CN108965455A - 一种视频容器云的调整方法和系统 - Google Patents

一种视频容器云的调整方法和系统 Download PDF

Info

Publication number
CN108965455A
CN108965455A CN201810865347.0A CN201810865347A CN108965455A CN 108965455 A CN108965455 A CN 108965455A CN 201810865347 A CN201810865347 A CN 201810865347A CN 108965455 A CN108965455 A CN 108965455A
Authority
CN
China
Prior art keywords
video
time interval
process container
objective time
access frequency
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
Application number
CN201810865347.0A
Other languages
English (en)
Other versions
CN108965455B (zh
Inventor
程筱彪
徐雷
贾宝军
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.)
China United Network Communications Group Co Ltd
Original Assignee
China United Network Communications Group Co Ltd
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 China United Network Communications Group Co Ltd filed Critical China United Network Communications Group Co Ltd
Priority to CN201810865347.0A priority Critical patent/CN108965455B/zh
Publication of CN108965455A publication Critical patent/CN108965455A/zh
Application granted granted Critical
Publication of CN108965455B publication Critical patent/CN108965455B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • H04L67/1097—Protocols in which an application is distributed across nodes in the network for distributed storage of data in networks, e.g. transport arrangements for network file system [NFS], storage area networks [SAN] or network attached storage [NAS]
    • 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
    • H04L41/08—Configuration management of networks or network elements
    • H04L41/0803—Configuration setting
    • H04L41/0813—Configuration setting characterised by the conditions triggering a change of settings

Landscapes

  • Engineering & Computer Science (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Signal Processing (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
  • Testing, Inspecting, Measuring Of Stereoscopic Televisions And Televisions (AREA)

Abstract

本发明提供一种视频容器云的调整方法和系统。该方法包括统计在过去的m个相同历史时段，用户访问各个视频的实际访问频率；m≥5，且m为整数；根据实际访问频率预测未来的目标时段各个视频的可能访问频率；目标时段与历史时段为不同时期的相同时段；根据各个视频的可能访问频率计算对所有视频进行处理的总工作量；根据总工作量确定目标时段需要的视频处理容器数量；根据目标时段需要的视频处理容器数量对现有的视频处理容器数量进行调整。该调整方法充分考虑了用户的实际使用情况，从而使该视频容器云的调整更加客观和合理，进而使该视频容器云的调整能够满足市场的实际需求，在保证用户良好观看体验的同时，节省了资源租赁成本和运维成本。

Description

一种视频容器云的调整方法和系统
技术领域
本发明涉及通信技术领域，具体地，涉及一种视频容器云的调整方法和系统。
背景技术
为了提高用户体验，视频服务商在靠近用户端构建边缘节点来提供视频内容，因需要满足客户端各类不同协议的需求，边缘节点需要通过容器集群(即容器云)进行编码、转码、分发等视频处理工作。容器管理平台负责管理容器集群，容器管理平台会将视频处理工作平均分配给容器集群中的各容器，以确保视频处理工作量在容器集群中均衡配置。
为了节省资源租赁成本和运维成本，容器集群中的容器数量需要进行调整。目前容器数量的调整大多以容器集群的资源利用率作为其数量调整的指标。当整个容器集群的一些资源指标超过设定的最高阈值或者低于最低阈值时，进行容器数量的调整，从而尽可能的提高整个容器集群的资源利用率。
现有的容器数量调整方案，只是根据整个容器集群自身的各项指标进行容器数量的调整，而整个容器集群自身的各项指标的阈值大多是固定不变的，未考虑用户的实际使用情况，因此目前的容器数量调整方法不够客观和合理，很可能脱离市场的实际需求。
综上，如何更加客观、更加合理地对容器集群进行调整已经成为目前亟待解决的问题。
发明内容
本发明针对现有技术中存在的上述技术问题，提供一种视频容器云的调整方法和系统。该视频容器云的调整方法充分考虑了用户的实际使用情况，从而使该视频容器云的调整更加客观和合理，进而使该视频容器云的调整能够满足市场的实际需求，在保证用户良好观看体验的同时，节省了资源租赁成本和运维成本。
本发明提供一种视频容器云的调整方法，包括：
统计在过去的m个相同历史时段，用户访问各个视频的实际访问频率；其中，m≥5，且m为整数；
根据所述实际访问频率预测未来的目标时段各个所述视频的可能访问频率；所述目标时段与所述历史时段为不同时期的相同时段；
根据各个所述视频的所述可能访问频率计算对所有所述视频进行处理的总工作量；
根据所述总工作量确定所述目标时段需要的视频处理容器数量；
根据所述目标时段需要的视频处理容器数量对现有的视频处理容器数量进行调整。
优选地，所述过去的m个相同历史时段与所述目标时段为连续的不同时期的相同时段。
优选地，所述根据所述实际访问频率预测未来的目标时段各个所述视频的可能访问频率的预测算法为：
Fn(t)＝αRn(t-1)+α(1-α)Rn(t-2)+α(1-α)2Rn(t-3)+…+α(1-α)m-1Rn(t-m+1)+(1-α)mRn(t-m)；
其中，t为所述目标时段；n为各个所述视频，n＝1，2，3…n；Fn(t)为n视频在所述目标时段的所述可能访问频率；α为平缓常数，且0≤α≤1，α根据公式：
Rn(t-1)＝αRn(t-2)+α(1-α)Rn(t-3)+α(1-α)2Rn(t-4)+…+α(1-α)m-2Rn(t-m+2)+(1-α)m-1Rn(t-m+1)；
计算获得；Rn(t-1)为n视频在所述目标时段前的第1个所述历史时段的所述实际访问频率；Rn(t-2)为n视频在所述目标时段前的第2个所述历史时段的所述实际访问频率；Rn(t-3)为n视频在所述目标时段前的第3个所述历史时段的所述实际访问频率；Rn(t-4)为n视频在所述目标时段前的第4个所述历史时段的所述实际访问频率；Rn(t-m+2)为n视频在所述目标时段前的第m-2个所述历史时段的所述实际访问频率；Rn(t-m+1)为n视频在所述目标时段前的第m-1个所述历史时段的所述实际访问频率；Rn(t-m)为n视频在所述目标时段前的第m个所述历史时段的所述实际访问频率。
优选地，所述根据各个所述视频的所述可能访问频率计算对所有所述视频进行处理的总工作量包括：
根据各个所述视频的所述可能访问频率分别计算对各个所述视频进行处理的各个工作量；
对所述各个工作量求和获得所述总工作量。
优选地，所述根据各个所述视频的所述可能访问频率分别计算对各个所述视频进行处理的各个工作量的计算公式为：
其中，i为各个所述视频的所述可能访问频率；w(i)为对各个所述视频进行处理的所述各个工作量；μ为预设的期望均值；σ为预设的标准差；
所述对所述各个工作量求和获得所述总工作量的计算公式为：
其中，C(t)为所述总工作量；n为所述视频的数量；Fj(t)为各个所述视频的所述可能访问频率；w(Fj(t))为对各个所述视频进行处理的所述各个工作量；μ为预设的期望均值；σ为预设的标准差。
优选地，所述根据所述目标时段需要的视频处理容器数量对现有的视频处理容器数量进行调整包括：
比较所述目标时段需要的视频处理容器数量和所述现有的视频处理容器数量；
当所述目标时段需要的视频处理容器数量大于所述现有的视频处理容器数量时，新建X台视频处理容器；X为所述目标时段需要的视频处理容器数量与所述现有的视频处理容器数量的差；
当所述目标时段需要的视频处理容器数量小于所述现有的视频处理容器数量，且所述现有的视频处理容器数量与所述目标时段需要的视频处理容器数量的差大于设定阈值时，销毁Y台视频处理容器；Y为所述现有的视频处理容器数量与所述目标时段需要的视频处理容器数量的差；
当所述目标时段需要的视频处理容器数量等于所述现有的视频处理容器数量时，保持所述现有的视频处理容器数量不变。
优选地，按照设定周期对所述视频容器云进行周期性调整。
本发明还提供一种视频容器云的调整系统，包括：
统计模块，用于统计在过去的m个相同历史时段，用户访问各个视频的实际访问频率；其中，m≥5，且m为整数；
预测模块，用于根据所述实际访问频率预测未来的目标时段各个所述视频的可能访问频率；所述目标时段与所述历史时段为不同时期的相同时段；
计算模块，用于根据各个所述视频的所述可能访问频率计算对所有所述视频进行处理的总工作量；
确定模块，用于根据所述总工作量确定所述目标时段需要的视频处理容器数量；
调整模块，用于根据所述目标时段需要的视频处理容器数量对现有的视频处理容器数量进行调整。
优选地，所述过去的m个相同历史时段与所述目标时段为连续的不同时期的相同时段。
优选地，所述预测模块的预测算法为：
Fn(t)＝αRn(t-1)+α(1-α)Rn(t-2)+α(1-α)2Rn(t-3)+…+α(1-α)m-1Rn(t-m+1)+(1-α)mRn(t-m)；
其中，t为所述目标时段；n为各个所述视频，n＝1，2，3…n；Fn(t)为n视频在所述目标时段的所述可能访问频率；α为平缓常数，且0≤α≤1，α根据公式：
Rn(t-1)＝αRn(t-2)+α(1-α)Rn(t-3)+α(1-α)2Rn(t-4)+…+α(1-α)m-2Rn(t-m+2)+(1-α)m-1Rn(t-m+1)；
计算获得；Rn(t-1)为n视频在所述目标时段前的第1个所述历史时段的所述实际访问频率；Rn(t-2)为n视频在所述目标时段前的第2个所述历史时段的所述实际访问频率；Rn(t-3)为n视频在所述目标时段前的第3个所述历史时段的所述实际访问频率；Rn(t-4)为n视频在所述目标时段前的第4个所述历史时段的所述实际访问频率；Rn(t-m+2)为n视频在所述目标时段前的第m-2个所述历史时段的所述实际访问频率；Rn(t-m+1)为n视频在所述目标时段前的第m-1个所述历史时段的所述实际访问频率；Rn(t-m)为n视频在所述目标时段前的第m个所述历史时段的所述实际访问频率。
优选地，所述计算模块包括：
第一计算单元，用于根据各个所述视频的所述可能访问频率分别计算对各个所述视频进行处理的各个工作量；
第二计算单元，用于对所述各个工作量求和获得所述总工作量。
优选地，所述第一计算单元的计算公式为：
其中，i为各个所述视频的所述可能访问频率；w(i)为对各个所述视频进行处理的所述各个工作量；μ为预设的期望均值；σ为预设的标准差；
所述第二计算单元的计算公式为：
其中，C(t)为所述总工作量；n为所述视频的数量；Fj(t)为各个所述视频的所述可能访问频率；w(Fj(t))为对各个所述视频进行处理的所述各个工作量；μ为预设的期望均值；σ为预设的标准差。
优选地，所述调整模块包括：
比较单元，用于比较所述目标时段需要的视频处理容器数量和所述现有的视频处理容器数量；
调整单元，用于在所述比较单元的比较结果为所述目标时段需要的视频处理容器数量大于所述现有的视频处理容器数量时，新建X台视频处理容器；X为所述目标时段需要的视频处理容器数量与所述现有的视频处理容器数量的差；还用于在所述比较单元的比较结果为所述目标时段需要的视频处理容器数量小于所述现有的视频处理容器数量，且所述现有的视频处理容器数量与所述目标时段需要的视频处理容器数量的差大于设定阈值时，销毁Y台视频处理容器；Y为所述现有的视频处理容器数量与所述目标时段需要的视频处理容器数量的差；还用于在所述比较单元的比较结果为所述目标时段需要的视频处理容器数量等于所述现有的视频处理容器数量时，保持所述现有的视频处理容器数量不变。
优选地，所述调整系统用于按照设定周期对所述视频容器云进行周期性调整。
本发明的有益效果：本发明所提供的视频容器云的调整方法和系统，通过以过去多个同时段用户实际访问各视频的频率为依据，预测目标时段用户访问各视频的可能访问频率，并据此计算视频容器云的总工作量，根据视频容器云的总工作量对目标时段的视频容器云进行调整，使该视频容器云的调整方法充分考虑了用户的实际使用情况，从而使该视频容器云的调整更加客观和合理，进而使该视频容器云的调整能够满足市场的实际需求，在保证用户良好观看体验的同时，节省了资源租赁成本和运维成本。
附图说明
图1为本发明实施例1中视频容器云的调整方法的流程图；
图2为本发明实施例2中视频容器云的调整方法的流程图；
图3为本发明实施例3中视频容器云的调整系统的原理框图。
其中的附图标记说明：
1.统计模块；2.预测模块；3.计算模块；31.第一计算单元；32.第二计算单元；4.确定模块；5.调整模块；51.比较单元；52.调整单元。
具体实施方式
为使本领域的技术人员更好地理解本发明的技术方案，下面结合附图和具体实施方式对本发明所提供的一种视频容器云的调整方法和系统作进一步详细描述。
实施例1：
本实施例提供一种视频容器云的调整方法，如图1所示，包括：
步骤S10：统计在过去的m个相同历史时段，用户访问各个视频的实际访问频率。其中，m≥5，且m为整数。
其中，过去的m个相同历史时段，如：过去30天中每天的12点到14点的时段，即m＝30。需要说明的是，过去的30天可以是连续的30天，也可以是不连续的30天。
步骤S11：根据实际访问频率预测未来的目标时段各个视频的可能访问频率。目标时段与历史时段为不同时期的相同时段。
该步骤中，目标时段是指还未到来的一个时段。目标时段与历史时段为不同时期的相同时段，如：目标时段与历史时段为不同日子里的12点到14点的时段。
需要说明的是，步骤S10中m的数值越大，步骤S11中可能访问频率的预测结果越精确。
步骤S12：根据各个视频的可能访问频率计算对所有视频进行处理的总工作量。
步骤S13：根据总工作量确定目标时段需要的视频处理容器数量。
步骤S14：根据目标时段需要的视频处理容器数量对现有的视频处理容器数量进行调整。
该视频容器云的调整方法，通过以过去多个同时段用户实际访问各视频的频率为依据，预测目标时段用户访问各视频的可能访问频率，并据此计算视频容器云的总工作量，根据视频容器云的总工作量对目标时段的视频容器云进行调整，使该视频容器云的调整方法充分考虑了用户的实际使用情况，从而使该视频容器云的调整更加客观和合理，进而使该视频容器云的调整能够满足市场的实际需求，在保证用户良好观看体验的同时，节省了资源租赁成本和运维成本。
实施例2：
本实施例提供一种视频容器云的调整方法，如图2所示，包括：
步骤S10：统计在过去的m个相同历史时段，用户访问各个视频的实际访问频率。其中，m≥5，且m为整数。
其中，过去的m个相同历史时段，如：过去30天中每天的12点到14点的时段，即m＝30。需要说明的是，过去的30天可以是连续的30天，也可以是不连续的30天。优选的，本实施例中，过去的30天是连续的30天。
步骤S11：根据实际访问频率预测未来的目标时段各个视频的可能访问频率。目标时段与历史时段为不同时期的相同时段。
该步骤中，目标时段是指还未到来的一个时段。目标时段与历史时段为不同时期的相同时段，如：目标时段与历史时段为不同日子里的12点到14点的时段。
优选的，本实施例中，过去的m个相同历史时段与目标时段为连续的不同时期的相同时段，如：过去的30天与未来的一天是连续的日子，本实施例中，根据过去30天每天的12点到14点时段各视频的实际访问频率预测未来一天12点到14点时段各视频的可能访问频率。
该步骤中的预测算法为：
Fn(t)＝αRn(t-1)+α(1-α)Rn(t-2)+α(1-α)2Rn(t-3)+…+α(1-α)m-1Rn(t-m+1)+(1-α)mRn(t-m)；
其中，t为目标时段；n为各个视频，n＝1，2，3…n；Fn(t)为n视频在目标时段的可能访问频率；α为平缓常数，且0≤α≤1，α根据公式：
Rn(t-1)＝αRn(t-2)+α(1-α)Rn(t-3)+α(1-α)2Rn(t-4)+…+α(1-α)m-2Rn(t-m+2)+(1-α)m-1Rn(t-m+1)；
计算获得；Rn(t-1)为n视频在目标时段前的第1个历史时段的实际访问频率；Rn(t-2)为n视频在目标时段前的第2个历史时段的实际访问频率；Rn(t-3)为n视频在目标时段前的第3个历史时段的实际访问频率；Rn(t-4)为n视频在目标时段前的第4个历史时段的实际访问频率；Rn(t-m+2)为n视频在目标时段前的第m-2个历史时段的实际访问频率；Rn(t-m+1)为n视频在目标时段前的第m-1个历史时段的实际访问频率；Rn(t-m)为n视频在目标时段前的第m个历史时段的实际访问频率。
该预测算法以过去多个相同时段用户实际访问各视频的实际访问频率为依据，预测目标时段用户访问各视频的可能访问频率，使该视频容器云的调整方法充分考虑了用户的实际使用情况，从而使该视频容器云的调整更加客观和合理。
需要说明的是，步骤S10中m的数值越大，步骤S11中可能访问频率的预测结果越精确。
步骤S12：根据各个视频的可能访问频率计算对所有视频进行处理的总工作量。
该步骤具体包括：
步骤S120：根据各个视频的可能访问频率分别计算对各个视频进行处理的各个工作量。
其中，各个工作量的计算公式为：
其中，i为各个视频的可能访问频率；w(i)为对各个视频进行处理的各个工作量；μ为预设的期望均值；σ为预设的标准差。其中，μ和σ均为定值。
步骤S121：对各个工作量求和获得总工作量。
其中，总工作量的计算公式为：
其中，C(t)为总工作量；n为视频的数量；Fj(t)为各个视频的可能访问频率；w(Fj(t))为对各个视频进行处理的各个工作量；μ为预设的期望均值；σ为预设的标准差。其中，μ和σ均为定值。
步骤S13：根据总工作量确定目标时段需要的视频处理容器数量。
该步骤中，预设每台容器的处理能力为p，则目标时段需要的视频处理容器数量为N＝C(t)/p。
步骤S14：根据目标时段需要的视频处理容器数量对现有的视频处理容器数量进行调整。
该步骤具体包括：
步骤S140：比较目标时段需要的视频处理容器数量和现有的视频处理容器数量。假设目标时段需要的视频处理容器数量为N，现有的视频处理容器数量为M。
当目标时段需要的视频处理容器数量大于现有的视频处理容器数量时，即N＞M时，执行步骤S141：新建X台视频处理容器；X为目标时段需要的视频处理容器数量与现有的视频处理容器数量的差，即X＝N-M。
当目标时段需要的视频处理容器数量小于现有的视频处理容器数量(即N＜M)，且现有的视频处理容器数量与目标时段需要的视频处理容器数量的差大于设定阈值(即M-N＞设定阈值)时，执行步骤S142：销毁Y台视频处理容器；Y为现有的视频处理容器数量与目标时段需要的视频处理容器数量的差，即Y＝M-N。
其中，设定阈值优选为5，该设定阈值能够避免过于频繁的销毁容器操作增加该调整方法的运行负担。
当目标时段需要的视频处理容器数量等于现有的视频处理容器数量时，即N＝M时，执行步骤S143：保持现有的视频处理容器数量不变。
通过步骤S12-步骤S14，能使该视频容器云的调整结果更加客观和合理，从而使该调整方法能够满足市场的实际需求，在保证用户良好观看体验的同时，节省了资源租赁成本和运维成本。
本实施例中，优选的，按照设定周期对视频容器云进行周期性调整，即按照设定周期执行步骤S10-步骤S14。如此能够实现视频容器云的动态调整，从而实现对视频容器云的及时调整，以便及时地对资源租赁成本和运维成本进行调整，进而使该调整方法能进一步满足市场的实际需求。
如：该设定周期为两个小时，即每间隔两个小时，执行一次上述视频容器云的调整方法，即在未来的一天，每隔两个小时的12点到14点的时段依次设置为目标时段，按照设定周期依次对每个目标时段的视频容器云进行动态调整。
实施例1-2的有益效果：实施例1-2所提供的视频容器云的调整方法，通过以过去多个同时段用户实际访问各视频的频率为依据，预测目标时段用户访问各视频的可能访问频率，并据此计算视频容器云的总工作量，根据视频容器云的总工作量对目标时段的视频容器云进行调整，使该视频容器云的调整方法充分考虑了用户的实际使用情况，从而使该视频容器云的调整更加客观和合理，进而使该视频容器云的调整能够满足市场的实际需求，在保证用户良好观看体验的同时，节省了资源租赁成本和运维成本。
实施例3：
基于实施例2中所提供的视频容器云的调整方法，本实施例提供一种视频容器云的调整系统，如图3所示，包括：统计模块1，用于统计在过去的m个相同历史时段，用户访问各个视频的实际访问频率。其中，m≥5，且m为整数。预测模块2，用于根据实际访问频率预测未来的目标时段各个视频的可能访问频率。目标时段与历史时段为不同时期的相同时段。计算模块3，用于根据各个视频的可能访问频率计算对所有视频进行处理的总工作量。确定模块4，用于根据总工作量确定目标时段需要的视频处理容器数量。调整模块5，用于根据目标时段需要的视频处理容器数量对现有的视频处理容器数量进行调整。
该调整系统通过设置统计模块1和预测模块2，能以过去多个同时段用户实际访问各视频的频率为依据，预测目标时段用户访问各视频的可能访问频率，从而使该调整系统对视频容器云的调整更加客观和合理。
其中，优选的，过去的m个相同历史时段与目标时段为连续的不同时期的相同时段。
本实施例中，预测模块2的预测算法为：
Fn(t)＝αRn(t-1)+α(1-α)Rn(t-2)+α(1-α)2Rn(t-3)+…+α(1-α)m-1Rn(t-m+1)+(1-α)mRn(t-m)；
其中，t为目标时段；n为各个视频，n＝1，2，3…n；Fn(t)为n视频在目标时段的可能访问频率；α为平缓常数，且0≤α≤1，α根据公式：
Rn(t-1)＝αRn(t-2)+α(1-α)Rn(t-3)+α(1-α)2Rn(t-4)+…+α(1-α)m-2Rn(t-m+2)+(1-α)m-1Rn(t-m+1)；
计算获得；Rn(t-1)为n视频在目标时段前的第1个历史时段的实际访问频率；Rn(t-2)为n视频在目标时段前的第2个历史时段的实际访问频率；Rn(t-3)为n视频在目标时段前的第3个历史时段的实际访问频率；Rn(t-4)为n视频在目标时段前的第4个历史时段的实际访问频率；Rn(t-m+2)为n视频在目标时段前的第m-2个历史时段的实际访问频率；Rn(t-m+1)为n视频在目标时段前的第m-1个历史时段的实际访问频率；Rn(t-m)为n视频在目标时段前的第m个历史时段的实际访问频率。
本实施例中，计算模块3包括：第一计算单元31，用于根据各个视频的可能访问频率分别计算对各个视频进行处理的各个工作量。第二计算单元32，用于对各个工作量求和获得总工作量。
其中，第一计算单元31的计算公式为：
其中，i为各个视频的可能访问频率；w(i)为对各个视频进行处理的各个工作量；μ为预设的期望均值；σ为预设的标准差。
第二计算单元32的计算公式为：
其中，C(t)为总工作量；n为视频的数量；Fj(t)为各个视频的可能访问频率；w(Fj(t))为对各个视频进行处理的各个工作量；μ为预设的期望均值；σ为预设的标准差。
本实施例中，调整模块5包括：比较单元51，用于比较目标时段需要的视频处理容器数量和现有的视频处理容器数量。调整单元52，用于在比较单元51的比较结果为目标时段需要的视频处理容器数量大于现有的视频处理容器数量时，新建X台视频处理容器；X为目标时段需要的视频处理容器数量与现有的视频处理容器数量的差；还用于在比较单元51的比较结果为目标时段需要的视频处理容器数量小于现有的视频处理容器数量，且现有的视频处理容器数量与目标时段需要的视频处理容器数量的差大于设定阈值时，销毁Y台视频处理容器；Y为现有的视频处理容器数量与目标时段需要的视频处理容器数量的差；还用于在比较单元51的比较结果为目标时段需要的视频处理容器数量等于现有的视频处理容器数量时，保持现有的视频处理容器数量不变。
本实施例中，优选的，调整系统用于按照设定周期对视频容器云进行周期性调整。如此能使该调整系统实现视频容器云的动态调整，从而实现对视频容器云的及时调整，以便及时地对资源租赁成本和运维成本进行调整，进而使该调整系统能进一步满足市场的实际需求。
实施例3的有益效果：实施例3中所提供的视频容器云的调整系统，通过设置统计模块、预测模块、计算模块、确定模块和调整模块，能以过去多个同时段用户实际访问各视频的频率为依据，预测目标时段用户访问各视频的可能访问频率，并据此计算视频容器云的总工作量，根据视频容器云的总工作量对目标时段的视频容器云进行调整，使该视频容器云的调整系统充分考虑了用户的实际使用情况，从而使该视频容器云的调整更加客观和合理，进而使该视频容器云的调整能够满足市场的实际需求，在保证用户良好观看体验的同时，节省了资源租赁成本和运维成本。
可以理解的是，以上实施方式仅仅是为了说明本发明的原理而采用的示例性实施方式，然而本发明并不局限于此。对于本领域内的普通技术人员而言，在不脱离本发明的精神和实质的情况下，可以做出各种变型和改进，这些变型和改进也视为本发明的保护范围。

Claims (14)

1.一种视频容器云的调整方法，其特征在于，包括：
统计在过去的m个相同历史时段，用户访问各个视频的实际访问频率；其中，m≥5，且m为整数；
根据所述实际访问频率预测未来的目标时段各个所述视频的可能访问频率；所述目标时段与所述历史时段为不同时期的相同时段；
根据各个所述视频的所述可能访问频率计算对所有所述视频进行处理的总工作量；
根据所述总工作量确定所述目标时段需要的视频处理容器数量；
根据所述目标时段需要的视频处理容器数量对现有的视频处理容器数量进行调整。
2.根据权利要求1所述的调整方法，其特征在于，所述过去的m个相同历史时段与所述目标时段为连续的不同时期的相同时段。
3.根据权利要求2所述的调整方法，其特征在于，所述根据所述实际访问频率预测未来的目标时段各个所述视频的可能访问频率的预测算法为：
Fn(t)＝αRn(t-1)+α(1-α)Rn(t-2)+α(1-α)2Rn(t-3)+…+α(1-α)m-1Rn(t-m+1)+(1-α)mRn(t-m)；
其中，t为所述目标时段；n为各个所述视频，n＝1，2，3…n；Fn(t)为n视频在所述目标时段的所述可能访问频率；α为平缓常数，且0≤α≤1，α根据公式：
Rn(t-1)＝αRn(t-2)+α(1-α)Rn(t-3)+α(1-α)2Rn(t-4)+…+α(1-α)m-2Rn(t-m+2)+(1-α)m- 1Rn(t-m+1)；
计算获得；Rn(t-1)为n视频在所述目标时段前的第1个所述历史时段的所述实际访问频率；Rn(t-2)为n视频在所述目标时段前的第2个所述历史时段的所述实际访问频率；Rn(t-3)为n视频在所述目标时段前的第3个所述历史时段的所述实际访问频率；Rn(t-4)为n视频在所述目标时段前的第4个所述历史时段的所述实际访问频率；Rn(t-m+2)为n视频在所述目标时段前的第m-2个所述历史时段的所述实际访问频率；Rn(t-m+1)为n视频在所述目标时段前的第m-1个所述历史时段的所述实际访问频率；Rn(t-m)为n视频在所述目标时段前的第m个所述历史时段的所述实际访问频率。
4.根据权利要求1所述的调整方法，其特征在于，所述根据各个所述视频的所述可能访问频率计算对所有所述视频进行处理的总工作量包括：
根据各个所述视频的所述可能访问频率分别计算对各个所述视频进行处理的各个工作量；
对所述各个工作量求和获得所述总工作量。
5.根据权利要求4所述的调整方法，其特征在于，所述根据各个所述视频的所述可能访问频率分别计算对各个所述视频进行处理的各个工作量的计算公式为：
其中，i为各个所述视频的所述可能访问频率；w(i)为对各个所述视频进行处理的所述各个工作量；μ为预设的期望均值；σ为预设的标准差；
所述对所述各个工作量求和获得所述总工作量的计算公式为：
其中，C(t)为所述总工作量；n为所述视频的数量；Fj(t)为各个所述视频的所述可能访问频率；w(Fj(t))为对各个所述视频进行处理的所述各个工作量；μ为预设的期望均值；σ为预设的标准差。
6.根据权利要求1所述的调整方法，其特征在于，所述根据所述目标时段需要的视频处理容器数量对现有的视频处理容器数量进行调整包括：
比较所述目标时段需要的视频处理容器数量和所述现有的视频处理容器数量；
当所述目标时段需要的视频处理容器数量大于所述现有的视频处理容器数量时，新建X台视频处理容器；X为所述目标时段需要的视频处理容器数量与所述现有的视频处理容器数量的差；
当所述目标时段需要的视频处理容器数量小于所述现有的视频处理容器数量，且所述现有的视频处理容器数量与所述目标时段需要的视频处理容器数量的差大于设定阈值时，销毁Y台视频处理容器；Y为所述现有的视频处理容器数量与所述目标时段需要的视频处理容器数量的差；
当所述目标时段需要的视频处理容器数量等于所述现有的视频处理容器数量时，保持所述现有的视频处理容器数量不变。
7.根据权利要求1-6任一所述的调整方法，其特征在于，按照设定周期对所述视频容器云进行周期性调整。
8.一种视频容器云的调整系统，其特征在于，包括：
统计模块，用于统计在过去的m个相同历史时段，用户访问各个视频的实际访问频率；其中，m≥5，且m为整数；
预测模块，用于根据所述实际访问频率预测未来的目标时段各个所述视频的可能访问频率；所述目标时段与所述历史时段为不同时期的相同时段；
计算模块，用于根据各个所述视频的所述可能访问频率计算对所有所述视频进行处理的总工作量；
确定模块，用于根据所述总工作量确定所述目标时段需要的视频处理容器数量；
调整模块，用于根据所述目标时段需要的视频处理容器数量对现有的视频处理容器数量进行调整。
9.根据权利要求8所述的调整系统，其特征在于，所述过去的m个相同历史时段与所述目标时段为连续的不同时期的相同时段。
10.根据权利要求9所述的调整系统，其特征在于，所述预测模块的预测算法为：
Fn(t)＝αRn(t-1)+α(1-α)Rn(t-2)+α(1-α)2Rn(t-3)+…+α(1-α)m-1Rn(t-m+1)+(1-α)mRn(t-m)；
其中，t为所述目标时段；n为各个所述视频，n＝1，2，3…n；Fn(t)为n视频在所述目标时段的所述可能访问频率；α为平缓常数，且0≤α≤1，α根据公式：
Rn(t-1)＝αRn(t-2)+α(1-α)Rn(t-3)+α(1-α)2Rn(t-4)+…+α(1-α)m-2Rn(t-m+2)+(1-α)m- 1Rn(t-m+1)；
计算获得；Rn(t-1)为n视频在所述目标时段前的第1个所述历史时段的所述实际访问频率；Rn(t-2)为n视频在所述目标时段前的第2个所述历史时段的所述实际访问频率；Rn(t-3)为n视频在所述目标时段前的第3个所述历史时段的所述实际访问频率；Rn(t-4)为n视频在所述目标时段前的第4个所述历史时段的所述实际访问频率；Rn(t-m+2)为n视频在所述目标时段前的第m-2个所述历史时段的所述实际访问频率；Rn(t-m+1)为n视频在所述目标时段前的第m-1个所述历史时段的所述实际访问频率；Rn(t-m)为n视频在所述目标时段前的第m个所述历史时段的所述实际访问频率。
11.根据权利要求8所述的调整系统，其特征在于，所述计算模块包括：
第一计算单元，用于根据各个所述视频的所述可能访问频率分别计算对各个所述视频进行处理的各个工作量；
第二计算单元，用于对所述各个工作量求和获得所述总工作量。
12.根据权利要求11所述的调整系统，其特征在于，所述第一计算单元的计算公式为：
其中，i为各个所述视频的所述可能访问频率；w(i)为对各个所述视频进行处理的所述各个工作量；μ为预设的期望均值；σ为预设的标准差；
所述第二计算单元的计算公式为：
其中，C(t)为所述总工作量；n为所述视频的数量；Fj(t)为各个所述视频的所述可能访问频率；w(Fj(t))为对各个所述视频进行处理的所述各个工作量；μ为预设的期望均值；σ为预设的标准差。
13.根据权利要求8所述的调整系统，其特征在于，所述调整模块包括：
比较单元，用于比较所述目标时段需要的视频处理容器数量和所述现有的视频处理容器数量；
调整单元，用于在所述比较单元的比较结果为所述目标时段需要的视频处理容器数量大于所述现有的视频处理容器数量时，新建X台视频处理容器；X为所述目标时段需要的视频处理容器数量与所述现有的视频处理容器数量的差；还用于在所述比较单元的比较结果为所述目标时段需要的视频处理容器数量小于所述现有的视频处理容器数量，且所述现有的视频处理容器数量与所述目标时段需要的视频处理容器数量的差大于设定阈值时，销毁Y台视频处理容器；Y为所述现有的视频处理容器数量与所述目标时段需要的视频处理容器数量的差；还用于在所述比较单元的比较结果为所述目标时段需要的视频处理容器数量等于所述现有的视频处理容器数量时，保持所述现有的视频处理容器数量不变。
14.根据权利要求8-13任一所述的调整系统，其特征在于，所述调整系统用于按照设定周期对所述视频容器云进行周期性调整。
CN201810865347.0A 2018-08-01 2018-08-01 一种视频容器云的调整方法和系统 Active CN108965455B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201810865347.0A CN108965455B (zh) 2018-08-01 2018-08-01 一种视频容器云的调整方法和系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201810865347.0A CN108965455B (zh) 2018-08-01 2018-08-01 一种视频容器云的调整方法和系统

Publications (2)

Publication Number Publication Date
CN108965455A true CN108965455A (zh) 2018-12-07
CN108965455B CN108965455B (zh) 2021-07-27

Family

ID=64466678

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201810865347.0A Active CN108965455B (zh) 2018-08-01 2018-08-01 一种视频容器云的调整方法和系统

Country Status (1)

Country Link
CN (1) CN108965455B (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111274530A (zh) * 2020-01-19 2020-06-12 北京理工大学 一种容器云资源的预测方法

Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103856346A (zh) * 2012-12-06 2014-06-11 深圳市腾讯计算机系统有限公司 节点调度方法、装置和系统
CN104093197A (zh) * 2014-07-17 2014-10-08 中国联合网络通信集团有限公司 一种移动互联网中的设备节能方法及系统
CN104111900A (zh) * 2013-04-22 2014-10-22 中国移动通信集团公司 一种缓存中数据替换方法及装置
CN104768022A (zh) * 2014-12-31 2015-07-08 安科智慧城市技术（中国）有限公司 一种视频转码系统的资源调度方法及装置
CN104778271A (zh) * 2015-04-24 2015-07-15 无锡天脉聚源传媒科技有限公司 一种视频数据的缓存方法及装置
CN106209967A (zh) * 2016-06-16 2016-12-07 北京邮电大学 一种视频监控云资源预测方法及系统
CN106357559A (zh) * 2016-09-21 2017-01-25 东软集团股份有限公司 带宽分配的方法及装置
CN106411947A (zh) * 2016-11-24 2017-02-15 广州华多网络科技有限公司 一种实时阈值自适应流量预警方法及装置
CN107563514A (zh) * 2017-09-25 2018-01-09 郑州云海信息技术有限公司 一种预测数据访问频率的方法及装置
CN107770259A (zh) * 2017-09-30 2018-03-06 武汉理工大学 基于文件热度和节点负载的副本数量动态调整方法

Patent Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103856346A (zh) * 2012-12-06 2014-06-11 深圳市腾讯计算机系统有限公司 节点调度方法、装置和系统
CN104111900A (zh) * 2013-04-22 2014-10-22 中国移动通信集团公司 一种缓存中数据替换方法及装置
CN104093197A (zh) * 2014-07-17 2014-10-08 中国联合网络通信集团有限公司 一种移动互联网中的设备节能方法及系统
CN104768022A (zh) * 2014-12-31 2015-07-08 安科智慧城市技术（中国）有限公司 一种视频转码系统的资源调度方法及装置
CN104778271A (zh) * 2015-04-24 2015-07-15 无锡天脉聚源传媒科技有限公司 一种视频数据的缓存方法及装置
CN106209967A (zh) * 2016-06-16 2016-12-07 北京邮电大学 一种视频监控云资源预测方法及系统
CN106357559A (zh) * 2016-09-21 2017-01-25 东软集团股份有限公司 带宽分配的方法及装置
CN106411947A (zh) * 2016-11-24 2017-02-15 广州华多网络科技有限公司 一种实时阈值自适应流量预警方法及装置
CN107563514A (zh) * 2017-09-25 2018-01-09 郑州云海信息技术有限公司 一种预测数据访问频率的方法及装置
CN107770259A (zh) * 2017-09-30 2018-03-06 武汉理工大学 基于文件热度和节点负载的副本数量动态调整方法

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111274530A (zh) * 2020-01-19 2020-06-12 北京理工大学 一种容器云资源的预测方法
CN111274530B (zh) * 2020-01-19 2021-12-31 北京理工大学 一种容器云资源的预测方法

Also Published As

Publication number Publication date
CN108965455B (zh) 2021-07-27

Similar Documents

Publication Publication Date Title
CN106713029B (zh) 一种确定资源监控阈值的方法及装置
US8250581B1 (en) Allocating computer resources to candidate recipient computer workloads according to expected marginal utilities
CN105205297B (zh) 一种基于时间序列的业务预测方法及系统
US10761897B2 (en) Predictive model-based intelligent system for automatically scaling and managing provisioned computing resources
CN108038040A (zh) 计算机集群性能指标检测方法、电子设备及存储介质
CN109787915B (zh) 网络访问的流量控制方法、装置、电子设备及存储介质
CN106464733B (zh) 一种调整云计算中虚拟资源的方法及装置
CN110826847A (zh) 移动应急电源调度方法、装置和计算机设备
Campos et al. Real-time energy optimization of irrigation scheduling by parallel multi-objective genetic algorithms
CN117318050B (zh) 一种融合5g短共享的虚拟电厂负荷数据预测方法
CN103810538A (zh) 售电量分配方法和装置
Li et al. Irrigation Water Allocation Using an Inexact Two‐Stage Quadratic Programming with Fuzzy Input under Climate Change
Da Silva et al. A clustering approach for sampling data streams in sensor networks
CN108965455A (zh) 一种视频容器云的调整方法和系统
Wang et al. Multi-objective optimization for a hospital inpatient flow process via discrete event simulation
CN111832971A (zh) 一种负荷需求响应潜力不确定性的量化方法、装置和设备
CN113835626B (zh) 一种确定磁盘可使用时长的方法及装置
CN114218036A (zh) 一种资源分配方法和装置
CN117061367B (zh) Cdn节点带宽引导方法、装置、电子设备和存储介质
CN111800807A (zh) 一种基站用户数量告警的方法及装置
Portela et al. Disaggregation modelling of annual flows into daily streamflows using a new approach of the method of fragments
Kumaran et al. On approximating lead time demand distributions using the generalised λ-type distribution
CN112817721A (zh) 基于人工智能的任务调度方法、装置、计算机设备和介质
JP2018055650A (ja) 電力需要予測システム、電力需要予測方法及び電力需要予測プログラム
CN106302830B (zh) 云数据中心的请求调度方法和装置

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant