CN109189548A - 资源调度方法、装置、计算机设备及计算机可读存储介质 - Google Patents

资源调度方法、装置、计算机设备及计算机可读存储介质 Download PDF

Info

Publication number
CN109189548A
CN109189548A CN201810866431.4A CN201810866431A CN109189548A CN 109189548 A CN109189548 A CN 109189548A CN 201810866431 A CN201810866431 A CN 201810866431A CN 109189548 A CN109189548 A CN 109189548A
Authority
CN
China
Prior art keywords
sample
business
resource
detected
data
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
CN201810866431.4A
Other languages
English (en)
Other versions
CN109189548B (zh
Inventor
易仁杰
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.)
Ping An Technology Shenzhen Co Ltd
Original Assignee
Ping An Technology Shenzhen 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 Ping An Technology Shenzhen Co Ltd filed Critical Ping An Technology Shenzhen Co Ltd
Priority to CN201810866431.4A priority Critical patent/CN109189548B/zh
Priority to PCT/CN2018/111117 priority patent/WO2020024443A1/zh
Publication of CN109189548A publication Critical patent/CN109189548A/zh
Application granted granted Critical
Publication of CN109189548B publication Critical patent/CN109189548B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • 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
    • G06F9/44—Arrangements for executing specific programs
    • G06F9/455—Emulation; Interpretation; Software simulation, e.g. virtualisation or emulation of application or operating system execution engines
    • G06F9/45533—Hypervisors; Virtual machine monitors
    • G06F9/45558—Hypervisor-specific management and integration aspects
    • 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
    • G06F9/48—Program initiating; Program switching, e.g. by interrupt
    • G06F9/4806—Task transfer initiation or dispatching
    • G06F9/4843—Task transfer initiation or dispatching by program, e.g. task dispatcher, supervisor, operating system
    • G06F9/4881—Scheduling strategies for dispatcher, e.g. round robin, multi-level priority queues
    • 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
    • G06F9/44—Arrangements for executing specific programs
    • G06F9/455—Emulation; Interpretation; Software simulation, e.g. virtualisation or emulation of application or operating system execution engines
    • G06F9/45533—Hypervisors; Virtual machine monitors
    • G06F9/45558—Hypervisor-specific management and integration aspects
    • G06F2009/4557—Distribution of virtual machine instances; Migration and load balancing
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
    • Y02D10/00—Energy efficient computing, e.g. low power processors, power management or thermal management

Landscapes

  • Engineering & Computer Science (AREA)
  • Software Systems (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Data Exchanges In Wide-Area Networks (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明公开了一种资源调度方法、装置、计算机设备及计算机可读存储介质，涉及互联网技术领域，可以根据待检测业务的统计数据确定目标样本模型，并根据目标样本模型对应的目标资源调度模板对待检测业务进行资源的调度，无需工作人员根据待检测业务进行评估，降低了咨询成本，节省了大量人力，智能性较好。所述方法包括：对虚拟机中的待检测业务进行统计，得到统计数据；获取建模仓库，基于统计数据，在建模仓库中确定目标样本模型，建模仓库包括至少一个样本模型；确定目标样本模型对应的目标资源调度模板，基于目标资源调度模板，为待检测业务进行资源调度。

Description

资源调度方法、装置、计算机设备及计算机可读存储介质
技术领域
本发明涉及互联网技术领域，特别是涉及一种资源调度方法、装置、计算机设备及计算机可读存储介质。
背景技术
在云计算时代，虚拟机通过服务的形式向用户提供各种业务，公网的用户需要通过公网IP(Internet Protocol，网络之间互连的协议)才能对虚拟机进行访问。由于云计算服务商提供的虚拟机都需要经过防火墙的隔离，因此，为了使用户可以正常使用虚拟机提供的服务器，云计算服务商为用户提供公网IP，并在虚拟机中配置内网IP，通过防火墙配置公网IP与内网IP的映射关系，当用户通过公网IP访问虚拟机时，防火墙把连接转发到对应的虚拟机上，并为该虚拟机分配资源，从而为使用户可以对资源进行利用。
相关技术中，由于云平台中有两种计费方式，分别为流量计费和带宽计费，采用哪种计费方式进行计费需要用户根据资源的调度情况及使用情况进行选择，从而使云平台可以根据用户的选择，为用户调度其所需资源量的资源，基于为用户调度的资源为用户提供服务，并采用用户选择的计费方式对用户使用的资源进行计费。
在实现本发明的过程中，发明人发现相关技术至少存在以下问题：
用户的业务在使用资源进行工作的过程中其资源的使用情况并不是透明的，用户无法及时获知资源的流量及带宽情况，云平台的工作人员需要协助用户确定采用哪种计费方式以及如何进行资源调度，提高了咨询成本，浪费大量人力，智能性较差。
发明内容
有鉴于此，本发明提供了一种资源调度方法、装置、计算机设备及计算机可读存储介质，主要目的在于解决目前云平台的工作人员需要协助用户确定采用哪种计费方式以及如何进行资源调度，提高了咨询成本，浪费大量人力，智能性较差的问题。
依据本发明第一方面，提供了一种资源调度方法，该方法包括：
对虚拟机中的待检测业务进行统计，得到统计数据，所述统计数据至少包括所述待检测业务的业务类型和业务运营历史数据，所述业务运营历史数据至少包括历史流量数据和历史带宽数据；
获取建模仓库，基于所述统计数据，在所述建模仓库中确定目标样本模型，所述建模仓库包括至少一个样本模型；
确定所述目标样本模型对应的目标资源调度模板，基于所述目标资源调度模板，为所述待检测业务进行资源调度。
在另一个实施例中，所述对虚拟机中的待检测业务进行统计，得到统计数据之前，包括：
对多个样本业务的运行进行检测，获取多个样本历史数据，所述样本历史数据至少包括样本流量数据和样本带宽数据；
确定所述多个样本业务的样本业务类型，根据所述样本业务类型，对所述多个样本业务进行分类；
对于任一样本业务类型，计算所述样本业务类型中的所有样本业务的样本流量数据的第一平均数，计算所述所有样本业务的样本带宽数据的第二平均数；
将所述第一平均数和所述第二平均数作为模型参数，生成所述样本业务类型的样本模型；
对所述多个样本业务类型的样本模型进行统计，生成所述建模仓库。
在另一个实施例中，所述对所述多个样本业务类型的样本模型进行统计，生成所述建模仓库之后，还包括：
对于所述多个样本模型中的任一样本模型，确定所述样本模型的带宽使用量和流量使用量；
基于所述带宽使用量和所述流量使用量，创建所述样本模型的资源调度模板；
将所述样本模型与所述资源调度模板对应存储。
在另一个实施例中，所述获取建模仓库，基于所述统计数据，在所述建模仓库中确定目标样本模型，包括：
获取所述建模仓库中所述至少一个样本模型的模型参数；
计算每个样本模型的模型参数与所述统计数据的相似度；
将所述至少一个样本模型对应的相似度从大到小进行排序，将排在首位的相似度对应的样本模型作为所述目标样本模型。
在另一个实施例中，所述确定所述目标样本模型对应的目标资源调度模板，基于所述目标资源调度模板，为所述待检测业务进行资源调度，包括：
确定所述目标样本模型对应的目标资源调度模板，获取所述目标资源调度模板的目标带宽资源量；
在公网设备上部署公网地址，所述公网设备至少包括路由器、防火墙、负载均衡以及网关；
为所述公网地址分配所述目标带宽资源量指示的带宽资源，将所述公网地址分配给所述待检测业务。
在另一个实施例中，所述方法还包括：
获取调整周期，每隔所述调整周期，重新执行上述确定所述目标样本模型的过程，确定所述待检测业务的新目标样本模型；
确定所述新目标样本模型对应的新目标资源调度模板，基于所述新目标资源调度模板，为所述待检测业务进行资源调度。
在另一个实施例中，所述方法还包括：
确定截取周期，基于所述截取周期，在所述待检测业务的统计数据中截取趋势样本数据；
基于所述趋势样本数据，生成所述待检测业务的预测结果；
根据所述预测结果，对所述待检测业务的资源进行调整。
在另一个实施例中，所述方法还包括：
对所述待检测业务的剩余资源量进行监控；
如果检测到所述剩余资源量达到资源量阈值，则基于所述剩余资源量，生成警告提示，展示所述警告提示；
如果检测到所述剩余资源量未达到所述资源量阈值，则保持所述待检测业务的运行状态。
在另一个实施例中，所述方法还包括：
当检测到所述待检测业务运行结束后，获取所述待检测业务运行的运行时间、带宽资源以及资源费用；
基于所述运行时间、所述带宽资源和所述资源费用，生成所述待检测业务的资源账单，将所述资源账单返回给用户。
依据本发明第二方面，提供了一种资源调度装置，该装置包括：
统计模块，用于对虚拟机中的待检测业务进行统计，得到统计数据，所述统计数据至少包括所述待检测业务的业务类型和业务运营历史数据，所述业务运营历史数据至少包括历史流量数据和历史带宽数据；
第一确定模块，用于获取建模仓库，基于所述统计数据，在所述建模仓库中确定目标样本模型，所述建模仓库包括至少一个样本模型；
调度模块，用于确定所述目标样本模型对应的目标资源调度模板，基于所述目标资源调度模板，为所述待检测业务进行资源调度。
在另一个实施例中，所述装置还包括：
检测模块，用于对多个样本业务的运行进行检测，获取多个样本历史数据，所述样本历史数据至少包括样本流量数据和样本带宽数据；
分类模块，用于确定所述多个样本业务的样本业务类型，根据所述样本业务类型，对所述多个样本业务进行分类；
计算模块，用于对于任一样本业务类型，计算所述样本业务类型中的所有样本业务的样本流量数据的第一平均数，计算所述所有样本业务的样本带宽数据的第二平均数；
模型生成模块，用于将所述第一平均数和所述第二平均数作为模型参数，生成所述样本业务类型的样本模型；
建立模块，用于对所述多个样本业务类型的样本模型进行统计，生成所述建模仓库。
在另一个实施例中，所述装置还包括：
第二确定模块，用于对于所述多个样本模型中的任一样本模型，确定所述样本模型的带宽使用量和流量使用量；
创建模块，用于基于所述带宽使用量和所述流量使用量，创建所述样本模型的资源调度模板；
存储模块，用于将所述样本模型与所述资源调度模板对应存储。
在另一个实施例中，所述第一确定模块，包括：
获取子模块，用于获取所述建模仓库中所述至少一个样本模型的模型参数；
计算子模块，用于计算每个样本模型的模型参数与所述统计数据的相似度；
排序子模块，用于将所述至少一个样本模型对应的相似度从大到小进行排序，将排在首位的相似度对应的样本模型作为所述目标样本模型。
在另一个实施例中，所述调度模块，包括：
获取子模块，用于确定所述目标样本模型对应的目标资源调度模板，获取所述目标资源调度模板的目标带宽资源量；
部署子模块，用于在公网设备上部署公网地址，所述公网设备至少包括路由器、防火墙、负载均衡以及网关；
分配子模块，用于为所述公网地址分配所述目标带宽资源量指示的带宽资源，将所述公网地址分配给所述待检测业务。
在另一个实施例中，所述第一确定模块，还用于获取调整周期，每隔所述调整周期，重新执行上述确定所述目标样本模型的过程，确定所述待检测业务的新目标样本模型；
所述调度模块，还用于确定所述新目标样本模型对应的新目标资源调度模板，基于所述新目标资源调度模板，为所述待检测业务进行资源调度。
在另一个实施例中，所述装置还包括：
截取模块，用于确定截取周期，基于所述截取周期，在所述待检测业务的统计数据中截取趋势样本数据；
结果生成模块，用于基于所述趋势样本数据，生成所述待检测业务的预测结果；
调整模块，用于根据所述预测结果，对所述待检测业务的资源进行调整。
在另一个实施例中，所述装置还包括：
监控模块，用于对所述待检测业务的剩余资源量进行监控；
警告模块，用于如果检测到所述剩余资源量达到资源量阈值，则基于所述剩余资源量，生成警告提示，展示所述警告提示；
运行模块，用于如果检测到所述剩余资源量未达到所述资源量阈值，则保持所述待检测业务的运行状态。
在另一个实施例中，所述装置还包括：
获取模块，用于当检测到所述待检测业务运行结束后，获取所述待检测业务运行的运行时间、带宽资源以及资源费用；
账单生成模块，用于基于所述运行时间、所述带宽资源和所述资源费用，生成所述待检测业务的资源账单，将所述资源账单返回给用户。
依据本发明第三方面，提供了一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时实现上述第一方面中任一项所述方法的步骤。
依据本发明第四方面，提供了一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现上述第一方面中任一项所述的方法的步骤。
借由上述技术方案，本发明提供的一种资源调度方法、装置、计算机设备及计算机可读存储介质，与目前云平台的工作人员协助用户确定采用哪种计费方式以及如何进行资源调度的方式相比，本发明根据待检测业务的统计数据确定目标样本模型，并根据目标样本模型对应的目标资源调度模板对待检测业务进行资源的调度，无需工作人员根据待检测业务进行评估，降低了咨询成本，节省了大量人力，智能性较好。
上述说明仅是本发明技术方案的概述，为了能够更清楚了解本发明的技术手段，而可依照说明书的内容予以实施，并且为了让本发明的上述和其它目的、特征和优点能够更明显易懂，以下特举本发明的具体实施方式。
附图说明
通过阅读下文优选实施方式的详细描述，各种其他的优点和益处对于本领域普通技术人员将变得清楚明了。附图仅用于示出优选实施方式的目的，而并不认为是对本发明的限制。而且在整个附图中，用相同的参考符号表示相同的部件。在附图中：
图1A示出了本发明实施例提供的一种资源调度方法流程示意图；
图1B示出了本发明实施例提供的一种资源调度系统结构示意图；
图1C示出了本发明实施例提供的一种资源调度方法流程示意图；
图1D示出了本发明实施例提供的一种资源调度方法流程示意图；
图2A示出了本发明实施例提供的一种资源调度装置结构示意图；
图2B示出了本发明实施例提供的一种资源调度装置结构示意图；
图2C示出了本发明实施例提供的一种资源调度装置结构示意图；
图2D示出了本发明实施例提供的一种资源调度装置结构示意图；
图2E示出了本发明实施例提供的一种资源调度装置结构示意图；
图2F示出了本发明实施例提供的一种资源调度装置结构示意图；
图2G示出了本发明实施例提供的一种资源调度装置结构示意图；
图2H示出了本发明实施例提供的一种资源调度装置结构示意图。
具体实施方式
下面将参照附图更详细地描述本发明的示例性实施例。虽然附图中显示了本发明的示例性实施例，然而应当理解，可以以各种形式实现本发明而不应被这里阐述的实施例所限制。相反，提供这些实施例是为了能够更透彻地理解本发明，并且能够将本发明的范围完整的传达给本领域的技术人员。
本发明实施例提供了一种资源调度方法，如图1A所示，该方法包括：
101、对虚拟机中的待检测业务进行统计，得到统计数据，统计数据至少包括待检测业务的业务类型和业务运营历史数据，业务运营历史数据至少包括历史流量数据和历史带宽数据。
具体过程参见下述实施例的步骤105。
102、获取建模仓库，基于统计数据，在建模仓库中确定目标样本模型，建模仓库包括至少一个样本模型。
具体过程参见下述实施例的步骤106。
103、确定目标样本模型对应的目标资源调度模板，基于目标资源调度模板，为待检测业务进行资源调度。
具体过程参见下述实施例的步骤107。
在另一个实施例中，对虚拟机中的待检测业务进行统计，得到统计数据之前，包括：
对多个样本业务的运行进行检测，获取多个样本历史数据，样本历史数据至少包括样本流量数据和样本带宽数据；
确定多个样本业务的样本业务类型，根据样本业务类型，对多个样本业务进行分类；
对于任一样本业务类型，计算样本业务类型中的所有样本业务的样本流量数据的第一平均数，计算所有样本业务的样本带宽数据的第二平均数；
将第一平均数和第二平均数作为模型参数，生成样本业务类型的样本模型；
对多个样本业务类型的样本模型进行统计，生成建模仓库。
在另一个实施例中，对多个样本业务类型的样本模型进行统计，生成建模仓库之后，还包括：
对于多个样本模型中的任一样本模型，确定样本模型的带宽使用量和流量使用量；
基于带宽使用量和流量使用量，创建样本模型的资源调度模板；
将样本模型与资源调度模板对应存储。
在另一个实施例中，基于统计数据，在建模仓库中确定目标样本模型，包括：
获取建模仓库中至少一个样本模型的模型参数；
计算每个样本模型的模型参数与统计数据的相似度；
将至少一个样本模型对应的相似度从大到小进行排序，将排在首位的相似度对应的样本模型作为目标样本模型。
在另一个实施例中，确定目标样本模型对应的目标资源调度模板，基于目标资源调度模板，为待检测业务进行资源调度，包括：
确定目标样本模型对应的目标资源调度模板，获取目标资源调度模板的目标带宽资源量；
在公网设备上部署公网地址，公网设备至少包括路由器、防火墙、负载均衡以及网关；
为公网地址分配目标带宽资源量指示的带宽资源，将公网地址分配给待检测业务。
在另一个实施例中，方法还包括：
获取调整周期，每隔调整周期，重新执行上述确定目标样本模型的过程，确定待检测业务的新目标样本模型；
确定新目标样本模型对应的新目标资源调度模板，基于新目标资源调度模板，为待检测业务进行资源调度。
在另一个实施例中，方法还包括：
确定截取周期，基于截取周期，在待检测业务的统计数据中截取趋势样本数据；
基于趋势样本数据，生成待检测业务的预测结果；
根据预测结果，对待检测业务的资源进行调整。
在另一个实施例中，方法还包括：
对待检测业务的剩余资源量进行监控；
如果检测到剩余资源量达到资源量阈值，则基于剩余资源量，生成警告提示，展示警告提示；
如果检测到剩余资源量未达到资源量阈值，则保持待检测业务的运行状态。
在另一个实施例中，方法还包括：
当检测到待检测业务运行结束后，获取待检测业务运行的运行时间、带宽资源以及资源费用；
基于运行时间、带宽资源和资源费用，生成待检测业务的资源账单，将资源账单返回给用户。
在对本发明实施例进行详细的解释说明之前，先对本发明实施例涉及的资源调度系统的结构进行简单介绍。
参加图1B，资源调度系统中包括智能系统、管理系统和底层系统。其中，智能系统用于生成至少一个样本模型，基于至少一个样本模型创建建模仓库，并根据待检测业务的统计数据的变化情况，指示管理系统对调度给待检测业务的资源进行调整，以及根据待检测业务的运行情况生成资源账单；管理系统用户根据确定的目标资源调度模板为待检测业务进行资源调度，对待检测业务的剩余资源量进行监控，以及对待检测业务耗费的资源量进行统计；底层系统用于为资源调度系统提供带宽资源以及公网地址资源，进而保证资源调度系统中业务的正常运行。
本发明实施例提供了一种资源调度方法，可以根据待检测业务的统计数据确定目标样本模型，并根据目标样本模型对应的目标资源调度模板对待检测业务进行资源的调度，无需工作人员根据待检测业务进行评估，降低了咨询成本，节省了大量人力，智能性较好的目的，如图1C所示，该方法包括：
104、基于多个样本业务，创建多个样本模型，生成建模仓库。
在本发明实施例中，发明人认识到，同一类型的业务，在运行的过程中，产生的历史数据大体上是相同的，为了根据用户的业务类型和业务运营历史数据来进行资源的调度，从而避免资源的浪费，可以确定多个不同业务类型的样本业务，进而生成不同业务类型的样本模型，为不同的样本模型设置最佳的资源调度模板，使得后续可以根据用户的统计数据来确定目标样本模型，并根据目标样本模型对应的资源调度模板进行资源的调度，简化资源调度的过程，无需云平台的工作人员为用户的用户进行评估，节省大量的人力物力。
其中，由于涉及到的业务类型较多，生成的样本模型也会相对较多，因此，可以建立包括至少一个业务模型的建模仓库，从而后续在获取到用户的统计数据时，在建模仓库中确定与用户的待检测业务匹配的目标样本模型。在生成建模仓库时，可以通过执行下述步骤一至步骤五实现。
步骤一、对多个样本业务的运行进行检测，获取多个样本历史数据，样本历史数据至少包括样本流量数据和样本带宽数据。
在本发明实施例中，由于样本模型是用于体现某一类型的样本业务的运营数据的，因此，在确定多个样本业务后，对多个样本业务的运行进行检测，从而获取多个样本历史数据，具体地，样本历史数据可为样本流量数据和样本带宽数据。
在实际应用的过程中，为了对样本业务的运行进行评估，进而更加合理的为生成的各个样本模型设置资源调度模板，在获取到至少一个样本历史数据后，可以为每个样本历史数据划分日活量级别，并在后续对多个样本业务类型进行分类时，综合考虑样本业务的样本历史数据的日活量级别。例如，可设置级别1，级别2和级别3，其中，将样本历史数据中样本流量数据在0至100之间的样本历史数据划分为级别1；将样本历史数据中样本流量数据在100至1000之间的样本历史数据划分为级别2；将样本历史数据中样本流量数据在1000至5000之间的样本数据划分为级别3。
步骤二、确定多个样本业务的样本业务类型，根据样本业务类型，对多个样本业务进行分类。
在本发明实施例中，由于不同的样本业务是不同应用行业中的业务，不同应用行业中业务的业务类型是不同的，但是同一应用行业中业务的历史数据是相似的，因此，可以针对不同的应用行业建立不同的样本模型，这样，便需要确定多个样本业务的样本业务类型，并根据样本业务类型，对多个样本业务进行分类。其中，应用行业可为金融、医疗、政府、游戏、互联网、工业，相应地，样本业务类型可为Web(网络)、APP(Application，应用程序)、API(Application Programming Interface，应用程序的调用接口)和直播。
另外，由于不同的应用行业还可以细分为多个具体的行业，例如，金融具体可以包括银行、证券、P2P(Peertopeer，对等网络)和股票，因此，可以将上述具体行业的业务均作为金融类型的样本业务，并将上述具体行业的业务运营历史数据作为金融类型的样本历史数据。
在实际应用的过程中，如果在步骤一中对各个样本历史数据划分了日活量级别，则在对多个样本业务进行分类后，可以基于日活量级别，对各个业务类型中的样本业务进行筛选，将样本历史数据与该业务类型中其他样本业务的样本历史数据相差较多的样本业务剔除，从而保证后续为每个业务类型生成的样本模型更加精确。其中，对于某一个业务类型来说，在基于日活量级别对该业务类型中的样本业务进行筛选时，可以设置数量阈值，统计该业务类型中包括的样本业务的样本历史数据的日活量级别的个数以及每个日活量级别中包括的样本历史数据的数量，如果某一日活量级别中包括的样本历史数据的数量大于数据阈值，则可将该业务类型中与该日活量级别不同的日活量级别对应样本业务从该业务类型中剔除。例如，设数量阈值为1000，如果业务类型A中包括的日活量级别1的样本历史数据为2000个，日活量级别2的样本历史数据为4个，日活量级别3的样本历史数据为2个，则可将日活量级别2和日活量级别3对应的样本业务从业务类型A中剔除。
步骤三、对于任一样本业务类型，计算样本业务类型中至少一个样本业务的至少一个样本流量数据的第一平均数，计算至少一个样本业务的至少一个样本带宽数据的第二平均数，将第一平均数和第二平均数作为模型参数，生成样本业务类型的样本模型。
在本发明实施例中，当完成对多个样本业务的分类后，便可以为每个样本业务类型中的样本业务建立样本模型。由于一个样本业务类型中包括多个样本业务，因此，可以计算样本业务类型中至少一个样本业务的至少一个样本流量数据的第一平均数，计算至少一个样本业务的至少一个样本带宽数据的第二平均数，将第一平均数和第二平均数作为模型参数，进而生成每个样本业务类型的样本模型。
例如，设样本业务类型1中包括样本业务A、样本业务B和样本业务C，其中，样本业务A的样本历史数据中的样本流量数据为1000，样本带宽数据为200；样本业务B的样本历史数据中的样本流量数据为1500，样本带宽数据为200；样本业务C的样本历史数据中的样本流量数据为800，样本带宽数据为500，则可以计算得到样本流量数据的第一平均数为1100，样本带宽数据的第二平均数为300，这样，便可以将1100和300作为模型参数，生成样本业务类型1的样本模型。
步骤四、对多个样本业务类型的样本模型进行统计，生成建模仓库。
在本发明实施例中，由于样本业务类型为多个，不同样本业务类型中样本业务的样本历史数据是不同的，因此，可以生成多个样本业务类型的多个样本模型。为了便于对样本模型进行整合管理，因此，可以对多个样本业务模型进行统计，进而生成建模仓库，以便后续在获取到用户待检测业务的统计数据时，可以在建模仓库中确定目标样本模型。
步骤五、对于多个样本模型中的任一样本模型，确定样本模型的带宽使用量和流量使用量，基于带宽使用量和流量使用量，创建样本模型的资源调度模板，将样本模型与资源调度模板对应存储。
在本发明实施例中，由于后续需要根据确定的与待检测业务的统计数据匹配的目标样本模型，来为用户的待检测业务进行资源调度，因此，在生成建模仓库后，可以根据历史为各个样本业务进行资源调度的情况，来为根据样本业务生成的样本模型设置资源调度模板，从而在后续可以直接应用目标样本模型的资源调度模板为待检测业务进行资源调度。
其中，在生成每个样本模型的资源调度模板时，可以根据每个样本模型实际使用的公网IP(Internet Protocol Address，互联网协议地址)(或公网IP群)以及各个样本模型总共使用的带宽数据形成可供参考的资源调度模板。资源调度模板中可以包含当前日活量下需要分配的公网IP或公网IP群对应的带宽使用量。
另外，由于每一个样本模型均存在与其对应的资源调度模板，而样本模型的数量是庞大的，因此，资源调度模板的数量也是庞大的，这样，在进行资源调度模板的存储时，一方面，可以将资源调度模板与样本模型一起对应存储至建模仓库中；另一方面，为了减轻建模仓库的存储负担，可以为资源调度模板建立调度模板仓库，并将调度模板仓库中的各个资源调度模板与建模仓库中的各个样本模型一一对应。
105、对虚拟机中的待检测业务进行统计，得到统计数据，统计数据至少包括待检测业务的业务类型和业务运营历史数据，业务运营历史数据至少包括历史流量数据和历史带宽数据。
在本发明实施例中，为了确定与待检测业务匹配的目标样本模型，进而根据目标样本模型确定待检测业务的资源调度模板，需要对待检测业务进行统计，得到待检测业务的统计数据。其中，虚拟机中可以提供数据统计入口，当检测到用户触发该数据统计入口时，根据用户提供的业务编号，确定待检测业务，并获取该业务编号对应的待检测业务的统计数据。
其中，在获取统计数据中的业务运营历史数据时，可以设置单位时间，统计单位时间内业务使用流量的大小作为各个单位时间的历史流量数据；统计单位时间内带宽占用率，将该带宽占用率作为历史带宽数据。例如，设公网IP为101.1.1.1，单位时间为1分钟，该公网IP在1分钟内使用了600MBit，这样，便可以确定该公网IP在1分钟内的历史流量数据为600MBit/1min，也即10MBit/s＝10Mbps；继续以上述数据为例，如果该公网IP101.1.1.1被分配了100MBps的带宽资源，则得到的历史带宽数据为10/100＝10％
106、获取建模仓库中至少一个样本模型的至少一个模型参数，计算至少一个模型参数与统计数据的至少一个相似度，将至少一个相似度从大到小进行排序，将排在首位的相似度对应的样本模型作为目标样本模型。
在本发明实施例中，当获取到待检测业务的统计数据后，便可以在建模仓库中获取至少一个样本模型的至少一个模型参数，计算至少一个模型参数与统计数据的至少一个相似度，进而根据至少一个相似度确定将哪一个样本模型作为目标样本模型。
对于至少一个样本模型中的任一样本模型，在计算该样本模型与统计数据的相似度时，可以确定统计数据与样本模型的样本参数中一致的参数的参数数量，计算参数数量在参数的总数量中所占的比例，将该比例作为该样本模型与统计数据的相似度。例如，设样本模型A与统计数据中一致的参数的参数数量为3个，而参数的总数量为5，则计算得到的参数数量在参数的总数量中所占的比例为3/5等于60％，这样，便可以确定样本模型A与统计数据之间的相似度为60％。
对于至少一个样本模型中的每一个样本模型，均可以采用该方法确定样本模型与统计数据之间的相似度，这样，便可以获取至少一个样本模型的至少一个相似度。由于相似度最大的样本模型是与待检测业务最相似的样本模型，因此，可将得到的至少一个相似度从大到小进行排序，将排在首位的相似度，也即最大的相似度对应的样本模型作为目标样本模型，进而在后续根据目标样本模型对应的资源调度模板为待检测业务进行资源的调度。在实际应用的过程中，还可以将至少一个相似度从小到大进行排序，相应地，将排在末位的相似度对应的样本模型作为目标样本模型，本发明实施例对确定目标样本模型的方式不进行具体限定。
107、确定目标样本模型对应的目标资源调度模板，获取目标资源调度模板的目标带宽资源量，在公网设备上部署公网地址，为公网地址分配目标带宽资源量指示的带宽资源，将公网地址分配给待检测业务。
在本发明实施例中，当确定目标样本模型后，进一步可以确定目标样本模型对应的目标资源调度模板，进而根据目标资源调度模板为待检测业务进行资源的调度。其中，在为待检测业务进行资源调度时，可以基于公网设备进行调度，公网设备具体可以包括路由器、防火墙、负载均衡以及网关。在公网设备上部署公网地址时，可将公网地址输入至公网设备中，当公网地址部署完毕后，将目标资源调度模板中指示的预设带宽资源分配给该公网地址，并对该公网地址能够使用的最大带宽进行限制。其中，公网带宽资源也即公网BGP(Border Gateway Protocol，边界网关协议)带宽资源储备，是一家云计算服务商必备的资源储备，通过与国内运营商以及其他次级运营商的网络进行BGP协议的互联，获取公网带宽资源。
当完成公网地址的设置后，将公网地址分配给该待检测业务进行使用。例如，设公网地址为101.1.1.1，为该公网地址分配100MBps的带宽资源，并将该公网地址分配给待检测业务使用。
需要说明的是，由于待检测业务的统计数据是随着时间不断变化的，这样，为待检测业务进行资源调度的最佳资源量也是不断变化的，因此，可以设置调整周期，每隔调整周期，便执行上述步骤102至104中的过程，重新为待检测业务确定新目标样本模型，并根据新目标样本模型对应的新目标资源调度模板为待检测资源进行资源调度，此处对确定新目标样本模型以及新目标资源调度模板的过程不再进行赘述。
108、确定截取周期，基于截取周期，在待检测业务的统计数据中截取趋势样本数据，基于趋势样本数据，生成待检测业务的预测结果，根据预测结果，对待检测业务的资源进行调整。
发明人认识到，待检测业务的统计数据是随着时间变化的，而不同时间的统计数据的最佳资源调度方式均是不同的，为了满足待检测业务的基本需求，避免对待检测业务的运行造成影响，因此，可以根据统计数据随着时间变化的变化趋势，对待检测业务在后续的时间中统计数据的变化进行预设，生成预测结果，进而根据预测结果，对待检测业务的资源进行调整，从而保证待检测业务的正常且高效的运行。
在对待检测业务的统计数据进行预测时，首先，可以设置截取周期，基于截取周期在待检测业务的统计数据中截取趋势样本数据，并通过大数据运算生成预测结果。其中，趋势样本数据至少包括趋势流量数据和趋势带宽数据；预测结果可为与趋势样本数据的变化匹配的函数，例如，指数函数、对数函数、幂函数、一次函数、二次函数等。需要说明的是，在生成预测结果时，可以分别为趋势流量数据和趋势带宽数据建立直角坐标系，将趋势样本数据在直角坐标系中体现，根据趋势流量数据和趋势带宽数据随着时间变化的趋势初步确定变化相符的函数公式，并将趋势样本数据带入公式中，进而确定具体的函数。
例如，设置截取周期可为30天，对30天之内的统计数据的趋势进行匹配确定与一次函数y＝kx+b的变化趋势一致，对于趋势样本数据中的趋势流量数据来说，y为趋势流量数据，x为时间，将趋势流量数据随时间变化的数据带入函数公式y＝kx+b，确定k和b的取值，即可确定具体的函数，将该具体的函数作为预测结果。
随后，在确定预测结果后，便可以根据预测结果，对待检测业务的资源进行调整。具体地，根据预测结果，预测待检测业务在各个时间需要设置的带宽大小和流量大小，并实现实施自动进行带宽调整。其中，由于预测结果为函数形式的，则可以将时间带入函数中，进而实现对带宽及流量的预测。例如，继续以上述生成的一天中关于带宽大小的函数为y＝3x+1，那么，如果时间x为3点，则可以根据函数确定在3点时，需要的带宽大小为10MBps。
109、当检测到待检测业务运行结束后，获取待检测业务运行的运行时间、带宽资源以及资源费用，基于运行时间、带宽资源和资源费用，生成待检测业务的资源账单，将资源账单返回给用户。
在本发明实施例中，为了使用户可以确定待检测业务所消耗的费用，资源调度系统可以根据待检测业务在运行过程中对资源的消耗情况，生成资源账单，并将生成的资源账单返回给用户。
其中，在生成资源账单时，可以先确定待检测业务的运行时间，并确定为待检测业务调度的带宽资源，随后，计算运行时间与带宽资源的乘积，基于该乘积，生成资源账单。例如，设资源费用为a元Mbps/小时，运行时间为T1，带宽资源为B1，则生成的资源账单即为a*T1*B1。
在实际应用的过程中，由于待检测资源的统计数据是不断变化的，使得为待检测业务调度的资源也是不断变化的，因此，需要分别统计不同时间段内的费用，进而生成资源账单。例如，设a元Mbps/小时，假设1周内，对带宽进行了5次变化，每次的间隔时间段分别为T1、T2、T3、T4、T5，每次的带宽值会调整到B1、B2、B3、B4，那么这段时间的计费值为，a*(B1*T1+B2*T2+B3*T3+B4*T4+B5*T5)。
需要说明的是，由于为待检测业务调度的资源是有限的，如果为待检测业务调度的资源耗光，则待检测业务便无法正常运行，这样，可能会对待检测业务造成影响，因此，参见下述图1D中所示的内容，可以对调度给待检测业务的资源的剩余资源量进行监控，并当监控到调度给待检测业务的资源快要耗尽的时候，及时发出警告，使得工作人员可以及时对资源进行补给，避免对待检测业务造成影响。
110、对待检测业务的剩余资源量进行监控，如果检测到剩余资源量达到资源量阈值，则执行下述步骤111；如果检测到剩余资源量未达到资源量阈值，则执行下述步骤112。
在本发明实施例中，在对待检测业务的剩余资源量进行监控时，可以从两方面进行监控。一方面，对待检测业务对带宽资源的消耗情况进行监控，从而确定待检测业务的剩余资源量；另一方面，对待检测业务的公网地址的消耗情况进行监控，从而确定待检测业务的剩余资源量。
其中，在对待检测业务对带宽资源的消耗情况进行监控时，可以设置第一阈值作为资源量阈值，如果检测到带宽资源快要消耗尽，或者剩余资源量已经到达了资源量阈值，则发出警告，也即执行下述步骤111；在对待检测业务的公网地址的资源的消耗情况进行监控时，可以设置第二阈值作为资源量阈值，如果检测到公网地址的资源快要消耗尽，或者剩余资源量已经达到了资源量阈值，则发出警告，也即执行下述步骤111。
另外，如果检测到待检测业务的剩余资源量未达到资源量阈值，则表示当前无需对待检测业务调度的资源进行补给，待检测业务可以正常进行工作，也即执行下述步骤112。
111、如果检测到剩余资源量达到资源量阈值，则基于剩余资源量，生成警告提示，展示警告提示。
在本发明实施例中，如果检测到剩余资源量达到资源量阈值，则表示当前调度给待检测业务的资源即将耗尽，因此，需要基于剩余资源量，生成警告提示，并展示生成的警告提示，以便工作人员在获取该警告提示后，可以对调度给待检测业务的资源进行补给。
112、如果检测到剩余资源量未达到资源量阈值，则保持待检测业务的运行状态。
在本发明实施例中，如果检测到剩余资源量未达到资源量阈值，则表示当前调度给待检测业务的资源是充足的，因此，保持待检测业务的正常运行状态即可。
本发明实施例提供的资源调度方法，可以根据待检测业务的统计数据确定目标样本模型，并根据目标样本模型对应的目标资源调度模板对待检测业务进行资源的调度，无需工作人员根据待检测业务进行评估，降低了咨询成本，节省了大量人力，智能性较好。
进一步地，作为图1B和图1C方法的具体实现，本发明实施例提供了一种资源调度装置，如图2A所示，装置包括：统计模块201、第一确定模块202和调度模块203。
该统计模块201，用于对虚拟机中的待检测业务进行统计，得到统计数据，统计数据至少包括待检测业务的业务类型和业务运营历史数据，业务运营历史数据至少包括历史流量数据和历史带宽数据；
该第一确定模块202，用于获取建模仓库，基于统计数据，在建模仓库中确定目标样本模型，建模仓库包括至少一个样本模型；
该调度模块203，用于确定目标样本模型对应的目标资源调度模板，基于目标资源调度模板，为待检测业务进行资源调度。
在具体的应用场景中，如图2B所示，该装置还包括检测模块204，分类模块205，计算模块206，模型生成模块207和建立模块208。
该检测模块204，用于对多个样本业务的运行进行检测，获取多个样本历史数据，样本历史数据至少包括样本流量数据和样本带宽数据；
该分类模块205，用于确定多个样本业务的样本业务类型，根据样本业务类型，对多个样本业务进行分类；
该计算模块206，用于对于任一样本业务类型，计算样本业务类型中的所有样本业务的样本流量数据的第一平均数，计算所有样本业务的样本带宽数据的第二平均数；
该模型生成模块207，用于将第一平均数和第二平均数作为模型参数，生成样本业务类型的样本模型；
该建立模块208，用于对多个样本业务类型的样本模型进行统计，生成建模仓库。
在具体的应用场景中，如图2C所示，该装置还包括第二确定模块209，创建模块210和存储模块211。
该第二确定模块209，用于对于多个样本模型中的任一样本模型，确定样本模型的带宽使用量和流量使用量；
该创建模块210，用于基于带宽使用量和流量使用量，创建样本模型的资源调度模板；
该存储模块211，用于将样本模型与资源调度模板对应存储。
在具体的应用场景中，如图2D所示，该第一确定模块202，包括获取子模块2021，计算子模块2022和排序子模块2023。
该获取子模块2021，用于获取建模仓库中至少一个样本模型的模型参数；
该计算子模块2022，用于计算每个样本模型的模型参数与统计数据的相似度；
该排序子模块2023，用于将至少一个样本模型对应的相似度从大到小进行排序，将排在首位的相似度对应的样本模型作为目标样本模型。
在具体的应用场景中，如图2E所示，该调度模块203，包括获取子模块2031，部署子模块2032和分配子模块2033。
该获取子模块2031，用于确定目标样本模型对应的目标资源调度模板，获取目标资源调度模板的目标带宽资源量；
该部署子模块2032，用于在公网设备上部署公网地址，公网设备至少包括路由器、防火墙、负载均衡以及网关；
该分配子模块2033，用于为公网地址分配目标带宽资源量指示的带宽资源，将公网地址分配给待检测业务。
在具体的应用场景中，该第一确定模块202，还用于获取调整周期，每隔调整周期，重新执行上述确定目标样本模型的过程，确定待检测业务的新目标样本模型；
该调度模块203，还用于确定新目标样本模型对应的新目标资源调度模板，基于新目标资源调度模板，为待检测业务进行资源调度。
在具体的应用场景中，如图2F所示，该装置还包括截取模块212，结果生成模块213和调整模块214。
该截取模块212，用于确定截取周期，基于截取周期，在待检测业务的统计数据中截取趋势样本数据；
该结果生成模块213，用于基于趋势样本数据，生成待检测业务的预测结果；
该调整模块214，用于根据预测结果，对待检测业务的资源进行调整。
在具体的应用场景中，如图2G所示，该装置还包括监控模块215，警告模块216和运行模块217
监控模块，用于对待检测业务的剩余资源量进行监控；
警告模块，用于如果检测到剩余资源量达到资源量阈值，则基于剩余资源量，生成警告提示，展示警告提示；
运行模块，用于如果检测到剩余资源量未达到资源量阈值，则保持待检测业务的运行状态。
在具体的应用场景中，如图2H所示，该装置还包括获取模块218和账单生成模块219。
该获取模块218，用于当检测到待检测业务运行结束后，获取待检测业务运行的运行时间、带宽资源以及资源费用；
该账单生成模块219，用于基于运行时间、带宽资源和资源费用，生成待检测业务的资源账单，将资源账单返回给用户。
需要说明的是，本发明实施例提供的一种…装置所涉及各功能单元的其他相应描述，可以参考图1C和图1D中的对应描述，在此不再赘述。
基于上述如图1C和图1D所示方法，相应的，本发明实施例还提供了一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时实现图1C和图1D所述方法的步骤。
基于上述如图1C和图1D所示方法和2A至图2H所示虚拟装置的实施例，为了实现上述目的，本发明实施例还提供了一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现如图1C和图1D所示方法的步骤。
通过应用本发明的技术方案，可以根据待检测业务的统计数据确定目标样本模型，并根据目标样本模型对应的目标资源调度模板对待检测业务进行资源的调度，无需工作人员根据待检测业务进行评估，降低了咨询成本，节省了大量人力，智能性较好。
通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到本申请可以通过硬件实现，也可以借助软件加必要的通用硬件平台的方式来实现。基于这样的理解，本申请的技术方案可以以软件产品的形式体现出来，该软件产品可以存储在一个非易失性存储介质(可以是CD-ROM，U盘，移动硬盘等)中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本申请各个实施场景所述的方法。
本领域技术人员可以理解附图只是一个优选实施场景的示意图，附图中的模块或流程并不一定是实施本申请所必须的。
本领域技术人员可以理解实施场景中的装置中的模块可以按照实施场景描述进行分布于实施场景的装置中，也可以进行相应变化位于不同于本实施场景的一个或多个装置中。上述实施场景的模块可以合并为一个模块，也可以进一步拆分成多个子模块。
上述本申请序号仅仅为了描述，不代表实施场景的优劣。
以上公开的仅为本申请的几个具体实施场景，但是，本申请并非局限于此，任何本领域的技术人员能思之的变化都应落入本申请的保护范围。

Claims (10)

1.一种资源调度方法，其特征在于，包括：
对虚拟机中的待检测业务进行统计，得到统计数据，所述统计数据至少包括所述待检测业务的业务类型和业务运营历史数据，所述业务运营历史数据至少包括历史流量数据和历史带宽数据；
获取建模仓库，基于所述统计数据，在所述建模仓库中确定目标样本模型，所述建模仓库包括至少一个样本模型；
确定所述目标样本模型对应的目标资源调度模板，基于所述目标资源调度模板，为所述待检测业务进行资源调度。
2.根据权利要求1所述的方法，其特征在于，所述对虚拟机中的待检测业务进行统计，得到统计数据之前，包括：
对多个样本业务的运行进行检测，获取多个样本历史数据，所述样本历史数据至少包括样本流量数据和样本带宽数据；
确定所述多个样本业务的样本业务类型，根据所述样本业务类型，对所述多个样本业务进行分类；
对于任一样本业务类型，计算所述样本业务类型中的所有样本业务的样本流量数据的第一平均数，计算所述所有样本业务的样本带宽数据的第二平均数；
将所述第一平均数和所述第二平均数作为模型参数，生成所述样本业务类型的样本模型；
对所述多个样本业务类型的样本模型进行统计，生成所述建模仓库。
3.根据权利要求2所述的方法，其特征在于，所述对所述多个样本业务类型的样本模型进行统计，生成所述建模仓库之后，还包括：
对于所述多个样本模型中的任一样本模型，确定所述样本模型的带宽使用量和流量使用量；
基于所述带宽使用量和所述流量使用量，创建所述样本模型的资源调度模板；
将所述样本模型与所述资源调度模板对应存储。
4.根据权利要求1所述的方法，其特征在于，所述获取建模仓库，基于所述统计数据，在所述建模仓库中确定目标样本模型，包括：
获取所述建模仓库中所述至少一个样本模型的模型参数；
计算每个样本模型的模型参数与所述统计数据的相似度；
将所述至少一个样本模型对应的相似度从大到小进行排序，将排在首位的相似度对应的样本模型作为所述目标样本模型。
5.根据权利要求1所述的方法，其特征在于，所述确定所述目标样本模型对应的目标资源调度模板，基于所述目标资源调度模板，为所述待检测业务进行资源调度，包括：
确定所述目标样本模型对应的目标资源调度模板，获取所述目标资源调度模板的目标带宽资源量；
在公网设备上部署公网地址，所述公网设备至少包括路由器、防火墙、负载均衡以及网关；
为所述公网地址分配所述目标带宽资源量指示的带宽资源，将所述公网地址分配给所述待检测业务。
6.根据权利要求1所述的方法，其特征在于，所述方法还包括：
确定截取周期，基于所述截取周期，在所述待检测业务的统计数据中截取趋势样本数据；
基于所述趋势样本数据，生成所述待检测业务的预测结果；
根据所述预测结果，对所述待检测业务的资源进行调整。
7.根据权利要求1所述的方法，其特征在于，所述方法还包括：
当检测到所述待检测业务运行结束后，获取所述待检测业务运行的运行时间、带宽资源以及资源费用；
基于所述运行时间、所述带宽资源和所述资源费用，生成所述待检测业务的资源账单，将所述资源账单返回给用户。
8.一种资源调度装置，其特征在于，包括：
统计模块，用于对虚拟机中的待检测业务进行统计，得到统计数据，所述统计数据至少包括所述待检测业务的业务类型和业务运营历史数据，所述业务运营历史数据至少包括历史流量数据和历史带宽数据；
第一确定模块，用于获取建模仓库，基于所述统计数据，在所述建模仓库中确定目标样本模型，所述建模仓库包括至少一个样本模型；
调度模块，用于确定所述目标样本模型对应的目标资源调度模板，基于所述目标资源调度模板，为所述待检测业务进行资源调度。
9.一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，其特征在于，所述处理器执行所述计算机程序时实现权利要求1至7中任一项所述方法的步骤。
10.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现权利要求1至7中任一项所述的方法的步骤。
CN201810866431.4A 2018-08-01 2018-08-01 资源调度方法、装置、计算机设备及计算机可读存储介质 Active CN109189548B (zh)

Priority Applications (2)

Application Number Priority Date Filing Date Title
CN201810866431.4A CN109189548B (zh) 2018-08-01 2018-08-01 资源调度方法、装置、计算机设备及计算机可读存储介质
PCT/CN2018/111117 WO2020024443A1 (zh) 2018-08-01 2018-10-21 资源调度方法、装置、计算机设备及计算机可读存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201810866431.4A CN109189548B (zh) 2018-08-01 2018-08-01 资源调度方法、装置、计算机设备及计算机可读存储介质

Publications (2)

Publication Number Publication Date
CN109189548A true CN109189548A (zh) 2019-01-11
CN109189548B CN109189548B (zh) 2023-05-26

Family

ID=64920398

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201810866431.4A Active CN109189548B (zh) 2018-08-01 2018-08-01 资源调度方法、装置、计算机设备及计算机可读存储介质

Country Status (2)

Country Link
CN (1) CN109189548B (zh)
WO (1) WO2020024443A1 (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110059746A (zh) * 2019-04-18 2019-07-26 达闼科技（北京）有限公司 一种创建目标检测模型的方法、电子设备及存储介质

Families Citing this family (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113391985A (zh) * 2021-06-09 2021-09-14 北京猿力未来科技有限公司 资源分配方法及装置
CN113608976B (zh) * 2021-07-09 2024-08-13 华东师范大学 一种资源综合利用率的层次化分析方法、计算设备及存储介质
CN113781195A (zh) * 2021-09-09 2021-12-10 平安国际智慧城市科技股份有限公司 财政数据监控方法、装置
CN117910929B (zh) * 2024-03-14 2024-07-09 浙江菜鸟供应链管理有限公司 仓储系统全链路处理方法、以及仓储系统全链路仿真平台

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20080175270A1 (en) * 2007-01-23 2008-07-24 Deepak Kataria Multi-Stage Scheduler with Processor Resource and Bandwidth Resource Allocation
CN102546379A (zh) * 2010-12-27 2012-07-04 中国移动通信集团公司 一种虚拟化资源调度的方法及虚拟化资源调度系统
CN102780759A (zh) * 2012-06-13 2012-11-14 合肥工业大学 基于调度目标空间的云计算资源调度方法
CN104881325A (zh) * 2015-05-05 2015-09-02 中国联合网络通信集团有限公司 一种资源调度方法和资源调度系统

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104065745A (zh) * 2014-07-07 2014-09-24 电子科技大学 云计算动态资源调度系统和方法
CN108259376A (zh) * 2018-04-24 2018-07-06 北京奇艺世纪科技有限公司 服务器集群业务流量的控制方法及相关设备

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20080175270A1 (en) * 2007-01-23 2008-07-24 Deepak Kataria Multi-Stage Scheduler with Processor Resource and Bandwidth Resource Allocation
CN102546379A (zh) * 2010-12-27 2012-07-04 中国移动通信集团公司 一种虚拟化资源调度的方法及虚拟化资源调度系统
CN102780759A (zh) * 2012-06-13 2012-11-14 合肥工业大学 基于调度目标空间的云计算资源调度方法
CN104881325A (zh) * 2015-05-05 2015-09-02 中国联合网络通信集团有限公司 一种资源调度方法和资源调度系统

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110059746A (zh) * 2019-04-18 2019-07-26 达闼科技（北京）有限公司 一种创建目标检测模型的方法、电子设备及存储介质

Also Published As

Publication number Publication date
WO2020024443A1 (zh) 2020-02-06
CN109189548B (zh) 2023-05-26

Similar Documents

Publication Publication Date Title
CN109189548A (zh) 资源调度方法、装置、计算机设备及计算机可读存储介质
Khaleq et al. Intelligent autoscaling of microservices in the cloud for real-time applications
Schulte et al. Elastic Business Process Management: State of the art and open challenges for BPM in the cloud
Chaurasia et al. Comprehensive survey on energy-aware server consolidation techniques in cloud computing
He et al. Improving resource utilisation in the cloud environment using multivariate probabilistic models
Kumbhare et al. Reactive resource provisioning heuristics for dynamic dataflows on cloud infrastructure
Gupta et al. COLAP: A predictive framework for service function chain placement in a multi-cloud environment
Heilig et al. Location-aware brokering for consumers in multi-cloud computing environments
US11212173B2 (en) Model-driven technique for virtual network function rehoming for service chains
Baresi et al. PAPS: A Framework for Decentralized Self-management at the Edge
Cardellini et al. Self-adaptive container deployment in the fog: A survey
CN106471473A (zh) 用于控制数据中心中的服务器过高分配的机制
Goudarzi et al. Joint customer/provider evolutionary multi-objective utility maximization in cloud data center networks
Gabhane et al. Metaheuristics algorithms for virtual machine placement in cloud computing environments—a review
Sedlak et al. Controlling data gravity and data friction: from metrics to multidimensional elasticity strategies
Badri et al. Risk-based optimization of resource provisioning in mobile edge computing
Brogi et al. Declarative application management in the fog: A bacteria-inspired decentralised approach
Faraji-Mehmandar et al. A self-learning approach for proactive resource and service provisioning in fog environment
Alam et al. An NBDMMM algorithm based framework for allocation of resources in cloud
Prado et al. On providing quality of service in grid computing through multi-objective swarm-based knowledge acquisition in fuzzy schedulers
Ni et al. An ant colony optimization for the composite SaaS placement problem in the cloud
Vasiliu et al. A hybrid scheduler for many task computing in big data systems
Cao et al. Online cost-rejection rate scheduling for resource requests in hybrid clouds
Senthuran et al. A review of dynamic scalability and dynamic scheduling in cloud-native distributed stream processing systems
Kumari et al. Cost-effective resource provisioning in cloud using cooperative coevolutionary genetic algorithm

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