CN108768716A - 一种微服务路径选择方法及装置 - Google Patents
一种微服务路径选择方法及装置 Download PDFInfo
- Publication number
- CN108768716A CN108768716A CN201810496770.8A CN201810496770A CN108768716A CN 108768716 A CN108768716 A CN 108768716A CN 201810496770 A CN201810496770 A CN 201810496770A CN 108768716 A CN108768716 A CN 108768716A
- Authority
- CN
- China
- Prior art keywords
- micro services
- subtask
- services example
- layering
- data processing
- 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
-
- 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
- H04L41/50—Network service management, e.g. ensuring proper service fulfilment according to agreements
- H04L41/5041—Network service management, e.g. ensuring proper service fulfilment according to agreements characterised by the time relationship between creation and deployment of a service
- H04L41/5054—Automatic deployment of services triggered by the service manager, e.g. service implementation by automatic configuration of network components
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
- H04N7/00—Television systems
- H04N7/18—Closed-circuit television [CCTV] systems, i.e. systems in which the video signal is not broadcast
Abstract
本发明实施例提供了一种微服务路径选择方法及装置,应用于视频云平台技术领域,所述方法包括:获取视频任务对应的子任务,将每个子任务作为一个分层;根据所有分层中的节点建立带权有向图,通过最短路径算法确定带权有向图的最优服务路径,得到第一分层中的筛选节点;在按照分层序号依次对第一分层之后的每一分层进行节点筛选时,通过预设的路径搜索空间缩减原则对该分层及该分层之后的每一分层中的节点进行筛选,根据筛选后的节点,重新建立带权有向图,确定重新建立的带权有向图的最优服务路径,得到该分层中的筛选节点;将所有分层的筛选节点所形成的路径作为视频任务的最优服务路径。本发明可提高对视频任务的执行效率。
Description
技术领域
本发明涉及视频云平台技术领域,特别是涉及一种微服务路径选择方法及装置。
背景技术
近年来随着智慧城市和公共安全需求的日益增长,视频监控覆盖范围越来越广,规模越来越大,传统的基于人工的视频监控方式已经远远不能满足实际需求,因此,智能监控视频技术应运而生并且成为讨论的热点。随着监控设备安装数量的增多以及覆盖范围的扩大,智能视频监控系统需要处理的视频任务也越来越多,摩尔定理失效后,单机服务器无法承担越来越沉重的计算负担,无法应对当今智能视频监控系统的海量视频服务的请求需求。
由于分布式计算以及其它相关技术的快速发展,云计算逐渐成为智能监控系统设计的新选择,推动了视频监控云的发展,提出了一种视频监控领域新概念—视频监控即服务。视频监控云平台将分散异构的资源进行集中管理,为海量视频合理分配资源,既可以满足视频服务需求又能保证资源的利用率和计算吞吐量,因此视频监控云平台成为智能监控系统设计的新选择。现在的视频监控云平台采用单体架构来管理视频服务,如何高效管理海量的视频服务,保证视频服务的高可用性、扩展性以及维护性成为了平台的主要问题,因此微服务架构成为了大规模视频服务管理的首要选择。
基于微服务的云平台可以提供各种类型的微服务,通常每一种微服务都会创建多个微服务实例,以立即响应应用程序的在线请求。由于视频任务是由多个功能不同的子任务共同协作完成,每一个子任务在运行时,都会从微服务池中选择相应的微服务实例,从而构成微服务路径,不同的微服务实例具有不同的资源配置和运行负载,因此不合适的服务路径选择可能导致视频任务执行效率低,从而降低视频服务的性能。现有的视频监控云平台采用的微服务路径选择方法中,基于动态的自适应算法在服务实例池中选择合适的服务实例组成当前最优的微服务组合,并且根据微服务执行过程中微服务实例的改变(例如资源可利用率的改变,微服务实例链接数的改变)来动态的自适应的调整最优的微服务组合。但是,仅考虑微服务实例的状态确定最优微服务路径的方法,使得视频任务的执行效率比较低,导致视频服务性能低下。
发明内容
本发明实施例的目的在于提供一种微服务路径选择方法及装置,以提高对视频任务的执行效率,并提高视频服务的性能。具体技术方案如下:
本发明实施例提供了一种微服务路径选择方法,所述方法包括:
获取视频任务对应的子任务,对于每个子任务,将该子任务作为一个分层,该分层中的节点为该子任务包含的微服务实例;
根据所述视频任务对应的所有分层中的节点,建立分层的带权有向图,通过最短路径算法确定所述带权有向图的最优服务路径,得到所述最优服务路径中第一分层中的筛选节点,所述带权有向图的权重为微服务实例的执行时间,所述微服务实例的执行时间通过所述视频任务的特征和微服务实例运行时资源特征确定;
在按照分层序号依次对第一分层之后的每一分层进行节点筛选时,通过预设的路径搜索空间缩减原则对该分层及该分层之后的每一分层中的节点进行筛选,根据筛选后的节点,重新建立分层的带权有向图,通过所述最短路径算法确定该重新建立的带权有向图的最优服务路径,得到该重新建立的带权有向图的最优服务路径中该分层中的筛选节点;
在得到所有分层的筛选节点后,将所有分层的筛选节点所形成的路径作为所述视频任务的最优服务路径。
可选的,在所述将所有分层的筛选节点所形成的路径作为所述视频任务的最优服务路径之后,所述方法还包括:
将所述视频任务的最优服务路径的所有权重相加,得到对所述视频任务的执行时间。
可选的,所述微服务实例的执行时间包括:所述微服务实例的数据处理时间及、所述微服务实例之前的微服务实例与所述微服务实例之间的数据传输时间;
对于每个子任务,该子任务中微服务实例的数据处理时间的计算方法包括:
获取该子任务中待处理微服务实例的特征向量,将所述待处理微服务实例的特征向量输入预先建立的该子任务的数据处理时间模型,得到所述待处理微服务实例的执行时间,该子任务的数据处理时间模型包括:微服务实例的特征向量和微服务实例的执行时间的对应关系;
所述微服务实例之前的微服务实例与所述微服务实例之间的数据传输时间的计算方法包括:
若si-1,k表示所述微服务实例si,j之前的微服务实例,根据公式:
计算从si-1,k到si,j的数据传输时间Tsi,si-1,k表示子任务Pi-1中的第k个微服务实例,si,j表示子任务Pi中的第j个微服务实例,Voli表示从子任务Pi-1到子任务Pi数据传输总量,Voli=αi×Voli-1,αi表示子任务Pi在执行过程中输入数据量和输出数据量的比率,Nri(k,j)表示微服务实例si-1,k和微服务实例si,j之间的数据传输率,i的取值为1到n的整数,n为子任务的个数,j和k为正整数,k小于或等于子任务Pi-1中微服务实例的个数,j小于或等于子任务Pi中微服务实例的个数。
可选的,所述预设的路径搜索空间缩减原则包括:
如果子任务是计算主导型子任务,在该子任务包含的微服务实例中,筛选前预设数量个具有最少数据处理时间的微服务实例;
如果子任务是传输主导型子任务,在该子任务包含的微服务实例中,筛选前所述预设数量个具有最少数据传输时间的微服务实例;
如果子任务既不是计算主导型子任务又不是传输主导型子任务,在该子任务包含的微服务实例中,筛选前所述预设数量个具有最少执行时间的微服务实例;
其中,所述计算主导型子任务的数据处理时间和数据传输时间的比值大于或等于第一时间比率阈值,所述传输主导型子任务的数据处理时间和数据传输时间的比值小于或等于第二时间比率阈值。
可选的,任一子任务的数据处理时间模型的建立方法包括:
将回归函数作为数据处理时间模型,X=(x1,…xm),X表示该子任务中微服务实例的特征向量,m表示数据处理时间模型的特征数,W=(w1,w2,…,wm),W表示该子任务的数据处理时间模型的参数向量;
将获取的该子任务中多个微服务实例的特征向量和每个特征向量对应的数据处理时间输入该子任务的数据处理时间模型,确定该子任务的数据处理时间模型的参数向量W,得到该子任务的数据处理时间模型。
本发明实施例提供了一种微服务路径选择装置,所述装置包括:
分层模块,用于获取视频任务对应的子任务,对于每个子任务,将该子任务作为一个分层,该分层中的节点为该子任务包含的微服务实例;
初始化模块,用于根据所述视频任务对应的所有分层中的节点,建立分层的带权有向图,通过最短路径算法确定所述带权有向图的最优服务路径,得到所述最优服务路径中第一分层中的筛选节点,所述带权有向图的权重为微服务实例的执行时间,所述微服务实例的执行时间通过所述视频任务的特征和微服务实例运行时资源特征确定;
更新模块,用于在按照分层序号依次对第一分层之后的每一分层进行节点筛选时,通过预设的路径搜索空间缩减原则对该分层及该分层之后的每一分层中的节点进行筛选,根据筛选后的节点,重新建立分层的带权有向图,通过所述最短路径算法确定该重新建立的带权有向图的最优服务路径,得到该重新建立的带权有向图的最优服务路径中该分层中的筛选节点;
路径确定模块,用于在得到所有分层的筛选节点后,将所有分层的筛选节点所形成的路径作为所述视频任务的最优服务路径。
可选的,本发明实施例的微服务路径选择装置,还包括:
执行时间确定模块,用于将所述视频任务的最优服务路径的所有权重相加,得到对所述视频任务的执行时间。
可选的,所述微服务实例的执行时间包括:所述微服务实例的数据处理时间及、所述微服务实例之前的微服务实例与所述微服务实例之间的数据传输时间;
所述微服务路径选择装置还包括:
数据处理时间计算模块,用于获取任一子任务中待处理微服务实例的特征向量,将所述待处理微服务实例的特征向量输入预先建立的该子任务的数据处理时间模型,得到所述待处理微服务实例的执行时间,该子任务的数据处理时间模型包括:微服务实例的特征向量和微服务实例的执行时间的对应关系;
数据传输时间计算模块,用于若si-1,k表示所述微服务实例si,j之前的微服务实例,根据公式:
计算从si-1,k到si,j的数据传输时间Tsi,si-1,k表示子任务Pi-1中的第k个微服务实例,si,j表示子任务Pi中的第j个微服务实例,Voli表示从子任务Pi-1到子任务Pi数据传输总量,Voli=αi×Voli-1,αi表示子任务Pi在执行过程中输入数据量和输出数据量的比率,Nri(k,j)表示微服务实例si-1,k和微服务实例si,j之间的数据传输率,i的取值为1到n的整数,n为子任务的个数,j和k为正整数,k小于或等于子任务Pi-1中微服务实例的个数,j小于或等于子任务Pi中微服务实例的个数。
可选的,所述预设的路径搜索空间缩减原则包括:
如果子任务是计算主导型子任务,在该子任务包含的微服务实例中,筛选前预设数量个具有最少数据处理时间的微服务实例;
如果子任务是传输主导型子任务,在该子任务包含的微服务实例中,筛选前所述预设数量个具有最少数据传输时间的微服务实例;
如果子任务既不是计算主导型子任务又不是传输主导型子任务,在该子任务包含的微服务实例中,筛选前所述预设数量个具有最少执行时间的微服务实例;
其中,所述计算主导型子任务的数据处理时间和数据传输时间的比值大于或等于第一时间比率阈值,所述传输主导型子任务的数据处理时间和数据传输时间的比值小于或等于第二时间比率阈值。
可选的,本发明实施例的微服务路径选择装置,还包括:
数据处理时间模型建立模块,用于将回归函数作为数据处理时间模型,X=(x1,…xm),X表示该子任务中微服务实例的特征向量,m表示数据处理时间模型的特征数,W=(w1,w2,…,wm),W表示该子任务的数据处理时间模型的参数向量;
将获取的该子任务中多个微服务实例的特征向量和每个特征向量对应的数据处理时间输入该子任务的数据处理时间模型,确定该子任务的数据处理时间模型的参数向量W,得到该子任务的数据处理时间模型。
本发明实施例提供了一种电子设备,包括:处理器、通信接口、存储器和通信总线,其中,所述处理器、所述通信接口、所述存储器通过所述通信总线完成相互间的通信;
所述存储器,用于存放计算机程序;
所述处理器,用于执行所述存储器上所存放的程序时,实现上述任一所述的微服务路径选择方法的步骤。
本发明实施例提供了一种计算机可读存储介质,所述计算机可读存储介质内存储有计算机程序,所述计算机程序被处理器执行时,实现上述任一所述的微服务路径选择方法的步骤。
本发明实施例提供的微服务路径选择方法及装置,通过获取视频任务对应的子任务,对于每个子任务,将该子任务作为一个分层,该分层中的节点为该子任务包含的微服务实例;根据视频任务对应的所有分层中的节点,建立分层的带权有向图,通过最短路径算法确定带权有向图的最优服务路径,得到最优服务路径中第一分层中的筛选节点,带权有向图的权重为微服务实例的执行时间,微服务实例的执行时间通过视频任务的特征和微服务实例运行时资源特征确定;在按照分层序号依次对第一分层之后的每一分层进行节点筛选时,通过预设的路径搜索空间缩减原则对该分层及该分层之后的每一分层中的节点进行筛选,根据筛选后的节点,重新建立分层的带权有向图,通过最短路径算法确定该重新建立的带权有向图的最优服务路径,得到该重新建立的带权有向图的最优服务路径中该分层中的筛选节点;在得到所有分层的筛选节点后,将所有分层的筛选节点所形成的路径作为视频任务的最优服务路径。本发明实施例根据视频任务的特征和微服务实例运行时资源特征,动态地自适应优化微服务路径的选择,提高了视频任务的执行效率,从而提高了视频服务的性能。当然,实施本发明的任一产品或方法并不一定需要同时达到以上所述的所有优点。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1为本发明实施例的视频监控云平台的系统架构图;
图2为本发明实施例的微服务路径选择方法的流程图;
图3为本发明实施例的带权有向图;
图4为本发明实施例的微服务路径选择装置的结构图;
图5为本发明实施例的电子设备的结构图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,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,都属于本发明保护的范围。
在云计算技术中,基于微服务架构的视频监控云平台包括:VAS(VideoApplication System,视频应用系统)、VMSM(Video MiroService Manager,视频微服务管理器)、CPM(Cloud Platform Manager,云平台管理器)、MSSU(MicroService SelectionUnit,微服务选择单元)、PMU(Performance Monitoring Unit,性能监控单元)和云资源池,视频监控云平台的系统架构可参见图1。
其中,VAS主要的功能为视频应用管理,用户通过VAS下发视频处理任务和自定义参数到VMSM。
VMSM的主要功能包括:从VAS中接收视频处理任务请求、管理云平台中视频处理任务的执行、将视频任务处理的结果从云平台转发给VAS。
CPM的主要功能包括:管理云资源、视频微服务实例(包括云资源的分配和释放,微服务实例的创建和移除等)。
MSS的主要功能是根据当前微服务实例的状态和视频任务的特征,为视频处理任务选择出一个最优的微服务实例。
PMU的主要功能为收集和记录微服务实例的性能信息,这些信息是MSSU做出选择的依据之一。
云资源池包括:物理资源管理器和视频微服务集群。其中视频微服务集群负责基础资源的管理和调度,根据用户视频服务资源需求调度资源选择合适的宿主机,用于生成新的VMS(Video MicroService,视频微服务)。物理资源管理器是由高性能服务器构成的计算集群,每个服务器上都配有微服务引擎,能够为上层提供微服务。
在视频监控云平台中,如何实现大规模视频任务的高效率执行及提高视频服务的性能是视频云亟待解决的一个问题。现有的基于动态的自适应算法,仅通过微服务实例的改变确定最优的微服务组合,使得对视频任务的执行效率比较低。本发明实施例提供了一种微服务路径选择方法及装置,以提高对视频任务的执行效率,并提高视频服务的性能。
下面首先对本发明实施例所提供的微服务路径选择方法进行详细介绍。
参见图2,图2为本发明实施例的微服务路径选择方法的流程图,包括以下步骤:
S201,获取视频任务对应的子任务,对于每个子任务,将该子任务作为一个分层,该分层中的节点为该子任务包含的微服务实例。
本发明实施例中,视频任务通常由多个子任务组合完成。若P是云平台中的一个视频任务,由n个顺序执行的子任务组成,则P={Pi},i=1,…,n。若微服务类集合S={Si},i=1,…,n,每一类微服务Si由所有该类的微服务实例{si,j}组成,{si,j}具有相同的功能但是执行效率不同,其中,j=1,…,ki,ki表示该类微服务Si的个数,不同类的微服务所包含的微服务实例的个数可以不同。每个子任务Pi由一个Si类的微服务实例{si,j}执行,因此,可以将每个子任务作为一个分层,以用于对视频任务构建带权有向图。
S202,根据视频任务对应的所有分层中的节点,建立分层的带权有向图,通过最短路径算法确定带权有向图的最优服务路径,得到最优服务路径中第一分层中的筛选节点,带权有向图的权重为微服务实例的执行时间,微服务实例的执行时间通过视频任务的特征和微服务实例运行时资源特征确定。
具体的,在确定视频任务对应的所有分层中的节点之后,可以构建一个分层的带权有向图G,构建的带权有向图可参见图3。在图3中,每一分层代表一个微服务类Si,每一分层包括多个节点,每个节点表示一个微服务实例si,j。本发明实施例中,在建立分层的带权有向图时,可以在第一分层之前建立源节点,在最后一分层之后建立目标节点,当然,源节点和目标节点实际是不存在。这样,可以更便捷地计算微服务实例的执行时间。eij表示Si层的每个节点和Si-1层的每个节点之间的边,边eij的权重是微服务实例的执行时间,具体为微服务实例的数据处理时间和数据传输时间之和。微服务路径的权重是在路径中的所有的边的权重之和。因此,最优服务路径即为选择一个具有最小权重的微服务路径,也就是最短路径问题,本发明实施例中最短路径算法可以为Viterbi算法等。由于得到的最优服务路径是每一分层中的一个节点构成的路径,因此,该最优服务路径中第一分层中的节点即为第一分层中的筛选节点。
由于微服务实例的执行时间与视频任务的特征(例如视频分辨率、视频大小等)和微服务实例运行时资源特征相关,微服务实例运行时资源特征包括:CPU(CentralProcessing Unit,中央处理器)内核数、CPU时钟频率、CPU的占有率、内存使用率、内存带宽等。因此,本发明实施例的微服务实例的执行时间是根据视频任务的特征和微服务实例运行时资源特征计算的,这样,可以综合视频任务的特征和微服务实例运行时资源特征,动态地自适应优化服务路径,从而可以提高对视频任务的执行效率。其中,微服务实例的执行时间的计算方法将在下文进行详细描述,在此不再赘述。
S203,在按照分层序号依次对第一分层之后的每一分层进行节点筛选时,通过预设的路径搜索空间缩减原则对该分层及该分层之后的每一分层中的节点进行筛选,根据筛选后的节点,重新建立分层的带权有向图,通过最短路径算法确定该重新建立的带权有向图的最优服务路径,得到该重新建立的带权有向图的最优服务路径中该分层中的筛选节点。
本发明实施例中,当第一个子任务Pl的微服务实例执行完,下一个子任务P2的微服务实例的状态和服务能力都将发生改变。此时,带权有向图G的权重会根据微服务实例运行过程而改变。因此,S202中得到的最优服务路径将不是最优的,如果在每一个子任务执行的时候都通过最短路径算法进行计算,导致运算量较大,不适合云平台。那么可以重新建立带权有向图,对最优服务路径进行更新,减少服务路径的搜索空间。具体的,可以按照分层序号(即分层顺序)对第一分层之后的每一分层进行节点筛选。在进行节点筛选时,在重新建立带权有向图之前,可以通过预设的路径搜索空间缩减原则对分层中的节点进行缩减,以减小带权有向图的复杂度,提高计算效率。
例如,在对第二分层进行节点筛选时,通过预设的路径搜索空间缩减原则对第二分层及第二分层之后的分层中的节点进行筛选,使第二分层及第二分层之后的分层中的节点缩减为较少的节点,之后,重新建立分层的带权有向图,通过最短路径算法确定该重新建立的带权有向图的最优服务路径,得到该重新建立的带权有向图的最优服务路径中第二分层中的筛选节点。在对第三分层进行节点筛选时,通过预设的路径搜索空间缩减原则对第三分层及第三分层之后的分层中的节点进行筛选,使第三分层及第三分层之后的分层中的节点缩减为较少的节点,之后,重新建立分层的带权有向图,通过最短路径算法确定该重新建立的带权有向图的最优服务路径,得到该重新建立的带权有向图的最优服务路径中第三分层中的筛选节点。以此类推,可以得到每个分层中的筛选节点。
S204,在得到所有分层的筛选节点后,将所有分层的筛选节点所形成的路径作为视频任务的最优服务路径。
具体的,由于S203中得到的每个分层中的筛选节点为一个节点,将所有分层的筛选节点进行连接,即可得到视频任务的最优服务路径。
本发明实施例的微服务路径选择方法,通过获取视频任务对应的子任务,对于每个子任务,将该子任务作为一个分层,该分层中的节点为该子任务包含的微服务实例;根据视频任务对应的所有分层中的节点,建立分层的带权有向图,通过最短路径算法确定带权有向图的最优服务路径,得到最优服务路径中第一分层中的筛选节点,带权有向图的权重为微服务实例的执行时间,微服务实例的执行时间通过视频任务的特征和微服务实例运行时资源特征确定;在按照分层序号依次对第一分层之后的每一分层进行节点筛选时,通过预设的路径搜索空间缩减原则对该分层及该分层之后的每一分层中的节点进行筛选,根据筛选后的节点,重新建立分层的带权有向图,通过最短路径算法确定该重新建立的带权有向图的最优服务路径,得到该重新建立的带权有向图的最优服务路径中该分层中的筛选节点;在得到所有分层的筛选节点后,将所有分层的筛选节点所形成的路径作为视频任务的最优服务路径。本发明实施例根据视频任务的特征和微服务实例运行时资源特征,动态地自适应优化微服务路径的选择,提高了视频任务的执行效率,从而提高了视频服务的性能。
本发明的一种实现方式中,在图2实施例S204之后,本发明的微服务路径选择方法还包括:
将视频任务的最优服务路径的所有权重相加,得到对视频任务的执行时间。
如前所述,服务路径的边的权重是微服务实例的执行时间,因此,将视频任务的最优服务路径的所有权重相加,即可得到对视频任务的执行时间。当然,该执行时间也是视频任务的最短执行时间。
本发明的一种实现方式中,微服务实例的执行时间包括:微服务实例的数据处理时间及、微服务实例之前的微服务实例与微服务实例之间的数据传输时间。
本发明实施例中,子任务Pi的执行时间Ti可以定义为Ti=Tci+Tsi,Tci表示微服务实例{si,j}数据处理时间,Tsi表示从微服务实例{si-1,k}到微服务实例{si,j}的数据传输时间。微服务路径是视频任务P执行的路径,P={Pi},i=1,…,n。因此,视频任务P的总的执行时间为
对于每个子任务,该子任务中微服务实例的数据处理时间的计算方法包括:
获取该子任务中待处理微服务实例的特征向量,将待处理微服务实例的特征向量输入预先建立的该子任务的数据处理时间模型,得到待处理微服务实例的执行时间,该子任务的数据处理时间模型包括:微服务实例的特征向量和微服务实例的执行时间的对应关系。
本发明实施例中,可以综合视频任务的特征和微服务实例运行时资源特征,假设子任务Pi可以由特征向量,特征向量即为视频任务的特征和微服务实例运行时资源特征构成的向量,将待处理微服务实例的特征向量输入预先建立的该子任务的数据处理时间模型,即可得到待处理微服务实例的执行时间。可选的,特征向量可以为视频分辨率、视频大小、CPU内核数、CPU时钟频率、CPU的占有率、内存使用率、内存带宽等构成的向量。
该子任务的数据处理时间模型的建立方法包括以下步骤:
第一步,将回归函数作为数据处理时间模型,X=(x1,…xm),X表示该子任务中微服务实例的特征向量,m表示数据处理时间模型的特征数,W=(w1,w2,…,wm),W表示该子任务的数据处理时间模型的参数向量。
具体的,可以将回归函数作为数据处理时间模型,回归函数的输入值为特征向量X,输出值为f(X),即数据处理时间。
第二步,将获取的该子任务中多个微服务实例的特征向量和每个特征向量对应的数据处理时间输入该子任务的数据处理时间模型,确定该子任务的数据处理时间模型的参数向量W,得到该子任务的数据处理时间模型。
在建立数据处理时间模型时,基于从云平台中收集的训练数据集(该子任务中多个微服务实例的特征向量和数据处理时间的对应关系),将训练数据集输入数据处理时间模型,即可得到参数向量W。
为了防止数据处理时间模型的过度拟合,可以通过平方差来作为损失函数来衡量预测值和真实值之间的误差,本发明实施例中,可以使用l2范数正则化作为惩罚项。根据公式:得到更加准确的参数向量W。其中,tac为子任务的实际执行时间,λ是回归参数。
之后,在进行微服务实例的数据处理时间计算时,将获取的该子任务中的微服务实例的特征向量输入该子任务的数据处理时间模型,即可得到微服务实例的数据处理时间。
需要说明的是,对于每个子任务,均对应唯一的数据处理时间模型,并且每个子任务的数据处理时间模型的建立方法相同。但是,在视频任务中,除了第一个子任务,其他子任务的输入数据都是上一个子任务的输出数据,并不是原始的视频文件。例如,第二个子任务输入的视频数据是第一个子任务处理之后的视频数据,第三个子任务输入的视频数据是第二个子任务处理之后的视频数据。
任一微服务实例之前的微服务实例与该微服务实例之间的数据传输时间的计算方法包括:
若si-1,k表示微服务实例si,j之前的微服务实例,根据公式:
计算从si-1,k到si,j的数据传输时间Tsi,si-1,k表示子任务Pi-1中的第k个微服务实例,si,j表示子任务Pi中的第j个微服务实例,Voli表示从子任务Pi-1到子任务Pi数据传输总量,Voli=αi×Voli-1,αi表示子任务Pi在执行过程中输入数据量和输出数据量的比率,Nri(k,j)表示微服务实例si-1,k和微服务实例si,j之间的数据传输率,i的取值为1到n的整数,n为子任务的个数,j和k为正整数,k小于或等于子任务Pi-1中微服务实例的个数,j小于或等于子任务Pi中微服务实例的个数。
具体的,对于上述子任务P,P={Pi},i=1,…,n,可以定义一个源子任务P0和一个目标子任务Pn+1,P0和Pn+1分别表示视频任务开始的子任务和结束的子任务。源微服务实例为s0,0,目标微服务实例为sn+1,0,分别表示微服务路径中的源节点和目标节点,Vol0是视频任务P的源数据量。对于在视频任务P中的子任务Pi,αi表示子任务Pi在执行过程中输入数据量和输出数据量的比率,因此,Voli=αi×Voli-1,i=1、2、…、n,并且α0=1,α1=0。αi可以根据实验测得,Nri(k,j)也可以通过网速测量工具测量得到。因此,可以通过公式得到微服务实例的数据传输时间。
本发明的一种实现方式中,预设的路径搜索空间缩减原则包括:
如果子任务是计算主导型子任务,在该子任务包含的微服务实例中,筛选前预设数量个具有最少数据处理时间的微服务实例;
如果子任务是传输主导型子任务,在该子任务包含的微服务实例中,筛选前预设数量个具有最少数据传输时间的微服务实例;
如果子任务既不是计算主导型子任务又不是传输主导型子任务,在该子任务包含的微服务实例中,筛选前预设数量个具有最少执行时间的微服务实例;
其中,计算主导型子任务的数据处理时间和数据传输时间的比值大于或等于第一时间比率阈值,传输主导型子任务的数据处理时间和数据传输时间的比值小于或等于第二时间比率阈值。
本发明实施例中,计算主导型子任务的执行时间主要是被微服务实例的计算能力影响,为了提高服务路径更新的执行效率,可以忽略输入数据的传输时间。类似地,传输主导型子任务的执行时间可以忽略数据处理时间。第一时间比率阈值和第二时间比率阈值可以通过离线实验获得。
其中,预设数量表示微服务路径搜索空间的缩减参数,通常,预设数量远远小于该类微服务的微服务实例总数。本发明实施例中,例如可以将预设数量设置为3等。通过预设的路径搜索空间缩减原则,可以得到一个简化的分层的带权有向图,简化的分层的带权有向图的每条边的权重是根据云平台中当前微服务实例运行时资源特征更新之后的数据。
相应于上述方法实施例,本发明实施例提供了一种装置,参见图4,图4为本发明实施例的微服务路径选择装置的结构图,包括:
分层模块401,用于获取视频任务对应的子任务,对于每个子任务,将该子任务作为一个分层,该分层中的节点为该子任务包含的微服务实例;
初始化模块402,用于根据视频任务对应的所有分层中的节点,建立分层的带权有向图,通过最短路径算法确定带权有向图的最优服务路径,得到最优服务路径中第一分层中的筛选节点,带权有向图的权重为微服务实例的执行时间,微服务实例的执行时间通过视频任务的特征和微服务实例运行时资源特征确定;
更新模块403,用于在按照分层序号依次对第一分层之后的每一分层进行节点筛选时,通过预设的路径搜索空间缩减原则对该分层及该分层之后的每一分层中的节点进行筛选,根据筛选后的节点,重新建立分层的带权有向图,通过最短路径算法确定该重新建立的带权有向图的最优服务路径,得到该重新建立的带权有向图的最优服务路径中该分层中的筛选节点;
路径确定模块404,用于在得到所有分层的筛选节点后,将所有分层的筛选节点所形成的路径作为视频任务的最优服务路径。
本发明实施例的微服务路径选择装置,通过获取视频任务对应的子任务,对于每个子任务,将该子任务作为一个分层,该分层中的节点为该子任务包含的微服务实例;根据视频任务对应的所有分层中的节点,建立分层的带权有向图,通过最短路径算法确定带权有向图的最优服务路径,得到最优服务路径中第一分层中的筛选节点,带权有向图的权重为微服务实例的执行时间,微服务实例的执行时间通过视频任务的特征和微服务实例运行时资源特征确定;在按照分层序号依次对第一分层之后的每一分层进行节点筛选时,通过预设的路径搜索空间缩减原则对该分层及该分层之后的每一分层中的节点进行筛选,根据筛选后的节点,重新建立分层的带权有向图,通过最短路径算法确定该重新建立的带权有向图的最优服务路径,得到该重新建立的带权有向图的最优服务路径中该分层中的筛选节点;在得到所有分层的筛选节点后,将所有分层的筛选节点所形成的路径作为视频任务的最优服务路径。本发明实施例根据视频任务的特征和微服务实例运行时资源特征,动态地自适应优化微服务路径的选择,提高了视频任务的执行效率,从而提高了视频服务的性能。
需要说明的是,本发明实施例的装置是应用上述微服务路径选择方法的装置,则上述微服务路径选择方法的所有实施例均适用于该装置,且均能达到相同或相似的有益效果。
可选的,本发明实施例的微服务路径选择装置,还包括:
执行时间确定模块,用于将视频任务的最优服务路径的所有权重相加,得到对视频任务的执行时间。
可选的,微服务实例的执行时间包括:微服务实例的数据处理时间及、微服务实例之前的微服务实例与微服务实例之间的数据传输时间;
微服务路径选择装置还包括:
数据处理时间计算模块,用于获取任一子任务中待处理微服务实例的特征向量,将待处理微服务实例的特征向量输入预先建立的该子任务的数据处理时间模型,得到待处理微服务实例的执行时间,该子任务的数据处理时间模型包括:微服务实例的特征向量和微服务实例的执行时间的对应关系;
数据传输时间计算模块,用于若si-1,k表示微服务实例si,j之前的微服务实例,根据公式:
计算从si-1,k到si,j的数据传输时间Tsi,si-1,k表示子任务Pi-1中的第k个微服务实例,si,j表示子任务Pi中的第j个微服务实例,Voli表示从子任务Pi-1到子任务Pi数据传输总量,Voli=αi×Voli-1,αi表示子任务Pi在执行过程中输入数据量和输出数据量的比率,Nri(k,j)表示微服务实例si-1,k和微服务实例si,j之间的数据传输率,i的取值为1到n的整数,n为子任务的个数,j和k为正整数,k小于或等于子任务Pi-1中微服务实例的个数,j小于或等于子任务Pi中微服务实例的个数。
可选的,预设的路径搜索空间缩减原则包括:
如果子任务是计算主导型子任务,在该子任务包含的微服务实例中,筛选前预设数量个具有最少数据处理时间的微服务实例;
如果子任务是传输主导型子任务,在该子任务包含的微服务实例中,筛选前预设数量个具有最少数据传输时间的微服务实例;
如果子任务既不是计算主导型子任务又不是传输主导型子任务,在该子任务包含的微服务实例中,筛选前预设数量个具有最少执行时间的微服务实例;
其中,计算主导型子任务的数据处理时间和数据传输时间的比值大于或等于第一时间比率阈值,传输主导型子任务的数据处理时间和数据传输时间的比值小于或等于第二时间比率阈值。
可选的,本发明实施例的微服务路径选择装置,还包括:
数据处理时间模型建立模块,用于将回归函数作为数据处理时间模型,X=(x1,…xm),X表示该子任务中微服务实例的特征向量,m表示数据处理时间模型的特征数,W=(w1,w2,…,wm),W表示该子任务的数据处理时间模型的参数向量;
将获取的该子任务中多个微服务实例的特征向量和每个特征向量对应的数据处理时间输入该子任务的数据处理时间模型,确定该子任务的数据处理时间模型的参数向量W,得到该子任务的数据处理时间模型。
本发明实施例还提供了一种电子设备,参见图5,图5为本发明实施例的电子设备的结构图,包括:处理器501、通信接口502、存储器503和通信总线504,其中,处理器501、通信接口502、存储器503通过通信总线504完成相互间的通信;
存储器503,用于存放计算机程序;
处理器501,用于执行存储器503上所存放的程序时,实现上述任一微服务路径选择方法的步骤。
需要说明的是,上述电子设备提到的通信总线504可以是PCI(PeripheralComponent Interconnect,外设部件互连标准)总线或EISA(Extended Industry StandardArchitecture,扩展工业标准结构)总线等。该通信总线504可以分为地址总线、数据总线、控制总线等。为便于表示,图5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502用于上述电子设备与其他设备之间的通信。
存储器503可以包括RAM(Random Access Memory,随机存取存储器),也可以包括非易失性存储器(non-volatile memory),例如至少一个磁盘存储器。可选的,存储器还可以是至少一个位于远离前述处理器的存储装置。
上述的处理器501可以是通用处理器,包括:CPU、NP(Network Processor,网络处理器)等;还可以是DSP(Digital Signal Processing,数字信号处理器)、ASIC(Application Specific Integrated Circuit,专用集成电路)、FPGA(Field-Programmable Gate Array,现场可编程门阵列)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。
本发明实施例的电子设备中,处理器通过执行存储器上所存放的程序,获取视频任务对应的子任务,对于每个子任务,将该子任务作为一个分层,该分层中的节点为该子任务包含的微服务实例;根据视频任务对应的所有分层中的节点,建立分层的带权有向图,通过最短路径算法确定带权有向图的最优服务路径,得到最优服务路径中第一分层中的筛选节点,带权有向图的权重为微服务实例的执行时间,微服务实例的执行时间通过视频任务的特征和微服务实例运行时资源特征确定;在按照分层序号依次对第一分层之后的每一分层进行节点筛选时,通过预设的路径搜索空间缩减原则对该分层及该分层之后的每一分层中的节点进行筛选,根据筛选后的节点,重新建立分层的带权有向图,通过最短路径算法确定该重新建立的带权有向图的最优服务路径,得到该重新建立的带权有向图的最优服务路径中该分层中的筛选节点;在得到所有分层的筛选节点后,将所有分层的筛选节点所形成的路径作为视频任务的最优服务路径。本发明实施例根据视频任务的特征和微服务实例运行时资源特征,动态地自适应优化微服务路径的选择,提高了视频任务的执行效率,从而提高了视频服务的性能。
本发明实施例还提供了一种计算机可读存储介质,计算机可读存储介质内存储有计算机程序,计算机程序被处理器执行时,实现上述任一微服务路径选择方法的步骤。
本发明实施例的计算机可读存储介质中存储的指令在计算机上运行时,获取视频任务对应的子任务,对于每个子任务,将该子任务作为一个分层,该分层中的节点为该子任务包含的微服务实例;根据视频任务对应的所有分层中的节点,建立分层的带权有向图,通过最短路径算法确定带权有向图的最优服务路径,得到最优服务路径中第一分层中的筛选节点,带权有向图的权重为微服务实例的执行时间,微服务实例的执行时间通过视频任务的特征和微服务实例运行时资源特征确定;在按照分层序号依次对第一分层之后的每一分层进行节点筛选时,通过预设的路径搜索空间缩减原则对该分层及该分层之后的每一分层中的节点进行筛选,根据筛选后的节点,重新建立分层的带权有向图,通过最短路径算法确定该重新建立的带权有向图的最优服务路径,得到该重新建立的带权有向图的最优服务路径中该分层中的筛选节点;在得到所有分层的筛选节点后,将所有分层的筛选节点所形成的路径作为视频任务的最优服务路径。本发明实施例根据视频任务的特征和微服务实例运行时资源特征,动态地自适应优化微服务路径的选择,提高了视频任务的执行效率,从而提高了视频服务的性能。
需要说明的是,在本文中,诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来,而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
本说明书中的各个实施例均采用相关的方式描述,各个实施例之间相同相似的部分互相参见即可,每个实施例重点说明的都是与其他实施例的不同之处。尤其,对于装置、电子设备及可读存储介质实施例而言,由于其基本相似于方法实施例,所以描述的比较简单,相关之处参见方法实施例的部分说明即可。
以上所述仅为本发明的较佳实施例而已,并非用于限定本发明的保护范围。凡在本发明的精神和原则之内所作的任何修改、等同替换、改进等,均包含在本发明的保护范围内。
Claims (10)
1.一种微服务路径选择方法,其特征在于,所述方法包括:
获取视频任务对应的子任务,对于每个子任务,将该子任务作为一个分层,该分层中的节点为该子任务包含的微服务实例;
根据所述视频任务对应的所有分层中的节点,建立分层的带权有向图,通过最短路径算法确定所述带权有向图的最优服务路径,得到所述最优服务路径中第一分层中的筛选节点,所述带权有向图的权重为微服务实例的执行时间,所述微服务实例的执行时间通过所述视频任务的特征和微服务实例运行时资源特征确定;
在按照分层序号依次对第一分层之后的每一分层进行节点筛选时,通过预设的路径搜索空间缩减原则对该分层及该分层之后的每一分层中的节点进行筛选,根据筛选后的节点,重新建立分层的带权有向图,通过所述最短路径算法确定该重新建立的带权有向图的最优服务路径,得到该重新建立的带权有向图的最优服务路径中该分层中的筛选节点;
在得到所有分层的筛选节点后,将所有分层的筛选节点所形成的路径作为所述视频任务的最优服务路径。
2.根据权利要求1所述的微服务路径选择方法,其特征在于,在所述将所有分层的筛选节点所形成的路径作为所述视频任务的最优服务路径之后,所述方法还包括:
将所述视频任务的最优服务路径的所有权重相加,得到对所述视频任务的执行时间。
3.根据权利要求1或2所述的微服务路径选择方法,其特征在于,所述微服务实例的执行时间包括:所述微服务实例的数据处理时间及、所述微服务实例之前的微服务实例与所述微服务实例之间的数据传输时间;
对于每个子任务,该子任务中微服务实例的数据处理时间的计算方法包括:
获取该子任务中待处理微服务实例的特征向量,将所述待处理微服务实例的特征向量输入预先建立的该子任务的数据处理时间模型,得到所述待处理微服务实例的执行时间,该子任务的数据处理时间模型包括:微服务实例的特征向量和微服务实例的执行时间的对应关系;
所述微服务实例之前的微服务实例与所述微服务实例之间的数据传输时间的计算方法包括:
若si-1,k表示所述微服务实例si,j之前的微服务实例,根据公式:
计算从si-1,k到si,j的数据传输时间Tsi,si-1,k表示子任务Pi-1中的第k个微服务实例,si,j表示子任务Pi中的第j个微服务实例,Voli表示从子任务Pi-1到子任务Pi数据传输总量,Voli=αi×Voli-1,αi表示子任务Pi在执行过程中输入数据量和输出数据量的比率,Nri(k,j)表示微服务实例si-1,k和微服务实例si,j之间的数据传输率,i的取值为1到n的整数,n为子任务的个数,j和k为正整数,k小于或等于子任务Pi-1中微服务实例的个数,j小于或等于子任务Pi中微服务实例的个数。
4.根据权利要求3所述的微服务路径选择方法,其特征在于,所述预设的路径搜索空间缩减原则包括:
如果子任务是计算主导型子任务,在该子任务包含的微服务实例中,筛选前预设数量个具有最少数据处理时间的微服务实例;
如果子任务是传输主导型子任务,在该子任务包含的微服务实例中,筛选前所述预设数量个具有最少数据传输时间的微服务实例;
如果子任务既不是计算主导型子任务又不是传输主导型子任务,在该子任务包含的微服务实例中,筛选前所述预设数量个具有最少执行时间的微服务实例;
其中,所述计算主导型子任务的数据处理时间和数据传输时间的比值大于或等于第一时间比率阈值,所述传输主导型子任务的数据处理时间和数据传输时间的比值小于或等于第二时间比率阈值。
5.根据权利要求3所述的微服务路径选择方法,其特征在于,任一子任务的数据处理时间模型的建立方法包括:
将回归函数作为数据处理时间模型,X=(x1,…xm),X表示该子任务中微服务实例的特征向量,m表示数据处理时间模型的特征数,W=(w1,w2,…,wm),W表示该子任务的数据处理时间模型的参数向量;
将获取的该子任务中多个微服务实例的特征向量和每个特征向量对应的数据处理时间输入该子任务的数据处理时间模型,确定该子任务的数据处理时间模型的参数向量W,得到该子任务的数据处理时间模型。
6.一种微服务路径选择装置,其特征在于,所述装置包括:
分层模块,用于获取视频任务对应的子任务,对于每个子任务,将该子任务作为一个分层,该分层中的节点为该子任务包含的微服务实例;
初始化模块,用于根据所述视频任务对应的所有分层中的节点,建立分层的带权有向图,通过最短路径算法确定所述带权有向图的最优服务路径,得到所述最优服务路径中第一分层中的筛选节点,所述带权有向图的权重为微服务实例的执行时间,所述微服务实例的执行时间通过所述视频任务的特征和微服务实例运行时资源特征确定;
更新模块,用于在按照分层序号依次对第一分层之后的每一分层进行节点筛选时,通过预设的路径搜索空间缩减原则对该分层及该分层之后的每一分层中的节点进行筛选,根据筛选后的节点,重新建立分层的带权有向图,通过所述最短路径算法确定该重新建立的带权有向图的最优服务路径,得到该重新建立的带权有向图的最优服务路径中该分层中的筛选节点;
路径确定模块,用于在得到所有分层的筛选节点后,将所有分层的筛选节点所形成的路径作为所述视频任务的最优服务路径。
7.根据权利要求6所述的微服务路径选择装置,其特征在于,所述装置还包括:
执行时间确定模块,用于将所述视频任务的最优服务路径的所有权重相加,得到对所述视频任务的执行时间。
8.根据权利要求6或7所述的微服务路径选择装置,其特征在于,所述微服务实例的执行时间包括:所述微服务实例的数据处理时间及、所述微服务实例之前的微服务实例与所述微服务实例之间的数据传输时间;
所述微服务路径选择装置还包括:
数据处理时间计算模块,用于获取任一子任务中待处理微服务实例的特征向量,将所述待处理微服务实例的特征向量输入预先建立的该子任务的数据处理时间模型,得到所述待处理微服务实例的执行时间,该子任务的数据处理时间模型包括:微服务实例的特征向量和微服务实例的执行时间的对应关系;
数据传输时间计算模块,用于若si-1,k表示所述微服务实例si,j之前的微服务实例,根据公式:
计算从si-1,k到si,j的数据传输时间Tsi,si-1,k表示子任务Pi-1中的第k个微服务实例,si,j表示子任务Pi中的第j个微服务实例,Voli表示从子任务Pi-1到子任务Pi数据传输总量,Voli=αi×Voli-1,αi表示子任务Pi在执行过程中输入数据量和输出数据量的比率,Nri(k,j)表示微服务实例si-1,k和微服务实例si,j之间的数据传输率,i的取值为1到n的整数,n为子任务的个数,j和k为正整数,k小于或等于子任务Pi-1中微服务实例的个数,j小于或等于子任务Pi中微服务实例的个数。
9.根据权利要求8所述的微服务路径选择装置,其特征在于,所述预设的路径搜索空间缩减原则包括:
如果子任务是计算主导型子任务,在该子任务包含的微服务实例中,筛选前预设数量个具有最少数据处理时间的微服务实例;
如果子任务是传输主导型子任务,在该子任务包含的微服务实例中,筛选前所述预设数量个具有最少数据传输时间的微服务实例;
如果子任务既不是计算主导型子任务又不是传输主导型子任务,在该子任务包含的微服务实例中,筛选前所述预设数量个具有最少执行时间的微服务实例;
其中,所述计算主导型子任务的数据处理时间和数据传输时间的比值大于或等于第一时间比率阈值,所述传输主导型子任务的数据处理时间和数据传输时间的比值小于或等于第二时间比率阈值。
10.根据权利要求8所述的微服务路径选择装置,其特征在于,所述装置还包括:
数据处理时间模型建立模块,用于将回归函数作为数据处理时间模型,X=(x1,…xm),X表示该子任务中微服务实例的特征向量,m表示数据处理时间模型的特征数,W=(w1,w2,…,wm),W表示该子任务的数据处理时间模型的参数向量;
将获取的该子任务中多个微服务实例的特征向量和每个特征向量对应的数据处理时间输入该子任务的数据处理时间模型,确定该子任务的数据处理时间模型的参数向量W,得到该子任务的数据处理时间模型。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810496770.8A CN108768716B (zh) | 2018-05-22 | 2018-05-22 | 一种微服务路径选择方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810496770.8A CN108768716B (zh) | 2018-05-22 | 2018-05-22 | 一种微服务路径选择方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN108768716A true CN108768716A (zh) | 2018-11-06 |
CN108768716B CN108768716B (zh) | 2019-04-05 |
Family
ID=64008523
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810496770.8A Active CN108768716B (zh) | 2018-05-22 | 2018-05-22 | 一种微服务路径选择方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108768716B (zh) |
Cited By (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109815839A (zh) * | 2018-12-29 | 2019-05-28 | 深圳云天励飞技术有限公司 | 微服务架构下的徘徊人员识别方法及相关产品 |
CN110569584A (zh) * | 2019-08-27 | 2019-12-13 | 中山大学 | 一种基于有向图的云制造服务优选数学模型建立方法 |
CN111884932A (zh) * | 2020-07-06 | 2020-11-03 | 北京奇艺世纪科技有限公司 | 一种链路确定方法、装置、设备和计算机可读存储介质 |
CN111949454A (zh) * | 2019-05-14 | 2020-11-17 | 华为技术有限公司 | 一种基于微服务组件的数据库系统及相关方法 |
CN112153108A (zh) * | 2020-08-14 | 2020-12-29 | 中国科学院电子学研究所苏州研究院 | 一种面向微服务架构的消息传输系统及其方法 |
CN112165649A (zh) * | 2020-08-14 | 2021-01-01 | 咪咕文化科技有限公司 | 音视频处理方法、装置、电子设备及存储介质 |
CN112783673A (zh) * | 2021-01-27 | 2021-05-11 | 广州品唯软件有限公司 | 一种调用链的确定方法、装置、计算机设备及存储介质 |
CN113285857A (zh) * | 2021-07-26 | 2021-08-20 | 之江实验室 | 一种面向物联网异构物体的微服务能力描述方法 |
CN117234882A (zh) * | 2023-09-28 | 2023-12-15 | 哈尔滨工业大学(威海) | 一种在线应用云资源供应软件定义模型构建方法及终端机 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104158753A (zh) * | 2014-06-12 | 2014-11-19 | 南京工程学院 | 基于软件定义网络的动态流调度方法及系统 |
CN106411733A (zh) * | 2016-09-08 | 2017-02-15 | 重庆邮电大学 | 一种基于链路实时负载的sdn动态负载均衡调度方法 |
-
2018
- 2018-05-22 CN CN201810496770.8A patent/CN108768716B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104158753A (zh) * | 2014-06-12 | 2014-11-19 | 南京工程学院 | 基于软件定义网络的动态流调度方法及系统 |
CN106411733A (zh) * | 2016-09-08 | 2017-02-15 | 重庆邮电大学 | 一种基于链路实时负载的sdn动态负载均衡调度方法 |
Non-Patent Citations (2)
Title |
---|
KWONY LEE ET AL: "A Service Path Selection and Adaptation Algorithm in Servive-Oriented Network Virtualization Architecture", 《2013 INTERNATIONAL CONFERENCE ON PARALLEL AND DISTRIBUTED SYSTEM》 * |
林远龙: "软件定义网络中SVC视频层数和路径的联合优化", 《小型微型计算机系统》 * |
Cited By (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109815839A (zh) * | 2018-12-29 | 2019-05-28 | 深圳云天励飞技术有限公司 | 微服务架构下的徘徊人员识别方法及相关产品 |
CN109815839B (zh) * | 2018-12-29 | 2021-10-08 | 深圳云天励飞技术有限公司 | 微服务架构下的徘徊人员识别方法及相关产品 |
CN111949454A (zh) * | 2019-05-14 | 2020-11-17 | 华为技术有限公司 | 一种基于微服务组件的数据库系统及相关方法 |
WO2020228534A1 (zh) * | 2019-05-14 | 2020-11-19 | 华为技术有限公司 | 一种基于微服务组件的数据库系统及相关方法 |
CN111949454B (zh) * | 2019-05-14 | 2022-09-16 | 华为技术有限公司 | 一种基于微服务组件的数据库系统及相关方法 |
CN110569584A (zh) * | 2019-08-27 | 2019-12-13 | 中山大学 | 一种基于有向图的云制造服务优选数学模型建立方法 |
CN111884932A (zh) * | 2020-07-06 | 2020-11-03 | 北京奇艺世纪科技有限公司 | 一种链路确定方法、装置、设备和计算机可读存储介质 |
CN112153108A (zh) * | 2020-08-14 | 2020-12-29 | 中国科学院电子学研究所苏州研究院 | 一种面向微服务架构的消息传输系统及其方法 |
CN112165649A (zh) * | 2020-08-14 | 2021-01-01 | 咪咕文化科技有限公司 | 音视频处理方法、装置、电子设备及存储介质 |
CN112783673A (zh) * | 2021-01-27 | 2021-05-11 | 广州品唯软件有限公司 | 一种调用链的确定方法、装置、计算机设备及存储介质 |
CN113285857A (zh) * | 2021-07-26 | 2021-08-20 | 之江实验室 | 一种面向物联网异构物体的微服务能力描述方法 |
CN113285857B (zh) * | 2021-07-26 | 2021-12-21 | 之江实验室 | 一种面向物联网异构物体的微服务匹配方法 |
CN117234882A (zh) * | 2023-09-28 | 2023-12-15 | 哈尔滨工业大学(威海) | 一种在线应用云资源供应软件定义模型构建方法及终端机 |
CN117234882B (zh) * | 2023-09-28 | 2024-04-16 | 哈尔滨工业大学(威海) | 一种在线应用云资源供应软件定义模型构建方法及终端机 |
Also Published As
Publication number | Publication date |
---|---|
CN108768716B (zh) | 2019-04-05 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108768716B (zh) | 一种微服务路径选择方法及装置 | |
CN1956457B (zh) | 用于安排网格计算系统中的网格作业的方法和设备 | |
Masdari et al. | Efficient task and workflow scheduling in inter-cloud environments: challenges and opportunities | |
CN107404523A (zh) | 云平台自适应资源调度系统和方法 | |
CN107548549A (zh) | 分布式计算环境中的资源平衡 | |
CN107710237A (zh) | 服务器上深度神经网络划分 | |
Ranjan | Modeling and simulation in performance optimization of big data processing frameworks | |
CN113553160A (zh) | 用于人工智能物联网的边缘计算节点任务调度方法及系统 | |
Ding et al. | Kubernetes-oriented microservice placement with dynamic resource allocation | |
CN110149282A (zh) | 流量调度方法和装置 | |
Mousavi Khaneghah et al. | A mathematical multi-dimensional mechanism to improve process migration efficiency in peer-to-peer computing environments | |
Barlaskar et al. | Energy-efficient virtual machine placement using enhanced firefly algorithm | |
He | Cloud computing load balancing mechanism taking into account load balancing ant colony optimization algorithm | |
Yang et al. | Trust-based scheduling strategy for cloud workflow applications | |
Subrahmanyam et al. | Optimizing horizontal scalability in cloud computing using simulated annealing for Internet of Things | |
CN115412401B (zh) | 训练虚拟网络嵌入模型及虚拟网络嵌入的方法和装置 | |
Prado et al. | On providing quality of service in grid computing through multi-objective swarm-based knowledge acquisition in fuzzy schedulers | |
Štefanič et al. | Quality of Service‐aware matchmaking for adaptive microservice‐based applications | |
Azimi et al. | Performance management in clustered edge architectures using particle swarm optimization | |
Wang et al. | Virtual network embedding with pre‐transformation and incentive convergence mechanism | |
Cavallo et al. | A LAHC-based job scheduling strategy to improve big data processing in geo-distributed contexts | |
Reffad et al. | A Dynamic Adaptive Bio-Inspired Multi-Agent System for Healthcare Task Deployment | |
CN114035906A (zh) | 虚拟机迁移方法、装置、电子设备及存储介质 | |
Abdellah et al. | RAP-G: Reliability-aware service placement using genetic algorithm for deep edge computing | |
Ebrahim et al. | Privacy-aware load balancing in fog networks: A reinforcement learning approach |
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 |