CN111158850B - 基于虚拟机iaas层资源分配的最优化算法 - Google Patents

基于虚拟机iaas层资源分配的最优化算法 Download PDF

Info

Publication number
CN111158850B
CN111158850B CN201911247363.4A CN201911247363A CN111158850B CN 111158850 B CN111158850 B CN 111158850B CN 201911247363 A CN201911247363 A CN 201911247363A CN 111158850 B CN111158850 B CN 111158850B
Authority
CN
China
Prior art keywords
resources
resource
memory
cpu
virtual machine
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
Application number
CN201911247363.4A
Other languages
English (en)
Other versions
CN111158850A (zh
Inventor
葛维春
王顺江
赵宇佳
赵铁英
潘鹏飞
赵军
李典阳
李正文
李铁
张宇时
刘淼
于游
纪翔
李论
林春华
于颖
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.)
State Grid Corp of China SGCC
State Grid Liaoning Electric Power Co Ltd
Original Assignee
State Grid Corp of China SGCC
State Grid Liaoning Electric Power 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 State Grid Corp of China SGCC, State Grid Liaoning Electric Power Co Ltd filed Critical State Grid Corp of China SGCC
Priority to CN201911247363.4A priority Critical patent/CN111158850B/zh
Publication of CN111158850A publication Critical patent/CN111158850A/zh
Application granted granted Critical
Publication of CN111158850B publication Critical patent/CN111158850B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

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
    • G06F9/44—Arrangements for executing specific programs
    • G06F9/455—Emulation; Interpretation; Software simulation, e.g. virtualisation or emulation of application or operating system execution engines
    • G06F9/45533—Hypervisors; Virtual machine monitors
    • G06F9/45558—Hypervisor-specific management and integration aspects
    • 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
    • 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
    • G06F9/44—Arrangements for executing specific programs
    • G06F9/455—Emulation; Interpretation; Software simulation, e.g. virtualisation or emulation of application or operating system execution engines
    • G06F9/45533—Hypervisors; Virtual machine monitors
    • G06F9/45558—Hypervisor-specific management and integration aspects
    • G06F2009/4557—Distribution of virtual machine instances; Migration and load balancing
    • 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)
  • Software Systems (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Data Exchanges In Wide-Area Networks (AREA)

Abstract

本发明公开了一种基于虚拟机iaas层资源分配的最优化算法。首先构建用户、资源调度器和资源池之间的相互关系模型，定义资源的有效利用量为目标函数，以所用资源不超过总资源为限制条件。在此基础上，为提高资源利用率，在CPU、带宽和内存上加了反馈程序，在CPU即将死锁，内存将满，资源即将堵塞的时候，发出命令到主机。最后，建立本发明的资源利用率的求解方程，实现模型最优质的资源的合理分配利用。通过本发明的电网调控云成本以及资源优化利用的实施，能够实现在CPU死锁，资源堵塞，内存不足，用户增多，后备资源不足时资源如何合理调用，达到最优的关系；所求得资源利用率相对比于其他的算法优化很多，最终实现电网调控云服务器资源池资源的合理利用。

Description

基于虚拟机iaas层资源分配的最优化算法
技术领域
本发明涉及电力系统调控云与计算机中虚拟机iaas领域，尤其涉及一种在虚拟机CPU崩溃网络资源拥堵的情况下资源如何及时进行分配提升资源利用率的算法。
背景技术
随着计算机技术、理论以及Internet网络应用的发展，用户对网络的依赖已经达到了不可分割的程度，现如今用户的数据量正在呈指数倍的增加的状态已经达到巨大，用户得需求多种多样，而且这种需求不是一层不变的，他们正在随着时间和资源的改变而改变，随之而来资源的利用率以及运行所需的成本我们就要考虑了。
在现在的云计算研究中，主要都是针对理想情况，即CPU运行稳定网络资源畅通无阻下，资源的利用的情况，或者计算机资源，内存资源，网络资源三者中其中一种异常的最优算法，然而现实的异常事故总是在发生，而且绝不简简单单的只是其中一种异常，本发明就是提出崩溃锁死或网络堵塞两者同时发生或先后发生时资源如何进行分配的最优化算法。
虚拟化技术在现生活中打破了计算中技术算法硬件配置的紧密联系，使资源更好的被利用，云计算中实现了资源调度的动态分布，有效的解决资源过度，和资源利用不足的问题，完美的提高了用户的满意度，并为更多的用户提供更好的服务。
随着云计算的提出和发展，云计算技术已经受到了业界研究人员的广泛关注，云资源的管理，数据存储的安全可靠性，云资源的调度方式等方面更是研究的热潮。本文主要研究的是云计算的资源调度策略，如何把资源利用达到最大化的调度算法。
发明内容
本发明针对上述问题，提供一种基于虚拟机iaas层资源分配的最优化算法，其步骤包括：
S1：建立用户、资源调度器和资源池之间的相互关系模型；
S2：建立数据库，然后在物理机上创建虚拟机并安装Linux系统，设定CPU数量、内存大小以及网络带宽的大小；将数据库导入所述虚拟机Linux系统中；
S3：用户发出请求向所述虚拟机调用资源，虚拟机的后台调度云服务器中心接收到请求后进行数据的调用，虚拟机的CPU、内存和网络开始工作；
S4：数据调用时，对CPU、内存和网络的资源进行实时监控以及收集，当出现CPU死锁，网络资源传输堵塞等情况时，对所述CPU、内存和网络资源进行优化分配；优化分配的规则为：
CPU死锁崩溃的前夕，当该CPU内存储可剥夺资源时，所述可剥夺资源将被重新分配在其他的CPU上；或者将资源分为不同的等级，锁死的CPU上优先级高的资源在锁死后，最先被获取，以此类推，优先等级最低的资源最后被获取；当CPU里面存储不可剥夺资源时，所述不可剥夺资源将不会被收回，只能在进程结束后自动释放并调用；
内存资源为可剥夺资源，当内存接近被存满的时候，所述内存上的资源从一个存储区传送到另一个存储区，或者将一些资源传送到外存上；
当网络不行、资源发生堵塞的时候，网络中传输的资源会重新平均分配，按需分配，或者通过备用通道将资源传输出去，降低资源的损失；
S5：数据进行实时监控以及收集时，数据的监控内容包括CPU的流量，内存的流量，网络资源的流量；数据收集时，通过Linux命令查看CPU的占用率、内存的占用率和带宽的使用率，并且在Linux命令里面建立一个while循环，将实时监测到的数据输入到一个文本中；数据调用结束后，将所述文本上的数据通过Linux命令转移到物理机上；
S6：求解在约束条件下用户资源的目标函数，目标函数的表达式为：
Figure BDA0002307984600000021
其中，用户资源的有效利用量为U＝{U1，U2，…，Up}，用户的个数为p，a∈(1，p)；定义用户的资源请求为R＝{C，N，I}，C为用户请求的CPU量，N为用户需要的内存量，I为用户需要的网络带宽量，设物理机有M台，M＝{i∈M，1≤i≤M}，设服务器有T台，T＝{n∈T，1≤n≤T}，设服务器中的资源量为Z＝{z1，z2，…，zn}，一台服务器中CPU、内存量、网络带宽量分别为ZO＝{ZCO，ZNO，ZIO}，o∈n；设用户在资源调用时所实际使用的CPU、内存量、网络带宽量为An＝{ACn，ANn，AIn}，所述目标函数的约束条件如下。
Figure BDA0002307984600000031
Figure BDA0002307984600000032
Figure BDA0002307984600000033
优选方式下，根据所述目标函数的结果计算用户的资源利用率和服务器的资源利用率，其中，用户的资源利用率为：
F＝AO/ZO
服务器的资源利用率如下。
W＝(ZO-AO)/ZO
优选方式下，用户、资源调度器和资源池之间的相互关系模型为：用户发出数据调用的请求给资源调度器，资源调度器根据所述用户的请求在资源池中寻找所需要的数据，资源池包括虚拟机和调度云服务器中心，数据被找到后再通过资源调度器传递给用户。
优选方式下，数据调用时虚拟机所利用的资源包括计算机资源CPU，网络资源带宽，内存资源内存和数据库。
优选方式下，虚拟机利用Linux命令进行编程，使得数据可以自行导出，实时监控，并且设置反馈程序在CPU即将崩溃，内存不足，以及网络带宽流量不行的时候，调控云服务器平台接收到虚拟机反馈的信息后立刻向后台的主机设备进行报告，主机设备根据所述CPU、内存和网络资源优化分配的规则来对资源进行最优化的分配。
本发明的有益效果是：本发明针对CPU闭塞死锁，内存大小不足，以及网络资源堵塞的问题分别找到用户和云服务器中资源利用率最高的最优化算法，突破以往的思维理想化以及以往云服务器资源利用的不足，资源后备性不足，以及利用率低下等情况，本发明对以往的这些情况有很大的改进。本发明减轻了电网公司运营成本，以及增加了资源的有效利用率，促进电网调控云运行的方便快捷，具有巨大的经济效益和社会效益。同时，对现代电网的调控云方面资源合理利用技术具有指导意义和推广价值。
附图说明
图1为用户、资源调度器和资源池之间的相互关系模型示意图；
图2为本发明算法的实施路径流程图；
图3为本发明调控云虚拟机实施的设想图；
图4为本发明虚拟机所包括的三种资源；
图5为本发明的算法各虚拟机的用户资源利用率数据；
图6为本发明的算法与其他算法用户资源利用率的对比图。
具体实施方式
如图1所示，本发明用户、资源调度器和资源池之间的相互关系模型为：用户发出数据调用的请求给资源调度器，资源调度器根据所述用户的请求在资源池中寻找所需要的数据，资源池包括虚拟机和调度云服务器中心，数据被找到后再通过资源调度器传递给用户。
如图2所示，本发明一种基于虚拟机iaas层资源分配的最优化算法的实施路径包括任务管理，用户调度以及服务器接口数据的监视，具体算法过程为：
S1：建立用户、资源调度器和资源池之间的相互关系模型；
S2：建立数据库，然后在物理机上创建虚拟机并安装Linux系统，根据亚马逊的虚拟平台进行设定CPU数量、内存大小以及网络带宽的大小为：CPU密集型设CPU有一个，内存密集型设内存为2GB，网络密集型设带宽为5G；将数据库导入所述虚拟机Linux系统中的Oracle中；
S3：用户发出请求向所述虚拟机调用资源，虚拟机的后台调度云服务器中心接收到请求后进行数据的调用，虚拟机的CPU、内存和网络开始工作；
S4：数据调用时，对CPU、内存和网络的资源进行实时监控以及收集，当出现CPU死锁，网络资源传输堵塞等情况时，对所述CPU、内存和网络资源进行优化分配；优化分配的规则为：
CPU死锁崩溃的前夕，当该CPU内存储可剥夺资源时，所述可剥夺资源将被重新分配在其他的CPU上；或者将资源分为不同的等级，锁死的CPU上优先级高的资源在锁死后，最先被获取，以此类推，优先等级最低的资源最后被获取；当CPU里面存储不可剥夺资源时，所述不可剥夺资源将不会被收回，只能在进程结束后自动释放并调用，该种资源面临着不可被使用的危险；
内存资源为可剥夺资源，当内存接近被存满的时候，所述内存上的资源从一个存储区传送到另一个存储区，或者将一些资源传送到外存上；
当网络不行、资源发生堵塞的时候，网络中传输的资源会重新平均分配，按需分配，或者通过备用通道将资源传输出去，降低资源的损失；
S5：数据进行实时监控以及收集时，数据的监控内容包括CPU的流量，内存的流量，网络资源的流量；数据收集时，通过Linux命令TOP命令查看CPU的占用率，用free-m命令查看内存的占用率，用vmstat命令查看带宽的使用率，并且在Linux命令里面建立一个while循环，将实时监测到的数据输入到一个文本中；数据调用结束后，将所述文本上的数据通过Linux命令，echo“command”＞＞XXX.txt语句转移到物理机上；
S6：求解在约束条件下用户资源的目标函数，目标函数的表达式为：
Figure BDA0002307984600000051
其中，用户资源的有效利用量为U＝{U1，U2，…，Up}，用户的个数为p，a∈(1，p)；定义用户的资源请求为R＝{C，N，I}，C为用户请求的CPU量，N为用户需要的内存量，I为用户需要的网络带宽量，设物理机有M台，M＝{i∈M，1≤i≤M}，设服务器有T台，T＝{n∈T，1≤n≤T}，设服务器中的资源量为Z＝{z1，z2，…，zn}，一台服务器中CPU、内存量、网络带宽量分别为Zo＝{ZCO，ZNO，ZIO}，o∈n；设用户在资源调用时所实际使用的CPU、内存量、网络带宽量为An＝{ACn，ANn，AIn}，所述目标函数的约束条件如下。
Figure BDA0002307984600000052
Figure BDA0002307984600000053
Figure BDA0002307984600000054
根据所述目标函数的结果计算用户的资源利用率和服务器的资源利用率，其中，用户的资源利用率为：
F＝AO/ZO
服务器的资源利用率如下。
W＝(ZO-AO)/ZO
需要说明的是，上述算法过程中需要的物理机以及安装的虚拟机均为同一类型没有偏差，本发明所涉及的算法为最优化算法，所提及的量为本人自己设定，未提及的量默认为理想化，其目的在于进行对比，以此可以明显的看出本算法与其他算法的不同，显著地体现了本算法的最优，然而，在电网调控云实际运行时资源的调用应以用户的实际需求为主导，资源的合理化调用为次，采用相应措施也应该是将所有的想法虚拟化努力的去与实际的调用情况靠近。
如图3、图4所示，数据调用时虚拟机所利用的资源包括计算机资源CPU，网络资源带宽，内存资源内存和数据库；调用的资源和虚拟机之间对应关系为多对多的关系，用户不是固定的，用户的数目也不是固定的，用户根据自己的需求随时来随时使用虚拟机上的资源，使用完之后用户便会离开不做停留。
如图5所示虚拟机在不同时间段所算出的资源利用率，对于上述采集的数据，进入MATLAB程序中进行编程，得到用户和服务器得资源利用率，制成图表，如图6所示，并且拿出与他人算法进行比较；通过柱状图可以看出，本算法随着用户的增多，资源利用率在稳步地上升。
本发明实例是根据以往的资源利用率低下以及以往发明人想法的另一方面进行转换算法使得虚拟机资源云服务器中的资源利用达到最优，该算法可以节约成本，减少资源浪费，增加资源利用率以及回收率。
本发明照比其他的发明更好的在于，本发明关注了CPU死锁，网络资源堵塞，内存存储不足等时候，资源的如何分布的问题。
以上所述，仅为本发明较佳的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明披露的技术范围内，根据本发明的技术方案及其发明构思加以等同替换或改变，都应涵盖在本发明的保护范围之内。

Claims (5)

1.一种基于虚拟机iaas层资源分配的最优化算法，其特征在于，其步骤包括：
S1：建立用户、资源调度器和资源池之间的相互关系模型；
S2：建立数据库，然后在物理机上创建虚拟机并安装Linux系统，设定CPU数量、内存大小以及网络带宽的大小；将数据库导入所述虚拟机Linux系统中；
S3：用户发出请求向所述虚拟机调用资源，虚拟机的后台调度云服务器中心接收到请求后进行数据的调用，虚拟机的CPU、内存和网络开始工作；
S4：数据调用时，对CPU、内存和网络的资源进行实时监控以及收集，当出现CPU死锁，网络资源传输堵塞情况时，对所述CPU、内存和网络资源进行优化分配；优化分配的规则为：
CPU死锁崩溃的前夕，当该CPU内存储可剥夺资源时，所述可剥夺资源将被重新分配在其他的CPU上；或者将资源分为不同的等级，锁死的CPU上优先级高的资源在锁死后，最先被获取，以此类推，优先等级最低的资源最后被获取；当CPU里面存储不可剥夺资源时，所述不可剥夺资源将不会被收回，只能在进程结束后自动释放并调用；
内存资源为可剥夺资源，当内存接近被存满的时候，所述内存上的资源从一个存储区传送到另一个存储区，或者将一些资源传送到外存上；
当网络不行、资源发生堵塞的时候，网络中传输的资源会重新平均分配，按需分配，或者通过备用通道将资源传输出去，降低资源的损失；
S5：数据进行实时监控以及收集时，数据的监控内容包括CPU的流量，内存的流量，网络资源的流量；数据收集时，通过Linux命令查看CPU的占用率、内存的占用率和带宽的使用率，并且在Linux命令里面建立一个while循环，将实时监测到的数据输入到一个文本中；数据调用结束后，将所述文本上的数据通过Linux命令转移到物理机上；
S6：求解在约束条件下用户资源的目标函数，目标函数的表达式为：
其中，用户资源的有效利用量为U＝{U1，U2，…，Up}，用户的个数为p，a∈(1，p)；定义用户的资源请求为R＝{C，N，I}，C为用户请求的CPU量，N为用户需要的内存量，I为用户需要的网络带宽量，设物理机有M台，M＝{i∈M，1≤i≤M}，设服务器有T台，T＝{n∈T，1≤n≤T}，设服务器中的资源量为Z＝{z1，z2，…，zn}，一台服务器中CPU、内存量、网络带宽量分别为ZO＝{ZCO，ZNO，ZIO}，o∈n；设用户在资源调用时所实际使用的CPU、内存量、网络带宽量为An＝{ACn，ANn，AIn}，所述目标函数的约束条件如下：
2.根据权利要求1所述基于虚拟机iaas层资源分配的最优化算法，其特征在于，根据所述目标函数的结果计算用户的资源利用率和服务器的资源利用率，其中，用户的资源利用率为：
F＝AO/ZO
服务器的资源利用率如下
W＝(ZO-AO)/ZO。
3.根据权利要求1所述基于虚拟机iaas层资源分配的最优化算法，其特征在于，用户、资源调度器和资源池之间的相互关系模型为：用户发出数据调用的请求给资源调度器，资源调度器根据所述用户的请求在资源池中寻找所需要的数据，资源池包括虚拟机和调度云服务器中心，数据被找到后再通过资源调度器传递给用户。
4.根据权利要求1所述基于虚拟机iaas层资源分配的最优化算法，其特征在于，数据调用时虚拟机所利用的资源包括计算机资源CPU，网络资源带宽，内存资源内存和数据库。
5.根据权利要求1所述基于虚拟机iaas层资源分配的最优化算法，其特征在于，虚拟机利用Linux命令进行编程，使得数据可以自行导出，实时监控，并且设置反馈程序在CPU即将崩溃，内存不足，以及网络带宽流量不行的时候，调控云服务器平台接收到虚拟机反馈的信息后立刻向后台的主机设备进行报告，主机设备根据所述CPU、内存和网络资源优化分配的规则来对资源进行最优化的分配。
CN201911247363.4A 2019-12-09 2019-12-09 基于虚拟机iaas层资源分配的最优化算法 Active CN111158850B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201911247363.4A CN111158850B (zh) 2019-12-09 2019-12-09 基于虚拟机iaas层资源分配的最优化算法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201911247363.4A CN111158850B (zh) 2019-12-09 2019-12-09 基于虚拟机iaas层资源分配的最优化算法

Publications (2)

Publication Number Publication Date
CN111158850A CN111158850A (zh) 2020-05-15
CN111158850B true CN111158850B (zh) 2023-05-02

Family

ID=70556536

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201911247363.4A Active CN111158850B (zh) 2019-12-09 2019-12-09 基于虚拟机iaas层资源分配的最优化算法

Country Status (1)

Country Link
CN (1) CN111158850B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115357342B (zh) * 2022-08-23 2024-05-28 北京火山引擎科技有限公司 冷启动资源处理方法及装置

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102546379A (zh) * 2010-12-27 2012-07-04 中国移动通信集团公司 一种虚拟化资源调度的方法及虚拟化资源调度系统
CN107967179A (zh) * 2017-12-12 2018-04-27 山东省计算中心（国家超级计算济南中心） 一种支持突发应急的云计算资源分配方法
CN110471762A (zh) * 2019-07-26 2019-11-19 南京工程学院 一种基于多目标优化的云资源分配方法及系统

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US10705872B2 (en) * 2016-12-08 2020-07-07 International Business Machines Corporation Predictive virtual server scheduling and optimization of dynamic consumable resources to achieve priority-based workload performance objectives

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102546379A (zh) * 2010-12-27 2012-07-04 中国移动通信集团公司 一种虚拟化资源调度的方法及虚拟化资源调度系统
CN107967179A (zh) * 2017-12-12 2018-04-27 山东省计算中心（国家超级计算济南中心） 一种支持突发应急的云计算资源分配方法
CN110471762A (zh) * 2019-07-26 2019-11-19 南京工程学院 一种基于多目标优化的云资源分配方法及系统

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
常耀辉等.IaaS云数据中心虚拟机调度优化问题研究.计算机硬件技术.2016,60-61. *

Also Published As

Publication number Publication date
CN111158850A (zh) 2020-05-15

Similar Documents

Publication Publication Date Title
US10361928B2 (en) Cluster instance management system
CN108632365B (zh) 服务资源调整方法、相关装置和设备
CN104991830B (zh) 基于服务等级协议的yarn资源分配和节能调度方法及系统
US9524296B2 (en) Managing events in a computing environment
CN113434253B (zh) 集群资源调度方法、装置、设备及存储介质
CN105320559A (zh) 一种云计算系统的调度方法和装置
CN103823714A (zh) 一种基于虚拟化下NUMA节点内存QoS的调节方法及装置
CN106528266A (zh) 一种云计算系统中的资源动态调整方法及装置
CN113568756B (zh) 一种密码资源协同动态调度方法和系统
CN103179048A (zh) 云数据中心的主机QoS策略变换方法及系统
CN109815004B (zh) 请求负载控制方法、装置、存储介质和计算机设备
US10423217B1 (en) Dynamic power capping of multi-server nodes in a chassis based on real-time resource utilization
Sato et al. Dynamic optimization of virtual machine placement by resource usage prediction
CN108123980A (zh) 一种资源调度方法及系统
CN111158850B (zh) 基于虚拟机iaas层资源分配的最优化算法
US11966273B2 (en) Throughput-optimized, quality-of-service aware power capping system
US8510273B2 (en) System, method, and computer-readable medium to facilitate application of arrival rate qualifications to missed throughput server level goals
CN109445931A (zh) 一种大数据资源调度系统及方法
CN112288596B (zh) 一种电力现货市场运行备用建模方法及相关装置
CN106708624B (zh) 一种多工作域计算资源的自适应调整方法
US20210004675A1 (en) Predictive apparatus and method for predicting workload group metrics of a workload management system of a database system
WO2021207926A1 (zh) 确定内存的方法、统计服务器、物理机和存储介质
CN103383654A (zh) 调节mapper在多核上执行的方法及装置
CN107273196A (zh) 生物信息学高性能计算作业调度及系统管理套件
CN113448716A (zh) 一种资源调整方法、计算机设备及存储介质

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