CN107391230B - 一种确定虚拟机负载的实现方法和装置 - Google Patents

一种确定虚拟机负载的实现方法和装置 Download PDF

Info

Publication number
CN107391230B
CN107391230B CN201710625231.5A CN201710625231A CN107391230B CN 107391230 B CN107391230 B CN 107391230B CN 201710625231 A CN201710625231 A CN 201710625231A CN 107391230 B CN107391230 B CN 107391230B
Authority
CN
China
Prior art keywords
load
virtual machine
neural network
monitoring data
monitoring
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
Application number
CN201710625231.5A
Other languages
English (en)
Other versions
CN107391230A (zh
Inventor
李新虎
于辉
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Suzhou Inspur Intelligent Technology Co Ltd
Original Assignee
Suzhou Inspur Intelligent Technology Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Suzhou Inspur Intelligent Technology Co Ltd filed Critical Suzhou Inspur Intelligent Technology Co Ltd
Priority to CN201710625231.5A priority Critical patent/CN107391230B/zh
Publication of CN107391230A publication Critical patent/CN107391230A/zh
Application granted granted Critical
Publication of CN107391230B publication Critical patent/CN107391230B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G06N3/084—Backpropagation, e.g. using gradient descent
    • 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
    • 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
    • G06F2009/45579—I/O management, e.g. providing access to device drivers or storage
    • 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
    • G06F2009/45583—Memory management, e.g. access or allocation

Landscapes

  • Engineering & Computer Science (AREA)
  • Software Systems (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Debugging And Monitoring (AREA)

Abstract

本发明实施例公开了一种确定虚拟机负载的实现方法，该方法包括：基于虚拟机负载监控数据样本对预建的反向传播BP神经网络模型进行训练，以获得BP神经网络负载确定模型；计算预设时间段内各项监控资源的平均使用量信息；将平均使用量信息输入BP神经网络负载确定模型以确定虚拟机负载。本发明实施例还公开了一种确定虚拟机负载的实现装置。通过本发明实施例，实现了高效、准确地确定和监控虚拟机负载，提高了云数据中心中的资源利用率。

Description

一种确定虚拟机负载的实现方法和装置
技术领域
本发明实施例涉及虚拟机监控技术，尤指一种确定虚拟机负载的实现方法和装置。
背景技术
当前，云计算逐渐被行业认可，云数据中心操作系统逐渐实现并付诸于实践，在社会生产和生活领域中起到越来越重要的作用。云计算核心的载体是虚拟机，虚拟机及其上业务的稳定性、虚拟机运行时的负载精准确定和动态调整也是衡量云数据中心操作系统健壮性的重要指标之一。目前业界在虚拟机负载确定时，往往只是根据某一时刻点的中央处理器CPU、内存、磁盘输入输出IO和网络IO值进行综合确定，不能正确反映某段时间内该虚拟机的负载情况，存在有较大的误差。
发明内容
为了解决上述技术问题，本发明实施例提供了一种确定虚拟机负载的实现方法和装置，能够实现高效、准确地确定和监控虚拟机负载，提高云数据中心中的资源利用率。
为了达到本发明实施例目的，本发明实施例提供了一种确定虚拟机负载的实现方法，该方法包括：
基于虚拟机负载监控数据样本对预建的反向传播BP神经网络模型进行训练，以获得BP神经网络负载确定模型；
计算预设时间段内各项监控资源的平均使用量信息；
将平均使用量信息输入BP神经网络负载确定模型以确定虚拟机负载。
可选地，基于虚拟机负载监控数据样本对预建的反向传播BP神经网络模型进行训练包括：
将多个虚拟机负载监控数据样本P以多维输入向量的形式输入BP神经网络模型；
多维输入向量经过BP神经网络模型的各层后输出虚拟机负载值。
可选地，该多维输入向量为四维输入向量；
四维输入向量包括：P＝{c，m，s，n}；
其中，c表示CPU负载比例、m表示内存负载比例、s表示磁盘IO负载比例、n表示网络带宽负载比例；
如图2所示，BP神经网络模型包括：输入层、隐含层和输出层；
其中，输入层包含4个神经元，隐含层包含4个神经元，输出层包含1个神经元。
可选地，计算预设时间段内各项监控资源的平均使用量信息包括：
从预设的监控数据存储模块获取自当前时刻向前推得到的预设时间段内的各项监控资源的负载监控数据；
计算获取的各项监控资源的负载监控数据的平均值，作为各项监控资源的平均使用量信息。
可选地，各项监控资源包括：中央处理器CPU、内存、网络输入输出IO和/或磁盘IO。
为了达到本发明实施例目的，本发明实施例还提供了一种确定虚拟机负载的实现装置，该装置包括：训练模块、计算模块和确定模块；
训练模块，用于基于虚拟机负载监控数据样本对预建的反向传播BP神经网络模型进行训练，以获得BP神经网络负载确定模型；
计算模块，用于计算预设时间段内各项监控资源的平均使用量信息；
确定模块，用于将平均使用量信息输入BP神经网络负载确定模型以确定虚拟机负载。
可选地，训练模块基于虚拟机负载监控数据样本对预建的反向传播BP神经网络模型进行训练包括：
将多个虚拟机负载监控数据样本P以多维输入向量的形式输入BP神经网络模型；
多维输入向量经过BP神经网络模型的各层后输出虚拟机负载值。
可选地，该多维输入向量为四维输入向量；四维输入向量包括：P＝{c，m，s，n}；
其中，c表示CPU负载比例、m表示内存负载比例、s表示磁盘IO负载比例、n表示网络带宽负载比例；
BP神经网络模型包括：输入层、隐含层和输出层；
其中，所述输入层包含4个神经元，所述隐含层包含4个神经元，所述输出层包含1个神经元。
可选地，计算模块计算预设时间段内各项监控资源的平均使用量信息包括：
从预设的监控数据存储模块获取自当前时刻向前推得到的预设时间段内的各项监控资源的负载监控数据；
计算获取的各项监控资源的负载监控数据的平均值，作为各项监控资源的平均使用量信息。
可选地，各项监控资源包括：中央处理器CPU、内存、网络输入输出IO和/或磁盘IO。
本发明实施例包括：基于虚拟机负载监控数据样本对预建的反向传播BP神经网络模型进行训练，以获得BP神经网络负载确定模型；计算预设时间段内各项监控资源的平均使用量信息；将平均使用量信息输入BP神经网络负载确定模型以确定虚拟机负载。通过本发明实施例，实现了高效、准确地确定和监控虚拟机负载，提高了云数据中心中的资源利用率。
本发明实施例的其它特征和优点将在随后的说明书中阐述，并且，部分地从说明书中变得显而易见，或者通过实施本发明实施例而了解。本发明实施例的目的和其他优点可通过在说明书、权利要求书以及附图中所特别指出的结构来实现和获得。
附图说明
附图用来提供对本发明实施例技术方案的进一步理解，并且构成说明书的一部分，与本申请的实施例一起用于解释本发明实施例的技术方案，并不构成对本发明实施例技术方案的限制。
图1为本发明实施例的确定虚拟机负载的实现方法流程图；
图2为本发明实施例的BP神经网络模型示意图；
图3为本发明实施例的确定虚拟机负载的实现装置组成框图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚明白，下文中将结合附图对本发明的实施例进行详细说明。需要说明的是，在不冲突的情况下，本申请中的实施例及实施例中的特征可以相互任意组合。
在附图的流程图示出的步骤可以在诸如一组计算机可执行指令的计算机系统中执行。并且，虽然在流程图中示出了逻辑顺序，但是在某些情况下，可以以不同于此处的顺序执行所示出或描述的步骤。
为了达到本发明实施例目的，本发明实施例提供了一种确定虚拟机负载的实现方法，需要说明的是，该方法同样适用于物理机。如图1所示，该方法可以包括S101-S103：
S101、基于虚拟机负载监控数据样本对预建的反向传播BP神经网络模型进行训练，以获得BP神经网络负载确定模型。
在本发明实施例中，本发明实施例方案是将采集的虚拟机负载监控数据输入训练好的BP神经网络负载确定模型中直接获得输出结果，能够准确、高效地实现虚拟机负载的确定和监控。在此之前，需要首先基于大规模的虚拟机(同样适用于物理机)负载监控数据样本对预先建立的BP神经网络模型进行训练，以获得该BP神经网络负载确定模型。
可选地，基于虚拟机负载监控数据样本对预建的反向传播BP神经网络模型进行训练包括：
将多个虚拟机负载监控数据样本P以多维输入向量的形式输入BP神经网络模型；
多维输入向量经过BP神经网络模型的各层后输出虚拟机负载值。
可选地，该多维输入向量为四维输入向量；
四维输入向量可以包括：P＝{c，m，s，n}；
其中，c表示CPU负载比例、m表示内存负载比例、s表示磁盘IO负载比例、n表示网络带宽负载比例；
BP神经网络模型可以包括：输入层、隐含层和输出层；
其中，输入层包含4个神经元，隐含层包含4个神经元，输出层包含1个神经元。
在本发明实施例中，每一个负载监控数据可以为四维输入向量P＝{c，m，s，n}，其中的各个向量c、m、s、n可以分别表示CPU负载比例(％)、内存负载比例(％)、磁盘IO负载比例(％)、网络带宽负载比例(％)等，当然在其它实施例中还可以表示其他监控项的负载比例；BP神经网络模型的输出设定为具体的负载值。其中，BP神经网络模型可以设定为多层结构，例如，3层，可以分别包括输入层(4个神经元)、隐含层(4个神经元)和输出层(1个神经元)。本发明实施例的BP神经网络负载确定模型经训练得到可以用于云数据中心中的虚拟机(或物理机)负载值的确定与监测。
S102、计算预设时间段内各项监控资源的平均使用量信息。
在本发明实施例中，通过上述方案确定出BP神经网络负载确定模型后，便可以根据该模型对实时监控获得的监控数据进行处理，以获得各种监控资源的负载情况。
可选地，计算预设时间段内各项监控资源的平均使用量信息可以包括：
从预设的监控数据存储模块获取自当前时刻向前推得到的预设时间段内的各项监控资源的负载监控数据；
计算获取的各项监控资源的负载监控数据的平均值，作为各项监控资源的平均使用量信息。
可选地，各项监控资源可以包括：中央处理器CPU、内存、网络输入输出IO和/或磁盘IO。
在本发明实施例中，可以预先设置监控数据存储模块，各种监控设备可以周期性或实时地向该监控数据存储模块写入监控数据中心虚拟机(或物理机)的各项监控资源的具体负载监控数据。
在本发明实施例中，在进行各项监控资源的平均使用量信息计算时，可以首先自当前时刻向前推一段时间(如1小时，该时间可以自己定义)，即上述的预设时间段的长度，并从该监控数据存储模块中读取该时间段内的各项监控资源的负载监控数据，作为计算的初始数据。根据该初始数据可以计算出负载监控数据的平均值(即CPU、内存、磁盘IO、网络IO等在该预设时间段内的平均值)，作为各项监控资源的平均使用量信息。
在本发明实施例中，将该负载监控数据的平均值作为已训练好的BP神经网络负载确定模型的输入值，以计算得到该段时间内的具体负载值，并可以将其存储在预设的数据存储单元的负载值存储模块中，可以为后续云数据中心中进行资源调整时的其他操作提供准确的数据支持。
S103、将平均使用量信息输入BP神经网络负载确定模型以确定虚拟机负载。
在本发明实施例中，将平均使用量信息输入BP神经网络负载确定模型以后，BP神经网络负载确定模型便可以输出具体的负载值，从而直接确定出虚拟机负载。
为了达到本发明实施例目的，本发明实施例还提供了一种确定虚拟机负载的实现装置1，需要说明的是，上述的方法实施例中的任何实施例均适用于该装置实施例中，在此不再一一赘述。如图3所示，该装置可以包括：训练模块11、计算模块12和确定模块13；
训练模块11，用于基于虚拟机负载监控数据样本对预建的反向传播BP神经网络模型进行训练，以获得BP神经网络负载确定模型；
计算模块12，用于计算预设时间段内各项监控资源的平均使用量信息；
确定模块13，用于将平均使用量信息输入BP神经网络负载确定模型以确定虚拟机负载。
可选地，训练模块11基于虚拟机负载监控数据样本对预建的反向传播BP神经网络模型进行训练包括：
将多个虚拟机负载监控数据样本P以多维输入向量的形式输入BP神经网络模型；
多维输入向量经过BP神经网络模型的各层后输出虚拟机负载值。
可选地，该多维输入向量为四维输入向量；四维输入向量包括：P＝{c，m，s，n}；
其中，c表示CPU负载比例、m表示内存负载比例、s表示磁盘IO负载比例、n表示网络带宽负载比例；
BP神经网络模型包括：输入层、隐含层和输出层；
其中，所述输入层包含4个神经元，所述隐含层包含4个神经元，所述输出层包含1个神经元。
可选地，计算模块12计算预设时间段内各项监控资源的平均使用量信息包括：
从预设的监控数据存储模块获取自当前时刻向前推得到的预设时间段内的各项监控资源的负载监控数据；
计算获取的各项监控资源的负载监控数据的平均值，作为各项监控资源的平均使用量信息。
可选地，各项监控资源包括：中央处理器CPU、内存、网络输入输出IO和/或磁盘IO。
本发明实施例包括：基于虚拟机负载监控数据样本对预建的反向传播BP神经网络模型进行训练，以获得BP神经网络负载确定模型；计算预设时间段内各项监控资源的平均使用量信息；将平均使用量信息输入BP神经网络负载确定模型以确定虚拟机负载。通过本发明实施例，实现了高效、准确地确定和监控虚拟机负载，提高了云数据中心中的资源利用率。
虽然本发明实施例所揭露的实施方式如上，但所述的内容仅为便于理解本发明而采用的实施方式，并非用以限定本发明实施例。任何本发明实施例所属领域内的技术人员，在不脱离本发明实施例所揭露的精神和范围的前提下，可以在实施的形式及细节上进行任何的修改与变化，但本发明实施例的专利保护范围，仍须以所附的权利要求书所界定的范围为准。

Claims (6)

1.一种确定虚拟机负载的实现方法，其特征在于，所述方法包括：
基于虚拟机负载监控数据样本对预建的反向传播BP神经网络模型进行训练，以获得BP神经网络负载确定模型；
计算预设时间段内各项监控资源的平均使用量信息；
将所述平均使用量信息输入所述BP神经网络负载确定模型以确定所述虚拟机负载；
其中，所述基于虚拟机负载监控数据样本对预建的反向传播BP神经网络模型进行训练包括：
将多个所述虚拟机负载监控数据样本P以多维输入向量的形式输入所述BP神经网络模型；
所述多维输入向量经过所述BP神经网络模型的各层后输出虚拟机负载值；其中，所述多维输入向量为四维输入向量；
所述四维输入向量包括：P＝{c，m，s，n}；
其中，c表示CPU负载比例、m表示内存负载比例、s表示磁盘IO负载比例、n表示网络带宽负载比例；
所述BP神经网络模型包括：输入层、隐含层和输出层；
其中，所述输入层包含4个神经元，所述隐含层包含4个神经元，所述输出层包含1个神经元。
2.根据权利要求1所述的确定虚拟机负载的实现方法，其特征在于，所述计算预设时间段内各项监控资源的平均使用量信息包括：
从预设的监控数据存储模块获取自当前时刻向前推得到的所述预设时间段内的所述各项监控资源的负载监控数据；
计算获取的所述各项监控资源的负载监控数据的平均值，作为所述各项监控资源的平均使用量信息。
3.根据权利要求1-2任意一项所述的确定虚拟机负载的实现方法，其特征在于，所述各项监控资源包括：中央处理器CPU、内存、网络输入输出IO和/或磁盘IO。
4.一种确定虚拟机负载的实现装置，其特征在于，所述装置包括：训练模块、计算模块和确定模块；
所述训练模块，用于基于虚拟机负载监控数据样本对预建的反向传播BP神经网络模型进行训练，以获得BP神经网络负载确定模型；
所述计算模块，用于计算预设时间段内各项监控资源的平均使用量信息；
所述确定模块，用于将所述平均使用量信息输入所述BP神经网络负载确定模型以确定所述虚拟机负载；
其中，所述训练模块基于虚拟机负载监控数据样本对预建的反向传播BP神经网络模型进行训练包括：
将多个所述虚拟机负载监控数据样本P以多维输入向量的形式输入所述BP神经网络模型；
所述多维输入向量经过所述BP神经网络模型的各层后输出虚拟机负载值；所述多维输入向量为四维输入向量；
所述四维输入向量包括：P＝{c，m，s，n}；
其中，c表示CPU负载比例、m表示内存负载比例、s表示磁盘IO负载比例、n表示网络带宽负载比例；
所述BP神经网络模型包括：输入层、隐含层和输出层；
其中，所述输入层包含4个神经元，所述隐含层包含4个神经元，所述输出层包含1个神经元。
5.根据权利要求4所述的确定虚拟机负载的实现装置，其特征在于，所述计算模块计算预设时间段内各项监控资源的平均使用量信息包括：
从预设的监控数据存储模块获取自当前时刻向前推得到的所述预设时间段内的所述各项监控资源的负载监控数据；
计算获取的所述各项监控资源的负载监控数据的平均值，作为所述各项监控资源的平均使用量信息。
6.根据权利要求4-5任意一项所述的确定虚拟机负载的实现装置，其特征在于，所述各项监控资源包括：中央处理器CPU、内存、网络输入输出IO和/或磁盘IO。
CN201710625231.5A 2017-07-27 2017-07-27 一种确定虚拟机负载的实现方法和装置 Active CN107391230B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201710625231.5A CN107391230B (zh) 2017-07-27 2017-07-27 一种确定虚拟机负载的实现方法和装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201710625231.5A CN107391230B (zh) 2017-07-27 2017-07-27 一种确定虚拟机负载的实现方法和装置

Publications (2)

Publication Number Publication Date
CN107391230A CN107391230A (zh) 2017-11-24
CN107391230B true CN107391230B (zh) 2021-03-09

Family

ID=60342412

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201710625231.5A Active CN107391230B (zh) 2017-07-27 2017-07-27 一种确定虚拟机负载的实现方法和装置

Country Status (1)

Country Link
CN (1) CN107391230B (zh)

Families Citing this family (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108255581A (zh) * 2018-01-15 2018-07-06 郑州云海信息技术有限公司 一种基于神经网络模型的负载确定方法、装置及系统
CN109634715A (zh) * 2018-11-16 2019-04-16 国家电网有限公司 虚拟机资源运行数据智能预测方法
CN109522093A (zh) * 2018-11-16 2019-03-26 国家电网有限公司 电力云虚拟机负载预测方法
CN112100024B (zh) * 2020-08-14 2022-06-17 北京浪潮数据技术有限公司 一种资源负载异常检测方法、装置及设备

Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105607948A (zh) * 2015-12-18 2016-05-25 国云科技股份有限公司 一种基于sla的虚拟机迁移预测方法

Family Cites Families (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2016009276A (ja) * 2014-06-23 2016-01-18 富士通株式会社 システム、認証装置、認証プログラム、及び、認証方法
CN106933649B (zh) * 2016-12-21 2020-11-06 华南师范大学 基于移动平均和神经网络的虚拟机负载预测方法及系统
CN106502799A (zh) * 2016-12-30 2017-03-15 南京大学 一种基于长短时记忆网络的主机负载预测方法

Patent Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105607948A (zh) * 2015-12-18 2016-05-25 国云科技股份有限公司 一种基于sla的虚拟机迁移预测方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
基于BP神经网络负载预测的虚拟机部署策略;张蓓蓓，等;《华中科技大学学报（自然科学版）》;20121231;第40卷;第1-3章 *

Also Published As

Publication number Publication date
CN107391230A (zh) 2017-11-24

Similar Documents

Publication Publication Date Title
KR102170105B1 (ko) 신경 네트워크 구조의 생성 방법 및 장치, 전자 기기, 저장 매체
CN107391230B (zh) 一种确定虚拟机负载的实现方法和装置
CN111435463B (zh) 数据处理方法及相关设备、系统
CN109684162B (zh) 设备状态预测方法、系统、终端及计算机可读存储介质
US11429653B2 (en) Generating estimated trait-intersection counts utilizing semantic-trait embeddings and machine learning
CN111814910B (zh) 异常检测方法、装置、电子设备及存储介质
CN111274256A (zh) 基于时序数据库的资源管控方法、装置、设备及存储介质
CN109842563A (zh) 内容分发网络流量调度方法、装置和计算机可读存储介质
CN115085196B (zh) 电力负荷预测值确定方法、装置、设备和计算机可读介质
CN115150471B (zh) 数据处理方法、装置、设备、存储介质及程序产品
CN103713935A (zh) 一种在线管理Hadoop集群资源的方法和装置
CN110737655A (zh) 用于上报数据的方法和装置
KR102543838B1 (ko) 정보 획득 방법 및 장치
CN105022833A (zh) 一种数据处理的方法、节点及监控系统
CN116629612A (zh) 一种风险预测的方法、装置、存储介质及电子设备
CN111447193A (zh) 一种针对实时数据流进行异常检测的方法及装置
CN113705684B (zh) 反向迭代的异常检测方法、装置、电子设备及介质
US20220222752A1 (en) Methods for analyzing insurance data and devices thereof
CN114298319B (zh) 联合学习贡献值的确定方法、装置、电子设备及存储介质
CN109726086A (zh) 测试服务器性能的方法和装置
US10546243B1 (en) Predicting particle size distribution and particle morphology
CN113934894A (zh) 基于指标树的数据显示方法、终端设备
CN110019068B (zh) 一种日志文本处理方法和装置
CN115378842B (zh) 一种资源监控的方法、装置、存储介质及设备
CN109614506A (zh) 一种基于rocksdb排重数据导入图库的方法、装置及存储介质

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
TA01 Transfer of patent application right
TA01 Transfer of patent application right

Effective date of registration: 20210203

Address after: Building 9, No.1, guanpu Road, Guoxiang street, Wuzhong Economic Development Zone, Wuzhong District, Suzhou City, Jiangsu Province

Applicant after: SUZHOU LANGCHAO INTELLIGENT TECHNOLOGY Co.,Ltd.

Address before: Room 1601, floor 16, 278 Xinyi Road, Zhengdong New District, Zhengzhou City, Henan Province

Applicant before: ZHENGZHOU YUNHAI INFORMATION TECHNOLOGY Co.,Ltd.

GR01 Patent grant
GR01 Patent grant