CN110297713A - 一种云主机的配置管理系统和方法 - Google Patents
一种云主机的配置管理系统和方法 Download PDFInfo
- Publication number
- CN110297713A CN110297713A CN201910431494.1A CN201910431494A CN110297713A CN 110297713 A CN110297713 A CN 110297713A CN 201910431494 A CN201910431494 A CN 201910431494A CN 110297713 A CN110297713 A CN 110297713A
- Authority
- CN
- China
- Prior art keywords
- configuration information
- cloud host
- user
- current
- predicted
- 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 53
- 238000009826 distribution Methods 0.000 claims description 27
- 238000007726 management method Methods 0.000 claims description 27
- 238000003860 storage Methods 0.000 claims description 19
- 238000012549 training Methods 0.000 claims description 12
- 230000006870 function Effects 0.000 claims description 10
- 230000005540 biological transmission Effects 0.000 claims description 5
- 238000013480 data collection Methods 0.000 claims description 3
- 238000012545 processing Methods 0.000 abstract description 12
- 239000002699 waste material Substances 0.000 abstract description 4
- 230000001174 ascending effect Effects 0.000 abstract 1
- 230000008569 process Effects 0.000 description 10
- 238000004590 computer program Methods 0.000 description 6
- 238000010586 diagram Methods 0.000 description 6
- 238000004519 manufacturing process Methods 0.000 description 4
- 230000008859 change Effects 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 238000003066 decision tree Methods 0.000 description 2
- 238000013178 mathematical model Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 230000009471 action Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 230000005012 migration Effects 0.000 description 1
- 238000013508 migration Methods 0.000 description 1
- 230000002085 persistent effect Effects 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 238000013468 resource allocation Methods 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 239000011800 void material Substances 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
- G06F9/44—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
- G06F9/50—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
-
- 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
- G06F2009/45583—Memory management, e.g. access or allocation
Landscapes
- Engineering & Computer Science (AREA)
- Software Systems (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本申请实施例提供了一种云主机的配置管理系统和方法,其中,所述系统包括:采集模块,用于获取用户当前云主机的当前配置信息以及当前特征状态;预测模块,用于根据所述当前特征状态和预设的预测模型,生成预测配置信息;调度模块,用于当所述预测配置信息与所述当前配置信息不匹配时,将与所述预测配置信息对应的目标云主机分配至所述用户。本申请实施例可以实现实现对用户的云主机的资源配置进行自动的升/降调整,即可以避免用户的云主机的资源配置过高造成资源浪费,也可以避免资源配置过低影响业务数据的处理。
Description
技术领域
本申请涉及信息技术领域,特别是涉及一种云主机的配置管理系统和一种云主机的配置管理方法。
背景技术
虚拟主机,又称虚拟服务器,是一种在单一主机或主机群上,实现多网域服务,以及可以运行多个网站或服务的技术。虚拟主机之间可以完全独立,并可由用户自行管理。虚拟主机硬件系统可以是基于服务器群,或者单个服务器。
而云主机是一种类似VPS(Virtual Private Server,虚拟专用服务器)主机的虚拟化技术。VPS主机是采用虚拟软件,在一台实体主机上虚拟出多个类似独立主机的部分,每个部分都可以做单独的操作系统,管理方法同实体主机一样。而云主机是在一组集群主机上虚拟出多个类似独立主机的部分,集群中每个主机上都有云主机的一个镜像,从而大大提高了虚拟主机的安全稳定性,除非所有的集群内主机全部出现问题,云主机才会无法访问。
用户可以在云主机的服务平台中,依据自身需求选择不同配置的云主机。一般的,用户在选择云主机的时候,需要指定具体的资源配置,而由于用户的业务需求出现变化,在先指定的资源配置的云主机可能会不适用。此时,用户只能根据自身经验去选择新的资源配置的云主机,然后将自己的业务进行迁移。这种方式下,用户不仅可能需要进行多次选择才能选择到合适自身需求的云主机,也由于需要在云主机之间进行业务迁移,步骤复杂,降低用户使用云主机的效率。
发明内容
鉴于上述问题,提出了本申请实施例以便提供一种克服上述问题或者至少部分地解决上述问题的一种云主机的配置管理系统和相应的一种云主机的配置管理方法。
为了解决上述问题,本申请公开了一种云主机的配置管理系统,包括:
采集模块,用于获取用户当前云主机的当前配置信息以及当前特征状态;
预测模块,用于根据所述当前特征状态和预设的预测模型,生成预测配置信息;
调度模块,用于当所述预测配置信息与所述当前配置信息不匹配时,将与所述预测配置信息对应的目标云主机分配至所述用户。
可选地,所述预测模块包括:
待预测数据输入子模块,用于将所述当前特征状态输入至所述预测模型;
预测数据生成子模块,用于确定所述预测模型的输出结果为预测配置信息。
可选地,所述调度模块包括:
目标配置确定子模块,用于根据所述预测配置信息,在多个预置的默认配置信息中确定目标配置信息;
目标主机确定子模块,用于采用所述目标配置信息,确定目标云主机;
目标主机分配子模块,用于将所述目标云主机与所述用户建立对应关系。
可选地,所述目标配置确定子模块包括:
配置信息遍历单元,用于遍历多个所述默认配置信息;
配置信息匹配单元,用于计算所述预测信息与所述默认配置信息的匹配值;
配置信息选择单元,用于采用所述匹配值中最大值对应的默认配置信息为所述目标配置信息。
可选地,所述系统还包括:
管控模块,用于获取用户发送的业务指令;
主机生产模块,用于采用所述目标云主机,执行所述业务指令。
可选地,所述管控模块,还用于获取用户的资源配置管理指令。
可选地,所述系统还包括:
主机状态数据收集模块,用于将所述当前特征状态存储至预设的存储介质中。
可选地,所述系统还包括:运行状态建模模块;所述预测模型通过所述运行状态建模模块生成;所述运行状态建模模块包括:
初始数据子模块,用于获取与所述当前云主机对应的历史特征状态和历史配置信息,以及初始模型;
样本数据子模块,用于采用所述历史特征状态和所述历史配置信息,生成样本数据;
模型训练子模块,用于采用所述样本数据训练所述初始模型,直至所述初始模型的损失函数值达到预设阈值;
预测模组子模块,用于确定已训练的初始模型为预测模型。
可选地,所述特征状态包括:CPU使用率信息、内存使用率信息、系统负载信息、广域网流量信息中的一种或多种。
本申请还公开了一种云主机的配置管理方法,包括:
获取用户当前云主机的当前配置信息以及当前特征状态;
根据所述当前特征状态和预设的预测模型,生成预测配置信息;
当所述预测配置信息与所述当前配置信息不匹配时,将与所述预测配置信息对应的目标云主机分配至所述用户。
可选地,所述根据所述当前特征状态和预设的预测模型,生成预测配置信息的步骤,包括:
将所述当前特征状态输入至所述预测模型;
确定所述预测模型的输出结果为预测配置信息。
可选地,所述将与所述预测配置信息对应的目标云主机分配至所述用户的步骤,包括:
根据所述预测配置信息,在多个预置的默认配置信息中确定目标配置信息;
采用所述目标配置信息,确定目标云主机;
将所述目标云主机与所述用户建立对应关系。
可选地,所述根据所述预测配置信息,在多个预置的默认配置信息中确定目标配置信息的步骤,包括:
遍历多个所述默认配置信息;
计算所述预测信息与所述默认配置信息的匹配值;
采用所述匹配值中最大值对应的默认配置信息为所述目标配置信息。
可选地,所述方法还包括:
获取用户发送的业务指令;
采用所述目标云主机,执行所述业务指令。
可选地,在所述获取用户当前云主机的当前配置信息以及当前特征状态的步骤之前,所述方法还包括:
获取用户的资源配置管理指令。
可选地,所述方法还包括:
将所述当前特征状态存储至预设的存储介质中。
可选地,所述预测模型通过如下方法生成:
获取与所述当前云主机对应的历史特征状态和历史配置信息,以及初始模型;
采用所述历史特征状态和所述历史配置信息,生成样本数据;
采用所述样本数据训练所述初始模型,直至所述初始模型的损失函数值达到预设阈值;
确定已训练的初始模型为预测模型。
可选地,所述特征状态包括:CPU使用率信息、内存使用率信息、系统负载信息、广域网流量信息中的一种或多种。
本申请还公开了一种装置,包括:
一个或多个处理器;和
其上存储有指令的一个或多个机器可读介质,当由所述一个或多个处理器执行时,使得所述装置执行如上所述的方法。
本申请还公开了一个或多个机器可读介质,其上存储有指令,当由一个或多个处理器执行时,使得所述处理器执行如上所述的方法。
本申请实施例包括以下优点:
本申请实施例可以实现在基于用户当前云主机的当前特征状态、历史配置信息和历史特征状态,对云主机的需要的资源进行预测,生成预测配置信息,并对当前配置信息和预测配置信息不匹配时,将与预测配置信息对应的目标云主机分配至用户,从而实现对用户的云主机的资源配置进行自动的升/降调整。由于当前特征状态可以体现云主机处理用户的业务数据的情况,即可以体现用户对云主机资源配置的需求,通过对用户的云主机的资源配置进行预测,生成预测配置信息,并采用预测配置信息对云主机的资源配置自动调整,即可以避免用户的云主机的资源配置过高造成资源浪费,也可以避免资源配置过低影响业务数据的处理。
附图说明
图1是本申请的一种云主机的配置管理系统实施例的结构图;
图2是本申请的一种云主机的配置管理方法实施例的步骤流程图。
具体实施方式
为使本申请的上述目的、特征和优点能够更加明显易懂,下面结合附图和具体实施方式对本申请作进一步详细的说明。
参照图1,示出了本申请的一种云主机的配置管理系统实施例的结构图,具体的,是一种云主机资源配置的管理系统,该系统具体可以包括如下模块:
采集模块101,用于获取用户当前云主机的当前配置信息以及当前特征状态;
预测模块102,用于根据所述当前特征状态和预设的预测模型,生成预测配置信息;
调度模块103,用于当所述预测配置信息与所述当前配置信息不匹配时,将与所述预测配置信息对应的目标云主机分配至所述用户。
云主机可以是部署在云计算厂商的一台拥有多种生产资源的计算机,用户可以在云主机对应的业务平台中选择自己需要的云主机。生产资源是云主机进行生产时需要的硬件资源、软件资源和数据资源中的至少一种,生成资源可以包括但不限于网络资源、计算资源、存储资源。云计算平台中的云主机可以具有不尽相同资源配置,例如:云主机A可以具有40GB(Gigabyte,吉字节)存储资源以及1M(Megabytes,兆字节)带宽资源,云主机B可以具有80GB存储资源和4M带宽资源。
采集模块101可以采集用户当前云主机的当前配置信息和当前特征状态,并将当前特征状态发送至预测模块102。其中,当前配置信息可以是指当前云主机的资源配置信息,资源配置信息可以包括但不限于CPU(Central Processing Unit,中央处理器)规格信息、带宽规格信息、GPU(Graphics Processing Unit,图像处理器)规格信息、内存(例如:只读存储器)规格信息。特征状态可以是指云主机的运行状态特征信息,运行状态特征信息包括但不限于CPU使用率信息、内存使用率信息、系统负载信息、广域网流量信息。可以理解的是,当前特征状态是指当前时刻云主机的运行特征状态信息。
具体的,CPU使用率信息可以包括CPU使用率平均值、CPU使用率最小值、CPU使用率最大值;内存使用率信息可以包括内存使用率平均值、内存使用率最小值、内存使用率最大值;系统负载信息可以包括系统负载平均值、系统负载最小值、系统负载最大值;广域网流量信息可以包括广域网出口流量平均值、广域网出口流量最小值、广域网出口流量最大值、广域网入口流量平均值、广域网入口流量最小值、广域网入口流量最大值。
预测模块102可以根据所述当前特征状态和预设的预测模型,生成预测配置信息。其中,所述预测模型可以根据与所述当前云主机对应的历史特征状态、历史配置信息生成。历史特征状态可以是当前云主机在当前时刻之前的指定时间区间内,多个历史时刻点对应的运行状态特征信息。历史配置信息可以是用户对当前主机进行资源配置调整时记录的配置信息。指定时间区间可以是用户自定义的,也可以是默认设置的。即预测模块102可以可以根据当前云主机的历史特征状态、历史配置信息和当前特征状态,对当前云主机需求的资源配置进行预测,生成对应预测配置信息。其中,预测模型可以是已完成机器学习训练的模型。预测模型可以是已完成训练的逻辑回归模型,或已完成训练的贝叶斯方法,或已完成训练的决策树模型等,本申请实施例不对预测模型采用的具体数学模型进行限定,只需要满足预测模型可以根据当前云主机的历史特征状态、历史配置信息和当前特征状态生成预测配置信息即可。
调度模块103对预测模块102输出的预测配置信息和采集模块101获取到的当前配置信息进行对比,当所述预测配置信息与所述当前配置信息不匹配时,将与所述预测配置信息对应的目标云主机分配至所述用户,使得目标云主机能够,从而实现自动调整用户云主机的资源配置升/降,避免了用户可能需要通过多次手动调整云主机资源配置,才能满足用户需求的弊端。
本申请实施例可以实现在基于用户当前云主机的当前特征状态、历史配置信息和历史特征状态,对云主机的需要的资源进行预测,生成预测配置信息,并对当前配置信息和预测配置信息不匹配时,将与预测配置信息对应的目标云主机分配至用户,从而实现对用户的云主机的资源配置进行自动的升/降调整。由于当前特征状态可以体现云主机处理用户的业务数据的情况,即可以体现用户对云主机资源配置的需求,通过对用户的云主机的资源配置进行预测,生成预测配置信息,并采用预测配置信息对云主机的资源配置自动调整,即可以避免用户的云主机的资源配置过高造成资源浪费,也可以避免资源配置过低影响业务数据的处理。
在申请的一种实施例中,预测模块102包括:
待预测数据输入子模块,用于将所述当前特征状态输入至所述预测模型;
预测计算子模块,用于确定所述预测模型的输出结果为预测特征状态;
预测数据生成模块,用于采用所述预测特征状态,生成预测配置信息。
预测模块102在获取当前特征状态后,将特征状态输入至预测模型中,预测模型可以采用当前特征状态输出预测特征状态,即预测出云主机未来的运行特征状态。采用预测特征状态,生成匹配于预测特征状态的预测配置信息。
在一种示例中,预测模型可以根据历史特征状态的变化情况,对当前云主机的运行特征状态进行预测,确定预测特征状态。并采用预测特征状态和历史配置信息,对当前云主机需要的生成资源进行预测,确定出目标生成资源。确定与目标生成资源匹配的预测配置信息。
在申请的一种实施例中,所述调度模块103包括:
目标配置确定子模块,用于根据所述预测配置信息,在多个预置的默认配置信息中确定目标配置信息;
目标主机确定子模块,用于采用所述目标配置信息,确定目标云主机;
目标主机分配子模块,用于将所述目标云主机与所述用户建立对应关系。
在云主机对应的业务平台中,提供有一定数量的与默认配置信息对应的可选云主机,默认配置信息可以能会存在更新的情况。预测配置信息是根据模型预测得到的,不一定与默认的配置信息完全一致,需要在得到预测配置信息后,与默认配置信息进行匹配,从而在云主机对应的业务平台中确定出符合预测配置信息的目标云主机。当在业务平台中确定目标云主机后,通过确定目标云主机与用户的对应关系,从而将目标云主机分配至用户。与此同时,可以将当前云主机的业务数据自动迁移至目标云主机,实现无感替换云主机。在将业务数据迁移至目标云主机后,可以断开当前云主机与用户的对应关系,防止用户使用非目标云主机进行业务处理。
在申请的一种实施例中,所述目标配置确定子模块包括:
配置信息遍历单元,用于遍历多个所述默认配置信息;
配置信息匹配单元,用于计算所述预测信息与所述默认配置信息的匹配值;
配置信息选择单元,用于采用所述匹配值中最大值对应的默认配置信息为所述目标配置信息。
在业务平台中,可以设置有配置信息数据库,配置信息数据库中记录有当前可分配给用户的云主机的配置信息。通过遍历默认配置信息,并计算预测配置信息与默认配置信息之间的匹配值,匹配值越高,代表预测配置信息和默认配置信息约接近。在计算各个默认配置信息与预测信息之间的匹配值后,将匹配值中最大值对应的默认配置信息为所述目标配置信息。在实际应用中,当默认配置信息无法满足预测特征状态时,其对应的匹配值为负,从而避免与预测配置信息匹配度高的默认配置信息无法匹配预测特征状态。通过对默认配置信息与预测配置信息进行匹配,筛选出目标配置信息,从而避免了将过高的配置信息对应的云主机分配给用户,导致资源浪费;也可以比避免将过低的配置信息对应的云主机分配给用户,导致用户无法正常执行业务。
在申请的一种实施例中,所述系统还包括:
管控模块104,用于获取用户发送的业务指令;
主机生产模块105,用于采用所述目标云主机,执行所述业务指令。
管控模块104可以接收用户对目标云主机或者业务平台的请求信息,并将业务指令发送至主机生产模块105,主机生成模块可以在接收到业务指令后,控制目标云主机执行业务指令。
例如:管控模块104接收到用户发送的业务指令,该业务指令包括存储请求。主控生产模块控制目标云主机执行存储业务,存储与所述存储请求对应的业务数据。
在申请的一种实施例中,所述管控模块104,还用于获取用户的资源配置管理指令。
管控模块104可以根据接收到的资源配置管理指令,确定是否调用采集模块101、预测模块102、调度模块103。资源配置管理指令可以包括自动更新指令和停止更新指令。当管控模块104接收到自动更新指令时,可以按照一定频次调用采集模块101、预测模块102、调度模块103,以实现改变云主机的资源配置。当管控模块104接收到停止更新指令时,停止调用采集模块101、预测模块102、调度模块103,以防止云主机的资源配置发生变化。通过对资源配置管理指令划分为自动更新指令和停止自动更新指令,从而实现由用户主动选择是否需要自动调整云主机的资源配置。
在申请的一种实施例中,所述系统还包括:
主机状态数据收集模块106,用于将所述当前特征状态存储至预设的存储介质中。
当云主机运行时,主机状态收集模块将当前特征状态存储至预设的特征数据库中。
例如:可以通过表1记录采集到的特征状态。
表1特征数据记录表
其中,单位一项为采集到的具体特征状态参数。
在一种示例中,当采集到特征状态时,对特征状态及其对应的配置信息进行组合后进行存储。
特别地,在用户进行手动调整云主机的配置信息时,对当前时刻的云主机的特征状态,以及用户调整后的云主机的配置信息进行存储,存储至特征数据库中。
在申请的一种实施例中,所述系统还包括:运行状态建模模块107;所述预测模型通过所述运行状态建模模块107生成;所述运行状态建模模块107包括:
初始数据子模块,用于获取与所述当前云主机对应的历史特征状态和历史配置信息,以及初始模型;
样本数据子模块,用于采用所述历史特征状态和所述历史配置信息,生成样本数据;
模型训练子模块,用于采用所述样本数据训练所述初始模型,直至所述初始模型的损失函数值达到预设阈值;
预测模组子模块,用于确定已训练的初始模型为预测模型。
初始模型可以是初始的逻辑回归模型,或初始的贝叶斯方法,或初始的决策树模型等,本申请实施例不对初始模型采用的具体数学模型进行限定。通过将样本数据输入至初始模型中,从而对初始模型进行训练。在每次训练后都计算初始模型的损失函数值,当损失函数值达到预设阈值时,停止对初始模型的训练。初始模型中包括有一个或多个变量。确定当损失函数值达到预设阈值时初始模型中变量的值,并将采用当前变量的初始模型为预测模型。
本申请实施例可以实现在接收到用户的资源配置管理指令时,判断用户需要对其对应的云主机进行自动更新。通过在基于用户当前云主机的当前特征状态、历史配置信息和历史特征状态,对云主机的需要的资源进行预测,生成预测配置信息,并对当前配置信息和预测配置信息不匹配时,将与预测配置信息对应的目标云主机分配至用户,从而实现对用户的云主机的资源配置进行自动更新,用户可以采用目标云主机处理业务数据。
由于预测模型根据与当前云主机对应的历史特征状态、历史配置信息生成,从而实现模拟云主机配置信息的历史调整情况生成预测配置信息,使得预测配置信息更符合用户的业务需求。
由于当前特征状态可以体现云主机处理用户的业务数据的情况,即可以体现用户对云主机资源配置的需求。而预测配置信息是由预测模型根据当前特征状态对云主机进行预测而生成,从而采用预测配置信息对用户的云主机的资源配置进行自动调整,可以避免用户的云主机的资源配置过高造成资源浪费,也可以避免资源配置过低影响业务数据的处理。
参照图2,示出了本申请的一种云主机的配置管理方法实施例的步骤流程,具体可以包括如下步骤:
步骤201,获取用户当前云主机的当前配置信息以及当前特征状态;
步骤202,根据所述当前特征状态和预设的预测模型,生成预测配置信息;
步骤203,当所述预测配置信息与所述当前配置信息不匹配时,将与所述预测配置信息对应的目标云主机分配至所述用户。
在本申请的一种实施例中,所述步骤202包括:
将所述当前特征状态输入至所述预测模型;
确定所述预测模型的输出结果为预测配置信息。
在本申请的一种实施例中,所述将与所述预测配置信息对应的目标云主机分配至所述用户的步骤,包括:
根据所述预测配置信息,在多个预置的默认配置信息中确定目标配置信息;
采用所述目标配置信息,确定目标云主机;
将所述目标云主机与所述用户建立对应关系。
在本申请的一种实施例中,所述根据所述预测配置信息,在多个预置的默认配置信息中确定目标配置信息的步骤,包括:
遍历多个所述默认配置信息;
计算所述预测信息与所述默认配置信息的匹配值;
采用所述匹配值中最大值对应的默认配置信息为所述目标配置信息。
在本申请的一种实施例中,所述方法还包括:
获取用户发送的业务指令;
采用所述目标云主机,执行所述业务指令。
在本申请的一种实施例中,在步骤201之前,所述方法还包括:
获取用户的资源配置管理指令。
在本申请的一种实施例中,所述方法还包括:
将所述当前特征状态存储至预设的存储介质中。
在本申请的一种实施例中,所述预测模型通过如下方法生成:
获取与所述当前云主机对应的历史特征状态和历史配置信息,以及初始模型;
采用所述历史特征状态和所述历史配置信息,生成样本数据;
采用所述样本数据训练所述初始模型,直至所述初始模型的损失函数值达到预设阈值;
确定已训练的初始模型为预测模型。
在本申请的一种实施例中,所述特征状态包括:CPU使用率信息、内存使用率信息、系统负载信息、广域网流量信息中的一种或多种。
对于方法实施例而言,由于其与系统实施例基本相似,所以描述的比较简单,相关之处参见方法实施例的部分说明即可。
本申请实施例还提供了一种装置,包括:一个或多个处理器;和,其上存储的有指令的一个或多个机器可读介质,当由所述一个或多个处理器执行时,使得所述装置执行如本申请实施例中的方法。
本申请实施例还提供了一个或多个机器可读介质,其上存储有指令,当由一个或多个处理器执行时,使得装置执行如本申请实施例中的方法。
本说明书中的各个实施例均采用递进的方式描述,每个实施例重点说明的都是与其他实施例的不同之处,各个实施例之间相同相似的部分互相参见即可。
本领域内的技术人员应明白,本申请实施例的实施例可提供为方法、装置、或计算机程序产品。因此,本申请实施例可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且,本申请实施例可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
在一个典型的配置中,所述计算机设备包括一个或多个处理器(CPU)、输入/输出接口、网络接口和内存。内存可能包括计算机可读介质中的非永久性存储器,随机存取存储器(RAM)和/或非易失性内存等形式,如只读存储器(ROM)或闪存(flash RAM)。内存是计算机可读介质的示例。计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括,但不限于相变内存(PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、其他类型的随机存取存储器(RAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、快闪记忆体或其他内存技术、只读光盘只读存储器(CD-ROM)、数字多功能光盘(DVD)或其他光学存储、磁盒式磁带,磁带磁磁盘存储或其他磁性存储设备或任何其他非传输介质,可用于存储可以被计算设备访问的信息。按照本文中的界定,计算机可读介质不包括非持续性的电脑可读媒体(transitory media),如调制的数据信号和载波。
本申请实施例是参照根据本申请实施例的方法、终端设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理终端设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理终端设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理终端设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理终端设备上,使得在计算机或其他可编程终端设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程终端设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
尽管已描述了本申请实施例的优选实施例,但本领域内的技术人员一旦得知了基本创造性概念,则可对这些实施例做出另外的变更和修改。所以,所附权利要求意欲解释为包括优选实施例以及落入本申请实施例范围的所有变更和修改。
最后,还需要说明的是,在本文中,诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来,而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者终端设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者终端设备所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括所述要素的过程、方法、物品或者终端设备中还存在另外的相同要素。
以上对本申请所提供的一种云主机的配置管理系统和一种云主机的配置管理方法,进行了详细介绍,本文中应用了具体个例对本申请的原理及实施方式进行了阐述,以上实施例的说明只是用于帮助理解本申请的方法及其核心思想;同时,对于本领域的一般技术人员,依据本申请的思想,在具体实施方式及应用范围上均会有改变之处,综上所述,本说明书内容不应理解为对本申请的限制。
Claims (20)
1.一种云主机的配置管理系统,其特征在于,包括:
采集模块,用于获取用户当前云主机的当前配置信息以及当前特征状态;
预测模块,用于根据所述当前特征状态和预设的预测模型,生成预测配置信息;
调度模块,用于当所述预测配置信息与所述当前配置信息不匹配时,将与所述预测配置信息对应的目标云主机分配至所述用户。
2.根据权利要求1所述的系统,其特征在于,所述预测模块包括:
待预测数据输入子模块,用于将所述当前特征状态输入至所述预测模型;
预测数据生成子模块,用于确定所述预测模型的输出结果为预测配置信息。
3.根据权利要求1或2所述的系统,其特征在于,所述调度模块包括:
目标配置确定子模块,用于根据所述预测配置信息,在多个预置的默认配置信息中确定目标配置信息;
目标主机确定子模块,用于采用所述目标配置信息,确定目标云主机;
目标主机分配子模块,用于将所述目标云主机与所述用户建立对应关系。
4.根据权利要求3所述的系统,其特征在于,所述目标配置确定子模块包括:
配置信息遍历单元,用于遍历多个所述默认配置信息;
配置信息匹配单元,用于计算所述预测信息与所述默认配置信息的匹配值;
配置信息选择单元,用于采用所述匹配值中最大值对应的默认配置信息为所述目标配置信息。
5.根据权利要求3所述的系统,其特征在于,所述系统还包括:
管控模块,用于获取用户发送的业务指令;
主机生产模块,用于采用所述目标云主机,执行所述业务指令。
6.根据权利要求5所述的系统,其特征在于,
所述管控模块,还用于获取用户的资源配置管理指令。
7.根据权利要求1或2所述的系统,其特征在于,所述系统还包括:
主机状态数据收集模块,用于将所述当前特征状态存储至预设的存储介质中。
8.根据权利要求1或2所述的系统,其特征在于,所述系统还包括:运行状态建模模块;所述预测模型通过所述运行状态建模模块生成;所述运行状态建模模块包括:
初始数据子模块,用于获取与所述当前云主机对应的历史特征状态和历史配置信息,以及初始模型;
样本数据子模块,用于采用所述历史特征状态和所述历史配置信息,生成样本数据;
模型训练子模块,用于采用所述样本数据训练所述初始模型,直至所述初始模型的损失函数值达到预设阈值;
预测模组子模块,用于确定已训练的初始模型为预测模型。
9.根据权利要求1或2所述的系统,其特征在于,所述特征状态包括:CPU使用率信息、内存使用率信息、系统负载信息、广域网流量信息中的一种或多种。
10.一种云主机的配置管理方法,其特征在于,包括:
获取用户当前云主机的当前配置信息以及当前特征状态;
根据所述当前特征状态和预设的预测模型,生成预测配置信息;
当所述预测配置信息与所述当前配置信息不匹配时,将与所述预测配置信息对应的目标云主机分配至所述用户。
11.根据权利要求10所述的方法,其特征在于,所述根据所述当前特征状态和预设的预测模型,生成预测配置信息的步骤,包括:
将所述当前特征状态输入至所述预测模型;
确定所述预测模型的输出结果为预测配置信息。
12.根据权利要求10或11所述的方法,其特征在于,所述将与所述预测配置信息对应的目标云主机分配至所述用户的步骤,包括:
根据所述预测配置信息,在多个预置的默认配置信息中确定目标配置信息;
采用所述目标配置信息,确定目标云主机;
将所述目标云主机与所述用户建立对应关系。
13.根据权利要求12所述的方法,其特征在于,所述根据所述预测配置信息,在多个预置的默认配置信息中确定目标配置信息的步骤,包括:
遍历多个所述默认配置信息;
计算所述预测信息与所述默认配置信息的匹配值;
采用所述匹配值中最大值对应的默认配置信息为所述目标配置信息。
14.根据权利要求12所述的方法,其特征在于,所述方法还包括:
获取用户发送的业务指令;
采用所述目标云主机,执行所述业务指令。
15.根据权利要求14所述的方法,其特征在于,在所述获取用户当前云主机的当前配置信息以及当前特征状态的步骤之前,所述方法还包括:
获取用户的资源配置管理指令。
16.根据权利要求10或11所述的方法,其特征在于,所述方法还包括:
将所述当前特征状态存储至预设的存储介质中。
17.根据权利要求10或11所述的方法,其特征在于,所述预测模型通过如下方法生成:
获取与所述当前云主机对应的历史特征状态和历史配置信息,以及初始模型;
采用所述历史特征状态和所述历史配置信息,生成样本数据;
采用所述样本数据训练所述初始模型,直至所述初始模型的损失函数值达到预设阈值;
确定已训练的初始模型为预测模型。
18.根据权利要求10或11所述的方法,其特征在于,所述特征状态包括:CPU使用率信息、内存使用率信息、系统负载信息、广域网流量信息中的一种或多种。
19.一种装置,其特征在于,包括:
一个或多个处理器;和
其上存储有指令的一个或多个机器可读介质,当由所述一个或多个处理器执行时,使得所述装置执行如权利要求10-18所述的一个或多个的方法。
20.一个或多个机器可读介质,其上存储有指令,当由一个或多个处理器执行时,使得所述处理器执行如权利要求10-18所述的一个或多个的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910431494.1A CN110297713A (zh) | 2019-05-22 | 2019-05-22 | 一种云主机的配置管理系统和方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910431494.1A CN110297713A (zh) | 2019-05-22 | 2019-05-22 | 一种云主机的配置管理系统和方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN110297713A true CN110297713A (zh) | 2019-10-01 |
Family
ID=68026958
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910431494.1A Pending CN110297713A (zh) | 2019-05-22 | 2019-05-22 | 一种云主机的配置管理系统和方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110297713A (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111831451A (zh) * | 2020-07-21 | 2020-10-27 | 平安科技(深圳)有限公司 | 云主机内存分配方法及云主机、设备及存储介质 |
CN114205246A (zh) * | 2021-12-14 | 2022-03-18 | 中国电信股份有限公司 | 云资源规划方法、装置以及存储介质 |
CN114896296A (zh) * | 2022-02-24 | 2022-08-12 | 浙江华通云数据科技有限公司 | 云服务资源配置方法、装置、电子设备及计算机可读介质 |
CN115529241A (zh) * | 2022-08-22 | 2022-12-27 | 中国电信股份有限公司 | 一种资源配置方法、装置、电子设备及存储介质 |
WO2024169161A1 (zh) * | 2023-02-15 | 2024-08-22 | 华为技术有限公司 | 一种资源配置方法、装置、系统及设备 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103164279A (zh) * | 2011-12-13 | 2013-06-19 | 中国电信股份有限公司 | 云计算资源分配方法和系统 |
CN109284871A (zh) * | 2018-09-30 | 2019-01-29 | 北京金山云网络技术有限公司 | 资源调整方法、装置和云平台 |
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 |
CN109660393A (zh) * | 2018-12-18 | 2019-04-19 | 郑州云海信息技术有限公司 | 一种云主机规格的更新方法及其装置 |
-
2019
- 2019-05-22 CN CN201910431494.1A patent/CN110297713A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103164279A (zh) * | 2011-12-13 | 2013-06-19 | 中国电信股份有限公司 | 云计算资源分配方法和系统 |
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 |
CN109284871A (zh) * | 2018-09-30 | 2019-01-29 | 北京金山云网络技术有限公司 | 资源调整方法、装置和云平台 |
CN109660393A (zh) * | 2018-12-18 | 2019-04-19 | 郑州云海信息技术有限公司 | 一种云主机规格的更新方法及其装置 |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111831451A (zh) * | 2020-07-21 | 2020-10-27 | 平安科技(深圳)有限公司 | 云主机内存分配方法及云主机、设备及存储介质 |
CN114205246A (zh) * | 2021-12-14 | 2022-03-18 | 中国电信股份有限公司 | 云资源规划方法、装置以及存储介质 |
CN114205246B (zh) * | 2021-12-14 | 2024-08-23 | 中国电信股份有限公司 | 云资源规划方法、装置以及存储介质 |
CN114896296A (zh) * | 2022-02-24 | 2022-08-12 | 浙江华通云数据科技有限公司 | 云服务资源配置方法、装置、电子设备及计算机可读介质 |
CN114896296B (zh) * | 2022-02-24 | 2023-08-11 | 浙江华通云数据科技有限公司 | 云服务资源配置方法、装置、电子设备及计算机可读介质 |
CN115529241A (zh) * | 2022-08-22 | 2022-12-27 | 中国电信股份有限公司 | 一种资源配置方法、装置、电子设备及存储介质 |
WO2024169161A1 (zh) * | 2023-02-15 | 2024-08-22 | 华为技术有限公司 | 一种资源配置方法、装置、系统及设备 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110297713A (zh) | 一种云主机的配置管理系统和方法 | |
US9516119B2 (en) | Service provider network migration | |
CN109872535B (zh) | 一种智慧交通通行预测方法、装置及服务器 | |
CN111083722A (zh) | 模型的推送、模型的请求方法及装置、存储介质 | |
RU2688270C2 (ru) | Вычисление долгосрочных расписаний для передач данных по глобальной вычислительной сети | |
CN107077385B (zh) | 用于减少计算实例启动时间的系统、方法及存储介质 | |
CN111092930B (zh) | 业务开通方法及装置 | |
WO2010006127A1 (en) | Model-based resource allocation | |
WO2023098374A1 (zh) | 网络资源部署方法、装置、电子设备及存储介质 | |
CN106202092A (zh) | 数据处理的方法及系统 | |
CN111694517B (zh) | 分布式数据迁移方法、系统和电子设备 | |
CN105379204A (zh) | 用于选择数据路由的资源的方法和系统 | |
CN102904824A (zh) | 服务提供实体选择方法及装置 | |
CN110213620A (zh) | 带宽分配方法及装置 | |
CN112214288A (zh) | 基于Kubernetes集群的Pod调度方法、装置、设备和介质 | |
CN116134419A (zh) | 软件容器的运行时环境确定 | |
CN112840334B (zh) | 管理分区表的数据的方法、装置、管理节点及存储介质 | |
CN117056018A (zh) | 资源调度方法、装置、设备、程序产品和存储介质 | |
CN108574718A (zh) | 一种云主机创建方法及装置 | |
CN111090401B (zh) | 存储设备性能预测方法及装置 | |
CN115378823B (zh) | 一种公有云的落位规划方法及装置、电子设备、存储介质 | |
CN109473113A (zh) | 一种声音识别方法及装置 | |
CN104735167B (zh) | 一种实现网络调度功能开放的方法和装置 | |
CN115878303A (zh) | 一种资源调度方法、装置及电子设备 | |
CN114125597A (zh) | 一种光纤调度的方法和装置 |
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: 20191001 |
|
RJ01 | Rejection of invention patent application after publication |