CN109614231A - 空闲服务器资源发现方法、装置、计算机设备和存储介质 - Google Patents
空闲服务器资源发现方法、装置、计算机设备和存储介质 Download PDFInfo
- Publication number
- CN109614231A CN109614231A CN201811472413.4A CN201811472413A CN109614231A CN 109614231 A CN109614231 A CN 109614231A CN 201811472413 A CN201811472413 A CN 201811472413A CN 109614231 A CN109614231 A CN 109614231A
- Authority
- CN
- China
- Prior art keywords
- achievement data
- server
- resource
- variance
- history
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 39
- 238000012549 training Methods 0.000 claims abstract description 32
- 230000015654 memory Effects 0.000 claims description 44
- 238000004590 computer program Methods 0.000 claims description 16
- 238000007781 pre-processing Methods 0.000 claims description 11
- 238000011946 reduction process Methods 0.000 claims description 9
- 238000004364 calculation method Methods 0.000 claims description 7
- 239000013598 vector Substances 0.000 claims description 7
- 230000009466 transformation Effects 0.000 claims description 6
- 238000012706 support-vector machine Methods 0.000 description 10
- 238000010586 diagram Methods 0.000 description 9
- 230000008569 process Effects 0.000 description 6
- 238000004422 calculation algorithm Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 235000006679 Mentha X verticillata Nutrition 0.000 description 1
- 235000002899 Mentha suaveolens Nutrition 0.000 description 1
- 235000001636 Mentha x rotundifolia Nutrition 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000013480 data collection Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 230000003203 everyday effect Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000004064 recycling Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 230000001360 synchronised effect Effects 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
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
- G06F9/46—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
- G06F9/5011—Allocation of resources, e.g. of the central processing unit [CPU] to service a request the resources being hardware resources other than CPUs, Servers and Terminals
- G06F9/5016—Allocation of resources, e.g. of the central processing unit [CPU] to service a request the resources being hardware resources other than CPUs, Servers and Terminals the resource being the memory
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
-
- 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
- G06F9/5011—Allocation of resources, e.g. of the central processing unit [CPU] to service a request the resources being hardware resources other than CPUs, Servers and Terminals
- G06F9/5022—Mechanisms to release 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
- G06F9/505—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 the load
-
- 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
- G06F2209/5019—Workload prediction
-
- 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
- G06F2209/503—Resource availability
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Software Systems (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Evolutionary Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Debugging And Monitoring (AREA)
Abstract
本申请涉及一种空闲服务器资源发现方法、装置、计算机设备和存储介质,其中该方法包括:获取服务器资源的历史指标数据;对所述历史指标数据进行预处理,并计算各项历史指标数据的均值和方差;将所述各项历史指标数据的均值和方差输入SVM分类模型进行模型训练,得到训练好的预测模型;根据所述训练好的预测模型对当前服务器的空闲资源进行预测。本发明实现了对空闲服务器预测,进而发现空闲的服务器资源并对其进行回收,提高资源的使用率,并最终为公司节省成本。
Description
技术领域
本发明涉及计算机技术领域,特别是涉及一种空闲服务器资源发现方法、装置、计算机设备和存储介质。
背景技术
目前,对于IT相关的大企业,随着业务的不断发展和越来越多的信息化,导致公司在线上和线下的服务器都大量增加,而服务器资源的成本对公司来说是一笔很大的成本,在不影响业务正常运作的情况下如果能将服务器资源使用率提高,这无疑将为公司节省大量成本大量金钱。
在传统技术中,对于线上生产的服务器我们无法对其节省回收,但对于线下的服务器,比如很多项目组申请用于开发测试或其他临时申请使用的服务器,则是我们回收的目标。这些服务器很多都是使用一段时间后就不再需要,但申请者并不会主动返还,这时就会导致很多空闲的服务器资源被占用,从而导致了资源浪费,而另外一边公司不够资源又继续大量采购,从而导致很多额外的成本。
发明内容
基于此,有必要针对上述技术问题,提供一种实现对空闲服务器预测,进而发现空闲的服务器资源的空闲服务器资源发现方法、装置、计算机设备和存储介质。
一种空闲服务器资源发现方法,所述方法包括:
获取服务器资源的历史指标数据;
对所述历史指标数据进行预处理,并计算各项历史指标数据的均值和方差;
将所述各项历史指标数据的均值和方差输入SVM分类模型进行模型训练,得到训练好的预测模型;
根据所述训练好的预测模型对当前服务器的空闲资源进行预测。
在其中一个实施例中,所述获取服务器资源的历史指标数据的步骤包括:
从服务器上收集历史指标数据,所述历史指标数据包括:CPU使用率、内存使用率、磁盘IO闲置率、网络连接数及网卡流量。
在其中一个实施例中,所述对所述历史指标数据进行预处理,并计算各项历史指标数据的均值和方差的步骤包括:
通过小波变换对所述历史指标数据进行降噪处理;
分别计算处理后的CPU使用率、内存使用率、磁盘IO闲置率、网络连接数及网卡流量的均值和方差,得到十个模型训练输入特征。
在其中一个实施例中,所述根据所述训练好的预测模型对当前服务器的空闲资源进行预测的步骤包括:
计算服务器当前时段的CPU使用率、内存使用率、磁盘IO闲置率、网络连接数及网卡流量的均值和方差,得到十个输入项;
将所述十个输入项输入到所述训练好的预测模型得到当前服务器的空闲资源的预测结果。
一种空闲服务器资源发现装置,所述装置包括:
获取模块,所述获取模块用于获取服务器资源的历史指标数据;
预处理模块,所述预处理模块用于对所述历史指标数据进行预处理,并计算各项历史指标数据的均值和方差;
训练模块,所述训练模块用于将所述各项历史指标数据的均值和方差输入SVM分类模型进行模型训练,得到训练好的预测模型;
预测模块,所述预测模块用于根据所述训练好的预测模型对当前服务器的空闲资源进行预测。
在其中一个实施例中,所述获取模块还用于:
从服务器上收集历史指标数据,所述历史指标数据包括:CPU使用率、内存使用率、磁盘IO闲置率、网络连接数及网卡流量。
在其中一个实施例中,所述预处理模块还用于:
通过小波变换对所述历史指标数据进行降噪处理;
分别计算处理后的CPU使用率、内存使用率、磁盘IO闲置率、网络连接数及网卡流量的均值和方差,得到十个模型训练输入特征。
在其中一个实施例中,所述预测模块还用于:
计算服务器当前时段的CPU使用率、内存使用率、磁盘IO闲置率、网络连接数及网卡流量的均值和方差,得到十个输入项;
将所述十个输入项输入到所述训练好的预测模型得到当前服务器的空闲资源的预测结果。
一种计算机设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现上述任意一项方法的步骤。
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任意一项方法的步骤。
上述空闲服务器资源发现方法、装置、计算机设备和存储介质,通过获取服务器资源的历史指标数据;对所述历史指标数据进行预处理,并计算各项历史指标数据的均值和方差;将所述各项历史指标数据的均值和方差输入SVM分类模型进行模型训练,得到训练好的预测模型;根据所述训练好的预测模型对当前服务器的空闲资源进行预测。本发明实现了对空闲服务器预测,进而发现空闲的服务器资源并对其进行回收,提高资源的使用率,并最终为公司节省成本。
附图说明
图1为一个实施例中空闲服务器资源发现方法的应用场景图;
图2为一个实施例中空闲服务器资源发现方法的流程示意图;
图3为一个实施例中对历史指标数据进行预处理,并计算各项历史指标数据的均值和方差的步骤的流程示意图;
图4为一个实施例中根据训练好的预测模型对当前服务器的空闲资源进行预测的步骤的流程示意图;
图5为一个实施例中空闲服务器资源发现装置的结构框图;
图6为一个实施例中计算机设备的内部结构图;
图7为一个实施例中进行模型训练的步骤简图;
图8为一个实施例中进行通过模型进行预测的步骤简图;
图9为一个实施例中服务器的CPU使用率随时间变化的折线图;
图10为一个实施例中将十个模型训练输入特征输入SVM分类模型进行模型训练的示意图。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本申请进行进一步详细说明。应当理解,此处所描述的具体实施例仅仅用以解释本申请,并不用于限定本申请。
本发明实施例所提供的空闲服务器资源发现方法可应用到如图1所示的应用环境中。计算机设备110通过网络与服务器120连接,服务器120中包括有服务器资源的历史指标数据。其中,该计算机设备110包括:个人电脑、大型计算机等任意一种计算机设备。计算机设备110获取服务器120中待预测磁盘空间的样本数据。计算机设备110获取服务器资源的历史指标数据。计算机设备110对历史指标数据进行预处理,并计算各项历史指标数据的均值和方差,并将各项历史指标数据的均值和方差输入SVM分类模型进行模型训练,得到训练好的预测模型。最后,计算机设备110根据训练好的预测模型对当前服务器的空闲资源进行预测。
在一个实施例中,如图2所示,提供了一种空闲服务器资源发现方法,以该方法应用于图1中的应用环境为例进行说明,该方法包括:
步骤202,获取服务器资源的历史指标数据;
步骤204,对历史指标数据进行预处理,并计算各项历史指标数据的均值和方差;
步骤206,将各项历史指标数据的均值和方差输入SVM分类模型进行模型训练,得到训练好的预测模型;
步骤208,根据训练好的预测模型对当前服务器的空闲资源进行预测。
具体地,在本实施例中采用支持向量机(SVM)算法,根据历史指标数据计算所有KPI然后进行模型训练,将学习到的SVM分类模型作为预测模型。该方法包含两阶段,第一阶段是训练阶段,如图7所示,模型的训练流程为:首先获取大量服务器的历史指标数据,其次对数据进行降噪,然后根据数据计算所有KPI,接着使用SVM算法训练模型,最后将模型保存起来。第二阶段为预测阶段,如图8所示,模型的预测流程为:首先加载训练阶段训练好的模型,其次准备好待预测数据并计算出当前所有KPI,接着进行预测,最后得到服务器是否空闲的预测结果。
在一个具体的实施例中,获取服务器资源的历史指标数据的步骤包括:
从服务器上收集历史指标数据,历史指标数据包括:CPU使用率、内存使用率、磁盘IO闲置率、网络连接数及网卡流量。
在本实施例中,通过五项主要KPI的历史数据作为训练样本,这五项KPI包括CPU使用率、内存使用率、磁盘IO闲置率、网络连接数和网卡流量。并计算它们的均值和方差特性,使用SVM进行训练得到模型,然后通过该模型对服务器是否空闲进行预测。
在本实施例中,通过获取服务器资源的历史指标数据;对历史指标数据进行预处理,并计算各项历史指标数据的均值和方差;将各项历史指标数据的均值和方差输入SVM分类模型进行模型训练,得到训练好的预测模型;根据训练好的预测模型对当前服务器的空闲资源进行预测。本实施例实现了对空闲服务器预测,进而发现空闲的服务器资源并对其进行回收,提高资源的使用率,并最终为公司节省成本。
在一个实施例中,提供了一种空闲服务器资源发现方法,如图3所示,该方法中对历史指标数据进行预处理,并计算各项历史指标数据的均值和方差的步骤包括:
步骤302,通过小波变换对历史指标数据进行降噪处理;
步骤304,分别计算处理后的CPU使用率、内存使用率、磁盘IO闲置率、网络连接数及网卡流量的均值和方差,得到十个模型训练输入特征。
具体地,服务器的CPU使用率大致如图9所示,其具体表示某天某台服务器的CPU使用率,其中横坐标表示时刻,而纵坐标表示CPU使用率。通过收集到的数据计算CPU的均值和方差两个特性值a和b。
同样地,分别还有内存使用率、磁盘IO闲置率、网络连接数和网卡流量等四项KPI,也是使用这种方式收集相应数据并计算均值和方差,设为c、d、e、f、g、h、i和j,参考图10。那么总共就有a到j的10个特征,这10个特征将作为SVM的输入,经过SVM模型后会输出是否是空闲服务器。
在本实施例中,通过对获取的数据进行降噪处理,并且提取其中的方差和均值特征,可以有效地实现对模型的训练,以模型预测的准确性。
在一个实施例中,提供了一种空闲服务器资源发现方法,如图4所示,该方法中根据训练好的预测模型对当前服务器的空闲资源进行预测的步骤包括:
步骤402,计算服务器当前时段的CPU使用率、内存使用率、磁盘IO闲置率、网络连接数及网卡流量的均值和方差,得到十个输入项;
步骤404,将十个输入项输入到训练好的预测模型得到当前服务器的空闲资源的预测结果。
具体地,在本实施例中,样本数据收集工作是比较重要的一步,对收集到的样本数据先进行降噪处理,然后计算各项KPI的均值和方差。具体的处理过程为:从服务器上收集近期的CPU使用率、内存使用率、磁盘IO闲置率、网络连接数和网卡流量,比如一周或一个月的数据,使用近期的数据作为样本能更准确。另外,该数据样本的采样时间间隔为0.5个小时,将其按照时间排列起来,比如某一周的数据,如下表,每一天的第0.5小时认为是第一时刻,第1小时认为是第二时刻,以此类推,一周一共有336个时刻。获得样本集后进行小波变换降噪处理,再通过SVM训练得到最终模型。预测阶段则计算当前时刻的前面n个时刻的五项KPI数据的均值和方差,得到十个输入项,输入到模型最终得到结果。
时间 | 时刻 | CPU使用率 | 内存使用率 | 磁盘IO闲置率 | 网络连接数 | 网卡流量 |
第一天第0.5小时 | 1 | 1.5% | 20% | 30% | 12 | 20kB/s |
第一天第1小时 | 2 | 10010 | 20.3% | 40% | 32 | 30kB/s |
第一天第1.5小时 | 3 | 0.5% | 16% | 45% | 43 | 35kB/s |
. | . | . | . | |||
. | . | . | . | |||
. | . | . | . | |||
第七天第24小时 | 336 | 3% | 19% | 30% | 1 | 50kB/s |
在本实施例中,通过对服务器资源的CPU使用率、内存使用率、磁盘IO闲置率、网络连接数和网卡流量五个KPI进行SVM建模,从而实现对空闲服务器预测,进而发现空闲的服务器资源并对其进行回收,提高资源的使用率,最终为公司节省成本。
应该理解的是,虽然图2-4的流程图中的各个步骤按照箭头的指示依次显示,但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明,这些步骤的执行并没有严格的顺序限制,这些步骤可以以其它的顺序执行。而且,图2-4中的至少一部分步骤可以包括多个子步骤或者多个阶段,这些子步骤或者阶段并不必然是在同一时刻执行完成,而是可以在不同的时刻执行,这些子步骤或者阶段的执行顺序也不必然是依次进行,而是可以与其它步骤或者其它步骤的子步骤或者阶段的至少一部分轮流或者交替地执行。
在一个实施例中,如图5所示,提供了一种空闲服务器资源发现装置500,该装置包括:
获取模块501,用于获取服务器资源的历史指标数据;
预处理模块502,用于对历史指标数据进行预处理,并计算各项历史指标数据的均值和方差;
训练模块503,用于将各项历史指标数据的均值和方差输入SVM分类模型进行模型训练,得到训练好的预测模型;
预测模块504,用于根据训练好的预测模型对当前服务器的空闲资源进行预测。
在一个实施例中,获取模块501还用于:
从服务器上收集历史指标数据,历史指标数据包括:CPU使用率、内存使用率、磁盘IO闲置率、网络连接数及网卡流量。
在一个实施例中,预处理模块502还用于:
通过小波变换对历史指标数据进行降噪处理;
分别计算处理后的CPU使用率、内存使用率、磁盘IO闲置率、网络连接数及网卡流量的均值和方差,得到十个模型训练输入特征。
在一个实施例中,预测模块504还用于:
计算服务器当前时段的CPU使用率、内存使用率、磁盘IO闲置率、网络连接数及网卡流量的均值和方差,得到十个输入项;
将十个输入项输入到训练好的预测模型得到当前服务器的空闲资源的预测结果。
关于空闲服务器资源发现装置的具体限定可以参见上文中对于空闲服务器资源发现方法的限定,在此不再赘述。
在一个实施例中,提供了一种计算机设备,其内部结构图可以如图6所示。该计算机设备包括通过系统总线连接的处理器、存储器以及网络接口。其中,该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统、计算机程序和数据库。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种空闲服务器资源发现方法。
本领域技术人员可以理解,图6中示出的结构,仅仅是与本申请方案相关的部分结构的框图,并不构成对本申请方案所应用于其上的计算机设备的限定,具体的计算机设备可以包括比图中所示更多或更少的部件,或者组合某些部件,或者具有不同的部件布置。
在一个实施例中,提供了一种计算机设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,处理器执行计算机程序时实现以上各个方法实施例中的步骤。
在一个实施例中,提供了一种计算机可读存储介质,其上存储有计算机程序,计算机程序被处理器执行时实现以上各个方法实施例中的步骤。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程,是可以通过计算机程序来指令相关的硬件来完成,所述的计算机程序可存储于一非易失性计算机可读取存储介质中,该计算机程序在执行时,可包括如上述各方法的实施例的流程。其中,本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用,均可包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器(ROM)、可编程ROM(PROM)、电可编程ROM(EPROM)、电可擦除可编程ROM(EEPROM)或闪存。易失性存储器可包括随机存取存储器(RAM)或者外部高速缓冲存储器。作为说明而非局限,RAM以多种形式可得,诸如静态RAM(SRAM)、动态RAM(DRAM)、同步DRAM(SDRAM)、双数据率SDRAM(DDRSDRAM)、增强型SDRAM(ESDRAM)、同步链路(Synchlink)DRAM(SLDRAM)、存储器总线(Rambus)直接RAM(RDRAM)、直接存储器总线动态RAM(DRDRAM)、以及存储器总线动态RAM(RDRAM)等。
以上实施例的各技术特征可以进行任意的组合,为使描述简洁,未对上述实施例中的各个技术特征所有可能的组合都进行描述,然而,只要这些技术特征的组合不存在矛盾,都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本申请的几种实施方式,其描述较为具体和详细,但并不能因此而理解为对发明专利范围的限制。应当指出的是,对于本领域的普通技术人员来说,在不脱离本申请构思的前提下,还可以做出若干变形和改进,这些都属于本申请的保护范围。因此,本申请专利的保护范围应以所附权利要求为准。
Claims (10)
1.一种空闲服务器资源发现方法,所述方法包括:
获取服务器资源的历史指标数据;
对所述历史指标数据进行预处理,并计算各项历史指标数据的均值和方差;
将所述各项历史指标数据的均值和方差输入SVM分类模型进行模型训练,得到训练好的预测模型;
根据所述训练好的预测模型对当前服务器的空闲资源进行预测。
2.根据权利要求1所述的空闲服务器资源发现方法,其特征在于,所述获取服务器资源的历史指标数据的步骤包括:
从服务器上收集历史指标数据,所述历史指标数据包括:CPU使用率、内存使用率、磁盘IO闲置率、网络连接数及网卡流量。
3.根据权利要求2所述的空闲服务器资源发现方法,其特征在于,所述对所述历史指标数据进行预处理,并计算各项历史指标数据的均值和方差的步骤包括:
通过小波变换对所述历史指标数据进行降噪处理;
分别计算处理后的CPU使用率、内存使用率、磁盘IO闲置率、网络连接数及网卡流量的均值和方差,得到十个模型训练输入特征。
4.根据权利要求3所述的空闲服务器资源发现方法,其特征在于,所述根据所述训练好的预测模型对当前服务器的空闲资源进行预测的步骤包括:
计算服务器当前时段的CPU使用率、内存使用率、磁盘IO闲置率、网络连接数及网卡流量的均值和方差,得到十个输入项;
将所述十个输入项输入到所述训练好的预测模型得到当前服务器的空闲资源的预测结果。
5.一种空闲服务器资源发现装置,其特征在于,所述装置包括:
获取模块,所述获取模块用于获取服务器资源的历史指标数据;
预处理模块,所述预处理模块用于对所述历史指标数据进行预处理,并计算各项历史指标数据的均值和方差;
训练模块,所述训练模块用于将所述各项历史指标数据的均值和方差输入SVM分类模型进行模型训练,得到训练好的预测模型;
预测模块,所述预测模块用于根据所述训练好的预测模型对当前服务器的空闲资源进行预测。
6.根据权利要求5所述的空闲服务器资源发现装置,其特征在于,所述获取模块还用于:
从服务器上收集历史指标数据,所述历史指标数据包括:CPU使用率、内存使用率、磁盘IO闲置率、网络连接数及网卡流量。
7.根据权利要求6所述的空闲服务器资源发现装置,其特征在于,所述预处理模块还用于:
通过小波变换对所述历史指标数据进行降噪处理;
分别计算处理后的CPU使用率、内存使用率、磁盘IO闲置率、网络连接数及网卡流量的均值和方差,得到十个模型训练输入特征。
8.根据权利要求7所述的空闲服务器资源发现装置,其特征在于,所述预测模块还用于:
计算服务器当前时段的CPU使用率、内存使用率、磁盘IO闲置率、网络连接数及网卡流量的均值和方差,得到十个输入项;
将所述十个输入项输入到所述训练好的预测模型得到当前服务器的空闲资源的预测结果。
9.一种计算机设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,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4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4中任一项所述的方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811472413.4A CN109614231A (zh) | 2018-12-04 | 2018-12-04 | 空闲服务器资源发现方法、装置、计算机设备和存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811472413.4A CN109614231A (zh) | 2018-12-04 | 2018-12-04 | 空闲服务器资源发现方法、装置、计算机设备和存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN109614231A true CN109614231A (zh) | 2019-04-12 |
Family
ID=66006918
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811472413.4A Pending CN109614231A (zh) | 2018-12-04 | 2018-12-04 | 空闲服务器资源发现方法、装置、计算机设备和存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109614231A (zh) |
Cited By (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110221913A (zh) * | 2019-04-26 | 2019-09-10 | 深圳市致宸信息科技有限公司 | 监控服务器的云算力的方法、终端、设备及存储介质 |
CN110458601A (zh) * | 2019-07-09 | 2019-11-15 | 平安科技(深圳)有限公司 | 资源数据的处理方法、装置、计算机设备和存储介质 |
CN111104222A (zh) * | 2019-12-16 | 2020-05-05 | 上海众源网络有限公司 | 任务处理方法、装置、计算机设备和存储介质 |
CN111598390A (zh) * | 2019-10-16 | 2020-08-28 | 中国南方电网有限责任公司 | 服务器高可用性评估方法、装置、设备和可读存储介质 |
CN111638988A (zh) * | 2019-04-28 | 2020-09-08 | 上海伽易信息技术有限公司 | 一种基于深度学习的云主机故障智能预测方法 |
CN111897706A (zh) * | 2020-07-15 | 2020-11-06 | 中国工商银行股份有限公司 | 服务器性能预测方法、装置、计算机系统和介质 |
CN112667392A (zh) * | 2020-12-09 | 2021-04-16 | 南方电网数字电网研究院有限公司 | 云计算资源分配方法、装置、计算机设备和存储介质 |
CN113268403A (zh) * | 2021-05-25 | 2021-08-17 | 中国联合网络通信集团有限公司 | 时间序列的分析预测方法、装置、设备及存储介质 |
CN114726861A (zh) * | 2022-04-02 | 2022-07-08 | 中国科学技术大学苏州高等研究院 | 基于空闲服务器的模型聚合加速方法和装置 |
CN114827236A (zh) * | 2022-01-29 | 2022-07-29 | 中国银联股份有限公司 | 防火墙虚连接的处理方法、装置及计算机可读存储介质 |
CN114911620A (zh) * | 2022-05-16 | 2022-08-16 | 四川大学华西医院 | 一种医学科研数据订阅方法和系统 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6654697B1 (en) * | 1996-03-28 | 2003-11-25 | Rosemount Inc. | Flow measurement with diagnostics |
US20120101968A1 (en) * | 2010-10-22 | 2012-04-26 | International Business Machines Corporation | Server consolidation system |
US20170124450A1 (en) * | 2015-10-28 | 2017-05-04 | International Business Machines Corporation | Adaptive prediction system |
CN107196869A (zh) * | 2017-07-14 | 2017-09-22 | 北京知道创宇信息技术有限公司 | 基于主机实际负载的自适应负载均衡方法、设备和系统 |
US20180288142A1 (en) * | 2017-03-29 | 2018-10-04 | International Business Machines Corporation | Managing idle and active servers in cloud data centers |
CN108845881A (zh) * | 2018-05-30 | 2018-11-20 | 有米科技股份有限公司 | 服务器容量动态调整的方法及装置 |
-
2018
- 2018-12-04 CN CN201811472413.4A patent/CN109614231A/zh active Pending
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6654697B1 (en) * | 1996-03-28 | 2003-11-25 | Rosemount Inc. | Flow measurement with diagnostics |
US20120101968A1 (en) * | 2010-10-22 | 2012-04-26 | International Business Machines Corporation | Server consolidation system |
US20170124450A1 (en) * | 2015-10-28 | 2017-05-04 | International Business Machines Corporation | Adaptive prediction system |
US20180288142A1 (en) * | 2017-03-29 | 2018-10-04 | International Business Machines Corporation | Managing idle and active servers in cloud data centers |
CN107196869A (zh) * | 2017-07-14 | 2017-09-22 | 北京知道创宇信息技术有限公司 | 基于主机实际负载的自适应负载均衡方法、设备和系统 |
CN108845881A (zh) * | 2018-05-30 | 2018-11-20 | 有米科技股份有限公司 | 服务器容量动态调整的方法及装置 |
Cited By (19)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110221913A (zh) * | 2019-04-26 | 2019-09-10 | 深圳市致宸信息科技有限公司 | 监控服务器的云算力的方法、终端、设备及存储介质 |
CN111638988B (zh) * | 2019-04-28 | 2023-05-12 | 上海伽易信息技术有限公司 | 一种基于深度学习的云主机故障智能预测方法 |
CN111638988A (zh) * | 2019-04-28 | 2020-09-08 | 上海伽易信息技术有限公司 | 一种基于深度学习的云主机故障智能预测方法 |
CN110458601A (zh) * | 2019-07-09 | 2019-11-15 | 平安科技(深圳)有限公司 | 资源数据的处理方法、装置、计算机设备和存储介质 |
CN110458601B (zh) * | 2019-07-09 | 2023-11-24 | 平安科技(深圳)有限公司 | 资源数据的处理方法、装置、计算机设备和存储介质 |
CN111598390B (zh) * | 2019-10-16 | 2023-12-01 | 中国南方电网有限责任公司 | 服务器高可用性评估方法、装置、设备和可读存储介质 |
CN111598390A (zh) * | 2019-10-16 | 2020-08-28 | 中国南方电网有限责任公司 | 服务器高可用性评估方法、装置、设备和可读存储介质 |
CN111104222B (zh) * | 2019-12-16 | 2023-06-30 | 上海众源网络有限公司 | 任务处理方法、装置、计算机设备和存储介质 |
CN111104222A (zh) * | 2019-12-16 | 2020-05-05 | 上海众源网络有限公司 | 任务处理方法、装置、计算机设备和存储介质 |
CN111897706A (zh) * | 2020-07-15 | 2020-11-06 | 中国工商银行股份有限公司 | 服务器性能预测方法、装置、计算机系统和介质 |
CN112667392A (zh) * | 2020-12-09 | 2021-04-16 | 南方电网数字电网研究院有限公司 | 云计算资源分配方法、装置、计算机设备和存储介质 |
CN112667392B (zh) * | 2020-12-09 | 2024-01-23 | 南方电网数字电网研究院有限公司 | 云计算资源分配方法、装置、计算机设备和存储介质 |
CN113268403A (zh) * | 2021-05-25 | 2021-08-17 | 中国联合网络通信集团有限公司 | 时间序列的分析预测方法、装置、设备及存储介质 |
CN113268403B (zh) * | 2021-05-25 | 2023-10-31 | 中国联合网络通信集团有限公司 | 时间序列的分析预测方法、装置、设备及存储介质 |
CN114827236A (zh) * | 2022-01-29 | 2022-07-29 | 中国银联股份有限公司 | 防火墙虚连接的处理方法、装置及计算机可读存储介质 |
CN114827236B (zh) * | 2022-01-29 | 2023-07-14 | 中国银联股份有限公司 | 防火墙虚连接的处理方法、装置及计算机可读存储介质 |
CN114726861A (zh) * | 2022-04-02 | 2022-07-08 | 中国科学技术大学苏州高等研究院 | 基于空闲服务器的模型聚合加速方法和装置 |
CN114726861B (zh) * | 2022-04-02 | 2023-07-18 | 中国科学技术大学苏州高等研究院 | 基于空闲服务器的模型聚合加速方法和装置 |
CN114911620A (zh) * | 2022-05-16 | 2022-08-16 | 四川大学华西医院 | 一种医学科研数据订阅方法和系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109614231A (zh) | 空闲服务器资源发现方法、装置、计算机设备和存储介质 | |
US10963292B2 (en) | Techniques to manage virtual classes for statistical tests | |
CN111126668B (zh) | 基于图卷积网络的Spark作业时间预测方法和装置 | |
US20220101170A1 (en) | Numerical quantum experimentation | |
CN108563782A (zh) | 商品信息格式处理方法、装置、计算机设备和存储介质 | |
CN110990135B (zh) | 基于深度迁移学习的Spark作业时间预测方法和装置 | |
CN109523117A (zh) | 风险预测方法、装置、计算机设备和存储介质 | |
Velasco-Montero et al. | PreVIous: A methodology for prediction of visual inference performance on IoT devices | |
CN112232426A (zh) | 目标检测模型的训练方法、装置、设备及可读存储介质 | |
CN112132278A (zh) | 模型压缩方法、装置、计算机设备及存储介质 | |
CN110390563A (zh) | 用户价值的量化方法、装置、计算机设备和存储介质 | |
CN110516123A (zh) | 数据查询耗时评估方法、装置、计算机设备和存储介质 | |
US10558767B1 (en) | Analytical derivative-based ARMA model estimation | |
EP4246375A1 (en) | Model processing method and related device | |
CN109767031A (zh) | 模型分类器建立方法、装置、计算机设备和存储介质 | |
KR102375880B1 (ko) | 인공지능 모델 기반의 제조 공정에서의 견적 및 설계도 산출 시스템 | |
Dixon et al. | Accelerating Value‐at‐Risk estimation on highly parallel architectures | |
CN113760407A (zh) | 信息处理方法、装置、设备及存储介质 | |
Gahrouei et al. | Effective Implementation of GPU-based Revised Simplex algorithm applying new memory management and cycle avoidance strategies | |
Dijoux et al. | Generalized random sign and alert delay models for imperfect maintenance | |
CN114661301B (zh) | 图形处理单元编译方法、装置、编译加速库和存储介质 | |
CN109543081A (zh) | 船舶信号点数据处理方法、装置和计算机设备 | |
CN113884857B (zh) | 芯片、芯片压力测试方法、装置、电子设备及存储介质 | |
CN116992291A (zh) | 基于宽度学习的工作流管理方法、装置、电子设备及存储介质 | |
CN116070707A (zh) | 基于量子线路的线性系统求解方法、装置、介质及设备 |
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 |
Application publication date: 20190412 |
|
RJ01 | Rejection of invention patent application after publication |