CN111143050B - 一种容器集群调度的方法和设备 - Google Patents
一种容器集群调度的方法和设备 Download PDFInfo
- Publication number
- CN111143050B CN111143050B CN201811299791.7A CN201811299791A CN111143050B CN 111143050 B CN111143050 B CN 111143050B CN 201811299791 A CN201811299791 A CN 201811299791A CN 111143050 B CN111143050 B CN 111143050B
- Authority
- CN
- China
- Prior art keywords
- vector
- physical machine
- data
- container
- containers
- 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
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
- G06F9/46—Multiprogramming arrangements
- G06F9/50—Allocation of resources, e.g. of the central processing unit [CPU]
- G06F9/5061—Partitioning or combining of resources
- G06F9/5077—Logical partitioning of resources; Management or configuration of virtualized resources
-
- 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
- G06N3/08—Learning methods
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Software Systems (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Biophysics (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Computational Linguistics (AREA)
- Artificial Intelligence (AREA)
- Mathematical Physics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- General Factory Administration (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种容器集群调度的方法和设备,用以解决现有技术中容器集群调度根据物理机资源进行分配过程中,当负载资源由低变高时,资源抢占严重的问题。本发明给出在接收到调度指令后,获取多个物理机在设定时间内的物理机负载数据,及多个容器在设定时间内的容器运行压力数据;根据所述获取的物理机负载数据和所述获取的容器运行压力数据确定第一向量;将所述第一向量输入到拟合训练模型中,其中所述拟合训练模型为GRU神经网络模型根据历史数据确定的输出结果;根据设定的输出时间控制所述拟合训练模型输出第二向量,并根据所述第二向量对物理机中的容器进行预调度。对容器进行预调度,保证集群各物理机负载均衡,不发生资源抢占。
Description
技术领域
本发明涉及无线通信技术领域,特别涉及一种容器集群调度的方法和设备。
背景技术
随着容器市场的加剧升温,容器技术逐渐成为生产环境中不可缺少的部分,因此需要容器编排工具来管理和编排这些容器,以实现容器部署,调度和节点集群间扩展等操作。由于容器集群的分布式特性,每一台物理机上可能运行着几十甚至上百个分别属于不同业务的容器负载。每一个容器具体在哪一台物理机上被创建、销毁即为该集群的调度算法。传统的调度算法只是根据当前各物理机上的资源分配量进行容器分发。
近年来,在虚拟化行业出现Watcher调度系统,但是对于IT服务资源进行监控调度时,若当前时间物理机负载不高,就会在当前物理机上创建多个容器,在创建多个容器后,物理机负载可能会提高,此时会出现资源紧张,业务服务能力下降等问题,与此同时之前负载较大的物理机可能会处于空闲状态,但是在进行容器的迁移时,会出现迁移容器上的业务大量出错,网络连接丢失,前置负载设备重新加载策略带来时延等问题;若不进行容器的迁移,资源抢占严重。
综上,现有技术中容器集群调度根据物理机资源进行分配,当负载资源由低变高时,资源抢占严重的问题。
发明内容
本发明提供一种容器集群调度的方法和设备,用以解决现有技术中容器集群调度根据物理机资源进行分配过程中,当负载资源由低变高时,资源抢占严重的问题。
第一方面,本发明实施例提供一种容器集群调度的方法,该方法包括:
在接收到调度指令后,获取多个物理机在设定时间内的物理机负载数据,及多个容器在设定时间内的容器运行压力数据;
根据所述获取的物理机负载数据和所述获取的容器运行压力数据确定第一向量;
将所述第一向量输入到拟合训练模型中,其中所述拟合训练模型为GRU神经网络模型根据历史数据确定的输出结果;
根据设定的输出时间控制所述拟合训练模型输出第二向量,并根据所述第二向量对物理机中的容器进行预调度。
上述方法,在接收到调度指令后,获多个物理机在设定时间内的物理机负载数据和多个容器在预订时间内的容器运行压力数据,并根据获取到的数据确定第一向量,将所述第一向量输入到拟合训练模型中,以得到第二向量,其中拟合训练模型是GRU神经网络模型根据历史数据确定,根据设定的输出时间控制所述拟合训练模型输出第二向量,并根据所述第二向量对物理机中的容器进行预调度,由于本发明将获取的数据输入拟合训练模型得到输出结果,根据输出结果对物理机中的容器进行预调度,不再只基于物理机的负载对容器进行实时调度,而是根据拟合训练模型的输出结果对物理机中的容器进行预调度,保证在将来的时间中集群各物理机负载均衡,不出现资源抢占的现象。
在一种可能实现的方式中,根据所述物理机负载数据和容器运行压力数据确定第一向量,将获取的M个物理机的物理机负载数据转化为M维向量,以及将获取的N个容器的容器运行压力数据转化为N维向量;
根据所述M维向量及所述N维向量,确定所述第一向量为M+N维向量;
其中,M和N为大于1的正整数。
上述方法,将获取到的物理机负载数据和容器运行压力数据转化成拟合训练模型能够识别的向量格式,以使所述拟合训练模型根据输入的向量确定出准确的输出结果,进而根据输出的结果对所述物理机中的容器进行预调度,保证将来时间内集群各物理节点负载均衡,不会出现资源抢占的问题。
