CN111124829A - 一种kubernetes计算节点状态监测方法 - Google Patents

一种kubernetes计算节点状态监测方法 Download PDF

Info

Publication number
CN111124829A
CN111124829A CN201911332541.3A CN201911332541A CN111124829A CN 111124829 A CN111124829 A CN 111124829A CN 201911332541 A CN201911332541 A CN 201911332541A CN 111124829 A CN111124829 A CN 111124829A
Authority
CN
China
Prior art keywords
cpu load
state
node
kubernets
local
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.)
Withdrawn
Application number
CN201911332541.3A
Other languages
English (en)
Inventor
张德波
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Beijing Inspur Data Technology Co Ltd
Original Assignee
Beijing Inspur Data Technology Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Beijing Inspur Data Technology Co Ltd filed Critical Beijing Inspur Data Technology Co Ltd
Priority to CN201911332541.3A priority Critical patent/CN111124829A/zh
Publication of CN111124829A publication Critical patent/CN111124829A/zh
Withdrawn legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F11/00—Error detection; Error correction; Monitoring
    • G06F11/30—Monitoring
    • G06F11/3003—Monitoring arrangements specially adapted to the computing system or computing system component being monitored
    • G06F11/3024—Monitoring arrangements specially adapted to the computing system or computing system component being monitored where the computing system component is a central processing unit [CPU]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F11/00—Error detection; Error correction; Monitoring
    • G06F11/30—Monitoring
    • G06F11/3003—Monitoring arrangements specially adapted to the computing system or computing system component being monitored
    • G06F11/3006—Monitoring arrangements specially adapted to the computing system or computing system component being monitored where the computing system is distributed, e.g. networked systems, clusters, multiprocessor systems
    • 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
    • G06F9/505—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 considering the load
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Software Systems (AREA)
  • Mathematical Physics (AREA)
  • Quality & Reliability (AREA)
  • Debugging And Monitoring (AREA)

Abstract

本申请公开了一种kubernetes计算节点状态监测方法、装置、kubernetes计算节点及可读存储介质，包括：利用kubelet服务根据本地的逻辑CPU的数量，确定CPU负载阈值；获取本地在预设时间阈值内的CPU负载均值；根据CPU负载阈值和CPU负载均值，确定本地的CPU负载状态；根据CPU负载状态更新本地的节点状态，并将节点状态发送至控制节点，以实现监测。可见，本申请能够监测kubernetes计算节点的CPU负载状态，根据CPU负载状态更新节点状态，进而反馈至控制节点，避免了控制节点将计算任务调度值CPU负载状态较差的计算节点，保证了计算任务执行连续性，提升了集群服务的可靠性。

Description

一种kubernetes计算节点状态监测方法
技术领域
本申请涉及计算机技术领域，特别涉及一种kubernetes计算节点状态监测方法、装置、kubernetes计算节点及可读存储介质。
背景技术
目前，kubernetes计算节点在实际运行过程中，可能由于服务器性能问题，或者软件消耗资源过于严重等原因，出现服务器CPU负载值超高的情况，但kubernetes计算节点不会向控制节点反馈自身CPU负载异常的信息，导致控制节点认为该kubernetes计算节点正常，进而将计算任务继续调度到该kubernetes计算节点。随着时间的推移，将有更多的pod被调度到该kubernetes计算节点，该kubernetes计算节点上的pod由于CPU负载超高，有一部分也不再正常工作，最终该kubernetes计算节点将进入假死状态，即控制节点认为该节点正常，但实际上已不能正常工作，降低集群服务可靠性。
可见，如何避免kubernetes计算节点不向控制节点反馈自身CPU负载状态，导致影响计算任务的执行，降低服务可靠性的缺点，是亟待本领域技术人员解决的问题。
发明内容
本申请的目的是提供一种kubernetes计算节点状态监测方法、装置、kubernetes计算节点及可读存储介质，用以解决传统的kubernetes计算节点不向控制节点反馈自身CPU负载状态，影响计算任务的执行，降低服务可靠性的问题。其具体方案如下：
第一方面，本申请提供了一种kubernetes计算节点状态监测方法，应用于kubernetes计算节点，包括：
利用kubelet服务根据本地的逻辑CPU的数量，确定CPU负载阈值；
获取本地在预设时间阈值内的CPU负载均值；
根据所述CPU负载阈值和所述CPU负载均值，确定本地的CPU负载状态；
根据所述CPU负载状态更新本地的节点状态，并将所述节点状态发送至kubernetes控制节点，以实现监测。
优选的，所述利用kubelet服务根据本地的逻辑CPU的数量，确定CPU负载阈值，包括：
利用kubelet服务根据本地的CPU数量、CPU的物理核心数量、超线程的开闭状态，确定本地的逻辑CPU的数量；并根据所述逻辑CPU数量，确定CPU负载阈值。
优选的，所述获取本地在预设时间阈值内的CPU负载均值，包括：
获取本地在最近的预设时间阈值内的CPU负载均值。
优选的，所述获取本地在预设时间阈值内的CPU负载均值，包括：
分别获取本地在多个时长不等的预设时间阈值内的CPU负载均值。
优选的，所述根据所述CPU负载阈值和所述CPU负载均值，确定本地的CPU负载状态，包括：
若所述多个时长不等的预设时间阈值内的CPU负载均值均大于所述CPU负载阈值，则确定本地的CPU负载状态为不正常。
优选的，在所述将所述节点状态发送至kubernetes控制节点之后，还包括：
所述kubernetes控制节点根据当前集群中各个kubernetes计算节点的节点状态，调度计算任务至相应的kubernetes计算节点。
优选的，所述根据所述CPU负载状态更新本地的节点状态，包括：
确定本地的相关状态，其中所述相关状态包括以下任意一项或多项：CPU使用率、关键服务状态、内存占用率、磁盘使用率；
根据所述CPU负载状态和所述相关状态，更新本地的节点状态。
第二方面，本申请提供了一种kubernetes计算节点状态监测装置，应用于kubernetes计算节点，包括：
阈值确定模块：用于利用kubelet服务根据本地的逻辑CPU的数量，确定CPU负载阈值；
均值获取模块：用于获取本地在预设时间阈值内的CPU负载均值；
负载状态确定模块：用于根据所述CPU负载阈值和所述CPU负载均值，确定本地的CPU负载状态；
节点状态更新模块：用于根据所述CPU负载状态更新本地的节点状态，并将所述节点状态发送至kubernetes控制节点，以实现监测。
第三方面，本申请提供了一种kubernetes计算节点，包括：
存储器：用于存储计算机程序；
处理器：用于执行所述计算机程序，以实现如上所述的kubernetes计算节点状态监测方法的步骤。
第四方面，本申请提供了一种可读存储介质，所述可读存储介质上存储有计算机程序，所述计算机程序被处理器执行时用于实现如上所述的kubernetes计算节点状态监测方法的步骤。
本申请所提供的一种kubernetes计算节点状态监测方法，应用于kubernetes计算节点，包括：利用kubelet服务根据本地的逻辑CPU的数量，确定CPU负载阈值；获取本地在预设时间阈值内的CPU负载均值；根据CPU负载阈值和CPU负载均值，确定本地的CPU负载状态；根据CPU负载状态更新本地的节点状态，并将节点状态发送至kubernetes控制节点，以实现监测。可见，该方法能够利用kubelet服务监测kubernetes计算节点的CPU负载状态，根据CPU负载状态更新节点状态，进而反馈至控制节点，避免了控制节点将计算任务调度值CPU负载状态较差的kubernetes计算节点，保证了计算任务执行的连续性，提升了集群服务的可靠性。
此外，本申请还提供了一种kubernetes计算节点状态监测装置、kubernetes计算节点及可读存储介质，其技术效果与上述方法的技术效果相对应，这里不再赘述。
附图说明
为了更清楚的说明本申请实施例或现有技术的技术方案，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的介绍，显而易见地，下面描述中的附图仅仅是本申请的一些实施例，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为本申请所提供的一种kubernetes计算节点状态监测方法实施例一的实现流程图；
图2为本申请所提供的一种kubernetes计算节点状态监测方法实施例二的实现流程图；
图3为本申请所提供的一种kubernetes计算节点状态监测装置实施例的功能框图；
图4为本申请所提供的一种kubernetes计算节点实施例的结构示意图。
具体实施方式
为了使本技术领域的人员更好地理解本申请方案，下面结合附图和具体实施方式对本申请作进一步的详细说明。显然，所描述的实施例仅仅是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，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，都属于本申请保护的范围。
目前，kubernetes集群控制节点在调度和驱散pod时，以kubernetes计算节点的状态作为调度依据之一。kubernetes计算节点定时向控制节点发送自身状态信息，控制节点根据上报来的状态信息更新kubernetes计算节点的状态到数据库，如果长时间收不到某kubernetes计算节点上报的状态信息，则将该kubernetes计算节点标记为NotReady。控制节点在调度时，只选择状态为Ready状态的kubernetes计算节点；而状态为NotReady的计算节点上的pod，会被调度器驱散到其他Ready状态的kubernetes计算节点。
但是，kubernetes自身的kubelet服务并未将CPU负载状态作为判断节点状态的依据，在CPU负载状态异常时，仍然定时向控制节点发送Ready的节点状态信息。导致控制节点将计算任务调度到CPU负载状态异常的kubernetes计算节点上，导致计算任务不能正常执行，降低集群服务的可靠性。
针对上述问题，本申请的核心是提供一种kubernetes计算节点状态监测方法、装置、kubernetes计算节点及可读存储介质，避免了控制节点将计算任务调度值CPU负载状态较差的kubernetes计算节点，保证了计算任务执行的连续性，提升了集群服务的可靠性。
下面对本申请提供的一种kubernetes计算节点状态监测方法实施例一进行介绍，参见图1，实施例一应用于kubernetes计算节点，包括：
S101、利用kubelet服务根据本地的逻辑CPU的数量，确定CPU负载阈值；
上述本地是指当前kubernetes计算节点，即kubelet服务所在的kubernetes计算节点。
S102、获取本地在预设时间阈值内的CPU负载均值；
S103、根据所述CPU负载阈值和所述CPU负载均值，确定本地的CPU负载状态；
S104、根据所述CPU负载状态更新本地的节点状态，并将所述节点状态发送至kubernetes控制节点，以实现监测。
按照kubernetes本身机制，kubernetes计算节点kubelet服务每隔一段时间检查一次当前节点的资源情况，并判断出当前节点状态为Ready或NotReady，将其上报给控制节点。本实施例中，kubelet服务在判断当前节点状态时，将CPU负载作为其中一项判断指标。
kubernetes计算节点中，正常的CPU负载阈值由CPU数量、各个CPU的物理核心数量、超线程开闭状态决定，例如一台服务器有2个CPU，每个CPU有4个物理核心，且开启超线程，那么，其最终的逻辑CPU数量为16。也就是说，当CPU负载不超过16即属于健康范围，即使偶尔短时超过该值也没有问题，但如果长时间超过16，那么可能会影响某些服务的正常工作了。
因此，上述获取本地在预设时间阈值内的CPU负载均值，包括以下步骤：利用kubelet服务根据本地的CPU数量、CPU的物理核心数量、超线程的开闭状态，确定本地的逻辑CPU的数量；并根据所述逻辑CPU数量，确定CPU负载阈值。
在获取kubernetes计算节点的CPU负载值的时候，每次读取到的都是瞬时值，本实施例通过在预设时间阈值内多次读取CPU负载值，来计算当前的kubernetes计算节点在预设时间阈值内的CPU负载均值。可以理解的是，本实施例主要计算本地在最近的预设时间阈值内的CPU负载均值，以提升实时性。
作为一种优选的实施方式，本实施例分别获取本地在多个时长不等的预设时间阈值内的CPU负载均值，并根据这些在时长不等的预设时间阈值内的CPU负载均值，来确定本地的CPU负载状态。通过这种方式，可以看出kubernetes计算节点的CPU负载在一段时间内的波动性，能够得出更可靠的更具备参考价值的CPU负载状态。本实施例不限定上述多个时长不等的预设时间阈值的数量，以及各个预设时间阈值的具体时长，具体可以根据实际需求来自行设定。
可以理解的是，在确定kubernetes计算节点的节点状态的时候，除了参考CPU负载状态，还可以参考以下任意一项或多项信息：CPU使用率、关键服务状态、内存占用率、磁盘使用率。
本实施例所提供的一种kubernetes计算节点状态监测方法，应用于kubernetes计算节点，包括：利用kubelet服务根据本地的逻辑CPU的数量，确定CPU负载阈值；获取本地在预设时间阈值内的CPU负载均值；根据CPU负载阈值和CPU负载均值，确定本地的CPU负载状态；根据CPU负载状态更新本地的节点状态，并将节点状态发送至kubernetes控制节点，以实现监测。可见，该方法能够利用kubelet服务监测kubernetes计算节点的CPU负载状态，根据CPU负载状态更新节点状态，进而反馈至控制节点，避免了控制节点将计算任务调度值CPU负载状态较差的kubernetes计算节点，保证了计算任务执行的连续性，提升了集群服务的可靠性。
下面开始详细介绍本申请提供的一种kubernetes计算节点状态监测方法实施例二，实施例二基于前述实施例一实现，并在实施例一的基础上进行了一定程度上的拓展。
具体的，本实施例中，利用kubelet服务主要获取本地在最近的1分钟、5分钟、15分钟内的CPU负载均值。参见图2，实施例二具体应用于kubernetes计算节点，包括：
S201、利用kubelet服务根据本地的CPU数量、CPU的物理核心数量、超线程的开闭状态，确定本地的逻辑CPU的数量；并根据所述逻辑CPU数量，确定CPU负载阈值H；
S202、获取本地在最近的1分钟、5分钟、15分钟内的CPU负载均值，分别记为L1、L5、L15；
S203、判断L1、L5、L15是否均大于CPU负载阈值H；若是，则跳转至S204；否则跳转至S205；
S204、确定本地的CPU负载状态为异常；
S205、确定本地的CPU负载状态为正常；
S206、根据所述CPU负载状态更新本地的节点状态，并将所述节点状态发送至kubernetes控制节点；
S207、kubernetes控制节点根据当前集群中各个kubernetes计算节点的节点状态，调度计算任务至相应的kubernetes计算节点。
本实施例主要包括合理的CPU负载阈值计算过程、当前的CPU负载阈值获取过程、CPU负载状态确定过程、节点状态更新过程，下面分别对这四个过程进行说明：
合理的CPU负载阈值计算过程：计算本kubernetes计算节点最佳的CPU负载阈值，通过确定本服务器的逻辑CPU数量得出。
当前的CPU负载阈值获取过程：查询最近一段时间CPU负载均值，包括1分钟平均负载、5分钟平均负载、15分钟平均负载。
CPU负载状态确定过程：根据前面获得的CPU负载阈值、1分钟平均负载、5分钟平均负载、15分钟平均负载，确定本地的CPU负载状态。本实施例将CPU负载阈值、1分钟平均负载、5分钟平均负载、15分钟平均负载分别定义为H、L1、L5、L15，那么可能出现的情况有：
(1)L1、L5、L15均小于H，CPU空闲，负载低；
(2)只有L1大于H，短时负载高，有可能是抖动，也可能是拥塞前兆；
(3)只有L5大于H，不久前出现抖动，且抖动已结束；
(4)只有L15大于H，不久前出现抖动，且抖动已结束；
(5)只有L1、L5大于H，较大概率是拥塞前兆；
(6)只有L1、L15大于H，负载近期波动较大；
(7)只有L5、L15大于H，曾出现拥塞，但已经好转；
(8)L1、L5、L15均大于H，正在拥塞中。
以上各种情况中，只有第8种情况，是确定无疑CPU负载持续超高的情况，而其他情况都有待观察。作为一种具体的实施方式，本实施例中，只有L1、L5、L15均大于H时，才认为本地的CPU负载状态为异常。
节点状态更新过程：在CPU负载状态为异常，且当前节点状态为正常时，将当前节点状态更新为异常，如设置为NotReady；在CPU负载状态为异常，且当前节点状态为异常时，不更新当前节点状态，设置为NotReady；在CPU负载状态为正常，且当前节点状态为正常时，不更新当前节点状态，设置为Ready；在CPU负载状态为正常，且当前节点状态为异常时，不更新当前节点状态，设置为NotReady。
本实施例所提供的一种kubernetes计算节点状态监测方法，应用于kubernetes计算节点，主要对计算节点kubelet服务进行改进，增加CPU过载保护机制。Kubelet服务监测本节点的CPU负载情况，如果CPU负载较长时间高于本节点的逻辑CPU数量，则将本节点标记为异常状态，并向控制节点发送异常状态信息。
下面对本申请实施例提供的一种kubernetes计算节点状态监测装置进行介绍，下文描述的一种kubernetes计算节点状态监测装置与上文描述的一种kubernetes计算节点状态监测方法可相互对应参照。
如图3所示，该装置应用于kubernetes计算节点，包括：
阈值确定模块301：用于利用kubelet服务根据本地的逻辑CPU的数量，确定CPU负载阈值；
均值获取模块302：用于获取本地在预设时间阈值内的CPU负载均值；
负载状态确定模块303：用于根据所述CPU负载阈值和所述CPU负载均值，确定本地的CPU负载状态；
节点状态更新模块304：用于根据所述CPU负载状态更新本地的节点状态，并将所述节点状态发送至kubernetes控制节点，以实现监测。
本实施例的kubernetes计算节点状态监测装置用于实现前述的kubernetes计算节点状态监测方法，因此该装置中的具体实施方式可见前文中的kubernetes计算节点状态监测方法的实施例部分，例如，阈值确定模块301、均值获取模块302、负载状态确定模块303、节点状态更新模块304，分别用于实现上述kubernetes计算节点状态监测方法中步骤S101，S102，S103，S104。所以，其具体实施方式可以参照相应的各个部分实施例的描述，在此不再展开介绍。
另外，由于本实施例的kubernetes计算节点状态监测装置用于实现前述的kubernetes计算节点状态监测方法，因此其作用与上述方法的作用相对应，这里不再赘述。
此外，本申请还提供了一种kubernetes计算节点，如图4所示，包括：
存储器100：用于存储计算机程序；
处理器200：用于执行所述计算机程序，以实现如上文所述的kubernetes计算节点状态监测方法的步骤。
最后，本申请提供了一种可读存储介质，所述可读存储介质上存储有计算机程序，所述计算机程序被处理器执行时用于实现如上文所述的kubernetes计算节点状态监测方法的步骤。
本说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其它实施例的不同之处，各个实施例之间相同或相似部分互相参见即可。对于实施例公开的装置而言，由于其与实施例公开的方法相对应，所以描述的比较简单，相关之处参见方法部分说明即可。
结合本文中所公开的实施例描述的方法或算法的步骤可以直接用硬件、处理器执行的软件模块，或者二者的结合来实施。软件模块可以置于随机存储器(RAM)、内存、只读存储器(ROM)、电可编程ROM、电可擦除可编程ROM、寄存器、硬盘、可移动磁盘、CD-ROM、或技术领域内所公知的任意其它形式的存储介质中。
以上对本申请所提供的方案进行了详细介绍，本文中应用了具体个例对本申请的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本申请的方法及其核心思想；同时，对于本领域的一般技术人员，依据本申请的思想，在具体实施方式及应用范围上均会有改变之处，综上所述，本说明书内容不应理解为对本申请的限制。

Claims (10)

1.一种kubernetes计算节点状态监测方法，其特征在于，应用于kubernetes计算节点，包括：
利用kubelet服务根据本地的逻辑CPU的数量，确定CPU负载阈值；
获取本地在预设时间阈值内的CPU负载均值；
根据所述CPU负载阈值和所述CPU负载均值，确定本地的CPU负载状态；
根据所述CPU负载状态更新本地的节点状态，并将所述节点状态发送至kubernetes控制节点，以实现监测。
2.如权利要求1所述的方法，其特征在于，所述利用kubelet服务根据本地的逻辑CPU的数量，确定CPU负载阈值，包括：
利用kubelet服务根据本地的CPU数量、CPU的物理核心数量、超线程的开闭状态，确定本地的逻辑CPU的数量；并根据所述逻辑CPU数量，确定CPU负载阈值。
3.如权利要求1所述的方法，其特征在于，所述获取本地在预设时间阈值内的CPU负载均值，包括：
获取本地在最近的预设时间阈值内的CPU负载均值。
4.如权利要求3所述的方法，其特征在于，所述获取本地在预设时间阈值内的CPU负载均值，包括：
分别获取本地在多个时长不等的预设时间阈值内的CPU负载均值。
5.如权利要求4所述的方法，其特征在于，所述根据所述CPU负载阈值和所述CPU负载均值，确定本地的CPU负载状态，包括：
若所述多个时长不等的预设时间阈值内的CPU负载均值均大于所述CPU负载阈值，则确定本地的CPU负载状态为不正常。
6.如权利要求1所述的方法，其特征在于，在所述将所述节点状态发送至kubernetes控制节点之后，还包括：
所述kubernetes控制节点根据当前集群中各个kubernetes计算节点的节点状态，调度计算任务至相应的kubernetes计算节点。
7.如权利要求1-6任意一项所述的方法，其特征在于，所述根据所述CPU负载状态更新本地的节点状态，包括：
确定本地的相关状态，其中所述相关状态包括以下任意一项或多项：CPU使用率、关键服务状态、内存占用率、磁盘使用率；
根据所述CPU负载状态和所述相关状态，更新本地的节点状态。
8.一种kubernetes计算节点状态监测装置，其特征在于，应用于kubernetes计算节点，包括：
阈值确定模块：用于利用kubelet服务根据本地的逻辑CPU的数量，确定CPU负载阈值；
均值获取模块：用于获取本地在预设时间阈值内的CPU负载均值；
负载状态确定模块：用于根据所述CPU负载阈值和所述CPU负载均值，确定本地的CPU负载状态；
节点状态更新模块：用于根据所述CPU负载状态更新本地的节点状态，并将所述节点状态发送至kubernetes控制节点，以实现监测。
9.一种kubernetes计算节点，其特征在于，包括：
存储器：用于存储计算机程序；
处理器：用于执行所述计算机程序，以实现如权利要求1-7任意一项所述的kubernetes计算节点状态监测方法的步骤。
10.一种可读存储介质，其特征在于，所述可读存储介质上存储有计算机程序，所述计算机程序被处理器执行时用于实现如权利要求1-7任意一项所述的kubernetes计算节点状态监测方法的步骤。
CN201911332541.3A 2019-12-22 2019-12-22 一种kubernetes计算节点状态监测方法 Withdrawn CN111124829A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201911332541.3A CN111124829A (zh) 2019-12-22 2019-12-22 一种kubernetes计算节点状态监测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201911332541.3A CN111124829A (zh) 2019-12-22 2019-12-22 一种kubernetes计算节点状态监测方法

Publications (1)

Publication Number Publication Date
CN111124829A true CN111124829A (zh) 2020-05-08

Family

ID=70501362

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201911332541.3A Withdrawn CN111124829A (zh) 2019-12-22 2019-12-22 一种kubernetes计算节点状态监测方法

Country Status (1)

Country Link
CN (1) CN111124829A (zh)

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111694646A (zh) * 2020-05-29 2020-09-22 北京百度网讯科技有限公司 资源调度方法、装置、电子设备及计算机可读存储介质
CN112181647A (zh) * 2020-09-22 2021-01-05 广州品唯软件有限公司 一种容器集群中节点状态的更新方法、装置及系统
CN112565415A (zh) * 2020-12-03 2021-03-26 杭州谐云科技有限公司 一种基于云边协同的跨地域资源纳管系统和纳管方法
CN112948214A (zh) * 2021-03-02 2021-06-11 网宿科技股份有限公司 一种软件过载告警方法及装置
CN117311999A (zh) * 2023-12-01 2023-12-29 中航信移动科技有限公司 一种服务集群的资源调度方法、存储介质及电子设备

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103581039A (zh) * 2013-11-08 2014-02-12 西安电子科技大学宁波信息技术研究院 一种服务器集群的动态负载均衡架构及其使用方法
CN105024880A (zh) * 2015-07-17 2015-11-04 哈尔滨工程大学 一种面向关键任务计算机集群的弹性监控方法

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103581039A (zh) * 2013-11-08 2014-02-12 西安电子科技大学宁波信息技术研究院 一种服务器集群的动态负载均衡架构及其使用方法
CN105024880A (zh) * 2015-07-17 2015-11-04 哈尔滨工程大学 一种面向关键任务计算机集群的弹性监控方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
唐瑞: "基于Kubernetes的容器云平台资源调度策略研究", 《中国优秀硕士学位论文全文数据库（电子期刊）》 *

Cited By (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111694646A (zh) * 2020-05-29 2020-09-22 北京百度网讯科技有限公司 资源调度方法、装置、电子设备及计算机可读存储介质
CN111694646B (zh) * 2020-05-29 2023-11-07 北京百度网讯科技有限公司 资源调度方法、装置、电子设备及计算机可读存储介质
CN112181647A (zh) * 2020-09-22 2021-01-05 广州品唯软件有限公司 一种容器集群中节点状态的更新方法、装置及系统
CN112565415A (zh) * 2020-12-03 2021-03-26 杭州谐云科技有限公司 一种基于云边协同的跨地域资源纳管系统和纳管方法
CN112948214A (zh) * 2021-03-02 2021-06-11 网宿科技股份有限公司 一种软件过载告警方法及装置
CN112948214B (zh) * 2021-03-02 2024-02-02 网宿科技股份有限公司 一种软件过载告警方法及装置
CN117311999A (zh) * 2023-12-01 2023-12-29 中航信移动科技有限公司 一种服务集群的资源调度方法、存储介质及电子设备
CN117311999B (zh) * 2023-12-01 2024-01-26 中航信移动科技有限公司 一种服务集群的资源调度方法、存储介质及电子设备

Similar Documents

Publication Publication Date Title
CN111124829A (zh) 一种kubernetes计算节点状态监测方法
US9110745B2 (en) System and method for flow control in a messaging subsystem based on message-in/out rates
US9027025B2 (en) Real-time database exception monitoring tool using instance eviction data
CN112506808B (zh) 测试任务执行方法、计算设备、计算系统和存储介质
CN105472009A (zh) 一种适用于云平台资源自适应监控频率的方法
US11966273B2 (en) Throughput-optimized, quality-of-service aware power capping system
CN112383585A (zh) 消息处理系统、方法及电子设备
CN112817772B (zh) 一种数据通信方法、装置、设备及存储介质
WO2021174382A1 (zh) 一种消息拉取方法、装置以及计算机存储介质
Cho et al. A battery lifetime guarantee scheme for selective applications in smart mobile devices
CN105357026B (zh) 一种资源信息收集方法和计算节点
CN117032974A (zh) 基于资源申请的动态调度方法及终端
CN116455830A (zh) 实现存储网关高可用分布式qos的方法
CN106648898A (zh) 一种适用于多生产者多消费者模式的数据管理方法及系统
CN113032217B (zh) 一种集群监控方法及相关装置
CN115174358A (zh) 存储集群接口的监测处理方法、系统、设备及存储介质
CN107360019A (zh) 一种服务器的线程监控方法及系统
CN113032207A (zh) 应用进程的监控方法、装置、电子设备及存储介质
CN110955518A (zh) 一种分布式存储管理系统的压力负载调整方法
CN113590319B (zh) 一种消息队列的计算资源负载均衡方法及装置
US11698797B2 (en) Application tuning based on performance characteristics
CN116820825A (zh) 数据丢弃方法、装置、电子设备和计算机可读存储介质
CN114064290A (zh) 一种服务资源配置调整方法、装置、电子设备及存储介质
CN115390910A (zh) 参数动态配置管理方法、装置、设备及介质
CN114995952A (zh) 一种基于事件驱动的证券业务系统容器弹性伸缩方法

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
WW01 Invention patent application withdrawn after publication
WW01 Invention patent application withdrawn after publication

Application publication date: 20200508