CN106797399B - 确定计算资源的新配置的配置方法、设备、系统和计算机可读介质 - Google Patents
确定计算资源的新配置的配置方法、设备、系统和计算机可读介质 Download PDFInfo
- Publication number
- CN106797399B CN106797399B CN201580054816.5A CN201580054816A CN106797399B CN 106797399 B CN106797399 B CN 106797399B CN 201580054816 A CN201580054816 A CN 201580054816A CN 106797399 B CN106797399 B CN 106797399B
- Authority
- CN
- China
- Prior art keywords
- time slot
- demand
- old
- new
- configuration
- 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.)
- Active
Links
Images
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L67/00—Network arrangements or protocols for supporting network services or applications
- H04L67/50—Network services
- H04L67/60—Scheduling or organising the servicing of application requests, e.g. requests for application data transmissions using the analysis and optimisation of the required network resources
- H04L67/62—Establishing a time schedule for servicing the requests
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L41/00—Arrangements for maintenance, administration or management of data switching networks, e.g. of packet switching networks
- H04L41/08—Configuration management of networks or network elements
- H04L41/0803—Configuration setting
- H04L41/0813—Configuration setting characterised by the conditions triggering a change of settings
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L41/00—Arrangements for maintenance, administration or management of data switching networks, e.g. of packet switching networks
- H04L41/14—Network analysis or design
- H04L41/142—Network analysis or design using statistical or mathematical methods
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L67/00—Network arrangements or protocols for supporting network services or applications
- H04L67/01—Protocols
- H04L67/10—Protocols in which an application is distributed across nodes in the network
Landscapes
- Engineering & Computer Science (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Physics & Mathematics (AREA)
- Algebra (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Analysis (AREA)
- Mathematical Optimization (AREA)
- Mathematical Physics (AREA)
- Probability & Statistics with Applications (AREA)
- Pure & Applied Mathematics (AREA)
- Data Exchanges In Wide-Area Networks (AREA)
- Debugging And Monitoring (AREA)
- Supply And Distribution Of Alternating Current (AREA)
Abstract
一种用于确定与功能相关联以及与至少一个未来时隙相关联的计算资源的新配置的配置方法、设备、系统和计算机可读介质,所述计算资源被定义为在时隙期间被分配给所述功能并且被包括在至少一个计算机内的不同计算能力,所述配置方法包括:第一步骤:确定旧需求;第二步骤:确定与所述旧需求相关联以及与多个新需求相关联的多个条件概率;第三步骤:确定与多个可用配置相关联的多个重新配置成本;以下步骤:选择所述新配置作为与所述最低重新配置成本相关联的所述可用配置。
Description
技术领域
本主题涉及对专用于在云内不同功能的实现的资源的优化,具体地但是非排他地涉及虚拟网络功能的概念。
背景技术
近来,已经引入了虚拟网络功能的概念以将信息技术(IT)虚拟化技术应用于电信网络功能。实际上,这种现代电信基础设施旨在利用将网络功能部署到虚拟化环境(例如,云基础设施)上的益处。这些益处在于,例如,但不限于,可靠性、体验质量(QoE)的改进。这些益处还在于减少了资本费用(CapEx)和运营费用(OpEx)。
然而,电信服务(特别地,但不限于,演进分组核心(EPC)、IP多媒体子系统(IMS)和内容传递网络(CDN)的电信服务)的运行伴有很大的超容量,在云环境中,考虑到调度和实例化/释放虚拟资源的能力存在弹性,这种超容量没有任何意义。为了充分利用虚拟化环境和根据实际需要优化服务链资源的可能性,用于实现网络功能的云基础设施应该提供一组不存在于现有技术中的系统或者方法的预测分析功能。
还已知的是,在2011年10月17日的IEEE智能电网通信国际会议内发布的HadiGoudarzi等人的会议论文“Demand-side load scheduling incentivized by dynamicenergy prices”。
发明内容
提供本发明内容是为了介绍与分配给网络功能的资源的重新配置有关并且特别地但非排他地与分配给云系统内的不同功能的资源的重新配置有关的概念。
在一种实施方式中,描述了一种配置方法。该方法配置为确定计算资源的新配置,该计算资源与功能相关联以及与至少一个未来时隙相关联,计算资源被定义为在时隙期间被分配给功能并且被包括在至少一个计算机内的不同计算能力。该配置方法包括:第一步骤:确定旧需求,该旧需求与功能相关联并且与至少一个先前时隙相关联,先前时隙位于未来时隙之前,以及第二步骤:确定多个条件概率,该多个条件概率与旧需求相关联并且与多个新需求相关联,这些条件概率表示处理旧需求的先前时隙之后跟随处理新需求的未来时隙的概率,以及第三步骤:确定多个重新配置成本,该多个重新配置成本与关联于新能力计算资源的多个可用配置相关联,并且使用:旧需求和/或旧能力和/或新需求和/或多个条件概率和/或每个时隙每个能力单位的运行成本和/或每个时隙每个未满足需求单位的惩罚成本和/或每个能力单位的缩放成本和/或时隙的持续时间。该方法还包括以下步骤:选择新配置作为与最低重新配置成本相关联的可用配置。
在一种实施方式中,描述了一种设备。该设备被配置为确定计算资源的新配置,该计算资源与功能相关联以及与至少一个未来时隙相关联的计算资源。计算资源被定义为在时隙期间被分配给功能并且被包括在至少一个计算机内的不同计算能力。该设备包括:第一确定模块,被配置为确定旧需求,该旧需求与功能相关联并且与至少一个先前时隙相关联;第二确定模块,被配置为确定多个条件概率,该多个条件概率与旧需求相关联并且与多个新需求相关联,这些条件概率表示处理旧需求的先前时隙之后正跟随有处理新需求的未来时隙的概率;以及第三确定模块,被配置为确定多个重新配置成本,该多个重新配置成本与关联于新能力计算资源的多个可用配置相关联,并且使用:旧需求和/或旧能力和/或新需求和/或多个条件概率和/或每个时隙每个能力单位的运行成本和/或每个时隙每个未满足需求单位的惩罚成本和/或每个能力单位的缩放成本和/或时隙的持续时间。该设备还包括选择模块,该选择模块被配置为选择新配置作为与最低重新配置成本相关联的可用配置。
在一种实施方式中,描述了一种系统。该系统配置为确定计算资源的新配置,该计算资源与功能相关联并且与至少一个未来时隙相关联,计算资源被定义为在时隙期间被分配给功能并且被包括在至少一个计算机内的不同计算能力。该系统包括至少一个设备,并且每个设备包括至少一个处理器;以及至少一个存储器,该存储器被耦合至处理器。存储器中的至少一个处理器包括第一确定模块,该第一确定模块被配置为确定旧需求,该旧需求与功能相关联并且与至少一个先前时隙相关联;存储器中的至少一个处理器包括第二确定模块,该第二确定模块被配置为确定多个条件概率,该多个条件概率与旧需求相关联并且与多个新需求相关联,这些条件概率表示处理旧需求的先前时隙之后正跟随有处理新需求的未来时隙的概率;以及存储器中的至少一个处理器包括第三确定模块,该第三确定模块被配置为确定多个重新配置成本,该多个重新配置成本与关联于新能力计算资源的多个可用配置相关联,并且使用:旧需求和/或旧能力和/或新需求和/或多个条件概率和/或每个时隙每个能力单位的运行成本和/或每个时隙每个未满足需求单位的惩罚成本和/或每个能力单位的缩放成本和/或时隙的持续时间;存储器中的至少一个存储器包括选择模块,该选择模块被配置为选择新配置作为与最低重新配置成本相关联的可用配置。
在一种实施方式中,描述了一种计算机可读介质。该计算机可读介质具有被实施在其上的计算机程序,该计算机程序被配置为实现用于确定计算资源的新配置的配置方法,该计算资源与功能相关联以及与至少一个未来时隙相关联,计算资源被定义为在时隙期间被分配给功能并且被包括在至少一个计算机内的不同计算能力。该配置方法包括:第一步骤:确定旧需求,该旧需求与功能相关联并且与至少一个先前时隙相关联,先前时隙位于未来时隙之前,以及第二步骤:确定多个条件概率。该多个条件概率与旧需求相关联并且与多个新需求相关联,这些条件概率表示处理旧需求的先前时隙之后正跟随有处理新需求的未来时隙的概率,以及第三步骤:确定多个重新配置成本,该多个重新配置成本与新能力相关联的计算资源的多个可用配置相关联,并且使用:旧需求和/或旧能力和/或新需求和/或多个条件概率和/或每个时隙每个能力单位的运行成本和/或每个时隙每个未满足需求单位的惩罚成本和/或每个能力单位的缩放成本和/或时隙的持续时间。该方法还包括以下步骤:选择新配置作为与最低重新配置成本相关联的可用配置。
附图说明
参照附图来描述具体实施方式。在附图中,附图标记的(多个)最左边的数字标识附图标记首次出现的图。在整个附图中使用相同的附图标记来表示类似的特征和部件。现在仅通过示例的方式并且参照附图来描述根据本主题的系统和/或方法的一些实施例,在图中:
图1图示了重新配置前置时间(lead time)的影响。
图2图示了本主题的方法对象的第一实施例。
图3图示了本主题的方法对象的第二实施例。
图4图示了本主题的设备对象的第一实施例。
图5图示了当需求/负载发生改变时,自己将应用服务链配置为新状态。
在本文中,此处使用词语“示例性”来表示“用作示例、实例或者说明”。不必将此处描述为“示例性”的本主题的任何实施例或者实施方式解释为比其它实施例优选或者有利。
本领域的技术人员应该了解,此处的任何框图表示体现了本主题的原理的说明性系统的概念图。类似地,应该了解,任何流程图、流程图表、状态转换图表、伪代码等表示可以实质上在计算机可读介质中表示并且因此由计算机或者处理器执行的各种进程,而无论是否明确示出了这种计算机或者处理器。
具体实施方式
在实施例中,利用基于对通信量负载的当前读取来触发虚拟功能弹性的响应方法,来管理被用于实现网络功能的云基础设施。该响应方法按照以下方式来运行:在传入的负载增加或者减少之后,服务调整其资源。
在本实施例中,云基础设施对当前负载条件做出反应并且在服务可以对能够有效地服务实际负载的服务链资源进行优化之前占用一些前置时间。可以将前置时间视为将新虚拟元件实例化的时间加上如在图1中示出的那样为实际使用配置新虚拟元件的时间。因此,每当系统必须重新配置与服务链的各个虚拟功能相关联的资源时,系统都遇到次优配置。该前置时间确定了服务在这些转换时段期间必须支付的成本(就服务水平协议(SLA)违规、服务质量差和管理成本而言)。
在另一实施例中,在虚拟环境中运行的云基础设施通过监测传入的负载并且将该负载与一些静态阈值相匹配来实施该响应方法,该静态阈值在负载超过或低于其指标时会发出警报。
在另一实施例中,通常通过响应触发阈值的传入负载来管理每个电信服务,该阈值指示是否必须增加或者减少特定的虚拟功能以满足实际通信量模式(traffic pattern)或者需求。在本文中,将通信量模式和需求视为同义词。例如,IMS上的IP语音应用通常涉及在虚拟机中运行的多种功能。例如,在IP语音应用的情况下,可以将需求描述为每分钟呼叫次数。该需求还可以是每分钟SMS消息数、每分钟数据分组数、或者每秒位数。虚拟机是计算机的基于软件的仿真。虚拟机基于计算机架构和真实或者假想计算机的功能来运行。通过在传入的负载改变时触发弹性缩放的特定阈值管理不同功能的资源管理。
在另一实施例中,云基础设施通过使用系统警报的组合来实施反应式缩放判定。这些警报由,例如,中央处理单元(CPU)利用、存储器使用率来定义,可以按照各种方式来集成中央处理单元(CPU)利用、存储器使用等以创建缩放判定。然而,本实施例不使用应用级指标、关于在不同虚拟机上运行的功能的信息、和影响这些虚拟功能的性能的负载模式。
在本主题的另一实施例中,提出了一种配置虚拟化基础设施的方法。该方法允许增加或者减少分配给虚拟功能的资源。所以,该方法允许确定与功能相关联并且专用于功能的计算资源的新配置。针对至少一个未来时隙来实现该确定。计算资源被定义为在时隙期间被分配给功能并且被包括在至少一个计算机内的不同计算能力。计算机指的是具有已知并且固定能力的真实计算机或者虚拟机。图2呈现的该配置方法包括以下步骤:
第一步骤201:确定旧需求,该需求与功能相关联并且与至少一个先前时隙相关联。先前时隙位于未来时隙之前。该第一确定步骤的目的在于:通过基于对时间序列通信量变化特征的历史分析使通信量变化平稳来确定传入的负载的表示。还将该步骤称为分析负载预测监视器的步骤。
通信量模式或者需求、传入的负载、传入的通信量、能力以及计算资源的配置之间存在直接关系。能力是用于处理需求的计算资源。如果能力高于需求,则能力未被充分利用,这表示资源浪费。如果能力低于需求,则该缺陷导致服务降级,根据服务水平协议,这可能导致惩罚。通过使用相同的单位来表示能力和需求,但是并不表示相同的元件。能力表示系统当前可处理的内容和系统在未来时隙内应该处理的需求。
第二步骤202:确定多个条件概率,该多个条件概率与旧需求相关联并且与多个新需求相关联,这些条件概率表示处理旧需求的先前时隙之后正跟随有处理新需求的未来时隙的概率。
在实施例中,该第二确定步骤202可以在该方法的离线部分内实现,并且可以被存储以便进一步实现该方法的其它步骤。
第三步骤203:确定多个重新配置成本,所述多个重新配置成本与关联于新能力的计算资源的多个可用配置相关联,并且使用:
旧需求和/或
旧能力和/或
新需求和/或
多个条件概率和/或
每个时隙每个能力单位的运行成本和/或
每个时隙每个未满足需求单位的惩罚成本和/或
每个能力单位的缩放成本和/或
时隙的持续时间。
换句话说,该步骤被配置为确定重新配置与功能相关联的新计算资源的成本。该成本通过前置时间生成,以启动并且配置新的虚拟功能、以及在这些重新配置期间引起的基础设施成本。
步骤204:选择新配置作为与最低重新配置成本相关联的可用配置。也将这两个先前步骤(203和204)的组合称为对资源的弹性控制步骤。换句话说,将这两个先前步骤的组合配置为控制作为步骤201和202的输入和输出的资源并且对服务链配置进行优化以使状态重新配置最小化,同时能够在没有任何前置时间的情况下服务传入的需求并且减少由于频繁并且长度较短的通信量变化而引起的可能的振荡。
在实施例中,确定旧需求的第一步骤201(也被称为分析负载预测步骤)通过使将触发昂贵的服务重新配置的小型通信量振荡平稳来监测并且分析当前通信量负载并且预测未来通信量。该步骤通过不同的接口(即,将各个虚拟功能与服务链中的其它功能接口连接的端口)读取实际负载指标。该步骤还可以读取来自网络外部的当前通信量。分析负载预测器然后获取这些读数并且计算当前需求或者负载状况。类似地,基于该引擎可从后台数据库中访问的过去的读数,计算在预测阶段中使用的过去需求的相关行为。预测阶段将实际负载与过去需求相结合以通过基于对时间序列通信量变化特征的历史分析使通信量变化平稳来预测传入的/未来的负载或者需求。该步骤提供了对长度较短的通信量变化不敏感的负载预测器。在更先进的实施例中,分析负载预测步骤可以利用来自新闻或者外部事件源的外部信息来确定意外的负载是否会命中考虑到的特定应用。
在实施例中,还将第一确定步骤201配置为:
在预定义数量的先前时隙内对功能的旧需求进行平均,或者
在预定义数量的先前时隙内选择功能的旧需求的最大值。
在第一确定步骤201的实施例中,历史数据是先前需求Hd,t,其中,d是日期并且t是当日时间。将数据分成用于工作日的数据和用于周末和假期的数据。对各组数据重复该操作。将当日时间划分成长度为τ′的时隙,该长度是缩放的前置时间。在各个时隙内对Hd,t进行聚合:针对跨t与t+τ′的时隙,我们选择在该时隙内的先前需求的统计数据Fd,w=f(Hd,t,...,Hd,l+τ′)来表示这些需求。例如,Fd,w可以是平均需求(Hd,t,...,Hd,t+τ′)/τ′或者需求的最大值max(Hd,t,...,Hd,t+τ′)。我们通过虚拟机c的能力来使Fd,w离散:将各个虚拟机映射到真实计算机中,并且各个虚拟机应该具有相同的能力。
在实施例中,还将第二确定步骤202配置为确定与旧需求相关联并且与多个新需求相关联的多个条件概率。通过获取以下内容之间的比率来实现该确定:
在未来时隙内功能处理新需求以及在旧时隙内功能处理旧需求的发生次数与在未来时隙内功能处理旧需求的发生次数。
在本实施例中,还可以将第二确定步骤202配置为使用以下公式:
Fw是与时隙w相关联的需求,以及
c是被包括在所述计算机内的能力量,以及
P(Dw+1=j|Dw=i)是已知时隙w期间功能处理需求j的情况下在时隙w+1期间功能处理需求j的条件概率,以及
Ni,w是在时隙w内功能处理需求i的事件的发生次数,以及
Ni,j,w是在时隙w内功能处理需求i以及在时隙w内功能处理需求i的发生次数。
在实施例中,确定多个重新配置成本的第三步骤203通过考虑不同的负载状况和资源利用率来描述与将配置应用虚拟功能和操作应用虚拟功能实例化相关联的成本。当应用未以充足的资源运行虚拟功能时,例如,在前置时间期间,该步骤对运行成本和惩罚成本进行离线描述。该机制将CPU利用率和存储器使用率等物理指标、应用元件(例如,虚拟机)、端对端性能指标等应用指标相结合,并且生成上面提到的成本。
在实施例中,还将第三确定步骤203配置为通过确定并且求和以下内容来确定与新能力相关联的计算资源的可用配置相关联的多个重新配置成本:
