CN110198244B - 面向异构云服务的资源配置方法和装置 - Google Patents
面向异构云服务的资源配置方法和装置 Download PDFInfo
- Publication number
- CN110198244B CN110198244B CN201910531492.XA CN201910531492A CN110198244B CN 110198244 B CN110198244 B CN 110198244B CN 201910531492 A CN201910531492 A CN 201910531492A CN 110198244 B CN110198244 B CN 110198244B
- Authority
- CN
- China
- Prior art keywords
- model
- target
- trend
- weight
- initial
- 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.)
- Active
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N5/00—Computing arrangements using knowledge-based models
- G06N5/04—Inference or reasoning models
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
- G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
-
- 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]
- G06F9/5061—Partitioning or combining of resources
- G06F9/5072—Grid computing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- 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
-
- 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
- H04L41/0896—Bandwidth or capacity management, i.e. automatically increasing or decreasing capacities
-
- 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
- H04L41/14—Network analysis or design
- H04L41/145—Network analysis or design involving simulating, designing, planning or modelling of a network
-
- 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
- H04L41/14—Network analysis or design
- H04L41/147—Network analysis or design for predicting network behaviour
-
- 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
- G06F2209/5011—Pool
-
- 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
- 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]
- G06F9/5061—Partitioning or combining of resources
- G06F9/5077—Logical partitioning of resources; Management or configuration of virtualized resources
-
- 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
- H04L41/14—Network analysis or design
- H04L41/149—Network analysis or design for prediction of maintenance
-
- 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
Abstract
本申请实施例公开了面向异构云服务的资源配置方法和装置,属于云计算领域。该系统的一具体实施方式包括:针对异构的至少两种云服务,建立具有通用结构的基础模型,其中,该基础模型包括趋势模型和周期模型;将该至少两种云服务中的云服务确定为目标云服务,以及获取该目标云服务的目标历史数据集;利用该目标历史数据集,对趋势模型和周期模型进行训练;基于训练后的趋势模型和训练后的周期模型,生成该目标云服务对应的目标预测模型;基于该目标预测模型,生成针对该目标云服务的、未来时间段的资源需求量,以及根据该资源需求量对该目标云服务的资源进行配置。该实施方式提供了面向异构云服务的资源配置方式。
Description
技术领域
本申请实施例涉及云计算技术领域,具体涉及面向异构云服务的资源配置方法和装置。
背景技术
通常,现有技术中可以将云计算理解为一种按需所取、按需付费的模式,其内核是通过互联网把网络上的所有资源集成为一个叫“云”的可配置的计算资源共享池(资源包括网络,服务器,存储,应用软件,服务),然后对这个资源池进行统一管理和调度,向用户提供虚拟的、动态的、按需的、弹性的服务,逐渐发展成基于计算机技术、通信技术、存储技术、数据库技术的综合性技术服务。
发明内容
本申请实施例提出了面向异构云服务的资源配置方法和装置。
第一方面,本申请实施例提供了一种面向异构云服务的资源配置方法,该方法包括:针对异构的至少两种云服务,建立具有通用结构的基础模型,其中,上述基础模型包括趋势模型和周期模型;将上述至少两种云服务中的云服务确定为目标云服务,以及获取上述目标云服务的目标历史数据集;利用上述目标历史数据集,对趋势模型和周期模型进行训练,生成训练后的趋势模型和训练后的周期模型;基于训练后的趋势模型和训练后的周期模型,生成上述目标云服务对应的目标预测模型;基于上述目标预测模型,生成针对上述目标云服务的、未来时间段的资源需求量,以及根据上述资源需求量对上述目标云服务的资源进行配置。
第二方面,本申请实施例提供了一种面向异构云服务的资源配置装置,该装置包括:建立单元,被配置成针对异构的至少两种云服务,建立具有通用结构的基础模型,其中,上述基础模型包括趋势模型和周期模型;获取单元,被配置成将上述至少两种云服务中的云服务确定为目标云服务,以及获取上述目标云服务的目标历史数据集;第一生成单元,被配置成利用上述目标历史数据集,对趋势模型和周期模型进行训练,生成训练后的趋势模型和训练后的周期模型;第二生成单元,被配置成基于训练后的趋势模型和训练后的周期模型,生成上述目标云服务对应的目标预测模型;配置单元,被配置成基于上述目标预测模型,生成针对上述目标云服务的、未来时间段的资源需求量,以及根据上述资源需求量对上述目标云服务的资源进行配置。
第三方面,本申请实施例提供了一种电子设备,包括:一个或多个处理器;存储装置,其上存储有一个或多个程序,当上述一个或多个程序被上述一个或多个处理器执行时,使得上述一个或多个处理器实现如第一方面中任一实现方式描述的方法。
第四方面,本申请实施例提供了一种计算机可读存储介质,其上存储有计算机程序,其中,该计算机程序被一个或多个处理器执行时实现如第二方面中任一实现方式描述的方法。
本申请实施例提供的面向异构云服务的资源配置方法和装置,通过首先针对异构的至少两种云服务,建立具有通用结构的基础模型,基础模型包括趋势模型和周期模型;再利用目标云服务的目标历史数据集,对趋势模型和周期模型进行训练;再基于训练后的趋势模型和训练后的周期模型,生成目标云服务对应的目标预测模型;最后基于目标预测模型,生成目标云服务的资源需求量,以及根据资源需求量对目标云服务的资源进行配置,由此,技术效果可以包括:提供了面向异构云服务的资源配置方式。
附图说明
通过阅读参照以下附图所作的对非限制性实施例所作的详细描述,本申请的其它特征、目的和优点将会变得更明显:
图1是本申请的实施例可以应用于其中的示例性系统架构图;
图2是根据本申请的面向异构云服务的资源配置方法的一个实施例的流程图;
图3是根据本申请的步骤204的一种实现方式的示意图;
图4是根据本申请的步骤2042的一种实现方式的示意图;
图5是根据本申请的步骤2042的另一种实现方式的示意图;
图6是根据本申请的面向异构云服务的资源配置装置的一个实施例的结构示意图;
图7是适于用来实现本申请实施例的电子设备的计算机系统的结构示意图。
具体实施方式
下面结合附图和实施例对本申请作进一步的详细说明。可以理解的是,此处所描述的具体实施例仅仅用于解释相关发明,而非对该发明的限定。另外还需要说明的是,为了便于描述,附图中仅示出了与有关发明相关的部分。
需要说明的是,在不冲突的情况下,本申请中的实施例及实施例中的特征可以相互组合。下面将参考附图并结合实施例来详细说明本申请。
图1示出了可以应用本申请的面向异构云服务的资源配置系统的实施例的示例性系统架构100。
如图1所示,系统架构100可以包括:云资源池101、102,设备103以及网络104。
在这里,云计算管理平台可以从逻辑的角度把服务器、存储设备、网络设备虚拟成数十个,甚至成百上千个逻辑单元。这些单元能够在云计算管理平台上进行组合,形成多个虚拟机(也可以称为云资源池)。用户,例如企业用户,可以向云计算管理平台请求云服务,云计算管理平台可以为企业用户生成相应的云资源池,云资源池可以向企业用户提供云服务。并且,云计算管理平台通过动态管理云资源池,可以向用户提供虚拟的、动态的、按需的、弹性的服务,让云资源池的资源与用户的需求相匹配。需要说明的是,企业用户可以通过云服务,向终端用户提供各种服务。
在这里,网络104是用以在服务器和云资源池之间提供通信链路的介质。网络104可以包括各种连接类型,例如有线、无线通信链路或者光纤电缆等等。
设备103可以是支持网络连接从而提供各种网络服务的硬件设备或软件。当设备为硬件时,其可以是具有计算功能的各种电子设备,包括但不限于智能手机、平板电脑、膝上型便携计算机、台式计算机和服务器等等。这时,作为硬件设备,其可以实现成多个设备组成的分布式设备群,也可以实现成单个设备。当设备为软件时,可以安装在上述所列举的电子设备中。这时,作为软件,其可以实现成例如用来提供分布式服务的多个软件或软件模块,也可以实现成单个软件或软件模块。在此不做具体限定。
应该理解,图1中的云资源池、设备和网络的数目仅仅是示意性的。根据实现需要,可以具有任意数目的云资源池、设备和网络。
下面参考图2,其示出了一种面向异构云服务的资源配置方法的一个实施例的流程200。该面向异构云服务的资源配置方法的流程200,包括以下步骤:
步骤201,针对异构的至少两种云服务,建立具有通用结构的基础模型。
在本实施例中,上述面向异构云服务的资源配置方法的执行主体(例如图1中的设备103)可以针对异构的至少两种云服务,建立具有通用结构的基础模型。
可以理解,云服务可以是向用户提供的服务,由于不同用户的需求可能不同,向用户提供数据内容、为用户准备的资源池等可能不同。例如,用户为搜索服务申请的云服务,与用户为云盘存储服务申请的云服务,这两者之间从多个方面(例如上述提供的数据内容、资源池等)可能是不同的;这种情况,可以认为这两个云服务是异构的。由于异构云服务的资源需求量趋势差异较大,例如,有的周期性明显,有的周期性不明显;有的随时间递增,有的增长趋势不明显,等等。
现有技术中对于异构的云服务,通常针对每种云服务建立该云服务对应的单一云服务预测模型,以单一预测模型预测该云服务在未来时间段的资源需求量。现有技术中使用单一云服务预测模型,需要针对每种云服务,搭建不同结构的原始模型,然后对原始模型进行训练,得到云服务预测模型。针对日益多样的云服务,针对性的建立单一云服务预测模型,需要耗费大量的资源和时间。并且,对于初次建立的云服务,可能由于该云服务没有充足的历史数据,难以训练单一云服务预测,再初始模型没有预判的情况下,导致提供该云服务的初期不能预测较为准确的资源需要量。
本申请中,采用通用结构的基础模型,可以在面对异构的云服务的时候,无需调整模型结构,减少了针对多个云服务逐个搭建原始模型的环节,由此,可以减少计算资源的浪费,并且可以节省建立模型的时间,尽早实现预测。
在本实施例中,上述基础模型可以包括趋势模型和周期模型。
在这里,趋势模型可以表征资源需求量的趋势变化规律,即趋势模型的输入和输出符合趋势模型所表征的趋势变化规律。周期模型可以表征预测资源需求量的周期变化规律,即周期模型的输入输出符合周期模型所表征的周期变化规律。
步骤202,将至少两种云服务中的云服务确定为目标云服务,以及获取上述目标云服务的目标历史数据集。
在本实施例中,上述执行主体可以将上述至少两种云服务中的云服务,确定为目标云服务,以及获取上述目标云服务的目标历史数据集。
可以理解,历史数据可以包括CPU数量、存储空间等。不同的云服务,历史数据集中的历史数据可能是不同的。
在这里,目标历史数据集可以包括与历史时间对应的历史数据。
步骤203,利用目标历史数据集,对趋势模型和周期模型进行训练,生成训练后的趋势模型和训练后的周期模型。
在本实施例中,上述执行主体可以利用上述目标历史数据集,对趋势模型和周期模型进行训练,生成训练后的趋势模型和训练后的周期模型。
可选的,趋势模型可以基于各种结构。作为示例,趋势模型可以采用逻辑回归拟合。对于多段的趋势变换,即趋势中存在增长率变换的点,可以提前用户指定,也可以自动监测。将这些点采用分段函数处理,然后带入到基于逻辑回归的趋势模型中,以保证整个趋势模型具有连续性。
可选的,周期模型可以基于各种结构。作为示例,可以采用傅里叶级数拟合周期模型。傅里叶技术可以通过将复杂的周期趋势分解为简单的三角函数(正弦函数、余弦函数)和常数项的组合,来逼近任意周期的函数。因此,采用基于傅里叶级数的周期模型,可以实现表征上述周期规律。
可选的,可以对趋势模型和周期模型,分开训练。即将目标历史数据集输入到趋势模型,以趋势模型的输出的为依据,反馈调节趋势模型(参数);将目标历史数据集输入到周期模型,以周期模型的输出的为依据,反馈调节周期模型(参数)。
可选的,可以将趋势模型和周期模型,联合训练。可以将趋势模型的第一输出结果和周期模型的第二输出结果结合,作为待训练的目标预测模型的输出结果。将目标历史数据集输入到趋势模型和周期模型,以目标预测模型的输出结果为依据,调整趋势模型(参数)和周期模型(参数)。
步骤204,基于训练后的趋势模型和训练后的周期模型,生成目标云服务对应的目标预测模型。
在本实施例中,上述执行主体可以基于训练后的趋势模型和训练后的周期模型,生成目标云服务对应的目标预测模型。
在本实施例中,上述执行主体可以将趋势模型的第一输出结果和周期模型的第二输出结果结合起来,作为目标预测模型的输出结果。
可选的,可以通过将第一输出结果和第二输出结果直接相加结合起来,作为目标预测模型的输出结果;也可以通过分别对第一输出结果和第二输出结果加权求取加权和,结合起来,作为目标预测模型的输出结果。
可选的,还可以引入其他因子(例如噪声因子、突发因子)等,与趋势模型的第一输出结果和周期模型的第二输出结果结合起来,作为目标预测模型的输出结果。
从目标预测模型的输出结果可以看出,目标预测模型的结构在包括趋势模型和周期模型的基础上,可以有各种实现方式,在此不做限定。
可选的,基础模型可以包括突发因子模型,突发因子模型的输入可以是(工作人员)指定的突发需求量,突发因子模型的第三输出结果可以用于生成目标预测模型的输出结果。
需要说明的是,有一些确定性的突发因素,例如节假日等,可以被预期到会影响云服务的资源需求量。因此,工作人员可以通过突发因子模型向基础模型输入突发资源需求量。
步骤205,基于目标预测模型,生成针对目标云服务的、未来时间段的资源需求量,以及根据资源需求量对目标云服务的资源进行配置。
在本实施例中,上述执行主体可以基于上述目标预测模型,生成针对上述目标云服务的、未来时间段的资源需求量,以及根据生成的资源需求量对目标云服务的资源进行配置。
在本实施例中,基于上述目标预测模型,生成上述资源需求量,可以包括:将历史时间段的、上述目标云服务的历史资源需求量输入到上述目标预测模型,生成上述未来时间段的资源需求量。上述历史时间段和上述未来时间段具有预先设置的对应关系。例如,可以利用2018年6月的资源需求量,预测2019年6月的资源需求量,2018年6月与2019年6月之间的对应关系是预先设置的。
在本实施例中,根据生成的资源需求量对目标云服务的资源进行配置,可以预先为目标云服务准备未来时间段需要的资源。如果未来需要的资源量较大,预先配置可以保证云服务有需求的时候,资源及时供上,避免云服务由于资源不足而导致云服务滞后或者速度降低。如果未来需要的资源量较小,预先配置可以避免资源浪费。
本申请的上述实施例提供的面向异构云服务的资源配置方法,通过首先针对异构的至少两种云服务,建立具有通用结构的基础模型,基础模型包括趋势模型和周期模型;再利用目标云服务的目标历史数据集,对趋势模型和周期模型进行训练;再基于训练后的趋势模型和训练后的周期模型,生成目标云服务对应的目标预测模型;最后基于目标预测模型,生成目标云服务的资源需求量,以及根据资源需求量对目标云服务的资源进行配置,由此,技术效果至少可以包括:
第一,提供了一种面向异构云服务的资源配置方法。
第二,采用通用结构的基础模型,可以在面对异构的云服务的时候,无需调整模型结构,减少了针对多个云服务逐个搭建原始模型的环节,由此,可以减少计算资源的浪费,并且可以节省建立模型的时间,尽早实现预测。并且,建立目标预测模型方式具有自适应能力,只需准备通用的基础模型和目标历史数据集,计算机即可自适应生成模型,无需调参和调结构,同时生成的目标预测模型可以保持较高精确度。
第三,采用趋势模型和周期模型,可以适用与不同的云服务,经实践证明,包括趋势模型和周期模型的基础模型应用到不同的云服务,平均精度大于95%。
第四,根据生成的资源需求量对目标云服务的资源进行配置,可以预先为目标云服务准备未来时间段需要的资源。如果未来需要的资源量较大,预先配置可以保证云服务有需求的时候,资源及时供上,避免云服务由于资源不足而导致云服务滞后或者速度降低。如果未来需要的资源量较小,预先配置可以避免资源浪费。
在一些实施例中,步骤204可以通过图3所示流程204实现,流程204可以包括:
步骤2041,获取初始趋势权重和初始周期权重。
在这里,上述初始趋势权重用于对训练后的趋势模型的第一输出结果进行加权。
在这里,上述初始周期权重用于对训练后的周期模型的第二输出结果进行加权。
在这里,初始趋势权重和初始周期权重可以由工作人员设置。
步骤2042,利用目标云服务的目标历史数据集合,以目标预测模型收敛为目标,调整初始趋势权重和初始周期权重,生成趋势权重和周期权重。
可以理解,模型训练的时候,通常需要设置损失函数;损失函数收敛(损失函数输出变小),可以称为模型收敛。
通常情况下,模型精度可以是输出真正例数量与输出正例集合中数量的比值,输出正例集合可以包括真输出真正例和输出假正例。具体到本申请,模型精度可以是在确定的趋势权重和周期权重的情况下,损失函数的输出值。
可选的,可以利用各种方式调整初始趋势权重和初始周期权重。例如,可以利用贝叶斯优化或者高斯过程,确定趋势权重和周期权重的最优解。但是,需要说明的是,利用贝叶斯优化或者高斯过程进行求解的过程,往往需要花费大量的计算资源和计算时间。
在一些实施例中,上述步骤2042可以通过图4所示流程400实现,流程400可以包括:
步骤401,基于初始趋势权重,执行第一调整步骤。
在这里,步骤401可以包括:
步骤4011,增大初始趋势权重得到新的初始趋势权重,确定基于新的初始趋势权重上述目标预测模型是否收敛。
步骤4012,响应于基于新的初始趋势权重上述目标预测模型收敛,确定目标预测模型的第一精度是否小于预设第一精度阈值。
在这里,步骤401还可以包括响应于确定目标预测模型的第一精度小于预设第一精度阈值,结束调整。
步骤402,响应于目标预测模型的第一精度不小于预设第一精度阈值,以新的趋势权重为初始趋势权重,执行第一调整步骤。
步骤402可以理解为跳转步骤。
步骤403,响应于确定基于新的初始趋势权重上述目标预测模型不收敛,基于初始周期权重,执行以下第二调整步骤。
在这里,步骤403可以包括:
步骤4031,增大初始周期权重得到新的初始周期权重,确定基于新的初始周期权重上述目标预测模型是否收敛。
步骤4032,响应于确定基于新的初始周期权重上述目标预测模型收敛,确定目标预测模型的第二精度是否小于预设第一精度阈值。
在这里,步骤403可以包括响应于目标预测模型的第二精度小于预设第一精度阈值,结束调整。
步骤404,响应于确定目标预测模型的第二精度不小于第一精度阈值,以新的周期权重为初始周期权重,执行第二调整步骤。
在这里,步骤404可以理解为跳转步骤。
步骤405,响应于确定基于新的初始周期权重上述目标预测模型不收敛,调整预设第一精度阈值,基于调整后的预设第一精度阈值,继续执行第一调整步骤。
将结束调整时候的新的初始趋势权重和(新的)初始周期权重,确定趋势权重和周期权重。
需要说明的是,流程400中所有的“增大”也可以修改为减小。
需要说明的是,可以先调节趋势权重,如果此次调节趋势权重可以使得模型收敛,可以认为对模型精度呈正影响,则继续调节趋势权重,直到满足精度要求;否则,调节周期权重,如果此次调节周期权重可以使得模型收敛,可以认为对模型精度呈正影响,则继续调节周期权重,直到满足精度要求;如果调节趋势权重和调节周期权重,模型精度都不能达到要求,则减小模型精度,进行新一轮调节趋势权重或者周期权重的过程,直到模型收敛。
在一些实施例中,上述步骤2042可以通过图5所示流程500实现,流程500可以包括:
步骤501,基于初始周期权重,执行第三调整步骤。
在这里,步骤501可以包括:
步骤5011,增大初始周期权重得到新的初始周期权重,确定基于新的初始周期权重上述目标预测模型是否收敛。
步骤5012,响应于确定基于新的初始周期权重上述目标预测模型收敛,确定目标预测模型的第三精度是否小于预设第二精度阈值。
步骤501可以包括响应于目标预测模型的第三精度小于预设第二精度阈值,结束调整。
步骤502,响应于确定目标预测模型的第三精度不小于第二精度阈值,以新的周期权重为初始周期权重,执行第三调整步骤。
在这里,步骤502可以理解为跳转步骤。
步骤503,响应于确定基于新的初始周期权重目标预测模型不收敛,基于初始趋势权重,执行第四调整步骤。
在这里,步骤503可以包括:
步骤5031,增大初始趋势权重得到新的初始趋势权重,确定基于新的初始趋势权重上述目标预测模型是否收敛。
步骤5032,响应于基于新的初始趋势权重目标预测模型收敛,确定目标预测模型的第四精度是否小于预设第二精度阈值。
步骤503可以包括响应于确定目标预测模型的第四精度小于预设第二精度阈值,结束调整。
步骤504,响应于目标预测模型的第四精度不小于预设第二精度阈值,以新的趋势权重为初始趋势权重,执行第四调整步骤。
在这里,步骤504可以理解为跳转步骤。
步骤505,响应于确定基于新的初始趋势权重上述目标预测模型不收敛,调整预设第二精度阈值,基于调整后的预设第二精度阈值,继续执行第三调整步骤。
将结束调整时候的新的初始周期权重和(新的)初始趋势权重,确定周期权重和趋势权重。
需要说明的是,可以先调节周期权重,如果此次调节周期权重可以使得模型收敛,可以认为对模型精度呈正影响,则继续调节周期权重,直到满足精度要求;否则,调节趋势权重,如果此次调节趋势权重可以使得模型收敛,可以认为对模型精度呈正影响,则继续调节趋势权重,直到满足精度要求;如果调节趋势权重和调节周期权重,模型精度都不能达到要求,则减小模型精度,进行新一轮调节趋势权重或者周期权重的过程,直到模型收敛。
需要说明的是,本申请的趋势权重和周期权重可以实现自动调整,面向异构云服务可以自动调整,保持一定精度的同时,具有较快的求解速度,从而可以快速生成适应目标云服务的预测模型。
进一步参考图6,作为对上述各图所示方法的实现,本申请提供了一种面向异构云服务的资源配置装置的一个实施例,该装置实施例与图2所示的方法实施例相对应,该装置具体可以应用于各种电子设备中。
如图6所示,本实施例的面向异构云服务的资源配置装置600包括:建立单元601,被配置成针对异构的至少两种云服务,建立具有通用结构的基础模型,其中,上述基础模型包括趋势模型和周期模型;获取单元602,被配置成将上述至少两种云服务中的云服务确定为目标云服务,以及获取上述目标云服务的目标历史数据集;第一生成单元603,被配置成利用上述目标历史数据集,对趋势模型和周期模型进行训练,生成训练后的趋势模型和训练后的周期模型;第二生成单元604,被配置成基于训练后的趋势模型和训练后的周期模型,生成上述目标云服务对应的目标预测模型;配置单元605,被配置成基于上述目标预测模型,生成针对上述目标云服务的、未来时间段的资源需求量,以及根据上述资源需求量对上述目标云服务的资源进行配置。
需要说明的是,本申请实施例提供的面向异构云服务的资源配置装置中各单元的实现细节和技术效果可以参考本申请中其它实施例的说明,在此不再赘述。
在一些实施例中,第二生成单元还被配置成:获取初始趋势权重和初始周期权重,其中,上述初始趋势权重用于对训练后的趋势模型的第一输出结果进行加权,上述初始周期权重用于对训练后的周期模型的第二输出结果进行加权;利用上述目标云服务的目标历史数据集,以目标预测模型收敛为目标,调整上述初始趋势权重和上述初始周期权重,生成趋势权重和周期权重。
在一些实施例中,第二生成单元还被配置成:基于初始趋势权重,执行以下第一调整步骤:增大初始趋势权重得到新的初始趋势权重,确定基于新的初始趋势权重上述目标预测模型是否收敛;响应于基于新的初始趋势权重上述目标预测模型收敛,确定目标预测模型的第一精度是否小于预设第一精度阈值;响应于确定目标预测模型的第一精度小于预设第一精度阈值,结束调整;响应于目标预测模型的第一精度不小于预设第一精度阈值,以新的趋势权重为初始趋势权重,执行第一调整步骤。
在一些实施例中,第二生成单元还被配置成:响应于确定基于新的初始趋势权重上述目标预测模型不收敛,基于初始周期权重,执行以下第二调整步骤:增大初始周期权重得到新的初始周期权重,确定基于新的初始周期权重上述目标预测模型是否收敛;响应于确定基于新的初始周期权重上述目标预测模型收敛,确定目标预测模型的第二精度是否小于预设第一精度阈值;响应于目标预测模型的第二精度小于预设第一精度阈值,结束调整;响应于确定目标预测模型的第二精度不小于第一精度阈值,以新的周期权重为初始周期权重,执行第二调整步骤。
在一些实施例中,第二生成单元还被配置成:响应于确定基于新的初始周期权重上述目标预测模型不收敛,调整预设第一精度阈值,基于调整后的预设第一精度阈值,继续执行第一调整步骤。
在一些实施例中,第二生成单元还被配置成:基于初始周期权重,执行以下第三调整步骤:增大初始周期权重得到新的初始周期权重,确定基于新的初始周期权重上述目标预测模型是否收敛;响应于确定基于新的初始周期权重上述目标预测模型收敛,确定目标预测模型的第三精度是否小于预设第二精度阈值;响应于目标预测模型的第三精度小于预设第二精度阈值,结束调整;响应于确定目标预测模型的第三精度不小于第二精度阈值,以新的周期权重为初始周期权重,执行第三调整步骤。
在一些实施例中,第二生成单元还被配置成:响应于确定基于新的初始周期权重目标预测模型不收敛,基于初始趋势权重,执行以下第四调整步骤:增大初始趋势权重得到新的初始趋势权重,确定基于新的初始趋势权重上述目标预测模型是否收敛;响应于基于新的初始趋势权重上述目标预测模型收敛,确定目标预测模型的第四精度是否小于预设第二精度阈值;响应于确定目标预测模型的第四精度小于预设第二精度阈值,结束调整;响应于目标预测模型的第四精度不小于预设第二精度阈值,以新的趋势权重为初始趋势权重,执行第四调整步骤。
在一些实施例中,第二生成单元还被配置成:响应于确定基于新的初始趋势权重上述目标预测模型不收敛,调整预设第二精度阈值,基于调整后的预设第二精度阈值,继续执行第三调整步骤。
在一些实施例中,上述基础模型包括突发因子模型,其中,上述突发因子模型的输入为指定的突发需求量,上述突发因子模型的第三输出结果用于生成上述目标预测模型的输出结果。
下面参考图7,其示出了适于用来实现本申请实施例的服务器的计算机系统700的结构示意图。图7示出的服务器仅仅是一个示例,不应对本申请实施例的功能和使用范围带来任何限制。
如图7所示,计算机系统700包括中央处理单元(CPU,Central Processing Unit)701,其可以根据存储在只读存储器(ROM,Read Only Memory)702中的程序或者从存储部分708加载到随机访问存储器(RAM,Random Access Memory)703中的程序而执行各种适当的动作和处理。在RAM 703中,还存储有系统700操作所需的各种程序和数据。CPU 701、ROM702以及RAM 703通过总线704彼此相连。输入/输出(I/O,Input/Output)接口705也连接至总线704。
以下部件连接至I/O接口705:包括键盘、鼠标等的输入部分706;包括诸如阴极射线管(CRT,Cathode Ray Tube)、液晶显示器(LCD,Liquid Crystal Display)等以及扬声器等的输出部分707;包括硬盘等的存储部分708;以及包括诸如LAN(局域网,Local AreaNetwork)卡、调制解调器等的网络接口卡的通信部分709。通信部分709经由诸如因特网的网络执行通信处理。驱动器710也根据需要连接至I/O接口705。可拆卸介质711,诸如磁盘、光盘、磁光盘、半导体存储器等等,根据需要安装在驱动器710上,以便于从其上读出的计算机程序根据需要被安装入存储部分708。
特别地,根据本公开的实施例,上文参考流程图描述的过程可以被实现为计算机软件程序。例如,本公开的实施例包括一种计算机程序产品,其包括承载在计算机可读介质上的计算机程序,该计算机程序包含用于执行流程图所示的方法的程序代码。在这样的实施例中,该计算机程序可以通过通信部分709从网络上被下载和安装,和/或从可拆卸介质711被安装。在该计算机程序被中央处理单元(CPU)701执行时,执行本申请的方法中限定的上述功能。需要说明的是,本申请上述的计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质或者是上述两者的任意组合。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的系统、装置或器件,或者任意以上的组合。计算机可读存储介质的更具体的例子可以包括但不限于:具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本申请中,计算机可读存储介质可以是任何包含或存储程序的有形介质,该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。而在本申请中,计算机可读的信号介质可以包括在基带中或者作为载波一部分传播的数据信号,其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式,包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读的信号介质还可以是计算机可读存储介质以外的任何计算机可读介质,该计算机可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。计算机可读介质上包含的程序代码可以用任何适当的介质传输,包括但不限于:无线、电线、光缆、RF等等,或者上述的任意合适的组合。
可以以一种或多种程序设计语言或其组合来编写用于执行本申请的操作的计算机程序代码,上述程序设计语言包括面向对象的程序设计语言—诸如Java、Smalltalk、C++,还包括常规的过程式程序设计语言—诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中,远程计算机可以通过任意种类的网络——包括局域网(LAN)或广域网(WAN)—连接到用户计算机,或者,可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。
附图中的流程图和框图,图示了按照本申请各种实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上,流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分,该模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意,在有些作为替换的实现中,方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如,两个接连地表示的方框实际上可以基本并行地执行,它们有时也可以按相反的顺序执行,这依所涉及的功能而定。也要注意的是,框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合,可以用执行规定的功能或操作的专用的基于硬件的系统来实现,或者可以用专用硬件与计算机指令的组合来实现。
描述于本申请实施例中所涉及到的单元可以通过软件的方式实现,也可以通过硬件的方式来实现。所描述的单元也可以设置在处理器中,例如,可以描述为:一种处理器包括建立单元。其中,这些单元的名称在某种情况下并不构成对该单元本身的限定,例如,建立单元还可以被描述为“建立模型的单元”。
作为另一方面,本申请还提供了一种计算机可读介质,该计算机可读介质可以是上述实施例中描述的装置中所包含的;也可以是单独存在,而未装配入该装置中。上述计算机可读介质承载有一个或者多个程序,当上述一个或者多个程序被该装置执行时,使得该装置:针对异构的至少两种云服务,建立具有通用结构的基础模型,其中,上述基础模型包括趋势模型和周期模型;将上述至少两种云服务中的云服务确定为目标云服务,以及获取上述目标云服务的目标历史数据集;利用上述目标历史数据集,对趋势模型和周期模型进行训练,生成训练后的趋势模型和训练后的周期模型;基于训练后的趋势模型和训练后的周期模型,生成上述目标云服务对应的目标预测模型;基于上述目标预测模型,生成针对上述目标云服务的、未来时间段的资源需求量,以及根据上述资源需求量对上述目标云服务的资源进行配置。
以上描述仅为本申请的较佳实施例以及对所运用技术原理的说明。本领域技术人员应当理解,本申请中所涉及的发明范围,并不限于上述技术特征的特定组合而成的技术方案,同时也应涵盖在不脱离上述发明构思的情况下,由上述技术特征或其等同特征进行任意组合而形成的其它技术方案。例如上述特征与本申请中公开的(但不限于)具有类似功能的技术特征进行互相替换而形成的技术方案。
Claims (12)
1.一种面向异构云服务的资源配置方法,其中,所述方法包括:
针对异构的至少两种云服务,建立具有通用结构的基础模型,其中,所述基础模型包括趋势模型和周期模型,所述基础模型还包括突发因子模型,所述突发因子模型的输入为指定的突发需求量,所述突发因子模型的第三输出结果用于生成目标预测模型的输出结果;
将所述至少两种云服务中的云服务确定为目标云服务,以及获取所述目标云服务的目标历史数据集;
利用所述目标历史数据集,对趋势模型和周期模型进行训练,生成训练后的趋势模型和训练后的周期模型;
基于训练后的趋势模型和训练后的周期模型,生成所述目标云服务对应的目标预测模型;
基于所述目标预测模型,生成针对所述目标云服务的、未来时间段的资源需求量,以及根据所述资源需求量对所述目标云服务的资源进行配置。
2.根据权利要求1所述的方法,其中,所述基于训练后的趋势模型和训练后的周期模型,生成所述目标云服务对应的目标预测模型,包括:
获取初始趋势权重和初始周期权重,其中,所述初始趋势权重用于对训练后的趋势模型的第一输出结果进行加权,所述初始周期权重用于对训练后的周期模型的第二输出结果进行加权;
利用所述目标云服务的目标历史数据集,以目标预测模型收敛为目标,调整所述初始趋势权重和所述初始周期权重,生成趋势权重和周期权重。
3.根据权利要求2所述的方法,其中,所述利用所述目标云服务的目标历史数据集,以目标预测模型收敛为目标,调整所述初始趋势权重和所述初始周期权重,生成趋势权重和周期权重,包括:
基于初始趋势权重,执行以下第一调整步骤:增大初始趋势权重得到新的初始趋势权重,确定基于新的初始趋势权重所述目标预测模型是否收敛;响应于基于新的初始趋势权重所述目标预测模型收敛,确定目标预测模型的第一精度是否小于预设第一精度阈值;响应于确定目标预测模型的第一精度小于预设第一精度阈值,结束调整;
响应于目标预测模型的第一精度不小于预设第一精度阈值,以新的趋势权重为初始趋势权重,执行第一调整步骤。
4.根据权利要求3所述的方法,其中,所述利用所述目标云服务的目标历史数据集,以目标预测模型收敛为目标,调整所述初始趋势权重和所述初始周期权重,生成趋势权重和周期权重,包括:
响应于确定基于新的初始趋势权重所述目标预测模型不收敛,基于初始周期权重,执行以下第二调整步骤:增大初始周期权重得到新的初始周期权重,确定基于新的初始周期权重所述目标预测模型是否收敛;响应于确定基于新的初始周期权重所述目标预测模型收敛,确定目标预测模型的第二精度是否小于预设第一精度阈值;响应于目标预测模型的第二精度小于预设第一精度阈值,结束调整;
响应于确定目标预测模型的第二精度不小于第一精度阈值,以新的周期权重为初始周期权重,执行第二调整步骤。
5.根据权利要求4所述的方法,所述利用所述目标云服务的目标历史数据集,以目标预测模型收敛为目标,调整所述初始趋势权重和所述初始周期权重,生成趋势权重和周期权重,还包括:
响应于确定基于新的初始周期权重所述目标预测模型不收敛,调整预设第一精度阈值,基于调整后的预设第一精度阈值,继续执行第一调整步骤。
6.根据权利要求2所述的方法,其中,所述利用所述目标云服务的目标历史数据集,以目标预测模型收敛为目标,调整所述初始趋势权重和所述初始周期权重,生成趋势权重和周期权重,包括:
基于初始周期权重,执行以下第三调整步骤:增大初始周期权重得到新的初始周期权重,确定基于新的初始周期权重所述目标预测模型是否收敛;响应于确定基于新的初始周期权重所述目标预测模型收敛,确定目标预测模型的第三精度是否小于预设第二精度阈值;响应于目标预测模型的第三精度小于预设第二精度阈值,结束调整;
响应于确定目标预测模型的第三精度不小于第二精度阈值,以新的周期权重为初始周期权重,执行第三调整步骤。
7.根据权利要求6所述的方法,其中,所述利用所述目标云服务的目标历史数据集,以目标预测模型收敛为目标,调整所述初始趋势权重和所述初始周期权重,生成趋势权重和周期权重,包括:
响应于确定基于新的初始周期权重目标预测模型不收敛,基于初始趋势权重,执行以下第四调整步骤:增大初始趋势权重得到新的初始趋势权重,确定基于新的初始趋势权重所述目标预测模型是否收敛;响应于基于新的初始趋势权重所述目标预测模型收敛,确定目标预测模型的第四精度是否小于预设第二精度阈值;响应于确定目标预测模型的第四精度小于预设第二精度阈值,结束调整;
响应于目标预测模型的第四精度不小于预设第二精度阈值,以新的趋势权重为初始趋势权重,执行第四调整步骤。
8.根据权利要求7所述的方法,所述利用所述目标云服务的目标历史数据集,以目标预测模型收敛为目标,调整所述初始趋势权重和所述初始周期权重,生成趋势权重和周期权重,还包括:
响应于确定基于新的初始趋势权重所述目标预测模型不收敛,调整预设第二精度阈值,基于调整后的预设第二精度阈值,继续执行第三调整步骤。
9.一种面向异构云服务的资源配置装置,其中,所述装置包括:
建立单元,被配置成针对异构的至少两种云服务,建立具有通用结构的基础模型,其中,所述基础模型包括趋势模型和周期模型,所述基础模型还包括突发因子模型,所述突发因子模型的输入为指定的突发需求量,所述突发因子模型的第三输出结果用于生成目标预测模型的输出结果;
获取单元,被配置成将所述至少两种云服务中的云服务确定为目标云服务,以及获取所述目标云服务的目标历史数据集;
第一生成单元,被配置成利用所述目标历史数据集,对趋势模型和周期模型进行训练,生成训练后的趋势模型和训练后的周期模型;
第二生成单元,被配置成基于训练后的趋势模型和训练后的周期模型,生成所述目标云服务对应的目标预测模型;
配置单元,被配置成基于所述目标预测模型,生成针对所述目标云服务的、未来时间段的资源需求量,以及根据所述资源需求量对所述目标云服务的资源进行配置。
10.根据权利要求9所述的装置,其中,所述第二生成单元,还被配置成:
获取初始趋势权重和初始周期权重,其中,所述初始趋势权重用于对训练后的趋势模型的第一输出结果进行加权,所述初始周期权重用于对训练后的周期模型的第二输出结果进行加权;
利用所述目标云服务的目标历史数据集,以目标预测模型收敛为目标,调整所述初始趋势权重和所述初始周期权重,生成趋势权重和周期权重。
11.一种电子设备,包括:
一个或多个处理器;
存储装置,其上存储有一个或多个程序,
当所述一个或多个程序被所述一个或多个处理器执行时,使得所述一个或多个处理器实现如权利要求1-8中任一所述的方法。
12.一种计算机可读存储介质,其上存储有计算机程序,其中,所述计算机程序被一个或多个处理器执行时实现如权利要求1-8中任一所述的方法。
Priority Applications (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910531492.XA CN110198244B (zh) | 2019-06-19 | 2019-06-19 | 面向异构云服务的资源配置方法和装置 |
US16/700,651 US11449774B2 (en) | 2019-06-19 | 2019-12-02 | Resource configuration method and apparatus for heterogeneous cloud services |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910531492.XA CN110198244B (zh) | 2019-06-19 | 2019-06-19 | 面向异构云服务的资源配置方法和装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110198244A CN110198244A (zh) | 2019-09-03 |
CN110198244B true CN110198244B (zh) | 2022-02-18 |
Family
ID=67754849
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910531492.XA Active CN110198244B (zh) | 2019-06-19 | 2019-06-19 | 面向异构云服务的资源配置方法和装置 |
Country Status (2)
Country | Link |
---|---|
US (1) | US11449774B2 (zh) |
CN (1) | CN110198244B (zh) |
Families Citing this family (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112835771A (zh) * | 2019-11-22 | 2021-05-25 | 中国移动通信有限公司研究院 | 一种业务量预测方法、装置、设备及存储介质 |
CN113129048A (zh) * | 2019-12-31 | 2021-07-16 | 阿里巴巴集团控股有限公司 | 资源供给方法、装置、电子设备及计算机可读存储介质 |
CN111258767B (zh) * | 2020-01-22 | 2023-01-03 | 中国人民解放军国防科技大学 | 复杂系统仿真应用的云计算资源智能分配方法与装置 |
CN112311599B (zh) * | 2020-10-29 | 2023-04-07 | 北京金山云网络技术有限公司 | 云资源余量报警方法、装置及服务器 |
CN112529435A (zh) * | 2020-12-17 | 2021-03-19 | 中国农业银行股份有限公司 | 一种资源分配方法及装置 |
CN113220452A (zh) * | 2021-05-10 | 2021-08-06 | 北京百度网讯科技有限公司 | 资源分配方法、模型训练方法、装置和电子设备 |
CN113159453B (zh) * | 2021-05-17 | 2024-04-30 | 北京字跳网络技术有限公司 | 资源数据预测方法、装置、设备及存储介质 |
CN113268350B (zh) * | 2021-06-07 | 2024-01-26 | 上海数禾信息科技有限公司 | 基于云的服务构建的资源分配方法、装置、计算机设备 |
CN113791906A (zh) * | 2021-08-09 | 2021-12-14 | 戴西(上海)软件有限公司 | 基于gpu资源在人工智能与工程领域调度系统及优化算法 |
CN113935258B (zh) * | 2021-10-15 | 2022-05-20 | 北京百度网讯科技有限公司 | 计算流体动力学加速方法、装置、设备以及存储介质 |
CN113837814A (zh) * | 2021-11-01 | 2021-12-24 | 北京字节跳动网络技术有限公司 | 投放资源数量预测的方法、装置、可读介质及电子设备 |
EP4220386A1 (de) * | 2022-01-31 | 2023-08-02 | Siemens Aktiengesellschaft | Technisches system mit cloud-dienstenutzung |
CN117201502B (zh) * | 2023-09-12 | 2024-02-20 | 广州云硕科技发展有限公司 | 基于人工智能的智能云服务器接入方法及系统 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105868073A (zh) * | 2016-03-25 | 2016-08-17 | 山东超越数控电子有限公司 | 一种基于时间序列分析的数据中心节能策略实现方法 |
CN106874280A (zh) * | 2015-12-10 | 2017-06-20 | 博雅网络游戏开发(深圳)有限公司 | 异常数据的报警方法和装置 |
CN106961351A (zh) * | 2017-03-03 | 2017-07-18 | 南京邮电大学 | 基于Docker容器集群的智能弹性伸缩方法 |
CN108011764A (zh) * | 2017-12-07 | 2018-05-08 | 国云科技股份有限公司 | 一种预测多云平台存储资源增长量的方法 |
CN109412829A (zh) * | 2018-08-30 | 2019-03-01 | 华为技术有限公司 | 一种资源配置的预测方法及设备 |
CN109714395A (zh) * | 2018-12-10 | 2019-05-03 | 平安科技(深圳)有限公司 | 云平台资源使用预测方法及终端设备 |
Family Cites Families (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CA2476314A1 (en) * | 2002-02-07 | 2003-08-14 | Think-Dynamics Inc. | Method and system for managing resources in a data center |
US20120023041A1 (en) * | 2007-08-08 | 2012-01-26 | Yoram Kariv | System and method for predictive network monitoring |
US9324034B2 (en) * | 2012-05-14 | 2016-04-26 | Qualcomm Incorporated | On-device real-time behavior analyzer |
US20130304677A1 (en) * | 2012-05-14 | 2013-11-14 | Qualcomm Incorporated | Architecture for Client-Cloud Behavior Analyzer |
US9684870B2 (en) * | 2013-01-02 | 2017-06-20 | Qualcomm Incorporated | Methods and systems of using boosted decision stumps and joint feature selection and culling algorithms for the efficient classification of mobile device behaviors |
US10089582B2 (en) * | 2013-01-02 | 2018-10-02 | Qualcomm Incorporated | Using normalized confidence values for classifying mobile device behaviors |
US10949807B2 (en) * | 2017-05-04 | 2021-03-16 | Servicenow, Inc. | Model building architecture and smart routing of work items |
US11468379B2 (en) * | 2018-10-19 | 2022-10-11 | Oracle International Corporation | Automated evaluation of project acceleration |
-
2019
- 2019-06-19 CN CN201910531492.XA patent/CN110198244B/zh active Active
- 2019-12-02 US US16/700,651 patent/US11449774B2/en active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106874280A (zh) * | 2015-12-10 | 2017-06-20 | 博雅网络游戏开发(深圳)有限公司 | 异常数据的报警方法和装置 |
CN105868073A (zh) * | 2016-03-25 | 2016-08-17 | 山东超越数控电子有限公司 | 一种基于时间序列分析的数据中心节能策略实现方法 |
CN106961351A (zh) * | 2017-03-03 | 2017-07-18 | 南京邮电大学 | 基于Docker容器集群的智能弹性伸缩方法 |
CN108011764A (zh) * | 2017-12-07 | 2018-05-08 | 国云科技股份有限公司 | 一种预测多云平台存储资源增长量的方法 |
CN109412829A (zh) * | 2018-08-30 | 2019-03-01 | 华为技术有限公司 | 一种资源配置的预测方法及设备 |
CN109714395A (zh) * | 2018-12-10 | 2019-05-03 | 平安科技(深圳)有限公司 | 云平台资源使用预测方法及终端设备 |
Also Published As
Publication number | Publication date |
---|---|
CN110198244A (zh) | 2019-09-03 |
US11449774B2 (en) | 2022-09-20 |
US20200401913A1 (en) | 2020-12-24 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110198244B (zh) | 面向异构云服务的资源配置方法和装置 | |
US10789544B2 (en) | Batching inputs to a machine learning model | |
US20200257968A1 (en) | Self-learning scheduler for application orchestration on shared compute cluster | |
US8819683B2 (en) | Scalable distributed compute based on business rules | |
CN110852438A (zh) | 模型生成方法和装置 | |
US9372725B2 (en) | Dynamically adjusting wait periods according to system performance | |
US11763146B1 (en) | Processing loops in computational graphs | |
WO2021130596A1 (en) | Elastic execution of machine learning workloads using application based profiling | |
CN115086189A (zh) | 一种面向无服务器计算的服务资源弹性伸缩方法和系统 | |
CN113419853A (zh) | 任务执行策略确定方法及装置、电子设备和存储介质 | |
US11824731B2 (en) | Allocation of processing resources to processing nodes | |
CN114924851A (zh) | 训练任务的调度方法、装置、电子设备和存储介质 | |
CN113485833B (zh) | 资源预测方法和装置 | |
US20220413906A1 (en) | Method, device, and program product for managing multiple computing tasks based on batch | |
US11755954B2 (en) | Scheduled federated learning for enhanced search | |
Ciavotta et al. | Architectural design of cloud applications: A performance-aware cost minimization approach | |
CN113076224A (zh) | 数据备份方法、数据备份系统、电子设备及可读存储介质 | |
US11411886B1 (en) | Automatic cluster scaling based on varying workloads | |
CN114647499A (zh) | 异步作业任务并发控制方法、装置、电子设备和存储介质 | |
CN115344359A (zh) | 算力资源分配方法、装置、计算机可读存储介质及设备 | |
CN113778844A (zh) | 一种自动化性能测试方法和装置 | |
CN111694672A (zh) | 资源分配方法、任务提交方法、装置、电子设备和介质 | |
CN115496054B (zh) | 多学科设计优化方法、系统、电子设备及存储介质 | |
US11971705B2 (en) | Autoscaling strategies for robotic process automation | |
US11243764B1 (en) | Code deployment |
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 |