基础上出现持续时间较短的突发业务需求,通常由比赛、演唱会、发布会、节日等突发事件引起;综合场景是较长时间下两个基本场景的组合。
采用本发明的方法,在KPI的数据稳定性处于平均水平时,可以设定上门限的值为基础值,例如0.8。当KPI的数据稳定性超过或低于平均水平时,基于上门限基础值相应减少或增加上门限值。负载越不稳定,达到虚拟机数量瓶颈并引起服务水平协议(Service Level Agreement,SLA)违反的可能性越大,此时减小上门限值,促进扩容,避免虚拟机数量的震荡;负载越稳定,达到虚拟机瓶颈并引起SLA违反的可能性越小,此时增加上门限值,抑制扩容,在相同负荷下,尽量使用较少的虚拟机处理业务。确定上门限后,根据上门限值与当前虚拟机数量确定下门限,动态确定下门限,以增加或删除设定数量的虚拟机,避免了虚拟机数量的震荡,在保证了处理业务的工作效率的同时,还节省了计算资源,提高了资源利用率,且适用于各类应用场景,适用性较高。
基于以上实施例,参阅图3所示,本发明实施例还提供了一种调整云计算中虚拟资源的装置,该装置包括:确定单元301、第一获取单元302、第二获取单元303、第一计算单元304、第二计算单元305,以及运行单元306,其中,
确定单元301,用于在基于虚拟机处理一业务时,确定该业务的业务类型,
并根据确定的该业务类型、预设的业务类型和至少一个KPI的对应关系,确定该业务类型对应的至少一个KPI,其中,该业务的业务类型为虚拟机处理该业务的处理模式;
第一获取单元302,用于获取针对该业务类型预设的,该至少一个KPI中每个KPI对应的上门限基础值、变化幅度,以及获取针对该业务类型更新的每个KPI对应的稳定性标准化参数;
第二获取单元303,用于分别获取该至少一个KPI中每个KPI的第一采样数据集合,其中,每个KPI的第一采样数据集合为每个KPI在距离当前时刻最近的第一设定时长内的每个采样周期内采集的所有采样数据,采样周期小于第一设定时长;
第一计算单元304,用于分别根据获取的每个KPI的第一采样数据集合,确定每个KPI对应的稳定性度量值;
第二计算单元305,用于分别根据获取的每个KPI对应的上门限基础值、变化幅度、稳定性标准化参数以及确定的稳定性度量值,确定每个KPI对应的上门限;
运行单元306,用于根据每个KPI距离当前时刻最近一次的采样数据,以及确定的每个KPI对应的上门限,对处理该业务的虚拟机的数量进行调整。
可选的,该装置300,还包括:
更新单元307,用于更新该业务类型的每个KPI对应的稳定性标准化参数,具体用于:
在更新周期开始时,开始获取该KPI的采样数据;
在该更新周期内的每个稳定性计算周期内,根据该稳定性计算周期内获取的该KPI的第二采样数据集合,确定该KPI在该稳定性计算周期内的稳定性度量值,该KPI的第二采样数据集合为该KPI在该稳定性计算周期内的每个采样周期内采集的所有采样数据,采样周期小于稳定性计算周期;
在该更新周期结束时,停止获取该KPI的采样数据,并根据该KPI在该更新周期内的每个稳定性计算周期内的稳定性度量值,计算该KPI对应的稳
定性度量值的平均值与标准差;
将该KPI对应的稳定性度量值的平均值与标准差,作为该KPI对应的稳定性标准化参数。
可选的,更新单元307,在根据该稳定性计算周期内获取的该KPI的第二采样数据集合,确定该KPI在该稳定性计算周期内的稳定性度量值时,具体用于:
根据该KPI的第二采样数据集合中的所有采样数据,计算该KPI在该稳定性计算周期内的稳定性度量值。
可选的,更新单元307,在计算该KPI在该稳定性计算周期内的稳定性度量值时,具体用于:
计算该KPI的第二采样数据集合中的所有采样数据的平均绝对离差,或绝对离差中位数,或标准差,或信息熵,或样本熵,并将计算结果作为该KPI在该稳定性计算周期内的稳定性度量值。
可选的,第一计算单元304,还用于:
确定每个KPI对应的稳定性度量值之后,将确定的每个KPI对应的稳定性度量值进行缓存。
该装置300还包括:更新单元307,用于更新该业务类型的每个KPI对应的稳定性标准化参数,具体用于:
在该更新周期结束时,获取第一计算单元缓存的每个KPI对应的稳定性度量值,计算每个KPI对应的稳定性度量值的平均值与标准差;
将每个KPI对应的稳定性度量值的平均值与标准差,更新为每个KPI对应的稳定性标准化参数。
可选的,第二计算单元305,具体用于:
根据获得的每个KPI的稳定性标准化参数、确定的稳定性度量值,以及预设的每个KPI对应的上门限变化因子函数,获得每个KPI的上门限变化因子,其中,每个KPI对应的上门限变化因子函数是根据保存的每个KPI对应的稳定性标准化参数、稳定性度量值与上门限变化因子的对应关系确定的;
将每个KPI对应的上门限基础值加上变化幅度与该上门限变化因子的乘机,作为每个KPI对应的上门限。
可选的,运行单元306,用于:
当至少一个KPI中第一KPI距离当前时刻最近一次的采样数据大于该第一KPI对应的上门限时,增加设定数量的虚拟机处理该业务,其中第一KPI为该至少一个KPI中的任意一个KPI。
可选的,运行单元306,还用于:
根据每个KPI对应的上门限、处理该业务的虚拟机的数量,确定每个KPI对应的下门限;
当该至少一个KPI中第二KPI距离当前时刻最近一次的采样数据小于该第二KPI对应的下门限时,减少设定数量的虚拟机处理该业务,其中第二KPI为该至少一个KPI中的任意一个KPI。
可选的,运行单元306,在根据每个KPI对应的上门限、处理该业务的虚拟机的数量,确定每个KPI对应的下门限时,具体用于:
将虚拟机的数量减一后,再除以虚拟机的数量,作为第一数值;
将每个KPI的上门限乘以第一数值的C次方,作为每个KPI对应的下门限,其中,C为常数。
基于上述实施例,参阅图4所示,本发明实施例还提供了一种调整云计算中虚拟资源的设备,该设备可以为控制虚拟机的服务器,如VNFM等,该设备400包括:收发器401、处理器402、总线403以及存储器404,其中:
收发器401、处理器402以及存储器404通过总线403相互连接;总线403可以是外设部件互连标准(peripheral component interconnect,简称PCI)总线或扩展工业标准结构(extended industry standard architecture,简称EISA)总线等。所述总线可以分为地址总线、数据总线、控制总线等。为便于表示,图4中仅用一条粗线表示,但并不表示仅有一根总线或一种类型的总线。
收发器401用于与相连的其它设备进行通信,如与存储设备进行通信,获得预设的业务类型和至少一个KPI的对应关系等。
处理器402用于实现本发明实施例图1所示的调整云计算中虚拟资源的方法,包括:
在基于虚拟机处理一业务时,确定该业务的业务类型,并根据确定的该业务类型、预设的业务类型和至少一个关键性能指标KPI的对应关系,确定该业务类型对应的至少一个KPI,其中,该业务的业务类型为虚拟机处理该业务的处理模式;
获取针对该业务类型预设的,该至少一个KPI中每个KPI对应的上门限基础值、变化幅度,以及获取针对该业务类型更新的每个KPI对应的稳定性标准化参数;
分别获取该至少一个KPI中每个KPI的第一采样数据集合,其中,每个KPI的第一采样数据集合为每个KPI在距离当前时刻最近的第一设定时长内的每个采样周期内采集的所有采样数据,采样周期小于第一设定时长;
分别根据获取的每个KPI的第一采样数据集合,确定每个KPI对应的稳定性度量值;
分别根据获取的每个KPI对应的上门限基础值、变化幅度、稳定性标准化参数以及确定的稳定性度量值,确定每个KPI对应的上门限;
根据每个KPI距离当前时刻最近一次的采样数据,以及确定的每个KPI对应的上门限,对处理该业务的虚拟机的数量进行调整。
可选的,更新该业务类型的每个KPI对应的稳定性标准化参数,包括:
在更新周期开始时,开始获取该KPI的采样数据;
在该更新周期内的每个稳定性计算周期内,根据该稳定性计算周期内获取的该KPI的第二采样数据集合,确定该KPI在该稳定性计算周期内的稳定性度量值,该KPI的第二采样数据集合为该KPI在该稳定性计算周期内的每个采样周期内采集的所有采样数据,采样周期小于稳定性计算周期;
在该更新周期结束时,停止获取该KPI的采样数据,并根据该KPI在该更新周期内的每个稳定性计算周期内的稳定性度量值,计算该KPI对应的稳定性度量值的平均值与标准差;
将该KPI对应的稳定性度量值的平均值与标准差,作为该KPI对应的稳定性标准化参数。
可选的,根据该稳定性计算周期内获取的该KPI的第二采样数据集合,确定该KPI在该稳定性计算周期内的稳定性度量值,包括:
根据该KPI的第二采样数据集合中的所有采样数据,计算该KPI在该稳定性计算周期内的稳定性度量值。
可选的,计算该KPI在该稳定性计算周期内的稳定性度量值,包括:
计算该KPI的第二采样数据集合中的所有采样数据的平均绝对离差,或绝对离差中位数,或标准差,或信息熵,或样本熵,并将计算结果作为该KPI在该稳定性计算周期内的稳定性度量值。