通过将新能力乘以每个时隙每个能力单位的运行成本并且最后乘以时隙的持续时间的运行多个新的可用配置的成本、和/或通过将每个能力单位的缩放成本乘以旧能力与新能力之差的绝对值的缩放多个新的可用配置的成本、和/或通过对与高于新能力的新需求相关联的多个惩罚成本进行求和而未满足的需求的惩罚,这些惩罚是通过将每个未满足需求单位的惩罚成本乘以与旧需求相关联的处理旧需求的先前时隙在要求较高需求的未来时隙之前的概率来确定的。
在本实施例中,还可以将第三确定步骤203配置为使用以下公式:
Cl=c0τl+cs|l-k|+cuτ∑j:j>lP(Dw+1=j|Dw=i)(j-l)
其中,Cl是与能力l相关联的重新配置成本,以及
co是每个时隙每个能力单位的运行成本,以及
cu是每个未满足需求单位的惩罚成本,以及
cs是每个能力单位的缩放成本,以及
P(Dw+1=j|Dw=i)是已知时隙w期间功能处理需求i的情况下在时隙w+1期间功能处理需求j的条件概率,以及
τ是时隙的持续时间,以及
j是将在未来时隙w+1中被处理的需求j,以及
i是在先前时隙w中被处理的需求,以及
k是先前时隙w中的能力。
换句话说,c0可以是保持计算资源运行的成本,诸如,运行云基础设施的电量成本。cu是在能力低于需求的情况下引起的。该缺陷导致服务下降并且导致违反服务水平协议。接着是在服务水平协议中规定的货币惩罚。cs是改变能力的成本。云系统在能力改变期间处于短暂状态。这可能导致服务质量下降和由于违反服务水平的引起的惩罚。
在第三确定步骤203的另一实施例中,我们假设在时隙w中功能可以处理需求i并且我们需要进行缩放判定。为了进行该缩放判定,确定与多个新能力相关联的缩放的成本。首先,我们从在时隙w中的当前需求Dw中提取在下一时隙Dw+1中处理的需求的条件或者转移概率:P(Dw+1=j|Dw=i)。通过权衡不同的成本来决定缩放的成本。
●运行成本。
●未满足需求的惩罚。
●缩放成本。
当需求增加并且我们不对能力进行缩放时,避免了引起缩放成本,但是可能不得不引起不符合需求的惩罚成本。当需求减少并且我们不对能力进行缩放时,避免了引起缩放成本,但是可能不得不引起空闲能力的运行成本。
在实施例中,选择新配置的步骤204(也被称为对资源的弹性控制步骤)对虚拟功能资源进行优化。通过从分析负载预测器获知的预测工作负载以及从成本估计器步骤获知的成本因素,来进行该优化。该分析弹性控制器步骤使得能够对虚拟功能资源进行优化。在任何时间点,通过该控制器生成的最佳配置保证服务链虚拟功能的最低重新配置,从而使得它们在能够服务当前需求和不远的未来需求的稳定状态下运行。
图3呈现了重新配置方法的另一实施例。在本实施例中,重新配置方法还包括步骤301:在未来时隙期间利用新配置来配置计算机。
图4呈现了专用于配置虚拟化基础设施的资源的设备的实施例。这些资源与网络功能相关联。在本实施例中,设备包括:
●第一确定模块401(也被称为分析负载预测器模块),该模块配置为确定旧需求,该旧需求与功能相关联并且与至少一个先前时隙相关联。该第一确定模块的目的在于:通过基于对时间序列通信量变化特征的历史分析使通信量变化平稳来确定传入的负载或者需求。还将该模块称为负载预测模块并且还可以将其配置为通过基于对时间序列通信量变化特征的历史分析使通信量变化平稳来估计传入的负载。
●第二确定模块,该模块被配置为确定多个条件概率,该条件概率与旧需求相关联并且与多个新需求相关联,这些条件概率表示处理旧需求的先前时隙之后正跟随有处理新需求的未来时隙的概率。
●第三确定(402)模块(也被称为成本估计器机制),该模块被配置为确定多个重新配置成本,该重新配置成本与关联于新能力的计算资源的多个可用配置相关联。还将该模块称为成本估计模块,并且可以将其配置为确定重新配置与虚拟功能相关联的资源的成本,连同在这些重新配置期间引起的基础设施成本,尤其是这些成本是由启动并且配置新的虚拟功能的前置时间引起的。
●模块403(也被称为分析弹性控制器模块),该模块403配置为选择新配置作为与最低重新配置成本相关联的可用新配置。还将先前两个模块的组合称为分析弹性控制器模块。可以将这两个先前步骤的组合配置为将这两个模块的输出作为输入并且对服务链配置进行优化以使状态重新配置最小化,同时能够在没有任何前置时间的情况下服务传入的需求并且减少由于频繁并且长度较短的通信量变化而引起的可能的振荡。
在实施例中,第一确定模块401(也被称为分析负载预测器)通过使将触发昂贵的服务重新配置的小型通信量振荡平稳来监测并且分析当前通信量负载并且预测未来通信量。该模块通过不同的接口(即,将各个虚拟功能与服务链中的其它功能接口连接的端口)读取实际负载指标。该模块还可以读取来自外部(即,网络)的当前通信量。分析负载预测器然后获取这些读数并且计算当前通信量/负载状况。类似地,基于该引擎可从后台数据库中访问的过去读数,计算在预测阶段中使用的过去需求的相关行为。预测阶段将实际负载与过去需求相结合以通过基于对时间序列通信量变化特征的历史分析使通信量变化平稳来预测传入的/未来负载。先进的分析引擎可以利用来自新闻或者外部事件源的外部信息以确定意外的负载是否会命中考虑到的特定应用。
在实施例中,第三确定模块402(也被称为成本估计器机制)通过考虑不同的负载状况和资源利用率来描述与将配置并且允许应用虚拟功能实例化相关联的成本。当应用未以充足的资源运行虚拟功能时,例如,在前置时间期间,该模块对运行成本和惩罚成本进行离线描述。该机制将CPU利用率和存储器使用率等物理指标、应用元件(例如,虚拟机)、端对端性能指标等应用指标相结合,并且生成上面提到的成本。
在实施例中,配置为选择新配置的模块403(也被称为分析弹性控制器模块)对虚拟功能资源进行优化。通过从分析负载预测器获知的预测工作负载以及从成本估计器模块获知的成本因素,来进行该优化。该分析弹性控制器模块使得能够对虚拟功能资源进行优化。在任何时间点,通过该控制器生成的最佳配置保证服务链虚拟功能的最低重新配置,从而使得它们在能够服务当前需求和不远的未来需求的稳定状态下运行。
在实施例中,通过实施计算机程序的软件(即,用于对资源管理进行优化的服务管理系统)来实现该方法。在云数据中心中,该方法与来自所有资源(例如,CPU、存储器、网络)的连续系统级别测量、传入的通信量负载和关键性能指标(KPI)的流有联系并且与正在运行的应用元件(例如,虚拟机)有联系。该方法将这些数据流和应用特定信息引导到分析负载预测器和成本估计器机制中。基于由成本估计器生成的预测的目标负载和成本曲线,分析弹性控制器主动地对部署(例如,特定VM的实例的数量)进行优化以使虚拟元件的缩放最小化,同时以最佳的方式向实际需求提供服务零前置时间。
在实施例中,通过使用一个或者多个处理器、(多个)I/O接口、和耦合至(多个)处理器的存储器来实现不同的模块。可以将(多个)处理器实施为一个或者多个微处理器、微计算机、微控制器、数字信号处理器、中央处理单元、状态机、逻辑电路、和/或基于操作指令来操纵信号的任何装置。(多个)处理器可以是单个处理单元或者多个单元,所有这些单元还可以包括多个计算单元。在其它能力中,(多个)处理器配置为获取并且执行存储在存储器中的计算机可读指令。
可以通过使用专用硬件以及能够执行与适当的软件相关联的软件的硬件来提供通过处理器实现的功能。当由处理器提供时,功能可以由单个专用处理器、由单个共享处理器、或者多个单独处理器来提供,可以共享其中一些处理器。此外,术语“处理器”的明确使用不应该被解释为排他性地指能够执行软件的硬件,并且可以隐含地包括,但不限于,数字信号处理器(DSP)硬件、网络处理器、专用集成电路(ASIC)、现场可编程门阵列(FPGA)、用于存储软件的只读存储器(ROM)、随机存取存储器(RAM)、和非易失性存储装置。还可以包括常规和/或定制的其它硬件。
存储器可以包括本领域已知的任何计算机可读介质,包括,例如,易失性存储器(诸如,静态随机存取存储器(SRAM)和动态随机存取存储器(DRAM))和/或非易失性存储器(诸如,只读存储器(ROM)、可擦除可编程ROM、闪存、硬盘、光盘、和磁带)。存储器包括模块和数据。模块包括执行特定任务或者实施特定抽象数据类型的例程、程序、对象、部件、数据结构等。除此之外,数据用作储库以便存储由一个或者多个模块处理、接收、和生成的数据。
本领域技术人员将容易地认识到,上面提出的方法的步骤可以由编程的计算机来执行。在本文中,一些实施例还旨在涵盖程序存储装置,例如,数字数据存储介质,该数字数据存储介质是机器或者计算机可读的并且编码机器可执行或者计算机可执行程序指令,其中,所述指令执行所描述方法的一些或者全部步骤。程序存储装置可以是,例如,数字存储器、磁存储介质(诸如,磁盘和磁带)、硬盘驱动器、或者光学可读数字存储介质。
在本主题的实施例中,图2描述的配置方法可以由编程的计算机来执行。该方法可以确定计算资源的新配置,该计算资源与功能相关联并且与至少一个未来时隙相关联。计算资源被定义为在时隙期间被分配给功能并且被包括在至少一个计算机内的不同计算能力。该配置方法包括:
第一步骤(201):确定旧需求,该旧需求与功能相关联并且与至少一个先前时隙相关联,先前时隙位于未来时隙之前,以及
第二步骤(202):确定多个条件概率,该多个条件概率与旧需求相关联并且与多个新需求相关联,这些条件概率表示处理旧需求的先前时隙之后正跟随有处理新需求的未来时隙的概率,以及
第三步骤(203):确定多个重新配置成本,该多个重新配置成本与关联于新能力计算资源的多个可用配置相关联,并且使用:
旧需求和/或
旧能力和/或
新需求和/或
多个条件概率和/或
每个时隙每个能力单位的运行成本和/或
每个时隙每个未满足需求单位的惩罚成本和/或
每个能力单位的缩放成本和/或
时隙的持续时间
步骤204:选择新配置作为与最低重新配置成本相关联的可用配置。
即使本主题的对象的方法和设备的不同实施例描述了对电信服务的服务链的管理,相同的原理也适用于对其它领域中的服务(例如,网络服务)的管理。
所以,通过使用本主题的对象的方法和设备的不同实施例,如在图5中示出的,当需求/负载发生变化时,可以根据应用服务链来将云基础设施主动地配置为新状态。
因此,本主题的方法和设备对象的实施例提供了检测快速通信量变化、考虑缩放虚拟功能的运行成本和管理成本的分析引擎的逻辑。然后,经由分析弹性控制器,考虑到长期通信量估计而对服务链虚拟资源进行优化以在减少SLA违规、降低较差的服务质量和管理成本的同时对应用性能进行优化。
本主题的方法和设备对象的实施例提供了一种在传入的通信量具有频繁并且长度较短的变化时处理虚拟元件的频繁扩大和缩小振荡的方法。这些频繁的状态重新配置(由于传入的负载的大变化)可能由于运营商不断地管理服务链的变化状态而产生违反SLA、服务质量差和管理成本高。本主题的方法和设备对象的实施例提供了一种用于避免先前描述的这些弊端的方法。
本主题的方法和设备对象的实施例甚至利用不稳定的服务链管理方法来运行虚拟功能重新配置。
本主题的方法和设备对象的实施例通过利用预测分析和优化策略来实施主动的方法,该预测分析和优化策略能够针对未来需求准备系统,同时避免在不同配置之间的前置时间振荡和服务振荡。因此,本主题的方法和设备对象减少了SLA违反、较差的服务质量和管理成本。
在一些情况下,复杂的云应用可以由基于静态阈值来进行缩放并且不考虑通信量波动的完全不同的部分组成(例如,在IMS的上下文中,例如,CSCF、HSS或者MGW)。如果通信量快速减少,则实际的弹性监视器触发阈值以缩减服务链中相应虚拟元件;然后,如果通信量在虚拟元件收缩之后立即恢复到先前的状态,则应用服务转移回先前的状态。本主题的方法和设备,尤其是弹性控制器模块或者步骤,能够检测快速通信量变化并且基于通过集成实时通信量预测器模块计算出来的平稳通信量估计来引导分析弹性控制器发起知情判定、使服务资源维持稳定、管理不远的未来传入的负载。
Claims (12)
1.一种用于确定计算资源的新配置的配置方法,所述计算资源与功能相关联以及与至少一个未来时隙相关联,
所述计算资源被定义为在时隙期间被分配给所述功能并且被包括在至少一个计算机内的不同计算能力,
所述配置方法包括:
第一确定步骤(201):确定旧需求,所述旧需求与所述功能相关联并且与至少一个先前时隙相关联,所述先前时隙位于所述未来时隙之前,以及
第二确定步骤(202):确定多个条件概率,所述多个条件概率与所述旧需求相关联并且与多个新需求相关联,这些条件概率表示处理旧需求的先前时隙之后正跟随有处理新需求的未来时隙的概率;以及
第三确定步骤(203):确定多个重新配置成本,所述多个重新配置成本与关联于新能力的计算资源的多个可用配置相关联,并且使用:
所述旧需求,或者
旧能力,或者
所述多个条件概率,或者
每个时隙每个能力单位的运行成本,或者
每个时隙每个未满足的需求单位的惩罚成本,或者
每个能力单位的缩放成本,
所述方法还包括步骤(204):选择与最低的重新配置成本相关联的所述可用配置作为新配置。
2.根据权利要求1所述的配置方法,其中:
所述第一确定步骤(201)还被配置为在预定义数目的所述先前时隙上对所述功能的所述旧需求进行平均,和/或被配置为在预定义数目的所述先前时隙上选择所述功能的所述旧需求的最大值。
3.根据权利要求1或者2所述的配置方法,其中:
所述第二确定步骤(202)还被配置为确定与所述旧需求相关联并且与多个新需求相关联的所述多个条件概率,作为以下两项之间的比率:
在所述未来时隙内所述功能处理所述新需求以及在所述先前时隙内所述功能处理所述旧需求的发生次数;以及
在所述未来时隙内所述功能处理所述旧需求的发生次数。
5.根据前述权利要求1或者2所述的配置方法,其中:
所述第三确定步骤(203)还被配置为通过确定并且求和以下各项来确定多个重新配置成本,所述多个重新配置成本与关联于所述新能力的计算资源的可用配置相关联:
通过将所述新能力乘以每个时隙每个能力单位的运行成本并且最后乘以所述时隙的持续时间来运行所述多个新的可用配置的成本,和/或
通过将每个能力单位的缩放成本乘以所述旧能力与所述新能力之差的绝对值来缩放所述多个新的可用配置的成本,和/或
通过对与高于所述新能力的新需求相关联的多个惩罚成本进行求和而未满足的需求的惩罚,这些惩罚是通过将每个未满足的需求单位的惩罚成本乘以与旧需求相关联的、处理旧需求的先前时隙之后是要求较高需求的未来时隙的概率来确定的。
7.根据前述权利要求1或2所述的配置方法,还包括:
步骤(301):在所述未来时隙期间利用所述新配置来配置所述计算机。
8.一种用于确定计算资源的新配置的设备,所述计算资源与功能相关联以及与至少一个未来时隙相关联,
所述计算资源被定义为在时隙期间被分配给所述功能并且被包括在至少一个计算机内的不同计算能力,
所述设备包括:
第一确定模块(401),被配置为确定旧需求,所述旧需求与所述功能相关联并且与至少一个先前时隙相关联,
第二确定模块,被配置为确定多个条件概率,所述多个条件概率与所述旧需求相关联并且与多个新需求相关联,这些条件概率表示处理旧需求的先前时隙之后正跟随有处理新需求的未来时隙的概率,以及
第三确定(402)模块,被配置为确定多个重新配置成本,所述多个重新配置成本与关联于新能力的计算资源的多个可用配置相关联,并且使用:
所述旧需求,或者
旧能力,或者
所述多个条件概率,或者
每个时隙每个能力单位的运行成本,或者
每个时隙每个未满足的需求单位的惩罚成本,或者
每个能力单位的缩放成本,
所述设备还包括选择模块(403),被配置为选择与最低的重新配置成本相关联的所述可用配置作为新配置。
9.根据权利要求8所述的设备,还包括:
配置模块,被适配用于在所述未来时隙期间利用所述新配置来配置所述计算机。
10.根据权利要求8或者9所述的设备,还包括:
至少一个处理器;
以及被耦合至所述处理器的至少一个存储器,
所述存储器包括所述第一、第二、和第三确定模块和所述选择模块以及所述配置模块。
11.一种用于确定计算资源的新配置的系统,所述计算资源与功能相关联以及与至少一个未来时隙相关联,
所述计算资源被定义为在时隙期间被分配给所述功能并且被包括在至少一个计算机内的不同计算能力,
所述系统包括至少一个设备,并且每个设备包括:
至少一个处理器;
以及被耦合至所述处理器的至少一个存储器,
所述存储器中的至少一个存储器包括第一确定模块(401),所述第一确定模块(401)被配置为确定旧需求,所述旧需求与所述功能相关联并且与至少一个先前时隙相关联,
所述存储器中的至少一个存储器包括第二确定模块,所述第二确定模块被配置为确定多个条件概率,所述多个条件概率与所述旧需求相关联并且与多个新需求相关联,这些条件概率表示处理旧需求的先前时隙之后正跟随有处理新需求的未来时隙的概率,以及
所述存储器中的至少一个存储器包括第三确定(402)模块,所述第三确定(402)模块被配置为确定多个重新配置成本,所述多个重新配置成本与关联于新能力的计算资源的多个可用配置相关联,并且使用:
所述旧需求,或者
旧能力,或者
所述多个条件概率,或者
每个时隙每个能力单位的运行成本,或者
每个时隙每个未满足的需求单位的惩罚成本,或者
每个能力单位的缩放成本,
所述存储器中的至少一个存储器包括选择模块(403),所述选择模块(403)被配置为选择与最低的重新配置成本相关联的所述可用配置作为新配置。
12.一种计算机可读介质,具有被实施在其上的计算机程序,所述计算机程序被配置为实现用于确定计算资源的新配置的配置方法,所述计算资源与功能相关联以及与至少一个未来时隙相关联,
所述计算资源被定义为在时隙期间被分配给所述功能并且被包括在至少一个计算机内的不同计算能力,
所述配置方法包括:
第一步骤(201):确定旧需求,所述旧需求与所述功能相关联并且与至少一个先前时隙相关联,所述先前时隙位于所述未来时隙之前,以及
第二步骤(202):确定多个条件概率,所述多个条件概率与所述旧需求相关联并且与多个新需求相关联,这些条件概率表示处理旧需求的先前时隙之后正跟随有处理新需求的未来时隙的概率,以及
第三步骤(203):确定多个重新配置成本,所述多个重新配置成本与新能力相关联的计算资源的多个可用配置相关联,并且使用:
所述旧需求,或者
旧能力,或者
所述多个条件概率,或者
每个时隙每个能力单位的运行成本,或者
每个时隙每个未满足的需求单位的惩罚成本,或者
每个能力单位的缩放成本,
所述方法还包括步骤(204):选择与最低的重新配置成本相关联的所述可用配置作为新配置。
Applications Claiming Priority (3)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
EP14306606.6A EP3007407B1 (en) | 2014-10-10 | 2014-10-10 | Configuration method, equipment, system and computer readable medium for determining a new configuration of calculation resources |
EP14306606.6 | 2014-10-10 | ||
PCT/EP2015/070634 WO2016055229A1 (en) | 2014-10-10 | 2015-09-09 | Configuration method, equipment, system and computer readable medium for determining a new configuration of calculation resources |
Publications (2)
Publication Number | Publication Date |
---|---|
CN106797399A CN106797399A (zh) | 2017-05-31 |
CN106797399B true CN106797399B (zh) | 2020-03-06 |
Family
ID=51866103
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201580054816.5A Active CN106797399B (zh) | 2014-10-10 | 2015-09-09 | 确定计算资源的新配置的配置方法、设备、系统和计算机可读介质 |
Country Status (5)
Country | Link |
---|---|
US (1) | US10511691B2 (zh) |
EP (1) | EP3007407B1 (zh) |
JP (1) | JP6490806B2 (zh) |
CN (1) | CN106797399B (zh) |
WO (1) | WO2016055229A1 (zh) |
Families Citing this family (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US10887172B2 (en) * | 2015-07-28 | 2021-01-05 | British Telecommunications Public Limited Company | Network function virtualization |
US10178045B2 (en) * | 2016-09-07 | 2019-01-08 | Sap Se | Dynamic discovery and management of microservices for multi-cluster computing platforms |
WO2019016584A1 (en) * | 2017-07-17 | 2019-01-24 | Telefonaktiebolaget Lm Ericsson (Publ) | TRIGGER CORRELATION FOR DYNAMIC SYSTEM RECONFIGURATION |
CN107689891A (zh) * | 2017-09-01 | 2018-02-13 | 广西大学 | 大规模突访情境下容器云弹性供给时间点预测方法与系统 |
CN114327372B (zh) * | 2020-09-29 | 2024-05-31 | 腾讯科技(深圳)有限公司 | 一种质量需求配置方法、装置、设备和介质 |
US11681438B2 (en) * | 2021-05-28 | 2023-06-20 | Dell Products L.P. | Minimizing cost of disk fulfillment |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US8782211B1 (en) * | 2010-12-21 | 2014-07-15 | Juniper Networks, Inc. | Dynamically scheduling tasks to manage system load |
Family Cites Families (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7594006B2 (en) * | 2004-04-27 | 2009-09-22 | Hewlett-Packard Development Company, L.P. | Trending method and apparatus for resource demand in a computing utility |
US20060029097A1 (en) * | 2004-06-07 | 2006-02-09 | Mcgee Michael S | Dynamic allocation and configuration of a computer system's network resources |
JP4932749B2 (ja) * | 2008-01-18 | 2012-05-16 | 株式会社日立製作所 | リソース状態予測装置、リソース状態予測方法、およびプログラム |
US8670324B2 (en) * | 2008-07-30 | 2014-03-11 | Fimax Technology Limited | Fair weighted network congestion avoidance |
US8320948B2 (en) * | 2009-03-25 | 2012-11-27 | Futurewei Technologies, Inc. | System and method for probability-based resource allocation in a wireless communications system |
US8478451B2 (en) * | 2009-12-14 | 2013-07-02 | Intel Corporation | Method and apparatus for dynamically allocating power in a data center |
US8909785B2 (en) * | 2011-08-08 | 2014-12-09 | International Business Machines Corporation | Smart cloud workload balancer |
US9864634B2 (en) * | 2012-02-06 | 2018-01-09 | International Business Machines Corporation | Enhancing initial resource allocation management to provide robust reconfiguration |
US10225034B2 (en) * | 2012-11-26 | 2019-03-05 | Telefonaktiebolaget Lm Ericsson (Publ) | Method, apparatus, and system for interference metric signalling |
US20140297833A1 (en) * | 2013-03-29 | 2014-10-02 | Alcatel Lucent | Systems And Methods For Self-Adaptive Distributed Systems |
-
2014
- 2014-10-10 EP EP14306606.6A patent/EP3007407B1/en active Active
-
2015
- 2015-09-09 CN CN201580054816.5A patent/CN106797399B/zh active Active
- 2015-09-09 JP JP2017519284A patent/JP6490806B2/ja not_active Expired - Fee Related
- 2015-09-09 US US15/517,052 patent/US10511691B2/en not_active Expired - Fee Related
- 2015-09-09 WO PCT/EP2015/070634 patent/WO2016055229A1/en active Application Filing
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US8782211B1 (en) * | 2010-12-21 | 2014-07-15 | Juniper Networks, Inc. | Dynamically scheduling tasks to manage system load |
Non-Patent Citations (1)
Title |
---|
Hadi Goudarzi;Safar Hatami;Massoud Pedra.Demand-side load scheduling incentivized by dynamic energy prices.《IEEE》.2011, * |
Also Published As
Publication number | Publication date |
---|---|
WO2016055229A1 (en) | 2016-04-14 |
JP2017530482A (ja) | 2017-10-12 |
CN106797399A (zh) | 2017-05-31 |
US20170244808A1 (en) | 2017-08-24 |
JP6490806B2 (ja) | 2019-03-27 |
EP3007407A1 (en) | 2016-04-13 |
US10511691B2 (en) | 2019-12-17 |
EP3007407B1 (en) | 2018-08-15 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106797399B (zh) | 确定计算资源的新配置的配置方法、设备、系统和计算机可读介质 | |
Taherizadeh et al. | Dynamic multi-level auto-scaling rules for containerized applications | |
US10542079B2 (en) | Automated profiling of resource usage | |
US20150286507A1 (en) | Method, node and computer program for enabling automatic adaptation of resource units | |
US9766693B2 (en) | Scheduling framework for virtual machine power modes | |
US8305911B2 (en) | System and method for identifying and managing service disruptions using network and systems data | |
KR20110128825A (ko) | 에너지-인식 서버 관리 | |
Oddi et al. | A resource allocation algorithm of multi-cloud resources based on markov decision process | |
JP4866636B2 (ja) | 分散型プログラム実行環境における稼動品質管理方法 | |
US11269688B2 (en) | Scaling distributed computing system resources based on load and trend | |
Iglesias et al. | Orca: an orchestration automata for configuring vnfs | |
US20210014135A1 (en) | Wan tunnel kpi/sla prediction and schedule recommender | |
Truong et al. | Performance analysis of large-scale distributed stream processing systems on the cloud | |
US20170208121A1 (en) | Server pool management | |
Yuan et al. | Virtual network function scheduling via multilayer encoding genetic algorithm with distributed bandwidth allocation | |
Carrega et al. | Coupling energy efficiency and quality for consolidation of cloud workloads | |
Tsenos et al. | Amesos: a scalable and elastic framework for latency sensitive streaming pipelines | |
Wamser et al. | Orchestration and monitoring in fog computing for personal edge cloud service support | |
Monteil et al. | Learning-based reservation of virtualized network resources | |
Giagkos et al. | Darly: Deep Reinforcement Learning for QoS-aware scheduling under resource heterogeneity Optimizing serverless video analytics | |
Globa et al. | Conditionally infinite telecommunication resource for subscribers | |
Wong et al. | Spa: Harnessing availability in the aws spot market | |
Canon et al. | Assessing power needs to run a workload with quality of service on green datacenters | |
Zalokostas-Diplas et al. | Experimental Evaluation of ML Models for Dynamic VNF Autoscaling | |
US11681460B2 (en) | Scaling of an ordered event stream based on a writer group characteristic |
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 |