CN106775936A - 一种虚拟机的管理方法及装置 - Google Patents
一种虚拟机的管理方法及装置 Download PDFInfo
- Publication number
- CN106775936A CN106775936A CN201611092302.1A CN201611092302A CN106775936A CN 106775936 A CN106775936 A CN 106775936A CN 201611092302 A CN201611092302 A CN 201611092302A CN 106775936 A CN106775936 A CN 106775936A
- Authority
- CN
- China
- Prior art keywords
- time interval
- history
- target
- robot arm
- period
- 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
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
- G06F9/44—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
-
- 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)
- Data Exchanges In Wide-Area Networks (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明的实施例提供一种虚拟机的管理方法及装置,涉及通信技术领域,可以提高虚拟资源的利用率放。该方法包括:获取目标网元的虚拟机组在第一时段内运行时产生的用户行为数据,该用户行为数据用于指示客户端与目标网元通信过程中产生的流量信息;从该用户行为数据中提取影响该虚拟机组内VM个数的特征信息;根据该特征信息预测目标网元在目标时段(即获取上述用户行为数据之后的任意时段)内运行时所需的目标VM数量;指示MANO在该目标时段到来时,按照该目标VM数量调整该虚拟机组中VM的数量。
Description
技术领域
本发明实施例涉及通信技术领域,尤其涉及一种虚拟机的管理方法及装置。
背景技术
在NFV(Network Functions Virtualization,网络功能虚拟化)系统中,可以为网络内的各个网元分配相应的虚拟资源,并利用云化技术使每个网元运行在一个或多个虚拟机(VM,Virtual Machine)上,这一个或多个VM可称为该网元的虚拟机组。
示例性的,如图1所示,网元1的各项业务运行在网元1的虚拟机组上,NFV系统中的MANO(Management and Orchestration,管理和编排器)可以为网元1设置扩容阈值和缩容阈值(缩容阈值小于扩容阈值),当网元1的负载值大于扩容阈值时,触发扩容操作,即:为网元1的虚拟机组额外申请一定数量的VM为网元1分担负载,当网元1的负载值小于缩容阈值时,触发缩容操作,即:从网元1的虚拟机组中释放一定数量的VM给其他的网元。
但是,MANO为网元1配置扩容阈值和缩容阈值时,通常是由操作人员根据实际经验向MANO输入固定的扩容阈值和缩容阈值,即设置的扩容阈值和缩容阈值是一个固定的经验值,而依靠经验设定的扩容阈值(或缩容阈值)并不能适用所有的应用场景,例如,对于网元1而言,在白天,连接到网元1的用户数量波动比较大,当网元1的负载值低于30%(即缩容阈值为30%)时可触发缩容操作,然而,在晚上,连接到网元1的用户数量波动比较小,且用户数量比较少,当网元1的负载值低于50%时便可进行缩容操作,此时,如果仍然设置缩容阈值为30%,则会使得网元1的负载值低于30%时才能触发缩容操作,从而浪费一部分网元1的虚拟资源,不能充分实现对虚拟资源的按需申请和释放。
发明内容
本发明的实施例提供一种虚拟机的管理方法及装置,可以提高虚拟资源的利用率。
为达到上述目的,本发明的实施例采用如下技术方案:
第一方面,本发明的实施例提供一种虚拟机的管理方法,包括:获取目标网元的虚拟机组在第一时段内运行时产生的用户行为数据,该用户行为数据用于指示客户端与目标网元通信的过程中产生的流量信息;进而,从该用户行为数据中提取影响该虚拟机组内VM个数的特征信息;根据该特征信息预测目标网元在目标时段(即获取上述用户行为数据之后虚拟机组运行的任意时段)内运行时所需的目标VM数量;后续,可指示MANO在该目标时段到来时,按照该目标VM数量调整该虚拟机组中VM的数量。可以看出,在本发明实施例提供的虚拟机的管理方法中,可基于过去一定时间内(即第一时段内)的用户行为数据,为各个网元预测出未来在目标时段内运行时所需的目标VM数量,进而在目标时段到来时提前为网元的虚拟组配置好相应数量的VM,即为该网元分配相应的虚拟资源,指导MANO进行智能化的扩缩容操作,从而提高虚拟资源的利用率。
在一种可能的设计方式中,该特征信息具体可包括N(N>1)个特征矩阵,其中,从该用户行为数据中提取影响该虚拟机组内VM个数的特征信息,包括:确定影响该虚拟机组内VM个数的至少一个特征属性;对于N个时间区间中的每个时间区间:从该用户行为数据中提取与该时间区间对应的一个特征矩阵,得到上述N个特征矩阵,该特征矩阵包括每个历史样本周期内与该时间区间对应的该至少一个特征属性的属性值,其中,上述N个时间区间组成了一个历史样本周期,M(M≥1)个历史样本周期组成了上述第一时段。后续,可以时间区间为粒度,预测出目标时段内各个时间区间所需的目标VM数量,从而得到在目标时段内目标VM数量的变化趋势。
在一种可能的设计方式中,从该用户行为数据中提取与该时间区间对应的一个特征矩阵,包括:从该用户行为数据中提取M个目标行向量,该M个目标行向量中的每个目标行向量唯一对应一个历史样本周期,该每个目标行向量包括:与该目标行向量对应的历史样本周期内该至少一个特征属性在该时间区间内的属性值;将该M个目标向量中的每个目标行向量分别转换为一个列向量,以构成与该时间区间对应的一个特征矩阵。
在一种可能的设计方式中,根据该特征信息预测该目标网元在目标时段内运行时所需的目标VM数量,包括:对于该N个时间区间中的每个时间区间,根据与该时间区间对应的特征矩阵,预测该目标网元在该目标时段的该时间区间内运行时所需的目标VM数量。
在一种可能的设计方式中,根据与该时间区间对应的特征矩阵,预测该目标网元在该目标时段的该时间区间内运行时所需的目标VM数量,包括:根据与该时间区间对应的特征矩阵,预测该M个历史样本周期中每个历史样本周期所需的历史VM数量,得到M个历史VM数量;根据该M个历史VM数量,预测在该目标网元在该目标时段的该时间区间内运行时所需的目标VM数量。
在一种可能的设计方式中,在根据与该时间区间对应的特征矩阵,预测该M个历史样本周期中每个历史样本周期所需的历史VM数量,得到M个历史VM数量之后,还包括:确定在第二时段内存在的突变数据,该突变数据为该M个历史VM数量中的至少一个,该第二时段的开始时间早于该第一时段的开始时间,该第二时段的结束时间与该第一时段的结束时间相同;去除该突变数据,以提高后续预测目标VM数量时的准确度。
