CN108459908A - 对云计算中的不兼容的共同租户对的识别 - Google Patents

对云计算中的不兼容的共同租户对的识别 Download PDF

Info

Publication number
CN108459908A
CN108459908A CN201810058319.8A CN201810058319A CN108459908A CN 108459908 A CN108459908 A CN 108459908A CN 201810058319 A CN201810058319 A CN 201810058319A CN 108459908 A CN108459908 A CN 108459908A
Authority
CN
China
Prior art keywords
tenant
resource
cross
couple
time series
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.)
Pending
Application number
CN201810058319.8A
Other languages
English (en)
Inventor
L·陈
K·维斯瓦纳坦
K·班
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.)
Intel Corp
Original Assignee
Intel Corp
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 Intel Corp filed Critical Intel Corp
Publication of CN108459908A publication Critical patent/CN108459908A/zh
Pending legal-status Critical Current

Links

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
    • H04L67/01—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
    • H04L67/1004—Server selection for load balancing
    • H04L67/1012—Server selection for load balancing based on compliance of requirements or conditions with available server resources
    • 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]
    • G06F9/5005—Allocation of resources, e.g. of the central processing unit [CPU] to service a request
    • G06F9/5027—Allocation of resources, e.g. of the central processing unit [CPU] to service a request the resource being a machine, e.g. CPUs, Servers, Terminals
    • 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]
    • G06F9/5005—Allocation of resources, e.g. of the central processing unit [CPU] to service a request
    • G06F9/5027—Allocation of resources, e.g. of the central processing unit [CPU] to service a request the resource being a machine, e.g. CPUs, Servers, Terminals
    • G06F9/5044—Allocation of resources, e.g. of the central processing unit [CPU] to service a request the resource being a machine, e.g. CPUs, Servers, Terminals considering hardware capabilities
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q30/00—Commerce
    • G06Q30/06—Buying, selling or leasing transactions
    • G06Q30/0645—Rental transactions; Leasing transactions
    • 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
    • H04L67/1004—Server selection for load balancing
    • H04L67/1008—Server selection for load balancing based on parameters of servers, e.g. available memory or workload
    • 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
    • H04L67/104—Peer-to-peer [P2P] networks
    • H04L67/1044—Group management mechanisms 
    • 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
    • H04L67/104—Peer-to-peer [P2P] networks
    • H04L67/1074—Peer-to-peer [P2P] networks for supporting data block transmission mechanisms
    • 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
    • H04L67/104—Peer-to-peer [P2P] networks
    • H04L67/1074—Peer-to-peer [P2P] networks for supporting data block transmission mechanisms
    • H04L67/1078—Resource delivery mechanisms
    • H04L67/1085—Resource delivery mechanisms involving dynamic management of active down- or uploading connections
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2209/00—Indexing scheme relating to G06F9/00
    • G06F2209/50—Indexing scheme relating to G06F9/50
    • G06F2209/501—Performance criteria
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2209/00—Indexing scheme relating to G06F9/00
    • G06F2209/50—Indexing scheme relating to G06F9/50
    • G06F2209/5015—Service provider selection

Landscapes

  • Engineering & Computer Science (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Signal Processing (AREA)
  • Theoretical Computer Science (AREA)
  • General Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Physics & Mathematics (AREA)
  • Software Systems (AREA)
  • Accounting & Taxation (AREA)
  • General Physics & Mathematics (AREA)
  • Computer Hardware Design (AREA)
  • Finance (AREA)
  • Marketing (AREA)
  • General Business, Economics & Management (AREA)
  • Strategic Management (AREA)
  • Economics (AREA)
  • Development Economics (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Debugging And Monitoring (AREA)
  • Data Exchanges In Wide-Area Networks (AREA)
  • Telephonic Communication Services (AREA)

Abstract

公开了一种用于确定云网络中的不兼容的共同租户的机制。接收指示以每个服务器为基础操作的租户的资源使用的云性能数据。对针对操作于服务器上的每个租户对的过去的资源使用执行互相关分析以确定相关租户对。对针对相关租户对中的每个租户执行预测的资源使用的时间序列预报。然后，对针对每个相关租户对的预测的资源使用执行互相关分析以确定不兼容的共同租户对。确定的不兼容的共同租户对可以被转发到编排系统以用于云网络中的硬件资源分配。

Description

对云计算中的不兼容的共同租户对的识别
背景技术
云计算技术支持对用于数据中心租户的资源按需弹性供应。软件应用整体地或部分地在云网络中的单独的服务器上操作。因此，软件应用消费托管它们的服务器上的资源。这样的应用或应用的部分可以在运行时在物理服务器之间动态地移动，以试图将资源与应用资源需求相匹配，这导致难以预测和优化的极其复杂的系统。一个优化问题是带噪声的邻居问题。云网络中的应用的资源使用可以是动态的并且可以持续地变化。当针对同一服务器上的多个软件应用的资源使用同时急升时，由于瞬时不足的资源，针对服务器上的所有的软件应用可能发生处理降速。该同时需求可以称为带噪声的邻居问题。因为任意大量的软件应用可以同时托管于云网络中，使得带噪声的邻居问题更难解决。
附图说明
本文所描述的概念在附图中通过举例的方式而非限制的方式来示出。为了说明简单和清晰，除非特别指出，否则图中所示的元件没有按比例绘制。
图1是云网络的示例的示意图。
图2是用于识别带噪声的邻居租户的示例的架构的示意图。
图3是用于从兼容的租户组中识别带噪声的邻居租户的示例机制的示意图。
图4是用于确定云网络中的邻居租户的示例方法的流程图。
图5是在云网络中使用的示例网络元件的示意图。
具体实施方式
虽然本公开的概念易于有各种修改和替代形式，但是其具体的实施例在附图中通过示例的方式被示出，并且将在本文进行详细描述。然而，应当理解的是，并不旨在将本公开的概念限于所公开的特定形式，而是相反，旨在涵盖与本公开和随附权利要求书一致的所有的修改、等同方案和替代方案。
在说明书中对于“一个实施例”、“实施例”、“示例性实施例”等的引用表明，所描述的实施例可以包括特定的特征、结构或特性，但是每个实施例可以或者可以不必包括该特定的特征、结构或特性。此外，这样的短语不一定是指同一实施例。此外，当结合实施例来描述特定的特征、结构或特性时，可以结合所公开的另一实施例来采用这样的特征、结构或特性，无论是否结合其它此类公开的实施例来明确地描述了这样的特征。
在一些情况下，公开的实施例可以用硬件、固件、软件或其任意组合来实现。公开的实施例还可以被实现为由一个或多个暂时性或非暂时性机器可读(例如，计算机可读)存储介质承载的或被存储在其上的指令(例如，计算机程序产品)，所述指令可以由一个或多个处理器来读取和执行。机器可读存储介质可以被体现为用于存储或发送机器可读形式(例如，易失性或非易失性存储器、介质盘或其它介质设备)的信息的任何存储设备、机制或其它物理结构。
在附图中，一些结构或方法特征可以以特定的布置和/或次序示出。然而，应当意识到，可能不要求这样的特定布置和/或次序。相反，在一些实施例中，这样的特征可以与说明性的图中所示的不同的方式和/或次序来布置。另外，在特定的图中包含结构或方法特征不意在暗示在所有实施例中都需要这样的特征，并且在一些实施例中，可以不包括这样的特征，或者这样的特征可以与其它特征组合。
带噪声的邻居可以描述基本上独占通信带宽、盘输入/输出(I/O)资源、中央处理单元(CPU)时间以及其它网络资源的云计算基础架构共同租户，这会不利地影响其它租户云性能。带噪声的邻居效应会导致共享云基础架构的其它租户和应用遭遇不均匀的云网络性能。租户可以在不同的时间采用不同量的网络资源。反复地同时大量使用相似资源的共同租户可以被描述为具有相关的资源使用。这样的相关租户对可以被视为不兼容的，并且应当由不同的物理服务器分离和托管以提高网络性能。
本文公开的是用于识别和解决云计算网络中的带噪声的邻居租户的技术机制/解决方案。云性能数据由带噪声的邻居冲突解决系统来接收。云性能数据指示逐服务器基础上每个服务器上操作的租户的资源使用。对于每个服务器，对每对租户执行互相关分析。互相关分析包括对针对每个租户对的过去的资源使用进行比较。如果互相关超过阈值，则租户对被标记为相关租户对。在每个相关租户对上采用时间序列预报，例如通过采用自回归建模，以确定预测的未来资源使用。然后，可以再次对预测的未来资源使用执行互相关分析，其可以称为第二层互相关分析。具有超过阈值的预测的未来相关的相关租户对可以被视为不兼容的共同租户对(例如，带噪声的邻居)。该信息可以转发给编排系统以允许带噪声的邻居被分离到不同的物理服务器(例如，或不同的服务器集群，等等)，从而减少相关的资源使用并且提高整体云网络性能。
图1是结合了本公开的带噪声的邻居避免技术的可以托管在数据中心中的云网络100的示例的示意图。云网络100可以采用控制平面110和数据平面120。控制平面110是云网络100的被设计为管理物理网络拓扑、分组/帧路由、信令、物理资源分配以及其它控制功能的部分。数据平面120是云网络100的被设计为基于来自控制平面110的指令来执行计算任务、存储数据以及传送数据的部分。应当注意，在一些实施例中，一些物理硬件可以在控制平面110和数据平面120两者上进行操作。例如，单个硬件组件可以包括控制平面110处理和数据平面120处理两者。因此，在控制平面110与数据平面120之间的区分可以是功能区分，而非硬件区分。
数据平面120可以包含多个服务器121。服务器121是能够将服务提供给客户端的任何计算设备。服务器121包含了用于提供此类服务的硬件资源125。此类硬件资源可以是专用的或共享的。硬件资源可以包括中央处理单元(CPU)、随机存取存储器(RAM)、高速缓存、网络通信组件、诸如只读存储器(ROM)之类的长期存储器、和/或操作软件所需的任何其它硬件组件。在云网络100中，租户123可以操作于硬件资源125上。租户123是执行针对客户端的计算和/或通信任务的任何进程(例如，软件应用)。例如，租户123可以包括操作环境，诸如虚拟机(VM)和/或容器，以及其它软件应用。应当注意，数据平面120可以包含附加的组件，诸如共享存储器设备、路由器、交换机、网关、防火墙和其它网络资源。
控制平面110包括云管理系统111。云管理系统111是用于管理数据平面120的配置和/或操作的任何组件或组件集合。例如，云管理系统111可以被配置为测量和/或接收服务器121的操作统计，诸如硬件资源125的使用(例如，处理器使用、存储器使用、网络资源使用、电源使用、温度等)、计划的硬件资源125使用、导出的统计等。然后，云管理系统111可以基于操作统计来改变网络100的元件以支持优化。例如，云管理系统111可以通过以下方式来执行弹性供应：使租户123在服务器121之间动态地移动，从而暂时允许活动的租户123获得对未使用的硬件资源的访问权，暂时减少对不太活动的租户123的硬件资源125分配，等等。云管理系统111可以整体或部分地实现在处理器/计算电路上、存储器中、通信设备中、或其组合中。
如下文更详细论述的，云管理系统111还设计为通过确定不兼容的租户123并且将它们分离到不同的服务器121或服务器集群上来管理带噪声的邻居问题。例如，如果操作于同一服务器121上的两个租户123均被编程为同时采用大量的通信带宽(例如，在每天上午8点发送的电子邮件突发)，则两个租户123的性能此时降级，这是因为网络通信组件过载。当这样的租户尝试发送它们自己的通信时，这样的情况还会影响同一服务器121上的其它无关的租户123，这是因为网络通信组件已经由两个带噪声的邻居独占。这样的情况同样适用于任何其它硬件资源125的相关使用。云管理系统111被设计为确定租户123的硬件资源125使用何时相关。然后，具有超过阈值的相关硬件资源125使用的租户123可以通过将相关租户123托管在不同的服务器121上而被分离，以增加整体网络100操作速度。
应当注意，为了本文公开的实施例的论述的目的，云网络100被描绘为极大简化的图。本领域技术人员将认识到，云网络100包含了与本文论述的实施例不直接相关的许多附加组件。这样的组件对于云网络100的正确运行仍是需要的(例如，路由器、服务器栈、通信电缆、访问网关、防火墙等)。公开内容应当解释为根据支持本文公开的实施例的操作的需要包括所有这样的组件和/或特征。
图2是用于识别带噪声的邻居租户的示例架构200的示意图。架构200包括云环境235、数据采集系统237、带噪声的邻居冲突解决系统(NNCR)231、以及编排系统233。云环境235包括数据平面(例如，数据平面120)在指定时间点的操作状态。因此，云环境235包括具有由租户配置采用的硬件资源的服务器，诸如分别是服务器121、硬件资源125和租户123。云环境的操作由数据采集系统237连续地监测。数据采集系统237可以实现于云管理系统中，诸如云管理系统111，或者通过与云管理系统耦合的专用监测系统来实现。数据采集系统237可以采集/监测硬件平台和/或操作系统级别的云性能数据。这样的云性能数据可以是多维的并且可以指示操作于云环境235中的服务器上的租户的硬件资源使用(例如，高速缓存使用、CPU使用、RAM使用、ROM使用、网络带宽使用、共享存储器使用等)。作为示例，可以利用资源定向技术(RDT)来监测共享资源使用，诸如最后一级高速缓存、存储器带宽数据等。
NNCR 231是设计为通过确定有噪声的、恶意的或由于其它原因不兼容的邻居租户而使得这样的租户可以分离以提高整体云环境235操作速度来支持云环境235的优化的系统。NNCR 231可以在控制平面中在云管理系统中操作，诸如分别是云管理系统111和控制平面110。NNCR 231被设计为采用机器学习和预测建模来确定这样的不兼容的共同租户来支持工作负载放置智能。例如，NNCR 231接收来自数据采集系统237的云性能数据。然后，NNCR231可以评审逐服务器的云性能数据。换言之，NNCR 231可以迭代地考虑操作于每个服务器上的共同租户的兼容性(例如，一次一个服务器)以支持移动任何不兼容的租户来使整个网络提速。在这样的使用情况中，NNCR 231可以无需评审云网络中的每一个租户与云网络中的每一个其它租户的兼容性，并且可以仅评审共同的服务器上的共同租户。对于每个服务器，NNCR 231采用筛选、预测和验证来确定不兼容的共同租户对(例如，带噪声的邻居)。筛选包括对从数据采集系统237接收到的针对操作于服务器上的每个租户对的过去的资源使用执行互相关分析以确定相关租户对。服务器上的具有超过阈值(τ)的正或负互相关的任何租户对可以被标记为相关租户对。
然后，NNCR 231执行针对所有加标记的租户对的预测。预测包括执行针对相关租户对中的每个租户的预测的资源使用的时间序列预报。然后，NNCR 231基于预测结果来执行验证。验证包括执行第二层互相关分析，这包括对针对每个相关租户对的预测的资源使用执行互相关分析以确定不兼容的共同租户对。第二层互相关分析可以基本类似于筛选过程中的互相关分析，但是可以采用来自预测功能的预测的未来资源使用，而非由筛选功能所使用的测量的过去的资源使用。具有超过阈值(例如，τ)的第二层互相关的配对被认为是不兼容的租户对。然后，NNCR 231可以通过将确定的不兼容的共同租户对转发至编排系统以用于在云环境235中的硬件资源分配，来将智能提供给编排系统233。应当注意，τ可以将百分之九十五(95％)设置成默认值并且可以通过系统管理员根据需要来调节。此外，τ可以根据需要针对筛选功能和验证功能被设置为不同的值。另外，NNCR 231还可以被设置为在不兼容的共同租户对超过τ预定量的情况下和/或在确定的不兼容的共同租户对的数量超过指定数量的情况下向系统管理员发送警报。
编排系统233可以操作于控制平面中并且耦合到云管理系统或包含在云管理系统中，诸如分别为控制平面110和云管理系统111。编排系统233被设计为指定数据平面中的硬件资源的使用。因此，编排系统233选择哪些服务器操作哪些租户。因此，编排系统233接收来自NNCR 231的确定的不兼容的共同租户对并且通过调度硬件资源使用使得不兼容的共同租户对不操作于同一服务器(多个)上来使用确定的不兼容的共同租户对修改云网络中的硬件资源分配。
图3是用于通过诸如NNCR 231之类的NNCR从一组兼容租户中识别带噪声的邻居租户的示例机制300的示意图。机制300接收云性能数据341(例如，来自数据采集系统237)，所述云性能数据指示云环境中的服务器上操作的租户的硬件资源使用。在云性能数据正在被监测时，在逐服务器基础上对租户对执行互相关分析。针对每个租户对的测量的过去的资源使用的样本、待比较的指定的资源的样本被用作互相关分析的部分。在数学项中，Ns可以指示样本大小，而Nl可以指示在计算时间序列相关时要采用的时间滞后。在一些情况下，Nl可以是Ns的左移。互相关的复杂度可以表达为：
O(Nl x Ns),
等式1
其中O指示数学大O符号，其描述作为朝向指定值的趋势的函数的限制行为。将互相关结果与阈值τ进行比较以确定租户对是否相关。因此，执行互相关分析生成针对每个时间滞后的互相关系数。结果，接收到范围从-1到1的多个互相关系数。采用阈值τ来确定互相关值的显著程度。阈值τ是置信水平，特别是可靠地识别互相关系数的严重性的概率。在由τ设置的置信水平的范围内的任何互相关值在统计上是显著的。通过应用互相关分析，如果结果小于-τ，则每个共同租户对可以被筛选到极负相关租户对343组中，如果结果大于τ，则筛选到极正相关租户对345组中，并且如果结果小于τ且大于-τ，则筛选到不显著相关租户对347组中。然后，不显著相关租户对347则通过筛选并且被确定为兼容邻居351并且不被进一步考虑。极负相关租户对343组和极正相关租户对345组被标记为可能不兼容的相关租户对。
作为具体的示例，执行互相关分析可以包括对针对每个租户对中的租户的资源使用的时间序列进行比较。这可以通过集中时间序列并且取针对租户对的时间序列的乘积的平均以确定互协方差来完成。然后，互协方差可被标准化以获得互相关。两个租户xt和yt之间的资源使用的样本的时间序列之间的时间互协方差可根据等式2来描述：
其中，σxy(T)是包括租户x和租户y的相对应的租户对的互协方差，N是时间序列中的资源使用样本数量，t是增量时间变量，xt-N是在相对应的时刻处租户x的资源使用样本，yt是在相对应的时刻处租户y的资源使用样本，μX是针对租户x的平均资源使用，并且μy是针对租户y的平均资源使用。然后可以根据等式3，根据互协方差来计算互相关：
其中rxy(T)是指示针对包括租户x和租户y的相对应的租户对的资源使用相关的互相关，σxy是租户x和租户y的互协方差，σxx(0)是租户x的协方差，并且σyy(0)是租户y的协方差。然后，将所得到的互相关与在级别τ生成的置信水平进行比较，以将共同租户对标记为组343或组345中的相关，或使该共同租户对通过作为不显著相关租户对347。
极负相关租户对组343和极正相关租户对组345可以被记为子集S，然后考虑它们以通过资源利用预报和预报结果349的相关来进一步分析。子集S中的租户的数量可以通过升高τ来限制以提高云计算管理系统的效率。资源利用预报可以包括通过经由自回归建模进行时间序列预测以获得针对相关租户对中的每个租户的预测的资源使用样本的相对应的时间序列来进行时间序列预报。换言之，可以采用期望的性能度量来生成预测的资源利用度量，例如通过采用Holt-Winters时间序列预测。然后，可以对针对每个相关租户对(但是仅包含在S中的租户，不是包含在不显著相关租户对347中的租户)的预测的资源使用进行互相关分析。对预测的资源使用的互相关分析可以以与过去的资源使用的互相关分析基本相同的方式来执行，例如通过采用等式2-3。被加标记的租户对的第二层互相关分析的目的是验证并提高对带噪声的邻居/不兼容的共同租户对的识别的统计置信度。然后，由于结果位于由τ生成的置信水平内而通过第二层互相关分析的租户对则被视为兼容邻居351。没有通过第一互相关分析、第二互相关分析的租户对被视为带噪声的邻居353，所述带噪声的邻居充当不兼容的共同租户对。然后，带噪声的邻居353和/或兼容邻居351随后可以作为工作负载编排建议355被转发到编排系统，诸如编排系统233。编排系统可以利用工作负载编排建议355作为用于执行跨云中服务器的工作负载/租户放置的决策的智能。虽然本实施例将极负相关租户对343视为带噪声的邻居/不兼容的租户对，但是应当注意，在一些系统中替代的实施例可以将这样的极负相关租户对343视为兼容的。换言之，在这些情况下，负相关租户对不被视为相关租户对或不兼容的共同租户对。
图4是用于通过采用架构200和机制300来确定云网络(例如，网络100)中的邻居租户的示例方法400的流程图。方法400可以在云网络上连续地和/或迭代地运行。在框401中，当接收到指示在逐服务器的基础上操作于每个服务器上的租户的资源使用的云性能数据时，方法400可以开始。
在框403中，基于针对操作于服务器上的每个租户对的过去的资源使用，针对每个服务器执行互相关分析。框403的互相关分析可以确定相关租户对并且对相关租户对进行标记。例如，执行互相关分析可以包括设置τ的正/负阈值以确定用于标记相关租户的置信水平。阈值指示具有超出由阈值设置的置信区间的资源使用相关度的租户对分别被确定为正或负相关租户对。互相关分析还可以包括通过集中时间序列并且取针对租户对的时间序列的乘积的平均以确定互协方差并且将互协方差标准化以获得互相关，例如通过采用等式2-3，来对针对每个租户对中的租户的测得的资源使用的时间序列进行比较。
在框405中，执行时间序列预报以确定针对在框403中被标记为相关租户对的部分的每个租户的预测的资源使用。时间序列预报可以包括经由自回归建模进行时间序列预测以获得预测的资源使用样本的相对应的时间序列。
在框407中，对针对在框405处确定的每个相关租户对的预期的资源使用执行互相关分析。框407的互相关分析(例如，第二层互相关分析)可以确定不兼容的共同租户对。框407的互相关分析可以基本上类似于框403的互相关分析，但是仅可应用于在框407中被标记为相关租户对的租户对，并且可以应用于框405的预测的资源使用，而非测量的资源使用。
在框409中，在框407处确定的不兼容的共同租户对被转发至编排系统以用于在包括服务器的云网络中的硬件资源分配。
图5是用于云网络中使用的示例网络元件500(例如，云网络100的控制平面110中的云管理系统111)的示意图。网络元件500可被用来操作数据采集系统237、带噪声的邻居冲突解决系统231和/或编排系统233。此外，网络元件500可被配置为实现机制300和/或方法400。
网络元件500包括通信端口511，通信端口511可以是被配置为接受用于监测和/或控制目的(诸如接收云性能数据和/或传送不兼容的共同租户对)的通信信号的任何电端口和/或光端口等。通信端口511可以包括接收机、发射机和/或收发机。通信端口511耦合到处理器515，处理器515可以被实现为通用处理器或其它计算电路，诸如专用集成电路(ASIC)、数字信号处理器(DSP)、现场可编程门阵列(FPGA)等。处理器515被配置为执行来自存储器517的指令并且可以执行由指令所指示的任何方法和/或相关联的步骤。处理器515可以包括NNCR模块516，其可以实现NNCR 231。因此，NNCR模块516可以接收云性能数据、对资源使用执行互相关分析以确定相关租户对、执行时间序列预报、对预测的资源使用执行互相关分析、并且转发不兼容的共同租户对以用于支持硬件资源分配。因此，NNCR 516可以执行机制300、方法400和/或本文公开的任何其它方法。在一些实施例中，NNCR 516还可以整体或部分地实现于存储器517中。存储器517可以实现为处理器高速缓存、随机存取存储器(RAM)、只读存储器(ROM)、固态存储器、硬盘驱动器或任何其它存储器类型。存储器517充当用于存储数据、计算机程序产品和其它指令，并且将这些数据/产品/指令提供给处理器515以根据需要进行计算的非暂时介质。
用户控件513耦合到处理器515。用户控件513可以包括键盘、鼠标、跟踪球和/或可由用户使用来经由显示器519上的图形用户接口与NNCR模块516交互的任何其它控件。显示器519可以是数字屏幕、基于阴极射线管的显示器或用来将NNCR模块516的结果显示给终端用户例如以支持改变τ和/或审阅关于不兼容的共同租户对的警报的任何其它监测器。然而，应当注意的是，NNCR模块516可以被分布在多个硬件系统上和/或操作于专用机器上。因此，与处理器515直接耦合的用户控件513和显示器519是可选的，并且呈现为公开的特征的示例性的方面。
本文公开的方面可以操作于特别创建的硬件上、固件、数字信号处理器上，或操作于包括根据编程指令操作的处理器的特殊编程的通用计算机上。本文所使用的术语处理器旨在包含微处理器、微型计算机、专用集成电路(ASIC)和专用硬件控制器。本发明的一个或多个方面可以体现在计算机可用数据和计算机可执行指令中，例如，在由一个或多个计算机(包括监测模块)或其它设备执行的一个或多个程序模块中。通常，程序模块包括例程、程序、对象、组件、数据结构等，其当由计算机或其它设备中的处理器执行时执行特定任务或实现特定的抽象数据类型。计算机可执行指令可以存储在诸如硬盘、光盘、可移动存储介质、固态存储器、随机存取存储器(RAM)等非暂时性计算机可读介质上。如本领域技术人员将意识到的，在各个方面中，程序模块的功能可以根据需要进行组合或分布。另外，功能可以整体或部分地体现为固件或硬件等同物，诸如集成电路、FPGA等。可使用特定的数据结构来更有效地实现本发明的一个或多个方面，并且这样的数据结构被设想在本文所描述的计算机可执行指令和计算机可使用数据的范围内。
示例
下文提供本文公开的技术的示例性示例。技术的实施例可以包括以下所述的示例中的任何一个或多个或其任意组合。
示例1包括一种用于识别云网络中的不兼容的共同租户对的方法，该方法包括：在云管理系统处接收指示操作于服务器上的租户的资源使用的云性能数据；对针对操作于所述服务器上的多个租户对的过去的资源使用执行互相关分析以确定一个或多个相关租户对；执行针对相关租户对中的租户的预测的资源使用的时间序列预报；对针对相关租户对的预测的资源使用执行互相关分析以确定不兼容的共同租户对；以及将确定的不兼容的共同租户对转发至编排系统，以用于在包括所述服务器的云网络中的硬件资源分配。
示例2包括示例1所述的方法，其中执行互相关分析包括设置指示如下的置信水平的阈值：具有在由阈值设置的置信区间外的资源使用相关系数的租户对被确定为相关租户对。
示例3包括示例1-2所述的方法，其中，执行互相关分析包括对针对租户对中的租户的资源使用的时间序列进行比较。
示例4包括示例3所述的方法，其中对针对租户对中的租户的资源使用的时间序列进行比较包括集中所述时间序列并且取所述租户对的时间序列的乘积的平均以确定互协方差。
示例5包括示例3-4所述的方法，其中对针对租户对中的租户的资源使用的时间序列进行比较是根据下式来执行的：
其中，σxy(T)是包括租户x和租户y的相对应的租户对的互协方差，N是时间序列中的资源使用样本数量，t是增量时间变量，xt-N是在相对应的时刻处租户x的资源使用样本，yt是在相对应的时刻处租户y的资源使用样本，μX是针对租户x的平均资源使用，并且μy是针对租户y的平均资源使用。
示例6包括示例3-5所述的方法，其中对针对租户对中的租户的资源使用的时间序列进行比较包括将互协方差标准化以获得互相关。
示例7包括示例6所述的方法，其中将所述互协方差标准化是根据下式来执行的：
其中，rxy(T)是指示针对包括租户x和租户y的相对应的租户对的资源使用相关的互相关系数，σxy是租户x和租户y的互协方差，σxx(0)是租户x的互协方差，以及σyy(0)是租户y的互协方差。
示例8包括示例1-7所述的方法，其中执行时间序列预报包括经由自回归建模进行时间序列预测以获得预测的资源使用样本的相对应的时间序列。
示例9包括示例1-8所述的方法，其中所述编排系统使用确定的不兼容的共同租户对来修改包括所述服务器的所述云网络中的硬件资源分配。
示例10包括示例1-9所述的方法，其中负相关租户对不被视为相关租户对或不兼容的共同租户对。
示例11包括一种用于识别云网络中的不兼容的共同租户对的装置，该装置包括：通信端口，其用于接收指示操作于服务器上的租户的资源使用的云性能数据；以及电路，用于：对针对操作于所述服务器上的多个租户对的过去的资源使用执行互相关分析以确定一个或多个相关租户对；执行针对相关租户对中的租户的预测的资源使用的时间序列预报；对针对相关租户对的预测的资源使用执行互相关分析以确定不兼容的共同租户对；以及将确定的不兼容的共同租户对转发至编排系统以用于在包括所述服务器的云网络中的硬件资源分配。
示例12包括示例11所述的装置，其中执行互相关分析包括设置指示如下的置信水平的阈值：具有超出由阈值设置的置信区间的资源使用相关系数的租户对被确定为相关租户对。
示例13包括示例11-12所述的装置，其中执行互相关分析包括对针对租户对中的租户的资源使用的时间序列进行比较。
示例14包括示例13所述的装置，其中对针对租户对中的租户的资源使用的时间序列进行比较包括集中时间序列并且取针对租户对的时间序列的乘积的平均来确定互协方差。
示例15包括示例13-14所述的装置，其中对针对租户对中的租户的资源使用的时间序列进行比较是根据下式来执行的：
其中，σxy(T)是包括租户x和租户y的相对应的租户对的互协方差，N是时间序列中的资源使用样本数量，t是增量时间变量，xt-N是在相对应的时刻处租户x的资源使用样本，yt是在相对应的时刻处租户y的资源使用样本，μX是针对租户x的平均资源使用，并且μy是针对租户y的平均资源使用。
示例16包括示例13-15所述的装置，其中对针对租户对中的租户的资源使用的时间序列进行比较包括将互协方差标准化以获得互相关。
示例17包括示例16所述的装置，其中将所述互协方差标准化是根据下式来执行的：
其中，rxy(T)是指示针对包括租户x和租户y的相对应的租户对的资源使用相关的互相关系数，σxy是租户x和租户y的互协方差，σxx(0)是租户x的互协方差，以及σyy(0)是租户y的互协方差。
示例18包括示例11-17所述的装置，其中执行时间序列预报包括经由自回归建模来进行时间序列预测以获得预测的资源使用样本的相对应的时间序列。
示例19包括示例11-18所述的装置，其中所述编排系统使用确定的不兼容的共同租户对来修改包括所述服务器的所述云网络中的硬件资源分配。
示例20包括示例11-19所述的装置，其中负相关租户对不被视为相关租户对或不兼容的共同租户对。
示例21包括一种用于存储计算机程序产品的非暂时性计算机可读介质，所述计算机程序产品包括用于识别云网络中的不兼容的共同租户对的指令，所述指令在由云计算管理装置的处理器执行时使得所述云计算管理装置用于：接收指示操作于服务器上的租户的资源使用的云性能数据；对针对操作于所述服务器上的多个租户对的过去的资源使用执行互相关分析以确定一个或多个相关租户对；执行针对所述相关租户对中的租户的预测的资源使用的时间序列预报；对针对相关租户对的预测的资源使用执行互相关分析以确定不兼容的共同租户对；以及将确定的不兼容的共同租户对转发至编排系统以用于在包括所述服务器的云网络中的硬件资源分配。
示例22包括示例21所述的非暂时性计算机可读介质，其中执行互相关分析包括设置指示如下的置信水平的阈值：具有超出由阈值设置的置信区间、的资源使用相关系数的租户对被确定为相关租户对。
示例23包括示例21-22所述的非暂时性计算机可读介质，其中执行互相关分析包括对针对租户对中的租户的资源使用的时间序列进行比较。
示例24包括示例23所述的非暂时性计算机可读介质，其中对针对租户对中的租户的资源使用的时间序列进行比较包括集中时间序列并且取针对所述租户对的时间序列的乘积的平均以确定互协方差。
示例25包括示例23-24所述的非暂时性计算机可读介质，其中对针对租户对中的租户的资源使用的时间序列进行比较是根据下式来执行的：
其中，σxy(T)是包括租户x和租户y的相对应的租户对的互协方差，N是时间序列中的资源使用样本数量，t是增量时间变量，xt-N是在相对应的时刻处租户x的资源使用样本，yt是在相对应的时刻处租户y的资源使用样本，μX是针对租户x的平均资源使用，并且μy是针对租户y的平均资源使用。
示例26包括示例23-25所述的非暂时性计算机可读介质，其中对针对租户对中的租户的资源使用的时间序列进行比较包括将互协方差标准化以获得互相关。
示例27包括示例26所述的非暂时性计算机可读介质，其中将所述互协方差标准化是根据下式来执行的：
其中，rxy(T)是指示针对包括租户x和租户y的相对应的租户对的资源使用相关的互相关系数，σxy是租户x和租户y的互协方差，σxx(0)是租户x的互协方差，以及σyy(0)是租户y的互协方差。
示例28包括示例21-27所述的非暂时性计算机可读介质，其中执行时间序列预报包括经由自回归建模进行时间序列预测以获得预测的资源使用样本的相对应的时间序列。
示例29包括示例21-28所述的非暂时性计算机可读介质，其中所述编排系统使用确定的不兼容的共同租户对来修改包括所述服务器的所述云网络中的硬件资源分配。
示例30包括示例21-29所述的非暂时性计算机可读介质，其中负相关租户对不被视为相关租户对或不兼容的共同租户对。
示例31包括一种用于识别云网络中的不兼容的共同租户对的装置，该装置包括：用于接收指示操作于服务器上的租户的资源使用的云性能数据的单元；用于对针对操作于服务器上的多个租户对的过去的资源使用执行互相关分析以确定一个或多个相关租户对的单元；用于执行针对相关租户对中的租户的预测的资源使用的时间序列预报的单元；用于对针对相关租户对的预测的资源使用执行互相关分析以确定不兼容的共同租户对的单元；以及用于经由通信单元将确定的不兼容的共同租户对转发到编排系统以用于包括服务器的云网络中的硬件资源分配的单元。
示例32包括示例31所述的装置，其中执行互相关分析包括设置指示如下的置信水平的阈值：具有超出由阈值设置的置信区间的资源使用相关系数的租户对被确定为相关租户对。
示例33包括示例31-32所述的装置，其中执行互相关分析包括对针对租户对中的租户的资源使用的时间序列进行比较。
示例34包括示例33所述的装置，其中对针对租户对中的租户的资源使用的时间序列进行比较包括集中时间序列并且取针对租户对的时间序列的乘积的平均以确定互协方差。
示例35包括示例33-34的装置，其中对针对租户对中的租户的资源使用的时间序列进行比较是根据下式来执行的：
其中，σxy(T)是包括租户x和租户y的相对应的租户对的互协方差，N是时间序列中的资源使用样本数量，t是增量时间变量，xt-N是在相对应的时刻处租户x的资源使用样本，yt是在相对应的时刻处租户y的资源使用样本，μX是针对租户x的平均资源使用，并且μy是针对租户y的平均资源使用。
示例36包括示例33-35所述的装置，其中对针对租户对中的租户的资源使用的时间序列进行比较包括将互协方差标准化以获得互相关。
示例37包括示例36所述的装置，其中将互协方差标准化是根据下式来执行的：
其中，rxy(T)是指示针对包括租户x和租户y的相对应的租户对的资源使用相关的互相关系数，σxy是租户x和租户y的互协方差，σxx(0)是租户x的互协方差，以及σyy(0)是租户y的互协方差。
示例38包括示例31-37所述的装置，其中执行时间序列预报包括经由自回归建模进行时间序列预测以获得预测的资源使用样本的相对应的时间序列。
示例39包括示例31-38所述的装置，其中所述编排系统使用确定的不兼容的共同租户对来修改包括所述服务器的所述云网络中的硬件资源分配。
示例40包括示例31-39所述的装置，其中负相关租户对不被视为相关租户对或不兼容的共同租户对。
公开的主题的上述变化形式具有所描述的或对于本领域普通技术人员显而易见的许多优点。即使如此，在公开的装置、系统或方法的所有版本中并不要求这些优点或特征中的所有。
另外，该书面说明提及了特定特征。应理解的是，本说明书中的公开内容包括了这些特定特征的所有可能的组合。例如，在特定方面或实施例的上下文中公开特定特征的情况下，也可以在其它方面和实施例的上下文中尽可能地使用该特征。
而且，当在本说明书中提及具有两个或更多个限定的步骤或操作的方法时，以任何顺序或同时地执行限定的步骤或操作，除非上下文排除这些可能性。
虽然为了示例说明的目的已经示出和描述了本发明的具体实施例，但是将理解的是，可以进行各种修改，而不偏离本发明的主旨和范围。因此，除了由随附权利要求限制之外，本发明不应受限制。

Claims (25)

1.一种方法，包括：
在云管理系统处接收指示操作于服务器上的租户的资源使用的云性能数据；
对针对操作于所述服务器上的多个租户对的过去的资源使用执行互相关分析以确定一个或多个相关租户对；
执行针对所述相关租户对中的租户的预测的资源使用的时间序列预报；
对针对所述相关租户对的预测的资源使用执行互相关分析以确定不兼容的共同租户对；以及
将确定的不兼容的共同租户对转发到编排系统，以用于包括所述服务器的云网络中的硬件资源分配。
2.如权利要求1所述的方法，其中，执行互相关分析包括设置指示如下的置信水平的阈值：具有超出由所述阈值设置的置信区间的资源使用相关系数的租户对被确定为相关租户对。
3.如权利要求1所述的方法，其中，执行互相关分析包括对针对所述租户对中的租户的资源使用的时间序列进行比较。
4.如权利要求3所述的方法，其中，对针对所述租户对中的租户的资源使用的时间序列进行比较包括集中所述时间序列并且取针对所述租户对的时间序列的乘积的平均以确定互协方差。
5.如权利要求4所述的方法，其中，对针对所述租户对中的租户的资源使用的时间序列进行比较是根据下式来执行的：
其中，σxy(T)是包括租户x和租户y的相对应的租户对的互协方差，N是所述时间序列中的资源使用样本的数量，t是增量时间变量，xt-N是在相对应的时刻处租户x的资源使用样本，yt是在相对应的时刻处租户y的资源使用样本，μX是针对租户x的平均资源使用，并且μy是针对租户y的平均资源使用。
6.如权利要求4所述的方法，其中，对针对所述租户对中的租户的资源使用的时间序列进行比较包括将所述互协方差标准化以获得互相关。
7.如权利要求6所述的方法，其中，将所述互协方差标准化是根据下式来执行的：
其中，rxy(T)是指示针对包括租户x和租户y的相对应的租户对的资源使用相关的互相关系数，σxy是租户x和租户y的互协方差，σxx(0)是租户x的互协方差，并且σyy(0)是租户y的互协方差。
8.如权利要求1所述的方法，其中，所述编排系统使用所述确定的不兼容的共同租户对来修改包括所述服务器的所述云网络中的硬件资源分配。
9.如权利要求1所述的方法，其中，负相关租户对不被视为相关租户对或不兼容的共同租户对。
10.一种装置，包括：
通信端口，其用于接收指示操作于服务器上的租户的资源使用的云性能数据；以及
电路，其用于：
对针对操作于所述服务器上的多个租户对的过去的资源使用执行互相关分析以确定一个或多个相关租户对；
执行针对所述相关租户对中的租户的预测的资源使用的时间序列预报；
对针对所述相关租户对的预测的资源使用执行互相关分析以确定不兼容的共同租户对；以及
将确定的不兼容的共同租户对转发至编排系统以用于包括所述服务器的云网络中的硬件资源分配。
11.如权利要求9所述的装置，其中，执行互相关分析包括设置指示如下的置信水平的阈值：具有超出由所述阈值设置的置信区间的资源使用相关系数的租户对被确定为相关租户对。
12.如权利要求11所述的装置，其中，执行互相关分析包括通过集中时间序列并且取针对所述租户对的时间序列的乘积的平均以确定互协方差来比较针对所述租户对中的租户的资源使用的时间序列。
13.如权利要求12所述的装置，其中，对针对所述租户对中的租户的资源使用的时间序列进行比较包括将所述互协方差标准化以获得互相关。
14.如权利要求9所述的装置，其中，执行时间序列预报包括经由自回归建模来进行时间序列预测以获得预测的资源使用样本的相对应的时间序列。
15.一种用于存储计算机程序产品的非暂时性计算机可读介质，所述计算机程序产品包括用于识别云网络中的不兼容的共同租户对的指令，所述指令在由云计算管理装置的处理器执行时使得所述云计算管理设备用于：
接收指示操作于服务器上的租户的资源使用的云性能数据；
对针对操作于所述服务器上的多个租户对的过去的资源使用执行互相关分析以确定一个或多个相关租户对；
执行针对所述相关租户对中的租户的预测的资源使用的时间序列预报；
对针对所述相关租户对的所述预测的资源使用执行互相关分析以确定不兼容的共同租户对；以及
将确定的不兼容的共同租户对转发到编排系统，以用于在包括所述服务器的云网络中的硬件资源分配。
16.如权利要求15所述的非暂时性计算机可读介质，其中，执行互相关分析包括设置指示如下的置信水平的阈值：具有超出由所述阈值设置的置信区间的资源使用相关系数的租户对被确定为相关租户对。
17.如权利要求15所述的非暂时性计算机可读介质，其中，执行互相关分析包括对针对所述租户对中的租户的资源使用的时间序列进行比较。
18.如权利要求17所述的非暂时性计算机可读介质，其中，对针对所述租户对中的租户的资源使用的时间序列进行比较包括集中所述时间序列并且取针对所述租户对的时间序列的乘积的平均以确定互协方差。
19.如权利要求18所述的非暂时性计算机可读介质，其中，对针对所述租户对中的租户的资源使用的时间序列进行比较包括将所述互协方差标准化以获得互相关。
20.如权利要求15所述的非暂时性计算机可读介质，其中，执行时间序列预报包括经由自回归建模来进行时间序列预测以获得预测的资源使用样本的相对应的时间序列。
21.一种装置，包括：
用于接收指示操作于服务器上的租户的资源使用的云性能数据的单元；
用于对针对操作于所述服务器上的多个租户对的过去的资源使用执行互相关分析以确定一个或多个相关租户对的单元；
用于执行针对所述相关租户对中的租户的预测的资源使用的时间序列预报的单元；
用于对针对所述相关租户对的预测的资源使用执行互相关分析以确定不兼容的共同租户对的单元；以及
用于经由通信单元将确定的不兼容的共同租户对转发至编排系统以用于在包括所述服务器的云网络中的硬件资源分配的单元。
22.如权利要求21所述的装置，其中，执行互相关分析包括设置指示如下的置信水平的阈值：具有超出由所述阈值设置的置信区间的资源使用相关系数的租户对被确定为相关租户对。
23.如权利要求21所述的装置，其中，执行互相关分析包括对针对所述租户对中的租户的资源使用的时间序列进行比较。
24.如权利要求23所述的装置，其中，对针对所述租户对中的租户的资源使用的时间序列进行比较包括集中所述时间序列并且取针对所述租户对的时间序列的乘积的平均以确定互协方差。
25.如权利要求24所述的装置，其中，对针对所述租户对中的租户的资源使用的时间序列进行比较包括将所述互协方差标准化以获得互相关。
CN201810058319.8A 2017-02-22 2018-01-22 对云计算中的不兼容的共同租户对的识别 Pending CN108459908A (zh)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
US15/439,668 2017-02-22
US15/439,668 US20180241811A1 (en) 2017-02-22 2017-02-22 Identification of incompatible co-tenant pairs in cloud computing

Publications (1)

Publication Number Publication Date
CN108459908A true CN108459908A (zh) 2018-08-28

Family

ID=63167466

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201810058319.8A Pending CN108459908A (zh) 2017-02-22 2018-01-22 对云计算中的不兼容的共同租户对的识别

Country Status (2)

Country Link
US (1) US20180241811A1 (zh)
CN (1) CN108459908A (zh)

Families Citing this family (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US10462031B1 (en) * 2017-10-31 2019-10-29 Cisco Technology, Inc. Network visibility for cotenant processes
US11223572B2 (en) * 2019-11-22 2022-01-11 Sap Se Multi-tenant resource allocation using control groups in cloud-based computing environment
US20220414577A1 (en) * 2021-06-28 2022-12-29 Dell Products L.P. System and method for performance-centric workload placement in a hybrid cloud environment
US11736348B2 (en) 2021-06-28 2023-08-22 Dell Products L.P. System and method for network services based functionality provisioning in a VDI environment
US12093714B2 (en) 2021-07-20 2024-09-17 Oracle International Corporation System and method for estimation of performance impact upon a hypervisor in a cloud environment
CN113590337B (zh) * 2021-08-12 2024-05-17 京东科技信息技术有限公司 一种云环境下自动调整云主机配置的方法及装置
US11915065B2 (en) 2022-01-20 2024-02-27 Vmware, Inc. Brokerless reliable totally ordered many-to-many interprocess communication on a single node that uses shared memory and multicast

Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103440158A (zh) * 2013-07-29 2013-12-11 西北工业大学 面向云资源调度的热点移除方法
US20140059232A1 (en) * 2012-08-24 2014-02-27 Hasso-Plattner-Institut Fuer Softwaresystemtechnik Gmbh Robust tenant placement and migration in database-as-a-service environments
US20140359113A1 (en) * 2013-05-30 2014-12-04 Sap Ag Application level based resource management in multi-tenant applications
CN104487948A (zh) * 2012-09-07 2015-04-01 甲骨文国际公司 用于与云计算环境一起使用的工作流编排的系统及方法
US20160080502A1 (en) * 2014-09-16 2016-03-17 CloudGenix, Inc. Methods and systems for controller-based secure session key exchange over unsecured network paths
CN105490959A (zh) * 2015-12-15 2016-04-13 上海交通大学 基于拥塞规避的非均匀带宽虚拟数据中心嵌入实现方法
CN105518649A (zh) * 2013-09-04 2016-04-20 慧与发展有限责任合伙企业 在多租户环境下提供递归式生成实例化的计算资源
US20160117195A1 (en) * 2014-10-28 2016-04-28 Salesforce.Com, Inc. Facilitating elastic allocation of organization-specific queue resources in an on-demand services environment
US20160156568A1 (en) * 2014-11-27 2016-06-02 Hitachi, Ltd. Computer system and computer resource allocation management method
US20160321115A1 (en) * 2015-04-28 2016-11-03 Solano Labs, Inc. Cost optimization of cloud computing resources

Family Cites Families (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CA2833269C (en) * 2011-04-15 2020-04-14 Molecular Transfer, Inc. Agents for improved delivery of nucleic acids to eukaryotic cells
US20140351172A1 (en) * 2013-05-24 2014-11-27 Connectloud, Inc. Method and Apparatus for Determining Compute Resource Usage Chargeback for Cloud Multi-Tenant Environment
US10148738B2 (en) * 2014-11-12 2018-12-04 Zuora, Inc. System and method for equitable processing of asynchronous messages in a multi-tenant platform
US10614056B2 (en) * 2015-03-24 2020-04-07 NetSuite Inc. System and method for automated detection of incorrect data
CA2999276A1 (en) * 2015-09-21 2017-03-30 Equifax, Inc. Updating attribute data structures to indicate trends in attribute data provided to automated modeling systems
WO2017144432A1 (en) * 2016-02-26 2017-08-31 Nokia Solutions And Networks Oy Cloud verification and test automation
US10462445B2 (en) * 2016-07-19 2019-10-29 Fotonation Limited Systems and methods for estimating and refining depth maps
US20190334785A1 (en) * 2018-04-26 2019-10-31 Microsoft Technology Licensing, Llc Forecasting underutilization of a computing resource

Patent Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20140059232A1 (en) * 2012-08-24 2014-02-27 Hasso-Plattner-Institut Fuer Softwaresystemtechnik Gmbh Robust tenant placement and migration in database-as-a-service environments
CN104487948A (zh) * 2012-09-07 2015-04-01 甲骨文国际公司 用于与云计算环境一起使用的工作流编排的系统及方法
US20140359113A1 (en) * 2013-05-30 2014-12-04 Sap Ag Application level based resource management in multi-tenant applications
CN103440158A (zh) * 2013-07-29 2013-12-11 西北工业大学 面向云资源调度的热点移除方法
CN105518649A (zh) * 2013-09-04 2016-04-20 慧与发展有限责任合伙企业 在多租户环境下提供递归式生成实例化的计算资源
US20160080502A1 (en) * 2014-09-16 2016-03-17 CloudGenix, Inc. Methods and systems for controller-based secure session key exchange over unsecured network paths
US20160117195A1 (en) * 2014-10-28 2016-04-28 Salesforce.Com, Inc. Facilitating elastic allocation of organization-specific queue resources in an on-demand services environment
US20160156568A1 (en) * 2014-11-27 2016-06-02 Hitachi, Ltd. Computer system and computer resource allocation management method
US20160321115A1 (en) * 2015-04-28 2016-11-03 Solano Labs, Inc. Cost optimization of cloud computing resources
CN105490959A (zh) * 2015-12-15 2016-04-13 上海交通大学 基于拥塞规避的非均匀带宽虚拟数据中心嵌入实现方法

Also Published As

Publication number Publication date
US20180241811A1 (en) 2018-08-23

Similar Documents

Publication Publication Date Title
CN108459908A (zh) 对云计算中的不兼容的共同租户对的识别
Pei et al. Optimal VNF placement via deep reinforcement learning in SDN/NFV-enabled networks
US12081419B2 (en) Automatic health check and performance monitoring for applications and protocols using deep packet inspection in a datacenter
Yan et al. Automatic virtual network embedding: A deep reinforcement learning approach with graph convolutional networks
Rahman et al. Distb-condo: Distributed blockchain-based iot-sdn model for smart condominium
Pei et al. Resource aware routing for service function chains in SDN and NFV-enabled network
CN115668865A (zh) 网络异常检测
CN101447903B (zh) 基于熵(自组织)稳定性管理
Chen et al. Reinforcement learning–based QoS/QoE‐aware service function chaining in software‐driven 5G slices
CN112583882A (zh) 用于管理边缘环境中的遥测数据的方法、系统、制品和装置
CN109587105A (zh) 基于策略的网络服务指纹识别
US11522748B2 (en) Forming root cause groups of incidents in clustered distributed system through horizontal and vertical aggregation
US20190036869A1 (en) Systems and methods for facilitating closed loop processing using machine learning
US9164944B2 (en) Semiconductor system, relay apparatus, and chip circuit
Lange et al. Predicting vnf deployment decisions under dynamically changing network conditions
US10853153B2 (en) Message queue performance monitoring
Zeng et al. Intelligent blockchain‐based secure routing for multidomain SDN‐enabled IoT networks
Cicconetti et al. Architecture and performance evaluation of distributed computation offloading in edge computing
WO2021008675A1 (en) Dynamic network configuration
Okafor et al. Towards complex dynamic fog network orchestration using embedded neural switch
Chen et al. Empowering ddos attack mitigation with programmable switches
CN106874371A (zh) 一种数据处理方法及装置
Mozo et al. Scalable prediction of service-level events in datacenter infrastructure using deep neural networks
US20090248722A1 (en) Clustering analytic functions
US10554324B1 (en) Dynamic wavelength allocation in optical networks

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
RJ01 Rejection of invention patent application after publication
RJ01 Rejection of invention patent application after publication

Application publication date: 20180828