CN110620797B - 一种节点交付方法、装置、电子设备及存储介质 - Google Patents
一种节点交付方法、装置、电子设备及存储介质 Download PDFInfo
- Publication number
- CN110620797B CN110620797B CN201810631323.9A CN201810631323A CN110620797B CN 110620797 B CN110620797 B CN 110620797B CN 201810631323 A CN201810631323 A CN 201810631323A CN 110620797 B CN110620797 B CN 110620797B
- Authority
- CN
- China
- Prior art keywords
- type
- delivery
- cycle
- node
- nodes
- 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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L67/00—Network arrangements or protocols for supporting network services or applications
- H04L67/01—Protocols
- H04L67/10—Protocols in which an application is distributed across nodes in the network
- H04L67/1001—Protocols in which an application is distributed across nodes in the network for accessing one among a plurality of replicated servers
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Molecular Biology (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种节点交付方法、装置、电子设备及存储介质,所述方法包括:获取当前交付周期内各类型的节点在每个子周期的第一资源调度增加量;根据所述各类型的节点在每个子周期的第一资源调度增加量及预先训练完成的交付模型,确定各类型的节点在当前交付周期的下一交付周期对应交付的第一数量;并根据所述各类型的节点对应交付的第一数量,在所述下一交付周期交付各类型的节点。由于在本发明实施例中,是按照交付周期,根据数据中心对各类型的节点的资源调度增加量,分批次确定需要交付的各类型的节点的数量,并进行交付,保证了数据中心对各类型的节点的资源需求,进而保证了数据中心各业务的稳定运行,同时也避免了对节点的资源的浪费。
Description
技术领域
本发明涉及云计算技术领域,尤其涉及一种节点交付方法、装置、电子设备及存储介质。
背景技术
物理服务器是数据中心组成的基本计算单元,也称为节点,基于数据中心可以组成不同类型的云计算平台,如基础设施即服务(Infrastructure as a Service,IaaS)云计算平台、平台即服务(Platform as a Service,PaaS)云计算平台。根据节点提供的服务能力,可以将数据中心中的节点划分为不同类型的节点,如以OpenStack节点为代表的虚机型节点和以容器编排服务(Kubernetes)节点为代表的容器型节点。因不同类型的节点对跨节点通信、网络组成、内核优化等模式不同,因此数据中心中的同一节点在同一时刻不能同时作为虚机型节点和容器型节点。
现有技术在对数据中心的节点进行交付时,通常是在数据中心构建时,一次性交付,如一次性交付两百台节点作为虚机型节点、交付一百台节点作为容器型节点。然而随着数据中心各业务的增加,数据中心对各类型的节点的资源需求量也在增加,很容易造成数据中心中各类型的节点的资源不能满足对应业务处理的需求,影响了数据中心各业务的稳定运行;另外,如果为了保证数据中心各业务的稳定运行,一次性交付大量的节点又会造成节点的资源使用率低或长期闲置的问题,因此,急需一种节点交付方案,用以保证数据中心各业务的稳定运行,并提高节点的资源利用率。
发明内容
本发明公开了一种节点交付方法、装置、电子设备及存储介质,用以解决现有技术中存在数据中心各业务运行不稳定、节点的资源利用率低的问题。
第一方面,本发明公开了一种节点交付方法,所述方法包括:
获取当前交付周期内各类型的节点在每个子周期的第一资源调度增加量;
根据所述各类型的节点在每个子周期的第一资源调度增加量及预先训练完成的交付模型,确定各类型的节点在当前交付周期的下一交付周期对应交付的第一数量;并根据所述各类型的节点对应交付的第一数量,在所述下一交付周期交付各类型的节点。
可选的,所述资源调度增加量包括以下至少一种:
CPU资源调度增加量和内存资源调度增加量。