可选的,确定每个KPI对应的稳定性度量值之后,还包括:
将确定的每个KPI对应的稳定性度量值进行缓存。
更新该业务类型的每个KPI对应的稳定性标准化参数,包括:
在更新周期结束时,获取缓存的每个KPI对应的稳定性度量值,计算每个KPI对应的稳定性度量值的平均值与标准差;
将每个KPI对应的稳定性度量值的平均值与标准差,更新为每个KPI对应的稳定性标准化参数。
可选的,根据获取的每个KPI对应的上门限基础值、变化幅度、稳定性标准化参数以及确定的稳定性度量值,确定每个KPI对应的上门限,包括:
根据获得的每个KPI的稳定性标准化参数、确定的稳定性度量值,以及预设的每个KPI对应的上门限变化因子函数,获得每个KPI的上门限变化因子,其中,每个KPI对应的上门限变化因子函数是根据保存的每个KPI对应的稳定性标准化参数、稳定性度量值与上门限变化因子的对应关系确定的;
将每个KPI对应的上门限基础值加上变化幅度与上门限变化因子的乘机,作为每个KPI对应的上门限。
可选的,根据该至少一个KPI中每个KPI距离当前时刻最近一次的采样数据,以及确定的每个KPI对应的上门限,对处理该业务的虚拟机的数量进
行调整,包括:
当该至少一个KPI中第一KPI距离当前时刻最近一次的采样数据大于第一KPI对应的上门限时,增加设定数量的虚拟机处理该业务,其中第一KPI为该至少一个KPI中的任意一个KPI。
可选的,根据该至少一个KPI中每个KPI距离当前时刻最近一次的采样数据,以及确定的每个KPI对应的上门限,对处理该业务的虚拟机的数量进行调整,还包括:
根据每个KPI对应的上门限、处理该业务的虚拟机的数量,确定每个KPI对应的下门限;
当该至少一个KPI中第二KPI距离当前时刻最近一次的采样数据小于第二KPI对应的下门限时,减少设定数量的虚拟机处理该业务,其中第二KPI为该至少一个KPI中的任意一个KPI。
可选的,根据每个KPI对应的上门限、处理业务的虚拟机的数量,确定每个KPI对应的下门限,包括:
将虚拟机的数量减一后,再除以虚拟机的数量,作为第一数值;
将每个KPI的上门限乘以第一数值的C次方,作为每个KPI对应的下门限,其中,C为常数。
该设备400还包括存储器404,用于存放程序。具体地,程序可以包括程序代码,该程序代码包括计算机操作指令。存储器404可能包含随机存取存储器(random access memory,RAM),也可能还包括非易失性存储器(non-volatile memory),例如至少一个磁盘存储器。处理器102执行存储器404所存放的应用程序,实现如上调整云计算中虚拟资源的方法。
综上所述,通过本发明实施例中提供的一种调整云计算中虚拟资源的方法及装置,在基于虚拟机处理一业务时,确定该业务的业务类型,从而确定该业务类型对应的至少一个KPI,根据该业务类型预设的每个KPI对应的上门限基础值、变化幅度,以及不断更新的稳定性标准化参数,以及每个KPI在最近第一设定时长内的第一采样集合,确定每个KPI对应的上门限,从而
根据每个KPI对应的上门限,对处理所述业务的虚拟机的数量进行调整。这样,根据不同应用场景每个KPI的稳定性,动态调整每个KPI的上门限,可以得到更合理的上门限,避免了虚拟机的数量震荡,提高了处理业务的效率以及服务质量,合理的利用虚拟资源,由于避免了人工操作,也降低了维护难度。
本领域内的技术人员应明白,本发明的实施例可提供为方法、系统、或计算机程序产品。因此,本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且,本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本发明是参照根据本发明实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
尽管已描述了本发明的优选实施例,但本领域内的技术人员一旦得知了基本创造性概念,则可对这些实施例做出另外的变更和修改。所以,所附权利要求意欲解释为包括优选实施例以及落入本发明范围的所有变更和修改。
显然,本领域的技术人员可以对本发明实施例进行各种改动和变型而不脱离本发明实施例的精神和范围。这样,倘若本发明实施例的这些修改和变型属于本发明权利要求及其等同技术的范围之内,则本发明也意图包含这些改动和变型在内。
Claims (18)
