CN110474795B - 服务器容量的处理方法及装置、存储介质及电子设备 - Google Patents
服务器容量的处理方法及装置、存储介质及电子设备 Download PDFInfo
- Publication number
- CN110474795B CN110474795B CN201910625986.4A CN201910625986A CN110474795B CN 110474795 B CN110474795 B CN 110474795B CN 201910625986 A CN201910625986 A CN 201910625986A CN 110474795 B CN110474795 B CN 110474795B
- Authority
- CN
- China
- Prior art keywords
- load value
- capacity
- server
- preset threshold
- value
- 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
-
- 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
- H04L41/147—Network analysis or design for predicting network behaviour
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L43/00—Arrangements for monitoring or testing data switching networks
- H04L43/08—Monitoring or testing based on specific metrics, e.g. QoS, energy consumption or environmental parameters
- H04L43/0805—Monitoring or testing based on specific metrics, e.g. QoS, energy consumption or environmental parameters by checking availability
- H04L43/0817—Monitoring or testing based on specific metrics, e.g. QoS, energy consumption or environmental parameters by checking availability by checking functioning
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L43/00—Arrangements for monitoring or testing data switching networks
- H04L43/16—Threshold monitoring
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
- Y02D10/00—Energy efficient computing, e.g. low power processors, power management or thermal management
Abstract
本公开涉及计算机技术领域,提供了一种服务器容量的处理方法、服务器容量的处理装置、计算机存储介质、电子设备,其中,服务器容量的处理方法包括:获取所述服务器在预设时间点的实时负载值;将所述实时负载值输入预测模型中,根据所述预测模型的输出得到所述服务器在目标时间点的预测负载值,其中,所述预测模型为根据历史负载值训练机器学习模型得到;若所述预测负载值大于第一预设阈值,则对所述服务器容量进行扩容处理;若所述预测负载值小于第二预设阈值,则对所述服务器容量进行缩容处理;其中,所述第一预设阈值大于所述第二预设阈值。本公开中的服务器容量的处理方法不仅能够提高处理的智能化程度,而且能够提高处理效率。
Description
背景技术
随着互联网技术的迅速发展与进步,网民数量剧增,因而,经常会遇到服务器请求负载量超出额定上限负载的情况,出现服务器拥挤甚至崩溃的现象,例如:双十一狂欢购物时,相关购物网站进不去;或者某一考试信息网在公布考试成绩时发生崩溃,无法进入等。因而,给相关用户造成不便。
目前,一般是通过人为的观察服务器的负载变化情况或者是通过监控系统告警(服务器发生网络拥塞)之后,手动对服务器容量进行处理,因而,容易导致误操作,智能化程度较低。
因此,现有技术中的服务器容量处理方法的智能化程度有待提高。
需要说明的是,上述背景技术部分公开的信息仅用于加强对本公开的背景的理解。
发明内容
本公开的目的在于提供一种服务器容量的处理方法、服务器容量的处理装置、计算机存储介质及电子设备,进而至少在一定程度上避免了现有技术中的服务器容量处理方法的智能化程度较低的缺陷。
本公开的其他特性和优点将通过下面的详细描述变得显然,或部分地通过本公开的实践而习得。
根据本公开的第一方面,提供一种服务器容量的处理方法,包括:获取所述服务器在预设时间点的实时负载值;将所述实时负载值输入预测模型中,根据所述预测模型的输出得到所述服务器在目标时间点的预测负载值,其中,所述预测模型为根据历史负载值训练机器学习模型得到;若所述预测负载值大于第一预设阈值,则对所述服务器容量进行扩容处理;若所述预测负载值小于第二预设阈值,则对所述服务器容量进行缩容处理;其中,所述第一预设阈值大于所述第二预设阈值。
在本公开的示例性实施例中,所述方法还包括:根据所述预测负载值与所述第一预设阈值,设置扩容系数;根据所述预测负载值与所述第二预设阈值,设置缩容系数。
在本公开的示例性实施例中,所述若所述预测负载值大于第一预设阈值,则对所述服务器进行扩容处理,包括:若所述预测负载值大于所述第一预设阈值,则获取所述服务器容量与所述扩容系数的乘积值;根据所述乘积值,对所述服务器容量进行扩容处理。
在本公开的示例性实施例中,所述方法还包括:若所述预测负载值小于所述第二预设阈值,则获取所述服务器容量与所述缩容系数的比值;根据所述比值,对所述服务器容量进行缩容处理。
在本公开的示例性实施例中,所述方法还包括:在预设时间段内,获取所述服务器在多个时间点的历史负载值;根据所述历史负载值更新所述第一预设阈值与所述第二预设阈值。
在本公开的示例性实施例中,所述根据所述历史负载值更新所述第一预设阈值与所述第二预设阈值,包括:在所述预设时间段内,获取所述历史负载值中大于所述第一预设阈值的超出负载值,并获取所述超出负载值对应的第一次数;若所述第一次数大于等于预设次数,则根据所述超出负载值更新所述第一预设阈值。
在本公开的示例性实施例中,所述根据所述历史负载值更新所述第一预设阈值与所述第二预设阈值,包括:在所述预设时间段之内,获取所述历史负载值中小于所述第二预设阈值的不足负载值,并获取所述不足负载值对应的第二次数;若所述第二次数大于等于所述预设次数,则根据所述不足负载值更新所述第二预设阈值。
根据本公开的第二方面,提供一种服务器容量的处理装置,包括:获取模块,用于获取所述服务器在预设时间点的实时负载值;预测模块,用于将所述实时负载值输入预测模型中,根据所述预测模型的输出得到所述服务器在目标时间点的预测负载值,其中,所述预测模型为根据历史负载值训练机器学习模型得到;处理模块,用于若所述预测负载值大于第一预设阈值,则对所述服务器容量进行扩容处理;若所述预测负载值小于第二预设阈值,则对所述服务器容量进行缩容处理;其中,所述第一预设阈值大于所述第二预设阈值。
根据本公开的第三方面,提供一种计算机存储介质,其上存储有计算机程序,所述计算机程序被处理器执行时实现上述第一方面所述的服务器容量的处理方法。
根据本公开的第四方面,提供一种电子设备,包括:处理器;以及存储器,用于存储所述处理器的可执行指令;其中,所述处理器配置为经由执行所述可执行指令来执行上述第一方面所述的服务器容量的处理方法。
由上述技术方案可知,本公开示例性实施例中的服务器容量的处理方法、服务器容量的处理装置、计算机存储介质及电子设备至少具备以下优点和积极效果:
在本公开的一些实施例所提供的技术方案中,一方面,获取服务器在预设时间点的实时负载值,并将实时负载值输入预测模型中,根据预测模型的输出得到服务器在目标时间点的预测负载值,其中,预测模型为根据历史负载值训练机器学习模型得到,能够实现对服务器负载值的预测,以便实时对服务器容量进行预先调整,避免现有技术中通过人工操作而可能导致的误操作行为,提高了服务器容量处理方法的智能化程度。另一方面,若预测负载值大于第一预设阈值,则对服务器容量进行扩容处理,能够避免服务器负载量过大而导致的系统崩溃、给相关用户造成不便的技术问题,提高服务器的实用性和相关运营平台的运营效率。进一步的,若预测负载值小于第二预设阈值,则对服务器容量进行缩容处理,能够避免服务器内存容量的浪费,提高服务器容量的处理效率。
本公开应当理解的是,以上的一般描述和后文的细节描述仅是示例性和解释性的,并不能限制本公开。
附图说明
此处的附图被并入说明书中并构成本说明书的一部分,示出了符合本公开的实施例,并与说明书一起用于解释本公开的原理。显而易见地,下面描述中的附图仅仅是本公开的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1示出本公开一示例性实施例中服务器容量的处理方法的流程示意图;
图2示出本公开另一示例性实施例中服务器容量的处理方法的流程示意图;
图3示出本公开再一示例性实施例中服务器容量的处理方法的流程示意图;
图4示出本公开又一示例性实施例中服务器容量的处理方法的流程示意图;
图5示出本公开一示例性实施例中服务器容量的处理方法的流程示意图;
图6示出本公开示例性实施例中服务器容量的处理装置的结构示意图;
图7示出本公开示例性实施例中计算机存储介质的结构示意图;
图8示出本公开示例性实施例中电子设备的结构示意图。
具体实施方式
现在将参考附图更全面地描述示例实施方式。然而,示例实施方式能够以多种形式实施,且不应被理解为限于在此阐述的范例;相反,提供这些实施方式使得本公开将更加全面和完整,并将示例实施方式的构思全面地传达给本领域的技术人员。所描述的特征、结构或特性可以以任何合适的方式结合在一个或更多实施方式中。在下面的描述中,提供许多具体细节从而给出对本公开的实施方式的充分理解。然而,本领域技术人员将意识到,可以实践本公开的技术方案而省略所述特定细节中的一个或更多,或者可以采用其它的方法、组元、装置、步骤等。在其它情况下,不详细示出或描述公知技术方案以避免喧宾夺主而使得本公开的各方面变得模糊。
本说明书中使用用语“一个”、“一”、“该”和“所述”用以表示存在一个或多个要素/组成部分/等;用语“包括”和“具有”用以表示开放式的包括在内的意思并且是指除了列出的要素/组成部分/等之外还可存在另外的要素/组成部分/等;用语“第一”和“第二”等仅作为标记使用,不是对其对象的数量限制。
此外,附图仅为本公开的示意性图解,并非一定是按比例绘制。图中相同的附图标记表示相同或类似的部分,因而将省略对它们的重复描述。附图中所示的一些方框图是功能实体,不一定必须与物理或逻辑上独立的实体相对应。
目前,一般是通过人为的观察服务器的负载变化情况或者是通过监控系统告警(服务器发生网络拥塞)之后,手动对服务器容量进行处理,因而,费时费力,操作风险较高,且很容易导致误操作,智能化程度较低。因而,现有技术中的服务器容量的处理方法的智能化程度有待提高。
在本公开的实施例中,首先提供了一种服务器容量的处理方法,至少在一定程度上克服现有技术中提供的服务器容量的处理方法的智能化程度较低的缺陷。
图1示出本公开一示例性实施例中服务器容量的处理方法的流程示意图,该服务器容量的处理方法的执行主体可以是对服务器的容量进行处理的服务器。
参考图1,根据本公开的一个实施例的服务器容量的处理方法包括以下步骤:
步骤S110,获取所述服务器在预设时间点的实时负载值;
步骤S120,将所述实时负载值输入预测模型中,根据所述预测模型的输出得到所述服务器在目标时间点的预测负载值,其中,所述预测模型为根据历史负载值训练机器学习模型得到;
步骤S130,若所述预测负载值大于第一预设阈值,则对所述服务器容量进行扩容处理;
步骤S140,若所述预测负载值小于第二预设阈值,则对所述服务器容量进行缩容处理;
其中,所述第一预设阈值大于所述第二预设阈值。
在图1所示实施例所提供的技术方案中,一方面,获取服务器在预设时间点的实时负载值,并将实时负载值输入预测模型中,根据预测模型的输出得到服务器在目标时间点的预测负载值,其中,预测模型为根据历史负载值训练机器学习模型得到,能够实现对服务器负载值的预测,以便实时对服务器容量进行预先调整,避免现有技术中通过人工操作而可能导致的误操作行为,提高了服务器容量处理方法的智能化程度。另一方面,若预测负载值大于第一预设阈值,则对服务器容量进行扩容处理,能够避免服务器负载量过大而导致的系统崩溃、给相关用户造成不便的技术问题,提高服务器的实用性和相关运营平台的运营效率。进一步的,若预测负载值小于第二预设阈值,则对服务器容量进行缩容处理,能够避免服务器内存容量的浪费,提高服务器容量的处理效率。
以下对图1中的各个步骤的具体实现过程进行详细阐述:
在步骤S110中,获取所述服务器在预设时间点的实时负载值。
在本公开的示例性实施例中,可以获取服务器(也称伺服器,是提供计算服务的设备)在预设时间点的实时负载值。
在本公开的示例性实施例中,需要说明的是,上述服务器可以是独立服务器,也可以是多个服务器组成的服务器集群(指将很多服务器集中起来一起进行同一种服务,在客户端看来就像是只有一个服务器)。
在本公开的示例性实施例中,实时负载值即服务器在预设时间点(可以是具体到某年某月某日的任意时刻,例如:当前时刻)的用户访问量,即用户访问服务器的资源占有量,具体的,可以是服务器中内部存储器的资源占有量或服务器中CPU(CentralProcessing Unit,简称:CPU,即中央处理器)的资源占有量。示例性的,预设时间点可以是2018年8月8日10时30分20秒,进而,获取到的实时负载值可以是500MB。
在步骤S120中,将所述实时负载值输入预测模型中,根据所述预测模型的输出得到所述服务器在目标时间点的预测负载值,其中,所述预测模型为根据历史负载值训练机器学习模型得到。
在本公开的示例性实施例中,在获取到上述实时负载值之后,可以将上述实时负载值输入预测模型中,根据预测模型的输出,得到服务器在目标时间点的预测负载值,其中,预测模型为根据历史负载值训练机器学习模型得到的。
在本公开的示例性实施例中,预测负载值可以是预先估计的,服务器在目标时间点的负载值,例如:在上述预设时间点间隔2秒之后的负载值。则示例性的,参照上述步骤S110的相关解释,目标时间点可以是2018年8月8日10时30分22秒。
在本公开的示例性实施例中,历史负载值可以是在上述预设时间点之前,服务器在某一时间段内的多个负载值,示例性的,历史负载值可以是服务器在2015年-2017年,三年之内每一时刻的负载值,示例性的,可以实时获取服务器在2015年-2017年每一时刻(例如:每一秒)对应的负载值,并将上述负载值存储至数据库中,以作为上述历史负载值。
在本公开的示例性实施例中,预测模型即对服务器容量进行预测处理的机器学习模型,具体的,可以根据上述历史负载值训练机器学习模型,以得到上述预测模型。
在本公开的示例性实施例中,示例性的,训练机器学习模型的过程可以是:将上述历史负载值处理为以年、月或周为单位进行划分的多个负载曲线图,具体的,每个曲线图中可以包含每一秒的历史负载值,进而,可以将上述负载曲线图存储至数据库中。示例性的,参照上述步骤的相关解释,可以将上述2015年-2017年所有的历史负载值处理为2015年的负载曲线图(包含2015年内每一秒的历史负载值)、2016年的负载曲线图(包含2016年内每一秒的历史负载值)以及2017年的负载曲线图(包含2017年内每一秒的历史负载值)。进而,可以将上述历史负载值以及上述负载曲线图输入机器学习模型中,多次调整参数以训练上述机器学习模型,使上述机器学习模型的损失函数趋于收敛,以得到上述预测模型。
在本公开的示例性实施例中,在得到上述预测模型以及上述实时负载值之后,可以将上述实时负载值输入上述预测模型中,根据上述预测模型的输出,得到预测负载值。
在本公开的示例性实施例中,参照上述步骤的相关解释,根据预测模型得到预测负载值的具体实施方式可以是:当获取到上述实时负载值时,可以先获取与上述实时负载值对应的时间相同,但年份不同的历史负载值,参照上述解释,即可以获取2015年-2017年对应的8月8日10时30分20秒的历史负载值,进而,将与上述实时负载值最接近的历史负载值对应的负载曲线图确定为目标曲线图,并将目标曲线图中对应目标时间点的历史负载值作为上述预测负载值。示例性的,2015年8月8日10时30分20秒的历史负载值可以是300MB,2016年8月8日10时30分20秒的历史负载值可以是600MB,2017年8月8日10时30分20秒的历史负载值可以是800MB。参照上述步骤S110的相关解释,可知实时负载值为500MB。进而,可以从数据库中筛选得到与实时负载值最接近的历史负载值,比对可知,与上述实时负载值最接近的历史负载值为600MB,则可以将600MB对应的2016年的负载曲线图作为目标曲线图。进而,示例性的,获取到目标曲线图中2秒之后的历史负载量可以为219MB,则可以将219MB作为上述预测负载值。
在本公开的示例性实施例中,参照上述步骤的相关解释,根据预测模型得到预测负载值的具体实施方式还可以是:当获取到上述实时负载值时,可以先获取与上述目标时间点的时间相同,但年份不同的历史负载值,参照上述解释,即可以获取2015年-2017年对应的8月8日10时30分22秒的历史负载值。示例性的,2015年8月8日10时30分22秒的历史负载值可以是800MB,2016年8月8日10时30分22秒的历史负载值可以是860MB,2017年8月8日10时30分22秒的历史负载值可以是2000MB。进而,可以为上述目标时间点的历史负载值设置相应的权重值,在设置权重值时,可以将与上述实时负载值比较接近年份的历史负载值的权重设置大一些,可以设置与上述实时负载值比较接近年份的历史负载值的权重大一些,以保证预测的准确性以及可参考性。进而,可以根据上述目标时间点的历史负载值以及各历史负载值对应的权重计算上述预测负载值。例如:可以设置2015年的权重为2,设置2016年的权重为3,设置2017年的权重为5,进而,参照上述步骤的相关解释,可以计算出进而,可以将上述1418MB作为上述预测负载值。
在本公开的示例性实施例中,还可以预先设置第一预设阈值与第二预设阈值,且第一预设阈值大于第二预设阈值。第一预设阈值即预先设置的可以进行扩容调整的临界数值,第二预设阈值即预先设置的可以进行缩容调整的临界数值。示例性的,可以设置第一预设阈值为1000MB,第二预设阈值为300MB。
在步骤S130中,若所述预测负载值大于第一预设阈值,则对所述服务器容量进行扩容处理。
在本公开的示例性实施例中,在获取到上述预测负载值之后,可以将上述预测负载值与第一预设阈值进行比对,示例性的,参考上述步骤的相关解释,当上述预测负载值为1418MB,而上述第一预设阈值为1000MB时,通过比对可以确定出1418MB大于1000MB,进而,可以对服务器进行扩容处理。
在本公开的示例性实施例中,还可以根据上述预测负载值与上述第一预设阈值,设置扩容系数(确定将服务器容量扩大多少倍的数值),以根据上述扩容系数对服务器进行扩容处理。示例性的,设置扩容系数的具体实施方式可以是:先获取预测负载值与第一预设阈值的比值进而,当比值为1.418时,可以将扩容系数设置为2,即扩容系数为大于上述比值的正整数,通过将扩容系数设置为大于上述比值的正整数,可以避免因预测负载值存在误差而可能导致的服务器拥挤甚至崩溃的现象,以提高服务器的实用性,以及,可以提高服务器容量处理的智能化程度,避免现有技术中手动操作可能导致的误操作、费时费力的技术缺陷。需要说明的是,扩容系数的具体数值可以根据实际情况自行设定,本公开对此不作具体限定。
在本公开的示例性实施例中,图2示意性示出本公开另一实施例中服务器容量的处理方法流程图,具体示出若预测负载值大于第一预设阈值,则对服务器容量进行扩容处理的流程图。以下结合图2对步骤S130进行解释。
在步骤S201中,若所述预测负载值大于所述第一预设阈值,则获取所述服务器容量与所述扩容系数的第一乘积值。
在本公开的示例性实施例中,若上述预测负载值大于上述第一预设阈值,则可以获取上述服务器容量与上述扩容系数的第一乘积值。示例性的,服务器容量可以是1200MB,参考上述步骤的相关解释,可知,扩容系数为2,则获取到的上述第一乘积值为1200*2=2400MB。
在步骤S202中,根据所述第一乘积值,对所述服务器容量进行扩容处理。
在本公开的示例性实施例中,在获取到上述第一乘积值之后,可以通过Docker(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)对上述服务器进行扩容处理,示例性的,可以通过Docker镜像创建一内存为2400-1200=1200MB的Docker虚拟容器,以实现对上述服务器容量的扩容处理。
在本公开的示例性实施例中,当上述预测负载值超出预设警戒数据时,还可以控制服务器开启报警模式,以预先对上述服务器容量进行扩容处理。示例性的,预设警戒数据可以是5000MB,即当上述预测负载值大于5000MB时,可以控制服务器开启报警模式,具体的,可以是开启声音提示:“5分钟之后的流量预测值超出最大预设范围,请您及时关注”。进而,能够提醒用户关注当前的流量状况,并及时做出相应的改进措施,从而能够解决网络拥塞以及网络崩溃对相关用户造成不便的技术问题。
继续参考图1,在步骤S140中,若所述预测负载值小于第二预设阈值,则对所述服务器容量进行缩容处理。
在本公开的示例性实施例中,在获取到上述预测负载值之后,可以将上述预测负载值与第二预设阈值进行比对,示例性的,参考上述步骤的相关解释,当上述预测负载值为219MB,而上述第一预设阈值为300MB时,通过比对可以确定出219MB小于300MB,进而,可以对服务器进行缩容处理。
在本公开的示例性实施例中,可以根据上述预测负载值与上述第二预设阈值,设置缩容系数(确定将服务器容量扩大多少倍的数值),以根据上述缩容系数对上述服务器进行缩容处理。示例性的,设置缩容系数的具体实施方式可以是:先获取预测负载值与第一预设阈值的 进而,当比值为0.73时,可以设置缩容系数为0.8,即缩容系数可以是大于上述比值的正数,通过将缩容系数设置为大于上述比值的正数,可以避免因预测负载值存在误差而可能导致的服务器容量过小的现象,以提高服务器的实用性,以及,可以提高服务器容量处理的智能化程度,避免现有技术中手动操作可能导致的误操作、费时费力的技术缺陷。需要说明的是,缩容系数的具体数值可以根据实际情况自行设定,本公开对此不作具体限定。
在本公开的示例性实施例中,图3示意性示出本公开再一实施例中服务器容量的处理方法流程图,具体示出预测负载值小于所述第二预设阈值,则对服务器容量进行缩容处理的流程图。以下结合图3对步骤S140进行解释。
在步骤S301中,若所述预测负载值小于所述第二预设阈值,则获取所述服务器容量与所述缩容系数的第二乘积值。
在本公开的示例性实施例中,若预测负载值小于第二预设阈值,则可以获取服务器容量与上述缩容系数的第二乘积值。示例性的,参考上述步骤S201以及步骤S140的相关解释,服务器容量为1200MB,缩容系数为0.8,则获取到的上述第二乘积值为1200*0.8=960MB。
在步骤S302中,根据所述第二乘积值,对所述服务器容量进行缩容处理。
在本公开的示例性实施例中,在获取到上述第二乘积值之后,可以通过Docker(开源的应用容器引擎)对上述服务器进行缩容处理,示例性的,可以通过Docker镜像回收一内存为1200-960=240MB的服务器,以实现对上述服务器容量的缩容处理。
在本公开的示例性实施例中,当上述预测负载值小于等于上述第一预设阈值,且大于等于上述第二预设阈值时,可以保持上述服务器容量,不进行调整,以节省服务器运行线程,提高服务器容量的处理效率。
在本公开的示例性实施例中,还可以在预设时间段内(例如:一个月内),获取服务器在多个时间点的历史负载值,并根据上述历史负载值实时更新上述第一预设阈值与所述上述第二预设阈值。
在本公开的示例性实施例中,图4示意性示出本公开又一实施例中服务器容量的处理方法的流程示意图,具体示出根据历史负载值更新第一预设阈值的流程示意图,以下结合图4对具体的实施方式进行解释。
在步骤S401中,在所述预设时间段内,获取所述历史负载值中大于所述第一预设阈值的超出负载值,并获取所述超出负载值对应的第一次数。
在本公开的示例性实施例中,可以在上述预设时间段内,从历史负载值中获取大于上述第一预设阈值的超出负载值,并获取上述超出负载值对应的第一次数。
在本公开的示例性实施例中,超出负载值即大于上述第一预设阈值的历史负载值。
在本公开的示例性实施例中,第一次数即上述超出负载值在上述预设时间段之内,超出上述第一预设阈值的次数。示例性的,在上述预设时间段内(一个月),获取到的超出负载值分别为1050MB、1100MB、1120MB、1250MB、1080MB,且上述超出负载值对应的第一次数为5次。
在步骤S402中,若所述第一次数大于等于预设次数,则根据所述超出负载值更新所述第一预设阈值。
在本公开的示例性实施例中,当上述第一次数大于等于预设次数,则可以根据上述超出负载值更新上述第一预设阈值,示例性的,当预设次数为5次时,则可以确定出上述第一次数等于预设次数,则可以根据超出负载值更新第一预设阈值。示例性的,参考上述步骤S401的相关解释,可以获取上述超出负载值的平均值,进而,根据上述超出负载值的平均值更新上述第一预设阈值。具体的,确定出的平均值可以是则可以根据上述超出负载值的平均值更新上述第一预设阈值,即可以将上述第一预设阈值更新为1120MB。通过对上述第一预设阈值进行更新,能够使得确定出的第一预设阈值更加符合服务器的实际负载情况,减少无效扩容的次数,提高服务器容量的扩容效率。
在本公开的示例性实施例中,图5示意性示出本公开一实施例中服务器容量的处理方法的流程示意图,具体示出根据历史负载值更新第二预设阈值的流程示意图,以下结合图5对具体的实施方式进行解释。
在步骤S501中,在所述预设时间段之内,获取所述历史负载值中小于所述第二预设阈值的不足负载值,并获取所述不足负载值对应的第二次数。
在本公开的示例性实施例中,还可以在预设时间段之内,获取上述历史负载值中小于第二预设阈值的不足负载值,并获取上述不足负载值对应的第二次数。
在本公开的示例性实施例中,不足负载值可以是小于上述第二负载值的负载值。
在本公开的示例性实施例中,第二次数即上述不足负载值在上述预设时间段之内,小于上述第二预设阈值的次数。示例性的,参考上述步骤S401的相关解释,在上述预设时间段内(一个月),获取到的不足负载值分别为150MB、110MB、120MB、125MB、105MB、260MB,且上述不足负载值对应的第二次数为6次。
在步骤S502中,若所述第二次数大于等于所述预设次数,则根据所述不足负载值更新所述第二预设阈值。
在本公开的示例性实施例中,当上述第二次数大于等于预设次数,则可以根据上述不足负载值更新上述第二预设阈值,示例性的,参考上述步骤S402的相关解释,当预设次数为5次时,可以确定第二次数6次大于上述预设次数5次,则可以根据上述不足负载值更新上述第二预设阈值。示例性的,参考上述步骤S501的相关解释,可以获取上述不足负载值的平均值,进而,根据上述不足负载值的平均值更新上述第一预设阈值。具体的,确定出的平均值可以是则可以根据上述超出负载值的平均值更新上述第二预设阈值,即可以将上述第二预设阈值更新为145MB。通过对上述第二预设阈值进行更新,能够使得确定出的第二预设阈值更加符合服务器的实际负载情况,减少无效缩容的次数,提高服务器容量的缩容效率。
本公开还提供了一种服务器容量的处理装置,图6示出本公开示例性实施例中服务器容量的处理装置的结构示意图;如图6所示,服务器容量的处理装置600可以包括获取模块601、预测模块602和处理模块603。其中:
获取模块601,用于获取所述服务器在预设时间点的实时负载值。
在本公开的示例性实施例中,获取模块用于获取服务器在预设时间点的实时负载值。
预测模块602,将所述实时负载值输入预测模型中,根据所述预测模型的输出得到所述服务器在目标时间点的预测负载值,其中,所述预测模型为根据历史负载值训练机器学习模型得到。
在本公开的示例性实施例中,预测模块用于将上述实时负载值输入预测模型中,根据预测模型的输出得到服务器在目标时间点的预测负载值,其中,预测模型为根据历史负载值训练机器学习模型得到。
处理模块603,用于若所述预测负载值大于第一预设阈值,则对所述服务器容量进行扩容处理;若所述预测负载值小于第二预设阈值,则对所述服务器容量进行缩容处理;其中,所述第一预设阈值大于所述第二预设阈值。
在本公开的示例性实施例中,处理模块用于根据上述预测负载值与上述第一预设阈值,设置扩容系数;以及,根据上述预测负载值与上述第二预设阈值,设置缩容系数。
在本公开的示例性实施例中,处理模块用于若预测负载值大于第一预设阈值,则获取服务器容量与上述扩容系数的乘积值;根据上述乘积值,对上述服务器容量进行扩容处理。
在本公开的示例性实施例中,处理模块用于若预测负载值小于第二预设阈值,则获取服务器容量与上述缩容系数的比值;根据上述比值,对上述服务器容量进行缩容处理。
在本公开的示例性实施例中,处理模块还用于在预设时间段内,获取服务器在多个时间点的历史负载值;根据上述历史负载值更新上述第一预设阈值与上述第二预设阈值。
在本公开的示例性实施例中,处理模块还用于在预设时间段内,获取上述历史负载值中大于上述第一预设阈值的超出负载值,并获取上述超出负载值对应的第一次数;若上述第一次数大于等于预设次数,则根据上述超出负载值更新第一预设阈值。
在本公开的示例性实施例中,处理模块还用于在预设时间段之内,获取上述历史负载值中小于上述第二预设阈值的不足负载值,并获取上述不足负载值对应的第二次数;若上述第二次数大于等于预设次数,则根据上述不足负载值更新第二预设阈值。
上述服务器容量的处理装置中各模块的具体细节已经在对应的服务器容量的处理方法中进行了详细的描述,因此此处不再赘述。
应当注意,尽管在上文详细描述中提及了用于动作执行的设备的若干模块或者单元,但是这种划分并非强制性的。实际上,根据本公开的实施方式,上文描述的两个或更多模块或者单元的特征和功能可以在一个模块或者单元中具体化。反之,上文描述的一个模块或者单元的特征和功能可以进一步划分为由多个模块或者单元来具体化。
此外,尽管在附图中以特定顺序描述了本公开中方法的各个步骤,但是,这并非要求或者暗示必须按照该特定顺序来执行这些步骤,或是必须执行全部所示的步骤才能实现期望的结果。附加的或备选的,可以省略某些步骤,将多个步骤合并为一个步骤执行,以及/或者将一个步骤分解为多个步骤执行等。
通过以上的实施方式的描述,本领域的技术人员易于理解,这里描述的示例实施方式可以通过软件实现,也可以通过软件结合必要的硬件的方式来实现。因此,根据本公开实施方式的技术方案可以以软件产品的形式体现出来,该软件产品可以存储在一个非易失性存储介质(可以是CD-ROM,U盘,移动硬盘等)中或网络上,包括若干指令以使得一台计算设备(可以是个人计算机、服务器、移动终端、或者网络设备等)执行根据本公开实施方式的方法。
在本公开示例性实施方式中,还提供了一种能够实现上述方法的计算机存储介质。其上存储有能够实现本说明书上述方法的程序产品。在一些可能的实施例中,本公开的各个方面还可以实现为一种程序产品的形式,其包括程序代码,当所述程序产品在终端设备上运行时,所述程序代码用于使所述终端设备执行本说明书上述“示例性方法”部分中描述的根据本公开各种示例性实施方式的步骤。
参考图7所示,描述了根据本公开的实施方式的用于实现上述方法的程序产品700,其可以采用便携式紧凑盘只读存储器(CD-ROM)并包括程序代码,并可以在终端设备,例如个人电脑上运行。然而,本公开的程序产品不限于此,在本文件中,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。
所述程序产品可以采用一个或多个可读介质的任意组合。可读介质可以是可读信号介质或者可读存储介质。可读存储介质例如可以为但不限于电、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。可读存储介质的更具体的例子(非穷举的列表)包括:具有一个或多个导线的电连接、便携式盘、硬盘、随机存取存储器(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。
计算机可读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,其中承载了可读程序代码。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。可读信号介质还可以是可读存储介质以外的任何可读介质,该可读介质可以发送、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。
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、有线、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的任意组合来编写用于执行本公开操作的程序代码,所述程序设计语言包括面向对象的程序设计语言—诸如Java、C++等,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设备上执行、部分地在用户设备上执行、作为一个独立的软件包执行、部分在用户计算设备上部分在远程计算设备上执行、或者完全在远程计算设备或服务器上执行。在涉及远程计算设备的情形中,远程计算设备可以通过任意种类的网络,包括局域网(LAN)或广域网(WAN),连接到用户计算设备,或者,可以连接到外部计算设备(例如利用因特网服务提供商来通过因特网连接)。
此外,在本公开的示例性实施例中,还提供了一种能够实现上述方法的电子设备。
所属技术领域的技术人员能够理解,本公开的各个方面可以实现为系统、方法或程序产品。因此,本公开的各个方面可以具体实现为以下形式,即:完全的硬件实施方式、完全的软件实施方式(包括固件、微代码等),或硬件和软件方面结合的实施方式,这里可以统称为“电路”、“模块”或“系统”。
下面参照图8来描述根据本公开的这种实施方式的电子设备800。图8显示的电子设备800仅仅是一个示例,不应对本公开实施例的功能和使用范围带来任何限制。
如图8所示,电子设备800以通用计算设备的形式表现。电子设备800的组件可以包括但不限于:上述至少一个处理单元810、上述至少一个存储单元820、连接不同系统组件(包括存储单元820和处理单元810)的总线830。
其中,所述存储单元存储有程序代码,所述程序代码可以被所述处理单元810执行,使得所述处理单元810执行本说明书上述“示例性方法”部分中描述的根据本公开各种示例性实施方式的步骤。例如,所述处理单元810可以执行如图1中所示的:步骤S110,获取所述服务器在预设时间点的实时负载值;步骤S120,将所述实时负载值输入预测模型中,根据所述预测模型的输出得到所述服务器在目标时间点的预测负载值,其中,所述预测模型为根据历史负载值训练机器学习模型得到;步骤S130,若所述预测负载值大于第一预设阈值,则对所述服务器容量进行扩容处理;步骤S140,若所述预测负载值小于第二预设阈值,则对所述服务器容量进行缩容处理;其中,所述第一预设阈值大于所述第二预设阈值。
存储单元820可以包括易失性存储单元形式的可读介质,例如随机存取存储单元(RAM)8201和/或高速缓存存储单元8202,还可以进一步包括只读存储单元(ROM)8203。
存储单元820还可以包括具有一组(至少一个)程序模块8205的程序/实用工具8204,这样的程序模块8205包括但不限于:操作系统、一个或者多个应用程序、其它程序模块以及程序数据,这些示例中的每一个或某种组合中可能包括网络环境的实现。
总线830可以为表示几类总线结构中的一种或多种,包括存储单元总线或者存储单元控制器、外围总线、图形加速端口、处理单元或者使用多种总线结构中的任意总线结构的局域总线。
电子设备800也可以与一个或多个外部设备1100(例如键盘、指向设备、蓝牙设备等)通信,还可与一个或者多个使得用户能与该电子设备800交互的设备通信,和/或与使得该电子设备800能与一个或多个其它计算设备进行通信的任何设备(例如路由器、调制解调器等等)通信。这种通信可以通过输入/输出(I/O)接口850进行。并且,电子设备800还可以通过网络适配器860与一个或者多个网络(例如局域网(LAN),广域网(WAN)和/或公共网络,例如因特网)通信。如图所示,网络适配器860通过总线830与电子设备800的其它模块通信。应当明白,尽管图中未示出,可以结合电子设备800使用其它硬件和/或软件模块,包括但不限于:微代码、设备驱动器、冗余处理单元、外部磁盘驱动阵列、RAID系统、磁带驱动器以及数据备份存储系统等。
通过以上的实施方式的描述,本领域的技术人员易于理解,这里描述的示例实施方式可以通过软件实现,也可以通过软件结合必要的硬件的方式来实现。因此,根据本公开实施方式的技术方案可以以软件产品的形式体现出来,该软件产品可以存储在一个非易失性存储介质(可以是CD-ROM,U盘,移动硬盘等)中或网络上,包括若干指令以使得一台计算设备(可以是个人计算机、服务器、终端装置、或者网络设备等)执行根据本公开实施方式的方法。
此外,上述附图仅是根据本公开示例性实施例的方法所包括的处理的示意性说明,而不是限制目的。易于理解,上述附图所示的处理并不表明或限制这些处理的时间顺序。另外,也易于理解,这些处理可以是例如在多个模块中同步或异步执行的。
本领域技术人员在考虑说明书及实践这里公开的发明后,将容易想到本公开的其他实施例。本申请旨在涵盖本公开的任何变型、用途或者适应性变化,这些变型、用途或者适应性变化遵循本公开的一般性原理并包括本公开未公开的本技术领域中的公知常识或惯用技术手段。说明书和实施例仅被视为示例性的,本公开的真正范围和精神由权利要求指出。
Claims (8)
1.一种服务器容量的处理方法,其特征在于,包括:
获取所述服务器在预设时间点的实时负载值;
将所述实时负载值输入预测模型中,根据所述预测模型的输出得到所述服务器在目标时间点的预测负载值,其中,所述预测模型为根据历史负载值训练机器学习模型得到;
若所述预测负载值大于第一预设阈值,则根据预先设置的扩容系数对所述服务器容量进行扩容处理;所述扩容系数是根据所述预测负载值与所述第一预设阈值确定的;
若所述预测负载值小于第二预设阈值,则根据预先设置的缩容系数对所述服务器容量进行缩容处理;所述缩容系数是根据所述预测负载值与所述第二预设阈值确定的;
其中,所述第一预设阈值大于所述第二预设阈值;
在预设时间段内,获取所述服务器在多个时间点的历史负载值;
根据所述历史负载值更新所述第一预设阈值与所述第二预设阈值。
2.根据权利要求1所述的方法,其特征在于,所述若所述预测负载值大于第一预设阈值,则根据预先设置的扩容系数对所述服务器容量进行扩容处理,包括:
若所述预测负载值大于所述第一预设阈值,则获取所述服务器容量与所述扩容系数的乘积值;
根据所述乘积值,对所述服务器容量进行扩容处理。
3.根据权利要求2所述的方法,其特征在于,所述若所述预测负载值小于第二预设阈值,则根据预先设置的缩容系数对所述服务器容量进行缩容处理,包括:
若所述预测负载值小于所述第二预设阈值,则获取所述服务器容量与所述缩容系数的比值;
根据所述比值,对所述服务器容量进行缩容处理。
4.根据权利要求1所述的方法,其特征在于,所述根据所述历史负载值更新所述第一预设阈值与所述第二预设阈值,包括:
在所述预设时间段内,获取所述历史负载值中大于所述第一预设阈值的超出负载值,并获取所述超出负载值对应的第一次数;
若所述第一次数大于等于预设次数,则根据所述超出负载值更新所述第一预设阈值。
5.根据权利要求4所述的方法,其特征在于,所述根据所述历史负载值更新所述第一预设阈值与所述第二预设阈值,包括:
在所述预设时间段之内,获取所述历史负载值中小于所述第二预设阈值的不足负载值,并获取所述不足负载值对应的第二次数;
若所述第二次数大于等于所述预设次数,则根据所述不足负载值更新所述第二预设阈值。
6.一种服务器容量的处理装置,其特征在于,包括:
获取模块,用于获取所述服务器在预设时间点的实时负载值;
预测模块,用于将所述实时负载值输入预测模型中,根据所述预测模型的输出得到所述服务器在目标时间点的预测负载值,其中,所述预测模型为根据历史负载值训练机器学习模型得到;
处理模块,用于若所述预测负载值大于第一预设阈值,则根据预先设置的扩容系数对所述服务器容量进行扩容处理;所述扩容系数是根据所述预测负载值与所述第一预设阈值确定的;
若所述预测负载值小于第二预设阈值,则根据预先设置的缩容系数对所述服务器容量进行缩容处理;所述缩容系数是根据所述预测负载值与所述第二预设阈值确定的;
在预设时间段内,获取所述服务器在多个时间点的历史负载值;根据所述历史负载值更新所述第一预设阈值与所述第二预设阈值;
其中,所述第一预设阈值大于所述第二预设阈值。
7.一种计算机存储介质,其上存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现权利要求1~5中任意一项所述的服务器容量的处理方法。
8.一种电子设备,其特征在于,包括:
处理器;以及
存储器,用于存储所述处理器的可执行指令;
其中,所述处理器配置为经由执行所述可执行指令来执行权利要求1~5中任意一项所述的服务器容量的处理方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910625986.4A CN110474795B (zh) | 2019-07-11 | 2019-07-11 | 服务器容量的处理方法及装置、存储介质及电子设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910625986.4A CN110474795B (zh) | 2019-07-11 | 2019-07-11 | 服务器容量的处理方法及装置、存储介质及电子设备 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110474795A CN110474795A (zh) | 2019-11-19 |
CN110474795B true CN110474795B (zh) | 2023-04-07 |
Family
ID=68508068
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910625986.4A Active CN110474795B (zh) | 2019-07-11 | 2019-07-11 | 服务器容量的处理方法及装置、存储介质及电子设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110474795B (zh) |
Families Citing this family (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111258710B (zh) * | 2020-01-09 | 2023-03-31 | 同盾控股有限公司 | 一种系统维护方法和装置 |
CN111258506A (zh) * | 2020-02-07 | 2020-06-09 | 汉海信息技术(上海)有限公司 | 一种数据存储的方法及装置 |
CN113411829A (zh) * | 2020-03-17 | 2021-09-17 | 中国联合网络通信集团有限公司 | 载波配置方法、设备、装置及存储介质 |
CN112671570A (zh) * | 2020-12-16 | 2021-04-16 | 微梦创科网络科技(中国)有限公司 | 自动扩缩容的方法及系统 |
CN112988071A (zh) * | 2021-03-15 | 2021-06-18 | 中国建设银行股份有限公司 | 一种分布式存储扩容方法、装置、存储介质和设备 |
CN113032157B (zh) * | 2021-05-31 | 2021-08-24 | 睿至科技集团有限公司 | 一种服务器自动智能扩缩容方法及系统 |
CN113364622A (zh) * | 2021-06-04 | 2021-09-07 | 中国工商银行股份有限公司 | 一种跨区域流量控制的方法、装置、设备和存储介质 |
CN113676347B (zh) * | 2021-07-23 | 2024-03-26 | 青岛海尔科技有限公司 | 服务器的负载预测方法和装置、存储介质及电子装置 |
CN113766008A (zh) * | 2021-08-06 | 2021-12-07 | 苏州浪潮智能科技有限公司 | mcs下动态调整存储容量的方法、系统、终端及存储介质 |
CN113791909B (zh) * | 2021-09-18 | 2023-10-03 | 深圳市华智世纪科技有限公司 | 服务器容量调整方法、装置、计算机设备及存储介质 |
CN114661247B (zh) * | 2022-05-23 | 2022-09-20 | 武汉四通信息服务有限公司 | 自动扩容方法、装置、电子设备及存储介质 |
CN115225577B (zh) * | 2022-09-20 | 2022-12-27 | 深圳市明源云科技有限公司 | 数据处理控制方法、装置、电子设备及可读存储介质 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2016165470A1 (zh) * | 2015-08-27 | 2016-10-20 | 中兴通讯股份有限公司 | Vnf实例的处理方法、装置及vnfm |
CN107026802A (zh) * | 2016-01-30 | 2017-08-08 | 华为技术有限公司 | 一种资源管理方法及设备 |
CN107231264A (zh) * | 2017-07-25 | 2017-10-03 | 北京百度网讯科技有限公司 | 用于管理云服务器的容量的方法和装置 |
CN108845881A (zh) * | 2018-05-30 | 2018-11-20 | 有米科技股份有限公司 | 服务器容量动态调整的方法及装置 |
CN109766182A (zh) * | 2018-12-18 | 2019-05-17 | 平安科技(深圳)有限公司 | 系统资源动态扩缩容方法、装置、计算机设备及存储介质 |
CN109831315A (zh) * | 2018-12-14 | 2019-05-31 | 中国联合网络通信集团有限公司 | 一种网络流量的扩容预告方法及装置 |
-
2019
- 2019-07-11 CN CN201910625986.4A patent/CN110474795B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2016165470A1 (zh) * | 2015-08-27 | 2016-10-20 | 中兴通讯股份有限公司 | Vnf实例的处理方法、装置及vnfm |
CN107026802A (zh) * | 2016-01-30 | 2017-08-08 | 华为技术有限公司 | 一种资源管理方法及设备 |
CN107231264A (zh) * | 2017-07-25 | 2017-10-03 | 北京百度网讯科技有限公司 | 用于管理云服务器的容量的方法和装置 |
CN108845881A (zh) * | 2018-05-30 | 2018-11-20 | 有米科技股份有限公司 | 服务器容量动态调整的方法及装置 |
CN109831315A (zh) * | 2018-12-14 | 2019-05-31 | 中国联合网络通信集团有限公司 | 一种网络流量的扩容预告方法及装置 |
CN109766182A (zh) * | 2018-12-18 | 2019-05-17 | 平安科技(深圳)有限公司 | 系统资源动态扩缩容方法、装置、计算机设备及存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN110474795A (zh) | 2019-11-19 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110474795B (zh) | 服务器容量的处理方法及装置、存储介质及电子设备 | |
CN109272348B (zh) | 活跃用户数量确定方法及装置、存储介质和电子设备 | |
CN110929799B (zh) | 用于检测异常用户的方法、电子设备和计算机可读介质 | |
CN109471783B (zh) | 预测任务运行参数的方法和装置 | |
CN112015543A (zh) | 基于lstm-rnn和注意力机制的资源自动缩放 | |
US20080249752A1 (en) | Prediction of trends based on history values of an observable | |
US8060577B1 (en) | Method and system for employing user input for file classification and malware identification | |
CN112445583A (zh) | 任务管理方法、任务管理系统、电子设备、存储介质 | |
CN113672467A (zh) | 运维预警方法及装置、电子设备、存储介质 | |
US8364776B1 (en) | Method and system for employing user input for website classification | |
CN112948223A (zh) | 一种监测运行情况的方法和装置 | |
CN115600770B (zh) | 基于时序饱和预测的无线信号设备故障预警方法和系统 | |
CN110704614B (zh) | 对应用中的用户群类型进行预测的信息处理方法及装置 | |
CN112150033A (zh) | 一种快递柜系统管理方法、装置及电子设备 | |
CN108400929B (zh) | 数据处理方法、装置、计算设备和介质 | |
CN116781568A (zh) | 数据监控告警方法、装置、设备及存储介质 | |
JP2022095895A (ja) | 交通データ予測方法、交通データ予測装置、電子機器、記憶媒体、コンピュータプログラム製品及びコンピュータプログラム | |
JP2024507602A (ja) | データ処理方法及び予測モデルをトレーニングするための方法 | |
CN115952878A (zh) | 用电负荷预测方法、装置、电子设备和存储介质 | |
CN111625587B (zh) | 数据共享装置 | |
CN113946493A (zh) | 一种监控阈值确定及监控报警方法、装置、设备和介质 | |
CN111274104B (zh) | 数据处理方法、装置、电子设备及计算机可读存储介质 | |
CN114153685A (zh) | 服务器带内系统信息预估方法、系统、装置及存储介质 | |
CN112817788A (zh) | 任务异常告警方法、装置、服务器及存储介质 | |
JP2002366393A (ja) | 計算機稼動情報収集方法及びその実施システム並びにその処理プログラム |
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 |