采用本发明的节点交付方法,可以解决数据中心的节点规划难以贴合数据中心各业务发展趋势的问题,在本申请中按照交付周期,采用多批次、小规模、各类型的节点的数量分布明确的交付方式,实现节点交付,既保证了数据中心各业务对不同类型的节点的资源的需求,又提高了节点的资源利用率。
可选的,对所述交付模型训练的过程包括:
针对训练集中各类型的节点,在每个交付周期内,确定在该交付周期内各类型的节点在每个子周期的第二资源调度增加量,并确定所述各类型的节点在该交付周期的下一交付周期对应交付的第二数量;
针对每个交付周期,将该交付周期内各类型的节点在每个子周期的第二资源调度增加量,及该交付周期的下一交付周期对应交付的第二数量输入到交付模型中,对交付模型进行训练。
可选的,所述交付模型为基于长短期记忆网络LSTM的循环神经网络RNN模型。
通过该可选方式,能够实现对交付模型的准确训练,保证了节点交付的准确性和合理性。
可选的,所述在所述下一交付周期交付各类型的节点包括:
在所述下一交付周期内的设定时间交付各类型的节点。
通过该可选方式,能够实现节点的精准交付,进一步保证了数据中心各业务的稳定运行。
可选的,所述获取当前交付周期内各类型的节点在每个子周期的第一资源调度增加量包括:
通过用户接口UI和/或应用程序编程接口API获取当前交付周期内各类型的节点的任务调度记录,根据所述任务调度记录,确定当前交付周期内所述各类型的节点在每个子周期的第一资源调度增加量。
通过该可选方式,能够实现对当前交付周期内各类型的节点在每个子周期的第一资源调度增加量的准确获取,进而保证了确定的各类型的节点在当前交付周期的下一交付周期对应交付的第一数量的准确性,提高了节点交付的准确性。
第二方面,本发明公开了一种节点交付装置,所述装置包括:
获取模块,用于获取当前交付周期内各类型的节点在每个子周期的第一资源调度增加量;
交付模块,用于根据所述各类型的节点在每个子周期的第一资源调度增加量及预先训练完成的交付模型,确定各类型的节点在当前交付周期的下一交付周期对应交付的第一数量;并根据所述各类型的节点对应交付的第一数量,在所述下一交付周期交付各类型的节点。
第三方面,本发明公开了一种电子设备,包括:存储器和处理器;
所述处理器,用于读取存储器中的程序,执行下列过程:获取当前交付周期内各类型的节点在每个子周期的第一资源调度增加量;根据所述各类型的节点在每个子周期的第一资源调度增加量及预先训练完成的交付模型,确定各类型的节点在当前交付周期的下一交付周期对应交付的第一数量;并根据所述各类型的节点对应交付的第一数量,在所述下一交付周期交付各类型的节点。
可选的,所述处理器,还用于针对训练集中各类型的节点,在每个交付周期内,确定在该交付周期内各类型的节点在每个子周期的第二资源调度增加量,并确定所述各类型的节点在该交付周期的下一交付周期对应交付的第二数量;针对每个交付周期,将该交付周期内各类型的节点在每个子周期的第二资源调度增加量,及该交付周期的下一交付周期对应交付的第二数量输入到交付模型中,对交付模型进行训练。
可选的,所述交付模型为基于长短期记忆网络LSTM的循环神经网络RNN模型。
可选的,所述资源调度增加量包括以下至少一种:
CPU资源调度增加量和内存资源调度增加量。
可选的,所述处理器,具体用于在所述下一交付周期内的设定时间交付各类型的节点。
可选的,所述处理器,具体用于通过用户接口UI和/或应用程序编程接口API获取当前交付周期内各类型的节点的任务调度记录,根据所述任务调度记录,确定当前交付周期内所述各类型的节点在每个子周期的第一资源调度增加量。
第四方面,本发明公开了一种电子设备,包括:处理器、通信接口、存储器和通信总线,其中,处理器,通信接口,存储器通过通信总线完成相互间的通信;
所述存储器中存储有计算机程序,当所述程序被所述处理器执行时,使得所述处理器执行上述任一项所述方法的步骤。
第五方面,本发明公开了一种计算机可读存储介质,其存储有可由电子设备执行的计算机程序,当所述程序在所述电子设备上运行时,使得所述电子设备执行上述任一项所述方法的步骤。
本发明公开了一种节点交付方法、装置、电子设备及存储介质,所述方法包括:获取当前交付周期内各类型的节点在每个子周期的第一资源调度增加量;根据所述各类型的节点在每个子周期的第一资源调度增加量及预先训练完成的交付模型,确定各类型的节点在当前交付周期的下一交付周期对应交付的第一数量;并根据所述各类型的节点对应交付的第一数量,在所述下一交付周期交付各类型的节点。由于在本发明实施例中,是按照设定的交付周期,根据当前交付周期内各类型的节点在每个子周期的第一资源调度增加量及预先训练完成的交付模型,确定各类型的节点在当前交付周期的下一交付周期对应交付的第一数量,并根据确定的各类型的节点对应交付的第一数量,在当前交付周期的下一交付周期交付各类型的节点,实现了按照交付周期,根据数据中心新增的对各类型的节点的资源需求量,分批次确定需要交付的各类型的节点的数量,并进行交付,保证了数据中心对不同类型的节点的资源需求,进而保证了数据中心各业务的稳定运行,同时也避免了对节点的资源的浪费,提高了节点的资源利用率。
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简单地介绍,显而易见地,下面描述中的附图仅仅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为本发明实施例提供的一种节点交付过程示意图;
图2为本发明实施例提供的一种资源调度增加量示意图;
图3为本发明实施例提供的一种交付模型输入输出示意图;
图4为本发明实施例提供的一种交付模型输入输出示意图;
图5为本发明实施例提供的一种数据中心用于实现节点交付的相关组件示意图;
图6为本发明实施例提供的一种节点交付装置结构示意图;
图7为本发明实施例提供的一种电子设备示意图;
图8为本发明实施例提供的一种电子设备示意图。
具体实施方式
为了使本发明的目的、技术方案和优点更加清楚,下面将结合附图本发明作进一步地详细描述,显然,所描述的实施例仅仅是本发明的一部分实施例,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做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。
区别于传统的一次性节点交付的方案,在本发明实施例中,充分的考虑到随着数据中心运行的时间增长,数据中心对各类型的节点的资源需求量增加的情况,以及一次性交付大量的节点,会造成数据中心对各类型的节点的需求,与交付的各类型的节点不匹配、及节点的资源利用率低或闲置的情况,因此,在本发明实施例中,采用按照交付周期,多批次、小规模的方式,根据数据中心对各类型的节点的资源的需求,进行节点交付,以保证数据中心各业务对各类型的节点的资源的需求。
下面结合具体实施例,对本申请进行详细描述。
实施例1:
图1为本发明实施例提供的一种节点交付过程示意图,该过程包括:
S101:获取当前交付周期内各类型的节点在每个子周期的第一资源调度增加量。
本发明实施例提供的节点交付方法应用于电子设备,该电子设备可以是平板电脑、个人电脑、物理服务器等设备,也可以是由多台物理服务器组成的物理服务器集群或数据中心等。
在本发明实施例中,预先设置有交付周期和子周期,其中所述子周期对应的时长不大于交付周期对应的时长,例如:交付周期对应的时长为30天、子周期对应的时长为1天。另外,在本发明实施例中,各类型的节点包括:虚机型节点、容器型节点等。
另外,为了保证节点交付的准确性,在本发明实施例中,资源调度增加量包括CPU资源调度增加量和内存资源调度增加量中的至少一种。具体的,电子设备获取当前交付周期内,各类型的节点在每个子周期的第一资源调度增加量。例如:当前交付周期为6月1日至6月30日,每个子周期为1天,资源调度增加量为CPU资源调度增加量和内存资源调度增加量,如图2所示,电子设备获取6月1日至6月30日虚机型节点和容器型节点在每天的资源调度增加量,其中,在6月1日虚机型节点的第一资源调度增加量为CPU30核和内存58G、容器型节点的第一资源调度增加量为CPU30核和内存30G;在6月2日虚机型节点的第一资源调度增加量为CPU40核和内存78G、容器型节点的第一资源调度增加量为CPU25核和内存35G;…在6月30日虚机型节点的第一资源调度增加量为CPU40核和内存78G、容器型节点的第一资源调度增加量为CPU25核和内存35G,电子设备获取到虚机型节点和容器型节点30天的共60维的第一资源调度增加量。
S102:根据所述各类型的节点在每个子周期的第一资源调度增加量及预先训练完成的交付模型,确定各类型的节点在当前交付周期的下一交付周期对应交付的第一数量;并根据所述各类型的节点对应交付的第一数量,在所述下一交付周期交付各类型的节点。
在本发明实施例中,预先对交付模型进行训练,并且在对交付模型进行训练时,也是根据训练集中保存的在每个交付周期内各类型的节点在每个子周期的资源调度增加量,及各类型的节点在该交付周期的下一周期对应交付的数量,对交付模型训练完成的。训练完成的交付模型可以根据输入的一个交付周期内各类型的节点在每个子周期的资源调度增加量,确定各类型的节点在该交付周期的下一交付周期对应交付的数量。具体的,交付模型针对输入的当前交付周期内各类型的节点在每个子周期的第一资源调度增加量,会输出相应的结果,即各类型的节点在当前交付周期的下一交付周期对应交付的第一数量。
图3为本发明实施例提供的一种训练完成的交付模型根据输入的当前交付周期内各类型的节点在每个子周期的第一资源调度增加量,输出各类型的节点在当前交付周期的下一交付周期对应交付的第一数量的示意图,如图3所示,当前交付周期为6月1日至6月30日,电子设备将获取到的在6月1日虚机型节点的第一资源调度增加量为CPU30核和内存58G、容器型节点的第一资源调度增加量为CPU30核和内存30G;在6月2日虚机型节点的第一资源调度增加量为CPU40核和内存78G、容器型节点的第一资源调度增加量为CPU25核和内存35G;…在6月30日虚机型节点的第一资源调度增加量为CPU40核和内存78G、容器型节点的第一资源调度增加量为CPU25核和内存35G,输入到训练完成的交付模型,训练模型输出虚机型节点在7月1日至7月30日对应交付15台、容器型节点在7月1日至7月30日对应交付5台的结果。
电子设备根据交付模型输出的各类型的节点在当前交付周期的下一交付周期对应交付的第一数量,在下一交付周期交付各类型的节点。
由于在本发明实施例中,是按照设定的交付周期,根据当前交付周期内各类型的节点在每个子周期的第一资源调度增加量及预先训练完成的交付模型,确定各类型的节点在当前交付周期的下一交付周期对应交付的第一数量,并根据确定的各类型的节点对应交付的第一数量,在当前交付周期的下一交付周期交付各类型的节点,实现了按照交付周期,根据数据中心新增的对各类型的节点的资源需求量,分批次确定需要交付的各类型的节点的数量,并进行交付,保证了数据中心对不同类型的节点的资源需求,进而保证了数据中心各业务的稳定运行,同时也避免了对节点的资源的浪费,提高了节点的资源利用率。
实施例2:
在本发明实施例中,交付模型是根据训练集中每个交付周期内各类型的节点在每个子周期的第二资源调度增加量,及在下一交付周期对应交付的第二数量训练得到的,在本发明实施例中,针对训练集中各类型的节点,在每个交付周期内,确定在该交付周期内各类型的节点在每个子周期的第二资源调度增加量,并确定所述各类型的节点在该交付周期的下一交付周期内对应交付的第二数量;
针对每个交付周期,将该交付周期内各类型的节点在每个子周期的第二资源调度增加量,及该交付周期的下一交付周期内对应交付的第二数量输入到交付模型中,对交付模型进行训练。
具体的,在训练集中包含大量已知各类型的节点在下一交付周期内交付的第二数量的,各类型的节点在交付周期内在每个子周期的第二资源调度增加量;针对训练集中各类型的节点,电子设备针对每个交付周期,在每个交付周期内,确定在该交付周期内各类型的节点在每个子周期的第二资源调度增加量,并确定所述各类型的节点在该交付周期的下一交付周期内对应交付的第二数量;并针对每个交付周期,将该交付周期内各类型的节点在每个子周期的第二资源调度增加量,及该交付周期的下一交付周期内对应交付的第二数量输入到交付模型中,对交付模型进行训练。
如图4所示,交付模型训练完成后,当当前交付周期内各类型的节点在每个子周期的第一资源调度增加量输入(input)到交付模型后,交付模型可以确定并输出(output)各类型的节点在当前交付周期的下一交付周期对应交付的第一数量。
较佳的,为了保证节点交付的准确性,在本发明实施例中,所述交付模型为基于长短期记忆网络(LSTM)的循环神经网络(RNN)模型,由于基于LSTM的RNN模型为公知的处理时间序列问题的模型,在本发明实施例中对该模型的原理、建立方法以及模型训练的具体方法不再进行赘述。
此外,为了提高交付模型的准确性,在本发明实施例可以根据每个交付周期结束后的下一交付周期,数据中心各类型的节点的资源实际调度增加量,计算生成对应下一周期各类型的节点对应交付的理想数量,并将每个交付周期各类型的节点在每个子周期的资源调度增加量,及对应下一周期各类型的节点对应交付的理想数量作为样本添加至训练集中,从而对交付模型进行训练,提高交付模型的准确性。
实施例3:
为了保证节点交付的准确性,在上述各实施例的基础上,在本发明实施例中,所述在所述下一交付周期交付各类型的节点包括:
在所述下一交付周期内的设定时间交付各类型的节点。
具体的,为了保证节点交付的准确性,在本发明实施例中,还可以设定每个交付周期用于交付各类型节点的时间,如将每个交付周期第4天的00:00作为交付时间等。
另外,为了便于对当前交付周期内各类型的节点在每个子周期的第一资源调度增加量获取,所述获取当前交付周期内各类型的节点在每个子周期的第一资源调度增加量包括:
通过用户接口(User Interface,UI)和/或应用程序编程接口(ApplicationProgramming Interface,API)获取当前交付周期内各类型的节点的任务调度记录,根据所述任务调度记录,确定当前交付周期内所述各类型的节点在每个子周期的第一资源调度增加量。
示例性的,以应用有节点交付方法的电子设备为多台物理服务器组成的数据中心进行说明,如图5所示,所述数据中心用于实现节点交付的相关组件包括:A-1:司职数据中心统一调度任务的上层云计算管理平台;A-2:云计算管理平台提供的获取一定时间内所有资源调度任务数据的接口,如OpenStack Panko;A-3:其它系统或平台以各种形式记录存储的资源任务调度记录;B1:应用程序编程接口API;B-2:用户接口UI;S-4:Ironic,管理物理服务器的生命周期的开源组件,用于提供了一系列管理物理服务器的API接口,解决物理服务器的添加、删除、电源管理、操作系统部署等问题,通过PXE和IPMI实现baremetal驱动进行控制管理;C-1:OpenStack compute node join程序,用于将部署完毕初始化成功的节点加入OpenStack集群,实现虚机型节点的交付;C-2:Kubernetes node init程序,将部署完毕初始化成功的节点加入Kubernetes集群,用以实现容器型节点的交付;D:未开机、未安装系统的物理服务器(节点)。
此外,数据中心还包括:S-1:数据获取组件(Capturer)用于通过上层平台、外部组件提供的接口,如云计算管理平台提供的获取一定时间内所有资源调度任务数据的接口,或调用本地的UI和/或API,获取当前交付周期内的各类型节点每个子周期的资源调度增加量,并进行数据格式规整,提交给智能规划组件(Designer);S-2:Designer,接受数据获取组件获取的当前交付周期内的各类型节点每个子周期的资源调度增加量作为Designer中交付模型的输入,并将交付模型输出的各类型的节点在当前交付周期的下一交付周期对应交付的第一数量,以单次任务为数据结构传递至任务处理组件(Conductor);S-3:Conductor;在任务队列里存储所述单次任务,并在当前周期的下一周期的设定时间,调用Ironic服务API及对应各类型的节点的初始化程序,使得各类型的节点加入各类型的节点对应的节点集群,完成节点的交付。
实施例4:
图6为本发明实施例提供的一种节点交付装置结构示意图,所述装置包括:
获取模块61,用于获取当前交付周期内各类型的节点在每个子周期的第一资源调度增加量;
交付模块62,用于根据所述各类型的节点在每个子周期的第一资源调度增加量及预先训练完成的交付模型,确定各类型的节点在当前交付周期的下一交付周期对应交付的第一数量;并根据所述各类型的节点对应交付的第一数量,在所述下一交付周期交付各类型的节点。
所述装置还包括:
训练模块63,用于针对训练集中各类型的节点,在每个交付周期内,确定在该交付周期内各类型的节点在每个子周期的第二资源调度增加量,并确定所述各类型的节点在该交付周期的下一交付周期对应交付的第二数量;针对每个交付周期,将该交付周期内各类型的节点在每个子周期的第二资源调度增加量,及该交付周期的下一交付周期对应交付的第二数量输入到交付模型中,对交付模型进行训练。
较佳的,所述交付模型为基于长短期记忆网络LSTM的循环神经网络RNN模型。
较佳的,所述资源调度增加量包括以下至少一种:
CPU资源调度增加量和内存资源调度增加量。
所述交付模块62,具体用于在所述下一交付周期内的设定时间交付各类型的节点。
所述获取模块61,具体用于通过用户接口UI和/或应用程序编程接口API获取当前交付周期内各类型的节点的任务调度记录,根据所述任务调度记录,确定当前交付周期内所述各类型的节点在每个子周期的第一资源调度增加量。
实施例5:
基于同一发明构思,本发明实施例中还提供了一种电子设备,由于上述电子设备解决问题的原理与节点交付方法相似,因此上述电子设备的实施可以参见方法的实施,重复之处不再赘述。
如图7所示,其为本发明实施例提供的电子设备的结构示意图,其中在图7中,总线架构可以包括任意数量的互联的总线和桥,具体有处理器71代表的一个或多个处理器71和存储器72代表的存储器72的各种电路链接在一起。总线架构还可以将诸如外围设备、稳压器和功率管理电路等之类的各种其他电路链接在一起,这些都是本领域所公知的,因此,本文不再对其进行进一步描述。总线接口提供接口。处理器71负责管理总线架构和通常的处理,存储器72可以存储处理器71在执行操作时所使用的数据。
在本发明实施例提供的电子设备中:
所述处理器71,用于读取存储器72中的程序,执行下列过程:获取当前交付周期内各类型的节点在每个子周期的第一资源调度增加量;根据所述各类型的节点在每个子周期的第一资源调度增加量及预先训练完成的交付模型,确定各类型的节点在当前交付周期的下一交付周期对应交付的第一数量;并根据所述各类型的节点对应交付的第一数量,在所述下一交付周期交付各类型的节点。
优选地,所述处理器71,还用于针对训练集中各类型的节点,在每个交付周期内,确定在该交付周期内各类型的节点在每个子周期的第二资源调度增加量,并确定所述各类型的节点在该交付周期的下一交付周期对应交付的第二数量;针对每个交付周期,将该交付周期内各类型的节点在每个子周期的第二资源调度增加量,及该交付周期的下一交付周期对应交付的第二数量输入到交付模型中,对交付模型进行训练。
优选地,所述交付模型为基于长短期记忆网络LSTM的循环神经网络RNN模型。
优选地,所述资源调度增加量包括以下至少一种:
CPU资源调度增加量和内存资源调度增加量。
优选地,所述处理器71,具体用于在所述下一交付周期内的设定时间交付各类型的节点。
优选地,所述处理器71,具体用于通过用户接口UI和/或应用程序编程接口API获取当前交付周期内各类型的节点的任务调度记录,根据所述任务调度记录,确定当前交付周期内所述各类型的节点在每个子周期的第一资源调度增加量。
实施例6:
在上述各实施例的基础上,本发明实施例还提供了一种电子设备,如图8所示,包括:处理器81、通信接口82、存储器83和通信总线84,其中,处理器81,通信接口82,存储器83通过通信总线84完成相互间的通信;
所述存储器83中存储有计算机程序,当所述程序被所述处理器81执行时,使得所述处理器81执行以下步骤:
获取当前交付周期内各类型的节点在每个子周期的第一资源调度增加量;
根据所述各类型的节点在每个子周期的第一资源调度增加量及预先训练完成的交付模型,确定各类型的节点在当前交付周期的下一交付周期对应交付的第一数量;并根据所述各类型的节点对应交付的第一数量,在所述下一交付周期交付各类型的节点。
实施例7:
在上述各实施例的基础上,本发明实施例还提供了一种计算机存储可读存储介质,所述计算机可读存储介质内存储有可由电子设备执行的计算机程序,当所述程序在所述电子设备上运行时,使得所述电子设备执行时实现如下步骤:
获取当前交付周期内各类型的节点在每个子周期的第一资源调度增加量;
根据所述各类型的节点在每个子周期的第一资源调度增加量及预先训练完成的交付模型,确定各类型的节点在当前交付周期的下一交付周期对应交付的第一数量;并根据所述各类型的节点对应交付的第一数量,在所述下一交付周期交付各类型的节点。
本发明公开了一种节点交付方法、装置、电子设备及存储介质,所述方法包括:获取当前交付周期内各类型的节点在每个子周期的第一资源调度增加量;根据所述各类型的节点在每个子周期的第一资源调度增加量及预先训练完成的交付模型,确定各类型的节点在当前交付周期的下一交付周期对应交付的第一数量;并根据所述各类型的节点对应交付的第一数量,在所述下一交付周期交付各类型的节点。由于在本发明实施例中,是按照设定的交付周期,根据当前交付周期内各类型的节点在每个子周期的第一资源调度增加量及预先训练完成的交付模型,确定各类型的节点在当前交付周期的下一交付周期对应交付的第一数量,并根据确定的各类型的节点对应交付的第一数量,在当前交付周期的下一交付周期交付各类型的节点,实现了按照交付周期,根据数据中心新增的对各类型的节点的资源需求量,分批次确定需要交付的各类型的节点的数量,并进行交付,保证了数据中心对不同类型的节点的资源需求,进而保证了数据中心各业务的稳定运行,同时也避免了对节点的资源的浪费,提高了节点的资源利用率。
对于系统/装置实施例而言,由于其基本相似于方法实施例,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。
尽管已描述了本申请的优选实施例,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范围的所有变更和修改。
显然,本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围。这样,倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内,则本发明也意图包含这些改动和变型在内。
Claims (15)
1.一种节点交付方法,其特征在于,所述方法包括:
获取当前交付周期内各类型的节点在每个子周期的第一资源调度增加量,所述子周期对应的时长不大于交付周期对应的时长;
根据所述各类型的节点在每个子周期的第一资源调度增加量及预先训练完成的交付模型,确定各类型的节点在当前交付周期的下一交付周期对应交付的第一数量;并根据所述各类型的节点对应交付的第一数量,在所述下一交付周期交付各类型的节点;
其中,所述方法还包括:根据当前交付周期结束后的下一交付周期各类型的节点的资源实际调度增加量,计算生成对应当前交付周期的下一交付周期各类型的节点对应交付的理想数量,并将当前交付周期各类型的节点在每个子周期的第一资源调度增加量,及对应下一交付周期各类型的节点对应交付的理想数量作为样本对所述交付模型进行训练。
2.如权利要求1所述的方法,其特征在于,对所述交付模型训练的过程包括:
针对训练集中各类型的节点,在每个交付周期内,确定在该交付周期内各类型的节点在每个子周期的第二资源调度增加量,并确定所述各类型的节点在该交付周期的下一交付周期对应交付的第二数量;
针对每个交付周期,将该交付周期内各类型的节点在每个子周期的第二资源调度增加量,及该交付周期的下一交付周期对应交付的第二数量输入到交付模型中,对交付模型进行训练。
3.如权利要求1或2所述的方法,其特征在于,所述交付模型为基于长短期记忆网络LSTM的循环神经网络RNN模型。
4.如权利要求1或2所述的方法,其特征在于,所述资源调度增加量包括以下至少一种:
CPU资源调度增加量和内存资源调度增加量。
5.如权利要求1所述的方法,其特征在于,所述在所述下一交付周期交付各类型的节点包括:
在所述下一交付周期内的设定时间交付各类型的节点。
6.如权利要求1所述的方法,其特征在于,所述获取当前交付周期内各类型的节点在每个子周期的第一资源调度增加量包括:
通过用户接口UI和/或应用程序编程接口API获取当前交付周期内各类型的节点的任务调度记录,根据所述任务调度记录,确定当前交付周期内所述各类型的节点在每个子周期的第一资源调度增加量。
7.一种节点交付装置,其特征在于,所述装置包括:
获取模块,用于获取当前交付周期内各类型的节点在每个子周期的第一资源调度增加量,所述子周期对应的时长不大于交付周期对应的时长;
交付模块,用于根据所述各类型的节点在每个子周期的第一资源调度增加量及预先训练完成的交付模型,确定各类型的节点在当前交付周期的下一交付周期对应交付的第一数量;并根据所述各类型的节点对应交付的第一数量,在所述下一交付周期交付各类型的节点;
其中,所述装置还包括训练模块,用于根据当前交付周期结束后的下一交付周期各类型的节点的资源实际调度增加量,计算生成对应当前交付周期的下一交付周期各类型的节点对应交付的理想数量,并将当前交付周期各类型的节点在每个子周期的第一资源调度增加量,及对应下一交付周期各类型的节点对应交付的理想数量作为样本对所述交付模型进行训练。
8.一种电子设备,其特征在于,包括:存储器和处理器;
所述处理器,用于读取存储器中的程序,执行下列过程:获取当前交付周期内各类型的节点在每个子周期的第一资源调度增加量,所述子周期对应的时长不大于交付周期对应的时长;根据所述各类型的节点在每个子周期的第一资源调度增加量及预先训练完成的交付模型,确定各类型的节点在当前交付周期的下一交付周期对应交付的第一数量;并根据所述各类型的节点对应交付的第一数量,在所述下一交付周期交付各类型的节点;
所述处理器还用于:根据当前交付周期结束后的下一交付周期各类型的节点的资源实际调度增加量,计算生成对应当前交付周期的下一交付周期各类型的节点对应交付的理想数量,并将当前交付周期各类型的节点在每个子周期的第一资源调度增加量,及对应下一交付周期各类型的节点对应交付的理想数量作为样本对所述交付模型进行训练。
9.如权利要求8所述的电子设备,其特征在于,所述处理器,还用于针对训练集中各类型的节点,在每个交付周期内,确定在该交付周期内各类型的节点在每个子周期的第二资源调度增加量,并确定所述各类型的节点在该交付周期的下一交付周期对应交付的第二数量;针对每个交付周期,将该交付周期内各类型的节点在每个子周期的第二资源调度增加量,及该交付周期的下一交付周期对应交付的第二数量输入到交付模型中,对交付模型进行训练。
10.如权利要求8或9所述的电子设备,其特征在于,所述交付模型为基于长短期记忆网络LSTM的循环神经网络RNN模型。
11.如权利要求8或9所述的电子设备,其特征在于,所述资源调度增加量包括以下至少一种:
CPU资源调度增加量和内存资源调度增加量。
12.如权利要求8所述的电子设备,其特征在于,所述处理器,具体用于在所述下一交付周期内的设定时间交付各类型的节点。
13.如权利要求8所述的电子设备,其特征在于,所述处理器,具体用于通过用户接口UI和/或应用程序编程接口API获取当前交付周期内各类型的节点的任务调度记录,根据所述任务调度记录,确定当前交付周期内所述各类型的节点在每个子周期的第一资源调度增加量。
14.一种电子设备,其特征在于,包括:处理器、通信接口、存储器和通信总线,其中,处理器,通信接口,存储器通过通信总线完成相互间的通信;
所述存储器中存储有计算机程序,当所述程序被所述处理器执行时,使得所述处理器执行权利要求1-6任一项所述方法的步骤。
15.一种计算机可读存储介质,其特征在于,其存储有可由电子设备执行的计算机程序,当所述程序在所述电子设备上运行时,使得所述电子设备执行权利要求1-6任一项所述方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810631323.9A CN110620797B (zh) | 2018-06-19 | 2018-06-19 | 一种节点交付方法、装置、电子设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810631323.9A CN110620797B (zh) | 2018-06-19 | 2018-06-19 | 一种节点交付方法、装置、电子设备及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110620797A CN110620797A (zh) | 2019-12-27 |
CN110620797B true CN110620797B (zh) | 2022-12-27 |
Family
ID=68920093
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810631323.9A Active CN110620797B (zh) | 2018-06-19 | 2018-06-19 | 一种节点交付方法、装置、电子设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110620797B (zh) |
Family Cites Families (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US9734448B2 (en) * | 2013-11-27 | 2017-08-15 | Shawn Patrick Bolich | Software application for managing a collection of robot repairing resources for a technician |
CN105656973B (zh) * | 2014-11-25 | 2018-11-13 | 中国科学院声学研究所 | 一种分布式节点组内任务调度方法及系统 |
CN107734035B (zh) * | 2017-10-17 | 2020-04-28 | 华南理工大学 | 一种云计算环境下的虚拟集群自动伸缩方法 |
CN107888669B (zh) * | 2017-10-31 | 2020-06-09 | 武汉理工大学 | 一种基于深度学习神经网络的大规模资源调度系统及方法 |
-
2018
- 2018-06-19 CN CN201810631323.9A patent/CN110620797B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN110620797A (zh) | 2019-12-27 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Al-Dhuraibi et al. | Elasticity in cloud computing: state of the art and research challenges | |
Van den Bossche et al. | Online cost-efficient scheduling of deadline-constrained workloads on hybrid clouds | |
CN106326002B (zh) | 资源调度方法、装置及设备 | |
Schulte et al. | Cost-driven optimization of cloud resource allocation for elastic processes | |
CN109254836B (zh) | 面向云计算系统优先依赖任务的期限约束成本优化调度方法 | |
Lee et al. | On the user–scheduler dialogue: studies of user-provided runtime estimates and utility functions | |
Tan et al. | Tempo: robust and self-tuning resource management in multi-tenant parallel databases | |
Imai et al. | Accurate resource prediction for hybrid IaaS clouds using workload-tailored elastic compute units | |
CN105991737A (zh) | 分布式任务调度方法及系统 | |
CN108509220B (zh) | Revit工程计算量并行处理方法、装置、终端及介质 | |
Netto et al. | Coordinated rescheduling of Bag‐of‐Tasks for executions on multiple resource providers | |
CN113515382A (zh) | 云资源的分配方法、装置、电子设备及程序产品 | |
Ye et al. | SHWS: Stochastic hybrid workflows dynamic scheduling in cloud container services | |
US11216312B2 (en) | Management of unit-based virtual accelerator resources | |
CN110620797B (zh) | 一种节点交付方法、装置、电子设备及存储介质 | |
CN115373826B (zh) | 一种基于云计算的任务调度方法及装置 | |
CN109936465A (zh) | 一种云平台资源利用率评估方法及装置 | |
CN110381150A (zh) | 区块链上的数据处理方法、装置、电子设备及存储介质 | |
Cui et al. | A scheduling algorithm for multi-tenants instance-intensive workflows | |
CN109684051A (zh) | 一种混合式大数据任务异步提交的方法和系统 | |
Rizvandi et al. | Preliminary results on modeling CPU utilization of mapreduce programs | |
Cao et al. | Novel client-cloud architecture for scalable instance-intensive workflow systems | |
Lim et al. | Techniques for handling error in user-estimated execution times during resource management on systems processing MapReduce jobs | |
CN112988383A (zh) | 一种资源分配方法、装置、设备以及存储介质 | |
Al-Dhuraibi | Flexible framework for elasticity in cloud computing |
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 |