在一种可能实现的方式中,所述根据所述第二向量对物理机中的容器进行预调度,将所述第二向量进行转化,生成第二向量对应的物理机负载数据及第二向量对应的容器运行压力数据;
将所述第二向量对应的物理机负载数据与所述获取的物理机负载数据进行对比,及将所述第二向量对应的容器运行压力数据与所述获取的容器运行压力数据进行对比,根据对比结果确定调度计划,并根据所述调度计划对物理机中的容器进行预调度。
上述方法,将拟合训练模型输出的第二向量转化成物理机负载数据和容器运行压力数据,并将第二向量转化生成的数据与获取的数据进行对比,根据对比结果生成调度计划,根据生成的调度计划对物理机中的容器进行预调度,保证在将来时间内集群各物理机负载均衡,不会发生资源抢占问题。
在一种可能的实现方式中,根据下列方式确定所述拟合训练模型:
在接收到数据及修改指令后,获取多个物理机的物理机历史负载数据及多个容器的容器历史运行压力数据;
根据所述物理机历史负载数据及所述容器历史运行压力数据确定训练样本;
将所述训练样本输入GRU神经网络模型得到所述拟合训练模型。
在一种可能的实现方式中,所述将所述训练样本输入GRU神经网络模型得到所述拟合训练模型,将所述训练样本中的训练数据集输入所述GRU神经网络模型中的机器学习库函数中确定拟合训练函数;
将所述训练样本中的验证数据集输入所述GRU神经网络模型中的机器学习库函数中对所述拟合训练函数进行验证,根据验证结果输出拟合训练模型。
上述方法,根据GRU神经网络模型获得拟合训练模型时,先根据训练样本的训练数据集确定拟合训练函数,在根据训练样本的训练数据集对确定的拟合训练函数进行反复调整验证,输出验证结果,以使所述容器集群调度系统将获取到的物理机负载数据和容器运行压力数据输入所述GRU神经网络模型输出的拟合训练模型,根据拟合训练模型输出结果确定预调度计划方案,根据预调度计划方案对物理机的容器进行调度。
第二方面,本发明实施例提供一种容器集群调度的设备,该设备包括:处理器以及收发机:
所述处理器用于:接收到调度指令后,获取多个物理机在设定时间内的物理机负载数据,及多个容器在设定时间内的容器运行压力数据;
根据所述获取的物理机负载数据和所述获取的容器运行压力数据确定第一向量;
将所述第一向量输入到拟合训练模型中,其中所述拟合训练模型为GRU神经网络模型根据历史数据确定的输出结果;
根据设定的输出时间控制所述拟合训练模型输出第二向量,并根据所述第二向量对物理机中的容器进行预调度。
第三方面,本发明实施例提供一种容器集群调度的设备,该设备包括:处理单元和存储单元;该存储单元用于存储计算机执行指令,当该设备运行时,该处理单元执行该存储单元存储的该计算机执行指令,以使该设备执行如上述方面中任一所述的容器集群调度的方案。
第四方面,本发明实施例提供一种容器集群调度的设备,该设备包括:获取模块,确定模块,输入模块,调度模块;
获取模块用于:在接收到调度指令后,获取多个物理机在设定时间内的物理机负载数据,及多个容器在设定时间内的容器运行压力数据;
确定模块用于:根据所述获取的物理机负载数据和所述获取的容器运行压力数据确定第一向量;
输入模块用于:将所述第一向量输入到拟合训练模型中,其中所述拟合训练模型为GRU神经网络模型根据历史数据确定的输出结果;
调度模块用于:根据设定的输出时间控制所述拟合训练模型输出第二向量,并根据所述第二向量对物理机中的容器进行预调度。
第五方面,本申请还提供一种计算机可读存储介质,所述计算机可读存储介质中包括程序代码,当其在计算机上运行时,使得计算机执行上述各方面所述的方法。
第六方面,本申请还提供一种包含指令的计算机程序产品,当其在计算机上运行时,使得计算机执行上述各方面所述的方法。
另外,第二方面至第六方面中任一种实现方式所带来的技术效果可参见第一方面中不同实现方式所带来的技术效果,此处不再赘述。
本申请的这些方面或其他方面在以下实施例的描述中会更加简明易懂。
附图说明
为了更清楚地说明本发明实施例中的技术方案,下面将对实施例描述中所需要使用的附图作简要介绍,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,对于本领域的普通技术人员来讲,在不付出创造性劳动性的前提下,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容器集群调度的方法流程图;
图2为本发明实施例提供的获取数据的示意图;
图3为本发明实施例提供的一种容器集群调度系统结构图;
图4为本发明实施例提供的一种容器集群调度的整体方法流程图;
图5为本发明实施例提供的第一种容器集群调度的设备结构图;
图6为本发明实施例提供的第二种容器集群调度的设备结构图;
图7为本发明实施例提供的第三种容器集群调度的设备结构图。
具体实施方式
本申请实施例描述的架构以及业务场景是为了更加清楚的说明本申请实施例的技术方案,并不构成对于本申请实施例提供的技术方案的限定,本领域普通技术人员可知,随着新业务场景的出现,本申请实施例提供的技术方案对于类似的技术问题,同样适用。
目前,容器技术逐渐成为生产环境中不可缺少的一部分,需要对容器进行管理和编排;在对容器进行管理和编排时可以实现容器部署,调度和节点集群间扩展等操作。物理机具有常年运行的特点,且每个物理机上运行着几十甚至上百个容器负载,其中每个容器负载是动态变化的,因此反应到物理机的负载也是实时变化的,经常会出现目前物理机容器负载不高,在该物理机上创建多个新的容器,但是在创建容器之后,该物理机的负载提高,此时资源紧张,各容器间产生资源竞争,导致业务服务能力下降;此时若将容器迁移到之前空闲的物理机上,会导致迁移容器上的业务大量出错、网络连接失败、前置负载设备重新加载策略带来的时延等问题,若不进行迁移,资源抢占严重。
从上述内容可以看出,现有的容器集群调度是根据物理机资源进行实时分配,但是当物理机的负载较低时创建了大量的容器在物理机上,过一段时间后物理机负载提高,由于当前物理机上运行的容器较多,资源抢占严重,需要对物理机中的容器进行预调度,若进行容器迁移,会导致被迁移的容器上的业务大量出错等问题,若不进行迁移,资源抢占问题严重。因此在对物理机中的容器进行预调度时不局限于实时调度,对物理机负载进行预期调度,即输出对未来一段时间内物理机中的容器进行预调度的计划,预先决策容器在“创建、扩容、缩容、销毁”的过程中具体对应执行的物理机,以保证在未来时间中集群各个物理机负载均衡,不产生资源抢占问题。
为了使本发明的目的、技术方案和优点更加清楚,下面将结合附图对本发明作进一步地详细描述,显然,所描述的实施例仅是本发明一部份实施例,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它实施例,都属于本发明保护的范围。
如图1所示,为本申请的一种容器集群调度的方法流程图,具体包括如下步骤:
步骤100,在接收到调度指令后,获取多个物理机在设定时间内的物理机负载数据,及多个容器在设定时间内的容器运行压力数据;
步骤110,根据所述获取的物理机负载数据和所述获取的容器运行压力数据确定第一向量;
步骤120,将所述第一向量输入到拟合训练模型中,其中所述拟合训练模型为GRU神经网络模型根据历史数据确定的输出结果;
步骤130,根据设定的输出时间控制所述拟合训练模型输出第二向量,并根据所述第二向量对物理机中的容器进行预调度。
在本发明实施例中,在接收到调度指令后,获多个物理机在设定时间内的物理机负载数据和多个容器在预订时间内的容器运行压力数据,并根据获取到的数据确定第一向量,将所述第一向量输入到拟合训练模型中,以得到第二向量,其中拟合训练模型是GRU神经网络模型根据历史数据确定,根据设定的输出时间控制所述拟合训练模型输出第二向量,并根据所述第二向量对物理机中的容器进行预调度,由于本发明将获取的数据输入拟合训练模型得到输出结果,根据输出结果对物理机中的容器进行预调度,不再只基于物理机的负载对容器进行实时调度,而是根据拟合训练模型的输出结果对物理机中的容器进行预调度,保证在将来的时间中集群各物理机负载均衡,不出现资源抢占的现象。
其中,在接收到调度指令后,获取物理机的负载数据及容器运行压力数据是在设定时间内获取的,且获取的是实时的物理机负载数据和容器运行压力数据;所述设定时间可以为6小时、12小时、1天、2天等,具体的根据实际情况进行设定,本发明实施例中以设定时间为1天进行举例说明。
因此,在接收到调度指令后,容器集群调度系统将获取24小时内的多个物理机所对应的每个时刻的物理机负载数据及多个容器所对应的每个时刻的容器运行压力数据。
在本发明实施例中,容器集群调度系统在对物理机中的容器进行预调度时,可以是在接收到调度指令后,周期进行直至接收到调度停止指令后,停止对物理机中的容器进行预调度,或每接收到一次调度指令,对物理机中的容器进行一次预调度;具体的下面详细介绍。
情况一:在接收到调度指令后,周期的进行调度;
具体的,容器集群调度系统在接收到调度指令后,周期的获取物理机负载数据和容器运行压力数据,并根据获取的数据生成第一向量,将第一向量输入拟合训练模型,以使根据设定的输出时间控制所述拟合训练模型输出第二向量,所述容器集群调度系统根据所述第二向量对物理机中的容器进行预调度;
其中,获取数据的周期与所述设定的输出时间相同,比如设定的输出时间为2天输出一次第二向量,则所述容器集群调度系统将每2天获取一次数据,假设T0天为第一次输出第二向量,则T2天将再次输出第二向量;T0天输出的第二向量为容器集群调度系统将获取到的T(0-1)天的数据输入拟合训练模型得到的,T2天输出的第二向量为容器集群调度系统将获取到的T1天的数据输入拟合训练模型得到的。
所述设定的输出时间可以是提前设置的,也可以根据接收到的修改输出结果的时间窗口指令进行修改,所述修改输出结果的时间窗口指令中携带有输出时间。
情况二:每接收一次调度指令,进行一次预调度;
具体的,容器集群调度系统接收到调度指令,获取物理机负载数据和容器运行压力数据,根据获取的物理机负载数据和容器运行压力数据确定第一向量,将第一向量输入拟合训练模型中,并根据设定的输出时间控制所述拟合训练模型输出第二向量,容器集群调度系统根据第二向量对物理机容器进行预调度。
此时,所述设定的输出时间有接收到的调度指令决定,没接收一次调度指令,相应的控制所述拟合训练模型输出一个第二向量。
本发明实施例中,在容器集群调度系统获取了物理机负载数据和容器运行压力数据后,需要根据获取到的物理机负载数据和容器运行压力数据确定第一向量,并将第一向量输入拟合训练模型中。
可选的,根据所述物理机负载数据和容器运行压力数据确定第一向量时,将获取的M个物理机的物理机负载数据转化成M维向量,以及将获取的N个容器的容器运行压力数据转化为N维向量;
根据所述M维向量及所述N维向量,确定所述第一向量为M+N维向量;
其中,M和N为大于1的正整数。
具体的,容器集群调度系统获取M个物理机的负载数据分别为M1、M2、M3……Mm,将获取的M个物理机的负载数据转化成向量为(M1,M2,M3……Mm);容器集群调度系统获取N个容器的运行压力数据分别为N1、N2……Nn,将获取的N个容器的运行压力数据转化成向量为(N1,N2……Nn),因此确定第一向量为(M1,M2,M3……Mm,N1,N2……Nn)。
具体的,如图2所示,为本发明实施例提供的获取数据的示意图,从图2中可知,容器集群调度系统获取M个物理机过去24小时的物理机负载数据和N个容器过去24小时容器运行压力数据,并将获取的物理机负载数据和容器运行压力数据整理成拟合训练数据集。
在实施中,将获取到的物理机负载数据和容器运行压力数据转化成拟合训练模型能够识别的向量格式,以使所述拟合训练模型根据输入的向量确定出准确的输出结果,进而根据输出的结果对所述物理机中的容器进行预调度,保证将来时间内集群各物理节点负载均衡,不会出现资源抢占的问题。
在本发明实施例中,当获取了拟合训练数据后,将拟合训练数据转化成向量的格式即第一向量,将第一向量输入拟合训练模型,相应的拟合训练模型会根据输入的向量确定输出的向量即第二向量,由于输出的是向量格式,需要将输出的第二向量转化成容器集群调度系统可以识别的数据,进而根据所述第二向量确定的数据对物理机中的容器进行预调度。
可选的,根据所述第二向量对物理机中的容器进行预调度时,将所述第二向量进行转化,生成第二向量对应的物理机负载数据及第二向量对应的容器运行压力数据;
将所述第二向量对应的物理机负载数据与所述获取的物理机负载数据进行对比,及将所述第二向量对应的容器运行压力数据与所述获取的容器运行压力数据进行对比,根据对比结果确定调度计划,并根据所述调度计划对物理机中的容器进行预调度。
具体的,将第一向量(M1,M2,M3……Mm,N1,N2……Nn)输入拟合训练模型,确定第二向量为(M11,M21,M31……Mm1,N11,N21……Nn1);由于物理机在对容器进行预调度时,只能识别调度指令,并不能识别向量,因此将第二向量转化成对应的物理机负载数据和容器运行压力数据,并与第一向量对应的物理机负载数据和容器运行压力数据分别进行对比,确定迁出容器列表和迁入容器列表,根据得到的列表生成与所述列表对应的调度计划,将所述调度计划发送到物理机中,以根据所述调度计划对物理机中的容器进行预调度。
在实施中,将拟合训练模型输出的第二向量转化成物理机负载数据和容器运行压力数据,并将第二向量转化生成的数据与获取的数据进行对比,根据对比结果生成调度计划,根据生成的调度计划对物理机中的容器进行预调度,保证在将来时间内集群各物理机负载均衡,不会发生资源抢占问题。
从上述实施例可知,所述拟合训练模型是GRU神经网络模型根据历史数据确定的,其中所述历史数据为物理机历史负载数据和容器历史运行压力数据。
由于集群系统支持各类工具或自定义组件来记录所有容器的运行压力数据,以及记录的物理机的负载数据,因此可以通过容器平台或工具接口获取指定时间内容器的运行压力数据即容器历史运行压力数据,同理可以获取指定时间内的物理机的负载数据及物理机历史负载数据。
在获得容器历史运行压力数据和物理机历史负载数据后,将获得的历史数据输入GRU神经网络模型中,以使GUR神经网络模型根据所述历史数据确定拟合训练模型。
具体的,根据下列方式确定拟合训练模型:
在接收到数据及修改指令后,获取多个物理机的物理机历史负载数据及多个容器的容器历史运行压力数据;
根据所述物理机历史负载数据及所述容器历史运行压力数据确定训练样本;
将所述训练样本输入GRU神经网络模型得到所述拟合训练模型。
本发明实施例中,在接收到修改指令后,容器集群调度系统获取至少一组历史数据,根据每一组历史数据确定对应的训练样本,得到多组训练样本。
其中,获取的一组历史数据是过去某一天的物理机负载数据和容器运行压力数据,具体获取几组历史数据可以是预先设置的,比如设置为7组历史数据,则容器集群调度系统将获取过去7天中每一天的物理机负载数据和容器运行压力数据,并将获得的同一天的物理机负载数据和容器运行压力数据转化成向量的格式,将转化后的向量确定为训练样本,将会生成7组训练样本。将获得的7组训练样本输入GRU神经网络模型进行训练,得到拟合训练模型。获取的历史数据越多,进行的训练次数越多,对应的输出结果就更加的稳定准确。
在本发明实施例中,将所述训练样本输入GRU神经网络模型,GRU神经网络模型根据输入的样本进行训练时,将所述训练样本中的训练数据集输入所述GRU神经网络模型中的机器学习库函数中确定拟合训练函数;
将所述训练样本中的验证数据集输入所述GRU神经网络模型中的机器学习库函数中对所述拟合训练函数进行验证,根据验证结果输出拟合训练模型。
具体的,训练样本中包括训练数据集合和验证数据集,所述训练数据集中能够的数据与所述验证数据集中的数据是由用户预先标注的。
首先,将所述训练数据集中的数据输入GRU神经网络模型的机器学习库函数中,确定拟合训练函数;然后将所述验证数据集输入RU神经网络模型的机器学习库函数中,以根据所述验证数据集对得到的拟合训练函数中的权重举证进行反复验证调整,最终经过对比输出拟合训练模型。
在实施中,根据GRU神经网络模型获得拟合训练模型时,先根据训练样本的训练数据集确定拟合训练函数,在根据训练样本的训练数据集对确定的拟合训练函数进行反复调整验证,输出验证结果,以使所述容器集群调度系统将获取到的物理机负载数据和容器运行压力数据输入所述GRU神经网络模型输出的拟合训练模型,根据拟合训练模型输出结果确定预调度计划方案,根据预调度计划方案对物理机的容器进行调度。
如图3所示,为本发明实施例提供的一种容器集群调度系统,该系统中包括:A1、系统控制接口,A2、监控收集模块,A3、数据捕获模块,A4、智能决策模块,A5、业务调度模块,A6、GRU神经网络模型,A7、拟合训练模型;
其中,所述A1、系统控制接口用于:接收指令;接收到的指令包括但不限于下列的部分或全部:
调度指令,修改数据集指令,修改输出结果的时间窗口指令。
所述A3、数据捕获模块用于:在确定接收到调度指令后,获取多个物理机的负载数据及多个容器的运行压力数据;或
在确定接收到修改数据集指令,获取多个物理机的历史负载数据及多个容器的历史运行压力数据。
在本发明实施例中,所述数据捕获模块通过容器编排集群系统内的X3集群数据接口获取容器运行压力数据和物理机负载数据,或获取容器历史运行压力数据和物理机负载数据;
所述集群数据接口中的数据是由容器编排集群系统内的X4集群计量数据采集将收集到的容器集群内的物理机及物理机内运行的容器的监控计量数据进行上报得到的;
因此获取数据时,数据捕获模块通过集群数据接口获取集群计量数据采集所采集到的数据。
其中,所述集群数据接口主要基于HTTP(Hyper Text Transfer Protocol,超文本传输协议)的API(Application Programming Interface,应用程序接口)服务。
所述A2、监控收集模块用于:将获取到的数据或获取到的历史数据进行转化,转化生成GRU神经网络模型所能识别的向量格式;或
将获取的物理机负载数据和容器运行压力数据进行转化,转化生成所述拟合训练模型所能识别的向量格式。
所述A4、智能决策模块用于:与所述GRU神经网络模型和所述拟合训练模型进行对接,确定将获取的历史数据输入GRU神经网络模型,及确定将获取的物理负载数据和容器运行压力数据输入拟合训练模型中;
所述智能决策模块可以将接收到的所述拟合训练模型输出的第二向量转化成数据,根据转化后的数据与之前输入拟合训练模型的向量对应的数据进行对比确定调度计划,并将调度计划下发到业务调度模块。
在本发明实施例中,所述智能决策模块在向所述GRU神经网络模型中输入获取的历史数据时,还会输入batch size、偏置、学习率等参数。
所述A6、GRU神经网络模型用于:将接收到的物理机历史负载数据转化后的向量及容器历史运行压力数据转化后的向量输入到机器学习库函数中,确定拟合训练模型。
所述A7、拟合训练模块用于:将接收到的物理机负载数据转化后的向量及容器运行压力数据转化后的向量输入到拟合训练模型的拟合训练函数中,确定输出结果,并将输出结果发送给智能决策模块,以使智能决策模块将拟合训练模块输出的结果转化成调度计划,并发送给业务调度模块。
所述A5、业务调度模块用于:将接收到的智能决策模块输出的调度计划通过容器编排集群系统内的X1容器集群控制接口发送到容器编排集群系统内的X2容器集群服务核心,以使所述容器集群服务核心根据所述容器集群控制接口转发的调度计划对物理机中容器执行相应的操作。
其中,所述容器编排集群系统内的容器集群控制接口支持对容器集群发起调度任务、配置调整等变更操作,通常基于HTTP的API服务。
如图4所示,为本发明实施例提供的一种容器集群调度的整体方法流程图,假设容器集群调度系统在接收到修改数据集指令后,接收到调度指令;具体的包括如下步骤:
步骤400,在接收到修改数据集的指令后,获取物理机历史负载数据和容器历史运行压力数据;
步骤410,将获取的物理机历史负载数据和容器历史运行压力数据分别转化成向量的格式,并根据转化后的向量确定训练样本;
比如,将获取的过去一天m个物理机的负载数据转化为m为向量,及将获取的过去一天n个容器的运行压力数据转化为n为向量,确定的训练样本为(m+n)维向量,具体的转化过程同确定第一向量的实施方式;
步骤420,将确定的训练样本中的训练数据集输入到GRU神经网络模型中的机器学习库函数中,确定拟合训练函数;
步骤430,将确定的训练样本中的验证数据集输入到GRU神经网络模型中的机器学习库函数中,以使所述GRU神经网络模型对所述拟合训练函数进行验证,输出拟合训练模型;
其中,步骤420~步骤430中的训练数据集及验证数据集是前期人工标注的,容器集群调度系统可以自动识别训练样本中的数据集是训练数据集还是验证数据集;
步骤440,存储所述GRU神经网络模型输出的拟合训练模型;
步骤450,在接收到调度指令后,获取物理机负载数据和容器运行压力数据;
其中,获取的物理机负载数据和容器运行压力数据是根据设定的时间进行获取的,具体的设定时间由系统决定;
步骤460,将获得的物理机负载数据转化成向量,及将获得的容器运行压力数据转化成向量,并确定第一向量;
其中,将获取的M个物理机的物理机负载数据转化为M维向量,将获取的N个容器的容器运行压力数据转化为N维向量,确定的第一向量为(M+N)维向量;
步骤470;将确定的第一向量输入根据GRU神经网络模型确定的拟合训练模型;
步骤480,根据设定的输出时间控制所述拟合训练模型输出第二向量;
其中,设定的输出时间可以根据接收到的输出结果的时间窗口修改指令进行修改,比如输出结果的时间窗口修改指令为2天,则容器集群调度系统将以每2天为一个周期根据获取到的第一向量输出第二向量;
步骤490,将所述第二向量转化成物理机负载数据和容器运行压力数据;
步骤491,将转化后的物理机负载数据和获取的物理机负载数据进行对比,及将转化后的容器运行压力数据和获取的容器运行压力数据进行对比,根据对比结果确定调度计划,并根据所述调度计划对物理机中的容器进行预调度。
在一些可能的实施方式中,本发明实施例提供的容器集群调度的各个方面还可以实现为一种程序产品的格式,其包括程序代码,当程序代码在计算机设备上运行时,程序代码用于使计算机设备执行本说明书中描述的根据本发明各种示例性实施方式的容器集群调度的方法中的步骤。
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是——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。
根据本发明的实施方式的用于数据转发控制的程序产品,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,并可以在服务器设备上运行。然而,本发明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,该程序可以被信息传输、装置或者器件使用或者与其结合使用。
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周期网络动作系统、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发明操作的程序代码,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。
本发明实施例针对容器集群调度的方法还提供一种计算设备可读存储介质,即断电后内容不丢失。该存储介质中存储软件程序,包括程序代码,当程序代码在计算设备上运行时,该软件程序在被一个或多个处理器读取并执行时可实现本发明实施例上面任何一种进行容器集群调度时的方案。
基于同一发明构思,本发明实施例中还提供了一种容器集群调度的设备,由于该设备对应的是本发明实施例容器集群调度的方法对应的设备,并且该设备解决问题的原理与该方法相似,因此该设备的实施可以参见方法的实施,重复之处不再赘述。
如图5所示,为本发明实施例提供的第一种容器集群调度的设备结构图,具体包括:处理器500以及收发机510:
所述处理器500用于:接收到调度指令后,获取多个物理机在设定时间内的物理机负载数据,及多个容器在设定时间内的容器运行压力数据;
根据所述获取的物理机负载数据和所述获取的容器运行压力数据确定第一向量;
将所述第一向量输入到拟合训练模型中,其中所述拟合训练模型为GRU神经网络模型根据历史数据确定的输出结果;
根据设定的输出时间控制所述拟合训练模型输出第二向量,并根据所述第二向量对物理机中的容器进行预调度。
可选的,所述处理器500具体用于:
将获取的M个物理机的物理机负载数据转化为M维向量,以及将获取的N个容器的容器运行压力数据转化为N维向量;
根据所述M维向量及所述N维向量,确定所述第一向量为M+N维向量;
其中,M和N为大于1的正整数。
可选的,所述处理器500具体用于:
将所述第二向量进行转化,生成第二向量对应的物理机负载数据及第二向量对应的容器运行压力数据;
将所述第二向量对应的物理机负载数据与所述获取的物理机负载数据进行对比,及将所述第二向量对应的容器运行压力数据与所述获取的容器运行压力数据进行对比,根据对比结果确定调度计划,并根据所述调度计划对物理机中的容器进行预调度。
可选的,所述处理器500根据下列方式确定所述拟合训练模型:
在接收到数据及修改指令后,获取多个物理机的物理机历史负载数据及多个容器的容器历史运行压力数据;
根据所述物理机历史负载数据及所述容器历史运行压力数据确定训练样本;
将所述训练样本输入GRU神经网络模型得到所述拟合训练模型。
可选的,所述处理器500具体用于:
将所述训练样本中的训练数据集输入所述GRU神经网络模型中的机器学习库函数中确定拟合训练函数;
将所述训练样本中的验证数据集输入所述GRU神经网络模型中的机器学习库函数中对所述拟合训练函数进行验证,根据验证结果输出拟合训练模型。
如图6所示,为本发明实施例提供的第二种容器集群调度的设备结构图,该设备包括:至少一个处理单元600以及至少一个存储单元610,其中,所述存储单元610存储有程序代码,当所述程序代码被所述处理单元600执行时,使得所述处理单元600执行进行容器集群调度时的任一所述方法的步骤。
如图7所示,为本发明实施例提供的第三种容器集群调度的设备结构图,该设备包括:获取模块700,确定模块710,输入模块720,调度模块730;
所述获取模块700用于:在接收到调度指令后,获取多个物理机在设定时间内的物理机负载数据,及多个容器在设定时间内的容器运行压力数据;
所述确定模块710用于:根据所述获取的物理机负载数据和所述获取的容器运行压力数据确定第一向量;
所述输入模块720用于:将所述第一向量输入到拟合训练模型中,其中所述拟合训练模型为GRU神经网络模型根据历史数据确定的输出结果;
所述调度模块730用于:根据设定的输出时间控制所述拟合训练模型输出第二向量,并根据所述第二向量对物理机中的容器进行预调度。
可选的,所述确定模块710具体用于:
将获取的M个物理机的物理机负载数据转化为M维向量,以及将获取的N个容器的容器运行压力数据转化为N维向量;
根据所述M维向量及所述N维向量,确定所述第一向量为M+N维向量;
其中,M和N为大于1的正整数。
可选的,所述调度模块730具体用于:
将所述第二向量进行转化,生成第二向量对应的物理机负载数据及第二向量对应的容器运行压力数据;
将所述第二向量对应的物理机负载数据与所述获取的物理机负载数据进行对比,及将所述第二向量对应的容器运行压力数据与所述获取的容器运行压力数据进行对比,根据对比结果确定调度计划,并根据所述调度计划对物理机中的容器进行预调度。
可选的,所述输入模块720根据下列方式确定所述拟合训练模型:
在接收到数据及修改指令后,获取多个物理机的物理机历史负载数据及多个容器的容器历史运行压力数据;
根据所述物理机历史负载数据及所述容器历史运行压力数据确定训练样本;
将所述训练样本输入GRU神经网络模型得到所述拟合训练模型。
可选的,所述输入模块720具体用于:
将所述训练样本中的训练数据集输入所述GRU神经网络模型中的机器学习库函数中确定拟合训练函数;
将所述训练样本中的验证数据集输入所述GRU神经网络模型中的机器学习库函数中对所述拟合训练函数进行验证,根据验证结果输出拟合训练模型。
以上参照示出根据本申请实施例的方法、装置(系统)和/或计算机程序产品的框图和/或流程图描述本申请。应理解,可以通过计算机程序指令来实现框图和/或流程图示图的一个块以及框图和/或流程图示图的块的组合。可以将这些计算机程序指令提供给通用计算机、专用计算机的处理器和/或其它可编程数据处理装置,以产生机器,使得经由计算机处理器和/或其它可编程数据处理装置执行的指令创建用于实现框图和/或流程图块中所指定的功能/动作的方法。
相应地,还可以用硬件和/或软件(包括固件、驻留软件、微码等)来实施本申请。更进一步地,本申请可以采取计算机可使用或计算机可读存储介质上的计算机程序产品的形式,其具有在介质中实现的计算机可使用或计算机可读程序代码,以由指令执行系统来使用或结合指令执行系统而使用。在本申请上下文中,计算机可使用或计算机可读介质可以是任意介质,其可以包含、存储、通信、传输、或传送程序,以由指令执行系统、装置或设备使用,或结合指令执行系统、装置或设备使用。
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 (10)
1.一种容器集群调度的方法,其特征在于,该方法包括:
在接收到调度指令后,获取多个物理机在设定时间内的物理机负载数据,及多个容器在设定时间内的容器运行压力数据;
根据所述获取的物理机负载数据和所述获取的容器运行压力数据确定第一向量;
将所述第一向量输入到拟合训练模型中,其中所述拟合训练模型为GRU神经网络模型根据历史数据确定的输出结果;
根据设定的输出时间控制所述拟合训练模型输出第二向量,并根据所述第二向量对物理机中的容器进行预调度;
其中,所述根据所述物理机负载数据和容器运行压力数据确定第一向量,包括:
将获取的M个物理机的物理机负载数据转化为M维向量,以及将获取的N个容器的容器运行压力数据转化为N维向量;
根据所述M维向量及所述N维向量,确定所述第一向量为M+N维向量;
其中,M和N为大于1的正整数。
2.如权利要求1所述的方法,其特征在于,所述根据所述第二向量对物理机中的容器进行预调度,包括:
将所述第二向量进行转化,生成第二向量对应的物理机负载数据及第二向量对应的容器运行压力数据;
将所述第二向量对应的物理机负载数据与所述获取的物理机负载数据进行对比,及将所述第二向量对应的容器运行压力数据与所述获取的容器运行压力数据进行对比,根据对比结果确定调度计划,并根据所述调度计划对物理机中的容器进行预调度。
3.如权利要求1所述的方法,其特征在于,根据下列方式确定所述拟合训练模型:
在接收到数据及修改指令后,获取多个物理机的物理机历史负载数据及多个容器的容器历史运行压力数据;
根据所述物理机历史负载数据及所述容器历史运行压力数据确定训练样本;
将所述训练样本输入GRU神经网络模型得到所述拟合训练模型。
4.如权利要求3所述的方法,其特征在于,所述将所述训练样本输入GRU神经网络模型得到所述拟合训练模型,包括:
将所述训练样本中的训练数据集输入所述GRU神经网络模型中的机器学习库函数中确定拟合训练函数;
将所述训练样本中的验证数据集输入所述GRU神经网络模型中的机器学习库函数中对所述拟合训练函数进行验证,根据验证结果输出拟合训练模型。
5.一种容器集群调度的设备,其特征在于,该设备包括:处理器以及收发机:
所述处理器用于:接收到调度指令后,获取多个物理机在设定时间内的物理机负载数据,及多个容器在设定时间内的容器运行压力数据;
根据所述获取的物理机负载数据和所述获取的容器运行压力数据确定第一向量;
将所述第一向量输入到拟合训练模型中,其中所述拟合训练模型为GRU神经网络模型根据历史数据确定的输出结果;
根据设定的输出时间控制所述拟合训练模型输出第二向量,并根据所述第二向量对物理机中的容器进行预调度;
其中,所述处理器具体用于:
将获取的M个物理机的物理机负载数据转化为M维向量,以及将获取的N个容器的容器运行压力数据转化为N维向量;
根据所述M维向量及所述N维向量,确定所述第一向量为M+N维向量;
其中,M和N为大于1的正整数。
6.如权利要求5所述的设备,其特征在于,所述处理器具体用于:
将所述第二向量进行转化,生成第二向量对应的物理机负载数据及第二向量对应的容器运行压力数据;
将所述第二向量对应的物理机负载数据与所述获取的物理机负载数据进行对比,及将所述第二向量对应的容器运行压力数据与所述获取的容器运行压力数据进行对比,根据对比结果确定调度计划,并根据所述调度计划对物理机中的容器进行预调度。
7.如权利要求5所述的设备,其特征在于,所述处理器根据下列方式确定所述拟合训练模型:
在接收到数据及修改指令后,获取多个物理机的物理机历史负载数据及多个容器的容器历史运行压力数据;
根据所述物理机历史负载数据及所述容器历史运行压力数据确定训练样本;
将所述训练样本输入GRU神经网络模型得到所述拟合训练模型。
8.如权利要求7所述的设备,其特征在于,所述处理器具体用于:
将所述训练样本中的训练数据集输入所述GRU神经网络模型中的机器学习库函数中确定拟合训练函数;
将所述训练样本中的验证数据集输入所述GRU神经网络模型中的机器学习库函数中对所述拟合训练函数进行验证,根据验证结果输出拟合训练模型。
9.一种容器集群调度的设备,其特征在于,该设备包括:至少一个处理单元以及至少一个存储单元,其中,所述存储单元存储有程序代码,当所述程序代码被所述处理单元执行时,使得所述处理单元执行权利要求1~4任一所述方法的步骤。
10.一种计算设备可读存储介质,其特征在于,包括程序代码,当所述程序代码在计算设备上运行时,所述程序代码用于使所述计算设备执行权利要求1~4任一所述方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811299791.7A CN111143050B (zh) | 2018-11-02 | 2018-11-02 | 一种容器集群调度的方法和设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811299791.7A CN111143050B (zh) | 2018-11-02 | 2018-11-02 | 一种容器集群调度的方法和设备 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111143050A CN111143050A (zh) | 2020-05-12 |
CN111143050B true CN111143050B (zh) | 2023-09-19 |
Family
ID=70515373
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811299791.7A Active CN111143050B (zh) | 2018-11-02 | 2018-11-02 | 一种容器集群调度的方法和设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111143050B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111680288A (zh) * | 2020-06-10 | 2020-09-18 | 深圳前海微众银行股份有限公司 | 容器的命令执行方法、装置、设备及存储介质 |
Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101619850A (zh) * | 2009-08-06 | 2010-01-06 | 杭州盘古自动化系统有限公司 | 基于热电系统负荷在线预测的调度方法与系统 |
CN101639793A (zh) * | 2009-08-19 | 2010-02-03 | 南京邮电大学 | 一种基于支持向量回归机的网格负载预测方法 |
CN102004671A (zh) * | 2010-11-15 | 2011-04-06 | 北京航空航天大学 | 一种云计算环境下数据中心基于统计模型的资源管理方法 |
CN105550323A (zh) * | 2015-12-15 | 2016-05-04 | 北京国电通网络技术有限公司 | 一种分布式数据库负载均衡预测方法和预测分析器 |
WO2017010922A1 (en) * | 2015-07-14 | 2017-01-19 | Telefonaktiebolaget Lm Ericsson (Publ) | Allocation of cloud computing resources |
CN106375115A (zh) * | 2016-08-30 | 2017-02-01 | 东软集团股份有限公司 | 资源分配方法及装置 |
JP2017033117A (ja) * | 2015-07-30 | 2017-02-09 | 日本電信電話株式会社 | クラスタ内リソース管理システム、クラスタ内リソース管理方法、管理サーバ及びプログラム |
CN106506657A (zh) * | 2016-11-21 | 2017-03-15 | 黑龙江省科学院自动化研究所 | 一种基于多目标的云计算虚拟机分配调整方法 |
CN107045455A (zh) * | 2017-06-19 | 2017-08-15 | 华中科技大学 | 一种基于负载预测的Docker Swarm集群资源调度优化方法 |
CN108123828A (zh) * | 2017-12-04 | 2018-06-05 | 东南大学 | 一种基于接入用户移动性预测的超密集网络资源分配方法 |
CN108170529A (zh) * | 2017-12-26 | 2018-06-15 | 北京工业大学 | 一种基于长短期记忆网络的云数据中心负载预测方法 |
CN108537818A (zh) * | 2018-03-07 | 2018-09-14 | 上海交通大学 | 基于集群压力lstm的人群轨迹预测方法 |
Family Cites Families (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7761557B2 (en) * | 2005-01-06 | 2010-07-20 | International Business Machines Corporation | Facilitating overall grid environment management by monitoring and distributing grid activity |
US10797953B2 (en) * | 2010-10-22 | 2020-10-06 | International Business Machines Corporation | Server consolidation system |
US9595054B2 (en) * | 2011-06-27 | 2017-03-14 | Microsoft Technology Licensing, Llc | Resource management for cloud computing platforms |
US9672064B2 (en) * | 2015-07-13 | 2017-06-06 | Palo Alto Research Center Incorporated | Dynamically adaptive, resource aware system and method for scheduling |
US20170060609A1 (en) * | 2015-08-28 | 2017-03-02 | International Business Machines Corporation | Managing a shared pool of configurable computing resources which has a set of containers |
US10540212B2 (en) * | 2016-08-09 | 2020-01-21 | International Business Machines Corporation | Data-locality-aware task scheduling on hyper-converged computing infrastructures |
-
2018
- 2018-11-02 CN CN201811299791.7A patent/CN111143050B/zh active Active
Patent Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101619850A (zh) * | 2009-08-06 | 2010-01-06 | 杭州盘古自动化系统有限公司 | 基于热电系统负荷在线预测的调度方法与系统 |
CN101639793A (zh) * | 2009-08-19 | 2010-02-03 | 南京邮电大学 | 一种基于支持向量回归机的网格负载预测方法 |
CN102004671A (zh) * | 2010-11-15 | 2011-04-06 | 北京航空航天大学 | 一种云计算环境下数据中心基于统计模型的资源管理方法 |
WO2017010922A1 (en) * | 2015-07-14 | 2017-01-19 | Telefonaktiebolaget Lm Ericsson (Publ) | Allocation of cloud computing resources |
JP2017033117A (ja) * | 2015-07-30 | 2017-02-09 | 日本電信電話株式会社 | クラスタ内リソース管理システム、クラスタ内リソース管理方法、管理サーバ及びプログラム |
CN105550323A (zh) * | 2015-12-15 | 2016-05-04 | 北京国电通网络技术有限公司 | 一种分布式数据库负载均衡预测方法和预测分析器 |
CN106375115A (zh) * | 2016-08-30 | 2017-02-01 | 东软集团股份有限公司 | 资源分配方法及装置 |
CN106506657A (zh) * | 2016-11-21 | 2017-03-15 | 黑龙江省科学院自动化研究所 | 一种基于多目标的云计算虚拟机分配调整方法 |
CN107045455A (zh) * | 2017-06-19 | 2017-08-15 | 华中科技大学 | 一种基于负载预测的Docker Swarm集群资源调度优化方法 |
CN108123828A (zh) * | 2017-12-04 | 2018-06-05 | 东南大学 | 一种基于接入用户移动性预测的超密集网络资源分配方法 |
CN108170529A (zh) * | 2017-12-26 | 2018-06-15 | 北京工业大学 | 一种基于长短期记忆网络的云数据中心负载预测方法 |
CN108537818A (zh) * | 2018-03-07 | 2018-09-14 | 上海交通大学 | 基于集群压力lstm的人群轨迹预测方法 |
Non-Patent Citations (1)
Title |
---|
EJB集群系统负载均衡策略的研究与实现;方巍;孙涌;张书奎;;计算机应用(04);第850-852页 * |
Also Published As
Publication number | Publication date |
---|---|
CN111143050A (zh) | 2020-05-12 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
JP7112919B2 (ja) | スマート装置のタスク処理方法および装置 | |
US11762697B2 (en) | Method and apparatus for scheduling resource for deep learning framework | |
US20190251963A1 (en) | Voice awakening method and device | |
CN109936473B (zh) | 基于深度学习预测的分布计算系统及其运行方法 | |
EP3780496B1 (en) | Feature engineering programming method and apparatus | |
US11297161B1 (en) | Systems and methods for managing an automotive edge computing environment | |
CN107040608A (zh) | 一种数据处理方法及系统 | |
CN114818446B (zh) | 面向5g云边端协同的电力业务分解方法及系统 | |
CN110516714B (zh) | 一种特征预测方法、系统及引擎 | |
CN111597043A (zh) | 一种全场景边缘计算方法、装置及系统 | |
CN115576534B (zh) | 原子服务的编排方法、装置、电子设备及存储介质 | |
US20230037783A1 (en) | Resource scheduling method and related apparatus | |
CN110691003A (zh) | 一种网络流量分类方法、装置和存储介质 | |
Perez et al. | A monitoring framework for multi-site 5G platforms | |
CN111143050B (zh) | 一种容器集群调度的方法和设备 | |
EP3295567B1 (en) | Pattern-based data collection for a distributed stream data processing system | |
EP3398304B1 (en) | Network service requests | |
WO2022110974A1 (zh) | 数据分析模型的训练方法、装置及存储介质 | |
CN112953993A (zh) | 资源调度方法、设备、网络系统及存储介质 | |
CN117240903B (zh) | 一种物联网脱机消息动态管理配置系统 | |
CN109918353A (zh) | 自动化信息处理的方法及终端设备 | |
CN117076057B (zh) | 一种ai服务请求调度的方法、装置、设备及介质 | |
KR102642396B1 (ko) | 제한된 gpu리소스를 사용한 딥러닝 추론 모델을 위한 배치 스케줄링 장치 | |
US12001310B2 (en) | Approximating activity loads in databases using smoothed time series | |
WO2023119623A1 (ja) | 管理装置、通信システム、制御方法、及び非一時的なコンピュータ可読媒体 |
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 |