在一种可能的设计方式中,确定在第二时段内存在的突变数据,包括:计算上述M个历史VM数量的第一平均值;若M个历史VM数量中的L个历史VM数量不属于第一平均值区间(第一平均值区间为包含该第一平均值的预设区间),则计算该第二时段内每个历史样本周期所需的历史VM数量的第二平均值;若L个历史VM数量中的至少一个历史VM数量不属于第二平均值区间(第二平均值区间为包含该第二平均值的预设区间),则确定该至少一个历史VM数量为突变数据,这样可降低因第一时段的约束而导致确定的突变数据误差较大的几率。
在一种可能的设计方式中,在指示MANO在该目标时段到来时,按照该目标VM数量调整该虚拟机组中VM的数量之后,包括:获取该虚拟机组的当前负载值;若该当前负载值大于预设的扩容阈值,则向该虚拟机组中增加至少一个VM;若该当前负载值小于预设的缩容阈值,则向该虚拟机组中释放至少一个VM,该扩容阈值大于该缩容阈值。也就是说,可以根据目标网元的实际负载值对管理装置预测得到的目标VM数量进行校验,避免因为预测结果出现偏差,而导致虚拟资源的利用率降低的问题
第二方面,本发明的实施例提供一种管理装置,包括:获取单元,用于获取目标网元的虚拟机组在第一时段内运行时产生的用户行为数据,该用户行为数据用于指示客户端与目标网元通信时产生的流量信息,该第一时段是指在获取该用户行为数据之前的任意时段;提取单元,用于从该用户行为数据中提取影响该虚拟机组内VM个数的特征信息;预测单元,用于根据该特征信息预测目标网元在目标时段内运行时所需的目标VM数量,该目标时段是指在获取该用户行为数据之后的任意时段;执行单元,用于指示MANO在该目标时段到来时,按照该目标VM数量调整该虚拟机组中VM的数量。
在一种可能的设计方式中,该特征信息包括N个特征矩阵,N>1,该提取单元,具体用于:确定影响该虚拟机组内VM个数的至少一个特征属性;对于N个时间区间中的每个时间区间:从该用户行为数据中提取与该时间区间对应的一个特征矩阵,该特征矩阵包括每个历史样本周期内与该时间区间对应的该至少一个特征属性的属性值,该N个时间区间组成了一个历史样本周期,M个历史样本周期组成了该第一时段,M≥1。
在一种可能的设计方式中,该提取单元,具体用于:从该用户行为数据中提取M个目标行向量,该M个目标行向量中的每个目标行向量唯一对应一个历史样本周期,该每个目标行向量包括:与该目标行向量对应的历史样本周期内该至少一个特征属性在该时间区间内的属性值;将该M个目标向量中的每个目标行向量分别转换为一个列向量,以构成与该时间区间对应的一个特征矩阵。
在一种可能的设计方式中,该预测单元,具体用于:对于该N个时间区间中的每个时间区间,根据与该时间区间对应的特征矩阵,预测该目标网元在该目标时段的该时间区间内运行时所需的目标VM数量。
在一种可能的设计方式中,该预测单元,具体用于:根据与该时间区间对应的特征矩阵,预测该M个历史样本周期中每个历史样本周期所需的历史VM数量,得到M个历史VM数量;根据该M个历史VM数量,预测在该目标网元在该目标时段的该时间区间内运行时所需的目标VM数量。
在一种可能的设计方式中,该装置还包括确定单元,该确定单元,用于确定在第二时段内存在的突变数据,该突变数据为该M个历史VM数量中的至少一个,该第二时段的开始时间早于该第一时段的开始时间,该第二时段的结束时间与该第一时段的结束时间相同;该执行单元,还用于去除该突变数据。
在一种可能的设计方式中,该确定单元,具体用于:计算该M个历史VM数量的第一平均值;若第一VM数量不属于第一平均值区间,则计算该第二时段内每个历史样本周期所需的历史VM数量的第二平均值,该第一平均值区间为包含该第一平均值的预设区间,该第一历史VM数量为该M个历史VM数量中的任一个;若该第一历史VM数量不属于第二平均值区间,则确定该第一历史VM数量为突变数据,该第二平均值区间为包含该第二平均值的预设区间。
在一种可能的设计方式中,该装置还包括校验单元,该获取单元,还用于获取该虚拟机组的当前负载值;该校验单元,用于若该当前负载值大于预设的扩容阈值,则向该虚拟机组中增加至少一个VM;若该当前负载值小于预设的缩容阈值,则向该虚拟机组中释放至少一个VM,该扩容阈值大于该缩容阈值。
第三方面,本发明的实施例提供一种管理装置,包括:处理器、存储器、总线和通信接口;该存储器用于存储计算机执行指令,该处理器与该存储器通过该总线连接,当该管理装置运行时,该处理器执行该存储器存储的该计算机执行指令,以使该管理装置执行如第一方面中任意一项的虚拟机的管理方法。
第四方面,本发明实施例提供了一种计算机存储介质,用于储存为上述管理装置所用的计算机软件指令,其包含用于执行上述方面为管理装置所设计的程序。
第五方面,本发明实施例提供了一种计算机程序,该计算机程序包括指令,当该计算机程序被计算机执行时,使得计算机可以执行上述第一方面中任意一项的虚拟机的管理方法。
本发明中,上述管理装置的名字对设备本身不构成限定,在实际实现中,这些设备可以以其他名称出现。只要各个设备的功能和本发明类似,即属于本发明权利要求及其等同技术的范围之内。
另外,第二方面至第五方面中任一种设计方式所带来的技术效果可参见第一方面中不同设计方式所带来的技术效果,此处不再赘述。
本发明的这些方面或其他方面在以下实施例的描述中会更加简明易懂。
附图说明
图1为现有技术中扩容操作和缩容操作的应用场景示意图;
图2为本发明实施例提供的一种虚拟机的管理方法的应用场景示意图;
图3为本发明实施例提供的一种虚拟机的管理方法的交互示意图;
图4为本发明实施例提供的一种管理装置的预测结果的示意图;
图5为本发明实施例提供的一种管理装置的结构示意图一;
图6为本发明实施例提供的一种管理装置的结构示意图二;
图7为本发明实施例提供的一种管理装置的结构示意图三。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行详细描述,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。
另外,术语“第一”、“第二”仅用于描述目的,而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此,限定有“第一”、“第二”的特征可以明示或者隐含地包括一个或者更多个该特征。在本发明的描述中,除非另有说明,“多个”的含义是两个或两个以上。
本发明的实施例提供一种虚拟机的管理方法,示例性的,如图2所示,为本发明实施例提供的虚拟机的管理方法的一种应用场景示意图。
其中,网元可运行在一个或多个VM组成的虚拟机组100中,客户端可通过交换机(switch)与虚拟机组100进行交互,虚拟机组100中的VM可以将第一时段(例如过去一个月)内各个客户端产生的用户行为数据,例如,客户端的MAC地址,上下行流量以及上网时间段等流量信息上报给数据中心(DC,Data Center)。
DC可与管理装置200进行交互,具体的,管理装置200可以从DC中获取上述用户行为数据,进而从该用户行为数据中提取影响虚拟机组100内VM个数的特征信息,例如,第一时段内用户的上线时间、流量总和、瞬间最大流量峰值以及CPU占用率等,进而,管理装置200根据这些特征信息预测虚拟机组100在未来的目标时段内运行时所需的目标VM数量,例如,目标时段为获取上述用户行为数据的第二天内的2:00-18:00,管理装置200预测得到虚拟机组100在上述第二天内2:00-8:00运行时所需的目标VM数量为4个VM,在上述第二天内8:00-18:00运行时所需的目标VM数量为8个VM,后续,管理装置200可以将预测结果发送给NFV系统中的MANO,由MANO根据该预测结果,在目标时段到来时,为虚拟机组100配置不同数量的VM。
可以看出,在本发明实施例提供的虚拟机的管理方法中,可基于过去一定时间内(即第一时段内)的用户行为数据,为各个网元所在的虚拟机组预测出未来在目标时段内运行时所需的目标VM数量,进而在目标时段到来之前,可以提前为网元的虚拟组配置好相应数量的VM,即为该网元分配相应的虚拟资源,指导MANO进行智能化的扩缩容操作,从而提高虚拟资源的利用率。
其中,上述第一时段是指在管理装置200获取用户行为数据之前虚拟机组100运行的任意时段;上述目标时段是指在管理装置200获取用户行为数据之后虚拟机组100运行的任意时段。
需要说明的是,上述任意一种功能节点或网元,例如,管理装置200,可能由一个实体设备实现,也可能由多个实体设备共同实现,另外,管理装置200可以以独立的设备形态与上述DC或MANO进行交互,也可以以功能模块的形式集成在上述DC或MANO内,本发明实施例对此不作限制。
需要说明的是,上述虚拟机的管理方法可以应用于未来的第五代移动通信(5G,5rd-Generation)系统,长期演进(LTE,long term evolution)通信系统中,也可以应用于LTE的演进通信系统中,如LTE-A(long term evolution advanced)系统中,还可以应用于WCDMA等第三代移动通信(3G,3rd-Generation)系统中等,本发明实施例对此不作限制。
以下,将结合具体实施例详细阐述本发明实施例提供的一种虚拟机的管理方法,如图3所示,该方法包括:
301、目标网元的虚拟机组中的VM将第一时段内该虚拟机运行时产生的用户行为数据发送至DC。
其中,上述用户行为数据用于指示各个客户端通过目标网元产生的流量信息,例如,不同客户端的MAC地址,不同客户端产生的上下行流量,以及具体上网时间信息等。
具体的,目标网元的虚拟机组中通常包括多个VM,那么,每个VM都可以将该VM上的产生的用户行为数据发送到DC,例如,VM可以通过RADIUS(Remote Authentication DialIn User Service,远程用户拨号认证服务)协议或diameter(直径)协议将用户行为数据发送到DC。DC可以以excel或者csv等格式存储上述用户行为数据。
302、管理装置从DC中获取上述用户行为数据。
具体的,管理装置可以主动从DC中获取上述用户行为数据,也可以接收DC发送的上述用户行为数据。
示例性的,由于XML(eXtensible Markup Language,可扩展标记语言)格式具有更好的可扩展性和通用性,因此,管理装置从DC中获取上述用户行为数据后,可以将该用户行为数据转换为XML格式进行存储。
303、管理装置从上述用户行为数据中提取影响虚拟机组内VM个数的特征信息。
首先,管理装置可以确定影响虚拟机组内VM个数的至少一个特征属性,例如,用户名,虚拟机组ID,上下线时间,上下行流量,平均流量,流量最大和最小值,X(X可以为大于0的任意值)小时内平均上线次数以及最大和最小流量持续时间等。可以理解的是,影响虚拟机组内VM个数的任意特征属性均在本发明实施例的保护范围内。
其中,用户名作为特征属性,是因为有一些特殊用户属于大流量用户,可能影响虚拟机组内VM个数。
虚拟机组ID可用于确定当前的虚拟机组具体为哪个网元的虚拟机组,不同网元对虚拟机组内VM个数的需求可能不同。
上下线时间可用于确定用户的上线开始时间和在线时间,而用户的上线开始时间和在线时间可能影响该虚拟机组在不同时间段时所需的VM个数。
平均流量可用于确定该虚拟机组内对VM个数的一般化需求。流量最大和最小值可用于确定该虚拟机组内对VM个数的最大化和最小化需求。
X小时内平均上线次数可用于确定用户在第一时段内上网的频繁度,该频繁度可能影响该虚拟机组内所需的VM个数。
而最大和最小流量持续时间可用于确定在第一时段内流量的突变性,该突变性可能影响该虚拟机组内所需的VM个数。
可以理解的是,在每一次预测过程中提取特征信息的过程中,具体选择上述哪个或哪些特征属性,可以是预先在管理装置内配置好的,也可以是管理装置根据特定的算法确定的。例如,对于不同的应用场景可以预先配置不同的特征属性,那么,在提取特征信息时,管理装置可以根据实际应用场景选择与该实际应用场景对应的一个或多个特征属性,本发明实施例对此不作限制。
进一步地,可以将上述第一时段划分为M(M≥1)个历史样本周期。例如,将一个月的第一时段划分为30个历史样本周期,以每一天为一个历史样本周期,并且,还可以将每个历史样本周期由N(N>1)个时间区间组成,例如,以2小时为一个时间区间,那么,每个历史样本周期由12个时间区间组成。
那么,对于这N个时间区间中的每个时间区间,管理装置可以从上述用户行为数据中提取与该时间区间对应的一个特征矩阵,例如,与0-2小时对应的一个特征矩阵,该特征矩阵包括每一个(即每个历史样本周期)内与0-2小时对应的上述至少一个特征属性的属性值,这样,管理装置一共可以得到N个特征矩阵,这N个特征矩阵中每个特征矩阵唯一对应一个时间区间。
示例性的,以管理装置从上述用户行为数据中提取与0-2小时对应的一个特征矩阵为例,首先,管理装置可以从上述用户行为数据中提取M个目标行向量,这M个目标行向量中的每个目标行向量唯一对应一个历史样本周期,每个目标行向量包括:与该目标行向量对应的历史样本周期内上述至少一个特征属性在0-2小时内的属性值。
如表1所示,当第一时段为最近一个月,历史样本周期为这个月的每一天,时间区间为每一天的2小时时,以0-2小时为一个时间区间举例,管理装置可以根据上述用户行为数据,统计第1天的0-2小时内每个特征属性的属性值,即在第1天内,用户数为X1-1-1,流量总和为X1-1-2,……,瞬间最大流量为X1-1-j(共j个特征属性的属性值,j≥1),得到一个目标行向量[X1-1-1,X1-1-2,X1-1-j],那么,对于30个历史样本周期,一共可提取出30个目标行向量。
表1
进而,如表2所示,将上述M个目标向量中的每个目标行向量分别转换为一个列向量,以构成与0-2小时对应的一个特征矩阵,即
表2
1天 | 2天 | 3天 | …. | 30天 | |
用户数 | X1-1-1 | X1-2-1 | X1-3-1 | X1-30-1 | |
流量总和 | X1-1-2 | X1-2-2 | X1-3-2 | X1-30-2 | |
…. | |||||
瞬间最大流量 | X1-1-j | X1-2-n | X1-3-j | X1-30-j |
那么,重复上述方法,可以分别得到2-4小时,4-6小时,……,22-24小时,共计12个时间区间中每个时间区间对应的一个特征矩阵,得到12个特征矩阵。
需要说明的是,将上述第一时段划分为M个历史样本周期,以及将每个历史样本周期划分为N个时间区间的动作,可以是管理装置在执行步骤303之前已经划分好了,也可以是在执行步骤303时进行划分的,还可以是预先在管理装置内设置好的,本发明实施例对此不作限制。
304、管理装置根据该特征信息预测目标网元在目标时段内运行时所需的目标VM数量,得到预测结果。
其中,该目标时段是指在获取到上述用户行为数据之后的任意时段。例如,该目标时段具体可以为在上述第一时段之后,与历史样本周期时长相同的一个目标样本周期,例如,以表1所示的历史样本周期为例,该目标时段可以为第30天之后的第31天。
具体的,管理装置得到上述N个特征矩阵后,由于每个特征矩阵每个时间区间是一一对应的,因此,以表2所示的与0-2小时对应的一个特征矩阵为例,管理装置可以根据与该特征矩阵,预测目标网元在第31天(即目标时段)的0-2小时内运行时所需的目标VM数量。
具体的,如表2所示,记载了在0-2小时内,每一天(每个历史样本周期)中每个特征属性的属性值,那么,可以根据每一天中每个特征属性的属性值,预测这天所需的VM数量(即历史VM数量),即根据每一天内的用户数、流量总和,……,瞬间最大流量,预测出这天所需的历史VM数量,得到如表3所示的每个样本周期内在0-2小时所需的历史VM数量:X1-1,X1-2,……X1-30,共30个历史VM数量。
表3
1天 | 2天 | 3天 | .... | 30天 | |
用户数 | X1-1-1 | X1-2-1 | X1-3-1 | X1-30-1 | |
流量总和 | X1-1-2 | X1-2-2 | X1-3-2 | X1-30-2 | |
.... | |||||
瞬间最大流量 | X1-1-j | X1-2-n | X1-3-j | X1-30-j | |
历史VM数量 | X1-1 | X1-2 | X1-3 | X1-30 |
进而,根据这30个历史VM数量,可以进一步预测出在目标时段(例如,第31天)中0-2小时内所需的目标VM数量。
例如,可以对表3中得到的X1-1,X1-2,……X1-30共30个历史VM数量进行加权平均,将得到的加权平均值作为第31天内0-2小时内所需的目标VM数量,例如X1-31。
这样,通过上述方法,对于上述的每个时间区间,可以预测出第31天(即目标时段)中每个时间区间内所需的目标VM数量,得到如图4所示的预测结果,其中,该预测结果中反映了在目标时段的各个时间区间内目标VM数量的变化情况。
可选的,上述预测结果中还可以包括管理装置提取出的特征信息。
另外,管理装置还可以保存上述第1至第30天内0-2小时所需的历史VM数量,以及第31内所需的目标VM数量。进一步地,如表4所示,可删除第1天内的特征值和历史VM数量,并加入第31天内的特征值和上述预测出的目标VM数量,这样,管理装置内可一直保存最近30天内提取到的特征信息。并且,预测出的各个时间区间内的目标VM数量也可以作为特征属性,那么,后续可以直接根据已存储的第2至第31天内0-2小时所需的历史VM数量或目标VM数量,预测第32天内0-2小时所需的目标VM数量。
表4
当然,上述预测方法只是一种可能的实现方式,可以理解的是,本领域技术人员可以根据实际经验预测目标网元在目标时段内运行时所需的目标VM数量,例如,可以通过人工智能算法,根据上述特征信息挖掘出相应的数据模型,然后通过该数据模型预测目标网元在目标时段内运行时所需的目标VM数量,本发明实施例对此不作限制。
另外,在预测出每个样本周期内所需的VM数量之后,例如,已经得到表3所示的每个样本周期内在0-2小时所需的历史VM数量:X1-1,X1-2,……X1-30,此时,管理装置可以进一步确定这30个历史VM数量在第二时段中是否存在突变数据,即在这30个历史VM数量中是否存在与第二时段内其他VM数量相比差异较大的离群值(outlier),该第二时段的开始时间早于第一时段的开始时间,第二时段的结束时间与第一时段的结束时间相同。若存在突变数据,则去除该突变数据,以提高后续预测目标VM数量时的准确度。
具体的,在确定是否存在突变数据时,可以先计算第一时段内各个历史样本周期所需的历史VM数量的第一平均值,即将表3中X1-1,X1-2,……X1-30共30个历史VM数量的平均值作为第一平均值,那么,对于这30个历史VM数量中的任意一个历史VM数量(例如第一历史VM数量)而言,如果第一历史VM数量不属于第一平均值区间(第一平均值区间为包含第一平均值的预设区间,例如,第一平均值为7,预设的误差范围为±2,那么,该第一平均值区间即为5-9),则说明该第一历史VM数量为第一时段内的突变数据。
然而,由于第一时段所指示的时间长度一般有限,当某个历史VM数量为第一时段内的突变数据时,并不能确定该历史VM数量在后续的预测过程中为错误数据,例如,由于每年的11月11日都会产生大规模的网购行为,因此,11月11日生成的流量会显著的增加,那么,以11月一个月的时间为上述第一时段时,预测出的11月11日所需的历史VM数量可能会大于11月对应的第一平均值区间,但该历史VM数量并不是一个错误数据。
因此,在当第一历史VM数量不属于上述第一平均值区间时,可以进一步计算在时间长度较长的第二时段内,各个历史样本周期内所需的历史VM数量的第二平均值,例如,可以计算最近一年(即第二时段)内,各个历史样本周期内所需的历史VM数量的平均值,即为第二平均值。
此时,若该第一历史VM数量仍不属于第二平均值区间(第二平均值区间为包含第二平均值的预设区间),则可以确定该第一历史VM数量为突变数据。这样,通过上述方法可以过滤掉上述预测过程中出现的误差较大的历史VM数量,从而提高后续预测在目标时段内所需的目标VM数量的准确度。
305、管理装置将预测结果发送给MANO。
306、MANO在目标时段到来时,将虚拟机组中的虚拟机的数量配置为上述目标VM数量。
具体的,管理装置可以仍以XML格式,将预测结果通过Openflow协议或者Netconf协议(一个全新的基于XML的网络配置协议)发送给MANO,MANO接收到该预测结果后,可进一步将其转换为MANO可以识别的语义规则形式。
例如,MANO可以将上述预测结果转换为多元组的形式。
示例性的,上述多元组的形式为<ID,DATE,TIME,USERS,TRAFFIC,SLOT>,其中,ID为目标网元的标识,DATE为目标时段,即具体的某一天,TIME为上述时间区间,USERS为该目标时段内各个时间区间的用户数,TRAFFIC为该目标时段内各个时间区间的流量,SLOT为该目标时段内各个时间区间的目标VM数量。
后续,MANO可以根据上述多元组生成扩容策略或缩容策略,在上述目标时段到来时,根据不同的时间区间,将虚拟机组中的虚拟机的数量配置为预测的在该时间区间内的目标VM数量。
需要说明的是,管理装置可以在得出上述预测结果后,便将该预测结果发送至MANO,由MANO在目标时段到来时配置虚拟机组中的虚拟机的数量;也可以是在目标时段到来时,将该预测结果发送至MANO,触发MANO立即按照预测结果配置虚拟机组中的虚拟机的数量,本发明实施例对此不作限制。
进一步地,为了保证按照上述预测结果中的目标VM数量运行时,可以满足用户的需求,还可以在虚拟机组内的虚拟机运行的过程中对上述预测结果进行校验,具体的校验方式可参见下述步骤307-308。
307、MANO获取虚拟机组的当前负载值。
308、若当前负载值大于预设的扩容阈值,则MANO向该虚拟机组中增加至少一个VM;若当前负载值小于预设的缩容阈值,则MANO向该虚拟机组中释放至少一个VM。
例如,在进入第31天时,MANO可以按照上述预测结果,在0点时将虚拟机组中的虚拟机的数量配置为W(W≥1)个,在2点时将虚拟机组中的虚拟机的数量配置为T(T≥1)个,……,在22点时将虚拟机组中的虚拟机的数量配置为R(R≥1)个。
那么,在步骤307中,当进入每个时间区间时,例如,在每个时间区间刚开始的5分钟内,MANO可以沿用现有技术获取虚拟机组的当前负载值,从而确定当前虚拟机组的负载情况。
并且,MANO内可以预先为目标网元设置扩容阈值和缩容阈值(扩容阈值大于缩容阈值),那么,在步骤308中,如果当前负载值大于扩容阈值,则说明当前目标网元的负载值较高,管理装置预测的目标VM数量不够,此时,可以触发扩容操作,即向该虚拟机组中增加至少一个VM;如果当前负载值小于预设的缩容阈值,则说明当前目标网元的负载值较低,管理装置预测的目标VM数量太多,此时,可以出发缩容操作,即向该虚拟机组中释放至少一个VM。
当然,如果上述当前负载值在扩容阈值和缩容阈值形成的区间内,则说明管理装置预测的目标VM数量是合适的,此时,无需对该虚拟机组进行扩容或缩容操作。
也就是说,本发明实施例提供的虚拟机的管理方法中,可以根据目标网元的实际负载值对管理装置预测得到的目标VM数量进行校验,避免因为预测结果出现偏差,而导致虚拟资源的利用率降低的问题。
另外,当管理装置预测的目标VM数量与实际虚拟机组中需要的VM数量出现偏差时,MANO还可以将实际虚拟机组中需要的VM数量发送给管理装置,以便于后续管理装置能够基于实际虚拟机组中需要的VM数量进行数据分析和数据挖掘,提高后续预测过程的准确度。
需要说明的是,上述步骤307-308也可以由管理装置执行,也就是说,可以由管理装置获取虚拟机组的当前负载值,例如,管理装置可以通过向MANO下发检测指令,指示MANO获取虚拟机组的当前负载值并上报给管理装置,进而,当上述当前负载值大于预设的扩容阈值时,由管理装置指示MANO触发该虚拟机组的扩容操作;当上述当前负载值小于预设的缩容阈值时,由管理装置指示MANO触发该虚拟机组的缩容操作,本发明实施例对此不作限制。
上述主要从各个网元之间交互的角度对本发明实施例提供的方案进行了介绍。可以理解的是,上述管理装置等为了实现上述功能,其包含了执行各个功能相应的硬件结构和/或软件模块。本领域技术人员应该很容易意识到,结合本文中所公开的实施例描述的各示例的单元及算法步骤,本发明能够以硬件或硬件和计算机软件的结合形式来实现。某个功能究竟以硬件还是计算机软件驱动硬件的方式来执行,取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能,但是这种实现不应认为超出本发明的范围。
本发明实施例可以根据上述方法示例对管理装置等进行功能模块的划分,例如,可以对应各个功能划分各个功能模块,也可以将两个或两个以上的功能集成在一个处理模块中。上述集成的模块既可以采用硬件的形式实现,也可以采用软件功能模块的形式实现。需要说明的是,本发明实施例中对模块的划分是示意性的,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式。
在采用对应各个功能划分各个功能模块的情况下,图5示出了上述实施例中所涉及的管理装置的一种可能的结构示意图,该管理装置包括:获取模块51,提取模块52、预测模块53、执行模块54、确定单元55和校验单元56。
获取模块31用于支持管理装置执行图3中的过程302和307;提取模块52用于支持管理装置执行图3中的过程303;预测模块53用于支持管理装置执行图3中的过程304;执行模块54用于支持管理装置执行图3中的过程305;确定单元55,用于支持管理装置确定在上述第二时段内存在的突变数据,校验单元56,用于支持管理装置执行图3中的过程308。其中,上述方法实施例涉及的各步骤的所有相关内容均可以援引到对应功能模块的功能描述,在此不再赘述。
在采用集成的单元的情况下,图6示出了上述实施例中所涉及的管理装置的一种可能的结构示意图。管理装置包括:处理模块62和通信模块63。处理模块62用于对管理装置的动作进行控制管理,例如,处理模块62用于支持管理装置执行图3中的过程301-308,和/或用于本文所描述的技术的其它过程。通信模块63用于支持管理装置与其他网络实体的通信。管理装置还可以包括存储模块61,用于存储管理装置的程序代码和数据。
其中,处理模块62可以是处理器或控制器,例如可以是中央处理器(CentralProcessing Unit,CPU),通用处理器,数字信号处理器(Digital Signal Processor,DSP),专用集成电路(Application-Specific Integrated Circuit,ASIC),现场可编程门阵列(Field Programmable Gate Array,FPGA)或者其他可编程逻辑器件、晶体管逻辑器件、硬件部件或者其任意组合。其可以实现或执行结合本发明公开内容所描述的各种示例性的逻辑方框,模块和电路。所述处理器也可以是实现计算功能的组合,例如包含一个或多个微处理器组合,DSP和微处理器的组合等等。通信模块63可以是收发器、收发电路或通信接口等。存储模块61可以是存储器。
当处理模块62为处理器,通信模块63为收发器,存储模块61为存储器时,本发明实施例所涉及的管理装置可以为图7所示的管理装置。
参阅图7所示,该管理装置包括:处理器72、收发器71、存储器73以及总线74。其中,收发器71、处理器72以及存储器73通过总线74相互连接;总线74可以是外设部件互连标准(Peripheral Component Interconnect,PCI)总线或扩展工业标准结构(ExtendedIndustry Standard Architecture,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7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。
进一步地,本发明实施例还提供一种计算机程序,该计算机程序包括指令,当该计算机程序被计算机执行时,可以使得计算机可以执行上述步骤301-308中相关的虚拟机的管理方法。
进一步地,本发明实施例还提供一种计算机存储介质,用于储存为上述管理装置所用的计算机软件指令,其包含用于执行为上述管理装置所设计的任意程序。
结合本发明公开内容所描述的方法或者算法的步骤可以硬件的方式来实现,也可以是由处理器执行软件指令的方式来实现。软件指令可以由相应的软件模块组成,软件模块可以被存放于随机存取存储器(Random Access Memory,RAM)、闪存、只读存储器(ReadOnly Memory,ROM)、可擦除可编程只读存储器(Erasable Programmable ROM,EPROM)、电可擦可编程只读存储器(Electrically EPROM,EEPROM)、寄存器、硬盘、移动硬盘、只读光盘(CD-ROM)或者本领域熟知的任何其它形式的存储介质中。一种示例性的存储介质耦合至处理器,从而使处理器能够从该存储介质读取信息,且可向该存储介质写入信息。当然,存储介质也可以是处理器的组成部分。处理器和存储介质可以位于ASIC中。另外,该ASIC可以位于核心网接口设备中。当然,处理器和存储介质也可以作为分立组件存在于核心网接口设备中。
本领域技术人员应该可以意识到,在上述一个或多个示例中,本发明所描述的功能可以用硬件、软件、固件或它们的任意组合来实现。当使用软件实现时,可以将这些功能存储在计算机可读介质中或者作为计算机可读介质上的一个或多个指令或代码进行传输。计算机可读介质包括计算机存储介质和通信介质,其中通信介质包括便于从一个地方向另一个地方传送计算机程序的任何介质。存储介质可以是通用或专用计算机能够存取的任何可用介质。
以上所述的具体实施方式,对本发明的目的、技术方案和有益效果进行了进一步详细说明,所应理解的是,以上所述仅为本发明的具体实施方式而已,并不用于限定本发明的保护范围,凡在本发明的技术方案的基础之上,所做的任何修改、等同替换、改进等,均应包括在本发明的保护范围之内。
Claims (17)
1.一种虚拟机的管理方法,其特征在于,包括:
获取目标网元的虚拟机组在第一时段内运行时产生的用户行为数据,所述用户行为数据用于指示客户端与所述目标网元通信的过程中产生的流量信息,所述第一时段是指在获取所述用户行为数据之前所述虚拟机组运行的任意时段;
从所述用户行为数据中提取影响所述虚拟机组内虚拟机VM个数的特征信息;
根据所述特征信息预测所述目标网元在目标时段内运行时所需的目标VM数量,所述目标时段是指在获取所述用户行为数据之后所述虚拟机组运行的任意时段;
指示管理和编排器MANO在所述目标时段到来时,按照所述目标VM数量调整所述虚拟机组中VM的数量。
2.根据权利要求1所述的方法,其特征在于,所述特征信息包括N个特征矩阵,N>1,
其中,从所述用户行为数据中提取影响所述虚拟机组内VM个数的特征信息,包括:
确定影响所述虚拟机组内VM个数的至少一个特征属性;
对于预设的N个时间区间中的每个时间区间,从所述用户行为数据中提取与所述时间区间对应的一个特征矩阵,以得到所述N个特征矩阵,所述一个特征矩阵包括每个历史样本周期内与所述时间区间对应的所述至少一个特征属性的属性值,
所述N个时间区间组成了一个历史样本周期,M个历史样本周期组成了所述第一时段,M≥1。
3.根据权利要求2所述的方法,其特征在于,从所述用户行为数据中提取与该时间区间对应的一个特征矩阵,包括:
从所述用户行为数据中提取M个目标行向量,所述M个目标行向量中的每个目标行向量唯一对应一个历史样本周期,所述每个目标行向量包括:与该目标行向量对应的历史样本周期内所述至少一个特征属性在该时间区间内的属性值;
将所述M个目标向量中的每个目标行向量分别转换为一个列向量,以得到与该时间区间对应的一个特征矩阵。
4.根据权利要求2或3所述的方法,其特征在于,根据所述特征信息预测所述目标网元在目标时段内运行时所需的目标VM数量,包括:
对于所述N个时间区间中的每个时间区间,根据与所述时间区间对应的特征矩阵,预测所述目标网元在所述目标时段的所述时间区间内运行时所需的目标VM数量。
5.根据权利要求4所述的方法,其特征在于,根据与所述时间区间对应的特征矩阵,预测所述目标网元在所述目标时段的所述时间区间内运行时所需的目标VM数量,包括:
根据与所述时间区间对应的特征矩阵,预测所述M个历史样本周期中每个历史样本周期所需的历史VM数量,得到M个历史VM数量;
根据所述M个历史VM数量,预测所述目标网元在所述目标时段的所述时间区间内运行时所需的目标VM数量。
6.根据权利要求5所述的方法,其特征在于,在根据与所述时间区间对应的特征矩阵,预测所述M个历史样本周期中每个历史样本周期所需的历史VM数量,得到M个历史VM数量之后,还包括:
确定在第二时段内存在的突变数据,所述突变数据为所述M个历史VM数量中的至少一个,所述第二时段的开始时间早于所述第一时段的开始时间,所述第二时段的结束时间与所述第一时段的结束时间相同;
去除所述突变数据。
7.根据权利要求6所述的方法,其特征在于,所述确定在第二时段内存在的突变数据,包括:
计算所述M个历史VM数量的第一平均值;
若所述M个历史VM数量中的L个历史VM数量不属于第一平均值区间,则计算所述第二时段内每个历史样本周期所需的历史VM数量的第二平均值,所述第一平均值区间为包含所述第一平均值的预设区间,0<L≤M;
若所述L个历史VM数量中的至少一个历史VM数量不属于第二平均值区间,则确定所述至少一个历史VM数量为突变数据,所述第二平均值区间为包含所述第二平均值的预设区间。
8.根据权利要求1-7中任一项所述的方法,其特征在于,在指示MANO在所述目标时段到来时,按照所述目标VM数量调整所述虚拟机组中VM的数量之后,包括:
获取所述虚拟机组的当前负载值;
若所述当前负载值大于预设的扩容阈值,则向所述虚拟机组中增加至少一个VM;若所述当前负载值小于预设的缩容阈值,则向所述虚拟机组中释放至少一个VM,所述扩容阈值大于所述缩容阈值。
9.一种管理装置,其特征在于,包括:
获取单元,用于获取目标网元的虚拟机组在第一时段内运行时产生的用户行为数据,所述用户行为数据用于指示客户端与所述目标网元通信的过程中产生的流量信息,所述第一时段是指在获取所述用户行为数据之前所述虚拟机组运行的任意时段;
提取单元,用于从所述用户行为数据中提取影响所述虚拟机组内虚拟机VM个数的特征信息;
预测单元,用于根据所述特征信息预测所述目标网元在目标时段内运行时所需的目标VM数量,所述目标时段是指在获取所述用户行为数据之后所述虚拟机组运行的任意时段;
执行单元,用于指示管理和编排器MANO在所述目标时段到来时,按照所述目标VM数量调整所述虚拟机组中VM的数量。
10.根据权利要求9所述的管理装置,其特征在于,所述特征信息包括N个特征矩阵,N>1,
所述提取单元,具体用于:确定影响所述虚拟机组内VM个数的至少一个特征属性;对于预设的N个时间区间中的每个时间区间:从所述用户行为数据中提取与所述时间区间对应的一个特征矩阵,以得到所述N个特征矩阵,所述一个特征矩阵包括每个历史样本周期内与所述时间区间对应的所述至少一个特征属性的属性值,所述N个时间区间组成了一个历史样本周期,M个历史样本周期组成了所述第一时段,M≥1。
11.根据权利要求10所述的管理装置,其特征在于,
所述提取单元,具体用于:从所述用户行为数据中提取M个目标行向量,所述M个目标行向量中的每个目标行向量唯一对应一个历史样本周期,所述每个目标行向量包括:与该目标行向量对应的历史样本周期内所述至少一个特征属性在该时间区间内的属性值;将所述M个目标向量中的每个目标行向量分别转换为一个列向量,以得到与该时间区间对应的一个特征矩阵。
12.根据权利要求10或11所述的管理装置,其特征在于,
所述预测单元,具体用于:对于所述N个时间区间中的每个时间区间,根据与所述时间区间对应的特征矩阵,预测所述目标网元在所述目标时段的所述时间区间内运行时所需的目标VM数量。
13.根据权利要求12所述的管理装置,其特征在于,
所述预测单元,具体用于:根据与所述时间区间对应的特征矩阵,预测所述M个历史样本周期中每个历史样本周期所需的历史VM数量,得到M个历史VM数量;根据所述M个历史VM数量,预测在所述目标网元在所述目标时段的所述时间区间内运行时所需的目标VM数量。
14.根据权利要求13所述的管理装置,其特征在于,所述装置还包括确定单元,
所述确定单元,用于确定在第二时段内存在的突变数据,所述突变数据为所述M个历史VM数量中的至少一个,所述第二时段的开始时间早于所述第一时段的开始时间,所述第二时段的结束时间与所述第一时段的结束时间相同;
所述执行单元,还用于去除所述突变数据。
15.根据权利要求14所述的管理装置,其特征在于,
所述确定单元,具体用于:计算所述M个历史VM数量的第一平均值;若所述M个历史VM数量中的L个历史VM数量不属于第一平均值区间,则计算所述第二时段内每个历史样本周期所需的历史VM数量的第二平均值,所述第一平均值区间为包含所述第一平均值的预设区间,0<L≤M;若所述L个历史VM数量中的至少一个历史VM数量不属于第二平均值区间,则确定所述至少一个历史VM数量为突变数据,所述第二平均值区间为包含所述第二平均值的预设区间。
16.根据权利要求9-15中任一项所述的管理装置,其特征在于,所述装置还包括校验单元,
所述获取单元,还用于获取所述虚拟机组的当前负载值;
所述校验单元,用于若所述当前负载值大于预设的扩容阈值,则向所述虚拟机组中增加至少一个VM;若所述当前负载值小于预设的缩容阈值,则向所述虚拟机组中释放至少一个VM,所述扩容阈值大于所述缩容阈值。
17.一种管理装置,其特征在于,包括:处理器、存储器、总线和通信接口;
所述存储器用于存储计算机执行指令,所述处理器与所述存储器通过所述总线连接,当所述管理装置运行时,所述处理器执行所述存储器存储的所述计算机执行指令,以使所述管理装置执行如权利要求1-8中任一项所述的虚拟机的管理方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201611092302.1A CN106775936B (zh) | 2016-11-30 | 2016-11-30 | 一种虚拟机的管理方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201611092302.1A CN106775936B (zh) | 2016-11-30 | 2016-11-30 | 一种虚拟机的管理方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN106775936A true CN106775936A (zh) | 2017-05-31 |
CN106775936B CN106775936B (zh) | 2020-06-26 |
Family
ID=58915658
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201611092302.1A Active CN106775936B (zh) | 2016-11-30 | 2016-11-30 | 一种虚拟机的管理方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN106775936B (zh) |
Cited By (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109189552A (zh) * | 2018-08-17 | 2019-01-11 | 烽火通信科技股份有限公司 | 虚拟网络功能扩容与缩容方法及系统 |
CN109348236A (zh) * | 2018-09-20 | 2019-02-15 | 武汉斗鱼网络科技有限公司 | 一种存储容量评估方法、装置、服务器及存储介质 |
CN109429255A (zh) * | 2017-09-01 | 2019-03-05 | 中国移动通信集团陕西有限公司 | 流量调整方法、装置、服务器、电子设备及存储介质 |
CN109995573A (zh) * | 2018-01-02 | 2019-07-09 | 中国移动通信有限公司研究院 | 确定用于预测计算资源的样本空间的方法、计算资源分配方法及装置 |
CN111130834A (zh) * | 2018-11-01 | 2020-05-08 | 大唐移动通信设备有限公司 | 一种网络弹性策略的处理方法及装置 |
CN111431769A (zh) * | 2020-03-30 | 2020-07-17 | 招商局金融科技有限公司 | 数据监控方法、服务器及存储介质 |
CN114666223A (zh) * | 2020-12-04 | 2022-06-24 | 中国移动通信集团设计院有限公司 | 云计算资源池处理方法、装置及可读存储介质 |
CN115174415A (zh) * | 2022-06-30 | 2022-10-11 | 苏州浪潮智能科技有限公司 | 一种虚拟隧道端点的信息发布控制方法、装置及设备 |
CN115633197A (zh) * | 2022-09-15 | 2023-01-20 | 海南乾唐视联信息技术有限公司 | 一种业务数据的分流系统、方法、装置、电子设备和介质 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103220337A (zh) * | 2013-03-22 | 2013-07-24 | 合肥工业大学 | 基于自适应弹性控制的云计算资源优化配置方法 |
CN104077189A (zh) * | 2013-03-29 | 2014-10-01 | 西门子公司 | 一种用于资源分配的方法和装置 |
CN104283946A (zh) * | 2014-09-26 | 2015-01-14 | 东北大学 | 一种单物理机下多虚拟机的资源自适应调整系统及方法 |
CN105760224A (zh) * | 2016-01-06 | 2016-07-13 | 杭州华三通信技术有限公司 | 一种资源的动态调整方法和装置 |
-
2016
- 2016-11-30 CN CN201611092302.1A patent/CN106775936B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103220337A (zh) * | 2013-03-22 | 2013-07-24 | 合肥工业大学 | 基于自适应弹性控制的云计算资源优化配置方法 |
CN104077189A (zh) * | 2013-03-29 | 2014-10-01 | 西门子公司 | 一种用于资源分配的方法和装置 |
CN104283946A (zh) * | 2014-09-26 | 2015-01-14 | 东北大学 | 一种单物理机下多虚拟机的资源自适应调整系统及方法 |
CN105760224A (zh) * | 2016-01-06 | 2016-07-13 | 杭州华三通信技术有限公司 | 一种资源的动态调整方法和装置 |
Cited By (16)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109429255A (zh) * | 2017-09-01 | 2019-03-05 | 中国移动通信集团陕西有限公司 | 流量调整方法、装置、服务器、电子设备及存储介质 |
CN109429255B (zh) * | 2017-09-01 | 2022-01-25 | 中国移动通信集团陕西有限公司 | 流量调整方法、装置、服务器、电子设备及存储介质 |
CN109995573A (zh) * | 2018-01-02 | 2019-07-09 | 中国移动通信有限公司研究院 | 确定用于预测计算资源的样本空间的方法、计算资源分配方法及装置 |
CN109995573B (zh) * | 2018-01-02 | 2022-04-01 | 中国移动通信有限公司研究院 | 确定用于预测计算资源的样本空间的方法、计算资源分配方法及装置 |
CN109189552A (zh) * | 2018-08-17 | 2019-01-11 | 烽火通信科技股份有限公司 | 虚拟网络功能扩容与缩容方法及系统 |
CN109189552B (zh) * | 2018-08-17 | 2020-08-25 | 烽火通信科技股份有限公司 | 虚拟网络功能扩容与缩容方法及系统 |
CN109348236A (zh) * | 2018-09-20 | 2019-02-15 | 武汉斗鱼网络科技有限公司 | 一种存储容量评估方法、装置、服务器及存储介质 |
CN109348236B (zh) * | 2018-09-20 | 2021-04-27 | 武汉斗鱼网络科技有限公司 | 一种存储容量评估方法、装置、服务器及存储介质 |
CN111130834B (zh) * | 2018-11-01 | 2021-05-07 | 大唐移动通信设备有限公司 | 一种网络弹性策略的处理方法及装置 |
CN111130834A (zh) * | 2018-11-01 | 2020-05-08 | 大唐移动通信设备有限公司 | 一种网络弹性策略的处理方法及装置 |
CN111431769A (zh) * | 2020-03-30 | 2020-07-17 | 招商局金融科技有限公司 | 数据监控方法、服务器及存储介质 |
CN114666223A (zh) * | 2020-12-04 | 2022-06-24 | 中国移动通信集团设计院有限公司 | 云计算资源池处理方法、装置及可读存储介质 |
CN114666223B (zh) * | 2020-12-04 | 2023-11-21 | 中国移动通信集团设计院有限公司 | 云计算资源池处理方法、装置及可读存储介质 |
CN115174415A (zh) * | 2022-06-30 | 2022-10-11 | 苏州浪潮智能科技有限公司 | 一种虚拟隧道端点的信息发布控制方法、装置及设备 |
CN115174415B (zh) * | 2022-06-30 | 2023-07-14 | 苏州浪潮智能科技有限公司 | 一种虚拟隧道端点的信息发布控制方法、装置及设备 |
CN115633197A (zh) * | 2022-09-15 | 2023-01-20 | 海南乾唐视联信息技术有限公司 | 一种业务数据的分流系统、方法、装置、电子设备和介质 |
Also Published As
Publication number | Publication date |
---|---|
CN106775936B (zh) | 2020-06-26 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106775936A (zh) | 一种虚拟机的管理方法及装置 | |
CN109343965A (zh) | 资源调整方法、装置、云平台和服务器 | |
CN104038392A (zh) | 一种云计算资源服务质量评估方法 | |
CN102640455B (zh) | 许可重新分发方法、调解器及其许可控制系统 | |
CN104735635B (zh) | 一种策略控制方法和装置 | |
CN109429255B (zh) | 流量调整方法、装置、服务器、电子设备及存储介质 | |
CN109684078A (zh) | 用于spark streaming的资源动态分配方法和系统 | |
EP3310093B1 (en) | Traffic control method and apparatus | |
CN103346978A (zh) | 一种虚拟机网络带宽公平性和稳定性保障方法 | |
CN106464733A (zh) | 一种调整云计算中虚拟资源的方法及装置 | |
CN103957517B (zh) | 一种ocs、前端网元、批价方法与速率监控方法 | |
CN103248622B (zh) | 一种自动伸缩的在线视频服务质量保障方法及系统 | |
US10382630B2 (en) | Telecommunication service subscription integration system | |
CN111768174A (zh) | 一种活动管理方法、装置、设备及介质 | |
CN106550010A (zh) | 一种实时控制分布式系统调用外系统服务频次的方法及系统 | |
CN106803815B (zh) | 一种流量控制方法和装置 | |
CN109756372B (zh) | 一种电信计费系统的弹性伸缩方法及装置 | |
US20220286564A1 (en) | Method and Apparatus for Dynamic Realtime Sharing of Credit Units for Online Charging | |
CN110659898B (zh) | 一种数据控制方法、装置及存储介质 | |
CN104135535A (zh) | 一种面向云计算的租户调整方法及系统 | |
CN104717625A (zh) | 一种信控处理的方法及装置 | |
CN111897659B (zh) | 业务处理频率的控制方法、系统、装置、电子设备 | |
CN111415261B (zh) | 银行系统的流控阈值动态更新的控制方法、系统和装置 | |
CN106327273A (zh) | 一种基于sts的预付费售电系统和方法 | |
CN109936465A (zh) | 一种云平台资源利用率评估方法及装置 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |