CN110442428B - Docker容器的协调方法 - Google Patents
Docker容器的协调方法 Download PDFInfo
- Publication number
- CN110442428B CN110442428B CN201910711113.5A CN201910711113A CN110442428B CN 110442428 B CN110442428 B CN 110442428B CN 201910711113 A CN201910711113 A CN 201910711113A CN 110442428 B CN110442428 B CN 110442428B
- Authority
- CN
- China
- Prior art keywords
- container
- resource consumption
- comprehensive index
- threshold
- resource
- 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
- 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
- G06F9/48—Program initiating; Program switching, e.g. by interrupt
- G06F9/4806—Task transfer initiation or dispatching
-
- 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]
- G06F9/5005—Allocation of resources, e.g. of the central processing unit [CPU] to service a request
- G06F9/5011—Allocation of resources, e.g. of the central processing unit [CPU] to service a request the resources being hardware resources other than CPUs, Servers and Terminals
- G06F9/5016—Allocation of resources, e.g. of the central processing unit [CPU] to service a request the resources being hardware resources other than CPUs, Servers and Terminals the resource being the memory
-
- 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]
- G06F9/5005—Allocation of resources, e.g. of the central processing unit [CPU] to service a request
- G06F9/5027—Allocation of resources, e.g. of the central processing unit [CPU] to service a request the resource being a machine, e.g. CPUs, Servers, Terminals
-
- 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
- G06F2009/4557—Distribution of virtual machine instances; Migration and load balancing
Landscapes
- Engineering & Computer Science (AREA)
- Software Systems (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Debugging And Monitoring (AREA)
- Data Exchanges In Wide-Area Networks (AREA)
Abstract
本发明公开了一种Docker容器的协调方法,包括:在容器的运行过程中,实时监控各个Docker容器的资源消耗和运行状态,根据容器的资源消耗和运行状态判断是否需要对容器的当前状态进行调整;根据判断结果,对容器的设定阈值进行调整,并根据调整后的设定阈值,对资源消耗和运行状态进行调整。本发明提供的Docker容器的协调方法实时根据Docker容器的资源消耗和运行状态进行调整,具有实时性、能有效应对容器快速部署,实现容器技术和动态需求无缝适配,提高容器的可靠性。
Description
技术领域
本发明是关于容器技术,特别是关于一种Docker容器的协调方法。
背景技术
Docker容器是一个开源的应用容器引擎,让开发者可以打包他们的应用以及依赖包到一个可移植的容器中,然后发布到任何流行的Linux机器上,也可以实现虚拟化。目的是为了减少Hypervisor技术为代表的虚拟化技术所带来的性能开销,可以在更细的粒度上利用机器资源。
目前,一个终端设备中可以运行多个Docker容器,各容器可以共用终端设备中的资源(例如CPU资源、内存资源)。在现有技术中,为了使得容器中的各个应用程序可以正常运行,在创建Docker容器时,根据容器中的应用程序对资源的平均需求,为容器分配固定的资源,且在使用过程中,容器中的应用程序根据分配的资源进行运行。
随着嵌入式设备硬件能力的发展,智能终端设备具备了向云端提供服务及与云端协同的能力,尽管终端设备硬件得到了提高,大多数的嵌入式设备依然在存储、CPU和网络等资源方面十分受限,如何实现容器的协调管理从而缓解嵌入式虚拟化给系统带来的性能下降、资源利用率低、额外开销大等问题,是本专利研究解决的问题,从而减轻系统负载,提高资源利用率。
现有调度算法都是在Docker容器第一次启动的时候对其进行调度,但是在实际生产环境中,经常会出现己经运行的容器被重新启动或者冗余的情况,缺乏动态的调度管理方法。另外应用的数量和类型均日益增加,应用的功能也越来越丰富,应用对资源的需求也逐渐增大,Docker容器的资源无法满足应用程序的需求,使得容器中的应用程序无法正常运行,导致容器的可靠性较低。
公开于该背景技术部分的信息仅仅旨在增加对本发明的总体背景的理解,而不应当被视为承认或以任何形式暗示该信息构成已为本领域一般技术人员所公知的现有技术。
发明内容
本发明的目的在于提供一种Docker容器的协调方法,其能够提高容器的可靠性。
为实现上述目的,本发明提供了一种Docker容器的协调方法,包括:在容器的运行过程中,实时监控各个Docker容器的资源消耗和运行状态,所述资源消耗和运行状态包括CPU利用率、内存占用以及容器占用的传输速率;根据容器的资源消耗和运行状态判断是否需要对容器的当前状态进行调整;根据判断结果,对容器的设定阈值进行调整,并根据调整后的设定阈值,对资源消耗和运行状态进行调整。
在一优选的实施方式中,所述设定阈值包括阈值上限Ymax;所述根据容器的资源消耗和运行状态判断是否需要对容器的当前状态进行调整包括:在预设时间间隔,计算容器的资源消耗综合指数V;当容器的资源消耗综合指数连续M次超过阈值上限Ymax,则判定需要进行对应服务的扩容。
在一优选的实施方式中,所述设定阈值包括阈值下限Ymin;所述在预设时间间隔,计算容器的资源消耗综合指数V之后,还包括:当容器的资源消耗综合指数连续M次低于阈值下限Ymin,则判定需要进行对应服务的收缩。
在一优选的实施方式中,所述在预设时间间隔,计算容器的资源消耗综合指数V包括:在预设时间间隔,根据第一公式计算所述资源消耗综合指数V,所述第一公式包括:
其中,VCPUi=[0,100],VCPUi表示在预设时间间隔内,容器i的CPU时间与系统态CPU时间占总CPU时间的百分比;VMEMi=[0,100],VMEMi表示在预设时间间隔内,容器i所占的常驻内存的大小占系统总的物理内存的百分比;VNETi=[0,100],VNETi表示在预设时间间隔内,容器i传输比特速率占系统速率的百分比,ω1为CPU权重,ω2为内存权重,ω3传输比特速率权重,为CPU权重、内存权重以及传输比特速率权重的平均值。
在一优选的实施方式中,所述资源消耗综合指数V包括V1,V2…Vn,其中,V1为在第一次预设时间间隔后计算的资源消耗综合指数,V2为在第二次预设时间间隔后计算的资源消耗综合指数,Vn为在第n次预设时间间隔后计算的资源消耗综合指数;所述当容器的资源消耗综合指数连续M次超过阈值上限Ymax,则判定需要进行对应服务的扩容包括:当容器的资源消耗综合指数V1超过阈值上限Ymax时,建立一个N元素的数组A;当容器的资源消耗综合指数V2再次超过阈值上限Ymax时,将V2加入数组A;重复对容器的资源消耗综合指数进行判定,直至完成资源消耗综合指数Vn的判定;若所述数组A已满,则判定需要进行对应服务的扩容。
在一优选的实施方式中,所述重复对容器的资源消耗综合指数进行判定,直至完成资源消耗综合指数Vn的判定之后,还包括:若资源消耗综合指数V1,V2…Vn中有一个小于Ymax,则将数组A清零。
在一优选的实施方式中,所述根据容器的资源消耗和运行状态判断是否需要对容器的当前状态进行调整之后,还包括:若判断结果为扩容次数超过预设次数且容器阈值上限Ymax大于预设百分比,则计算待调度容器所需资源量和备选终端容器的剩余总量评估分值;根据评估结果,筛选出最佳的宿主终端;根据待调度的容器镜像参数对宿主终端进行配置,将待迁移的容器中的工作目录、环境变量和参数迁移至宿主终端。
在一优选的实施方式中,所述计算待调度容器所需资源量和备选终端容器的剩余总量评估分值包括:根据公式二计算待调度容器所需资源量和备选终端容器的剩余总量评估分值,所述公式二包括:
其中,DC,DM,DN为待调度容器所需资源量,CapC,CapM,CapN为备选宿主机的剩余资源量,int()为取整函数。
在一优选的实施方式中,所述根据判断结果,对容器的设定阈值进行调整,并根据调整后的设定阈值,对资源消耗和运行状态进行调整包括:当需要扩容时,调高所述阈值上限Ymax,并提高与所述阈值上限对应的CPU利用率、内存占用以及可用内存大小。
在一优选的实施方式中,所述根据判断结果,对容器的设定阈值进行调整,并根据调整后的设定阈值,对资源消耗和运行状态进行调整包括:当需要收缩时,调低所述阈值下限Ymin,并降低与所述阈值下限对应的CPU利用率、内存占用以及可用内存大小。
与现有技术相比,根据本发明的Docker容器的协调方法,实时根据Docker容器的资源消耗和运行状态进行调整,具有实时性、能有效应对容器快速部署,实现容器技术和动态需求无缝适配,提高容器的可靠性。
附图说明
图1是根据本发明一实施方式的Docker容器的协调方法的流程图。
图2是根据本发明一实施方式的Docker容器的动态迁移框图。
图3是根据本发明一实施方式的Docker容器管理协调装置的结构示意图。
具体实施方式
下面结合附图,对本发明的具体实施方式进行详细描述,但应当理解本发明的保护范围并不受具体实施方式的限制。
除非另有其它明确表示,否则在整个说明书和权利要求书中,术语“包括”或其变换如“包含”或“包括有”等等将被理解为包括所陈述的元件或组成部分,而并未排除其它元件或其它组成部分。
如图1至所示,其为根据本发明优选实施方式的Docker容器的协调方法的流程图,包括步骤S1-S3。
在步骤S1中,在容器的运行过程中,实时监控各个Docker容器的资源消耗和运行状态。其中,所述资源消耗和运行状态包括CPU利用率、内存占用以及容器占用的传输速率。具体的,还可以包括可用内存大小、任务中应用程序的数据文件和日志文件;容器占用的传输速率可以通过容器占用的网络带宽计算获得。
在步骤S2中,根据容器的资源消耗和运行状态判断是否需要对容器的当前状态进行调整。
其中,步骤S2可以包括步骤S21-步骤S23。
在步骤S21中,在预设时间间隔,根据容器的资源消耗和运行状态判断计算容器的资源消耗综合指数V。
所述在预设时间间隔,计算容器的资源消耗综合指数V包括:
在预设时间间隔,根据第一公式计算所述资源消耗综合指数V,所述第一公式包括:
其中,VCPUi=[0,100],VCPUi表示在预设时间间隔内,容器i的CPU时间与系统态CPU时间占总CPU时间的百分比;VMEMi=[0,100],VMEMi表示在预设时间间隔内,容器i所占的常驻内存的大小占系统总的物理内存的百分比;VNETi=[0,100],VNETi表示在预设时间间隔内,容器i传输比特速率占系统速率的百分比,ω1为CPU权重,ω2为内存权重,ω3传输比特速率权重,为CPU权重、内存权重以及传输比特速率权重的平均值。
所述资源消耗综合指数V包括V1,V2…Vn,其中,V1为在第一次预设时间间隔后计算的资源消耗综合指数,V2为在第二次预设时间间隔后计算的资源消耗综合指数,Vn为在第n次预设时间间隔后计算的资源消耗综合指数。
在步骤S22中,当容器的资源消耗综合指数连续M次超过阈值上限Ymax,则判定需要进行对应服务的扩容。
具体包括:设定阈值包括阀值上限Ymax和阀值下限Ymin,当容器的资源消耗综合指数V1超过阈值上限Ymax时,建立一个N元素的数组A;当容器的资源消耗综合指数V2再次超过阈值上限Ymax时,将V2加入数组A;重复对容器的资源消耗综合指数进行判定,直至完成资源消耗综合指数Vn的判定;若资源消耗综合指数V1,V2…Vn中有一个小于Ymax,则将数组A清零。若所述数组A已满,则判定需要进行对应服务的扩容。
在步骤S23中,当容器的资源消耗综合指数连续M次低于阈值下限Ymin,则判定需要进行对应服务的收缩。
在步骤S3中,根据判断结果,对容器的设定阈值进行调整,并根据调整后的设定阈值,对资源消耗和运行状态进行调整。
相应的,在步骤S22之后,步骤S3可以包括:当需要扩容时,调高所述阈值上限Ymax,并提高与所述阈值上限对应的CPU利用率、内存占用以及可用内存大小。在步骤S23之后,步骤S3可以包括:当需要收缩时,调低所述阈值下限Ymin,并降低与所述阈值下限对应的CPU利用率、内存占用以及可用内存大小。
需要说明的是,每一阈值上限或下限,对应有分配给该容器对应该阈值的资源消耗和运行状态,例如CPU利用率、内存占用以及可用内存大小。当调高所述阈值上限Ymax,提高与该阈值对应的资源消耗和运行状态的设定值,使容器具有更多的资源可以使用。
本实施例提供的Docker容器的协调方法,实时根据Docker容器的资源消耗和运行状态进行调整,具有实时性、能有效应对容器快速部署,实现容器技术和动态需求无缝适配,提高容器的可靠性。
如图2所示,其为根据本发明优选实施方式的容器的动态迁移框图,在一种实现方式中,本实施例提供的Docker容器的协调方法,还包括步骤S4-S6。
在步骤S4中,若判断结果为扩容次数超过预设次数且容器阈值上限Ymax大于预设百分比,则计算待调度容器所需资源量和备选终端容器的剩余总量评估分值。其中,预设百分比可以为90%。
可以根据公式二计算待调度容器所需资源量和备选终端容器的剩余总量评估分值,所述公式二包括:
其中,DC,DM,DN为待调度容器所需资源量,CapC,CapM,CapN为备选宿主机的剩余资源量,int()为取整函数。
具体的,每一台备选终端都具有控制系统和资源监控模块,备选终端通过资源监控模块计算剩余资源量,例如监测主机的cpu使用率等。综合考虑时间序列分析相对简单且无明显的学习过程,计算速度较快,适合容器集群的快速伸缩。根据二次指数平滑预测方法计算待调度容器所需资源,二次指数平滑预测方法具体包括:
Dt+T=at+btT
Dt+T为第t+T次的预测值,T为未来预测的期数,at和bt分别为模型参数,St(1)为第t次的一次指数平滑值,St(2)为第t次的二次指数平滑值,α为平滑系数。
根据上述方法分别,将Dt+T分别作为DC,DM,DN,对容器所需资源量DC,DM,DN进行预测,at和bt为待调度容器所需资源量的模型参数,在计算DC,DM,DN时,模型参数at和bt不同。
在步骤S5中,根据评估结果,筛选出最佳的宿主终端;
在步骤S6中,根据待调度的容器镜像参数对宿主终端进行配置,将待迁移的容器中的工作目录、环境变量和参数迁移至宿主终端。
由此,间接实现容器的扩容,实现容器动态迁移,达到资源的共享。有效挖掘系统内闲置资源,进行合理高效的资源分配和管理。既能满足多任务要求,又能在嵌入式硬件平台中的资源有限情况下最大程度发挥系统性能,节省资源极大的减轻系统负载,提高资源利用率。
如图3所示,其为根据本发明优选实施方式的Docker容器管理协调装置的结构示意图,本实施例提供的装置用于实现上述实施例提供的Docker容器的协调方法。
包括控制系统和容器集群,其中控制系统包括容器资源监控模块、协调决策模块和资源调度模块。
资源监控模块负责统计物理主机和容器的资源使用情况并报告给协调决策模块,具体的,在容器的运行过程中,实时监控各个Docker容器的资源消耗和运行状态,所述资源消耗和运行状态包括CPU利用率、内存占用以及容器占用的传输速率。
协调决策模块根据容器的资源消耗和运行状态判断是否需要对容器的当前状态进行调整;具体包括判断是否需要进行扩展或收缩。
资源调度模块根据判断结果,对容器的设定阈值进行调整,并根据调整后的设定阈值,对资源消耗和运行状态进行调整。进一步地负责对底层的容器资源进行调度,负责容器的创建和销毁工作,进一步的对进程资源进行回收,以释放占用的资源。
容器集群分类结合容器的重要度属性,运行周期状态属性以及负载任务属性划分为基础类容器,定时启动关闭类容器和实时调度类容器。既能满足多任务要求,又能在嵌入式硬件平台中的资源有限情况下最大程度发挥系统性能,节省资源。
本领域内的技术人员应明白,本申请的实施例可提供为方法、系统、或计算机程序产品。因此,本申请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。
本申请是参照根据本申请实施例的方法、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设备上,使得在计算机或其他可编程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。
前述对本发明的具体示例性实施方案的描述是为了说明和例证的目的。这些描述并非想将本发明限定为所公开的精确形式,并且很显然,根据上述教导,可以进行很多改变和变化。对示例性实施例进行选择和描述的目的在于解释本发明的特定原理及其实际应用,从而使得本领域的技术人员能够实现并利用本发明的各种不同的示例性实施方案以及各种不同的选择和改变。本发明的范围意在由权利要求书及其等同形式所限定。
Claims (5)
1.一种Docker容器的协调方法,其特征在于,包括:
在容器的运行过程中,实时监控各个Docker容器的资源消耗和运行状态,所述资源消耗和运行状态包括CPU利用率、内存占用以及容器占用的传输速率;
