CN107590000A - 二次随机资源管理方法/系统、计算机存储介质及设备 - Google Patents
二次随机资源管理方法/系统、计算机存储介质及设备 Download PDFInfo
- Publication number
- CN107590000A CN107590000A CN201710796505.7A CN201710796505A CN107590000A CN 107590000 A CN107590000 A CN 107590000A CN 201710796505 A CN201710796505 A CN 201710796505A CN 107590000 A CN107590000 A CN 107590000A
- Authority
- CN
- China
- Prior art keywords
- resource
- request
- management method
- resources
- secondary random
- 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
Abstract
本发明提供一种二次随机资源管理方法/系统、计算机存储介质及设备，二次随机资源管理方法包括：建立资源调度模型；随机接收源于一资源请求源发送的资源配置请求，并将该资源配置请求加入请求管理池；从所述请求管理池中选择紧缺资源最小的资源配置请求；随机从若干物理节点中选择两台物理节点，比较该紧缺资源最小的资源配置请求在两台物理节点上的资源成本，以选择资源成本较低的物理节点，并为所选择的物理节点分配任务。本发明所述的二次随机资源管理方法/系统，计算机存储介质及设备解决了如何最大化用户获得紧缺资源的最小值的技术问题，具有更好的公平性，复杂度低，可伸缩性好。
Description
技术领域
本发明属于计算机通信领域，涉及一种管理方法和系统，特别是涉及一种二次随机资源管理方法/系统、计算机存储介质及设备。
背景技术
云计算系统的规模越来越大，并为动态、异构、快速增长的客户群体提供服务。然而,满足快速扩张的客户需求不仅仅是建造越来越大的数据中心，关键任务是对云资源提供优化的管理。数据中心的资源管理模式通常是基于虚拟机的。每个用户指定虚拟机的配置需求，包括CPU、内存、存储，以及网络带宽。与此同时，数据中心通常配置大量的异构服务器，服务器通常配有多个cpu、缓存、内存、磁盘空间和其他资源。一个重要的资源管理问题是如何将虚拟机映射到服务器，满足异构资源约束的前提下，达到用户之间的资源公平分配。而目前多节点异构资源的分配问题模型虽然得到了深入的研究，但是相应的解决算法或者复杂度过高，或者性能缺乏保障，而且大多需要集中式控制，可扩展性不够理想，不适用于海量节点的场景。
例如，在计算机集群中，每个计算节点拥有多个不同种类的物理设备(例如CPU，内存，网络带宽)，并且每个计算节点拥有的资源容量也各不相同。用户A每运行一个任务需要0.2CPUs和1GB内存；用户B每运行一个任务需要1.0CPUs和0.2GB内存。服务器节点1拥有1.0CPUs和1.0GB内存，而服务器节点2拥有1.0CPUs和10GB内存。最优化的方案是分配5个任务给用户A在服务器节点1上运行，分配1个任务给用户B在服务器节点2上运行。然而，Best-Fit算法会首先计算用户中运行每个task消耗的资源比例，则用户A需要CPU与内存的比列为1:5，而用户B为1:0.2。而服务器1上CPU与内存比例为1:1，服务器2上为1:10。Best-Fit会从集群中选择比例与用户请求一个task所需资源比例相近的服务器。所以用户A，会将用户A分配到服务器节点1上，用户B分配到服务器节点2上，这将导致用户A只能只能在服务器节点1上运行一个任务，而用户B只能在服务器节点2上运行一个任务。
因此，如何提供一种二次随机资源管理方法/系统、计算机存储介质及设备，以解决现有技术中如何最大化用户获得紧缺资源的最小值等问题，实已成为本领域技术人员亟待解决的技术问题。
发明内容
鉴于以上所述现有技术的缺点，本发明的目的在于提供一种二次随机资源管理方法/系统、计算机存储介质及设备，用于解决现有技术中如何最大化用户获得紧缺资源的最小值的问题。
为实现上述目的及其他相关目的，本发明一方面提供一种二次随机资源管理方法，应用于包括若干资源请求源，数据中心，若干物理节点的计算机集群；所述二次随机资源管理方法包括：建立资源调度模型；随机接收源于一资源请求源发送的资源配置请求，并将该资源配置请求加入请求管理池；从所述请求管理池中选择紧缺资源最小的资源配置请求；随机从若干物理节点中选择两台物理节点，比较该紧缺资源最小的资源配置请求在两台物理节点上的资源成本，以选择资源成本较低的物理节点，并为所选择的物理节点分配任务。
于本发明的一实施例中，在为所选择的物理节点分配一资源后，所述二次随机资源管理方法还包括更新资源分配列表。
于本发明的一实施例中，在为所选择的物理节点分配一资源后，所述二次随机资源管理方法还包括判断所有该物理节点中是否存在可以为一个资源请求源分配任务的可用资源，若是，返回到所述从所述请求管理池中选择紧缺资源最小的资源配置请求的步骤；若否，结束进程。
于本发明的一实施例中，发送紧缺资源最小的资源配置请求的用户，其在迭代运行所述二次随机资源管理方法k次时所获得的紧缺资源最小。
于本发明的一实施例中，在执行所述从所述请求管理池中选择紧缺资源最小的资源配置请求的步骤之前，所述二次随机资源管理方法还包括：构建所建立的资源调度模型中对偶问题下的对偶化资源调度模型；从所述对偶化资源调度模型中选取一组对偶变量，并将物理节点分配给资源请求源的资源向量初始化。
于本发明的一实施例中，在选择资源成本较低的物理节点，并为所选择的物理节点分配任务之后，所述二次随机资源管理方法还包括基于第k次运行所述二次随机资源管理方法，更新所述节点资源约束的对偶变量。
于本发明的一实施例中，采用拉格朗日松弛法对偶化所建立的资源调度模型。
于本发明的一实施例中，所述紧缺资源指占用系统资源比例最高的资源类型。
本发明另一方面提供一种二次随机资源管理系统，应用于包括若干资源请求源，数据中心，若干物理节点的计算机集群；所述二次随机资源管理系统包括：模型建立模块，用于建立资源调度模型；第一处理模块，用于随机接收源于一资源请求源发送的资源配置请求，并将该资源配置请求加入请求管理池；从所述请求管理池中选择紧缺资源最小的资源配置请求；
第二处理模块，用于随机从若干物理节点中选择两台物理节点，比较该紧缺资源最小的资源配置请求在两台物理节点上的资源成本，以选择资源成本较低的物理节点，并为所选择的物理节点分配任务。
本发明又一方面提供一种计算机存储介质，其上存储有计算机程序，该程序被处理器执行时实现所述二次随机资源管理方法。
本发明最后一方面提供一种设备，包括：处理器及存储器；所述存储器用于存储计算机程序，所述处理器用于执行所述存储器存储的计算机程序，以使所述设备执行所述二次随机资源管理方法。
如上所述，本发明的二次随机资源管理方法/系统，计算机可读存储介质及设备，具有以下有益效果：
本发明所述的二次随机资源管理方法/系统，计算机可读存储介质及设备解决了如何最大化用户获得紧缺资源的最小值的技术问题，具有更好的公平性，复杂度低，可伸缩性好。
附图说明
图1显示为本发明的计算机集群结构示意图。
图2显示为本发明的二次随机资源管理方法于一实施例中的流程示意图。
图3显示为本发明的二次随机资源管理系统于一实施例中的原理结构示意图。
元件标号说明
1 计算机集群
11 资源请求源
12 数据中心
13 物理节点
3 二次随机资源管理系统
31 模型建立模块
32 第一处理模块
S1～Sn 步骤
具体实施方式
以下通过特定的具体实例说明本发明的实施方式，本领域技术人员可由本说明书所揭露的内容轻易地了解本发明的其他优点与功效。本发明还可以通过另外不同的具体实施方式加以实施或应用，本说明书中的各项细节也可以基于不同观点与应用，在没有背离本发明的精神下进行各种修饰或改变。需说明的是，在不冲突的情况下，以下实施例及实施例中的特征可以相互组合。
需要说明的是，以下实施例中所提供的图示仅以示意方式说明本发明的基本构想，遂图式中仅显示与本发明中有关的组件而非按照实际实施时的组件数目、形状及尺寸绘制，其实际实施时各组件的型态、数量及比例可为一种随意的改变，且其组件布局型态也可能更为复杂。
实施例一
本实施例提供一种二次随机资源管理方法，应用于包括若干资源请求源，数据中心，若干物理节点的计算机集群；所述二次随机资源管理方法包括：
建立资源调度模型；
随机接收源于一资源请求源发送的资源配置请求，并将该资源配置请求加入请求管理池；
从所述请求管理池中选择紧缺资源最小的资源配置请求；
随机从若干物理节点中选择两台物理节点，比较该紧缺资源最小的资源配置请求在两台物理节点上的资源成本，以选择资源成本较低的物理节点，并为所选择的物理节点分配任务。
以下将结合图示对本实施例所提供的二次随机资源管理方法进行详细说明。本实施例所述的二次随机资源管理方法应用于如图1所示的计算机集群1中。所述计算机集群1包括若干资源请求源11，与所述资源请求源11通信链接的数据中心12，与所述数据中心12通信链接的若干物理节点13。其中。所述数据中心S＝(N,M)含有N个物理节点，M种物理资源，分别用n＝1，2，…N；m＝1，2，…M分别表示索引节点和资源类型。令Cn,m表示物理节点n上资源m的容量。计算机集群1中有J种虚拟机资源配置需求。虚拟机资源配置类型j的资源需求由向量[Rj,1,Rj,2,…,Rj,M]表示。令xj,n表示物理节点n分配给虚拟机资源配置类型j的虚拟机数目，xj,n为非负整数。定义虚拟机资源配置类型j对资源m的系统资源占用比例为其系统紧缺资源占用比例定义为μj＝maxmγj,m，系统紧缺资源指占用系统资源比例最高的资源类型。
请参阅图2，显示为二次随机资源管理方法于一实施例中的流程示意图。如图2所示，所述二次随机资源管理方法具体包括以下几个步骤：
S21，建立资源调度模型。系统紧缺资源的定义解决了虚拟机资源配置需要多种资源，并且多种资源的分配数量无法直接进行横向比较的问题。通过系统紧缺资源的定义，采用对系统资源占用比例最高的资源类型的分配数量来代表虚拟机获得资源的度量，从而将向量形式的多种资源分配数量标量化。
所述资源调度模型为其中，μj为系统紧缺资源占用比例，xj,n为物理节点n分配给虚拟机资源配置类型j的虚拟机数目。在本实施例中，该资源调度模型的目标是最大化用户获得紧缺资源的最小值，且需满足资源约束条件(用户分配资源的汇聚值不应超过节点资源容量)。所述资源约束条件为虚拟机资源配置类型j的资源m的需求Rj,m，x≥0。
将资源调度模块进行等价转换为另一资源调度模型其中，x,y≥0，B是一个大数常量，ε为小数常量，y为辅助常量。
S22，构建所建立的资源调度模型中对偶问题下的对偶化资源调度模型。在本实施例中，采用拉格朗日松弛法构建所建立的资源调度模型中对偶问题下的模型。
对偶化所述建立的资源调度模型为minmaxx,y≥0L(x,y,λ,ω)，其中，
具体地，
其中，λn,m为物理节点n资源约束的对偶变量，ωj为用户之间资源分配公平性的对偶变量。
S23，从所述对偶化资源调度模型中选取一组对偶变量(于本实施例中，该组对偶变量为物理节点资源约束的对偶变量λn,m(k)和物理节点分配给资源配置请求的任务数目xj,n(k)，其中，k表示迭代次数)，并将物理节点分配给资源请求源的资源向量初始化为零，即λn,m(k)≥0，xj,n(k)＝0。
S24，随机接收源于一资源请求源11(例如，客户端用户)发送的资源配置请求，并将该资源配置请求加入请求管理池。
S25，从所述请求管理池中选择紧缺资源最小的资源配置请求。在本实施例中，发送紧缺资源最小的资源配置请求的用户其在迭代运行所述二次随机资源管理方法k次时所获得的紧缺资源最小，即发送紧缺资源最小的资源配置请求的用户可优先获得服务。
S26，随机从若干物理节点中选择两物理节点n1(k)和n2(k)，比较该紧缺资源最小的资源配置请求在两台服务器上的资源成本，以选择资源成本较低的服务器并为所选择的服务器分配任务给用户并更新所述节点资源约束的对偶变量和资源分配列表。在本实施例中，比较该紧缺资源最小的资源配置请求在两台服务器上的资源成本，以选择资源成本较低的服务器表现为：发送紧缺资源最小的资源配置请求用户应在两个物理节点上选取资源成本较低的物理节点。在本实施例中，节点资源约束的对偶变量的更新公式为：
其中，κ为定义因子，表示单一节点可以承载的最大作业量，δ(k)为常数因子。
S27，判断所有物理节点中是否存在可以为一个资源请求源分配任务的可用资源，若是，返回步骤S21，即返回到所述从所述请求管理池中选择紧缺资源最小的资源配置请求的步骤；若否，结束进程。
以下给出一实际用例。所述资源请求源11为客户端，例如用户A和用户B，2个计算任务，用户A需要1个CPU，3.75GB内存，4磁盘每作业；用户B需要2个CPU，7.5内存，32磁盘每作业，具体任务配置参阅表1。所述数据数据中心12为调度器。所述物理节点13为服务器。包括2台类型S1的服务器12，2台类型S2的服务器12。s1类型上有8个CPU，16GB内存，256磁盘；S2类型上有8个CPU，32GB内存，512磁盘。
表1：任务配置
具体执行流程如下：
接收用户A和用户B所拥有的任务配置；
初始设置δ(k)＝0.01，κ＝4，类型为S1和S2的服务器分别编号为0～3，用户A，B设置为编号0～1，迭代，k＝1
λ[k]＝
0,0,0
0,0,0
0,0,0
0,0,0
user 0->host 1
--------------------------------
迭代，k＝2
λ[k]＝
0,0,0
0,0,0
0,0,0
0,0,0
user 1->host 3
--------------------------------
迭代，k＝3
λ[k]＝
0,0,0
0,0,0
0,0,0
0,0,0
user 0->host 3
--------------------------------
迭代，k＝4
λ[k]＝
0,0,0
0,0,0
0,0,0
0.01,0.0325,0
user 0->host 1
--------------------------------
迭代，k＝5
λ[k]＝
0,0,0
0,0.035,0
0,0,0
0.02,0.065,0
user 1->host 0
--------------------------------
迭代，k＝6
λ[k]＝
0,0.035,0
0,0.07,0
0,0,0
0.03,0.0975,0
user 0->host 2
--------------------------------
迭代，k＝7
λ[k]＝
0,0.07,0
0,0.105 0
0,0,0
0.04,0.13,0
user 0->host 2
--------------------------------
迭代，k＝8
λ[k]＝
0,0.105,0
0,0.14,0
0,0,0
0.05,0.1625,0
user 1->host 2
--------------------------------
迭代，k＝9
λ[k]＝
0,0.14,0
0,0.175,0
0.02,0.07,0
0.06,0.195,0
user 0->host 0
--------------------------------
迭代，k＝10
λ[k]＝
0.01,0.2125,0
0,0.21,0
0.04,0.14,0
0.07,0.2275,0
user 0->host 0
--------------------------------
迭代，k＝10
λ[k]＝
0.01,0.2125,0
0,0.21,0
0.04,0.14,0
0.07,0.2275,0
user 0->host 2
--------------------------------
迭代，k＝11
λ[k]＝
0.02,0.285,0
0,0.245,0
0.07,0.2475,0
0.08,0.26,0
user 1->host 1
--------------------------------
迭代，k＝12
λ[k]＝
0.03,0.3575,0
0.02,0.355,0
0.1,0.355,0
0.09,0.2925,0
user 0->host 3
--------------------------------
迭代，k＝13
λ[k]＝
0.04,0.43,0
0.04,0.465,0
0.13,0.4625,0
0.11,0.3625,0
user 0->host 3
--------------------------------
迭代，k＝14
λ[k]＝
0.05,0.5025,0
0.06,0.575,0
0.16,0.57,0
0.14,0.47,0
user 1->host 3
--------------------------------
迭代，k＝15
λ[k]＝
0.06,0.575,0
0.08,0.685,0
0.19,0.6775,0
0.19,0.6525,0
user 0->host 0
--------------------------------
迭代，k＝16
λ[k]＝
0.08,0.685,0
0.1,0.795,0
0.22,0.785,0
0.24,0.835,0
user 0->host 2
--------------------------------
迭代，k＝17
λ[k]＝
0.1,0.795,0
0.12,0.905,0
0.26,0.93,0
0.29,1.0175,0
user 1->host 2
--------------------------------
迭代，k＝18
λ[k]＝
0.12,0.905,0
0.14,1.015,0
0.32,1.15,0
0.34,1.2,0
user 0->host 3
--------------------------------
输出
x＝
2,2,4,4
1,1,2,2
调度器通知服务器1，为用户A分配2个作业，用户A占用资源2CPU，7.5GB内存，8磁盘，为用户B分配1个作业，用户B占用资源2CPU，7.5GB内存，32磁盘；
通知服务器2，为用户A分配2个作业，用户A占用资源2CPU，7.5GB内存，8磁盘，为用户B分配1个作业，用户B占用资源2CPU，7.5GB内存，32磁盘；
通知服务器3，为用户A分配4个作业，用户A占用资源4CPU，15GB内存，16磁盘，为用户B分配2个作业，用户B占用资源4CPU，15GB内存，64磁盘；
通知服务器4，为用户A分配4个作业，用户A占用资源4CPU，15GB内存，16磁盘，为用户B分配2个作业，用户B占用资源4CPU，15GB内存，64磁盘。
实验分别将本发明与BestFit，单纯的启发式算法进行性能比较。
基于表2和表3中关于VM和PM的配置，进行试验。本实施例所述的二次随机资源管理方法时，分别用不同的随机测试10次，然后取算法的平均值表示性能。参阅表2，表2报告了每个虚拟机类型获得的紧缺资源数量的统计信息。其中，虚拟机获得的紧缺资源的最小值是本文优化的目标。
表2:VM设置
表3：PM设置
从表4的结果来看，二次随机资源管理方法取得的最小紧缺资源数量高于BestFit算法，从而二次随机选择算法提供了较好的公平性。
表4:不同VM类型获得的紧缺资源统计
参阅表5，表5给出了两种算法分配的作业数目，二次随机资源管理方法取得的最小作业数目高于BestFit算法，但是Best算法取得的作业总数更高。显然，二次随机资源管理方法相比BestFit算法更加公平。
表5：不同VM类型获得的作业数量统计
参阅表6和表7，表7和表7分析了不同PM类型的CPU和内存利用率。CPU资源是系统的瓶颈资源。对于PM类型S4，M3-M5，L1-L5，其CPU利用率是100％。对于其他PM类型，BestFit算法获得的CPU利用率略高于二次随机选择算法。其原因是BestFit算法分配了更多的作业量。关于内存利用率，表7表明二次随机资源管理方法的分配更加均匀。
表6:不同PM类型的CPU利用率
表7:不同PM类型的内存利用率
本实施例还提供一种计算机存储介质(计算机可读存储介质)，本领域普通技术人员可以理解：实现上述各方法实施例的全部或部分步骤可以通过计算机程序相关的硬件来完成。前述的计算机程序可以存储于一计算机可读存储介质中。该程序在执行时，执行包括上述各方法实施例的步骤；而前述的存储介质包括：ROM、RAM、磁碟或者光盘等各种可以存储程序代码的介质。
从上实验数据表明，本实施例所提供的二次随机资源管理算法与BestFit算法相比，具有更好的公平性。此外，二次随机资源管理算法是分布式去中心化算法，复杂度低，可伸缩性好。
实施例二
本实施例提供一种二次随机资源管理系统，应用于包括若干资源请求源，数据中心，若干物理节点的计算机集群；所述二次随机资源管理系统包括：
模型建立模块，用于建立资源调度模型；
第一处理模块，用于随机接收源于一资源请求源发送的资源配置请求，并将该资源配置请求加入请求管理池；从所述请求管理池中选择紧缺资源最小的资源配置请求；
第二处理模块，用于随机从若干物理节点中选择两台物理节点，比较该紧缺资源最小的资源配置请求在两台物理节点上的资源成本，以选择资源成本较低的物理节点，并为所选择的物理节点分配任务。
以下将结合图示对本实施例所提供的二次随机资源管理系统进行详细描述。需要说明的是，应理解以上装置的各个模块的划分仅仅是一种逻辑功能的划分，实际实现时可以全部或部分集成到一个物理实体上，也可以物理上分开。且这些模块可以全部以软件通过处理元件调用的形式实现；也可以全部以硬件的形式实现；还可以部分模块通过处理元件调用软件的形式实现，部分模块通过硬件的形式实现。例如，x模块可以为单独设立的处理元件，也可以集成在上述装置的某一个芯片中实现，此外，也可以以程序代码的形式存储于上述装置的存储器中，由上述装置的某一个处理元件调用并执行以上x模块的功能。其它模块的实现与之类似。此外这些模块全部或部分可以集成在一起，也可以独立实现。这里所述的处理元件可以是一种集成电路，具有信号的处理能力。在实现过程中，上述方法的各步骤或以上各个模块可以通过处理器元件中的硬件的集成逻辑电路或者软件形式的指令完成。
例如，以上这些模块可以是被配置成实施以上方法的一个或多个集成电路，例如：一个或多个特定集成电路(ApplicationSpecificIntegratedCircuit，简称ASIC)，或，一个或多个微处理器(digitalsingnalprocessor，简称DSP)，或，一个或者多个现场可编程门阵列(FieldProgrammableGateArray，简称FPGA)等。再如，当以上某个模块通过处理元件调度程序代码的形式实现时，该处理元件可以是通用处理器，例如中央处理器(CentralProcessingUnit，简称CPU)或其它可以调用程序代码的处理器。再如，这些模块可以集成在一起，以片上系统(system-on-a-chip，简称SOC)的形式实现。
以下将集合图示对本实施例所提供的二次随机资源管理系统进行详细描述。本实施例所述的二次随机资源管理系统应用于本实施例所述的二次随机资源管理方法应用于如图1所示的计算机集群1中。所述计算机集群1包括若干资源请求源11，与所述资源请求源11通信链接的数据中心12，与所述数据中心12通信链接的若干物理节点13。其中。所述数据中心S＝(N,M)含有N个物理节点，M种物理资源，分别用n＝1，2，…N；m＝1，2，…M分别表示索引节点和资源类型。令Cn,m表示物理节点n上资源m的容量。计算机集群1中有J种虚拟机资源配置需求。虚拟机资源配置类型j的资源需求由向量[Rj,1,Rj,2,…,Rj,M]表示。令xj,n表示物理节点n分配给虚拟机资源配置类型j的虚拟机数目，xj,n为非负整数。定义虚拟机资源配置类型j对资源m的系统资源占用比例为其系统紧缺资源占用比例定义为μj＝maxmγj,m，系统紧缺资源指占用系统资源比例最高的资源类型。
请参阅图3，显示为二次随机资源管理系统于一实施例中的原理结构示意图。如图3所示，所述二次随机资源管理系统3包括：模型建立模块31、第一处理模块32
所述模型建立模块31用于建立资源调度模型。系统紧缺资源的定义解决了虚拟机资源配置需要多种资源，并且多种资源的分配数量无法直接进行横向比较的问题。通过系统紧缺资源的定义，采用对系统资源占用比例最高的资源类型的分配数量来代表虚拟机获得资源的度量，从而将向量形式的多种资源分配数量标量化。
所述模型建立模块31建立的资源调度模型为其中，μj为系统紧缺资源占用比例，xj,n为物理节点n分配给虚拟机资源配置类型j的虚拟机数目。在本实施例中，该资源调度模型的目标是最大化用户获得紧缺资源的最小值，且需满足资源约束条件(用户分配资源的汇聚值不应超过节点资源容量)。所述资源约束条件为虚拟机资源配置类型j的资源m的需求Rj,m，x≥0。
所述模型建立模块31还用于将资源调度模块进行等价转换为另一资源调度模型其中，x,y≥0，B是一个大数常量，ε为小数常量，y为辅助常量。
与所模型建立模块31耦合的第一处理模块32用于构建所建立的资源调度模型中对偶问题下的对偶化资源调度模型。在本实施例中，采用拉格朗日松弛法构建所述资源调度模型中对偶问题下的对偶化资源调度模型。
对偶化所述建立的资源调度模型为minmaxx,y≥0L(x,y,λ,ω)，其中，
具体地，
其中，λn,m为物理节点n资源约束的对偶变量，ωj为用户之间资源分配公平性的对偶变量。
所述第一处理模块32还用于从所述对偶化资源调度模型中选取一组对偶变量，即物理节点资源约束的对偶变量λn,m(k)和物理节点分配给资源配置请求的任务数目xj,n(k)(其中，k表示迭代次数)，并将物理节点分配给资源请求源的资源向量初始化为零，即λn,m(k)≥0，xj,n(k)＝0。
在通过与所述第一处理模块32连接的通信模块33随机接收源于一资源请求源11(例如，客户端用户)发送的资源配置请求后，所述第一处理模块32该资源配置请求加入请求管理池，并从所述请求管理池中选择紧缺资源最小的资源配置请求。在本实施例中，发送紧缺资源最小的资源配置请求的用户其在迭代运行所述二次随机资源管理方法k次时所获得的紧缺资源最小，即发送紧缺资源最小的资源配置请求的用户可优先获得服务。
与所述第一处理模块32耦合的第二处理模块34用于随机从若干物理节点中选择两物理节点n1(k)和n2(k)，比较该紧缺资源最小的资源配置请求在两台服务器上的资源成本，以选择资源成本较低的服务器并为所选择的服务器分配任务给用户并更新所述节点资源约束的对偶变量和资源分配列表。在本实施例中，比较该紧缺资源最小的资源配置请求在两台服务器上的资源成本，以选择资源成本较低的服务器表现为：发送紧缺资源最小的资源配置请求用户应在两个物理节点上选取资源成本较低的物理节点。在本实施例中，节点资源约束的对偶变量的更新公式为：
其中，κ为定义因子，表示单一节点可以承载的最大作业量，δ(k)为常数因子。
在本实施例中，所述第二处理模块34还用于根据所选择的物理节点更新的可用资源，判断该物理节点中是否存在可以为一个资源请求源分配任务的可用资源，若是，继续调用所述第一处理模块32从所述请求管理池中选择紧缺资源最小的资源配置请求的步骤；若否，停止运行该二次随机资源管理系统3。
实施例三
本实施例提供一种设备，包括：处理器、存储器、收发器、通信接口和系统总线；存储器和通信接口通过系统总线与处理器和收发器连接并完成相互间的通信，存储器用于存储计算机程序，通信接口用于和其他设备进行通信，处理器和收发器用于运行计算机程序，使x装置执行如实施例一所述的二次随机资源管理方法的各个步骤。
上述提到的系统总线可以是外设部件互连标准(PeripheralPomponentInterconnect，简称PCI)总线或扩展工业标准结构(ExtendedIndustryStandardArchitecture，简称EISA)总线等。该系统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。通信接口用于实现数据库访问装置与其他设备(例如客户端、读写库和只读库)之间的通信。存储器可能包含随机存取存储器(RandomAccessMemory，简称RAM)，也可能还包括非易失性存储器(non-volatilememory)，例如至少一个磁盘存储器。
上述的处理器可以是通用处理器，包括中央处理器(CentralProcessingUnit，简称CPU)、网络处理器(NetworkProcessor，简称NP)等；还可以是数字信号处理器(DigitalSignalProcessing，简称DSP)、专用集成电路(ApplicationSpecificIntegratedCircuit，简称ASIC)、现场可编程门阵列(Field－ProgrammableGateArray，简称FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。
综上所述，本发明所提供的二次随机资源管理方法/系统，计算机可读存储介质及设备解决了如何最大化用户获得紧缺资源的最小值的技术问题，具有更好的公平性，复杂度低，可伸缩性好。所以，本发明有效克服了现有技术中的种种缺点而具高度产业利用价值。
上述实施例仅例示性说明本发明的原理及其功效，而非用于限制本发明。任何熟悉此技术的人士皆可在不违背本发明的精神及范畴下，对上述实施例进行修饰或改变。因此，举凡所属技术领域中具有通常知识者在未脱离本发明所揭示的精神与技术思想下所完成的一切等效修饰或改变，仍应由本发明的权利要求所涵盖。
Claims (11)
1.一种二次随机资源管理方法，其特征在于，应用于包括若干资源请求源，数据中心，若干物理节点的计算机集群；所述二次随机资源管理方法包括：
建立资源调度模型；
随机接收源于一资源请求源发送的资源配置请求，并将该资源配置请求加入请求管理池；
从所述请求管理池中选择紧缺资源最小的资源配置请求；
随机从若干物理节点中选择两台物理节点，比较该紧缺资源最小的资源配置请求在两台物理节点上的资源成本，以选择资源成本较低的物理节点，并为所选择的物理节点分配任务。
2.根据权利要求1所述的二次随机资源管理方法，其特征在于，在为所选择的物理节点分配一资源后，所述二次随机资源管理方法还包括更新资源分配列表。
3.根据权利要求1所述的二次随机资源管理方法，其特征在于，在为所选择的物理节点分配一资源后，所述二次随机资源管理方法还包括判断所有物理节点中是否存在可以为一个资源请求源分配任务的可用资源，若是，返回到所述从所述请求管理池中选择紧缺资源最小的资源配置请求的步骤；若否，结束进程。
4.根据权利要求1所述的二次随机资源管理方法，其特征在于，发送紧缺资源最小的资源配置请求的用户，其在迭代运行所述二次随机资源管理方法k次时所获得的紧缺资源最小。
5.根据权利要求4所述的二次随机资源管理方法，其特征在于，在执行所述从所述请求管理池中选择紧缺资源最小的资源配置请求的步骤之前，所述二次随机资源管理方法还包括：
构建所建立的资源调度模型中对偶问题下的对偶化资源调度模型；
从所述对偶化资源调度模型中选取一组对偶变量，并将物理节点分配给资源请求源的资源向量初始化为0。
6.根据权利要求5所述的二次随机资源管理方法，其特征在于，在选择资源成本较低的物理节点，并为所选择的物理节点分配任务之后，所述二次随机资源管理方法还包括基于第k次运行所述二次随机资源管理方法，更新所述节点资源约束的对偶变量。
7.根据权利要求5所述的二次随机资源管理方法，其特征在于，采用拉格朗日松弛法对偶化所建立的资源调度模型。
8.根据权利要求1所述的二次随机资源管理方法，其特征在于，所述紧缺资源指占用系统资源比例最高的资源类型。
9.一种二次随机资源管理系统，其特征在于，应用于包括若干资源请求源，数据中心，若干物理节点的计算机集群；所述二次随机资源管理系统包括：
模型建立模块，用于建立资源调度模型；
第一处理模块，用于随机接收源于一资源请求源发送的资源配置请求，并将该资源配置请求加入请求管理池；从所述请求管理池中选择紧缺资源最小的资源配置请求；
第二处理模块，用于随机从若干物理节点中选择两台物理节点，比较该紧缺资源最小的资源配置请求在两台物理节点上的资源成本，以选择资源成本较低的物理节点，并为所选择的物理节点分配任务。
10.一种计算机存储介质，其上存储有计算机程序，其特征在于，该程序被处理器执行时实现权利要求1至8中任一项所述二次随机资源管理方法。
11.一种设备，其特征在于，包括：处理器及存储器；
所述存储器用于存储计算机程序，所述处理器用于执行所述存储器存储的计算机程序，以使所述设备执行如权利要求1至8中任一项所述二次随机资源管理方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201710796505.7A CN107590000B (zh) | 2017-09-06 | 2017-09-06 | 二次随机资源管理方法/系统、计算机存储介质及设备 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201710796505.7A CN107590000B (zh) | 2017-09-06 | 2017-09-06 | 二次随机资源管理方法/系统、计算机存储介质及设备 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN107590000A true CN107590000A (zh) | 2018-01-16 |
| CN107590000B CN107590000B (zh) | 2020-11-10 |
Family
ID=61051736
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201710796505.7A Active CN107590000B (zh) | 2017-09-06 | 2017-09-06 | 二次随机资源管理方法/系统、计算机存储介质及设备 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN107590000B (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110399200A (zh) * | 2019-06-26 | 2019-11-01 | 苏州浪潮智能科技有限公司 | 一种云平台资源调度方法和装置 |
| CN113396367A (zh) * | 2019-02-13 | 2021-09-14 | 罗伯特·博世有限公司 | 在共享环境中保障物理实体的资源 |
Citations (13)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| AU758060B2 (en) * | 1998-04-29 | 2003-03-13 | Telefonaktiebolaget Lm Ericsson (Publ) | Resource allocation |
| US20030182503A1 (en) * | 2002-03-21 | 2003-09-25 | James Leong | Method and apparatus for resource allocation in a raid system |
| CN103023963A (zh) * | 2012-10-31 | 2013-04-03 | 浪潮集团有限公司 | 一种用于云存储资源优化分配的方法 |
| CN104184685A (zh) * | 2013-05-27 | 2014-12-03 | 华为技术有限公司 | 数据中心资源分配方法、装置及系统 |
| CN102546379B (zh) * | 2010-12-27 | 2014-12-31 | 中国移动通信集团公司 | 一种虚拟化资源调度的方法及虚拟化资源调度系统 |
| CN104301403A (zh) * | 2014-09-26 | 2015-01-21 | 东北大学 | 基于组件服务副本增删的云服务资源动态配置系统及方法 |
| WO2016025836A1 (en) * | 2014-08-15 | 2016-02-18 | Interdigital Patent Holdings, Inc. | Method and apparatus for supporting uplink transmission and mbms for a wtru with reduced bandwidth |
| CN105791371A (zh) * | 2014-12-22 | 2016-07-20 | 中国科学院上海高等研究院 | 一种云存储服务系统及方法 |
| CN106326011A (zh) * | 2016-08-25 | 2017-01-11 | 上海交通大学 | 云计算中面向资源成本优化的多资源调度方法 |
| WO2017041659A1 (zh) * | 2015-09-09 | 2017-03-16 | 中兴通讯股份有限公司 | 资源配置的传输方法及装置 |
| CN106604400A (zh) * | 2016-12-31 | 2017-04-26 | 山东大学 | 一种协作蜂窝网络的资源分配和能量管理方法 |
| CN106851835A (zh) * | 2017-01-06 | 2017-06-13 | 北京邮电大学 | 一种资源分配方法及装置 |
| CN106954234A (zh) * | 2017-04-24 | 2017-07-14 | 东南大学 | 一种超密集异构网络中的用户连接和虚拟资源分配方法 |
-
2017
- 2017-09-06 CN CN201710796505.7A patent/CN107590000B/zh active Active
Patent Citations (13)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| AU758060B2 (en) * | 1998-04-29 | 2003-03-13 | Telefonaktiebolaget Lm Ericsson (Publ) | Resource allocation |
| US20030182503A1 (en) * | 2002-03-21 | 2003-09-25 | James Leong | Method and apparatus for resource allocation in a raid system |
| CN102546379B (zh) * | 2010-12-27 | 2014-12-31 | 中国移动通信集团公司 | 一种虚拟化资源调度的方法及虚拟化资源调度系统 |
| CN103023963A (zh) * | 2012-10-31 | 2013-04-03 | 浪潮集团有限公司 | 一种用于云存储资源优化分配的方法 |
| CN104184685A (zh) * | 2013-05-27 | 2014-12-03 | 华为技术有限公司 | 数据中心资源分配方法、装置及系统 |
| WO2016025836A1 (en) * | 2014-08-15 | 2016-02-18 | Interdigital Patent Holdings, Inc. | Method and apparatus for supporting uplink transmission and mbms for a wtru with reduced bandwidth |
| CN104301403A (zh) * | 2014-09-26 | 2015-01-21 | 东北大学 | 基于组件服务副本增删的云服务资源动态配置系统及方法 |
| CN105791371A (zh) * | 2014-12-22 | 2016-07-20 | 中国科学院上海高等研究院 | 一种云存储服务系统及方法 |
| WO2017041659A1 (zh) * | 2015-09-09 | 2017-03-16 | 中兴通讯股份有限公司 | 资源配置的传输方法及装置 |
| CN106326011A (zh) * | 2016-08-25 | 2017-01-11 | 上海交通大学 | 云计算中面向资源成本优化的多资源调度方法 |
| CN106604400A (zh) * | 2016-12-31 | 2017-04-26 | 山东大学 | 一种协作蜂窝网络的资源分配和能量管理方法 |
| CN106851835A (zh) * | 2017-01-06 | 2017-06-13 | 北京邮电大学 | 一种资源分配方法及装置 |
| CN106954234A (zh) * | 2017-04-24 | 2017-07-14 | 东南大学 | 一种超密集异构网络中的用户连接和虚拟资源分配方法 |
Non-Patent Citations (2)
| Title |
|---|
| 刘洪涛: "网格环境下资源管理与调度方法的研究与应用", 《中国优秀硕士学位论文全文数据库 信息科技辑》 * |
| 杨绮茗: "基于新型异构网的无线资源分配和负载均衡", 《中国优秀硕士学位论文全文数据库 信息科技辑》 * |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113396367A (zh) * | 2019-02-13 | 2021-09-14 | 罗伯特·博世有限公司 | 在共享环境中保障物理实体的资源 |
| CN110399200A (zh) * | 2019-06-26 | 2019-11-01 | 苏州浪潮智能科技有限公司 | 一种云平台资源调度方法和装置 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN107590000B (zh) | 2020-11-10 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN104881325B (zh) | 一种资源调度方法和资源调度系统 | |
| US20220147403A1 (en) | Reducing overlay network overhead across container hosts | |
| CN105103506B (zh) | 用于为云计算网络中的非均匀带宽请求分配带宽的方法和系统 | |
| CN103827825B (zh) | 虚拟资源对象组件 | |
| EP3861489A1 (en) | Parcelled quantum resources | |
| CN107066319A (zh) | 一种面向异构资源的多维调度系统 | |
| US11206193B2 (en) | Method and system for provisioning resources in cloud computing | |
| CN107836001A (zh) | 硬件加速器上的卷积神经网络 | |
| CN106233276A (zh) | 网络可访问块存储装置的协调准入控制 | |
| CN104391918B (zh) | 基于对等部署的分布式数据库查询优先级管理的实现方法 | |
| CN104270421B (zh) | 一种支持带宽保证的多租户云平台任务调度方法 | |
| CN105049353B (zh) | 一种为业务配置路由路径的方法及控制器 | |
| CN104503832B (zh) | 一种公平和效率均衡的虚拟机调度系统及方法 | |
| CN106681834A (zh) | 分布式计算方法、管理装置及系统 | |
| CN107710237A (zh) | 服务器上深度神经网络划分 | |
| CN110162388A (zh) | 一种任务调度方法、系统及终端设备 | |
| CN107111517A (zh) | 针对归约器任务的虚拟机优化分配和/或生成 | |
| CN106452842B (zh) | 基于网络功能虚拟化中介系统架构的网络系统 | |
| CN108845874A (zh) | 资源的动态分配方法及服务器 | |
| CN108667777A (zh) | 一种服务链生成方法及网络功能编排器nfvo | |
| CN110221920A (zh) | 部署方法、装置、存储介质及系统 | |
| CN108984125A (zh) | 一种资源分配的方法、装置及存储介质 | |
| CN110050261A (zh) | 计算资源分配 | |
| CN106161603B (zh) | 一种组网的方法、设备及架构 | |
| CN110058940A (zh) | 一种多线程环境下的数据处理方法及装置 |
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 |