CN110532156A - 一种容量预测方法及装置 - Google Patents
一种容量预测方法及装置 Download PDFInfo
- Publication number
- CN110532156A CN110532156A CN201910778890.1A CN201910778890A CN110532156A CN 110532156 A CN110532156 A CN 110532156A CN 201910778890 A CN201910778890 A CN 201910778890A CN 110532156 A CN110532156 A CN 110532156A
- Authority
- CN
- China
- Prior art keywords
- capacity
- data
- performance index
- index data
- 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.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 55
- 238000006116 polymerization reaction Methods 0.000 claims abstract description 46
- 238000004590 computer program Methods 0.000 claims description 10
- 230000000737 periodic effect Effects 0.000 claims description 5
- 230000001052 transient effect Effects 0.000 claims description 5
- 230000008859 change Effects 0.000 description 6
- 238000005516 engineering process Methods 0.000 description 6
- 241001269238 Data Species 0.000 description 4
- 238000010586 diagram Methods 0.000 description 4
- 235000013399 edible fruits Nutrition 0.000 description 4
- 238000012423 maintenance Methods 0.000 description 4
- 230000008569 process Effects 0.000 description 4
- 238000012545 processing Methods 0.000 description 3
- 238000007405 data analysis Methods 0.000 description 2
- 230000004044 response Effects 0.000 description 2
- 241000208340 Araliaceae Species 0.000 description 1
- PEDCQBHIVMGVHV-UHFFFAOYSA-N Glycerine Chemical compound OCC(O)CO PEDCQBHIVMGVHV-UHFFFAOYSA-N 0.000 description 1
- 235000005035 Panax pseudoginseng ssp. pseudoginseng Nutrition 0.000 description 1
- 235000003140 Panax quinquefolius Nutrition 0.000 description 1
- 230000002159 abnormal effect Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 239000000470 constituent Substances 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 235000008434 ginseng Nutrition 0.000 description 1
- 238000003780 insertion Methods 0.000 description 1
- 230000037431 insertion Effects 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000012821 model calculation Methods 0.000 description 1
- 238000000465 moulding Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000000926 separation method Methods 0.000 description 1
- 230000003442 weekly effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F11/00—Error detection; Error correction; Monitoring
- G06F11/30—Monitoring
- G06F11/34—Recording or statistical evaluation of computer activity, e.g. of down time, of input/output operation ; Recording or statistical evaluation of user activity, e.g. usability assessment
- G06F11/3466—Performance evaluation by tracing or monitoring
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Human Resources & Organizations (AREA)
- Quality & Reliability (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Marketing (AREA)
- Tourism & Hospitality (AREA)
- Operations Research (AREA)
- General Business, Economics & Management (AREA)
- Game Theory and Decision Science (AREA)
- Development Economics (AREA)
- Computer Hardware Design (AREA)
- Entrepreneurship & Innovation (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Debugging And Monitoring (AREA)
Abstract
本发明实施例提供一种容量预测方法及装置,所述方法包括:获取实例的容量指标数据;所述实例包括业务资源和/或主机资源;根据预设聚合周期聚合属于同一容量指标数据的所有实例中的所有容量指标数据,并根据聚合后的所有容量指标数据,确定可用于预测容量的待预测数据;输入所述待预测数据至预设容量预测模型,并将所述预设容量预测模型的输出结果作为所述容量的预测结果。所述装置执行上述方法。本发明实施例提供的容量预测方法及装置,提高了容量预测的准确性和通用性。
Description
技术领域
本发明涉及计算机数据处理技术领域,尤其涉及一种容量预测方法及装置。
背景技术
随着信息技术的快速发展,信息量呈现显著增长趋势,从事软件技术等业务的公司中资源池的资源较多,使用量也越来越多,因此,容量指标数据,例如磁盘的利用率,也会变得越来越高,资源较多导致维护工作繁重,往往导致工作人员心有余而力不足,部分资源当缺少定期维护的机制时,就会存在,例如磁盘写满却得不到及时维护的情况,从而影响在业务系统中运行的业务,给用户造成损失。所以在资源的维护过程中,都会想法设法的减少此类情况的发生。在资源的维护过程中,如何减少上述情况的发生,也就显得尤为重要。
容量预测可以较早地对上述情况进行预测,从而尽早地采取应对措施,现有的容量预测方法是采集业务系统的容量指标数据,并采用数理统计的方法进行数据分析和处理。但是,上述方法缺乏准确性和通用性,给容量预测带来诸多不便。
发明内容
针对现有技术存在的问题,本发明实施例提供一种容量预测方法及装置。
本发明实施例提供一种容量预测方法,包括:
获取实例的容量指标数据;所述实例包括业务资源和/或主机资源;
根据预设聚合周期聚合属于同一容量指标数据的所有实例中的所有容量指标数据,并根据聚合后的所有容量指标数据,确定可用于预测容量的待预测数据;
输入所述待预测数据至预设容量预测模型,并将所述预设容量预测模型的输出结果作为所述容量的预测结果。
其中,每个容量指标数据包括使用量数据和总量数据;相应的,所述根据聚合后的所有容量指标数据,确定在任务执行时可用于预测容量的待预测数据,包括:
根据所有容量指标数据的使用量数据之和、所有容量指标数据的总量数据之和,计算与所述同一容量指标数据对应的平均值,并将所述平均值确定为所述待预测数据。
其中,所述预设容量预测模型为:
y(t)=g(t)+s(t)+h(t)+εt
其中,y(t)是预设容量预测模型的输出结果、g(t)是待预测数据的趋势项、s(t)是待预测数据的周期项、h(t)是待预测数据的节假日项、εt是待预测数据的误差项、t是表示时间变化的自变量。
其中,所述误差项服从正态分布。
其中,确定所述实例的实例标识和业务系统标识;相应的,所述方法包括:
若检测到所述实例对应的业务资源和/或主机资源的使用率分别大于各自对应的预设比例阈值,生成与所述实例标识和所述业务系统标识相对应的预警消息。
其中,所述业务资源包括TPS和ART中的至少其一;所述主机资源包括CPU、磁盘和内存中的至少其一。
本发明实施例提供一种容量预测装置,包括:
获取单元,用于获取实例的容量指标数据;所述实例包括业务资源和/或主机资源;
确定单元,用于根据预设聚合周期聚合属于同一容量指标数据的所有实例中的所有容量指标数据,并根据聚合后的所有容量指标数据,确定可用于预测容量的待预测数据;
预测单元,用于输入所述待预测数据至预设容量预测模型,并将所述预设容量预测模型的输出结果作为所述容量的预测结果。
其中,所述确定单元具体用于:
根据所有容量指标数据的使用量数据之和、所有容量指标数据的总量数据之和,计算与所述同一容量指标数据对应的平均值,并将所述平均值确定为所述待预测数据。
本发明实施例提供一种电子设备,包括:存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,其中,
所述处理器执行所述计算机程序时实现如下方法步骤:
获取实例的容量指标数据;所述实例包括业务资源和/或主机资源;
根据预设聚合周期聚合属于同一容量指标数据的所有实例中的所有容量指标数据,并根据聚合后的所有容量指标数据,确定可用于预测容量的待预测数据;
输入所述待预测数据至预设容量预测模型,并将所述预设容量预测模型的输出结果作为所述容量的预测结果。
本发明实施例提供一种非暂态计算机可读存储介质,其上存储有计算机程序,该计算机程序被处理器执行时实现如下方法步骤:
获取实例的容量指标数据;所述实例包括业务资源和/或主机资源;
根据预设聚合周期聚合属于同一容量指标数据的所有实例中的所有容量指标数据,并根据聚合后的所有容量指标数据,确定可用于预测容量的待预测数据;
输入所述待预测数据至预设容量预测模型,并将所述预设容量预测模型的输出结果作为所述容量的预测结果。
本发明实施例提供的容量预测方法及装置,通过输入待预测数据至预设容量预测模型,并将该预设容量预测模型的输出结果作为容量的预测结果,提高了容量预测的准确性和通用性。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作一简单地介绍,显而易见地,下面描述中的附图是本发明的一些实施例,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为本发明容量预测方法实施例流程图;
图2为本发明容量预测装置实施例结构示意图;
图3为本发明实施例提供的电子设备实体结构示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚,下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
图1为本发明容量预测方法实施例流程图,如图1所示,本发明实施例提供的一种容量预测方法,包括以下步骤:
S101:获取实例的容量指标数据;所述实例包括业务资源和/或主机资源。
具体的,获取实例的容量指标数据;所述实例包括业务资源和/或主机资源。执行该方法步骤的可以是计算机设备,该计算机设备可以从业务系统中获取到实例的容量指标数据。业务系统可以理解为执行任务的设备。所述业务资源可以包括每秒传输的事物处理个数(Transactions Per Second,简称“TPS”)、应用程序响应时间(Application ResponseTime,简称“ART”)中的至少其一;所述主机资源可以包括CPU、磁盘和内存中的至少其一。
可以进一步获取每个实例的多维度容量指标数据,即全面地获取TPS、ART、CPU、磁盘和内存的多维度容量指标数据,从而全面地实现容量预测。需要说明的是,实例可以理解为业务系统在执行任务过程中的业务资源和/或主机资源。
进一步地,可以周期性地从业务系统中获取实例的容量指标数据,周期间隔可以根据实际情况自主设置,可选为30秒。
S102:根据预设聚合周期聚合属于同一容量指标数据的所有实例中的所有容量指标数据,并根据聚合后的所有容量指标数据,确定可用于预测容量的待预测数据。
具体的,根据预设聚合周期聚合属于同一容量指标数据的所有实例中的所有容量指标数据,并根据聚合后的所有容量指标数据,确定可用于预测容量的待预测数据。预设聚合周期可以根据实际情况自主设置,可选为天、周或月。可以使用spark大数据技术实现聚合数据,从而进一步地提升任务历史数据聚合的效率。每个容量指标数据包括使用量数据和总量数据,以CPU为例,进行说明如下:获取每个实例的CPU使用量数据和CPU总量数据,每个实例的CPU使用量数据可以采用如下方式获取:
CPU核数*CPU主频*CPU使用率,其中,CPU使用率的获取方式,可以如下:通过调用系统命令获取CPU信息,以linux为例:通过lscpu命令获取CPU核数、CPU主频,通过mpstat命令获取CPU使用率。
每个实例的CPU总量数据可以采用如下方式获取:
CPU核数*CPU主频。
因此,聚合同一容量指标数据的所有实例中的所有容量指标数据,可以理解为,在执行任务时,对于同一容量指标数据为CPU使用量数据,聚合所有实例的所有CPU使用量数据;对于同一容量指标数据为CPU总量数据,聚合所有实例的所有CPU总量数据,根据所有CPU使用量数据之和、所有CPU总量数据之和,计算与CPU使用量对应的平均值,即可以将所有CPU使用量数据之和、所有CPU总量数据之和之间的比值作为与CPU使用量对应的平均值,并将该平均值作为预测容量的待预测数据。
需要说明的是,上述TPS、ART、CPU、磁盘和内存分别对应的平均值都可以作为预测容量的待预测数据,可以理解的是:由于实例的容量指标数据是实时数据,即是随时间t变化的数据,因此,待预测数据也是随时间t变化的数据。
S103:输入所述待预测数据至预设容量预测模型,并将所述预设容量预测模型的输出结果作为所述容量的预测结果。
具体的,输入所述待预测数据至预设容量预测模型,并将所述预设容量预测模型的输出结果作为所述容量的预测结果。预设容量预测模型可以为:
y(t)=g(t)+s(t)+h(t)+εt
其中,y(t)是预设容量预测模型的输出结果、g(t)是待预测数据的趋势项,用于拟合待预测数据的分线段线性增长或逻辑增长的非周期变化、s(t)是待预测数据的周期项(如每周/每年的季节性)、h(t)是待预测数据的节假日项,非规律性的节假日效应、εt是待预测数据的误差项、服从正态分布,用来反映未在该预设容量预测模型中体现的异常变动、t是表示时间变化的自变量。即预设容量预测模型可以为prophet,由于,prophet包含有可自动填充缺省值的运算因子,从而实现对于缺省值的自动填充处理,所以,简化了数据分析和处理。
本发明实施例在容量预测时,可以使用Rest框架嵌入prophet作为预测服务,在调用预测服务时,只需要提供待预测数据,即可调用服务端提供的API给出预测结果。其具体实现过程可以如下:调用预测服务时,使用prophet提供的接口,创建Prophet实例,使用拟合模型,同时需要调整拟合参数来调整稀疏先验的程度,此值越大,会导致趋势拟合更加灵活。由于prophet提供了指定突变点位置、季节性、假期。可以根据不同的场景提供相应参数,再去调用Prophet提供的预测方法,此方法会对每一行未来日期得到一个预测值,其返回值也包括置信区间和成分分析,最终将预测结果以图表形式展示。
需要说明的是,还可以确定所述实例的实例标识和业务系统标识;相应的,所述方法包括:
若检测到所述实例对应的业务资源和/或主机资源的使用率分别大于各自对应的预设比例阈值,生成与所述实例标识和所述业务系统标识相对应的预警消息。预设比例阈值可以根据实际情况自主设置,例如业务系统A、B和C同时执行任务,业务系统A中的实例标识a-1可以表示主机资源中的CPU(实例标识b-1可以表示业务资源中的TPS,其他不做具体说明),若检测到业务系统A中的a-1和/或b-1的使用率分别大于各自对应的预设比例阈值,则生成业务系统A,a-1和/或b-1的预警消息,即实现了局部预警。若业务系统A、B和C都有实例的使用率大于预设比例阈值,则生成业务系统A、B和C的预警消息,以及大于预设比例阈值的实例的预警消息,即实现了全局预警。
本发明实施例提供的容量预测方法,通过输入待预测数据至预设容量预测模型,并将该预设容量预测模型的输出结果作为容量的预测结果,提高了容量预测的准确性和通用性。
在上述实施例的基础上,每个容量指标数据包括使用量数据和总量数据;相应的,所述根据聚合后的所有容量指标数据,确定在任务执行时可用于预测容量的待预测数据,包括:
具体的,根据所有容量指标数据的使用量数据之和、所有容量指标数据的总量数据之和,计算与所述同一容量指标数据对应的平均值,并将所述平均值确定为所述待预测数据。可参照上述说明,不再赘述。
本发明实施例提供的容量预测方法,通过将同一容量指标数据对应的平均值作为待预测数据,提高了容量预测的准确性。
在上述实施例的基础上,具体的,所述预设容量预测模型为:
y(t)=g(t)+s(t)+h(t)+εt
其中,y(t)是预设容量预测模型的输出结果、g(t)是待预测数据的趋势项、s(t)是待预测数据的周期项、h(t)是待预测数据的节假日项、εt是待预测数据的误差项、t是表示时间变化的自变量。可参照上述说明,不再赘述。
本发明实施例提供的容量预测方法,通过将预设容量预测模型选为prophet,能够更加方便地进行容量预测。
在上述实施例的基础上,具体的,所述误差项服从正态分布。可参照上述说明,不再赘述。
本发明实施例提供的容量预测方法,更加便于预设容量预测模型进行模型运算。
在上述实施例的基础上,确定所述实例的实例标识和业务系统标识;相应的,所述方法包括:
具体的,若检测到所述实例对应的业务资源和/或主机资源的使用率分别大于各自对应的预设比例阈值,生成与所述实例标识和所述业务系统标识相对应的预警消息。可参照上述说明,不再赘述。
本发明实施例提供的容量预测方法,能够进行局部和全局的容量预测,扩展了该方法的灵活性。
在上述实施例的基础上,具体的,所述业务资源包括TPS和ART中的至少其一;所述主机资源包括CPU、磁盘和内存中的至少其一。可参照上述说明,不再赘述。
本发明实施例提供的容量预测方法,通过多维度的容量预测,能够全面地进行容量预测。
图2为本发明容量预测装置实施例结构示意图,如图2所示,本发明实施例提供了一种容量预测装置,包括获取单元201、确定单元202和预测单元203,其中:
获取单元201用于获取实例的容量指标数据;所述实例包括业务资源和/或主机资源;确定单元202用于根据预设聚合周期聚合属于同一容量指标数据的所有实例中的所有容量指标数据,并根据聚合后的所有容量指标数据,确定可用于预测容量的待预测数据;预测单元203用于输入所述待预测数据至预设容量预测模型,并将所述预设容量预测模型的输出结果作为所述容量的预测结果。
具体的,获取单元201用于获取实例的容量指标数据;所述实例包括业务资源和/或主机资源;确定单元202用于根据预设聚合周期聚合属于同一容量指标数据的所有实例中的所有容量指标数据,并根据聚合后的所有容量指标数据,确定可用于预测容量的待预测数据;预测单元203用于输入所述待预测数据至预设容量预测模型,并将所述预设容量预测模型的输出结果作为所述容量的预测结果。
本发明实施例提供的容量预测装置,通过输入待预测数据至预设容量预测模型,并将该预设容量预测模型的输出结果作为容量的预测结果,提高了容量预测的准确性和通用性。
在上述实施例的基础上,每个容量指标数据包括使用量数据和总量数据;相应的,所述确定单元202具体用于:根据所有容量指标数据的使用量数据之和、所有容量指标数据的总量数据之和,计算与所述同一容量指标数据对应的平均值,并将所述平均值确定为所述待预测数据。
本发明实施例提供的容量预测装置,通过将同一容量指标数据对应的平均值作为待预测数据,提高了容量预测的准确性。
本发明实施例提供的容量预测装置具体可以用于执行上述各方法实施例的处理流程,其功能在此不再赘述,可以参照上述方法实施例的详细描述。
图3为本发明实施例提供的电子设备实体结构示意图,如图3所示,所述电子设备包括:处理器(processor301、存储器(memory)302和总线303;
其中,所述处理器301、存储器302通过总线303完成相互间的通信;
所述处理器301用于调用所述存储器302中的程序指令,以执行上述各方法实施例所提供的方法,例如包括:获取实例的容量指标数据;所述实例包括业务资源和/或主机资源;根据预设聚合周期聚合属于同一容量指标数据的所有实例中的所有容量指标数据,并根据聚合后的所有容量指标数据,确定可用于预测容量的待预测数据;输入所述待预测数据至预设容量预测模型,并将所述预设容量预测模型的输出结果作为所述容量的预测结果。
本实施例公开一种计算机程序产品,所述计算机程序产品包括存储在非暂态计算机可读存储介质上的计算机程序,所述计算机程序包括程序指令,当所述程序指令被计算机执行时,计算机能够执行上述各方法实施例所提供的方法,例如包括:获取实例的容量指标数据;所述实例包括业务资源和/或主机资源;根据预设聚合周期聚合属于同一容量指标数据的所有实例中的所有容量指标数据,并根据聚合后的所有容量指标数据,确定可用于预测容量的待预测数据;输入所述待预测数据至预设容量预测模型,并将所述预设容量预测模型的输出结果作为所述容量的预测结果。
本实施例提供一种非暂态计算机可读存储介质,所述非暂态计算机可读存储介质存储计算机指令,所述计算机指令使所述计算机执行上述各方法实施例所提供的方法,例如包括:获取实例的容量指标数据;所述实例包括业务资源和/或主机资源;根据预设聚合周期聚合属于同一容量指标数据的所有实例中的所有容量指标数据,并根据聚合后的所有容量指标数据,确定可用于预测容量的待预测数据;输入所述待预测数据至预设容量预测模型,并将所述预设容量预测模型的输出结果作为所述容量的预测结果。
本领域普通技术人员可以理解:实现上述方法实施例的全部或部分步骤可以通过程序指令相关的硬件来完成,前述的程序可以存储于一计算机可读取存储介质中,该程序在执行时,执行包括上述方法实施例的步骤;而前述的存储介质包括:ROM、RAM、磁碟或者光盘等各种可以存储程序代码的介质。
以上所描述的装置实施例仅仅是示意性的,其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性的劳动的情况下,即可以理解并实施。
通过以上的实施方式的描述,本领域的技术人员可以清楚地了解到各实施方式可借助软件加必需的通用硬件平台的方式来实现,当然也可以通过硬件。基于这样的理解,上述技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来,该计算机软件产品可以存储在计算机可读存储介质中,如ROM/RAM、磁碟、光盘等,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行各个实施例或者实施例的某些部分所述的方法。
最后应说明的是:以上实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。
Claims (10)
1.一种容量预测方法,其特征在于,包括:
获取实例的容量指标数据;所述实例包括业务资源和/或主机资源;
根据预设聚合周期聚合属于同一容量指标数据的所有实例中的所有容量指标数据,并根据聚合后的所有容量指标数据,确定可用于预测容量的待预测数据;
输入所述待预测数据至预设容量预测模型,并将所述预设容量预测模型的输出结果作为所述容量的预测结果。
2.根据权利要求1所述的容量预测方法,其特征在于,每个容量指标数据包括使用量数据和总量数据;相应的,所述根据聚合后的所有容量指标数据,确定在任务执行时可用于预测容量的待预测数据,包括:
根据所有容量指标数据的使用量数据之和、所有容量指标数据的总量数据之和,计算与所述同一容量指标数据对应的平均值,并将所述平均值确定为所述待预测数据。
3.根据权利要求2所述的容量预测方法,其特征在于,所述预设容量预测模型为:
y(t)=g(t)+s(t)+h(t)+εt
其中,y(t)是预设容量预测模型的输出结果、g(t)是待预测数据的趋势项、s(t)是待预测数据的周期项、h(t)是待预测数据的节假日项、εt是待预测数据的误差项、t是表示时间变化的自变量。
4.根据权利要求3所述的容量预测方法,其特征在于,所述误差项服从正态分布。
5.根据权利要求1至4任一所述的容量预测方法,其特征在于,确定所述实例的实例标识和业务系统标识;相应的,所述方法包括:
若检测到所述实例对应的业务资源和/或主机资源的使用率分别大于各自对应的预设比例阈值,生成与所述实例标识和所述业务系统标识相对应的预警消息。
6.根据权利要求1至4任一所述的容量预测方法,其特征在于,所述业务资源包括TPS和ART中的至少其一;所述主机资源包括CPU、磁盘和内存中的至少其一。
7.一种容量预测装置,其特征在于,包括:
获取单元,用于获取实例的容量指标数据;所述实例包括业务资源和/或主机资源;
确定单元,用于根据预设聚合周期聚合属于同一容量指标数据的所有实例中的所有容量指标数据,并根据聚合后的所有容量指标数据,确定可用于预测容量的待预测数据;
预测单元,用于输入所述待预测数据至预设容量预测模型,并将所述预设容量预测模型的输出结果作为所述容量的预测结果。
8.根据权利要求7所述的容量预测装置,其特征在于,每个容量指标数据包括使用量数据和总量数据;相应的,所述确定单元具体用于:
根据所有容量指标数据的使用量数据之和、所有容量指标数据的总量数据之和,计算与所述同一容量指标数据对应的平均值,并将所述平均值确定为所述待预测数据。
9.一种电子设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,其特征在于,所述处理器执行所述计算机程序时实现如权利要求1至6任一项所述方法的步骤。
10.一种非暂态计算机可读存储介质,其上存储有计算机程序,其特征在于,该计算机程序被处理器执行时实现如权利要求1至6任一项所述方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910778890.1A CN110532156B (zh) | 2019-08-22 | 2019-08-22 | 一种容量预测方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910778890.1A CN110532156B (zh) | 2019-08-22 | 2019-08-22 | 一种容量预测方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110532156A true CN110532156A (zh) | 2019-12-03 |
CN110532156B CN110532156B (zh) | 2023-12-19 |
Family
ID=68664039
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910778890.1A Active CN110532156B (zh) | 2019-08-22 | 2019-08-22 | 一种容量预测方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110532156B (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110941620A (zh) * | 2019-12-05 | 2020-03-31 | 国网湖南省电力有限公司 | 基于深度学习的电力系统数据库表空间预测方法 |
CN112256550A (zh) * | 2020-11-19 | 2021-01-22 | 深信服科技股份有限公司 | 存储容量预测模型生成方法、存储容量预测方法 |
CN115412567A (zh) * | 2022-08-09 | 2022-11-29 | 浪潮云信息技术股份公司 | 一种基于时间序列预测的云平台存储容量规划系统及方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106886485A (zh) * | 2017-02-28 | 2017-06-23 | 深圳市华傲数据技术有限公司 | 系统容量分析预测方法及装置 |
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 |
CN109543891A (zh) * | 2018-11-09 | 2019-03-29 | 深圳前海微众银行股份有限公司 | 容量预测模型的建立方法、设备及计算机可读存储介质 |
-
2019
- 2019-08-22 CN CN201910778890.1A patent/CN110532156B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106886485A (zh) * | 2017-02-28 | 2017-06-23 | 深圳市华傲数据技术有限公司 | 系统容量分析预测方法及装置 |
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 |
CN109543891A (zh) * | 2018-11-09 | 2019-03-29 | 深圳前海微众银行股份有限公司 | 容量预测模型的建立方法、设备及计算机可读存储介质 |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110941620A (zh) * | 2019-12-05 | 2020-03-31 | 国网湖南省电力有限公司 | 基于深度学习的电力系统数据库表空间预测方法 |
CN112256550A (zh) * | 2020-11-19 | 2021-01-22 | 深信服科技股份有限公司 | 存储容量预测模型生成方法、存储容量预测方法 |
CN115412567A (zh) * | 2022-08-09 | 2022-11-29 | 浪潮云信息技术股份公司 | 一种基于时间序列预测的云平台存储容量规划系统及方法 |
CN115412567B (zh) * | 2022-08-09 | 2024-04-30 | 浪潮云信息技术股份公司 | 一种基于时间序列预测的云平台存储容量规划系统及方法 |
Also Published As
Publication number | Publication date |
---|---|
CN110532156B (zh) | 2023-12-19 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US9274850B2 (en) | Predictive and dynamic resource provisioning with tenancy matching of health metrics in cloud systems | |
US10929792B2 (en) | Hybrid cloud operation planning and optimization | |
CN103999049B (zh) | 用于预测虚拟机需求的方法和装置 | |
US9860134B2 (en) | Resource provisioning using predictive modeling in a networked computing environment | |
US11403131B2 (en) | Data analysis for predictive scaling of container(s) based on prior user transaction(s) | |
US11507716B2 (en) | Predicting life expectancy of machine part | |
CN104657194B (zh) | 用于计算网络中动作的影响的方法和系统 | |
US10102033B2 (en) | Method and system for performance ticket reduction | |
US9286735B1 (en) | Generating cumulative wear-based indicators for vehicular components | |
US20190138956A1 (en) | System, method and program product for scheduling interventions on allocated resources with minimized client impacts | |
CN110532156A (zh) | 一种容量预测方法及装置 | |
US10740362B2 (en) | Container structure | |
CN103778474A (zh) | 资源负载量预测方法、分析预测系统及业务运营监控系统 | |
US11700210B2 (en) | Enhanced selection of cloud architecture profiles | |
US11449772B2 (en) | Predicting operational status of system | |
CN115269108A (zh) | 一种数据处理方法、装置及设备 | |
US20220058590A1 (en) | Equipment maintenance in geo-distributed equipment | |
CN115202847A (zh) | 任务的调度方法和装置 | |
US11411886B1 (en) | Automatic cluster scaling based on varying workloads | |
US11086749B2 (en) | Dynamically updating device health scores and weighting factors | |
CN114661571B (zh) | 模型评测方法、装置、电子设备和存储介质 | |
EP3826233B1 (en) | Enhanced selection of cloud architecture profiles | |
CN114520773A (zh) | 一种服务请求的响应方法、装置、服务器及存储介质 | |
CN113129127A (zh) | 预警方法和装置 | |
US20140114719A1 (en) | Allocating Service Consumers into Compatible Resource Pools |
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 |