根据容器的资源消耗和运行状态判断是否需要对容器的当前状态进行调整;
根据判断结果,对容器的设定阈值进行调整,并根据调整后的设定阈值,对资源消耗和运行状态进行调整;
所述设定阈值包括阈值上限Ymax;所述根据容器的资源消耗和运行状态判断是否需要对容器的当前状态进行调整包括:
在预设时间间隔,计算容器的资源消耗综合指数V;
当容器的资源消耗综合指数连续M次超过阈值上限Ymax,则判定需要进行对应服务的扩容;
所述设定阈值包括阈值下限Ymin;所述在预设时间间隔,计算容器的资源消耗综合指数V之后,还包括:
当容器的资源消耗综合指数连续M次低于阈值下限Ymin,则判定需要进行对应服务的收缩;
所述根据判断结果,对容器的设定阈值进行调整,并根据调整后的设定阈值,对资源消耗和运行状态进行调整包括:
当需要扩容时,调高所述阈值上限Ymax,并提高与所述阈值上限对应的CPU利用率、内存占用以及可用内存大小;
当需要收缩时,调低所述阈值下限Ymin,并降低与所述阈值下限对应的CPU利用率、内存占用以及可用内存大小;
所述根据容器的资源消耗和运行状态判断是否需要对容器的当前状态进行调整之后,还包括:
若判断结果为扩容次数超过预设次数且容器阈值上限Ymax大于预设百分比,则计算待调度容器所需资源量和备选终端容器的剩余总量评估分值;
根据评估结果,筛选出最佳的宿主终端;
根据待调度的容器镜像参数对宿主终端进行配置,将待迁移的容器中的工作目录、环境变量和参数迁移至宿主终端。
2.如权利要求1所述的协调方法,其特征在于,所述在预设时间间隔,计算容器的资源消耗综合指数V包括:
在预设时间间隔,根据第一公式计算所述资源消耗综合指数V,所述第一公式包括:
3.如权利要求1所述的协调方法,其特征在于,所述资源消耗综合指数V包括V1,V2…Vn,其中,V1为在第一次预设时间间隔后计算的资源消耗综合指数,V2为在第二次预设时间间隔后计算的资源消耗综合指数,Vn为在第n次预设时间间隔后计算的资源消耗综合指数;
所述当容器的资源消耗综合指数连续M次超过阈值上限Ymax,则判定需要进行对应服务的扩容包括:
当容器的资源消耗综合指数V1超过阈值上限Ymax时,建立一个N元素的数组A;
当容器的资源消耗综合指数V2再次超过阈值上限Ymax时,将V2加入数组A;
重复对容器的资源消耗综合指数进行判定,直至完成资源消耗综合指数Vn的判定;
若所述数组A已满,则判定需要进行对应服务的扩容。
4.如权利要求3所述的协调方法,其特征在于,所述重复对容器的资源消耗综合指数进行判定,直至完成资源消耗综合指数Vn的判定之后,还包括:
若资源消耗综合指数V1,V2…Vn中有一个小于Ymax,则将数组A清零。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910711113.5A CN110442428B (zh) | 2019-08-02 | 2019-08-02 | Docker容器的协调方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910711113.5A CN110442428B (zh) | 2019-08-02 | 2019-08-02 | Docker容器的协调方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110442428A CN110442428A (zh) | 2019-11-12 |
CN110442428B true CN110442428B (zh) | 2022-08-02 |
Family
ID=68432917
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910711113.5A Active CN110442428B (zh) | 2019-08-02 | 2019-08-02 | Docker容器的协调方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110442428B (zh) |
Families Citing this family (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111274576B (zh) * | 2020-01-17 | 2022-08-02 | 山东浪潮科学研究院有限公司 | 智能合约运行环境的控制方法及系统、设备、介质 |
CN114928606B (zh) * | 2022-01-29 | 2024-04-23 | 上海瀚银信息技术有限公司 | 一种服务器资源的调度方法及系统 |
CN115242648B (zh) * | 2022-07-19 | 2024-05-28 | 北京百度网讯科技有限公司 | 扩缩容判别模型训练方法和算子扩缩容方法 |
CN117806778B (zh) * | 2024-02-29 | 2024-06-07 | 济南浪潮数据技术有限公司 | 资源管理方法、系统、设备及介质 |
Family Cites Families (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105912403B (zh) * | 2016-04-14 | 2019-08-06 | 聚好看科技股份有限公司 | Docker容器的资源管理方法及装置 |
CN108023759B (zh) * | 2016-10-28 | 2020-11-03 | 腾讯科技(深圳)有限公司 | 自适应的资源调度方法和装置 |
US10203991B2 (en) * | 2017-01-19 | 2019-02-12 | International Business Machines Corporation | Dynamic resource allocation with forecasting in virtualized environments |
CN107273182B (zh) * | 2017-06-06 | 2020-05-15 | 武汉纺织大学 | 一种虚拟机资源动态扩充方法及系统 |
CN109144727A (zh) * | 2018-08-21 | 2019-01-04 | 郑州云海信息技术有限公司 | 云数据系统中资源的管理方法和装置 |
-
2019
- 2019-08-02 CN CN201910711113.5A patent/CN110442428B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN110442428A (zh) | 2019-11-12 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110442428B (zh) | Docker容器的协调方法 | |
CN108829494B (zh) | 基于负载预测的容器云平台智能资源优化方法 | |
CN110231976B (zh) | 一种基于负载预测的边缘计算平台容器部署方法及系统 | |
CN103810048A (zh) | 一种面向资源利用最优的线程数量自动调整方法及装置 | |
CN111431748B (zh) | 一种对集群进行自动运维的方法、系统及装置 | |
CN111966453B (zh) | 一种负载均衡方法、系统、设备及存储介质 | |
CN104038392A (zh) | 一种云计算资源服务质量评估方法 | |
CN104657205B (zh) | 一种基于虚拟化的视频内容分析方法及系统 | |
CN110289994B (zh) | 一种集群容量调整方法及装置 | |
CN106326000A (zh) | 一种云计算系统中的资源调度方法及装置 | |
CN109189552B (zh) | 虚拟网络功能扩容与缩容方法及系统 | |
CN104750538B (zh) | 用于为目标应用提供虚拟存储池的方法和系统 | |
CN112445615A (zh) | 一种线程的调度系统、计算机设备和存储介质 | |
KR20220170428A (ko) | 이기종 프로세서 기반 엣지 시스템에서 slo 달성을 위한 인공지능 추론 스케쥴러 | |
CN112162835A (zh) | 一种异构云环境下实时任务的调度优化方法 | |
CN105740059B (zh) | 一种面向可分割任务的粒子群调度方法 | |
CN116185645B (zh) | 基于神经网络的集群资源智能调度方法、系统及存储介质 | |
CN112559122A (zh) | 一种基于电力专用安防设备的虚拟化实例管控方法及系统 | |
CN110990160B (zh) | 一种基于负荷预测的静态安全分析容器云弹性伸缩方法 | |
CN106547607B (zh) | 一种虚拟机动态迁移方法和装置 | |
CN114625500A (zh) | 云环境下拓扑感知的微服务应用调度的方法及应用 | |
CN107203256B (zh) | 一种网络功能虚拟化场景下的节能分配方法与装置 | |
CN114741200A (zh) | 面向数据中台的计算资源分配方法、装置及电子设备 | |
CN114880129A (zh) | 资源利用率预测感知的云数据中心虚拟机资源分配方法 | |
CN109040156B (zh) | 一种基于容器云的软负载资源处理方法及装置 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |