CN108270833B - 渲染云资源的自动调度方法、装置及系统 - Google Patents
渲染云资源的自动调度方法、装置及系统 Download PDFInfo
- Publication number
- CN108270833B CN108270833B CN201611270316.8A CN201611270316A CN108270833B CN 108270833 B CN108270833 B CN 108270833B CN 201611270316 A CN201611270316 A CN 201611270316A CN 108270833 B CN108270833 B CN 108270833B
- Authority
- CN
- China
- Prior art keywords
- rendering
- period
- computing node
- current period
- current
- 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
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L43/00—Arrangements for monitoring or testing data switching networks
- H04L43/16—Threshold monitoring
-
- 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
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Image Generation (AREA)
Abstract
本申请公开了一种渲染云资源的自动调度方法、装置及系统。具体地,该方法包括:根据确定的当前周期T的平均渲染时间以及预测的下一周期T+1的平均渲染时间的比值,实现渲染云资源的自动化调度;当比值小于预设第二阀值时,自动回收渲染的计算节点,当比值大于预设第一阀值时,通过添加、配置虚拟机的方式扩容渲染的计算节点。从而,根据本发明实施例,能够实现自动对计算节点添加、删减的操作,避免现有技术中存在的资源闲置或紧张的问题,提升了资源利用率。
Description
技术领域
本申请涉及渲染云资源管理技术领域,尤其涉及一种渲染云资源的自动调度方法、装置及系统。
背景技术
随着数字动漫对人们生活产生的深远影响,动漫作品也越来越受到人们的喜爱,动漫产业在近几年的蓬勃发展,得到了人们的高度重视。
数字动漫产业的兴起带动了渲染云产业,渲染云主要为数字动漫产业服务,以实现对目前市场上渲染云产品种类繁多,主要集中在构建包含计算节点、存储节点、管理节点的渲染集群,为用户提供渲染服务上,具体地,用户将建模文件传至渲染云平台,渲染云平台的计算节点对建模文件进行渲染,渲染完毕后返回给用户。
然而,在目前的渲染云资源的使用过程中,每个渲染周期或每个渲染时段的渲染任务数量是不一致的,当渲染任务数量较少时,并不是每个计算节点都可以分配到渲染任务,因而,会存在计算节点资源闲置的情况;当渲染任务数量较少时,当前计算节点只能依次对各个渲染任务进行渲染操作,从而,导致计算节点资源紧张。
发明内容
本申请实施例提供一种渲染云资源的自动调度方法、装置及系统,能够解决现有技术中存在的资源闲置或资源需求紧张的问题。
一个方面,本发明实施例提供了一种渲染云资源的自动调度方法,包括:
确定当前周期T内预分配给计算节点集合中每个计算节点的第一平均渲染时间;
预测下一周期T+1内预分配给计算节点集合中每个计算节点的第二平均渲染时间,其中,所述计算节点集合中包含固有计算节点和/或复制计算节点;
当所述第一平均渲染时间与所述第二平均渲染时间的比值大于预设第一阈值时,添加预设数量的复制计算节点,以供下一周期T+1内调度使用。
另一个方面,本发明实施例提供了一种渲染云资源的自动调度装置,包括:
确定单元,用于确定当前周期T内预分配给计算节点集合中每个计算节点的第一平均渲染时间;
预测单元,用于预测下一周期T+1内预分配给计算节点集合中每个计算节点的第二平均渲染时间,其中,所述计算节点集合中包含固有计算节点和/或复制计算节点;
处理单元,用于当所述第一平均渲染时间与所述第二平均渲染时间的比值大于预设第一阈值时,添加预设数量的复制计算节点,以供下一周期T+1内调度使用。
又一个方面,本发明实施例提供了一种渲染云资源的自动调度系统,包括:所述的渲染云资源的自动调度装置,以及渲染云计算节点。
根据本申请的至少以上实施例,根据确定的当前周期T的平均渲染时间以及预测的下一周期T+1的平均渲染时间的比值,实现渲染云资源的自动化调度。具体地,当比值小于预设第二阀值时,自动回收渲染的计算节点,当比值大于预设第一阀值时,通过添加、配置虚拟机的方式扩容渲染的计算节点。从而,实现自动对计算节点添加、删减的操作,避免现有技术中存在的资源闲置或紧张的问题,提升了资源利用率。
附图说明
此处所说明的附图用来提供对本申请的进一步理解,构成本申请的一部分,本申请的示意性实施例及其说明用于解释本申请,并不构成对本申请的不当限定。在附图中:
图1为本发明所涉及的技术方案所适用的系统架构示意图;
图2为本发明实施例提供的一种渲染云资源的自动调度方法的步骤示意图;
图3为本发明实施例提供的在不同时间段下一周期T+1内新增渲染任务数量的示意图;
图4为本发明实例中所涉及的渲染云资源自动调度的控制流程图;
图5为本发明实施例提供的一种渲染云资源的自动调度装置的结构示意图。
具体实施方式
为使本申请的目的、技术方案和优点更加清楚,下面将结合本申请具体实施例及相应的附图对本申请技术方案进行清楚、完整地描述。显然,所描述的实施例仅是本申请一部分实施例,而不是全部的实施例。基于本申请中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本申请保护的范围。
以下结合附图,详细说明本申请各实施例提供的技术方案。
首先,对本发明所涉及的技术方案所适用的系统架构进行介绍,在该场景中,用户通过调用带GPU功能桌面云,来实现对待渲染任务的渲染操作。参照图1所示,该系统主要包括带GPU功能桌面云11,以及渲染云集群12。
其中,GPU功能桌面云用于在虚拟桌面模版内安装渲染云客户端及3D设计软件,从虚拟桌面将渲染任务提交至渲染云集群进行计算;主要包括:桌面调度服务器111、活动目录112以及桌面云文件服务器113、基础设置即服务(Infrastructure as a Service,IaaS)云管理平台服务器114等模块。另外,还包括多个桌面云承载节点。其中,IaaS云管理平台服务器114可以用于用户申请退订虚拟桌面。
渲染云集群中可以包括:渲染云资源的自动调度装置121以及渲染云计算节点122;其中:
渲染云资源的自动调度装置121可进一步包含渲染云文件服务器、渲染云管理服务器以及渲染云自动调度服务器等。其中,渲染云管理服务器用以渲染云管理节点中安装渲染集群管理软件,用于管理渲染业务,监控渲染云服务器任务执行及健康状况;渲染云自动调度服务器用以部署自动化流程引擎系统,基于指数平滑法开展渲染时间比值运算,动态新建或删除渲染云计算节点;渲染云文件服务器用以虚拟机接收渲染结果文件并传输给用户虚拟桌面,用户在虚拟桌面中验证渲染结果。
而渲染云计算节点122主要包含IaaS资源池以及IaaS平台管理系统,用以提供各种渲染云计算节点,实现对各类待渲染任务的渲染。
实施例1
如图2所示,为本发明实施例提供的一种渲染云资源的自动调度方法的步骤示意图,该方法主要包括以下步骤:
步骤21:确定当前周期T内预分配给计算节点集合中每个计算节点的第一平均渲染时间。
可选地,在本发明实施例中,步骤21在具体执行时,首先,根据当前周期T内实际的等待队列长度以及计算节点数量,确定当前周期T内渲染总时间;然后,根据当前周期T内渲染总时间以及计算节点数量,确定第一平均渲染时间。
步骤22:预测下一周期T+1内预分配给计算节点集合中每个计算节点的第二平均渲染时间。其中,计算节点集合中包含固有计算节点和/或复制计算节点。
可选地,在本发明实施例中,步骤22在具体执行时,首先,根据下一周期T+1内预测的等待队列长度以及当前周期T内计算节点数量,确定下一周期T+1内渲染总时间;然后,根据下一周期T+1内渲染总时间以及当前周期T内计算节点数量,确定第二平均渲染时间。
在执行步骤21时,可采用以下公式(1)确定下一周期T+1内渲染总时间Pt+1:
其中,该公式中Lt+1为预测的下一周期T+1内渲染队列长度,vmt为当前周期T内计算节点数量,ri(t,p)为当前周期T内任一渲染任务的剩余运行时间。
其实,上述公式(1)中的预测的下一周期T+1内渲染队列长度通过以下方式得到:
第一步,预测下一周期T+1内新增渲染任务数量;
第二步,计算当前周期T内能够完成的渲染任务的数量;
第三步,根据预测的下一周期T+1内新增渲染任务数量、当前周期T内能够完成的渲染任务的数量以及当前周期T内正在执行的渲染任务的数量,预测下一周期T+1内渲染队列长度。
具体地,yt为当前周期T内实际新增渲染请求数量,yt+1为下一周期T+1内预测的新增渲染请求数量,St为平滑指数预测值,预测t+1时间新增请求数公式如(3)所示:
yt+1=St=ayt+(1-a)St-1=ayt+(1-a)St (3)
ri(t,p)为当前周期T内任一渲染任务的剩余运行时间,rit为渲染任务已运行时间,rip为渲染任务已执行百分比,计算当前周期T内任一渲染任务的剩余运行时间如公式(4)所示:
ct+1为当前周期T内能够完成的渲染任务的数量,如公式(5)
ct+1=count[ri(t,p)<(tt+1-tt)] (5)
Lt+1为预测下一周期T+1内渲染队列长度,mt为当前周期T内渲染运行任务的数量,vmt为当前周期T内计算节点数量,参照公式(6)
Lt+1=(yt+1-ct+1)+mt-vmt (6)
从而,通过上述方式最终预测出下一周期T+1内渲染队列长度Lt+1。
进一步,在本发明中,预测下一周期T+1内渲染队列长度Lt+1所使用的yt+1可利用指数平滑法预测。其中,指数平滑法(Exponential Smoothing,ES)是布朗(Robert Brown)所提出,指数平滑法是在移动平均法基础上发展起来的一种时间序列分析预测法,它是通过计算指数平滑值,配合一定的时间序列预测模型对事件的未来进行预测。其原理是任一期的指数平滑值都是本期实际观察值与前一期指数平滑值的加权平均。常用的指数平滑法包括一次指数平滑、二次指数平滑和三次指数平滑。鉴于算法复杂度过大引起的延时可能影响渲染云自动化调度服务器的运算效率,所以,在本发明中可以选择一次指数平滑模型预测预测下一周期T+1内新增的渲染任务数量和预测下一周期T+1内渲染队列长度。
具体地,利用指数平滑法预测下一周期T+1内新增渲染任务数量,首先,简单介绍一次指数平滑算法:
设时间序列为y1,y2,…yn,则一次指数平滑公式为:St=ayt+(1-a)St-1,其中,式中St为当前周期T的一次指数平滑值;a为平滑系数,即加权系数,0<a<1。
将上述公式依次展开,可得:由于0<a<1,当,t→∞时,(1-a)t→0,于是上述公式变为:由此,St实际上是yt,yt-1,…yt-j,…的加权平均。加权系数分别是a,a(1-a),a(1-a)2,…,其中,该系数是按几何级数衰减的,愈近的数据,权重愈大,愈远的数据,权重愈小,且权重之和等于1,即因为加权系数符合指数规律,且又具有平滑数据的功能,所以称为指数平滑。
由上述分析可知,一次指数平滑模型为:yt+1=St=ayt+(1-a)St-1=ayt+(1-a)St即以当前周期T的一次指数平滑值作为下一周期T+1的预测值。
具体地,通过一次指数平滑法预测下一周期T+1内新增渲染任务数量,可包含以下步骤:
第一步,确定初始平滑值。
第二步,确定平滑系数。
当时间序列呈稳定的水平趋势时,a应取较小值,如0.1~0.3;当时间序列波动较大,长期趋势变化幅度较大时,a应取中间值,如0.3~0.5;当时间序列具有明显的上升或下降趋势时,a应取较大值,如0.6~0.8;在实际运用中,根据高峰、平稳、低谷时段,划分若干a值进行比较,选择预测误差最小的a值。
如图3所示,根据经验数据可知,以时间段对a值进行划分,可存在以下结果:
5:00AM-11:00AM,渲染云渲染请求数呈稳定水平趋势,此时设置0.1≤a≤0.3;
11:00AM-5:00PM,渲染云渲染请求数呈上升趋势,此时设置0.6≤a≤0.8;
5:00PM-10:00PM,渲染云渲染请求数呈稳定水平趋势,此时设置0.1≤a≤0.3;
10:00PM-5:00AM,渲染云渲染请求数呈下降趋势,此时设置0.6≤a≤0.8;
第三步,利用一次指数平滑预测模型预测下一周期T+1内新增渲染任务数量。
之后,将第一步以及第二步确定的初始平滑值以及平滑系数,代入yt+1=St=ayt+(1-a)St-1=ayt+(1-a)St中,最终预测下一周期T+1内新增渲染任务数量。
步骤23:当第一平均渲染时间与第二平均渲染时间的比值大于预设第一阈值时,添加预设数量的复制计算节点,以供下一周期T+1内调度使用。
通过上述步骤21与步骤22,可得到第一平均渲染时间为:
可选地,当第一平均渲染时间与第二平均渲染时间的比值小于或等于预设第二阈值时,判断当前计算节点集合中是否包含复制计算节点;若包含,则对距离当前周期T最近的一个周期添加的复制计算节点进行删除处理;若不包含,则不作处理;其中,预设第二阈值小于或等于预设第一阈值。
其实,还有一种情况是,当第一平均渲染时间与第二平均渲染时间的比值介于预设第二阈值与预设第一阈值之间时,表示当前运行稳定,不需要对渲染云计算节点进行添加或删减操作。
可选地,对距离当前周期T最近的一个周期添加的复制计算节点进行删除处理,具体执行时,可以判断距离当前周期T最近的一个周期添加的复制计算节点是否正在执行渲染任务;若正在执行渲染任务,则将距离当前周期T最近的一个周期添加的复制计算节点设置为维护模式,在执行渲染任务完毕后,删除距离当前周期T最近的一个周期添加的复制计算节点;否则,直接删除距离当前周期T最近的一个周期添加的复制计算节点。
通过上述技术方案,根据确定的当前周期T的平均渲染时间以及预测的下一周期T+1的平均渲染时间的比值,实现渲染云资源的自动化调度;具体地,当比值小于预设第二阀值时,自动回收渲染的计算节点,当比值大于预设第一阀值时,通过添加、配置虚拟机的方式扩容渲染的计算节点;从而,实现自动对计算节点添加、删减的操作,避免现有技术中存在的资源闲置或紧张的问题,提升了资源利用率。
为了便于理解本发明所涉及的渲染云资源的自动调度方案,下面以具体的实例进行介绍。
如图4所示,为本发明实例中所涉及的渲染云资源自动调度的控制流程图,在该控制流程可以自动设置为循环模式,具体参照以下步骤:
步骤41:获取t周期内计算节点的平均渲染时间V(t)。
步骤42:预测t+1周期内计算节点的平均渲染时间V(t+1)。
步骤43:判断平均渲染时间V(t)与平均渲染时间V(t+1)的比值M是否大于阈值,若是,则执行步骤44,否则,执行步骤46。
步骤44:判断当前周期内是否有虚拟机,若是,则不作处理,并为周期数加1;否则,执行步骤45。
步骤45:复制并配置虚拟机为渲染用的计算节点。
步骤46:判断当前周期内是否有虚拟机,若是,则执行步骤47,否则,不作处理。
步骤47:判断最新开通的虚拟机是否处于维护模式,若是,则执行步骤48,否则,将该虚拟机设置为维护模式。
步骤48:判断该虚拟机是否正在执行渲染任务,若是,则不作处理,否则,将该虚拟机删除。
其实,在执行完该步骤,等待10分钟后,重复执行该步骤,以实现对渲染云资源的自动调度。
通过该技术方案,实现了IaaS云计算中的虚拟化服务器资源池,渲染云集群管理模块、集群计算节点及集群自动化调度模块的有机整合;而且,基于指数平滑法,根据相邻周期的渲染时间比值,当预测的渲染时间比值小于阀值时,渲染云自动化资源调度系统将自动回收渲染节点,当预测的渲染时间比值大于阀值时,渲染云自动化资源调度系统将扩容渲染节点。从而,基于指数平滑法实现渲染云的自动化资源调度能力,提升渲染云用户感知,而且,动态管理渲染云能耗。
实施例二
如图5所示,为本发明实施例提供的一种渲染云资源的自动调度装置的结构示意图,该装置主要包括以下功能单元:
确定单元51,用于确定当前周期T内预分配给计算节点集合中每个计算节点的第一平均渲染时间;
预测单元52,用于预测下一周期T+1内预分配给计算节点集合中每个计算节点的第二平均渲染时间,其中,所述计算节点集合中包含固有计算节点和/或复制计算节点;
处理单元53,用于当第一平均渲染时间与第二平均渲染时间的比值大于预设第一阈值时,添加预设数量的复制计算节点,以供下一周期T+1内调度使用。
可选地,所述装置还包括:
判断单元,用于当所述第一平均渲染时间与所述第二平均渲染时间的比值小于或等于预设第二阈值时,判断当前计算节点集合中是否包含复制计算节点;
所述处理单元53,还用于在判断当前计算节点集合中包含复制计算节点时,对距离当前周期T最近的一个周期添加的复制计算节点进行删除处理;以及在判断当前计算节点集合中不包含复制计算节点时,不作处理;其中,所述预设第二阈值小于或等于所述预设第一阈值。
可选地,所述处理单元53,具体用于判断距离当前周期T最近的一个周期添加的复制计算节点是否正在执行渲染任务;若正在执行渲染任务,则将所述距离当前周期T最近的一个周期添加的复制计算节点设置为维护模式,在执行渲染任务完毕后,删除所述距离当前周期T最近的一个周期添加的复制计算节点;否则,直接删除所述距离当前周期T最近的一个周期添加的复制计算节点。
可选地,所述确定单元51,具体用于根据当前周期T内实际的等待队列长度以及计算节点数量,确定当前周期T内渲染总时间;根据当前周期T内渲染总时间以及计算节点数量,确定第一平均渲染时间。
可选地,所述预测单元52,具体用于根据下一周期T+1内预测的等待队列长度以及当前周期T内计算节点数量,确定下一周期T+1内渲染总时间;根据下一周期T+1内渲染总时间以及当前周期T内计算节点数量,确定第二平均渲染时间。
可选地,所述预测单元52,具体用于:通过以下公式(1)
确定下一周期T+1内渲染总时间Pt+1;其中,所述Lt+1为预测的下一周期T+1内渲染队列长度;所述vmt为当前周期T内计算节点数量;所述ri(t,p)为当前周期T内任一渲染任务的剩余运行时间。
可选地,所述预测单元52,具体用于预测下一周期T+1内新增渲染任务数量;
计算当前周期T内能够完成的渲染任务的数量;根据预测的下一周期T+1内新增渲染任务数量、当前周期T内能够完成的渲染任务的数量以及当前周期T内正在执行的渲染任务的数量,预测下一周期T+1内渲染队列长度。
可选地,所述预测单元52具体用于利用指数平滑法预测下一周期T+1内新增渲染任务数量。
可选地,所述预测单元52具体用于确定初始平滑值;确定平滑系数;利用一次指数平滑预测模型预测下一周期T+1内新增渲染任务数量。
实施例三
参照图1所示,为本发明实施例提供的一种渲染云资源的自动调度系统的结构示意图,该系统主要包括渲染云资源的自动调度装置以及渲染云计算节点。
本领域内的技术人员应明白,本发明的实施例可提供为方法、系统、或计算机程序产品。因此,本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且,本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
以上所述仅为本申请的实施例而已,并不用于限制本申请。对于本领域技术人员来说,本申请可以有各种更改和变化。凡在本申请的精神和原理之内所作的任何修改、等同替换、改进等,均应包含在本申请的权利要求范围之内。
Claims (17)
1.一种渲染云资源的自动调度方法,其特征在于,包括:
确定当前周期T内预分配给计算节点集合中每个计算节点的第一平均渲染时间;
预测下一周期T+1内预分配给所述计算节点集合中每个计算节点的第二平均渲染时间,其中,所述计算节点集合中包含固有计算节点和/或复制计算节点;
当所述第一平均渲染时间与所述第二平均渲染时间的比值大于预设第一阈值时,添加预设数量的复制计算节点,以供下一周期T+1内调度使用;
当所述第一平均渲染时间与所述第二平均渲染时间的比值小于或等于预设第二阈值时,判断当前计算节点集合中是否包含复制计算节点;
若包含,则对距离当前周期T最近的一个周期添加的复制计算节点进行删除处理;
若不包含,则不作处理;
其中,所述预设第二阈值小于或等于所述预设第一阈值。
2.如权利要求1所述的方法,其特征在于,对距离当前周期T最近的一个周期添加的复制计算节点进行删除处理,具体包括:
判断距离当前周期T最近的一个周期添加的复制计算节点是否正在执行渲染任务;
若正在执行渲染任务,则将所述距离当前周期T最近的一个周期添加的复制计算节点设置为维护模式,在执行渲染任务完毕后,删除所述距离当前周期T最近的一个周期添加的复制计算节点;
否则,直接删除所述距离当前周期T最近的一个周期添加的复制计算节点。
3.如权利要求1所述的方法,其特征在于,确定当前周期T内预分配给计算节点集合中每个计算节点的第一平均渲染时间,具体包括:
根据当前周期T内实际的等待队列长度以及计算节点数量,确定当前周期T内渲染总时间;
根据当前周期T内渲染总时间以及计算节点数量,确定第一平均渲染时间。
4.如权利要求1所述的方法,其特征在于,预测下一周期T+1内预分配给计算节点集合中每个计算节点的第二平均渲染时间,具体包括:
根据下一周期T+1内预测的等待队列长度以及当前周期T内计算节点数量,确定下一周期T+1内渲染总时间;
根据下一周期T+1内渲染总时间以及当前周期T内计算节点数量,确定第二平均渲染时间。
6.如权利要求5所述的方法,其特征在于,所述预测的下一周期T+1内渲染队列长度通过以下方式得到:
预测下一周期T+1内新增渲染任务数量;
计算当前周期T内能够完成的渲染任务的数量;
根据预测的下一周期T+1内新增渲染任务数量、当前周期T内能够完成的渲染任务的数量以及当前周期T内正在执行的渲染任务的数量,预测下一周期T+1内渲染队列长度。
7.如权利要求6所述的方法,其特征在于,预测下一周期T+1内新增渲染任务数量,具体包括:
利用指数平滑法预测下一周期T+1内新增渲染任务数量。
8.如权利要求7所述的方法,其特征在于,利用指数平滑法预测下一周期T+1内新增渲染任务数量,具体包括:
确定初始平滑值;
确定平滑系数;
利用一次指数平滑预测模型预测下一周期T+1内新增渲染任务数量。
9.一种渲染云资源的自动调度装置,其特征在于,包括:
确定单元,用于确定当前周期T内预分配给计算节点集合中每个计算节点的第一平均渲染时间;
预测单元,用于预测下一周期T+1内预分配给计算节点集合中每个计算节点的第二平均渲染时间,其中,所述计算节点集合中包含固有计算节点和/或复制计算节点;
处理单元,用于当所述第一平均渲染时间与所述第二平均渲染时间的比值大于预设第一阈值时,添加预设数量的复制计算节点,以供下一周期T+1内调度使用;
判断单元,用于当所述第一平均渲染时间与所述第二平均渲染时间的比值小于或等于预设第二阈值时,判断当前计算节点集合中是否包含复制计算节点;
所述处理单元,还用于在判断当前计算节点集合中包含复制计算节点时,对距离当前周期T最近的一个周期添加的复制计算节点进行删除处理;以及,
在判断当前计算节点集合中不包含复制计算节点时,不作处理;
其中,所述预设第二阈值小于或等于所述预设第一阈值。
10.如权利要求9所述的装置,其特征在于,所述处理单元,具体用于:
判断距离当前周期T最近的一个周期添加的复制计算节点是否正在执行渲染任务;
若正在执行渲染任务,则将所述距离当前周期T最近的一个周期添加的复制计算节点设置为维护模式,在执行渲染任务完毕后,删除所述距离当前周期T最近的一个周期添加的复制计算节点;
否则,直接删除所述距离当前周期T最近的一个周期添加的复制计算节点。
11.如权利要求9所述的装置,其特征在于,所述确定单元,具体用于:
根据当前周期T内实际的等待队列长度以及计算节点数量,确定当前周期T内渲染总时间;
根据当前周期T内渲染总时间以及计算节点数量,确定第一平均渲染时间。
12.如权利要求9所述的装置,其特征在于,所述预测单元,具体用于:
根据下一周期T+1内预测的等待队列长度以及当前周期T内计算节点数量,确定下一周期T+1内渲染总时间;
根据下一周期T+1内渲染总时间以及当前周期T内计算节点数量,确定第二平均渲染时间。
14.如权利要求13所述的装置,其特征在于,所述预测单元,具体用于:
预测下一周期T+1内新增渲染任务数量;
计算当前周期T内能够完成的渲染任务的数量;
根据预测的下一周期T+1内新增渲染任务数量、当前周期T内能够完成的渲染任务的数量以及当前周期T内正在执行的渲染任务的数量,预测下一周期T+1内渲染队列长度。
15.如权利要求14所述的装置,其特征在于,所述预测单元,具体用于:
利用指数平滑法预测下一周期T+1内新增渲染任务数量。
16.如权利要求15所述的装置,其特征在于,所述预测单元,具体用于:
确定初始平滑值;
确定平滑系数;
利用一次指数平滑预测模型预测下一周期T+1内新增渲染任务数量。
17.一种渲染云资源的自动调度系统,其特征在于,包括:权利要求9-16任一项所述的渲染云资源的自动调度装置,以及渲染云计算节点。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201611270316.8A CN108270833B (zh) | 2016-12-31 | 2016-12-31 | 渲染云资源的自动调度方法、装置及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201611270316.8A CN108270833B (zh) | 2016-12-31 | 2016-12-31 | 渲染云资源的自动调度方法、装置及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN108270833A CN108270833A (zh) | 2018-07-10 |
CN108270833B true CN108270833B (zh) | 2021-07-16 |
Family
ID=62770487
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201611270316.8A Active CN108270833B (zh) | 2016-12-31 | 2016-12-31 | 渲染云资源的自动调度方法、装置及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108270833B (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109949394A (zh) * | 2019-01-22 | 2019-06-28 | 北京居然设计家网络科技有限公司 | 渲染任务处理时间的生成方法及装置 |
CN110413393B (zh) * | 2019-07-26 | 2022-02-01 | 广州虎牙科技有限公司 | 集群资源管理方法、装置、计算机集群及可读存储介质 |
CN112764905B (zh) * | 2021-01-25 | 2024-05-14 | 江苏赞奇科技股份有限公司 | 一种基于软件定义的云渲染系统的能源管理方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102932455A (zh) * | 2012-11-01 | 2013-02-13 | 广州市品高软件开发有限公司 | 基于云计算渲染农场的构建方法 |
CN103257896A (zh) * | 2013-01-31 | 2013-08-21 | 南京理工大学连云港研究院 | 一种云环境下的Max-D作业调度方法 |
CN104063282A (zh) * | 2014-05-06 | 2014-09-24 | 重庆大学 | IaaS云可变规模资源池管理方法、装置和服务器 |
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 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
TWI426393B (zh) * | 2010-02-12 | 2014-02-11 | Elitegroup Computer Sys Co Ltd | 雲端計算資源排程方法與應用之系統 |
-
2016
- 2016-12-31 CN CN201611270316.8A patent/CN108270833B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102932455A (zh) * | 2012-11-01 | 2013-02-13 | 广州市品高软件开发有限公司 | 基于云计算渲染农场的构建方法 |
CN103257896A (zh) * | 2013-01-31 | 2013-08-21 | 南京理工大学连云港研究院 | 一种云环境下的Max-D作业调度方法 |
CN104063282A (zh) * | 2014-05-06 | 2014-09-24 | 重庆大学 | IaaS云可变规模资源池管理方法、装置和服务器 |
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 |
Also Published As
Publication number | Publication date |
---|---|
CN108270833A (zh) | 2018-07-10 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Ma et al. | Real-time multiple-workflow scheduling in cloud environments | |
US11175953B2 (en) | Determining an allocation of computing resources for a job | |
TWI620075B (zh) | 用於雲端巨量資料運算架構之伺服器及其雲端運算資源最佳化方法 | |
Pietri et al. | A performance model to estimate execution time of scientific workflows on the cloud | |
Cai et al. | Elasticsim: A toolkit for simulating workflows with cloud resource runtime auto-scaling and stochastic task execution times | |
US20210042628A1 (en) | Building a federated learning framework | |
Kaur et al. | Deep‐Q learning‐based heterogeneous earliest finish time scheduling algorithm for scientific workflows in cloud | |
CN108270833B (zh) | 渲染云资源的自动调度方法、装置及系统 | |
US11055139B2 (en) | Smart accelerator allocation and reclamation for deep learning jobs in a computing cluster | |
Babu et al. | Versatile time-cost algorithm (VTCA) for scheduling non-preemptive tasks of time critical workflows in cloud computing systems | |
CN110362388B (zh) | 一种资源调度方法及装置 | |
CN110314381B (zh) | 任务处理方法及装置、计算机可读介质和电子设备 | |
CN112416585A (zh) | 面向深度学习的gpu资源管理与智能化调度方法 | |
US20130268941A1 (en) | Determining an allocation of resources to assign to jobs of a program | |
Bridi et al. | A constraint programming scheduler for heterogeneous high-performance computing machines | |
WO2022246833A1 (en) | System, method, and medium for elastic allocation of resources for deep learning jobs | |
Kertész et al. | A pliant-based virtual machine scheduling solution to improve the energy efficiency of iaas clouds | |
Lee et al. | On the performance of a dual-objective optimization model for workflow applications on grid platforms | |
CN115878329A (zh) | 宿主机资源调度方法、装置、电子设备和存储介质 | |
Adrian et al. | Analysis of K-means algorithm for VM allocation in cloud computing | |
Shenbaga Moorthy et al. | Optimal provisioning and scheduling of analytics as a service in cloud computing | |
López-Pires et al. | An experimental comparison of algorithms for virtual machine placement considering many objectives | |
CN113485833B (zh) | 资源预测方法和装置 | |
Fard et al. | Budget-constrained resource provisioning for scientific applications in clouds | |
CN113641445A (zh) | 基于深度确定性策略的云资源自适应配置方法及系统 |
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 |