CN110245012A - 一种松散型虚拟化资源调度方法及系统 - Google Patents
一种松散型虚拟化资源调度方法及系统 Download PDFInfo
- Publication number
- CN110245012A CN110245012A CN201810191873.3A CN201810191873A CN110245012A CN 110245012 A CN110245012 A CN 110245012A CN 201810191873 A CN201810191873 A CN 201810191873A CN 110245012 A CN110245012 A CN 110245012A
- Authority
- CN
- China
- Prior art keywords
- distance
- default
- svdd
- suprasphere
- radius
- 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
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F11/00—Error detection; Error correction; Monitoring
- G06F11/30—Monitoring
- G06F11/3003—Monitoring arrangements specially adapted to the computing system or computing system component being monitored
- G06F11/3006—Monitoring arrangements specially adapted to the computing system or computing system component being monitored where the computing system is distributed, e.g. networked systems, clusters, multiprocessor systems
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F11/00—Error detection; Error correction; Monitoring
- G06F11/30—Monitoring
- G06F11/3003—Monitoring arrangements specially adapted to the computing system or computing system component being monitored
- G06F11/3024—Monitoring arrangements specially adapted to the computing system or computing system component being monitored where the computing system component is a central processing unit [CPU]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F11/00—Error detection; Error correction; Monitoring
- G06F11/30—Monitoring
- G06F11/3003—Monitoring arrangements specially adapted to the computing system or computing system component being monitored
- G06F11/3037—Monitoring arrangements specially adapted to the computing system or computing system component being monitored where the computing system component is a memory, e.g. virtual memory, cache
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Quality & Reliability (AREA)
- Software Systems (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明实施例提供了一种松散型虚拟化资源调度方法,所述方法包括:获取松散型虚拟化资源的运行状态数据;获取第一距离和预设SVDD超球体的半径之间的大小关系,所述运行状态数据与所述预设SVDD超球体的球心之间的距离为所述第一距离;若判断获知所述第一距离大于所述预设SVDD超球体的半径,则根据所述运行状态数据对虚拟化资源进行调度。通过预设SVDD超球体来确定当前松散型虚拟化资源的运行状态数据是否在其所包围的范围内,不在所包围的范围内时对虚拟化资源进行调度,此过程中考虑了内存、CPU、存储和网络资源的消耗情况四项资源之间的相互影响,使得对松散型虚拟化资源的运行状态监控更加准确。
Description
技术领域
本发明实施例涉及计算机技术领域,更具体地,涉及一种松散型虚拟化资源调度方法及系统。
背景技术
云服务计算时代,通过虚拟机管理各类硬件资源,满足用户按需构建和动态配置需求成为当前计算资源配置的主要方式和研究热点。然而,这种按需构建的虚拟化资源动态配置都是针对大型计算需求客户,在没有结算障碍情况下所应用的模式。而小型计算资源需求客户所租借的都是单独隔离的虚拟化资源,当其资源在应用高峰环境下被占用时,虚拟化资源管理环境无法动态地为其增加内存、CPU、存储和网络资源。我们把这种小型计算资源需求客户所租借的虚拟化资源称为松散型虚拟化资源。
松散型虚拟化资源客户在一般情况下所租借的内存、CPU、存储和网络资源相对比较固定,而其应用也是基于这些固定的资源所运行,因此,其所付出的租借费用也比较固定。在计算和网络访问高峰期,这部分虚拟化资源紧张,如果超出其承受能力将会给网络服务带来灾难性影响,因此,需要对内存、CPU、存储和网络资源进行实时监测。
但是,目前的云服务管理系统的监测方式都是对这四项资源分别进行监测,没有考虑这四项资源的相互影响,造成资源过早或过多配置,影响企业在线业务或浪费企业计算资源。
发明内容
本发明实施例提供了一种克服上述问题或者至少部分地解决上述问题的松散型虚拟化资源调度方法及系统。
一方面本发明实施例提供了一种松散型虚拟化资源调度方法,所述方法包括:
获取松散型虚拟化资源的运行状态数据;
获取第一距离和预设SVDD超球体的半径之间的大小关系,所述运行状态数据与所述预设SVDD超球体的球心之间的距离为所述第一距离;
若判断获知所述第一距离大于所述预设SVDD超球体的半径,则根据所述运行状态数据对虚拟化资源进行调度。
进一步地,所述方法还包括:
获取松散型虚拟化资源的多个历史运行状态数据,并由所述多个历史运行状态数据构成历史运行状态数据集;
根据所述历史运行状态数据集,利用SVDD算法构建所述预设SVDD超球体对应的优化模型,并根据所述优化模型获取所述预设SVDD超球体。
进一步地,所述获取第一距离和预设SVDD超球体的半径之间的大小关系,具体包括:
获取所述优化模型的拉格朗日函数;
根据所述拉格朗日函数获取所述预设SVDD超球体的球心和所述预设SVDD超球体的半径;
计算所述运行状态数据与所述预设SVDD超球体的球心之间的欧氏距离作为所述第一距离,并比较所述欧氏距离与所述预设SVDD超球体的半径,得出所述第一距离和所述预设SVDD超球体的半径之间的大小关系。
进一步地,所述获取第一距离和预设SVDD超球体的半径之间的大小关系,具体包括:
获取所述优化模型的拉格朗日函数;
根据所述拉格朗日函数获取所述预设SVDD超球体的多个支持向量,任一支持向量与所述预设SVDD超球体的球心之间的距离为第二距离,且所述第二距离等于所述预设SVDD超球体的半径;
计算所述第一距离与所述第二距离之间的比值,得出所述第一距离和所述预设SVDD超球体的半径之间的大小关系。
进一步地,在所述获取松散型虚拟化资源的运行状态数据之后,所述方法还包括:
通过核方法KM将所述运行状态数据映射到核空间;
对应地,所述计算所述第一距离与所述第二距离之间的比值,具体包括:
将内积运算替换为核函数计算所述第一距离与所述第二距离之间的比值。
进一步地,KM中采用高斯径向基核函数。
进一步地,所述方法还包括:
根据所述第一距离与所述第二距离之间的比值确定所述运行状态的状态级别,具体表达式为:
S=Ceiling{(λ(z)-1)/0.1}
其中,S为所述运行状态数据的状态级别,Ceiling(·)为向上取整函数,λ(z)为所述第一距离与所述第二距离之间的比值
另一方面本发明实施例提供了一种松散型虚拟化资源调度系统,所述系统包括:
获取模块,用于获取松散型虚拟化资源的运行状态数据;
比较模块,用于获取第一距离和预设SVDD超球体的半径之间的大小关系,所述运行状态数据与所述预设支持向量数据描述SVDD超球体的球心之间的距离为第一距离;
调度模块,用于若判断获知所述第一距离大于所述预设SVDD超球体的半径,则根据所述运行状态数据对虚拟化资源进行调度。
第三方面本发明实施例提供了一种计算机程序产品,所述计算机程序产品包括存储在非暂态计算机可读存储介质上的计算机程序,所述计算机程序包括程序指令,当所述程序指令被计算机执行时,使所述计算机执行上述方法。
第四方面本发明实施例提供了一种非暂态计算机可读存储介质,所述非暂态计算机可读存储介质存储计算机指令,所述计算机指令使所述计算机执行上述方法。
本发明实施例提供的一种松散型虚拟化资源调度方法及系统,通过预设SVDD超球体来确定当前松散型虚拟化资源的运行状态数据是否在其所包围的范围内,在当前运行状态数据在预设SVDD超球体所包围的范围外时对虚拟化资源进行调度,以保证应用的资源需求得到满足,在调度过程中通过SVDD算法考虑了内存、CPU、存储和网络资源的消耗情况四项资源之间的相互影响,使得对松散型虚拟化资源的运行状态监控更加准确。
附图说明
图1为本发明实施例提供的一种松散型虚拟化资源调度方法的流程图;
图2为本发明实施例中松散型虚拟化资源调度方法的实际执行流程图;
图3为本发明实施例中参数σ分别取1和0.3时的超球体边界示意图;
图4为本发明实施例中引入高斯径向基核函数后正常数据与异常数据的示意图;
图5为本发明实施例提供的一种松散型虚拟化资源调度系统的结构框图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚,下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚地描述,显然,所描述的实施例是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
图1为本发明实施例提供的一种松散型虚拟化资源调度方法的流程图,所述方法包括:
S1,获取松散型虚拟化资源的运行状态数据;
S2,获取第一距离和预设SVDD超球体的半径之间的大小关系,所述运行状态数据与所述预设SVDD超球体的球心之间的距离为所述第一距离;
S3,若判断获知所述第一距离大于所述预设SVDD超球体的半径,则根据所述运行状态数据对虚拟化资源进行调度。
其中,在步骤S1中,运行状态数据一般包括内存、CPU、存储和网络资源的消耗情况,每一时刻或某一时间段内的运行状态数据都能够被获取。
在步骤S2中,支持向量数据描述(Support Vector Data Description,SVDD)是一种重数据描述方法,它能够对目标数据集进行超球形描述,并可用于异类点检测或分类。在现实生活中目标数据集通常包含多个样本类,且需要同时对每一个样本类进行超球形描述。SVDD的主要思想是:首先,通过非线性映射中将原始训练样本x,映射到高维的内积空间(或特征空间);然后,在特征空间中寻找一个包含全部或大部分被映射到特征空间的训练样本且体积最小的超球体(最优超球体);最后,通过非线性映射中,如果新样本点在特征空间中的像落入最优超球体内,则该样本被视为一个正常点;否则,如果新样本在特征空间中的像落入到最优超球体外,则该新样本被视为一个异常点最优超球体由其球心和半径决定。在SVDD的应用研究中,通常是将一个样本类视为异常样本类,而所有其它的样本类被视为目标数据集(或目标集)。在本发明实施例中,预设SVDD超球体即是用来对运行状态数据的状态级别进行分类的超球体。在SVDD算法中不仅需要考虑运行状态数据中内存、CPU、存储和网络资源的消耗情况,还需要考虑内存、CPU、存储和网络资源的消耗情况四项资源之间的相互影响,使得对松散型虚拟化资源的运行状态监控更加准确。
在步骤S3中,第一距离大于预设SVDD超球体的半径,说明运行状态数据在预设SVDD超球体所围的范围之外。
具体地,访问虚拟化资源的运行状态数据,获取当前的运行状态数据,再利用预设SVDD超球体来确定是否需要对当前的虚拟化资源进行调度或配置。通过比较所述运行状态数据与预设支持向量数据描述SVDD超球体的球心之间的距离和所述预设SVDD超球体的半径两者之间的大小关系,得到大小关系后即可判断当前的运行状态数据与预设SVDD超球体的位置关系。一般认为处于预设SVDD超球体内部和其表面的数据为正常数据,处于预设SVDD超球体外部的数据为异常数据。在得到位置关系后,通过预先设置的状态级别标准可以确定当前运行状态数据的状态级别,若当前运行状态数据的状态级别高于预设状态级别则发出预警,系统管理员随即根据当前的运行状态数据决定是否租借更多的虚拟化资源,以保证应用的资源需求得到满足。若当前运行状态数据的状态级别高于预设状态级别则不做处理继续进行下一时刻运行状态数据的监控。
本发明实施例提供的一种松散型虚拟化资源调度方法,通过预设SVDD超球体来确定当前松散型虚拟化资源的运行状态数据是否在其所包围的范围内,在当前运行状态数据在预设SVDD超球体所包围的范围外时对虚拟化资源进行调度,以保证应用的资源需求得到满足,在调度过程中通过SVDD算法考虑了内存、CPU、存储和网络资源的消耗情况四项资源之间的相互影响,使得对松散型虚拟化资源的运行状态监控更加准确。
基于上述实施例,所述方法还包括:
获取松散型虚拟化资源的多个历史运行状态数据,并由所述多个历史运行状态数据构成历史运行状态数据集;
根据所述历史运行状态数据集,利用SVDD算法构建所述预设SVDD超球体对应的优化模型,并根据所述优化模型获取所述预设SVDD超球体。
具体地,预设SVDD超球体的是通过历史运行状态数据得到的,故本发明实施例提供的方法在实现时可以分为两个阶段,分别为维护阶段和检测阶段,其中,预设SVDD超球体在维护阶段获取。如图2所示,以上两个阶段可分为八个步骤,分别为:维护阶段包括:(1)访问虚拟化资源运行状态数据;(2)用SVDD算法描述虚拟化资源运行状态数据,形成预设SVDD超球体;(3)标志运行状态分级的范围;检测阶段包括:(4)获取当前运行状态数据;(5)通过计算超球体的球心与当前运行状态数据距离确定新运行状态数据的状态级别;(6)判断新运行状态是否超出预设状态级别,如果超出,则进入第(7)步,如果没超出,则进入第(4)步;(7)系统管理员决定是否租借更多虚拟化资源;(8)调度虚拟化资源以保证应用的资源需求得到满足。
其中,根据所述历史运行状态数据集,利用SVDD算法获取所述预设SVDD超球体对应的优化模型及所述预设SVDD超球体,具体过程为:
统计学习理论中,当样本的数量比较少时,采用直接设置封闭区域的方式来分类比估计概率密度的方法更为有效,这种直接设置封闭区域的一类分类器被称之为数据描述。
对于包含n个属于类别数据对象的样本集:
{x1,x2,…,xn} (1)
所形成的超球体由中心点a和半径R描述。要形成紧凑的球体边界,数据描述的优化模型可以表述为:
min L(R)=R2 (2)
s.t.R2-(xi-a)(xi-a)T≥0 (3)
基于上述实施例,所述获取第一距离和预设SVDD超球体的半径之间的大小关系,具体包括:
获取所述优化模型的拉格朗日函数;
根据所述拉格朗日函数获取所述预设SVDD超球体的球心和所述预设SVDD超球体的半径;
计算所述运行状态数据与所述预设SVDD超球体的球心之间的欧氏距离作为所述第一距离,并比较所述欧氏距离与所述预设SVDD超球体的半径,得出所述第一距离和所述预设SVDD超球体的半径之间的大小关系。
具体地,根据(2)和(3)式,我们定义了(4)式中的拉格朗日(Lagrange)函数。
其中,Lagrange系数αi∈∧,且αi≥0。把(4)式对R求偏微分,并令其等于0,得到:
把(3-16)式对a求偏微分,为求得极值,令其等于0,结合式(5),得到:
把(5)和(6)式代入(4)式,得到(7)式。
根据KKT条件(Karush-Kuhn-Tucker条件),∧中大部分αi=0,少部分αi≥0。与不为零的αi对应的样本xi决定了超球体的边界,这些样本数据被称为支持向量(SupportVector,SV)。
对于已知∧,通过(6)式可求出球心a,任选一个支持向量可由下面的(9)式求出R:
R2-(xi-a)(xi-a)=0 (9)
在得到所述运行状态数据到预设SVDD超球体的球心和半径后,计算所述运行状态数据到预设SVDD超球体的球心之间的欧氏距离,并比较所述欧氏距离与所述预设SVDD超球体的半径进行大小关系。这种直接比较距离和半径大小的比较方式,使得确定运行状态数据的级别更加直观准确。
基于上述实施例,所述获取第一距离和预设SVDD超球体的半径之间的大小关系,具体包括:
获取所述优化模型的拉格朗日函数;
根据所述拉格朗日函数获取所述预设SVDD超球体的多个支持向量,任一支持向量与所述预设SVDD超球体的球心之间的距离为第二距离,且所述第二距离等于所述预设SVDD超球体的半径;
计算所述第一距离与所述第二距离之间的比值,得出所述第一距离和所述预设SVDD超球体的半径之间的大小关系。
具体地,本发明实施例中没有无需求出预设SVDD超球体的球心和半径,只需要获取所述运行状态数据与预设SVDD超球体的球心之间的距离和所述预设SVDD超球体的半径两者之间的比值。
对于松散型虚拟化资源的当前运行状态数据z,令
f(z)=(z-a)(z-a)T (10)
另外,(10)式也可变换为:
考虑到(11)式中,对于待检验的z,令
其中,xs为任意一个支持向量。因此,可以依据的(13)式来判定z是否在超球体外:
可以看出,采用(12)~(14)式来获取大小关系,省去了计算半径R和中心点a的过程,简化了计算。
基于上述实施例,在所述获取松散型虚拟化资源的运行状态数据之后,所述方法还包括:
通过核方法KM将所述运行状态数据映射到核空间;
对应地,所述计算所述第一距离与所述第二距离之间的比值,具体包括:
将内积运算替换为核函数计算所述第一距离与所述第二距离之间的比值。
具体地,由于优化方程式(7)所确定的边界形状单一,且边界区域所形成的空间过大,不够紧凑,易于把非正常数据纳入到超球体的范围。通过核方法(Kernel Method,KM)把输入空间的数据对象映射到核空间来解决此问题。把内积运算替换为满足Mercer条件的核函数(xi·xj)→K(xi,xj),则属性空间的优化方程(7)式变换为:
约束条件不变,(11)式变为:
(12)式变为:
这种基于核方法的直接寻找封闭区域的一类分类方法被称为支持向量数据描述。
特别地,选择高斯径向基核函数
K(x,y)=exp(-||x-y||2/σ2) (18)
其中,σ可事先给出。给定不同的σ对于同一样本集可能产生不同的超球体边界,如图3所示,其中图3a为取σ=1时得到的超球体边界,图3b为取σ=0.3时得到的超球体边界。
引入高斯径向基核函数后,(15)式和(17)式分别简化为:
在引入核方法形成正常数据集的边界后,如果待确定状态的新运行状态数据z的g(z)>g(xs),即λ(z)>1,则z为可预警的新运行状态数据,如图4所示,其中,图4a为正常数据样本的超球体边界,图4b为超球体外的当前运行状态数据z。
基于上述实施例,所述方法还包括:
根据所述第一距离与所述第二距离之间的比值确定所述运行状态的状态级别,具体表达式为:
S=Ceiling{(λ(z)-1)/0.1}
其中,S为所述运行状态数据的状态级别,Ceiling(·)为向上取整函数,λ(z)为所述第一距离与所述第二距离之间的比值。
具体地,我们可以根据(13)式中的λ(z)值来判断新运行状态数据z运行状态级别。当λ(z)≤1时,新运行状态数据所代表的运行状态为正常,此时级数为0;超出此范围时,λ(z)每增加0.1,则级为增加1级。运行状态级数由(21)式给出。
S=Ceiling((λ(z)-1)/0.1) (21)
例如,当λ(z)=1.32时,S=4。我们可以根据S值来快速判断是否需要调度虚拟化资源以及调度的紧急程度。然后根据内存、CPU、存储和网络资源具体消耗的取值来设定调度的具体内容。
图5为本发明实施例提供的一种松散型虚拟化资源调度系统的结构框图,所述系统包括:获取模块1、比较模块2以及调度模块3。其中:
获取模块1用于获取松散型虚拟化资源的运行状态数据。比较模块2用于获取第一距离和预设SVDD超球体的半径之间的大小关系,所述运行状态数据与所述预设支持向量数据描述SVDD超球体的球心之间的距离为第一距离。调度模块3用于若判断获知所述第一距离大于所述预设SVDD超球体的半径,则根据所述运行状态数据对虚拟化资源进行调度。
具体地,本发明实施例中各模块的作用与操作流程与上述方法类实施例是一一对应的,在此不再赘述。
本发明实施例提供的一种松散型虚拟化资源调度系统,通过预设SVDD超球体来确定当前松散型虚拟化资源的运行状态数据是否在其所包围的范围内,在当前运行状态数据在预设SVDD超球体所包围的范围外时对虚拟化资源进行调度,以保证应用的资源需求得到满足,在调度过程中通过SVDD算法考虑了内存、CPU、存储和网络资源的消耗情况四项资源之间的相互影响,使得对松散型虚拟化资源的运行状态监控更加准确。
本发明实施例公开一种计算机程序产品,所述计算机程序产品包括存储在非暂态计算机可读存储介质上的计算机程序,所述计算机程序包括程序指令,当所述程序指令被计算机执行时,计算机能够执行上述各方法实施例所提供的方法,例如包括:获取松散型虚拟化资源的运行状态数据;获取第一距离和预设SVDD超球体的半径之间的大小关系,所述运行状态数据与所述预设支持向量数据描述SVDD超球体的球心之间的距离为第一距离;若判断获知所述第一距离大于所述预设SVDD超球体的半径,则根据所述运行状态数据对虚拟化资源进行调度。
本发明实施例提供一种非暂态计算机可读存储介质,所述非暂态计算机可读存储介质存储计算机指令,所述计算机指令使所述计算机执行上述各方法实施例所提供的方法,例如包括:获取松散型虚拟化资源的运行状态数据;获取第一距离和预设SVDD超球体的半径之间的大小关系,所述运行状态数据与所述预设支持向量数据描述SVDD超球体的球心之间的距离为第一距离;若判断获知所述第一距离大于所述预设SVDD超球体的半径,则根据所述运行状态数据对虚拟化资源进行调度。
本领域普通技术人员可以理解:实现上述方法实施例的全部或部分步骤可以通过程序指令相关的硬件来完成,前述的程序可以存储于一计算机可读取存储介质中,该程序在执行时,执行包括上述方法实施例的步骤;而前述的存储介质包括:ROM、RAM、磁碟或者光盘等各种可以存储程序代码的介质。
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各实施方式可借助软件加必需的通用硬件平台的方式来实现,当然也可以通过硬件。基于这样的理解,上述技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来,该计算机软件产品可以存储在计算机可读存储介质中,如ROM/RAM、磁碟、光盘等,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)执行各个实施例或者实施例的某些部分所述的方法。
最后应说明的是:以上实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。
Claims (10)
1.一种松散型虚拟化资源调度方法,其特征在于,所述方法包括:
获取松散型虚拟化资源的运行状态数据;
获取第一距离和预设SVDD超球体的半径之间的大小关系,所述运行状态数据与所述预设SVDD超球体的球心之间的距离为所述第一距离;
若判断获知所述第一距离大于所述预设SVDD超球体的半径,则根据所述运行状态数据对虚拟化资源进行调度。
2.根据权利要求1所述方法,其特征在于,所述方法还包括:
获取松散型虚拟化资源的多个历史运行状态数据,并由所述多个历史运行状态数据构成历史运行状态数据集;
根据所述历史运行状态数据集,利用SVDD算法构建所述预设SVDD超球体对应的优化模型,并根据所述优化模型获取所述预设SVDD超球体。
3.根据权利要求2所述方法,其特征在于,所述获取第一距离和预设SVDD超球体的半径之间的大小关系,具体包括:
获取所述优化模型的拉格朗日函数;
根据所述拉格朗日函数获取所述预设SVDD超球体的球心和所述预设SVDD超球体的半径;
计算所述运行状态数据与所述预设SVDD超球体的球心之间的欧氏距离作为所述第一距离,并比较所述欧氏距离与所述预设SVDD超球体的半径,得出所述第一距离和所述预设SVDD超球体的半径之间的大小关系。
4.根据权利要求2所述方法,其特征在于,所述获取第一距离和预设SVDD超球体的半径之间的大小关系,具体包括:
获取所述优化模型的拉格朗日函数;
根据所述拉格朗日函数获取所述预设SVDD超球体的多个支持向量,任一支持向量与所述预设SVDD超球体的球心之间的距离为第二距离,且所述第二距离等于所述预设SVDD超球体的半径;
计算所述第一距离与所述第二距离之间的比值,得出所述第一距离和所述预设SVDD超球体的半径之间的大小关系。
5.根据权利要求4所述方法,其特征在于,在所述获取松散型虚拟化资源的运行状态数据之后,所述方法还包括:
通过核方法KM将所述运行状态数据映射到核空间;
对应地,所述计算所述第一距离与所述第二距离之间的比值,具体包括:
将内积运算替换为核函数计算所述第一距离与所述第二距离之间的比值。
6.根据权利要求5所述方法,其特征在于,KM中采用高斯径向基核函数。
7.根据权利要求4所述方法,其特征在于,所述方法还包括:
根据所述第一距离与所述第二距离之间的比值确定所述运行状态的状态级别,具体表达式为:
S=Ceiling{(λ(z)-1)/0.1}
其中,S为所述运行状态数据的状态级别,Ceiling(·)为向上取整函数,λ(z)为所述第一距离与所述第二距离之间的比值。
8.一种松散型虚拟化资源调度系统,其特征在于,所述系统包括:
获取模块,用于获取松散型虚拟化资源的运行状态数据;
比较模块,用于获取第一距离和预设SVDD超球体的半径之间的大小关系,所述运行状态数据与所述预设支持向量数据描述SVDD超球体的球心之间的距离为第一距离;
调度模块,用于若判断获知所述第一距离大于所述预设SVDD超球体的半径,则根据所述运行状态数据对虚拟化资源进行调度。
9.一种计算机程序产品,其特征在于,所述计算机程序产品包括存储在非暂态计算机可读存储介质上的计算机程序,所述计算机程序包括程序指令,当所述程序指令被计算机执行时,使所述计算机执行如权利要求1至7任一项所述的方法。
10.一种非暂态计算机可读存储介质,其特征在于,所述非暂态计算机可读存储介质存储计算机指令,所述计算机指令使所述计算机执行如权利要求1至7任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810191873.3A CN110245012A (zh) | 2018-03-08 | 2018-03-08 | 一种松散型虚拟化资源调度方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810191873.3A CN110245012A (zh) | 2018-03-08 | 2018-03-08 | 一种松散型虚拟化资源调度方法及系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN110245012A true CN110245012A (zh) | 2019-09-17 |
Family
ID=67882685
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810191873.3A Pending CN110245012A (zh) | 2018-03-08 | 2018-03-08 | 一种松散型虚拟化资源调度方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110245012A (zh) |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101458522A (zh) * | 2009-01-08 | 2009-06-17 | 浙江大学 | 基于主元分析和支持向量数据描述的多工况过程监控方法 |
KR20100001786A (ko) * | 2008-06-27 | 2010-01-06 | 고려대학교 산학협력단 | 서포트 벡터 데이터 명세를 이용한 트래픽 폭주 공격 탐지방법, 그 장치 및 이를 기록한 기록 매체 |
CN102591940A (zh) * | 2011-12-27 | 2012-07-18 | 厦门市美亚柏科信息股份有限公司 | 一种基于Map/Reduce的快速支持向量数据描述方法及系统 |
CN103294716A (zh) * | 2012-02-29 | 2013-09-11 | 佳能株式会社 | 用于分类器的在线半监督学习方法和装置及处理设备 |
CN107301118A (zh) * | 2017-06-15 | 2017-10-27 | 中国科学院计算技术研究所 | 一种基于日志的故障指标自动标注方法与系统 |
-
2018
- 2018-03-08 CN CN201810191873.3A patent/CN110245012A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20100001786A (ko) * | 2008-06-27 | 2010-01-06 | 고려대학교 산학협력단 | 서포트 벡터 데이터 명세를 이용한 트래픽 폭주 공격 탐지방법, 그 장치 및 이를 기록한 기록 매체 |
CN101458522A (zh) * | 2009-01-08 | 2009-06-17 | 浙江大学 | 基于主元分析和支持向量数据描述的多工况过程监控方法 |
CN102591940A (zh) * | 2011-12-27 | 2012-07-18 | 厦门市美亚柏科信息股份有限公司 | 一种基于Map/Reduce的快速支持向量数据描述方法及系统 |
CN103294716A (zh) * | 2012-02-29 | 2013-09-11 | 佳能株式会社 | 用于分类器的在线半监督学习方法和装置及处理设备 |
CN107301118A (zh) * | 2017-06-15 | 2017-10-27 | 中国科学院计算技术研究所 | 一种基于日志的故障指标自动标注方法与系统 |
Non-Patent Citations (2)
Title |
---|
杨森,孟晨,王成: "基于模糊SVDD的电子装备状态评估模型研究", 《计算机工程与设计》 * |
熊辉,吕智慧,张世永: "基于OpenStack 的自适应异常检测模型的设计与实现", 《计算机应用与软件》 * |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US10554738B1 (en) | Methods and apparatus for load balance optimization based on machine learning | |
US10824959B1 (en) | Explainers for machine learning classifiers | |
US9063982B2 (en) | Dynamically associating different query execution strategies with selective portions of a database table | |
US20180159727A1 (en) | Systems and methods for identifying cloud configurations | |
US20190317812A1 (en) | Guaranteed quality of service in cloud computing environments | |
US20120158623A1 (en) | Visualizing machine learning accuracy | |
US8412739B2 (en) | Optimization of an upgrade process of an original system | |
US20150356085A1 (en) | Guided Predictive Analysis with the Use of Templates | |
Yang et al. | Intermediate data caching optimization for multi-stage and parallel big data frameworks | |
CN109634744B (zh) | 一种基于云平台资源分配的精确匹配方法,设备及存储介质 | |
JPS6024647A (ja) | システムの自律化資源管理方式 | |
CN106202092A (zh) | 数据处理的方法及系统 | |
CN111291894B (zh) | 超参数优化过程中的资源调度方法、装置、设备及介质 | |
Chen et al. | $ d $ d-Simplexed: Adaptive Delaunay Triangulation for Performance Modeling and Prediction on Big Data Analytics | |
GB2507038A (en) | Scheduling jobs weighted according to the memory usage using a knapsack problem. | |
US20220383036A1 (en) | Clustering data using neural networks based on normalized cuts | |
CN113391913A (zh) | 一种基于预测的分布式调度方法和装置 | |
CN114266281A (zh) | 一种图神经网络训练的方法、装置及系统 | |
WO2023089350A1 (en) | An architecture for a self-adaptive computation management in edge cloud | |
Kinnison et al. | Shadho: Massively scalable hardware-aware distributed hyperparameter optimization | |
KR20240010581A (ko) | 머신 러닝 하이퍼파라미터 튜닝 | |
CN110263136A (zh) | 基于强化学习模型向用户推送对象的方法和装置 | |
CN110245012A (zh) | 一种松散型虚拟化资源调度方法及系统 | |
CN116225708A (zh) | 一种gpu资源调度方法及装置 | |
CN109919219A (zh) | 一种基于粒计算ML-kNN的Xgboost多视角画像构建方法 |
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 | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20190917 |