- 一种调整云计算中虚拟资源的方法,其特征在于,包括:在基于虚拟机处理一业务时,确定所述业务的业务类型,并根据确定的所述业务类型、预设的业务类型和至少一个关键性能指标KPI的对应关系,确定所述业务类型对应的至少一个KPI,其中,所述业务的业务类型为虚拟机处理所述业务的处理模式;获取针对所述业务类型预设的,所述至少一个KPI中每个KPI对应的上门限基础值、变化幅度,以及获取针对所述业务类型更新的每个KPI对应的稳定性标准化参数;分别获取所述至少一个KPI中每个KPI的第一采样数据集合,其中,每个KPI的第一采样数据集合为每个KPI在距离当前时刻最近的第一设定时长内的每个采样周期内采集的所有采样数据,所述采样周期小于所述第一设定时长;分别根据获取的每个KPI的第一采样数据集合,确定每个KPI对应的稳定性度量值;分别根据获取的每个KPI对应的上门限基础值、变化幅度、稳定性标准化参数以及确定的稳定性度量值,确定每个KPI对应的上门限;根据每个KPI距离当前时刻最近一次的采样数据,以及确定的每个KPI对应的上门限,对处理所述业务的虚拟机的数量进行调整。
- 如权利要求1所述的方法,其特征在于,更新所述业务类型的每个KPI对应的稳定性标准化参数,包括:在更新周期开始时,开始获取该KPI的采样数据;在所述更新周期内的每个稳定性计算周期内,根据该稳定性计算周期内获取的该KPI的第二采样数据集合,确定该KPI在该稳定性计算周期内的稳定性度量值,该KPI的第二采样数据集合为该KPI在该稳定性计算周期内的每个采样周期内采集的所有采样数据,所述采样周期小于稳定性计算周期;在所述更新周期结束时,停止获取该KPI的采样数据,并根据该KPI在所述更新周期内的每个稳定性计算周期内的稳定性度量值,计算该KPI对应的稳定性度量值的平均值与标准差;将该KPI对应的稳定性度量值的平均值与标准差,作为该KPI对应的稳定性标准化参数。
- 如权利要求2所述的方法,其特征在于,根据该稳定性计算周期内获取的该KPI的第二采样数据集合,确定该KPI在该稳定性计算周期内的稳定性度量值,包括:根据该KPI的第二采样数据集合中的所有采样数据,计算该KPI在该稳定性计算周期内的稳定性度量值。
- 如权利要求3所述的方法,其特征在于,计算该KPI在该稳定性计算周期内的稳定性度量值,包括:计算该KPI的第二采样数据集合中的所有采样数据的平均绝对离差,或绝对离差中位数,或标准差,或信息熵,或样本熵,并将计算结果作为该KPI在该稳定性计算周期内的稳定性度量值。
- 如权利要求1所述的方法,其特征在于,确定每个KPI对应的稳定性度量值之后,还包括:将确定的每个KPI对应的稳定性度量值进行缓存。更新所述业务类型的每个KPI对应的稳定性标准化参数,包括:在更新周期结束时,获取缓存的每个KPI对应的稳定性度量值,计算每个KPI对应的稳定性度量值的平均值与标准差;将每个KPI对应的稳定性度量值的平均值与标准差,更新为每个KPI对应的稳定性标准化参数。
- 如权利要求1-5任一项所述的方法,其特征在于,根据获取的每个KPI对应的上门限基础值、变化幅度、稳定性标准化参数以及确定的稳定性度量值,确定每个KPI对应的上门限,包括:根据获得的每个KPI的稳定性标准化参数、确定的稳定性度量值,以及 预设的每个KPI对应的上门限变化因子函数,获得每个KPI的上门限变化因子,其中,每个KPI对应的上门限变化因子函数是根据保存的每个KPI对应的稳定性标准化参数、稳定性度量值与上门限变化因子的对应关系确定的;将每个KPI对应的上门限基础值加上变化幅度与所述上门限变化因子的乘积,作为每个KPI对应的上门限。
- 如权利要求1-6任一项所述的方法,其特征在于,根据所述至少一个KPI中每个KPI距离当前时刻最近一次的采样数据,以及确定的每个KPI对应的上门限,对处理所述业务的虚拟机的数量进行调整,包括:当所述至少一个KPI中第一KPI距离当前时刻最近一次的采样数据大于所述第一KPI对应的上门限时,增加设定数量的虚拟机处理所述业务,其中第一KPI为所述至少一个KPI中的任意一个KPI。
- 如权利要求1-6任一项所述的方法,其特征在于,根据所述至少一个KPI中每个KPI距离当前时刻最近一次的采样数据,以及确定的每个KPI对应的上门限,对处理所述业务的虚拟机的数量进行调整,还包括:根据每个KPI对应的上门限、处理所述业务的虚拟机的数量,确定每个KPI对应的下门限;当所述至少一个KPI中第二KPI距离当前时刻最近一次的采样数据小于所述第二KPI对应的下门限时,减少设定数量的虚拟机处理所述业务,其中第二KPI为所述至少一个KPI中的任意一个KPI。
- 如权利要求8所述的方法,其特征在于,根据每个KPI对应的上门限、处理所述业务的虚拟机的数量,确定每个KPI对应的下门限,包括:将所述虚拟机的数量减一后,再除以所述虚拟机的数量,作为第一数值;将每个KPI的上门限乘以所述第一数值的C次方,作为每个KPI对应的下门限,其中,C为常数。
- 一种调整云计算中虚拟资源的装置,其特征在于,包括:确定单元,用于在基于虚拟机处理一业务时,确定所述业务的业务类型,并根据确定的所述业务类型、预设的业务类型和至少一个关键性能指标KPI 的对应关系,确定所述业务类型对应的至少一个KPI,其中,所述业务的业务类型为虚拟机处理所述业务的处理模式;第一获取单元,用于获取针对所述业务类型预设的,所述至少一个KPI中每个KPI对应的上门限基础值、变化幅度,以及获取针对所述业务类型更新的每个KPI对应的稳定性标准化参数;第二获取单元,用于分别获取所述至少一个KPI中每个KPI的第一采样数据集合,其中,每个KPI的第一采样数据集合为每个KPI在距离当前时刻最近的第一设定时长内的每个采样周期内采集的所有采样数据,所述采样周期小于所述第一设定时长;第一计算单元,用于分别根据获取的每个KPI的第一采样数据集合,确定每个KPI对应的稳定性度量值;第二计算单元,用于分别根据获取的每个KPI对应的上门限基础值、变化幅度、稳定性标准化参数以及确定的稳定性度量值,确定每个KPI对应的上门限;运行单元,用于根据每个KPI距离当前时刻最近一次的采样数据,以及确定的每个KPI对应的上门限,对处理所述业务的虚拟机的数量进行调整。
- 如权利要求10所述的装置,其特征在于,还包括:更新单元,用于更新所述业务类型的每个KPI对应的稳定性标准化参数,具体用于:在更新周期开始时,开始获取该KPI的采样数据;在所述更新周期内的每个稳定性计算周期内,根据该稳定性计算周期内获取的该KPI的第二采样数据集合,确定该KPI在该稳定性计算周期内的稳定性度量值,该KPI的第二采样数据集合为该KPI在该稳定性计算周期内的每个采样周期内采集的所有采样数据,所述采样周期小于稳定性计算周期;在所述更新周期结束时,停止获取该KPI的采样数据,并根据该KPI在所述更新周期内的每个稳定性计算周期内的稳定性度量值,计算该KPI对应的稳定性度量值的平均值与标准差;将该KPI对应的稳定性度量值的平均值与标准差,作为该KPI对应的稳定性标准化参数。
- 如权利要求11所述的装置,其特征在于,所述更新单元,在根据该稳定性计算周期内获取的该KPI的第二采样数据集合,确定该KPI在该稳定性计算周期内的稳定性度量值时,具体用于:根据该KPI的第二采样数据集合中的所有采样数据,计算该KPI在该稳定性计算周期内的稳定性度量值。
- 如权利要求12所述的装置,其特征在于,所述更新单元,在计算该KPI在该稳定性计算周期内的稳定性度量值时,具体用于:计算该KPI的第二采样数据集合中的所有采样数据的平均绝对离差,或绝对离差中位数,或标准差,或信息熵,或样本熵,并将计算结果作为该KPI在该稳定性计算周期内的稳定性度量值。
- 如权利要求10所述的装置,其特征在于,所述第一计算单元,还用于:确定每个KPI对应的稳定性度量值之后,将确定的每个KPI对应的稳定性度量值进行缓存。所述装置还包括:更新单元,用于更新所述业务类型的每个KPI对应的稳定性标准化参数,具体用于:在更新周期结束时,获取所述第一计算单元缓存的每个KPI对应的稳定性度量值,计算每个KPI对应的稳定性度量值的平均值与标准差;将每个KPI对应的稳定性度量值的平均值与标准差,更新为每个KPI对应的稳定性标准化参数。
- 如权利要求10-14任一项所述的装置,其特征在于,第二计算单元,具体用于:根据获得的每个KPI的稳定性标准化参数、确定的稳定性度量值,以及预设的每个KPI对应的上门限变化因子函数,获得每个KPI的上门限变化因子,其中,每个KPI对应的上门限变化因子函数是根据保存的每个KPI对应 的稳定性标准化参数、稳定性度量值与上门限变化因子的对应关系确定的;将每个KPI对应的上门限基础值加上变化幅度与所述上门限变化因子的乘机,作为每个KPI对应的上门限。
- 如权利要求10-15任一项所述的装置,其特征在于,所述运行单元,用于:当所述至少一个KPI中第一KPI距离当前时刻最近一次的采样数据大于所述第一KPI对应的上门限时,增加设定数量的虚拟机处理所述业务,其中第一KPI为所述至少一个KPI中的任意一个KPI。
- 如权利要求10-15任一项所述的装置,其特征在于,所述运行单元,还用于:根据每个KPI对应的上门限、处理所述业务的虚拟机的数量,确定每个KPI对应的下门限;当所述至少一个KPI中第二KPI距离当前时刻最近一次的采样数据小于所述第二KPI对应的下门限时,减少设定数量的虚拟机处理所述业务,其中第二KPI为所述至少一个KPI中的任意一个KPI。
- 如权利要求17所述的装置,其特征在于,所述运行单元,在根据每个KPI对应的上门限、处理所述业务的虚拟机的数量,确定每个KPI对应的下门限时,具体用于:将所述虚拟机的数量减一后,再除以所述虚拟机的数量,作为第一数值;将每个KPI的上门限乘以所述第一数值的C次方,作为每个KPI对应的下门限,其中,C为常数。
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
PCT/CN2015/077670 WO2016172848A1 (zh) | 2015-04-28 | 2015-04-28 | 一种调整云计算中虚拟资源的方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN106464733A true CN106464733A (zh) | 2017-02-22 |
CN106464733B CN106464733B (zh) | 2019-08-16 |
Family
ID=57198060
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201580030592.4A Active CN106464733B (zh) | 2015-04-28 | 2015-04-28 | 一种调整云计算中虚拟资源的方法及装置 |
Country Status (2)
Country | Link |
---|---|
CN (1) | CN106464733B (zh) |
WO (1) | WO2016172848A1 (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110347477A (zh) * | 2019-07-02 | 2019-10-18 | 北京邮电大学 | 一种云环境下服务自适应部署方法和装置 |
CN110764868A (zh) * | 2018-07-25 | 2020-02-07 | 中兴通讯股份有限公司 | Nfv体系中扩容的方法、缩容的方法、相关装置及存储介质 |
CN116774639A (zh) * | 2023-08-24 | 2023-09-19 | 中国水利水电第九工程局有限公司 | 一种基于互联网的污水处理设备远程控制系统 |
Families Citing this family (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108235343B (zh) * | 2016-12-22 | 2021-04-20 | 华为技术有限公司 | 业务kpi的获取方法和网络设备 |
CN108093062B (zh) * | 2017-12-26 | 2021-01-26 | 北京微网通联股份有限公司 | 云资源管理方法及装置 |
CN111818548B (zh) * | 2019-04-11 | 2024-03-22 | 中国移动通信集团天津有限公司 | 一种数据的处理方法、装置及设备 |
CN112148765B (zh) * | 2019-06-28 | 2024-04-09 | 北京百度网讯科技有限公司 | 业务数据的处理方法、装置及存储介质 |
CN113407297B (zh) * | 2020-03-17 | 2023-12-26 | 中国移动通信集团浙江有限公司 | 容器管理方法、装置及计算设备 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20100075682A1 (en) * | 2008-09-25 | 2010-03-25 | Del Rio-Romero Juan Carlos | Load Balancing for Capacity Improvement in Mobile Wireless Communication Networks |
US20120246638A1 (en) * | 2011-03-22 | 2012-09-27 | International Business Machines Corporation | Forecasting based service assignment in cloud computing |
CN103338462A (zh) * | 2013-06-18 | 2013-10-02 | 中国联合网络通信集团有限公司 | 网络扩容方法及设备 |
US20140072115A1 (en) * | 2012-09-12 | 2014-03-13 | Petr Makagon | System and method for dynamic configuration of contact centers via templates |
CN104427625A (zh) * | 2013-08-28 | 2015-03-18 | 中国移动通信集团湖北有限公司 | 一种基于用户体验的网络资源调度方法及系统 |
Family Cites Families (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20030061348A1 (en) * | 2001-09-24 | 2003-03-27 | Jacobs James W. | System and method of providing information from a plurality of information sources |
CN102546220B (zh) * | 2010-12-31 | 2014-09-03 | 中国移动通信集团福建有限公司 | 一种基于业务特征的关键质量指标构成方法 |
CN103257683A (zh) * | 2013-05-07 | 2013-08-21 | 华为技术有限公司 | 一种云计算业务伸缩的方法和装置 |
CN103401938B (zh) * | 2013-08-07 | 2016-11-09 | 西安电子科技大学 | 分布式云架构下基于业务特性的资源分配系统及其方法 |
CN104426953A (zh) * | 2013-08-28 | 2015-03-18 | 腾讯科技(深圳)有限公司 | 一种分配计算资源的方法及装置 |
-
2015
- 2015-04-28 CN CN201580030592.4A patent/CN106464733B/zh active Active
- 2015-04-28 WO PCT/CN2015/077670 patent/WO2016172848A1/zh active Application Filing
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20100075682A1 (en) * | 2008-09-25 | 2010-03-25 | Del Rio-Romero Juan Carlos | Load Balancing for Capacity Improvement in Mobile Wireless Communication Networks |
US20120246638A1 (en) * | 2011-03-22 | 2012-09-27 | International Business Machines Corporation | Forecasting based service assignment in cloud computing |
US20140072115A1 (en) * | 2012-09-12 | 2014-03-13 | Petr Makagon | System and method for dynamic configuration of contact centers via templates |
CN103338462A (zh) * | 2013-06-18 | 2013-10-02 | 中国联合网络通信集团有限公司 | 网络扩容方法及设备 |
CN104427625A (zh) * | 2013-08-28 | 2015-03-18 | 中国移动通信集团湖北有限公司 | 一种基于用户体验的网络资源调度方法及系统 |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110764868A (zh) * | 2018-07-25 | 2020-02-07 | 中兴通讯股份有限公司 | Nfv体系中扩容的方法、缩容的方法、相关装置及存储介质 |
CN110764868B (zh) * | 2018-07-25 | 2023-07-18 | 中兴通讯股份有限公司 | Nfv体系中扩容的方法、缩容的方法、相关装置及存储介质 |
CN110347477A (zh) * | 2019-07-02 | 2019-10-18 | 北京邮电大学 | 一种云环境下服务自适应部署方法和装置 |
CN110347477B (zh) * | 2019-07-02 | 2021-07-09 | 北京邮电大学 | 一种云环境下服务自适应部署方法和装置 |
CN116774639A (zh) * | 2023-08-24 | 2023-09-19 | 中国水利水电第九工程局有限公司 | 一种基于互联网的污水处理设备远程控制系统 |
CN116774639B (zh) * | 2023-08-24 | 2023-10-27 | 中国水利水电第九工程局有限公司 | 一种基于互联网的污水处理设备远程控制系统 |
Also Published As
Publication number | Publication date |
---|---|
CN106464733B (zh) | 2019-08-16 |
WO2016172848A1 (zh) | 2016-11-03 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106464733A (zh) | 一种调整云计算中虚拟资源的方法及装置 | |
US20170331705A1 (en) | Resource Scaling Method on Cloud Platform and Cloud Platform | |
US9112782B2 (en) | Reactive auto-scaling of capacity | |
CN110474852B (zh) | 一种带宽调度方法及装置 | |
WO2017000628A1 (zh) | 一种云计算系统中的资源调度方法及装置 | |
CN109962856B (zh) | 资源分配方法、装置以及计算机可读存储介质 | |
BR102016021194A2 (pt) | Method and traffic management device in the data center network | |
CN108173698B (zh) | 网络服务管理方法、装置、服务器及存储介质 | |
CN106775936B (zh) | 一种虚拟机的管理方法及装置 | |
CN111414070B (zh) | 一种机箱功耗管理方法、系统及电子设备和存储介质 | |
CN109800270B (zh) | 一种数据存储和查询的方法及物联网系统 | |
CN111061560A (zh) | 云渲染资源调度方法、装置、电子设备及存储介质 | |
CN111147395B (zh) | 一种网络资源调整方法及装置 | |
CN111277640B (zh) | 用户请求处理方法、装置、系统、计算机设备和存储介质 | |
CN110716808A (zh) | 业务处理方法、装置、计算机设备和存储介质 | |
KR101630125B1 (ko) | 클라우드 컴퓨팅 자원관리 시스템에서의 자원 요구량 예측 방법 | |
CN108664321B (zh) | 系统资源分配调整方法及装置 | |
CN110896357A (zh) | 流量预测方法、装置和计算机可读存储介质 | |
CN107203256B (zh) | 一种网络功能虚拟化场景下的节能分配方法与装置 | |
CN107608781B (zh) | 一种负载预测方法、装置以及网元 | |
CN110851333A (zh) | 根分区的监控方法、装置和监控服务器 | |
CN106407636B (zh) | 集成结果统计方法及装置 | |
CN114490078A (zh) | 一种微服务的动态缩扩容方法、装置及设备 | |
CN104135525B (zh) | 云平台elb组件的资源扩展方法和装置 | |
CN111897659B (zh) | 业务处理频率的控制方法、系统、装置、电子设备 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |