CN108139943A - 计算机负载的多个维度的准确生成 - Google Patents
计算机负载的多个维度的准确生成 Download PDFInfo
- Publication number
- CN108139943A CN108139943A CN201680057875.2A CN201680057875A CN108139943A CN 108139943 A CN108139943 A CN 108139943A CN 201680057875 A CN201680057875 A CN 201680057875A CN 108139943 A CN108139943 A CN 108139943A
- Authority
- CN
- China
- Prior art keywords
- dimension
- utilization rate
- computer
- resource load
- utilization
- 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
- G06F11/00—Error detection; Error correction; Monitoring
- G06F11/30—Monitoring
- G06F11/34—Recording or statistical evaluation of computer activity, e.g. of down time, of input/output operation ; Recording or statistical evaluation of user activity, e.g. usability assessment
- G06F11/3409—Recording or statistical evaluation of computer activity, e.g. of down time, of input/output operation ; Recording or statistical evaluation of user activity, e.g. usability assessment for performance assessment
- G06F11/3414—Workload generation, e.g. scripts, playback
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F11/00—Error detection; Error correction; Monitoring
- G06F11/30—Monitoring
- G06F11/34—Recording or statistical evaluation of computer activity, e.g. of down time, of input/output operation ; Recording or statistical evaluation of user activity, e.g. usability assessment
- G06F11/3409—Recording or statistical evaluation of computer activity, e.g. of down time, of input/output operation ; Recording or statistical evaluation of user activity, e.g. usability assessment for performance assessment
- G06F11/3433—Recording or statistical evaluation of computer activity, e.g. of down time, of input/output operation ; Recording or statistical evaluation of user activity, e.g. usability assessment for performance assessment for load management
-
- 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
- G06F9/46—Multiprogramming arrangements
- G06F9/50—Allocation of resources, e.g. of the central processing unit [CPU]
- G06F9/5083—Techniques for rebalancing the load in a distributed system
-
- 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
- H04L41/20—Network management software packages
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L47/00—Traffic control in data switching networks
- H04L47/70—Admission control; Resource allocation
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L47/00—Traffic control in data switching networks
- H04L47/70—Admission control; Resource allocation
- H04L47/83—Admission control; Resource allocation based on usage prediction
-
- 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
- H04L67/1001—Protocols in which an application is distributed across nodes in the network for accessing one among a plurality of replicated servers
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2201/00—Indexing scheme relating to error detection, to error correction, and to monitoring
- G06F2201/815—Virtual
Abstract
利用率测试生成第一计算机上的资源负载的多个维度,多个维度包括以下中的至少两项:处理器利用率维度、主存储器利用率维度、大容量存储利用率维度和网络利用率维度。利用率测试以等于第一计算机上的资源负载的所述每个维度的可变目标利用率的量,执行尝试的迭代以生成第一计算机上的资源负载的所述每个维度。利用率测试调节经调节的利用率,以尝试纠正(i)第一计算机上的资源负载的多个维度中的特定维度的实际利用率与(ii)第一计算机上的资源负载的多个维度中的特定维度的可变目标利用率之间的不相等。
Description
背景技术
背景技术部分中讨论的主题不应当仅由于其在背景技术部分中提及而被认为是现有技术。类似地,背景技术部分中提及的问题或与背景技术部分的主题相关联的问题不应当被假定为先前在现有技术中已经认识到。背景技术部分中的主题仅表示不同的方法,其本身也可以对应于所要求保护的发明的实现。
负载生成器可以创建最大负载以测量计算机的最大资源负载容量。但是,现有的负载生成器不允许创建任意负载。此外,现有的负载生成器运行一系列测试,并且可以为计算机资源可用性指派单个度量。但是,已有的负载生成器不允许对不同类型的计算机资源进行细粒度测量,并且特别是在任意负载下。
因此,出现了开发如下负载生成器的契机,这个负载生成器有助于确定任意级别的不同类型的计算机资源的资源负载容量。
发明内容
本技术的一个方面是一种可调节地生成计算机资源负载的多个维度以测试计算机资源负载的多个维度的容量的方法。
利用率测试生成第一计算机上的资源负载的多个维度,多个维度包括以下中的至少两项:处理器利用率维度、主存储器利用率维度、大容量存储利用率维度和网络利用率维度。利用率测试以等于第一计算机上的资源负载的所述每个维度的可变目标利用率的量来执行尝试的迭代,以生成第一计算机上的资源负载的所述每个维度。利用率测试调节经调节的利用率,以尝试纠正(i)第一计算机上的资源负载的多个维度中的特定维度的实际利用率与(ii)第一计算机上的资源负载的多个维度中的特定维度的可变目标利用率之间的不相等。
所公开的技术的其他特征和方面出现在下面的附图、说明书和权利要求书中。
附图说明
所包括的附图是用于说明的目的,并且仅用于提供本公开的一个或多个实现的可能的结构和处理操作的示例。这些附图不以任何方式限制本领域技术人员在不脱离本公开的精神和范围的情况下可能做出的形式和细节上的任何改变。当结合附图考虑时,通过参考详细描述和权利要求,可以得到对主题的更完整的理解,其中在所有附图中相同的附图标记指代相似的元件。
图1是示出用于运行资源利用率测试的示例环境的框图。
图2到图5是示出在通用操作系统上或在单内核(unikernel)上运行的资源利用率测试应用的简化框图。
图6是具有多个闭环以生成期望水平的资源负载的利用率测试应用的示例框图。
图7是包括特定计算机资源的实际利用率的不同组件的简化表示。
图8是示出在时间上闭环负载生成器优于开环负载生成器的优越性能的图表。
图9是示出在CPU的各种可变目标利用率的情况下闭环负载生成器优于开环负载生成器的优越性能的图表。
图10是同时示出计算机资源负载的多个维度的性能的图表。
图11是具有足够的底层资源的虚拟机中的CPU负载误差的直方图。
图12是底层资源不足的虚拟机中的CPU负载误差的直方图。
图13是具有在不同物理服务器上的虚拟机的多个实例中运行的资源利用率测试应用的数据中心云的简化框图。
图14是示例计算机系统的框图。
具体实施方式
参考附图进行以下详细描述。描述示例实现以说明所公开的技术,而不是限制由权利要求限定的范围。本领域普通技术人员将认识到以下描述的各种等同变化。
图1是示出用于运行资源利用率测试的示例环境的框图。
虚拟机操作系统20或虚拟机实例在分配给虚拟机操作系统20的虚拟机硬件28a上运行。虚拟机操作系统20由在物理服务器10a上执行的虚拟化软件30a管理。虚拟化软件30a还可以管理附加的虚拟机。虚拟化软件30a可以是本地的或托管的,并且管理一个或多个虚拟机,以允许在相同计算机硬件资源上的操作系统的多个并发实例。计算机硬件资源包括由被示为网络云的网络2互连的物理服务器10a至10z。物理服务器10a至10z包括处理器、存储器和非暂态计算机可读介质,其具有由执行本文中描述的技术的计算机可执行的计算机可读指令。任何数目的服务器10a-10z可以驻留在网络2上,并且任何数目的虚拟机20可以驻留在每个物理服务器10a-10z上。例如,虚拟化软件30y在物理服务器10y上执行,并且物理服务器10z没有正在执行的虚拟化软件。
虚拟机操作系统20是资源利用率测试应用22a在其中执行的环境。资源利用率测试应用22a对资源负载容量测试23a执行资源调节。被调节的不同类型或资源负载的维度的示例包括CPU或进程利用率维度、主存储器利用率维度、大容量存储利用率维度和网络利用率维度。
物理服务器10z不具有正在执行的虚拟化软件。资源负载容量测试23z的资源调节以类似于资源负载容量测试23a的资源调节的方式但是在物理机器操作系统19上的非虚拟上下文中起作用。
图2到图5是示出在通用操作系统上或在单内核上运行的资源利用率测试应用的简化框图。
图2示出了支持单内核操作系统52的虚拟机实例20。单内核操作系统52提供允许检查操作系统的任何方面的单个地址空间。因此,单内核操作系统52有助于保证由资源利用率测试应用22a执行的负载生成的准确性。
图3示出了支持通用操作系统50的虚拟机实例20。通用操作系统50向用户空间40提供包括具有资源利用率测试应用22a的地址空间在内的多个地址空间,这隐藏(obscure)了对操作系统的各方面的检查。因此,通用操作系统50影响了由资源利用率测试应用22a执行的负载生成的准确性。然而,资源利用率测试应用22a与通用操作系统50中的备选方案相比是改进的负载生成器。
图4类似于图2,不同之处在于,物理机器19而不是虚拟机支持单内核操作系统52。图5类似于图3,不同之处在于,物理机器19而不是虚拟机支持通用操作系统50。
图6是具有多个闭环以生成期望水平的资源负载的利用率测试应用的示例框图。
利用率测试控件250为资源负载的不同维度生成可变目标利用率208、218、228和238。可变目标利用率208、218、228和238可以由用户手动指定,或者由利用率测试应用自动生成。自动生成的可变目标利用率208、218、228和238可以循环通过一定范围的值以多次执行利用率测试应用。
网络I/O生成器202生成网络利用率维度资源负载,诸如以下中的一个或多个:每秒传输分组和每秒事务(transaction)。由网络I/O生成器202生成的网络利用率维度资源负载的量是经调节的利用率206。经调节的利用率206最初等于可变目标利用率208。实际利用率207是在计算机上实际生成的网络利用率维度的资源负载的量。实际利用率207不同于经调节的利用率206,因为除了由网络I/O生成器202生成的经调节的利用率206之外,计算机上的网络利用率维度的实际利用率207还包括贡献。在实际利用率207通过实际利用率测量和输出240被测量之后,实际利用率207被提供给闭环控制器204。响应于实际利用率207,闭环控制器204改变经调节的利用率206,以尝试使实际利用率207等于可变目标利用率208。
其他3个循环是相似的,但是为了完整而进行了描述。
大容量存储I/O生成器212生成大容量存储利用率维度资源负载,诸如以下中的一个或多个:每秒读取操作和每秒写入操作。由大容量存储I/O生成器212生成的大容量存储维度资源负载的量是经调节的利用率216。经调节的利用率216最初等于可变目标利用率218。实际利用率217是在计算机上实际生成的大容量存储利用率维度的资源负载的量。实际利用率217与经调节的利用率216不同,因为除了由大容量存储I/O生成器212生成的经调节的利用率216之外,计算机上的大容量存储利用率维度的实际利用率217还包括贡献。在实际利用率217通过实际利用率测量和输出240被测量之后,实际利用率217被提供给闭环控制器214。响应于实际利用率217,闭环控制器214改变经调节的利用率216,以尝试使实际利用率217等于可变目标利用率218。
主存储器I/O生成器222生成主存储器利用率维度资源负载,例如以下一项或多项:每秒读取操作和每秒写入操作。由主存储器I/O生成器222生成的主存储器利用率维度资源负载的量是经调节的利用率226。经调节的利用率226最初等于可变目标利用率228。实际利用率227是计算机上实际生成的网络利用率维度的资源负载的量。实际利用率227不同于经调节的利用率226,因为除了由主存储器I/O生成器222生成的经调节的利用率226之外,计算机上的主存储器利用率维度的实际利用率227还包括贡献。在实际利用率227通过实际利用率测量和输出240被测量之后,实际利用率227被提供给闭环控制器224。响应于实际利用率227,闭环控制器224改变经调节的利用率226,以尝试使实际利用率227等于可变目标利用率228。
处理器或CPU负载生成器232生成处理器利用率维度资源负载,诸如以下中的一个或多个:所使用的CPU秒数和总计的CPU秒数。由处理器生成器232生成的处理器利用率维度资源负载的量是经调节的利用率236。经调节的利用率236最初等于可变目标利用率238。实际利用率237是在计算机上实际生成的处理器负载利用率维度的资源负载的量。实际利用率237不同于经调节的利用率236,因为除了由处理器负载生成器232生成的经调节的利用率236之外,计算机上的处理器利用率维度的实际利用率237还包括贡献。在实际利用率237通过实际利用率测量和输出240被测量之后,实际利用率237被提供给闭环控制器234。响应于实际利用率237,闭环控制器234改变经调节的利用率236,以尝试使实际利用率237等于可变目标利用率238。
闭环控制器204、214、224和234可以用硬件或软件或其组合来实现。更一般地,闭环控制器204、214、224和234可以执行级联补偿或反馈补偿。级联补偿的示例是比例加积分(PI)控制、比例加微分(PD)控制和比例加积分加微分(PID)控制。调谐闭环的示例是手动调谐、Ziegler-Nichols调谐、Tyreus Luyben调谐、软件工具调谐和Cohen-Coon调谐。
尽管利用率测试应用的示例示出了资源负载的4个维度,但是其他示例可以包括3、2、1或大于4。其他示例可以将资源负载的特定维度划分为资源负载的特定维度的不同特性。
图7是包括特定计算机资源的实际利用率的不同组件的简化表示。
特定计算机资源301的实际利用率可以是例如图6中的实际利用率207、217、227或237。实际利用率不仅包括特定计算机资源310的经调节的利用率,还包括附加的利用率贡献。特定计算机资源301的经调节的利用率可以是例如图6中的经调节的利用率206、216、226或236。
对于计算机负载的其他维度,发生来自负载生成器闭环的一些示出的贡献。例如,在特定计算机资源301的实际利用率是处理器负载维度的实际利用率237的示例中,计算机负载的处理器负载维度的附加贡献来自网络利用率维度的负载生成器闭环、大容量存储利用率维度和/或主存储器利用率维度。这些附加贡献被示出为特定计算机资源(例如,处理器负载维度)的利用率贡献320、330和340,这些利用率贡献分别从不同计算机资源#1 321(例如,网络利用率维度)的实际利用率、不同计算机资源#2 331(例如,大容量存储率维度)的实际利用率和不同计算机资源#3 341(例如,主存储器利用率维度)的实际利用率中产生。
其他示出的贡献从利用率测试外部或者甚至从计算机外部一起产生。特定计算机资源350、360和370的利用率分别从利用率测试外部的虚拟机上的进程351、利用率测试外部的物理机器上的进程361和虚拟机外部的物理服务器上的进程371中产生。严格地说,利用率测试外部的虚拟机上的进程351、利用率测试外部的物理机器上的进程361和虚拟机外部的物理服务器上的进程371可以表示资源可用性的上限。但是,这种上限可以由负面贡献来解释。
图8是示出在时间上闭环负载生成器优于开环负载生成器的优越性能的图表。
这个图表示出了在10%的CPU利用率下在120秒的持续时间内的原始(naive)CPU负载生成器(开环420)与PID控制的CPU负载生成器(闭环410)的初始比较。x轴表示时间,并且y轴表示观察到的误差。在这种情况下,正的误差表示CPU负载不足,并且负的误差表示CPU负载过多。由于正常的系统变化,两个控制器会在平均误差值附近振荡(bounce)。但是,与开环情况下相比,平均的PID控制的误差明显更接近0。
图9是示出在CPU的各种可变目标利用率的情况下,闭环负载生成器优于开环负载生成器的优越性能的图表。
与图8中相同的比较是在一定范围的目标CPU负载上进行的。这次,x轴是目标负载,并且y轴是在测试期间观察到的平均误差值。误差线指示在测试运行期间观察到的最大和最小误差值。在几乎所有PID控制的情况(闭环510)下的平均误差值是0,而原始CPU生成器(开环520)具有取决于目标CPU负载的明显偏差。而且,两个生成器在0%和100%负载下几乎完全相同地执行。
图10是同时示出计算机资源负载的多个维度的性能的图表。
这个图表示出了当在负载轻的管理程序上在虚拟机内部使用基于单内核的负载生成器来运行三个负载生成器时的测量误差(图表中的方差百分比)
生成器配置如下:
CPU利用率(迹线650):50%
存储器读取(迹线610):1000MB/s
存储器写入(迹线620):100MB/s
磁盘读取(轨迹630):20MB/s
磁盘写入(迹线640):2MB/s
每个结果类别都有一些变化,但是平均误差为0。此外,这表明,多个负载生成器可以同时一起工作,以随着时间创建准确的负载。
图11是具有足够的底层资源的虚拟机中的CPU负载误差的直方图。
这种负载生成技术比较了管理程序平台提供期望级别的性能的能力。通过在我们的测试工具上配置特定的负载,资源利用率测试应用可以确定管理程序是否可以向测试工具提供这个量的计算资源。
这个第一直方图示出了在轻负载的管理程序上的基于单内核的负载生成器的所测量的CPU负载误差的范围。这个测试运行的平均误差为0%(如在上面讨论的初始测试中)。另外,直方图示出了0%误差附近的误差值的紧密聚集。
图12是底层资源不足的虚拟机中的CPU负载误差的直方图。
这个第二直方图示出了相同的测试配置,但是在过载的管理程序上运行。测量误差在这个测试系统上有很大的变化。此外,这个测试运行的平均误差为~-5%,这指示PID控制的负载生成器由于缺乏CPU资源而无法生成期望的负载。
图13是具有在不同物理服务器上的虚拟机的多个实例中运行的资源利用率测试应用的数据中心云的简化框图。
网络700包括诸如物理服务器710和物理服务器740等多个物理服务器。每个物理服务器支持多个虚拟机实例,诸如物理服务器710上的虚拟机OS 720和721以及物理服务器740上的虚拟机OS 750和751。每个虚拟机支持资源利用率测试应用,诸如分别在虚拟机OS720、721、750和751上的资源利用率测试应用730、731、760和761。尽管示例中示出了2个虚拟机,但是每个物理服务器可以支持任意数目的虚拟机。
在一个实施例中,控制软件远程安装资源利用率测试应用(连同虚拟机,除非虚拟机已经安装)。然后,控制软件在所有物理服务器(或其某个子集)上的所有虚拟机(或其某个子集)上运行所有资源利用率测试应用(或其某个子集)并且聚合结果。最终输出可以指示针对计算机负载的不同维度支持很多虚拟机的数据中心云的聚合容量。
图14是根据一个实现的示例计算机系统的框图。计算机系统910通常包括经由总线子系统912与多个外围设备通信的至少一个处理器914。这些外围设备可以包括包含例如存储器设备和文件存储子系统的存储子系统924、用户接口输入设备922、用户接口输出设备920和网络接口子系统916。输入和输出设备允许用户与计算机系统910交互。网络接口子系统916提供到外部网络的接口,包括到其他计算机系统中的相应接口设备的接口。
用户接口输入设备922可以包括键盘;指点设备,诸如鼠标、轨迹球、触摸板或图形输入板;扫描仪;并入显示器中的触摸屏;音频输入设备,诸如语音识别系统和麦克风;以及其他类型的输入设备。通常,术语“输入设备”的使用旨在包括将信息输入计算机系统910中的所有可能类型的设备和方式。
用户接口输出设备920可以包括显示子系统、打印机、传真机或非视觉显示器,诸如音频输出设备。显示子系统可以包括阴极射线管(CRT)、诸如液晶显示器(LCD)等平板设备、投影设备或用于产生可视图像的某种其他机构。显示子系统还可以提供诸如音频输出设备等非可视显示器。通常,术语“输出设备”的使用旨在包括从计算机系统910向用户或另一机器或计算机系统输出信息的所有可能类型的设备和方式。
存储子系统924存储编程和数据结构,这些编程和数据结构提供本文中描述的一些或全部模块和方法的功能。这些软件模块通常由处理器914单独或与其他处理器组合执行。
在存储子系统中使用的存储器926可以包括多个存储器,包括用于在程序执行期间存储指令和数据的主随机存取存储器(RAM)930和其中存储有固定指令的只读存储器(ROM)932。文件存储子系统928可以为程序和数据文件提供持久存储,并且可以包括硬盘驱动器、软盘驱动器以及相关联的可移除介质、CD-ROM驱动器、光盘驱动器或可移除介质盒。实现某些实现的功能的模块可以由文件存储子系统928存储在存储子系统924中,或存储在处理器可访问的其他机器中。
总线子系统912提供用于使计算机系统910的各种组件和子系统能够按照预期彼此通信的机制。尽管总线子系统912被示意性地示出为单个总线,但是总线子系统的备选实现可以使用多个总线。
计算机系统910可以是不同类型的,包括工作站、服务器、计算集群、刀片服务器、服务器群或任何其他数据处理系统或计算设备。由于计算机和网络的性质不断变化,图9中描绘的计算机系统910的描述仅旨在作为一个示例。与图9中描绘的计算机系统相比具有更多或更少的组件的计算机系统910的很多其他配置是可能的。
特定实现
本技术的一个方面是一种可调节地生成计算机资源负载的多个维度以测试所述计算机资源负载的多个维度的容量的方法。
所述方法包括在第一计算机上执行利用率测试,所述利用率测试生成所述第一计算机上的资源负载的多个维度。
所述多个维度包括以下中的至少两项:处理器利用率维度、主存储器利用率维度、大容量存储利用率维度和网络利用率维度。
针对所述多个维度中的两个或更多维度中的每个维度,所述利用率测试以等于所述第一计算机上的所述资源负载的所述每个维度的可变目标利用率的量来执行尝试的迭代以生成所述第一计算机上的所述资源负载的所述每个维度。
所述利用率测试测量所述第一计算机上的所述资源负载的所述多个维度中的特定维度的实际利用率。
所述实际利用率是至少以下各项的组合:
(i)所述第一计算机上的所述资源负载的所述多个维度中的特定维度的经调节的利用率。所述经调节的利用率是通过所述利用率测试针对所述第一计算机上的所述资源负载的所述多个维度中的特定维度生成的。
(ii)对所述第一计算机上的所述资源负载的所述多个维度中的特定维度的第一利用率贡献。所述第一利用率贡献是在所述第一计算机上生成的。所述第一利用率贡献是在所述第一计算机上、在所述利用率测试外部生成的。
所述第一计算机上的所述资源负载的所述多个维度中的所述特定维度是所述多个维度中的所述两个或更多维度中的一个维度,使得所述第一计算机上的所述资源负载的所述多个维度中的所述特定维度具有所述可变目标利用率。
所述利用率测试调节所述经调节的利用率以尝试纠正(i)所述第一计算机上的所述资源负载的所述多个维度中的所述特定维度的实际利用率和(ii)所述第一计算机上的所述资源负载的所述多个维度中的特定维度的可变目标利用率之间的不相等。
在一个实施例中,所述迭代中的后续迭代在所述迭代中的在前迭代之后。在所述迭代中的所述在前迭代中,所述利用率测试测量实际利用率,并且作为响应,在所述迭代中的所述后续迭代中,所述利用率测试调节所述经调节的利用率。
在一个实施例中,所述迭代中的后续迭代在所述迭代中的在前迭代之后。在所述迭代中的所述在前迭代中,所述利用率测试测量所述第一计算机上的所述资源负载的所述多个维度中的所述特定维度的实际利用率,并且作为响应,在所述迭代中的所述后续迭代中,所述利用率测试调节所述第一计算机上的所述资源负载的所述多个维度中的所述特定维度的经调节的利用率。
在一个实施例中,所述第一计算机上的所述资源负载的所述多个维度中的所述特定维度的实际利用率是至少以下各项的组合:
(i)所述经调节的利用率,
(ii)所述第一利用率贡献,以及
(iii)所述第一计算机上的所述资源负载的所述多个维度中的另一维度的第二利用率贡献。所述第二利用率贡献是通过所述利用率测试针对所述多个维度中的所述另一维度生成的。
在一个实施例中,所述第一计算机上的所述资源负载的所述多个维度中的所述特定维度是所述处理器利用率维度,并且所述多个维度中的所述另一维度是所述主存储器利用率维度、所述大容量存储利用率维度和所述网络利用率维度中的任一项。
在一个实施例中,所述多个维度中的所述两个或更多维度包括所述第一计算机上的所述资源负载的所述多个维度中的所述特定维度和所述多个维度中的另一维度。通过所述利用率测试针对所述多个维度中的所述另一维度测量的实际利用率是至少以下各项的组合:
(i)所述第一计算机上的所述资源负载的所述多个维度中的所述另一维度的经调节的利用率。所述多个维度中的所述另一维度的经调节的利用率是通过所述利用率测试针对所述多个维度中的所述另一维度生成的;以及
(ii)在所述第一计算机上、在利用率测试外部生成的所述第一计算机上的另一第一利用率贡献。
在一个实施例中,所述利用率测试具有针对所述第一计算机上的所述资源负载的多个维度中的不同维度存储所述可变目标利用率、所述实际利用率、所述经调节的利用率和所述第一利用率贡献的不同值的能力。
在一个实施例中,所述多个维度测量OS的基本行为。
在一个实施例中,所述第一计算机是物理计算机。
在一个实施例中,所述第一计算机是物理计算机上的虚拟机。
在一个实施例中,在所述迭代中的后续迭代中,所述经调节的利用率被进一步调节以尝试纠正经历对所述物理计算机的资源的访问的变化的所述虚拟机。
在一个实施例中,所述利用率测试在所述第一计算机上的单内核操作系统中运行。
在一个实施例中,所述利用率测试在通用操作系统中运行。
在一个实施例中,所述可变目标利用率可变为在所述第一计算机的所述多个维度中的特定维度的完全利用和不利用之间的中间值。
在一个实施例中,所述不同维度的所述可变目标利用率随时间变化,并且所述利用率测试响应于所述可变目标利用率被改变而执行新的一组迭代。
在一个实施例中,所述不同维度的所述可变目标利用率由用户确定。
在一个实施例中,所述不同维度的所述可变目标利用率由算法自动确定。
一个实施例还包括:
针对所述多个维度,报告所述实际利用率以及所述实际利用率与所述可变目标利用率之间的差异。
在一个实施例中,所述利用率测试包括带有PID控制器输出的PID控制器回路,所述PID控制器输出引起针对所述第一计算机的资源负载的多个维度的实际利用率,以尝试实现针对所述第一计算机的资源负载的多个维度的可变目标利用率。
本技术的另一方面是一种可调节地生成计算机资源负载的多个维度以测试所述计算机资源负载的多个维度的容量的方法。
所述方法包括在第一计算机上执行利用率测试,所述利用率测试生成所述第一计算机上的资源负载的多个维度。
所述多个维度包括以下中的至少两项:处理器利用率维度、主存储器利用率维度、大容量存储利用率维度和网络利用率维度。
针对所述多个维度中的两个或更多维度中的每个维度,所述利用率测试以等于所述第一计算机上的所述资源负载的所述每个维度的可变目标利用率的量,利用PID控制器来执行尝试的迭代,以生成所述第一计算机上的所述资源负载的所述每个维度。
本技术的另一方面是一种被配置为可调节地生成计算机资源负载的多个维度以可调节地测试所述计算机资源负载的多个维度的可用性的装置,所述装置包括第一计算机,所述第一计算机包括处理器、存储器和所述存储器中的实现如本文中描述的方法的指令。
本技术的另一方面是一种非暂态计算机可读介质,存储用于可调节地生成计算机资源负载的多个维度以测试所述计算机资源负载的多个维度的容量的代码。所述代码包括用于执行如本文中描述的方法的指令。
所公开的技术的这个方法和其他实现可以包括以下特征和/或结合所公开的附加方法描述的特征中的一个或多个。为了简明起见,在本申请中公开的特征的组合没有单独列举,并且不利用每个基本特征集重复。
其他实现可以包括有形的计算机可读存储器,包括使得计算机实现上述任何方法的计算机程序指令。又一实现可以包括一种系统,其包括存储器和一个或多个处理器,一个或多个处理器可操作以执行存储器中存储的指令以执行上述任何方法。
以下条款描述可调节地生成计算机资源负载的多个维度以测试计算机资源负载的多个维度的容量的各种示例的各方面。
1.一种可调节地生成计算机资源负载的多个维度以测试所述计算机资源负载的多个维度的容量的方法,所述方法包括:
在第一计算机上执行利用率测试,所述利用率测试生成所述第一计算机上的资源负载的多个维度,所述多个维度包括以下中的至少两项:
处理器利用率维度、主存储器利用率维度、大容量存储利用率维度和网络利用率维度,
其中针对所述多个维度中的两个或更多维度中的每个维度,所述利用率测试以等于所述第一计算机上的所述资源负载的所述每个维度的可变目标利用率的量来执行尝试的迭代,以生成所述第一计算机上的所述资源负载的所述每个维度,
其中所述利用率测试测量所述第一计算机上的所述资源负载的所述多个维度中的特定维度的实际利用率,所述实际利用率是至少以下各项的组合:
所述第一计算机上的所述资源负载的所述多个维度中的特定维度的经调节的利用率,所述经调节的利用率是所述利用率测试针对所述第一计算机上的所述资源负载的所述多个维度中的特定维度生成的;以及
对所述第一计算机上的所述资源负载的所述多个维度中的特定维度的第一利用率贡献,所述第一利用率贡献是在所述第一计算机上生成的,所述第一利用率贡献是在所述第一计算机上、在所述利用率测试外部生成的,
其中所述第一计算机上的所述资源负载的所述多个维度中的所述特定维度是所述多个维度中的所述两个或更多维度中的一个维度,使得所述第一计算机上的所述资源负载的所述多个维度中的所述特定维度具有所述可变目标利用率,
其中所述利用率测试调节所述经调节的利用率以尝试纠正(i)所述第一计算机上的所述资源负载的所述多个维度中的所述特定维度的实际利用率与(ii)所述第一计算机上的所述资源负载的所述多个维度中的特定维度的可变目标利用率之间的不相等。
2.根据条款1所述的方法,其中所述迭代中的后续迭代在所述迭代中的在前迭代之后,在所述迭代中的所述在前迭代中,所述利用率测试测量实际利用率,并且作为响应,在所述迭代中的所述后续迭代中,所述利用率测试调节所述经调节的利用率。
3.根据条款1至2中任一项所述的方法,其中所述迭代中的后续迭代在所述迭代中的在前迭代之后,在所述迭代中的所述在前迭代中,所述利用率测试测量所述第一计算机上的所述资源负载的所述多个维度中的所述特定维度的实际利用率,并且作为响应,在所述迭代中的所述后续迭代中,所述利用率测试调节所述第一计算机上的所述资源负载的所述多个维度中的所述特定维度的经调节的利用率。
4.根据条款1至3中任一项所述的方法,其中所述第一计算机上的所述资源负载的所述多个维度中的所述特定维度的实际利用率是至少以下各项的组合:所述经调节的利用率、所述第一利用率贡献、以及
所述第一计算机上的所述资源负载的所述多个维度中的另一维度的第二利用率贡献,所述第二利用率贡献是通过所述利用率测试针对所述多个维度中的所述另一维度生成的。
5.根据条款4所述的方法,其中所述第一计算机上的所述资源负载的所述多个维度中的所述特定维度是所述处理器利用率维度,并且所述多个维度中的所述另一维度是所述主存储器利用率维度、所述大容量存储利用率维度和所述网络利用率维度中的任一项。
6.根据任一前述条款所述的方法,其中所述多个维度中的所述两个或更多维度包括所述第一计算机上的所述资源负载的所述多个维度中的所述特定维度和所述多个维度中的另一维度,并且通过所述利用率测试针对所述多个维度中的所述另一维度测量的实际利用率是至少以下各项的组合:
所述第一计算机上的所述资源负载的所述多个维度中的所述另一维度的经调节的利用率,所述多个维度中的所述另一维度的经调节的利用率是通过所述利用率测试针对所述多个维度中的所述另一维度生成的;以及
在所述第一计算机上、在利用率测试外部生成的所述第一计算机上的另一第一利用率贡献。
7.根据任一前述条款所述的方法,其中所述利用率测试具有针对所述第一计算机上的所述资源负载的多个维度中的不同维度存储所述可变目标利用率、所述实际利用率、所述经调节的利用率和所述第一利用率贡献的不同值的能力。
8.根据任一前述条款所述的方法,其中所述多个维度测量OS的基本行为。
9.根据条款1至8中任一项所述的方法,其中所述第一计算机是物理计算机。
10.根据条款1至8中任一项所述的方法,其中所述第一计算机是物理计算机上的虚拟机。
11.根据条款10所述的方法,其中在所述迭代中的后续迭代中,所述经调节的利用率被进一步调节,以尝试纠正经历对所述物理计算机的资源的访问的变化的所述虚拟机。
12.根据任一前述条款所述的方法,其中所述利用率测试在所述第一计算机上的单内核操作系统中运行。
13.根据任一前述条款所述的方法,其中所述利用率测试在通用操作系统中运行。
14.根据任一前述条款所述的方法,其中所述可变目标利用率可变为在所述第一计算机的所述多个维度中的特定维度的完全利用和不利用之间的中间值。
15.根据任一前述条款所述的方法,其中针对所述不同维度的所述可变目标利用率随时间变化,并且所述利用率测试响应于所述可变目标利用率被改变而执行新的一组迭代。
16.根据任一前述条款所述的方法,其中所述不同维度的所述可变目标利用率由用户确定。
17.根据条款1至15中任一项所述的方法,其中所述不同维度的所述可变目标利用率由算法自动确定。
18.根据任一前述条款所述的方法,还包括:
针对所述多个维度,报告所述实际利用率以及所述实际利用率与所述可变目标利用率之间的差异。
19.根据任一前述条款所述的方法,其中所述利用率测试包括带有PID控制器输出的PID控制器回路,所述PID控制器输出引起针对所述第一计算机的资源负载的所述多个维度的实际利用率,以尝试实现针对所述第一计算机的资源负载的所述多个维度的可变目标利用率。
20.一种可调节地生成计算机资源负载的多个维度以测试所述计算机资源负载的多个维度的容量的方法,所述方法包括:
在第一计算机上执行利用率测试,所述利用率测试生成所述第一计算机上的资源负载的多个维度,所述多个维度包括以下中的至少两项:
处理器利用率维度、主存储器利用率维度、大容量存储利用率维度和网络利用率维度,
其中针对所述多个维度中的两个或更多维度中的每个维度,所述利用率测试以等于所述第一计算机上的所述资源负载的所述每个维度的可变目标利用率的量,利用PID控制器来执行尝试的迭代,以生成所述第一计算机上的所述资源负载的所述每个维度。
21.一种被配置为可调节地生成计算机资源负载的多个维度以可调节地测试计算机资源负载的多个维度的可用性的装置,包括:
第一计算机,其包括处理器、存储器和所述存储器中的指令,所述指令实现:
在第一计算机上执行利用率测试,所述利用率测试生成所述第一计算机上的资源负载的多个维度,所述多个维度包括以下中的至少两项:
处理器利用率维度、主存储器利用率维度、大容量存储利用率维度和网络利用率维度,
其中针对所述多个维度中的两个或更多维度中的每个维度,所述利用率测试以等于所述第一计算机上的所述资源负载的所述每个维度的可变目标利用率的量来执行尝试的迭代,以生成所述第一计算机上的所述资源负载的所述每个维度,
其中所述利用率测试测量所述第一计算机上的所述资源负载的所述多个维度中的特定维度的实际利用率,所述实际利用率是至少以下各项的组合:
所述第一计算机上的所述资源负载的所述多个维度中的特定维度的经调节的利用率,所述经调节的利用率是通过所述利用率测试针对所述第一计算机上的所述资源负载的所述多个维度中的特定维度生成的;以及
对所述第一计算机上的所述资源负载的所述多个维度中的特定维度的第一利用率贡献,所述第一利用率贡献是在所述第一计算机上生成的,所述第一利用率贡献是在所述第一计算机上、在所述利用率测试外部生成的,
其中所述第一计算机上的所述资源负载的所述多个维度中的所述特定维度是所述多个维度中的所述两个或更多维度中的一个维度,使得所述第一计算机上的所述资源负载的所述多个维度中的所述特定维度具有所述可变目标利用率,
其中所述利用率测试调节所述经调节的利用率以尝试纠正(i)所述第一计算机上的所述资源负载的所述多个维度中的所述特定维度的实际利用率与(ii)所述第一计算机上的所述资源负载的所述多个维度中的特定维度的可变目标利用率之间的不相等。
22.一种被配置为可调节地生成计算机资源负载的多个维度以测试所述计算机资源负载的多个维度的容量的装置,包括:
第一计算机,其包括处理器、存储器和所述存储器中的指令,所述指令实现:
在第一计算机上执行利用率测试,所述利用率测试生成所述第一计算机上的资源负载的多个维度,所述多个维度包括以下中的至少两项:
处理器利用率维度、主存储器利用率维度、大容量存储利用率维度和网络利用率维度,
其中对于所述多个维度中的两个或更多维度中的每个维度,所述利用率测试以等于所述第一计算机上的所述资源负载的所述每个维度的可变目标利用率的量,利用PID控制器来执行尝试的迭代以生成所述第一计算机上的所述资源负载的所述每个维度。
虽然所公开的技术参考了以上详细描述的优选实现和实施例,但是应当理解,这些实施例意图是说明性的而不是限制性的。预计的是修改和组合是本领域技术人员将容易想到的,这些修改和组合将在所公开的技术的精神和所附权利要求的范围内。
Claims (20)
1.一种可调节地生成计算机资源负载的多个维度以测试所述计算机资源负载的所述多个维度的容量的方法,所述方法包括:
在第一计算机上执行利用率测试,所述利用率测试生成所述第一计算机上的资源负载的所述多个维度,所述多个维度包括以下中的至少两项:
处理器利用率维度、主存储器利用率维度、大容量存储利用率维度和网络利用率维度,
其中针对所述多个维度中的两个或更多维度中的每个维度,所述利用率测试以等于所述第一计算机上的所述资源负载的所述每个维度的可变目标利用率的量来执行尝试的迭代,以生成所述第一计算机上的所述资源负载的所述每个维度,
其中所述利用率测试测量所述第一计算机上的所述资源负载的所述多个维度中的特定维度的实际利用率,所述实际利用率是至少以下各项的组合:
所述第一计算机上的所述资源负载的所述多个维度中的所述特定维度的经调节的利用率,所述经调节的利用率是通过所述利用率测试针对所述第一计算机上的所述资源负载的所述多个维度中的所述特定维度生成的;以及
对所述第一计算机上的所述资源负载的所述多个维度中的所述特定维度的第一利用率贡献,所述第一利用率贡献是在所述第一计算机上生成的,所述第一利用率贡献是在所述第一计算机上、在所述利用率测试外部生成的,
其中所述第一计算机上的所述资源负载的所述多个维度中的所述特定维度是所述多个维度中的所述两个或更多维度中的一个维度,使得所述第一计算机上的所述资源负载的所述多个维度中的所述特定维度具有所述可变目标利用率,
其中所述利用率测试调节所述经调节的利用率,以尝试纠正(i)所述第一计算机上的所述资源负载的所述多个维度中的所述特定维度的所述实际利用率与(ii)所述第一计算机上的所述资源负载的所述多个维度中的所述特定维度的所述可变目标利用率之间的不相等。
2.根据权利要求1所述的方法,其中所述迭代中的后续迭代在所述迭代中的在前迭代之后,在所述迭代中的所述在前迭代中,所述利用率测试测量所述实际利用率,并且作为响应,在所述迭代中的所述后续迭代中,所述利用率测试调节所述经调节的利用率。
3.根据权利要求1至2中任一项所述的方法,其中所述迭代中的后续迭代在所述迭代中的在前迭代之后,在所述迭代中的所述在前迭代中,所述利用率测试测量所述第一计算机上的所述资源负载的所述多个维度中的所述特定维度的所述实际利用率,并且作为响应,在所述迭代中的所述后续迭代中,所述利用率测试调节所述第一计算机上的所述资源负载的所述多个维度中的所述特定维度的所述经调节的利用率。
4.根据权利要求1至3中任一项所述的方法,其中所述第一计算机上的所述资源负载的所述多个维度中的所述特定维度的所述实际利用率是至少以下各项的组合:所述经调节的利用率、所述第一利用率贡献、以及
所述第一计算机上的所述资源负载的所述多个维度中的另一维度的第二利用率贡献,所述第二利用率贡献是通过所述利用率测试针对所述多个维度中的所述另一维度生成的。
5.根据权利要求4所述的方法,其中所述第一计算机上的所述资源负载的所述多个维度中的所述特定维度是所述处理器利用率维度,并且所述多个维度中的所述另一维度是所述主存储器利用率维度、所述大容量存储利用率维度和所述网络利用率维度中的任一项。
6.根据任一前述权利要求所述的方法,其中所述多个维度中的所述两个或更多维度包括所述第一计算机上的所述资源负载的所述多个维度中的所述特定维度和所述多个维度中的另一维度,并且通过所述利用率测试针对所述多个维度中的所述另一维度测量的所述实际利用率是至少以下各项的组合:
所述第一计算机上的所述资源负载的所述多个维度中的所述另一维度的经调节的利用率,所述多个维度中的所述另一维度的所述经调节的利用率是通过所述利用率测试针对所述多个维度中的所述另一维度生成的;以及
在所述第一计算机上、在所述利用率测试外部生成的所述第一计算机上的另一第一利用率贡献。
7.根据任一前述权利要求所述的方法,其中所述利用率测试具有针对所述第一计算机上的资源负载的所述多个维度中的不同维度存储所述可变目标利用率、所述实际利用率、所述经调节的利用率和所述第一利用率贡献的不同值的能力。
8.根据任一前述权利要求所述的方法,其中所述多个维度测量OS的基本行为。
9.根据权利要求1至8中任一项所述的方法,其中所述第一计算机是物理计算机。
10.根据权利要求1至8中任一项所述的方法,其中所述第一计算机是物理计算机上的虚拟机。
11.根据权利要求10所述的方法,其中在所述迭代中的所述后续迭代中,所述经调节的利用率被进一步调节,以尝试纠正经历对所述物理计算机的资源的访问的变化的所述虚拟机。
12.根据任一前述权利要求所述的方法,其中所述利用率测试在所述第一计算机上的单内核操作系统中运行。
13.根据任一前述权利要求所述的方法,其中所述利用率测试在通用操作系统中运行。
14.根据任一前述权利要求所述的方法,其中所述可变目标利用率可变为所述第一计算机的所述多个维度中的所述特定维度的完全利用和不利用之间的中间值。
15.根据任一前述权利要求所述的方法,其中针对所述不同维度的所述可变目标利用率随时间变化,并且所述利用率测试响应于所述可变目标利用率被改变而执行新的一组迭代。
16.根据任一前述权利要求所述的方法,其中针对所述不同维度的所述可变目标利用率由用户确定。
17.根据权利要求1至15中任一项所述的方法,其中针对所述不同维度的所述可变目标利用率由算法自动确定。
18.根据任一前述权利要求所述的方法,还包括:
针对所述多个维度,报告所述实际利用率以及所述实际利用率与所述可变目标利用率之间的差异。
19.根据任一前述权利要求所述的方法,其中所述利用率测试包括带有PID控制器输出的PID控制器回路,所述PID控制器输出引起针对所述第一计算机的资源负载的多个维度的实际利用率,以尝试实现针对所述第一计算机的资源负载的多个维度的所述可变目标利用率。
20.一种被配置为可调节地生成计算机资源负载的多个维度以可调节地测试计算机资源负载的多个维度的可用性的装置,包括:
第一计算机,所述第一计算机包括处理器、存储器和所述存储器中的指令,所述指令实现:
在第一计算机上执行利用率测试,所述利用率测试生成所述第一计算机上的资源负载的所述多个维度,所述多个维度包括以下中的至少两项:
处理器利用率维度、主存储器利用率维度、大容量存储利用率维度和网络利用率维度,
其中针对所述多个维度中的两个或更多维度中的每个维度,
所述利用率测试以等于所述第一计算机上的所述资源负载的所述每个维度的可变目标利用率的量来执行尝试的迭代,以生成所述第一计算机上的所述资源负载的所述每个维度,
其中所述利用率测试测量所述第一计算机上的所述资源负载的所述多个维度中的特定维度的实际利用率,所述实际利用率是至少以下各项的组合:
所述第一计算机上的所述资源负载的所述多个维度中的所述特定维度的经调节的利用率,所述经调节的利用率是通过所述利用率测试针对所述第一计算机上的所述资源负载的所述多个维度中的所述特定维度生成的;以及
对所述第一计算机上的所述资源负载的所述多个维度中的所述特定维度的第一利用率贡献,所述第一利用率贡献是在所述第一计算机上生成的,所述第一利用率贡献是在所述第一计算机上、在所述利用率测试外部生成的,
其中所述第一计算机上的所述资源负载的所述多个维度中的所述特定维度是所述多个维度中的所述两个或更多维度中的一个维度,使得所述第一计算机上的所述资源负载的所述多个维度中的所述特定维度具有所述可变目标利用率,
其中所述利用率测试调节所述经调节的利用率,以尝试纠正(i)所述第一计算机上的所述资源负载的所述多个维度中的所述特定维度的所述实际利用率与(ii)所述第一计算机上的所述资源负载的所述多个维度中的所述特定维度的所述可变目标利用率之间的不相等。
Applications Claiming Priority (3)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
US14/871,676 | 2015-09-30 | ||
US14/871,676 US9894150B2 (en) | 2015-09-30 | 2015-09-30 | Accurate generation of multiple dimensions of computer load |
PCT/US2016/055003 WO2017059361A1 (en) | 2015-09-30 | 2016-09-30 | Accurate generation of multiple dimensions of computer load |
Publications (2)
Publication Number | Publication Date |
---|---|
CN108139943A true CN108139943A (zh) | 2018-06-08 |
CN108139943B CN108139943B (zh) | 2020-05-12 |
Family
ID=57206357
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201680057875.2A Expired - Fee Related CN108139943B (zh) | 2015-09-30 | 2016-09-30 | 计算机负载的多个维度的准确生成 |
Country Status (6)
Country | Link |
---|---|
US (2) | US9894150B2 (zh) |
EP (1) | EP3356939B1 (zh) |
JP (1) | JP2018532194A (zh) |
KR (1) | KR101925762B1 (zh) |
CN (1) | CN108139943B (zh) |
WO (1) | WO2017059361A1 (zh) |
Families Citing this family (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US10387509B2 (en) * | 2014-07-30 | 2019-08-20 | Microsoft Technology Licensing, Llc | Behavior influenced search ranking |
US11449365B2 (en) * | 2016-01-04 | 2022-09-20 | Trilio Data Inc. | Ubiquitous and elastic workload orchestration architecture of hybrid applications/services on hybrid cloud |
US10171297B2 (en) * | 2016-07-07 | 2019-01-01 | Honeywell International Inc. | Multivariable controller for coordinated control of computing devices and building infrastructure in data centers or other locations |
US10579511B2 (en) * | 2017-05-10 | 2020-03-03 | Bank Of America Corporation | Flexible testing environment using a cloud infrastructure—cloud technology |
FR3073298B1 (fr) * | 2017-11-09 | 2021-01-22 | Bull Sas | Procede et dispositif de recherche de marge d’optimisation de ressources d’une chaine applicative |
US10877786B1 (en) * | 2018-09-28 | 2020-12-29 | Amazon Technologies, Inc. | Managing compute resource usage based on prior usage |
US10884778B1 (en) | 2018-09-28 | 2021-01-05 | Amazon Technologies, Inc. | Adjusting dynamically scalable instance hosting based on compute resource usage |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102696000A (zh) * | 2010-01-13 | 2012-09-26 | 美国日本电气实验室公司 | 用于虚拟化数据中心中的协调能量管理的方法和设备 |
US20140068335A1 (en) * | 2012-08-31 | 2014-03-06 | Ca, Inc. | Dynamic load calculation and predictive scaling |
CN104252393A (zh) * | 2013-06-25 | 2014-12-31 | 威睿公司 | 分布式计算机系统中的性能驱动的资源管理 |
Family Cites Families (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2005063222A (ja) * | 2003-08-15 | 2005-03-10 | Nippon Telegr & Teleph Corp <Ntt> | 負荷制御方法および装置、ならびに負荷制御用プログラム |
US7275020B2 (en) * | 2003-12-23 | 2007-09-25 | Hewlett-Packard Development Company, L.P. | Method and system for testing a computer system by applying a load |
US7487258B2 (en) * | 2004-01-30 | 2009-02-03 | International Business Machines Corporation | Arbitration in a computing utility system |
US20070250837A1 (en) * | 2006-04-24 | 2007-10-25 | Herington Daniel E | System and method for adjusting multiple resources across multiple workloads |
US20090271152A1 (en) * | 2008-04-28 | 2009-10-29 | Alcatel | Load testing mechanism for server-based applications |
US20100050179A1 (en) * | 2008-08-22 | 2010-02-25 | Ajay Mohindra | Layered capacity driven provisioning in distributed environments |
JP5549237B2 (ja) | 2010-01-21 | 2014-07-16 | 富士通株式会社 | 試験環境構築プログラム、試験環境構築方法、及び試験装置 |
US8434088B2 (en) * | 2010-02-18 | 2013-04-30 | International Business Machines Corporation | Optimized capacity planning |
WO2011105091A1 (ja) | 2010-02-26 | 2011-09-01 | 日本電気株式会社 | 制御装置、管理装置、制御装置のデータ処理方法、およびプログラム |
US20130179144A1 (en) * | 2012-01-06 | 2013-07-11 | Frank Lu | Performance bottleneck detection in scalability testing |
US11199824B2 (en) * | 2012-01-17 | 2021-12-14 | Fisher-Rosemount Systems, Inc. | Reducing controller updates in a control loop |
US9283672B1 (en) * | 2014-12-11 | 2016-03-15 | Apkudo, Llc | Robotic testing device and method for more closely emulating human movements during robotic testing of mobile devices |
US10193984B2 (en) * | 2015-12-01 | 2019-01-29 | Telefonaktiebolaget Lm Ericsson (Publ) | Architecture for enabling fine granular service chaining |
-
2015
- 2015-09-30 US US14/871,676 patent/US9894150B2/en active Active
-
2016
- 2016-09-30 CN CN201680057875.2A patent/CN108139943B/zh not_active Expired - Fee Related
- 2016-09-30 WO PCT/US2016/055003 patent/WO2017059361A1/en active Application Filing
- 2016-09-30 EP EP16787594.7A patent/EP3356939B1/en active Active
- 2016-09-30 KR KR1020187009630A patent/KR101925762B1/ko active IP Right Grant
- 2016-09-30 JP JP2018516029A patent/JP2018532194A/ja active Pending
-
2017
- 2017-12-28 US US15/857,483 patent/US10536516B2/en not_active Expired - Fee Related
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102696000A (zh) * | 2010-01-13 | 2012-09-26 | 美国日本电气实验室公司 | 用于虚拟化数据中心中的协调能量管理的方法和设备 |
US20140068335A1 (en) * | 2012-08-31 | 2014-03-06 | Ca, Inc. | Dynamic load calculation and predictive scaling |
CN104252393A (zh) * | 2013-06-25 | 2014-12-31 | 威睿公司 | 分布式计算机系统中的性能驱动的资源管理 |
Also Published As
Publication number | Publication date |
---|---|
EP3356939B1 (en) | 2019-11-06 |
WO2017059361A1 (en) | 2017-04-06 |
US10536516B2 (en) | 2020-01-14 |
CN108139943B (zh) | 2020-05-12 |
KR101925762B1 (ko) | 2018-12-05 |
KR20180039745A (ko) | 2018-04-18 |
US9894150B2 (en) | 2018-02-13 |
US20180124164A1 (en) | 2018-05-03 |
US20170093962A1 (en) | 2017-03-30 |
JP2018532194A (ja) | 2018-11-01 |
EP3356939A1 (en) | 2018-08-08 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108139943A (zh) | 计算机负载的多个维度的准确生成 | |
US11762690B2 (en) | Data processing method and related products | |
US11934940B2 (en) | AI processor simulation | |
US9350633B2 (en) | Dynamic optimization of command issuance in a computing cluster | |
Di et al. | Characterizing and modeling cloud applications/jobs on a Google data center | |
US10496768B2 (en) | Simulating a production environment using distributed computing technologies | |
Gunther et al. | Hadoop superlinear scalability | |
US9619288B2 (en) | Deploying software in a multi-instance node | |
Han et al. | A quantitative study of deep learning training on heterogeneous supercomputers | |
Han et al. | Benchmarking big data systems: State-of-the-art and future directions | |
Cheng et al. | Tuning configuration of apache spark on public clouds by combining multi-objective optimization and performance prediction model | |
US11921604B2 (en) | Evaluating system recovery using emulated production systems | |
JP2019159693A (ja) | 情報処理装置、情報処理端末、及びプログラム | |
Tuli et al. | SimTune: bridging the simulator reality gap for resource management in edge-cloud computing | |
US20220308932A1 (en) | Graphics processing management system | |
Wang et al. | BlockLite: a lightweight emulator for public blockchains | |
Cheng et al. | Towards GPU Memory Efficiency for Distributed Training at Scale | |
Al-Ghuwairi et al. | Optimizing Clustering Approaches in Cloud Environments. | |
US20240103833A1 (en) | Automatic canary deployments with dynamically updating call thresholds | |
US20230342122A1 (en) | Canary deployments based on changeset complexity in containerized environments | |
US20220222176A1 (en) | Dynamic control of shared resources based on a neural network | |
US20240103834A1 (en) | Automatic canary deployments with analyzing third party libraries | |
Jia et al. | A feedback control approach for preventing system resource exhaustion caused by software aging | |
Yuan et al. | Comprehensive Evaluation of GNN Training Systems: A Data Management Perspective | |
CN113723552A (zh) | 大规模多机多卡预训练方法、系统、设备及服务器集群 |
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 | ||
CF01 | Termination of patent right due to non-payment of annual fee | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20200512 |