CN110417686A - 云资源动态调度系统 - Google Patents
云资源动态调度系统 Download PDFInfo
- Publication number
- CN110417686A CN110417686A CN201910508005.8A CN201910508005A CN110417686A CN 110417686 A CN110417686 A CN 110417686A CN 201910508005 A CN201910508005 A CN 201910508005A CN 110417686 A CN110417686 A CN 110417686A
- Authority
- CN
- China
- Prior art keywords
- decision
- virtual machine
- physical host
- module
- load estimation
- 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.)
- Granted
Links
- 238000007726 management method Methods 0.000 claims description 58
- 238000012544 monitoring process Methods 0.000 claims description 19
- 238000000034 method Methods 0.000 claims description 17
- 238000012937 correction Methods 0.000 claims description 13
- 238000013507 mapping Methods 0.000 claims description 12
- 230000002688 persistence Effects 0.000 claims description 12
- 230000008878 coupling Effects 0.000 claims description 11
- 238000010168 coupling process Methods 0.000 claims description 11
- 238000005859 coupling reaction Methods 0.000 claims description 11
- 238000012800 visualization Methods 0.000 claims description 9
- 238000012360 testing method Methods 0.000 claims description 8
- 230000000694 effects Effects 0.000 claims description 7
- 238000003860 storage Methods 0.000 claims description 7
- 230000002159 abnormal effect Effects 0.000 claims description 5
- 238000013508 migration Methods 0.000 claims description 5
- 230000005012 migration Effects 0.000 claims description 5
- 239000011800 void material Substances 0.000 claims description 5
- 230000002085 persistent effect Effects 0.000 claims description 4
- 238000004458 analytical method Methods 0.000 claims description 3
- 238000007792 addition Methods 0.000 claims description 2
- 238000004891 communication Methods 0.000 claims description 2
- 238000012217 deletion Methods 0.000 claims description 2
- 230000037430 deletion Effects 0.000 claims description 2
- 238000004519 manufacturing process Methods 0.000 claims description 2
- 230000002618 waking effect Effects 0.000 claims 1
- 239000003795 chemical substances by application Substances 0.000 description 29
- 230000000875 corresponding effect Effects 0.000 description 18
- 238000010586 diagram Methods 0.000 description 7
- 238000005516 engineering process Methods 0.000 description 7
- 230000008859 change Effects 0.000 description 6
- 230000008569 process Effects 0.000 description 6
- 238000001514 detection method Methods 0.000 description 3
- 235000013399 edible fruits Nutrition 0.000 description 3
- 230000008901 benefit Effects 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 238000012417 linear regression Methods 0.000 description 2
- 238000000714 time series forecasting Methods 0.000 description 2
- 239000002699 waste material Substances 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000004140 cleaning Methods 0.000 description 1
- 230000002596 correlated effect Effects 0.000 description 1
- 125000004122 cyclic group Chemical group 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 238000005265 energy consumption Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000009499 grossing Methods 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 238000000465 moulding Methods 0.000 description 1
- 230000000737 periodic effect Effects 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000004904 shortening Methods 0.000 description 1
- 239000000344 soap Substances 0.000 description 1
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L47/00—Traffic control in data switching networks
- H04L47/70—Admission control; Resource allocation
- H04L47/83—Admission control; Resource allocation based on usage 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
-
- 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]
- G06F9/5083—Techniques for rebalancing the load in a distributed system
- G06F9/5088—Techniques for rebalancing the load in a distributed system involving task migration
-
- 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
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L47/00—Traffic control in data switching networks
- H04L47/70—Admission control; Resource allocation
- H04L47/76—Admission control; Resource allocation using dynamic resource allocation, e.g. in-call renegotiation requested by the user or requested by the network in response to changing network conditions
Landscapes
- Engineering & Computer Science (AREA)
- Software Systems (AREA)
- Theoretical Computer Science (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Debugging And Monitoring (AREA)
Abstract
本发明涉及云计算虚拟化技术领域，提供了一种云资源动态调度系统，旨在解决现有虚拟机在运行期间不能动态地进行云资源调度的问题。所述系统包括管理端、物理主机集群及多个虚拟机集群，所述管理端用于获取虚拟机当前时间节点前的性能数据，计算出虚拟机和物理主机的负载预测结果，然后根据所述虚拟机的和/或所述物理主机的负载预测结果，并结合管理端预制的和/或用户输入的决策规则，做出各种针对虚拟机或物理主机的云资源调整决策，由于本发明所提供的系统中，管理端可周期性地获取性能数据，并计算出负载预测结果，从而可以周期性地做出云资源调整决策，使所述云资源动态调度系统实现对云资源的动态调整。
Description
技术领域
本发明涉及云计算虚拟化技术领域，具体而言，涉及一种云资源动态调度系统。
背景技术
云计算(Cloud Computing)是一种能够通过网络以便利的、按需付费的方式获取计算资源的范型，这些计算资源来自于一个共享且可配置的资源池，并能够以省力和无人干预的方式被获取和释放。其中，所述计算资源即为云资源，所述计算资源可以具体包括cpu、网络、内存和/或磁盘等硬件资源。这些计算资源最广泛的提供方式是以虚拟机的形式为各种应用的快速部署和可靠运行提供所需的支撑环境；即云计算通常是基于虚拟化(Virtualization)技术将云资源进行聚合或分割以实现按需分配。
当前，业界在管理云资源方面主要是根据用户申请虚拟机时所指定的物理资源规格来静态地对虚拟机进行配置，静态地配置方式使虚拟机在后期的运行期间，始终保持拥有数量规格不变的云资源，但是这将会导致虚拟机产生云资源浪费或云资源不足的情况。例如当用户计算量在某一时段骤减时，虚拟机的云资源利用率很低，而被该虚拟机闲置的云资源不能被资源池中的其他虚拟机利用到；又例如当用户计算量在某一时段陡增时，虚拟机的云资源不足以满足用户计算量需求，导致云计算平台服务质量降低。为了应对上述问题，现有技术中，采用了人工的资源调整，例如手动虚拟机扩容、迁移等；但是采用人工的资源调整会具有明显的滞后性，且因需要不断调整资源规格而带来管理上的复杂性，提高了管理成本。
发明内容
有鉴于此，本发明提供了一种云资源动态调度系统，旨在解决现有虚拟机在运行期间不能动态地进行资源调度的问题。
本发明实施例提供了一种云资源动态调度系统，所述云资源动态调度系统包括：
物理主机集群；
多个虚拟机集群，所述多个虚拟机集群中不同的虚拟机集群基于不同的虚拟化环境，所述虚拟机集群配置于所述物理主机集群上；以及
管理端，所述管理端与所述物理主机集群中的物理主机连接，还与所述虚拟机集群中的虚拟机连接，所述管理端用于周期性地获取所述多个虚拟机集群中的虚拟机在当前时间节点前的性能数据，并根据所述性能数据计算负载预测结果，再根据所述负载预测结果，并结合预制的和/或用户输入的决策规则，对满足所述决策规则的第一决策条件的虚拟机做出虚拟机扩容/扩充决策，对满足所述决策规则的第二决策条件的物理主机做出迁出部分虚拟机决策，对满足所述决策规则的第三决策条件的物理主机做出迁出全部虚拟机、然后待机的决策，对满足所述决策规则的第四决策条件的物理主机做出唤醒、并迁入虚拟机的决策；其中，所述负载预测结果包括所述虚拟机和/或所述物理主机集群中的物理主机的负载预测结果。
与现有技术相比，本发明具有以下有益效果：
1、本发明实施例提供的云资源动态调度系统，其中管理端通过获取虚拟机当前时间节点前的性能数据，计算出虚拟机和物理主机的负载预测结果，然后根据所述虚拟机的和/或物理主机的负载预测结果，并结合管理端预制的和/或用户输入的决策规则，做出各种针对虚拟机或物理主机的云资源调整决策，例如虚拟机扩容决策、虚拟机扩充决策、虚拟机迁出决策、虚拟机迁入决策、物理主机唤醒决策或物理主机待机决策。上述方法通过不间断地监控虚拟机集群，周期性地获取性能数据，并计算出负载预测结果，从而可以周期性地做出云资源调整决策，使所述云资源动态调度系统实现对云资源的动态调整。
2、由于所述负载预测结果可反映出在将来的一段时间内，虚拟机负载的变化情况，以及物理主机负载的变化情况，因此控制端以负载预测结果做出的云资源调整决策具有前瞻性，能克服人工调整的滞后性的缺点。
3、本发明根据负载预测结果、以及管理端预制的和/或用户输入的决策规则，对云资源进行了三个层面上的动态调整。本发明中，针对虚拟机做出虚拟机扩容/扩充决策为虚拟机层面的云资源动态调整，可以防止出现虚拟机的云资源规格低于业务需要的问题，又可以防止虚拟机的云资源规格远高于业务需要、导致云资源浪费的问题。本发明中，针对物理主机做出虚拟机迁移决策为虚拟机到物理主机的映射层面的云资源动态调整，可以使即将超载的物理主机将部分虚拟机迁往不会超载的物理主机上，以均衡各个物理主机的负载。本发明中，针对物理主机的唤醒/待机决策为物理主机层面的云资源动态调整，可以达到使用较少的物理主机来满足当前虚拟机服务，以提高资源利用率、降低能耗的效果。
附图说明
图1示出了实施例中提供的云资源动态调度系统的结构框图；
图2示出了实施例中提供的又一种云资源动态调度系统的结构框图；
图3示出了实施例中所述管理端与所述虚拟机集群的连接示意图；
图4示出了实施例中所述的性能监控模块的结构框图；
图5示出了实施例中所述的负载预测模块的结构框图；
图6示出了实施例中所述的决策模块的结构框图；
图7示出了实施例中所述的决策制定单元的结构框图。
具体实施方式
下文描述了本发明的具体实施方式，该实施方式为示意性的，旨在揭示本发明的具体工作过程，不能理解为对权利要求的保护范围的进一步限定。
请参阅图1，实施例提供了一种云资源动态调度系统，所述云资源动态调度系统主要包括管理端30、物理主机集群10及多个虚拟机集群20；其中，所述多个虚拟机集群20中不同的虚拟机集群20基于不同的虚拟化环境，所述虚拟机集群20配置于所述物理主机集群10上；所述管理端30与所述物理主机集群10中的物理主机连接，还与所述虚拟机集群20中的虚拟机连接。所述管理端30用于周期性地获取所述多个虚拟机集群中的虚拟机在当前时间节点前的性能数据，并根据所述性能数据计算负载预测结果，再根据所述负载预测结果，并结合预制的和/或用户输入的决策规则，对满足所述决策规则的第一决策条件的虚拟机做出虚拟机扩容/扩充决策，对满足所述决策规则的第二决策条件的物理主机做出迁出部分虚拟机决策，对满足所述决策规则的第三决策条件的物理主机做出迁出全部虚拟机、然后待机的决策，对满足所述决策规则的第四决策条件的物理主机做出唤醒、并迁入虚拟机的决策；其中，所述负载预测结果包括所述虚拟机和/或所述物理主机集群中的物理主机的负载预测结果。
此外，如图1所示，所述云资源动态调度系统还可以根据需要配置负载均衡器40、数据库50、防火墙60、路由器70和入侵检测系统80等。作为示例，所述云资源动态调度系统可包括以下各种虚拟化环境下的虚拟机集群中的任意几种：VMware虚拟机集群、KVM虚拟机集群、XEN虚拟机集群、Power VM虚拟机集群、HyperV虚拟机集群。图1所示云资源动态调度系统底层通过管理异构的虚拟机集群以及相应的网络、存储设施来提供虚拟化资源，在管理端内完成核心管控功能，并通过负载均衡器来对外提供云服务。一些特殊用途的服务(如控制台服务、辅助存储服务等)，因其重要性以及独立性，在图中基础设施的左侧以独立单位列出。除此之外，其他的核心服务，诸如高可用性管理、多租户服务、计费审计以及本文资源动态调度等功能均在管理端内予以实现。
上述云资源动态调度系统中，管理端通过不间断地监控虚拟机集群，周期性地获取性能数据，并计算出负载预测结果，从而可以周期性地做出云资源调整决策，使所述云资源动态调度系统实现对云资源地动态调整。
具体的，请参阅图2，图2示出的云资源动态调度系统中，管理端可具体包括：Agent代理管理模块31、性能监控模块32、负载预测模块33、决策模块34及映射模块35，所述Agent代理管理模块31、性能监控模块32、负载预测模块33、决策模块34及映射模块35顺次相连接，并整体形成环状结构。其中，所述Agent代理管理模块31与所示物理主机集群10中的虚拟机集群20连接，连接方式可选用网络连接。
其中，所述Agent代理管理模块用于周期性地向所述虚拟机采集关于虚拟机性能的原始数据，还用于将所述映射模块所映射出的指令分发给各相应的虚拟机和/或物理主机。本实施例中，通过设置所述Agent代理管理模块，所述Agent代理管理模块位于所述管理端的最底层，针对多种异构的虚拟化技术进行适配，屏蔽各种异构虚拟化技术的差异，用于实现底层数据的采集以及命令的执行。
所述性能监控模块用于周期性地向所述Agent代理管理模块发送原始数据采集指令，还用于从所述Agent代理管理模块获取所述原始数据，并对所述原始数据进行归一化处理，得到所述虚拟机的所述性能数据。本实施例通过设置所述性能监控模块，从而可以对取自各种虚拟化环境下的原始数据进行归一化处理，使异构的原始数据统一格式，以形成所述性能数据，便于后续的负载预测。
所述负载预测模块用于利用所述性能数据，对所述虚拟机进行负载预测，得到所述虚拟机的负载预测结果，还用于利用所述虚拟机的负载预测结果对所述物理主机集群中的物理主机进行负载预测，得到所述物理主机的负载预测结果。本实施例中，通过设置所述负载预测模块，可以预测得到虚拟机负载的变化情况及物理主机负载的变化情况，使得其后的决策模块可以利用虚拟机的和/或物理主机的负载的变化情况，做出具有前瞻性的云资源调整决策，可克服人工对云资源进行调整的滞后性缺点。
所述决策模块用于根据所述虚拟机的和/或所述物理主机的负载预测结果，并结合预制的和/或用户输入的决策规则，对满足所述决策规则的第一决策条件的虚拟机做出虚拟机扩容/扩充决策，对满足所述决策规则的第二决策条件的物理主机做出迁出部分虚拟机决策，对满足所述决策规则的第三决策条件的物理主机做出迁出全部虚拟机、然后待机的决策，对满足所述决策规则的第四决策条件的物理主机做出唤醒、并迁入虚拟机的决策。本实施例中，通过设置所述决策模块，所述决策模块根据所述负载预测模块的负载预测结果，结合预制的和/或用户输入的决策规则，做出三个层面的决策规则，可以更全面地、多维度地对云计算平台的云资源进行动态调度。这三个层面分别是虚拟机层面的云资源动态调整，对应虚拟机扩容和/或扩充决策；虚拟机到物理主机的映射层面的云资源动态调整，对应物理主机的迁出部分虚拟机决策；物理主机层面的云资源动态调整，对应物理主机的唤醒/待机决策。
所述映射模块用于根据虚拟化环境，将所述决策模块所做出的决策映射成相应的指令，并通过所述Agent代理管理模块分发给相应的虚拟机和/或物理主机。本实施例中，通过设置所述映射模块，可以将决策模块所做出的决策，根据决策所对应的虚拟机的虚拟化环境，将决策映射成可以在所述虚拟机的虚拟化环境中被执行的指令。
基于上述云资源动态调度系统，实施例提供以下一些具体可实施方式的举例，在互不抵触的前提下，各举例之间可任意组合，以形成新一种云资源动态调度系统。应当理解的，对于由任意举例所组合形成的新一种云资源动态调度系统，均应落入本发明的保护范围。
例如，请参阅图3，示出了云资源动态调度系统中管理端30与配置在物理主机集群10上的各虚拟机集群20之间的连接方式。图3中，所述云资源动态调度系统还可以包括多个本地代理模块36和多个远程代理模块37。所述Agent代理管理模块31对各个所述本地代理模块36和远程代理模块37进行协同管理；所述本地代理模块36位于所述管理端，所述远程代理模块37位于所述物理主机上；所述本地代理模块36用于直接远程调用虚拟机监控器API；所述远程代理模块37用于在与所述管理端建立通信连接后，执行所述管理端发出的指令。
作为示例，如图3所示，所述云资源动态调度系统中可具体包括VMware虚拟机集群、Xen虚拟机集群和KVM虚拟机集群，其中VMware虚拟机集群和XEN虚拟机集群均由本地代理模块36管理，KVM虚拟机集群由远程代理模块37管理。Agent代理管理模块31通过协同管理各本地代理模块36和各远程代理模块37，以分别获取各物理主机及其上虚拟机的CPU、内存、磁盘读写、网络读写的性能数据，这些数据分别来自VMware虚拟机的vCenter API、XenServer虚拟机的XAPI以及KVM虚拟机的libvirt API，其中API(ApplicationProgramming Interface)为应用程序编程接口。具体的，XEN虚拟机的本地代理模块36可直接远程调用XEN虚拟机的虚拟机监控器(hypervisor)API，所述调用通过XML-RPC协议(远程过程调用的分布式计算协议)实现；VMware虚拟机的本地代理模块36可直接远程调用VMware虚拟机的虚拟机监控器(hypervisor)API，所述调用通过SOAP协议(简单对象访问协议)实现；而对于KVM虚拟机，其远程代理模块37可事先与管理端30的Agent代理管理模块31建立Java NIO管道，然后以Commands/Answers的方式封装需要执行的指令与返回的结果。
例如，请参阅图4，所述性能监控模块32可具体包括：任务调度单元3201、原始数据整合单元3202及持久化单元3203，所述原始数据整合单元3202和所述持久化单元3203均与所述任务调度单元连接3201，所述原始数据整合单元3202还与所述Agent代理管理模块31连接，所述任务调度单元3201也还与所述Agent代理管理模块31连接。
所述任务调度单元3201用于对监控任务做计划调度，并用于实现周期性地向所述Agent代理管理模块发送原始数据采集指令。作为示例，所述任务调度单元可通过维护适当规模的线程池来根据事先定义的监控频率定期运行监控任务。考虑到监控任务的不同，所述任务调度单元可提供扩展接口以便适配不同的监控任务。此外，所述任务调度单元能够应对监控任务中断的发生，即在某一个监控任务出现异常中断的情况下，仍不影响其他当前以及后续的监控任务。例如，通过进程级隔离，将不同的监控任务分布于不同的监控进程中，这些监控进程通过非阻塞的方式从任务调度单元中接收监控任务相应的事件，并单独进行处理。除此之外，监控进程还需实现监控任务中断的逻辑，以支持任务调度单元发出相应的中断控制指令。
所述原始数据整合单元3202用于从所述Agent代理管理模块获取所述原始数据，并对所述原始数据进行归一化处理，得到虚拟机的所述性能数据。作为示例，所述原始数据整合单元可对数据进行初步分析，例如数据的清理(如噪声处理)、转换、规约以及整合等。又例如，某些虚拟化技术不方便获取网络的及时速率，但可以获得网络的历史读写总量，此时，所述原始数据整合单元可以根据两次获取的网络历史读写总量以及二者之间的时间间隔，间接地获取网络在此时间间隔内的即时读写速率。随着时间间隔的缩短，所得到的间接结果越能准确地反映短时间内网络即时读写速率。
所述持久化单元3203用于对所述性能数据进行持久化存储，并能支持对所述性能数据进行增删查改。通过对性能数据的持久化存储，可便于在后续进行负载预测时，可随时对性能数据进行读取。作为示例，所述持久化单元具体可选用关系型数据库对性能数据进行持久化。作为示例，所述关系型数据库可分8个表分别存储物理主机以及虚拟机的基本性能数据、CPU性能数据、存储性能信息、网络性能信息。考虑到当一张数据表中包含的数据量达到一定程度后，其对应的数据储存文件将会很大，这使得在其中查询某一数据需要花费大量的时间。为了避免此问题，可以将较大的数据表划分为多个独立的子部分，以提高检索效率。本实施例中，可以根据性能数据的获取时间，对数据表进行分区。例如所述持久化单元可以使每天获取的性能数据分别存储于数据表中的一个独立的物理文件中，对性能数据的查询将首先定位到对应的物理文件中，然后才进行具体的查询，以提高性能数据的检索效率。为了保持存储空间的可用规模，持久化单元可定期对持久化的性能数据进行备份，并删除时间最久远的物理文件。
例如，请参阅图4，所述性能监控模块32还可以包括：可视化单元3204和告警单元3205，所述可视化单元3204和所述告警单元3205均与所述任务调度单元3201连接。
所述可视化单元3204用于对所述性能数据进行可视化，使所述性能数据可通过用户接口被展示。作为示例，所述可视化单元可通过仪表盘以及其他用户接口来展示各种指标数据。作为示例，本实施例可使用MyBatis作为数据访问层框架。MyBatis是支持定制化SQL、存储过程以及高级映射的优秀持久层框架，它使用简单的XML或注解来配置和映射基本体，将接口和Java的POJOs(Plain Old Java Objects)映射成数据库中的记录。本实施例以此方式达到操纵数据库的目的，为查询展示提供基础框架支持。其中，所述数据库具体指上述关系型数据库。本实施例通过还可以分别为物理主机和虚拟机实现可视化窗口，在用户界面中除了显示实时性能数据外，还允许用户按时间段以不同的时间粒度查询性能数据。
所述告警单元3205用于从所述任务调度单元获取所述性能数据，并判断所述性能数据是否异常，若所述性能数据异常，则生成告警。作为示例，以下几种情况可以被判定为数据异常：在一段时间内获取不到所有物理主机或虚拟机的性能数据、在一段时间内获取不到部分物理主机或虚拟机的性能数据、从任务调度单元中获取的性能数据是归一化处理失败的原始数据、从任务调度单元中获取的性能数据反映虚拟机或物理主机已经超载。应当理解的，上述各种数据异常情况的举例仅为示意性举例，并不用于限定本发明。
例如，请参阅图5，所述负载预测模块33可包括第一子预测模块3301和第二子预测模块3302，所述第一子预测模块3301与所述第二子预测模块3302相互连接，所述第一子预测模块3301还分别与所述性能监控模块32和所述决策模块34连接，所述第二子预测模块3302也还与所述决策模块34连接。
其中，如图5所示，所述第一子预测模块3301可包括顺次连接的：模型选择单元33011、模型检验单元33012和虚拟机负载计算单元33013。
所述模型选择单元33011用于选择预测模型，并利用历史数据对所述预测模型中的未知参数进行估算。作为示例，所述模型选择单元可具体根据性能数据随时间的变化趋势，以选择相应的预测模型。例如当性能数据为具有线性趋势的时间序列数据，则可优先选择线性二次指数平滑型模型作为预测模型；例如当性能数据是小样本、非线性、高维数等时间序列数据，可优先选择高斯过程型模型作为预测模型。
所述模型检验单元33012用于利用已估算出所述未知参数的所述预测模型对历史数据进行拟合，根据拟合效果对所述预测模型进行检验，若拟合效果低于预期，则使所述模型选择单元重新选择预测模型。作为示例，所述模型检验模块可具体根据拟合后的均方差等指标对模型进行检验，如均方差数值超过管理员预设的阈值时，即可判断所述预测模型不合适，需要通知所述模型选择模块重新选择预测模型。
所述虚拟机负载计算单元33013用于当拟合效果高于预期时，利用所述预测模型和所述性能数据计算出所述虚拟机的负载预测结果。具体的，当所述预测模型通过所述模型检测单元的检测后，所述虚拟机负载计算单元根据所述预测模型的模型公式，计算虚拟机的负载预测结果，并将所述负载预测结果持久化存储于数据库中，如关系型数据库中。此外，本实施例中，所述虚拟机负载计算单元还可以在执行预测的过程中根据接下来的观测值优化预测模型成型，调整模型中参数的估值。
如图5所示，所述第二子预测模块3302包括顺次连接的：求和单元33021、映射单元33022和物理主机负载计算单元33023。
所述求和单元33021用于获取配置于物理主机上的全部虚拟机的负载预测结果，并对所获取的全部负载预测结果求和，得到所述物理主机的负载预测初始结果。作为示例，所述求和单元可从数据库中读取配置于该物理主机上的全部虚拟机的负载预测结果，然后累计所获取的所有负载预测结果，以累计总和作为所述物理主机的负载预测初始结果。本实施例中，求和单元之所以将物理主机上的全部虚拟机的负载预测结果总和作为物理主机的负载预测初始结果，是考虑到：云计算平台中物理主机的资源主要用以创建虚拟机，最终以虚拟机的形式对外提供服务。所以对物理主机的负载预测，只需要考虑其上所有虚拟机的负载预测结果即可。例如本实施例可以以资源利用率这一性能监控数据来反映负载预测，则对于物理主机的资源利用状态的预测只需要考虑其上虚拟机资源利用率的预测结果即可。又考虑到虽然物理主机上虚拟化技术本身需要占用一定的资源，但这部分资源的最大值在第一次安装完成之后就已经确定(例如XenServer配置的Dom0资源规格等)，且此部分资源相对整体物理主机资源来讲影响很小。在虚拟化技术占用整体物理资源比率较小(例如3％以下)的情况下，可以忽略此部分资源利用率。
所述映射单元33022用于根据所述物理主机的负载预测初始结果的大小，映射出相应的修正系数，所述修正系数大于1。作为示例，本实施例可以以资源利用率这一性能监控数据来反映负载预测。作为示例，如表1所示，本实施例可将物理资源利用率以配置文件的形式分为若干档(根据实际物理主机资源总量由管理员制定相应的修正系数)，计算物理主机的资源利用率预测结果时，根据物理主机的资源利用率预测初始结果大小，以此标准映射出相应的修正系数。例如所述求和单元计算出某一物理主机的在某一预测时序点的资源利用率预测初始结果为25％,则根据表1所示配置文件可映射出修整系数为1.35。
所述物理主机负载计算单元33023用于将所述负载预测初始结果与所述修正系数的乘积，作为所述物理主机的负载预测结果。例如所述求和单元计算出某一物理主机的在某一预测时序点的资源利用率预测初始结果为25％,其修整系数为1.35，则物理主机负载计算单元计算出物理主机的负载预测结果为34％。
表1物理主机资源利用率修正系数配置文件示例
例如，请参阅图6，所述决策模块34包括顺次连接的：语义解析单元3401、规则生产单元3402、规则库单元3403和决策制定单元3404。
所述语义解析单元3401用于接收用户预先输入的或用户实时输入的规则文件，并将所述规则文件解析为中间结果，然后将所述中间结果送入所述规则生成单元。作为示例，所述用户预先输入具体是指在决策模块进行决策制定之前，如管理员在管理端投入使用前进行初始配置时，输入规则文件；作为示例，所述用户实时输入具体是指在决策模块进行决策期间，管理员通过观察可视化模块展示的负载预测结果后，及时输入规则文件。作为示例，所述语义解析单元对规则文件的语法进行正确性检查，并产生抽象语法树描述的所述中间结果，然后将所述中间结果送入所述规则生成单元。
所述规则生成单元3402用于接收所述中间结果，并将所述中间结果构建成所述决策规则。
所述规则库单元3403用于存储并管理所述规则生成单元所构建的决策规则。作为示例，所述规则库单元对所述决策规则的管理可以体现为：从所述规则生成单元中移入决策规则，并在决策制定单元利用完所述决策规则后，移除所述决策规则。
所述决策制定单元3404用于获取所述虚拟机的和/或所述物理主机的负载预测结果，并将所述负载预测结果与所述规则库模块中的决策规则的决策条件进行匹配，当所述虚拟机的负载预测结果满足所述第一决策条件时，对所述虚拟机做出虚拟机扩容/扩充决策；当所述物理主机的负载预测结果满足所述第二决策条件时，对所述物理主机做出迁出部分虚拟机决策；当所述物理主机的负载预测结果满足所述第三决策条件时，对所述物理主机做出迁出全部虚拟机、然后待机的决策；当所有处于开机状态的物理主机的负载预测结果的总和满足所述第四决策条件时，对处于待机状态的一台或多台物理主机做出唤醒决策、并迁入虚拟机的决策，其中所述所有处于开机状态的物理主机的负载预测结果的总和，为处于开机状态的物理主机集群的负载预测结果。
作为示例，本实施例中，可具体选用Drools规则引擎实现业务逻辑。Drools是用Java语言实现的开源规则引擎，使用Rete算法对用户输入的规则求值以实现业务逻辑。所述Drools规则引擎中包括语义解析单元、规则生成单元、规则库单元和决策制定单元。
例如，请参阅图7所示，所述决策制定单元3404包括：匹配子单元34045和第二决策制定子单元34042，所述匹配子单元34045与所述第二决策制定子单元34042相互连接。
所述匹配子单元34045用于获取所述虚拟机的和/或所述物理主机的负载预测结果，并将所述负载预测结果与所述规则库模块中的决策规则的决策条件进行匹配，当所述物理主机的负载预测结果满足所述决策规则的第二决策条件时，将所述负载预测结果和所述决策规则送入所述第二决策制定子单元34042。应当理解的，所述决策制定单元还可以包括第一决策制定子单元34041、第三决策制定子单元34043和第四决策制定子单元34044；所述匹配子单元34045还用于当匹配出虚拟机的负载预测结果满足所述第一决策条件时，将虚拟机的负载预测结果和决策规则送入第一决策制定子单元34041；所述匹配子单元还用于当匹配出物理主机的负载预测结果满足所述第三决策条件时，将虚拟机的负载预测结果和决策规则送入第三决策制定子单元34043；所述匹配子单元还用于当匹配出物理主机集群的负载预测结果满足所述第四决策条件时，将虚拟机的负载预测结果和决策规则送入第四决策制定子单元34044。其中，匹配子单元34045在将所述虚拟机的和/或物理主机的负载预测结果与所述决策规则的决策条件进行匹配时，各决策条件具体如下，所述第一决策条件为：虚拟机将在所述虚拟机的负载预测结果所对应的预测时间段内发生超载；所述第二决策条件为：物理主机将在所述物理主机的负载预测结果所对应的预测时间段内发生超载；所述第三决策条件为：物理主机的负载预测结果低于管理员预设的阈值；所述第四决策条件为：处于开机状态的物理主机集群将在所述其负载预测结果所对应的预测时间段内发生超载。
所述第二决策制定子单元34042用于接收所述负载预测结果和所述决策规则，如图7所示，所述第二决策制定子单元包括：迁移时间计算组件101、遍历组件102和备用决策组件103，所述遍历组件102和所述备用决策组件103均与所述迁移时间计算组件101连接。
所述迁移时间计算组件101用于计算所述物理主机上各虚拟机的迁移时间代价。作为示例，通过对运行日志的分析，利用线性回归可以得知迁移时间与虚拟机的内存大小正相关。因此所述迁移时间计算组件101可针对不同的集群环境(hypervisor)，通过预先实验利用线性回归得到的模型进行参数估计，得到对应的迁移时间代价测算模型，从而可计算出每个虚拟机的迁移时间代价。
所述遍历组件102用于遍历各虚拟机，确定一个被迁出虚拟机，对所述被迁出虚拟机做出迁出决策；根据所述决策规则，所述被迁出虚拟机应满足的条件为：所述被迁出虚拟机可以在物理主机发生超载之前完成迁移，并且可以使得迁移后所述物理主机在原先预测发生超载的时刻不再超载。其中所述超载具体可以指物理主机的负载预测结果超出管理员预设的阈值时，即为超载。例如以资源利用率这一性能监控数据来反映负载预测时，当物理主机的资源利用率超过管理员预设的阈值时，即将发生超载。
作为示例，参照表2，表2为物理主机资源利用率修正结果示例，以资源利用率的预测作为对负载的预测。此示例中，在下一次资源动态调度周期前有6个时序预测初始结果，分别利用上述修正系数配置与其相乘得到修正后的时序预测结果。物理主机超载检测正是利用这些修正后的结果以及管理员指定的阈值，预测是否会有超出阈值的超载状况发生。如果预测物理主机将发生超载，给出具体的超载发生时间预测结果。然后做出从所述物理主机中迁出部分虚拟机的决策，以避免物理主机发生超载。
作为示例，表2中第一个时序点的预测初始结果为25％，根据表1提供的修正系数配置文件，25％落入[20％，30％)区间，映射出所述预测初始结果的修正系数为1.35，因此物理主机最终的预测结果为25％与1.35的乘积，即为34％。作为示例，管理员指定的阈值为85％，则根据表2的预测结果，所述物理主机将在第4个时序点处发生超载。
表2物理主机资源利用率修正结果示例
所述备用决策组件103用于当所述物理主机上不存在满足上述条件的虚拟机时，选择所述虚拟机上迁移时间代价最小的虚拟机作为被迁出虚拟机，并对所述迁移时间代价最小的虚拟机做出迁出决策。作为示例，所述备用决策组件103还可以在做出将迁移时间代价最小的虚拟机迁出的决策后，使所述遍历组件102再次进行遍历，以确定满足上述条件的虚拟机；所述备用决策组件103也可以在做出将迁移时间代价最小的虚拟机迁出的决策后，再对迁移时间代价第二小的虚拟机做出迁出决策，直至将不发生超载为止；或者所述备用决策组件103还可以在做出将迁移时间代价最小的虚拟机迁出的决策后，不做其余决策。
例如，请参阅图7，所述第二决策制定子单元还可以包括目的主机确定组件104，所述目的主机确定组件104用于当所述遍历组件102或所述备用决策组件103确定所述被迁出虚拟机后，为所述被迁出虚拟机确定将迁往的目的物理主机；所述目的物理主机的确定方法为：从可以容纳所述被迁出虚拟机而不会发生超载的所有物理主机中，选择剩余云资源量最少的物理主机作为所述将迁往的目的物理主机。所述目的主机确定组件104通过上述确定方法确定目的物理主机其有益效果在于，可以最大化地提高物理主机集群中各物理主机的资源利用率，且又不会造成物理主机超载。
在此处所提供的说明书中，说明了大量具体细节。然而，能够理解，本发明的实施例可以在没有这些具体细节的情况下实践。在一些实例中，并未详细示出公知的方法、结构和技术，以便不模糊对本说明书的理解。
类似地，应当理解，为了精简本公开并帮助理解各个发明方面中的一个或多个，在上面对本发明的示例性实施例的描述中，本发明的各个特征有时被一起分组到单个实施例、图、或者对其的描述中。然而，并不应将该公开的方法解释成反映如下意图：即所要求保护的本发明要求比在每个权利要求中所明确记载的特征更多的特征。更确切地说，如下面的权利要求书所反映的那样，发明方面在于少于前面公开的单个实施例的所有特征。因此，遵循具体实施方式的权利要求书由此明确地并入该具体实施方式，其中每个权利要求本身都作为本发明的单独实施例。
本领域那些技术人员可以理解，可以对实施例中的设备中的模块进行自适应性地改变并且把它们设置在与该实施例不同的一个或多个设备中。可以把实施例中的模块或单元或组件组合成一个模块或单元或组件，以及此外可以把它们分成多个子模块或子单元或子组件。除了这样的特征和/或过程或者单元中的至少一些是相互排斥之外，可以采用任何组合对本说明书(包括伴随的权利要求、摘要和附图)中公开的所有特征以及如此公开的任何方法或者设备的所有过程或单元进行组合。除非另外明确陈述，本说明书(包括伴随的权利要求、摘要和附图)中公开的每个特征可以由提供相同、等同或相似目的的替代特征来代替。
此外，本领域的技术人员能够理解，尽管在此所述的一些实施例包括其它实施例中所包括的某些特征而不是其它特征，但是不同实施例的特征的组合意味着处于本发明的范围之内并且形成不同的实施例。例如，在下面的权利要求书中，所要求保护的实施例的任意之一都可以以任意的组合方式来使用。
应该注意的是上述实施例对本发明进行说明而不是对本发明进行限制，并且本领域技术人员在不脱离所附权利要求的范围的情况下可设计出替换实施例。在权利要求中，不应将位于括号之间的任何参考符号构造成对权利要求的限制。单词“包含”不排除存在未列在权利要求中的元件或步骤。位于元件之前的单词“一”或“一个”不排除存在多个这样的元件。本发明可以借助于包括有若干不同元件的硬件以及借助于适当编程的计算机来实现。在列举了若干装置的单元权利要求中，这些装置中的若干个可以是通过同一个硬件项来具体体现。单词第一、第二、以及第三等的使用不表示任何顺序。可将这些单词解释为名称。
Claims (10)
1.一种云资源动态调度系统，其特征在于，包括：
物理主机集群；
多个虚拟机集群，所述多个虚拟机集群中不同的虚拟机集群基于不同的虚拟化环境，所述虚拟机集群配置于所述物理主机集群上；以及
管理端，所述管理端与所述物理主机集群中的物理主机连接，还与所述虚拟机集群中的虚拟机连接，所述管理端用于周期性地获取所述多个虚拟机集群中的虚拟机在当前时间节点前的性能数据，并根据所述性能数据计算负载预测结果，再根据所述负载预测结果，并结合预制的和/或用户输入的决策规则，对满足所述决策规则的第一决策条件的虚拟机做出虚拟机扩容/扩充决策，对满足所述决策规则的第二决策条件的物理主机做出迁出部分虚拟机决策，对满足所述决策规则的第三决策条件的物理主机做出迁出全部虚拟机、然后待机的决策，对满足所述决策规则的第四决策条件的物理主机做出唤醒、并迁入虚拟机的决策；其中，所述负载预测结果包括所述虚拟机和/或所述物理主机集群中的物理主机的负载预测结果。
2.根据权利要求1所述的云资源动态调度系统，其特征在于，所述管理端包括顺次相连接的、并整体连接成环状结构的：Agent代理管理模块、性能监控模块、负载预测模块、决策模块及映射模块；其中，
所述Agent代理管理模块用于周期性地向所述虚拟机采集关于虚拟机性能的原始数据，还用于将所述映射模块所映射出的指令分发给各相应的虚拟机和/或物理主机；
所述性能监控模块用于周期性地向所述Agent代理管理模块发送原始数据采集指令，还用于从所述Agent代理管理模块获取所述原始数据，并对所述原始数据进行归一化处理，得到所述虚拟机的所述性能数据；
所述负载预测模块用于利用所述性能数据，对所述虚拟机进行负载预测，得到所述虚拟机的负载预测结果，还用于利用所述虚拟机的负载预测结果对所述物理主机集群中的物理主机进行负载预测，得到所述物理主机的负载预测结果；
所述决策模块用于根据所述虚拟机的和/或所述物理主机的负载预测结果，并结合预制的和/或用户输入的决策规则，对满足所述决策规则的第一决策条件的虚拟机做出虚拟机扩容/扩充决策，对满足所述决策规则的第二决策条件的物理主机做出迁出部分虚拟机决策，对满足所述决策规则的第三决策条件的物理主机做出迁出全部虚拟机、然后待机的决策，对满足所述决策规则的第四决策条件的物理主机做出唤醒、并迁入虚拟机的决策；
所述映射模块用于根据虚拟化环境，将所述决策模块所做出的决策映射成相应的指令，并通过所述Agent代理管理模块分发给相应的虚拟机和/或物理主机。
3.根据权利要求2所述的云资源动态调度系统，其特征在于，所述云资源动态调度系统还包括多个本地代理模块和多个远程代理模块，所述Agent代理管理模块对各个所述本地代理模块和远程代理模块进行协同管理；所述本地代理模块位于所述管理端，所述远程代理模块位于所述物理主机上；所述本地代理模块用于直接远程调用虚拟机监控器API；所述远程代理模块用于在与所述管理端建立通信连接后，执行所述管理端发出的指令。
4.根据权利要求2所述的云资源动态调度系统，其特征在于，所述性能监控模块包括：任务调度单元、原始数据整合单元及持久化单元，所述原始数据整合单元和所述持久化单元均与所述任务调度单元连接，所述原始数据整合单元还与所述Agent代理管理模块连接，所述任务调度单元也还与所述Agent代理管理模块连接；其中，
所述任务调度单元用于对监控任务做计划调度，并用于实现周期性地向所述Agent代理管理模块发送原始数据采集指令；
所述原始数据整合单元用于从所述Agent代理管理模块获取所述原始数据，并对所述原始数据进行归一化处理，得到虚拟机的所述性能数据；
所述持久化单元用于对所述性能数据进行持久化存储，并能支持对所述性能数据进行增删查改。
5.根据权利要求4所述的云资源动态调度系统，其特征在于，所述性能监控模块还包括：可视化单元和告警单元，所述可视化单元和所述告警单元均与所述任务调度单元连接；其中，
所述可视化单元用于对所述性能数据进行可视化，使所述性能数据可通过用户接口被展示；
所述告警单元用于从所述任务调度单元获取所述性能数据，并判断所述性能数据是否异常，若所述性能数据异常，则生成告警。
6.根据权利要求2所述的云资源动态调度系统，其特征在于，所述负载预测模块包括：第一子预测模块和第二子预测模块，所述第一子预测模块与所述第二子预测模块相互连接，所述第一子预测模块还分别与所述性能监控模块和所述决策模块连接，所述第二子预测模块也还与所述决策模块连接；其中，
所述第一子预测模块包括顺次连接的：模型选择单元、模型检验单元和虚拟机负载计算单元；
所述模型选择单元用于选择预测模型，并利用历史数据对所述预测模型中的未知参数进行估算；
所述模型检验单元用于利用已估算出所述未知参数的所述预测模型对历史数据进行拟合，根据拟合效果对所述预测模型进行检验，若拟合效果低于预期，则使所述模型选择单元重新选择预测模型；
所述虚拟机负载计算单元用于当拟合效果高于预期时，利用所述预测模型和所述性能数据计算出所述虚拟机的负载预测结果；
所述第二子预测模块包括顺次连接的：求和单元、映射单元和物理主机负载计算单元；
所述求和单元用于获取配置于物理主机上的全部虚拟机的负载预测结果，并对所获取的全部负载预测结果求和，得到所述物理主机的负载预测初始结果；
所述映射单元用于根据所述物理主机的负载预测初始结果的大小，映射出相应的修正系数，所述修正系数大于1；
所述物理主机负载计算单元用于将所述负载预测初始结果与所述修正系数的乘积，作为所述物理主机的负载预测结果。
7.根据权利要求2所述的云资源动态调度系统，其特征在于，所述决策模块包括顺次连接的：语义解析单元、规则生产单元、规则库单元和决策制定单元；其中，
所述语义解析单元用于接收用户预先输入的或用户实时输入的规则文件，并将所述规则文件解析为中间结果，然后将所述中间结果送入所述规则生成单元；
所述规则生成单元用于接收所述中间结果，并将所述中间结果构建成所述决策规则；
所述规则库单元用于存储并管理所述规则生成单元所构建的决策规则；
所述决策制定单元用于获取所述虚拟机的和/或所述物理主机的负载预测结果，并将所述负载预测结果与所述规则库模块中的决策规则的决策条件进行匹配，当所述虚拟机的负载预测结果满足所述第一决策条件时，对所述虚拟机做出虚拟机扩容/扩充决策；当所述物理主机的负载预测结果满足所述第二决策条件时，对所述物理主机做出迁出部分虚拟机决策；当所述物理主机的负载预测结果满足所述第三决策条件时，对所述物理主机做出迁出全部虚拟机、然后待机的决策；当所有处于开机状态的物理主机的负载预测结果的总和满足所述第四决策条件时，对处于待机状态的一台或多台物理主机做出唤醒决策、并迁入虚拟机的决策，其中所述所有处于开机状态的物理主机的负载预测结果的总和，为处于开机状态的物理主机集群的负载预测结果。
8.根据权利要求7所述的云资源动态调度系统，其特征在于，所述决策制定单元包括：匹配子单元和第二决策制定子单元，所述匹配子单元与所述第二决策制定子单元相互连接；其中，
所述匹配子单元用于获取所述虚拟机的和/或所述物理主机的负载预测结果，并将所述负载预测结果与所述规则库模块中的决策规则的决策条件进行匹配，当所述物理主机的负载预测结果满足所述决策规则的第二决策条件时，将所述负载预测结果和所述决策规则送入所述第二决策制定子单元；
所述第二决策制定子单元用于接收所述负载预测结果和所述决策规则，所述第二决策制定子单元包括：迁移时间计算组件、遍历组件和备用决策组件，所述遍历组件和所述备用决策组件均与所述迁移时间计算组件连接；
所述迁移时间计算组件用于计算所述物理主机上各虚拟机的迁移时间代价；
所述遍历组件用于遍历各虚拟机，确定一个被迁出虚拟机，对所述被迁出虚拟机做出迁出决策；根据所述决策规则，所述被迁出虚拟机应满足的条件为：所述被迁出虚拟机可以在物理主机发生超载之前完成迁移，并且可以使得迁移后所述物理主机在原先预测发生超载的时刻不再超载；
所述备用决策组件用于当所述物理主机上不存在满足上述条件的虚拟机时，选择所述虚拟机上迁移时间代价最小的虚拟机作为被迁出虚拟机，并对所述迁移时间代价最小的虚拟机做出迁出决策。
9.根据权利要求8所述的云资源动态调度系统，其特征在于，所述第二决策制定子单元还包括目的主机确定组件，所述目的主机确定组件用于当所述遍历组件或所述备用决策组件确定所述被迁出虚拟机后，为所述被迁出虚拟机确定将迁往的目的物理主机；所述目的物理主机的确定方法为：从可以容纳所述被迁出虚拟机而不会发生超载的所有物理主机中，选择剩余云资源量最少的物理主机作为所述将迁往的目的物理主机。
10.根据权利要求8所述的云资源动态调度系统，其特征在于，所述匹配子单元在将所述虚拟机的和/或物理主机的负载预测结果与所述决策规则的决策条件进行匹配时采用的各决策条件具体如下：
所述第一决策条件为：虚拟机将在所述虚拟机的负载预测结果所对应的预测时间段内发生超载；
所述第二决策条件为：物理主机将在所述物理主机的负载预测结果所对应的预测时间段内发生超载；
所述第三决策条件为：物理主机的负载预测结果低于管理员预设的阈值；
所述第四决策条件为：处于开机状态的物理主机集群将在所述其负载预测结果所对应的预测时间段内发生超载。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910508005.8A CN110417686B (zh) | 2019-06-12 | 2019-06-12 | 云资源动态调度系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910508005.8A CN110417686B (zh) | 2019-06-12 | 2019-06-12 | 云资源动态调度系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN110417686A true CN110417686A (zh) | 2019-11-05 |
| CN110417686B CN110417686B (zh) | 2021-12-14 |
Family
ID=68358985
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910508005.8A Active CN110417686B (zh) | 2019-06-12 | 2019-06-12 | 云资源动态调度系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN110417686B (zh) |
Cited By (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111580934A (zh) * | 2020-05-13 | 2020-08-25 | 杭州电子科技大学 | 云计算环境下多租户虚拟机性能一致的资源分配方法 |
| CN111858040A (zh) * | 2020-07-07 | 2020-10-30 | 中国建设银行股份有限公司 | 一种资源调度方法和装置 |
| CN112256531A (zh) * | 2020-10-30 | 2021-01-22 | 宝牧科技（天津）有限公司 | 一种云资源内存利用率准确性优化方法 |
| CN112767027A (zh) * | 2021-01-19 | 2021-05-07 | 杭州朗澈科技有限公司 | 一种基于业务感知的云成本预测方法和系统 |
| CN113037786A (zh) * | 2019-12-09 | 2021-06-25 | 中国电信股份有限公司 | 智能算力调度方法、装置和系统 |
| CN114830062A (zh) * | 2019-12-20 | 2022-07-29 | 伊顿智能动力有限公司 | 计算系统的功率管理 |
| CN116595384A (zh) * | 2023-07-14 | 2023-08-15 | 支付宝(杭州)信息技术有限公司 | 模型训练方法及装置 |
| CN116939158A (zh) * | 2023-06-15 | 2023-10-24 | 武汉贝多多网络科技有限公司 | 一种基于云计算的监控管理系统和方法 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104836819A (zh) * | 2014-02-10 | 2015-08-12 | 阿里巴巴集团控股有限公司 | 动态负载均衡的方法、系统及监控调度设备 |
| CN107404523A (zh) * | 2017-07-21 | 2017-11-28 | 中国石油大学(华东) | 云平台自适应资源调度系统和方法 |
| CN108304260A (zh) * | 2017-12-15 | 2018-07-20 | 上海超算科技有限公司 | 一种基于高性能云计算的虚拟化作业调度系统及其实现方法 |
| WO2018177042A1 (zh) * | 2017-03-27 | 2018-10-04 | 中兴通讯股份有限公司 | 一种实现资源调度的方法及装置 |
| CN109271232A (zh) * | 2018-07-03 | 2019-01-25 | 广东省城乡规划设计研究院 | 一种基于云计算平台的集群资源分配方法 |
-
2019
- 2019-06-12 CN CN201910508005.8A patent/CN110417686B/zh active Active
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104836819A (zh) * | 2014-02-10 | 2015-08-12 | 阿里巴巴集团控股有限公司 | 动态负载均衡的方法、系统及监控调度设备 |
| WO2018177042A1 (zh) * | 2017-03-27 | 2018-10-04 | 中兴通讯股份有限公司 | 一种实现资源调度的方法及装置 |
| CN107404523A (zh) * | 2017-07-21 | 2017-11-28 | 中国石油大学(华东) | 云平台自适应资源调度系统和方法 |
| CN108304260A (zh) * | 2017-12-15 | 2018-07-20 | 上海超算科技有限公司 | 一种基于高性能云计算的虚拟化作业调度系统及其实现方法 |
| CN109271232A (zh) * | 2018-07-03 | 2019-01-25 | 广东省城乡规划设计研究院 | 一种基于云计算平台的集群资源分配方法 |
Cited By (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113037786A (zh) * | 2019-12-09 | 2021-06-25 | 中国电信股份有限公司 | 智能算力调度方法、装置和系统 |
| CN113037786B (zh) * | 2019-12-09 | 2022-09-16 | 中国电信股份有限公司 | 智能算力调度方法、装置和系统 |
| CN114830062A (zh) * | 2019-12-20 | 2022-07-29 | 伊顿智能动力有限公司 | 计算系统的功率管理 |
| CN111580934A (zh) * | 2020-05-13 | 2020-08-25 | 杭州电子科技大学 | 云计算环境下多租户虚拟机性能一致的资源分配方法 |
| CN111858040A (zh) * | 2020-07-07 | 2020-10-30 | 中国建设银行股份有限公司 | 一种资源调度方法和装置 |
| CN112256531A (zh) * | 2020-10-30 | 2021-01-22 | 宝牧科技（天津）有限公司 | 一种云资源内存利用率准确性优化方法 |
| CN112767027A (zh) * | 2021-01-19 | 2021-05-07 | 杭州朗澈科技有限公司 | 一种基于业务感知的云成本预测方法和系统 |
| CN112767027B (zh) * | 2021-01-19 | 2022-05-24 | 杭州朗澈科技有限公司 | 一种基于业务感知的云成本预测方法和系统 |
| CN116939158A (zh) * | 2023-06-15 | 2023-10-24 | 武汉贝多多网络科技有限公司 | 一种基于云计算的监控管理系统和方法 |
| CN116595384A (zh) * | 2023-07-14 | 2023-08-15 | 支付宝(杭州)信息技术有限公司 | 模型训练方法及装置 |
| CN116595384B (zh) * | 2023-07-14 | 2023-11-24 | 支付宝(杭州)信息技术有限公司 | 模型训练方法及装置 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN110417686B (zh) | 2021-12-14 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110417686A (zh) | 云资源动态调度系统 | |
| US20210182106A1 (en) | Resource configuration prediction method and device | |
| US5367473A (en) | Expert system for computer system resource management | |
| US8615773B2 (en) | Systems and methods for coordinating computing functions to accomplish a task using a configuration file and standardized executable application modules | |
| CN110389838A (zh) | 一种适用于虚拟资源的实时调度和在线迁移管控方法 | |
| CN110401695A (zh) | 云资源动态调度方法、装置和设备 | |
| CN104050042B (zh) | Etl作业的资源分配方法及装置 | |
| CN108304250A (zh) | 用于确定运行机器学习任务的节点的方法和装置 | |
| US20130318529A1 (en) | Systems and methods for augmenting the functionality of a monitoring node without recompiling | |
| US20130138806A1 (en) | Predictive and dynamic resource provisioning with tenancy matching of health metrics in cloud systems | |
| CN103955398B (zh) | 一种基于处理器性能监控的虚拟机共生调度方法 | |
| CN102929725B (zh) | 信号处理并行计算软件的动态重配置方法 | |
| WO2009082384A1 (en) | Modelling computer based business process and simulating operation | |
| CN110502431B (zh) | 系统服务评测方法、装置及电子设备 | |
| CN108768716A (zh) | 一种微服务路径选择方法及装置 | |
| CN104794058B (zh) | 一种云桌面虚拟环境性能的测试方法 | |
| CN103677990A (zh) | 虚拟机实时任务的调度方法、装置和虚拟机 | |
| CN113391913A (zh) | 一种基于预测的分布式调度方法和装置 | |
| CN109992366A (zh) | 任务调度方法及调度装置 | |
| CN107145975A (zh) | 光传输设备备件数量的预测方法 | |
| CN108762885A (zh) | 一种虚拟机创建方法、装置、管理设备及终端设备 | |
| Tsai et al. | Integrated fault detection and test algebra for combinatorial testing in TaaS (Testing-as-a-Service) | |
| US10216523B2 (en) | Systems and methods for implementing control logic | |
| US20170017229A1 (en) | Systems and methods for analyzing control logic | |
| US9104996B2 (en) | Task management for changes to shared artifacts |
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 | ||
| CB02 | Change of applicant information |
Address after: No. 826, building 12345, Phoenix legend, Hanbang, Jingyue Development Zone, Changchun City, Jilin Province Applicant after: Changchun interui Software Co.,Ltd. Address before: 100080 room 1608, 16 / F, Haidian new technology building, 65 North Fourth Ring Road West, Haidian District, Beijing Applicant before: BEIJING INTERNETWARE Ltd. Address after: No. 826, building 12345, Phoenix legend, Hanbang, Jingyue Development Zone, Changchun City, Jilin Province Applicant after: Intel Technology Co.,Ltd. Address before: No. 826, building 12345, Phoenix legend, Hanbang, Jingyue Development Zone, Changchun City, Jilin Province Applicant before: Changchun interui Software Co.,Ltd. |
|
| CB02 | Change of applicant information | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant | ||
| CP03 | Change of name, title or address |
Address after: 130117, 30th floor, Building A2, Mingyu Plaza, No. 3777 Ecological Street, Jingyue High tech Industrial Development Zone, Changchun City, Jilin Province Patentee after: Shenqi Digital Co.,Ltd. Country or region after: China Address before: No. 826, building 12345, Phoenix legend, Hanbang, Jingyue Development Zone, Changchun City, Jilin Province Patentee before: Intel Technology Co.,Ltd. Country or region before: China |
|
| CP03 | Change of name, title or address |