CN110059873A - 一种面向电网企业测试环境云资源的智能调度方法 - Google Patents
一种面向电网企业测试环境云资源的智能调度方法 Download PDFInfo
- Publication number
- CN110059873A CN110059873A CN201910292630.3A CN201910292630A CN110059873A CN 110059873 A CN110059873 A CN 110059873A CN 201910292630 A CN201910292630 A CN 201910292630A CN 110059873 A CN110059873 A CN 110059873A
- Authority
- CN
- China
- Prior art keywords
- cloud
- resource
- test
- data
- intelligent
- 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
- 238000012360 testing method Methods 0.000 title claims abstract description 71
- 238000000034 method Methods 0.000 title claims abstract description 28
- 239000002245 particle Substances 0.000 claims abstract description 53
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 48
- 238000005457 optimization Methods 0.000 claims abstract description 17
- 238000009826 distribution Methods 0.000 claims abstract description 6
- 230000003044 adaptive effect Effects 0.000 claims description 21
- 238000013528 artificial neural network Methods 0.000 claims description 20
- 238000011084 recovery Methods 0.000 claims description 13
- 230000002068 genetic effect Effects 0.000 claims description 6
- 230000008569 process Effects 0.000 claims description 6
- 238000012549 training Methods 0.000 claims description 6
- 230000002159 abnormal effect Effects 0.000 claims description 5
- 238000005516 engineering process Methods 0.000 claims description 5
- 238000004458 analytical method Methods 0.000 claims description 4
- 230000001537 neural effect Effects 0.000 claims description 4
- 230000009467 reduction Effects 0.000 claims description 4
- 238000003860 storage Methods 0.000 claims description 4
- 238000004140 cleaning Methods 0.000 claims description 3
- 230000009194 climbing Effects 0.000 claims description 3
- 238000007405 data analysis Methods 0.000 claims description 3
- 238000000605 extraction Methods 0.000 claims description 3
- 230000035772 mutation Effects 0.000 claims description 3
- 238000003062 neural network model Methods 0.000 claims description 3
- 238000003032 molecular docking Methods 0.000 claims description 2
- 230000000717 retained effect Effects 0.000 claims description 2
- 230000008859 change Effects 0.000 abstract description 3
- 238000010276 construction Methods 0.000 abstract description 2
- 238000012544 monitoring process Methods 0.000 abstract description 2
- 230000007704 transition Effects 0.000 abstract description 2
- 230000006870 function Effects 0.000 description 9
- 230000000694 effects Effects 0.000 description 3
- 230000000306 recurrent effect Effects 0.000 description 3
- 230000006399 behavior Effects 0.000 description 2
- 230000002028 premature Effects 0.000 description 2
- 241000208340 Araliaceae Species 0.000 description 1
- 241001465754 Metazoa Species 0.000 description 1
- 235000005035 Panax pseudoginseng ssp. pseudoginseng Nutrition 0.000 description 1
- 235000003140 Panax quinquefolius Nutrition 0.000 description 1
- 230000001133 acceleration Effects 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 238000013523 data management Methods 0.000 description 1
- 230000001934 delay Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000005553 drilling Methods 0.000 description 1
- 235000013399 edible fruits Nutrition 0.000 description 1
- 239000004744 fabric Substances 0.000 description 1
- 235000008434 ginseng Nutrition 0.000 description 1
- 238000011835 investigation Methods 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 230000007087 memory ability Effects 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 230000001360 synchronised effect Effects 0.000 description 1
- 239000011800 void material Substances 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0631—Resource planning, allocation, distributing or scheduling for enterprises or organisations
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/06—Energy or water supply
Landscapes
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Human Resources & Organizations (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Entrepreneurship & Innovation (AREA)
- Marketing (AREA)
- General Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- Tourism & Hospitality (AREA)
- Quality & Reliability (AREA)
- Game Theory and Decision Science (AREA)
- Operations Research (AREA)
- Development Economics (AREA)
- Health & Medical Sciences (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Educational Administration (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种面向电网企业测试环境云资源的智能调度方法,通过智能调度方法,对资源的有效管理可以显著提高资源的应变服务能力,使云资源由资源供给型向智能运营型转变。本发明主要通过资源的描述、组织、发现、匹配、配置、监控和预测等内容,着重研究测试云资源负荷的智能动态预测方法,利用资源负荷智能预测结果,研究基于粒子群优化算法的资源优化配置及智能调度等;使得测试云资源能够得到有效地组织和合理的配置,在保证测试业务服务质量的同时,提升测试资源环境的承载能力,更好的加快公司信息化建设,支撑数字化转型。
Description
技术领域
本发明属于电网自动化技术领域,尤其涉及一种面向电网企业测试环境云资源的智 能调度方法。
背景技术
近年来,随着电网公司信息化建设的加速,公司对业务系统的第三方测试的需求也 随之快速增长。测试环境的云资源必须具备支撑信息化建设的需求,满足测试高峰期对高资源要求业务系统的测试,因此,现有测试环境中基础设施资源的管理问题成为了当 前测试云环境的核心问题之一。
发明内容
发明目的:针对以上问题,本发明提出一种面向电网企业测试环境云资源的智能调 度方法,最大限度挖掘提高测试云使用效率,充分利用闲置资源,自动化完成资源的释放和恢复。
技术方案:为实现本发明的目的,本发明所采用的技术方案是:一种面向电网企业测试环境云资源的智能调度方法,包括步骤:
(1)通过对测试云资源使用情况的数据采集,获取神经网络模型的原始数据;
(2)进行基于神经网络的智能预测,保留有用关键信息;
(3)基于粒子群优化算法的最优解智能调度;
(4)闲置虚拟机的自动释放与还原。
进一步地,所述步骤1具体包括:
(1.1)对历史数据中关键性资源进行数据分析和特征提取;
(1.2)采集的数据存储在云数据采集中心里,供后期分析计算用;
(1.3)数据上传后,由消息处理服务进程完成数据的清洗及格式,并入库存储。
进一步地,所述步骤2中,对于单任务粒度的测试任务,系统的资源需求负荷预测算法具体包括:
(2.1)对测试的脚本进行分类,输出的结果作为神经网络的一个输入;
(2.2)使用PauTa Criterion准则对异常数据进行清洗,得到模型输入输出数据;
(2.3)将模型输入数据分为训练集和测试集;
(2.4)使用遗传算法收敛到初始全局最优解,在粒子群算法中引入扰动项,获取RBF初始最优权值和阈值,从而优化RBF神经网络。
进一步地,所述步骤3中,基于粒子群优化算法的资源优化配置及智能调度算法具体包括步骤:
(3.1)通过混合算法获取最优的径向基函数神经网络的初始权重值;
(3.2)将云计算中的虚拟机分配问题抽象成满足特定优化目标的组合优化问题,接 着使用解决组合优化问题的粒子群智能仿真算法对其进行求解;
(3.3)根据得到的最优解实现测试云环境中虚拟机资源的智能调度任务,区分闲置 资源,从而把闲置资源暂时借于有需求的任务进行测试,待测试完成释放掉,任务还原。
进一步地,所述步骤4具体包括:
(4.1)虚拟机挂载云盘时获取云盘信息并将其写入宿主节点卷管理程序配置文件, 同时在虚拟机配置目录创建云盘恢复程序和云盘挂载配置文件;
(4.2)在宿主节点上配置卷管理程序和自动恢复程序开机启动;
(4.3)卷管理程序根据卷配置文件在宿主节点上初始化云盘;
(4.4)云盘恢复程序读取宿主节点上计算组件的配置文件获取云平台虚拟机配置目 录所在路径和本节点的标识信息;
(4.5)云盘恢复程序依次读取云平台用户虚拟机配置目录中的特征文件与本节点标 识信息进行对比,并执行云盘恢复。
进一步地,提取方式利用测试云现有指标抓取方法,对于不满足指标要求的,通过对接API接口,重新定制化开发。数据采集是由采集服务器通过HTTP协议和Restful 技术把数据上传并缓存在WEB及消息服务器上。
进一步地,粒子群优化算法具体包括步骤:
步骤1,初始化粒子群使得各个粒子符合约束并设定粒子最大迭代次数;
步骤2,对每个粒子,根据交叉策略和变异策略更新粒子位置和新位置的适应值;
步骤3,设定截止时间,当执行时间超过截至时间转步骤2,否则转步骤4;
步骤4,对每代群里中的全局极值随机选择位置向量中的任意两维交换他们的位置 的值;
步骤5,比较交换后粒子位置的适应值和粒子的当前个体位置的适应值,更新粒子的当前个体向量;
步骤6,比较粒子的个体位置的适应值和当前全局极值的适应值,选择具有最小适应值的个体作为当前全局极值;
步骤7,判断是否达到爬山次数,若达到,转步骤8,否则转步骤4;
步骤8,判断当前迭代次数是否达到最大迭代次数,若达到最大次数,转步骤9, 否则转步骤2;
步骤9,输出求得的调度方案及其适应值大小。
有益效果:本发明通过对测试云资源负荷的智能动态预测方法,利用资源负荷智能 预测结果,研究基于蚁群算法的资源优化配置及智能调度算法,使得测试云资源能够得到有效地组织和合理的配置,在保证测试业务服务质量的同时,提升测试资源环境的承 载能力,更好的加快公司信息化建设,支撑数字化转型。
附图说明
图1是神经网络数据模型图;
图2是递归神经网络模型图;
图3是粒子群算法模型图。
具体实施方式
下面结合附图和实施例对本发明的技术方案作进一步的说明。
本发明所述的面向电网企业测试环境云资源的智能调度方法,该方法适用于电网测 试云智能调度,主要分为四个步骤:
(1)调研分析,通过对测试云资源池中资源使用情况的数据采集、数据治理,获 取神经网络模型的原始数据;
电网测试环境采用云管方式,整个云数据采集中心分为三部分:硬件资源层、软件平台层、软件应用层。软件平台层是云数据采集中心的核心支撑层,包括“分布式文件 系统”、“分布式数据库”、“分布式消息服务”、“作业调度服务进程”、“数据计算 服务进程”等几大部分内容。软件应用层是云数据采集中心的功能实现及UI表达层, 功能实现需要基于软件平台层的支撑,后期设计和实施的主体。该层的主要功能应用有: 数据采集应用、数据统计应用、云数据采集中心的资源监控及调度。之所以采用分布式 架构主要考虑以集群的方式提供线性横向扩展能力,具备高可用、高可靠、高可扩。
(1.1)对历史数据中对于测试任务的资源需求和测试系统的负载有直接影响的CPU、 内存、网络数据三个关键性资源和对于测试任务具有间接影响的测试系统的硬件参数进 行数据分析和特征提取。提取方式利用测试云现有指标抓取方法,比如CPU、内存、网络参数等;对于不满足指标要求的,通过对接API接口,重新定制化开发,比如电源模 块、异常日志其它指标。
(1.2)通过HTTP超文本协议,把采集的海量文本、图片数据以及用户行为数据 存储在云数据采集中心里,以供后期分析计算用。数据采集主要是由采集服务器,通过 HTTP协议和Restful技术把数据上传并缓存在WEB及消息服务器上,WBS及消息 服务器可以缓存一周的数据上传量。
(1.3)数据上传后,再由消息处理服务进程完成数据的最终清洗及格式,并最终入库存储。
消息数据管理通过嵌入式nosql内核完成上百万并发量的缓存数据来提供异步发布和订阅。应用程序通过JDBC/REST/Memcached等符合业界标准接口完成集群中的消 息缓存数据的操作,集群成员之间也通过该接口完成成员之间的数据同步,状探测步。
(2)基于神经网络的智能预测,保留有用关键信息;
神经网络可以充分利用历史数据,影响输出的各方面因素,通过训练来逼近输入、输出函数之间的非线性关系,避开了公式形式的表述,对具有强烈动态性和非线性数据 具有良好的拟合能力,具有自学习、数据驱动、自组织、自适应,以及联想记忆能力, 可以把握给定数据之间隐藏的功能关系,即使这种关系是不明确或难以辨认的。另外, 神经网络对先验知识采取分布式存储,这样使得网络具有更强的鲁棒性和容错能力。
对于单任务粒度的测试任务对系统的资源需求负荷预测算法:
(2.1)首先需要对测试的脚本进行分类,输出的结果作为神经网络的一个输入。设计一个8输入—4输出的RBF神经网络,输入变量为CPU、内存、网络带宽、测试程序 分类结果、网页大小、中间件传输能力、数据库I/O能力、负载均衡轮询方式,输出变 量为单个测试任务CPU、内存占用率和网络占用情况,如图2所示。
(2.2)使用PauTa Criterion准则对异常数据进行清洗,得到模型输入输出数据。
(2.3)将模型输入数据按照4:1的比例分为训练集和测试集。
(2.4)Poggio和Girosi已经证明,RBF网络是连续函数的最佳逼近。为了避免陷 入局部最优解,结合自适应遗传算法和改进粒子群算法的混合算法。先使用遗传算法收 敛到初始全局最优解,在粒子群算法中引入扰动项,克服粒子群算法收敛早熟的缺点, 获取RBF初始最优权值和阈值,从而优化RBF神经网络。
对于测试系统资源的短期实时预测算法设计一个3输入—3输出的神经网络,输入变量为CPU、内存、网络使用情况(历史数据),输出变量为CPU、内存网络使用情况 (未来时刻数据),如图3所示:
提取N个时刻(也即N个历史采样点)的CPU、内存、网络使用情况的历史数据, 作为原始数据。同样使用PauTa Criterion准则对异常数据进行清洗,得到模型输入数据。 将模型输入数据按照4:1的比例分为训练集和测试集。Elman神经网络一种的动态递归 网络,相比与其他神经网络的输入层隐含层输出层3层结构外,还有记录延时算子的关 联层,使得Elman神经网络对于短期内波动较大的函数具有很好的拟合效果。
对于隐层节点数和关联层节点数固定的网络,为保证模型鲁棒性,随机分配训练集 和测试集多次,考察每次训练后的预测精度:若预测精度满足工程要求,则采用此网络结构;若预测精度未满足工程要求,则调整网络的隐含层数、隐层节点数,直至预测精 度满足工程要求。
对于与测试任务资源需求负荷有直接关联的测试脚本使用有效窗口和朴素贝叶斯 的方法对历史测试任务的测试脚本分类,并结合测试任务的关键性资源和被测试系统的 静态资源,使用PauTa Criterion准则对异常数据进行清洗。使用重叠移动滑窗技术从测 试资源中提取子序列,利用已有的聚类算法进行特征分类,运用递归神经网络构建基于时间序列的系统资源负荷预测模型,实现单任务粒度的资源需求负荷预测和测试系统资源负荷的短期实时预测。最终为资源智能调度和优化配置提供支撑。
(3)基于粒子群优化算法的最优解智能调度;
粒子群优化算法是一种进化计算技术,在对动物集群活动行为观察基础上,利用群 体中的个体对信息的共享使整个群体的运动在问题求解空间中产生从无序到有序的演化过程,从而获得最优解。对于解决复杂问题具有较好的效果,适合云资源调度问题。 但是粒子群算法容易陷入局部最优和早熟收敛问题,为了克服以上问题,使用遗传算法 进行优化,先用遗传算法收敛到初始全局最优解,在此基础上利用粒子群算法的局部搜 索的良好特性,对粒子群算法中粒子位置的迭代中加入扰动项,克服粒子群算法的早熟 收敛问题,从而获取资源优化配置及智能调度算法的最优解。
基于粒子群优化算法的资源优化配置及智能调度算法,具体包括步骤:
(3.1)通过混合算法获取最优的径向基函数神经网络的初始权重值,提高径向基函 数神经网络的预测准确度和精度;
(3.2)将云计算中的虚拟机分配问题抽象成满足特定优化目标的组合优化问题,接 着使用解决组合优化问题的粒子群智能仿真算法对其进行求解;
(3.3)根据得到的最优解实现测试云环境中虚拟机资源的智能调度任务,区分出哪 些任务需要增加资源,哪些是短期的闲置资源,从而把闲置资源暂时借于有需求的任务进行测试,待测试完成释放掉,任务还原。
粒子群算法是基于群体算法,根据对环境的适应能力将群体中的个体移动到较好的 区域。它不对个体进行演化计算,而是将每个个体看做是D维搜索空间中的一个没有体积的粒子,在搜索空间中以一定得速度飞行,这个速度根据它本身的飞行经验和同伴的 飞行经验来动态调整。而工作流调度问题是离散问题,因此给出适用于连续问题求解的 粒子群算法的粒子编码方式。粒子群优化算法基本步骤包括以下几种:
步骤1,初始化粒子群使得各个粒子符合约束并设定粒子最大迭代次数;
步骤2,对每个粒子,根据交叉策略和变异策略更新粒子位置和新位置的适应值;
步骤3,设定截止时间,当执行时间超过截至时间转步骤2,否则转步骤4;
步骤4,对每代群里中的全局极值随机选择位置向量中的任意两维交换他们的位置 的值;
步骤5,比较交换后粒子位置的适应值和粒子的当前个体位置的适应值,更新粒子的当前个体向量;
步骤6,比较粒子的个体位置的适应值和当前全局极值的适应值,选择具有最小适应值的个体作为当前全局极值;
步骤7,判断是否达到爬山次数,若达到,转步骤8,否则转步骤4;
步骤8,判断当前迭代次数是否达到最大迭代次数,若达到最大次数,转步骤9, 否则转步骤2;
步骤9,输出求得的调度方案及其适应值大小。
(4)闲置虚拟机的自动释放与还原。
在进行大规模系统测试任务时,及时地检测并释放闲置虚拟机资源以满足测试任务 的需要,以保证测试任务的顺利进行。同时,结合数据备份和还原技术,还原已释放的虚拟机,保证后续测试任务能顺利及时地部署,从而实现业务的连续性。
测试云环境对闲置资源停止运行服务之后,会将其占用的cpu、内存资源释放到资源池,而其系统和数据资源仍然被云虚机占用,并在资源释放之前做快照备份。待测试 机完成测试后恢复原状,把原释放资源的虚机开机启动,如果遇到逻辑错误,则启用快 照资源,恢复关机前状态。自此,测试云全部智能调度任务完成。
虚拟机挂载云盘时保存云盘相关的信息到虚拟机所在的配置目录,并通过云盘恢复 程序对比虚拟机配置目录中的特征文件与宿主节点的标识信息,进行云盘恢复。具体包括步骤:
(4.1)虚拟机挂载云盘时获取云盘信息并将其写入宿主节点卷管理程序配置文件, 同时在虚拟机配置目录创建云盘恢复程序和云盘挂载配置文件;
(4.2)在宿主节点上配置卷管理程序和自动恢复程序开机启动;
(4.3)卷管理程序根据卷配置文件在宿主节点上初始化云盘;
(4.4)云盘恢复程序读取宿主节点上计算组件的配置文件获取云平台虚拟机配置目 录所在路径和本节点的标识信息;
(4.5)云盘恢复程序依次读取云平台用户虚拟机配置目录中的特征文件与本节点标 识信息进行对比,并执行云盘恢复。
Claims (8)
1.一种面向电网企业测试环境云资源的智能调度方法,其特征在于,包括步骤:
(1)通过对测试云资源使用情况的数据采集,获取神经网络模型的原始数据;
(2)进行基于神经网络的智能预测,保留有用关键信息;
(3)基于粒子群优化算法的最优解智能调度;
(4)闲置虚拟机的自动释放与还原。
2.根据权利要求1所述的面向电网企业测试环境云资源的智能调度方法,其特征在于,所述步骤1具体包括:
(1.1)对历史数据中关键性资源进行数据分析和特征提取;
(1.2)采集的数据存储在云数据采集中心里,供后期分析计算用;
(1.3)数据上传后,由消息处理服务进程完成数据的清洗及格式,并入库存储。
3.根据权利要求1所述的面向电网企业测试环境云资源的智能调度方法,其特征在于,所述步骤2中,对于单任务粒度的测试任务,系统的资源需求负荷预测算法具体包括:
(2.1)对测试的脚本进行分类,输出的结果作为神经网络的一个输入;
(2.2)使用PauTa Criterion准则对异常数据进行清洗,得到模型输入输出数据;
(2.3)将模型输入数据分为训练集和测试集;
(2.4)使用遗传算法收敛到初始全局最优解,在粒子群算法中引入扰动项,获取RBF初始最优权值和阈值,从而优化RBF神经网络。
4.根据权利要求1所述的面向电网企业测试环境云资源的智能调度方法,其特征在于,所述步骤3中,基于粒子群优化算法的资源优化配置及智能调度算法具体包括步骤:
(3.1)通过混合算法获取最优的径向基函数神经网络的初始权重值;
(3.2)将云计算中的虚拟机分配问题抽象成满足特定优化目标的组合优化问题,接着使用解决组合优化问题的粒子群智能仿真算法对其进行求解;
(3.3)根据得到的最优解实现测试云环境中虚拟机资源的智能调度任务,区分闲置资源,从而把闲置资源暂时借于有需求的任务进行测试,待测试完成释放掉,任务还原。
5.根据权利要求1所述的面向电网企业测试环境云资源的智能调度方法,其特征在于,所述步骤4具体包括:
(4.1)虚拟机挂载云盘时获取云盘信息并将其写入宿主节点卷管理程序配置文件,同时在虚拟机配置目录创建云盘恢复程序和云盘挂载配置文件;
(4.2)在宿主节点上配置卷管理程序和自动恢复程序开机启动;
(4.3)卷管理程序根据卷配置文件在宿主节点上初始化云盘;
(4.4)云盘恢复程序读取宿主节点上计算组件的配置文件获取云平台虚拟机配置目录所在路径和本节点的标识信息;
(4.5)云盘恢复程序依次读取云平台用户虚拟机配置目录中的特征文件与本节点标识信息进行对比,并执行云盘恢复。
6.根据权利要求2所述的面向电网企业测试环境云资源的智能调度方法,其特征在于,提取方式利用测试云现有指标抓取方法,对于不满足指标要求的,通过对接API接口,重新定制化开发。
7.根据权利要求2所述的面向电网企业测试环境云资源的智能调度方法,其特征在于,数据采集是由采集服务器通过HTTP协议和Restful技术把数据上传并缓存在WEB及消息服务器上。
8.根据权利要求4所述的面向电网企业测试环境云资源的智能调度方法,其特征在于,粒子群优化算法具体包括步骤:
步骤1,初始化粒子群使得各个粒子符合约束并设定粒子最大迭代次数;
步骤2,对每个粒子,根据交叉策略和变异策略更新粒子位置和新位置的适应值;
步骤3,设定截止时间,当执行时间超过截至时间转步骤2,否则转步骤4;
步骤4,对每代群里中的全局极值随机选择位置向量中的任意两维交换他们的位置的值;
步骤5,比较交换后粒子位置的适应值和粒子的当前个体位置的适应值,更新粒子的当前个体向量;
步骤6,比较粒子的个体位置的适应值和当前全局极值的适应值,选择具有最小适应值的个体作为当前全局极值;
步骤7,判断是否达到爬山次数,若达到,转步骤8,否则转步骤4;
步骤8,判断当前迭代次数是否达到最大迭代次数,若达到最大次数,转步骤9,否则转步骤2;
步骤9,输出求得的调度方案及其适应值大小。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910292630.3A CN110059873A (zh) | 2019-04-12 | 2019-04-12 | 一种面向电网企业测试环境云资源的智能调度方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910292630.3A CN110059873A (zh) | 2019-04-12 | 2019-04-12 | 一种面向电网企业测试环境云资源的智能调度方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN110059873A true CN110059873A (zh) | 2019-07-26 |
Family
ID=67318970
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910292630.3A Pending CN110059873A (zh) | 2019-04-12 | 2019-04-12 | 一种面向电网企业测试环境云资源的智能调度方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110059873A (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110363452A (zh) * | 2019-08-19 | 2019-10-22 | 深圳市深电能售电有限公司 | 一种电力现货市场交易指挥系统及工作方法 |
CN112667379A (zh) * | 2020-12-29 | 2021-04-16 | 深圳Tcl新技术有限公司 | 任务调度方法及服务器 |
CN113852562A (zh) * | 2021-09-23 | 2021-12-28 | 华北电力大学 | 一种基于改进粒子群算法的通信与负荷资源联合优化装置 |
CN115426319A (zh) * | 2022-08-30 | 2022-12-02 | 上海飞机制造有限公司 | 一种网络资源调度系统 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104283946A (zh) * | 2014-09-26 | 2015-01-14 | 东北大学 | 一种单物理机下多虚拟机的资源自适应调整系统及方法 |
CN104765679A (zh) * | 2014-01-08 | 2015-07-08 | 中国科学院声学研究所 | 一种基于用户行为的业务在线测试方法与装置 |
CN108415756A (zh) * | 2017-10-25 | 2018-08-17 | 国云科技股份有限公司 | 一种云平台虚拟机的云盘自动恢复方法 |
US20190033801A1 (en) * | 2017-07-26 | 2019-01-31 | General Electric Company | Method and system for providing flexible reserve power for power grid |
-
2019
- 2019-04-12 CN CN201910292630.3A patent/CN110059873A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104765679A (zh) * | 2014-01-08 | 2015-07-08 | 中国科学院声学研究所 | 一种基于用户行为的业务在线测试方法与装置 |
CN104283946A (zh) * | 2014-09-26 | 2015-01-14 | 东北大学 | 一种单物理机下多虚拟机的资源自适应调整系统及方法 |
US20190033801A1 (en) * | 2017-07-26 | 2019-01-31 | General Electric Company | Method and system for providing flexible reserve power for power grid |
CN108415756A (zh) * | 2017-10-25 | 2018-08-17 | 国云科技股份有限公司 | 一种云平台虚拟机的云盘自动恢复方法 |
Non-Patent Citations (3)
Title |
---|
南敬昌 等: "基于改进混合算法优化RBF网络的滤波器建模", 《计算机工程与科学》 * |
吴世山: "面向节能的云计算任务调度策略研究", 《中国优秀硕士学位论文全文数据库 信息科技辑》 * |
李依桐 等: "基于混合粒子群算法的云计算任务调度研究", 《计算机技术与自动化》 * |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110363452A (zh) * | 2019-08-19 | 2019-10-22 | 深圳市深电能售电有限公司 | 一种电力现货市场交易指挥系统及工作方法 |
CN112667379A (zh) * | 2020-12-29 | 2021-04-16 | 深圳Tcl新技术有限公司 | 任务调度方法及服务器 |
CN112667379B (zh) * | 2020-12-29 | 2024-06-07 | 深圳Tcl新技术有限公司 | 任务调度方法及服务器 |
CN113852562A (zh) * | 2021-09-23 | 2021-12-28 | 华北电力大学 | 一种基于改进粒子群算法的通信与负荷资源联合优化装置 |
CN113852562B (zh) * | 2021-09-23 | 2024-02-27 | 华北电力大学 | 一种基于改进粒子群算法的通信与负荷资源联合优化装置 |
CN115426319A (zh) * | 2022-08-30 | 2022-12-02 | 上海飞机制造有限公司 | 一种网络资源调度系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110059873A (zh) | 一种面向电网企业测试环境云资源的智能调度方法 | |
Shakarami et al. | A survey on the computation offloading approaches in mobile edge computing: A machine learning-based perspective | |
Iftikhar et al. | AI-based fog and edge computing: A systematic review, taxonomy and future directions | |
Bhattacharjee et al. | Barista: Efficient and scalable serverless serving system for deep learning prediction services | |
Tang et al. | Virtual network function migration based on dynamic resource requirements prediction | |
CN109271015B (zh) | 一种降低大规模分布式机器学习系统能耗的方法 | |
CN110389820B (zh) | 一种基于v-TGRU模型进行资源预测的私有云任务调度方法 | |
CN111026549B (zh) | 一种电力信息通信设备自动化测试资源调度方法 | |
Liu et al. | Two-stage approach for reliable dynamic Web service composition | |
CN102307369B (zh) | 支持无线传感网并行仿真和实物模拟的装置及方法 | |
Nguyen et al. | A resource usage prediction system using functional-link and genetic algorithm neural network for multivariate cloud metrics | |
CN110119421A (zh) | 一种基于Spark流式分类的电力窃电用户识别方法 | |
Nguyen et al. | Building resource auto-scaler with functional-link neural network and adaptive bacterial foraging optimization | |
Hammoud | MapReduce network enabled algorithms for classification based on association rules | |
Huang et al. | Performance modelling and analysis for IoT services | |
CN117675838A (zh) | 一种智能量测主站数据自动同步及共享方法及系统 | |
CN117076077A (zh) | 基于大数据分析的计划调度优化方法 | |
CN117573459A (zh) | 一种故障检测方法、装置、电子设备及存储介质 | |
Zhu et al. | A priority-aware scheduling framework for heterogeneous workloads in container-based cloud | |
Xu et al. | Model-based reinforcement learning for elastic stream processing in edge computing | |
CN117827434A (zh) | 基于多维资源预测的混合弹性伸缩方法 | |
Asghar et al. | A survey on scheduling techniques in the edge cloud: Issues, challenges and future directions | |
Liang et al. | Prediction method of energy consumption based on multiple energy-related features in data center | |
Qu et al. | Improving parking occupancy prediction in poor data conditions through customization and learning to learn | |
Feng et al. | Heterogeneity-aware proactive elastic resource allocation for serverless applications |
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: 20190726 |
|
RJ01 | Rejection of invention patent application after publication |