CN111610994A - 一种云数据中心的部署方法、装置、设备及存储介质 - Google Patents
一种云数据中心的部署方法、装置、设备及存储介质 Download PDFInfo
- Publication number
- CN111610994A CN111610994A CN202010430373.8A CN202010430373A CN111610994A CN 111610994 A CN111610994 A CN 111610994A CN 202010430373 A CN202010430373 A CN 202010430373A CN 111610994 A CN111610994 A CN 111610994A
- Authority
- CN
- China
- Prior art keywords
- data center
- access amount
- user access
- position coordinates
- cloud data
- 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
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F8/00—Arrangements for software engineering
- G06F8/60—Software deployment
- G06F8/65—Updates
Landscapes
- Engineering & Computer Science (AREA)
- Software Systems (AREA)
- General Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Computer Security & Cryptography (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Information Transfer Between Computers (AREA)
Abstract
本申请公开了一种云数据中心的部署方法、装置、电子设备及计算机可读存储介质,该云数据中心的部署方法包括:确定各数据中心的位置坐标的初选值;根据位置坐标确定各数据中心的预期用户接入量;根据位置坐标和预期用户接入量计算用户接入量的区域分布模型;根据区域分布模型对各数据中心进行位置更新;判断预设迭代结束条件是否满足;若是,则根据更新后的位置坐标部署各数据中心并划分各服务区域;若否,则继续执行根据位置坐标确定各数据中心的预期用户接入量及其后续步骤。本申请将用户接入量作为云数据中心的部署参考依据,有效提高了云数据中心位置部署的合理性,进而可有效提高信息传输效率和云数据中心的利用率,综合提升云服务性能。
Description
技术领域
本申请涉电子信息技术领域,特别涉及一种云数据中心的部署方法、装置、电子设备及计算机可读存储介质。
背景技术
随着云计算等技术的不断发展,云服务在社会建设中发挥着越来越重要的作用。与此同时,云数据中心作为云计算的硬件基础,其数量随着云服务使用量的增加而不断增加,由此随之而来的一个重要问题便是对云数据中心的位置部署。科学合理的位置部署能够综合提高各个云数据中心对应服务区内的云服务性能,满足各区用户的使用需求。但是,相关技术中却没有一套针对云数据中心的科学合理的位置部署方案,以致实际使用中的网络延迟等问题无法得到较好解决。鉴于此,提供一种解决上述技术问题的方案,已经是本领域技术人员所亟需关注的。
发明内容
本申请的目的在于提供一种云数据中心的部署方法、装置、电子设备及计算机可读存储介质,以便有效提高云数据中心位置部署的合理性,进而提高云服务性能。
为解决上述技术问题,第一方面,本申请公开了一种云数据中心的部署方法,包括:
确定各数据中心的位置坐标的初选值;
根据所述位置坐标确定各所述数据中心的预期用户接入量;
根据所述位置坐标和所述预期用户接入量计算用户接入量的区域分布模型;
根据所述区域分布模型对各所述数据中心进行位置更新;
判断预设迭代结束条件是否满足;
若是,则根据更新后的所述位置坐标部署各所述数据中心并划分各服务区域;
若否,则继续执行所述根据所述位置坐标确定各所述数据中心的预期用户接入量及其后续步骤。
可选地,所述根据所述位置坐标和所述预期用户接入量计算用户接入量的区域分布模型,包括:
调用SVR算法根据所述位置坐标和所述预期用户接入量计算用户接入量的所述区域分布模型。
可选地,所述根据所述区域分布模型对各所述数据中心进行位置更新,包括:
以所述区域分布模型为概率密度函数,调用CVT算法对各所述数据中心进行位置更新。
可选地,各所述服务区域内的任意点与本服务区域内的数据中心的距离小于与其他数据中心的距离。
可选地,所述预设迭代结束条件包括:
当前的迭代次数达到预设阈值。
第二方面,本申请还公开了一种云数据中心的部署装置,包括:
位置确定模块,用于确定各数据中心的位置坐标的初选值;
接入量计算模块,用于根据所述位置坐标确定各所述数据中心的预期用户接入量;根据所述位置坐标和所述预期用户接入量计算用户接入量的区域分布模型;
位置更新模块,用于根据所述区域分布模型对各所述数据中心进行位置更新;
部署判断模块,用于判断预设迭代结束条件是否满足;若是,则根据更新后的所述位置坐标部署各所述数据中心并划分各服务区域;若否,则所述接入量计算模块继续用于根据所述位置坐标确定各所述数据中心的预期用户接入量。
可选地,所述接入量计算模块具体用于:
调用SVR算法根据所述位置坐标和所述预期用户接入量计算用户接入量的所述区域分布模型。
可选地,所述位置更新模块具体用于:
以所述区域分布模型为概率密度函数,调用CVT算法对各所述数据中心进行位置更新。
可选地,各所述服务区域内的任意点与本服务区域内的数据中心的距离小于与其他数据中心的距离。
可选地,所述预设迭代结束条件包括:当前的迭代次数达到预设阈值。
第三方面,本申请还公开了一种电子设备,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任一种云数据中心的部署方法的步骤。
第四方面,本申请还公开了一种计算机可读存储介质,所述计算机可读存储介质中存储有计算机程序,所述计算机程序被处理器执行时用以实现如上所述的任一种云数据中心的部署方法的步骤。
本申请所提供的云数据中心的部署方法包括:确定各数据中心的位置坐标的初选值;根据所述位置坐标确定各所述数据中心的预期用户接入量;根据所述位置坐标和所述预期用户接入量计算用户接入量的区域分布模型;根据所述区域分布模型对各所述数据中心进行位置更新;判断预设迭代结束条件是否满足;若是,则根据更新后的所述位置坐标部署各所述数据中心并划分各服务区域;若否,则继续执行所述根据所述位置坐标确定各所述数据中心的预期用户接入量及其后续步骤。
可见,本申请将用户接入量作为云数据中心的部署参考依据,根据计算得到的待布设区域内用户接入量的区域分布模型,不断优化调整各云数据中心的位置坐标,有效提高了云数据中心位置部署的合理性,进而可有效降低网络延迟、提高信息传输效率和云数据中心的利用率,综合提升云服务性能。本申请所提供的云数据中心的部署装置、电子设备及计算机可读存储介质同样具有上述有益效果。
附图说明
为了更清楚地说明现有技术和本申请实施例中的技术方案,下面将对现有技术和本申请实施例描述中需要使用的附图作简要的介绍。当然,下面有关本申请实施例的附图描述的仅仅是本申请中的一部分实施例,对于本领域普通技术人员来说,在不付出创造性劳动的前提下,还可以根据提供的附图获得其他的附图,所获得的其他附图也属于本申请的保护范围。
图1为本申请实施例公开的一种云数据中心的部署方法的流程图;
图2为本申请实施例公开的一种划分服务区域的示意图;
图3为本申请实施例公开的一种云数据中心的部署装置的结构框图;
图4为本申请实施例公开的一种电子设备的结构框图。
具体实施方式
本申请的核心在于提供一种云数据中心的部署方法、装置、电子设备及计算机可读存储介质,以便有效提高云数据中心位置部署的合理性,进而提高云服务性能。
为了对本申请实施例中的技术方案进行更加清楚、完整地描述,下面将结合本申请实施例中的附图,对本申请实施例中的技术方案进行介绍。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。
当前,随着云计算等技术的不断发展,云服务在社会建设中发挥着越来越重要的作用。与此同时,云数据中心作为云计算的硬件基础,其数量随着云服务使用量的增加而不断增加,由此随之而来的一个重要问题便是对云数据中心的位置部署。科学合理的位置部署能够综合提高各个云数据中心对应服务区内的云服务性能,满足各区用户的使用需求。但是,相关技术中却没有一套针对云数据中心的科学合理的位置部署方案,以致实际使用中的网络延迟等问题无法得到较好解决。鉴于此,本申请提供了一种云数据中心的部署方案,可有效解决上述问题。
参见图1所示,本申请实施例公开了一种云数据中心的部署方法,主要包括:
S101:确定各数据中心的位置坐标的初选值。
具体地,在进行云数据中心的部署过程中,若已知共需要布设n个云数据中心,则首先可在待布设区域内共选取n个点分别作为n个数据中心位置坐标的初选值。其中,作为一个优选实施例,所选取的n个位置坐标可具体均匀分布在待布设区域内。
S102:根据位置坐标确定各数据中心的预期用户接入量。
具体地,在进行云数据中心的位置选址时,需要考虑的因素可具体包括有用户接入量、环境因素、资源消耗成本以及当地政策等。其中,用户接入量是直接影响一个云数据中心的用户访问业务量的因素,因此,本申请将用户接入量作为着重考虑的重要因素,以便根据与云服务用户间的供需关系合理设置云数据中心的部署位置。由此,在为各个数据中心选择了位置坐标后,便可估算得出各个数据中心的预期用户接入量,以便作为后期部署的重要依据。
S103:根据位置坐标和预期用户接入量计算用户接入量的区域分布模型。
在得到各数据中心所在位置坐标这几个点的预期用户接入量之后,本申请可以通过计算由点及面地得到在整个待布设区域内用户接入量的区域分布模型。
S104:根据区域分布模型对各数据中心进行位置更新。
在得到了整个待布设区域内用户接入量的区域分布模型之后,可以从整体的用户接入量分布情况对数据中心的位置坐标进行优化调整。容易理解的是,对数据中心的位置坐标进行调整的依据,是令各数据中心的分布密度与用户接入量的分布密度相对应,以达到供需平衡。
S105:判断预设迭代结束条件是否满足;若是,则进入S106;若否,则进入S102。
在对各个数据中心的位置坐标进行了调整之后,可判断是否满足迭代结束条件。若已经满足迭代结束条件,则说明当前调整后的数据中心的位置坐标已经足够合理,可以根据这些位置坐标部署各个数据中心,并为各个数据中心划分对应的服务区域。其中,一个数据中心对应一个服务区域,该服务区域内的用户均由对应的数据中心提供云数据服务。
若尚未满足迭代结束条件,则说明当前调整后的数据中心的位置坐标尚不足够合理,需要继续获取各调整后的位置坐标的预期用户接入量,进而根据重新计算得到的整个待布设区域内用户接入量的区域分布模型,对各数据中心的位置坐标再次进行调整,直至满足迭代结束条件。
其中,作为一种具体实施例,预设迭代结束条件可具体为“当前的迭代次数达到预设阈值”。当然,本领域技术人员可根据实际应用情况而自行设置预设阈值的具体大小,或者选择其他迭代结束条件,本申请对此并不作进一步限定。
S106:根据更新后的位置坐标部署各数据中心并划分各服务区域。
本申请实施例所提供的云数据中心的部署方法包括:确定各数据中心的位置坐标的初选值;根据位置坐标确定各数据中心的预期用户接入量;根据位置坐标和预期用户接入量计算用户接入量的区域分布模型;根据区域分布模型对各数据中心进行位置更新;判断预设迭代结束条件是否满足;若是,则根据更新后的位置坐标部署各数据中心并划分各服务区域;若否,则继续执行根据位置坐标确定各数据中心的预期用户接入量及其后续步骤。
具体地,可参见图2,图2为本申请实施例公开的一种划分服务区域的示意图。
可见,本申请将用户接入量作为云数据中心的部署参考依据,根据计算得到的待布设区域内用户接入量的区域分布模型,不断优化调整各云数据中心的位置坐标,有效提高了云数据中心位置部署的合理性,进而可有效降低网络延迟、提高信息传输效率和云数据中心的利用率,综合提升云服务性能。
作为一种具体实施例,本申请实施例所提供的云数据中心的部署方法在上述内容的基础上,根据位置坐标和预期用户接入量计算用户接入量的区域分布模型,包括:
调用SVR(Support Vector Regression,支持向量回归机)算法根据位置坐标和预期用户接入量计算用户接入量的区域分布模型。
具体地,本申请实施例具体采用SVR算法,依据各数据中心的位置坐标以及预期用户接入量计算待布设区域内用户接入量的区域分布模型。SVR算法的理论基础为SVM(Support Vector Machine,支持向量机)算法,在SVM算法的设计思路中,首先定义最优的线性超平面,并将计算最优线性超平面的问题转化为凸规划问题的求解问题,进而引入非线性映射函数,将低维样本空间映射到高维的特征空间,从而可以在特征空间中可以使用线性的方法求解高维样本空间中的非线性回归和分类问题。SVM算法的提出首先用于解决二分类问题,而本实施例所采用的SVR算法是SVM方法在函数回归领域的应用。
具体地,在本申请中,假设待布设区域为Q∈R2,需要在其中部署n个云数据中心。令第i个云数据中心表示为qi(i=1,2,...,n),在Q区域内的位置坐标表示为qi=[xi,yi],对应的用户接入量表示为zi。
作为一个具体实施例,引入高斯核函数:
根据SVR算法的最优回归方程:
可得到用户接入量的区域分布模型具体为:
其中,SVs为支持向量;αi和αi *均为拉格朗日参数;q为位置变量;σ为高斯核函数的宽度参数;b为基于zi计算得到的常数参数。
作为一种具体实施例,本申请实施例所提供的云数据中心的部署方法在上述内容的基础上,根据区域分布模型对各数据中心进行位置更新,包括:以区域分布模型为概率密度函数,调用CVT算法对各数据中心进行位置更新。
具体地,本申请实施例具体采用CVT(Centroidal Voronoi Tessellation)算法来更新优化各云数据中心的位置坐标,并划分服务区域。CVT算法的基础为Voronoi图算法,Voronoi图按照最近邻原则将空间区域划分为多个凸多边形,每个多边形仅关联空间内唯一的生成点,凸多边内任意点到该关联生成点的距离均小于到其他任意生成点的距离。
对于RN空间中任意n个位置互异的离散点集合{qi,(i=1,2,...,n)},点qi的Voronoi单元VRi定义为:
VRi={q∈RN|||q-qi||≤||q-qj||,qi,qj∈RN,i≠j};
式中,||||表示两点之间的欧氏距离;点qi称为Voronoi单元VRi的生成点,Voronoi单元的边称为Voronoi边;Voronoi单元的顶点称为Voronoi顶点。上式表示在每个生成元的Voronoi单元内,任意点q与生成点qi之间的距离均小于到其他任意生成点qj的距离。
重心Voronoi图是特殊的Voronoi图,其每个生成点与对应的Voronoi单元的重心重合,每个生成点qi对应的Voronoi单元为VRi,每个VRi单元的重心ci定义为:
其中,f(q)为VRi单元的概率密度函数。生成点qi和ci重合,现实意义为Voronoi单元内任意点到该生成点的“相对”距离均小于到其他任意生成点的距离。
每个云数据中心的位置坐标表示一个生成点qi,f(q)即为SVR算法计算得出的用户接入量的区域分布模型。在本实施例中,具体结合使用了SVR-CVT算法先后计算用户接入量的区域分布模型、并调整各云数据中心的位置坐标。在实际应用中,完成一次SVR-CVT计算后,每个生成点通过位置坐标的调整被移动到Voronoi单元的重心位置,完成云数据中心的位置更新,并完成区域划分。
作为一种具体实施例,本申请实施例所提供的云数据中心的部署方法在上述内容的基础上,各服务区域内的任意点与本服务区域内的数据中心的距离小于与其他数据中心的距离。
具体地,本实施例通过在每次调用CVT算法时将云数据中心的位置坐标向Voronoi单元的重心位置调整,可合理地依据用户接入量分布情况部署云数据中心和划分服务区域,令所划分的每个服务区域内的所有用户到本服务区域内云数据中心的距离小于到其他云数据中心的距离,实现最小的网络延迟。
参见图3所示,本申请实施例公开了一种云数据中心的部署装置,主要包括:
位置确定模块301,用于确定各数据中心的位置坐标的初选值;
接入量计算模块302,用于根据位置坐标确定各数据中心的预期用户接入量;根据位置坐标和预期用户接入量计算用户接入量的区域分布模型;
位置更新模块303,用于根据区域分布模型对各数据中心进行位置更新;
部署判断模块304,用于判断预设迭代结束条件是否满足;若是,则根据更新后的位置坐标部署各数据中心并划分各服务区域;若否,则接入量计算模块继续用于根据位置坐标确定各数据中心的预期用户接入量。
可见,本申请实施例所公开的云数据中心的部署装置,将用户接入量作为云数据中心的部署参考依据,根据计算得到的待布设区域内用户接入量的区域分布模型,不断优化调整各云数据中心的位置坐标,有效提高了云数据中心位置部署的合理性,进而可有效降低网络延迟、提高信息传输效率和云数据中心的利用率,综合提升云服务性能。
作为一种具体实施例,本申请实施例所公开的云数据中心的部署装置在上述内容的基础上,接入量计算模块302具体用于:
调用SVR算法根据位置坐标和预期用户接入量计算用户接入量的区域分布模型。
作为一种具体实施例,本申请实施例所公开的云数据中心的部署装置在上述内容的基础上,位置更新模块303具体用于:
以区域分布模型为概率密度函数,调用CVT算法对各数据中心进行位置更新。
作为一种具体实施例,本申请实施例所公开的云数据中心的部署装置在上述内容的基础上,各服务区域内的任意点与本服务区域内的数据中心的距离小于与其他数据中心的距离。
作为一种具体实施例,本申请实施例所公开的云数据中心的部署装置在上述内容的基础上,预设迭代结束条件包括:当前的迭代次数达到预设阈值。
关于上述云数据中心的部署装置的具体内容,可参考前述关于云数据中心的部署方法的详细介绍,这里就不再赘述。
参见图4所示,本申请实施例公开了一种电子设备,包括:
存储器401,用于存储计算机程序;
处理器402,用于执行所述计算机程序以实现如上所述的任一种云数据中心的部署方法的步骤。
进一步地,本申请实施例还公开了一种计算机可读存储介质,所述计算机可读存储介质中存储有计算机程序,所述计算机程序被处理器执行时用以实现如上所述的任一种云数据中心的部署方法的步骤。
关于上述电子设备和计算机可读存储介质的具体内容,可参考前述关于云数据中心的部署方法的详细介绍,这里就不再赘述。
本申请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他实施例的不同之处,各个实施例之间相同相似部分互相参见即可。对于实施例公开的设备而言,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。
还需说明的是,在本申请文件中,诸如“第一”和“第二”之类的关系术语,仅仅用来将一个实体或者操作与另一个实体或者操作区分开来,而不一定要求或者暗示这些实体或者操作之间存在任何这种实际的关系或者顺序。此外,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
以上对本申请所提供的技术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。应当指出,对于本技术领域的普通技术人员来说,在不脱离本申请原理的前提下,还可以对本申请进行若干改进和修饰,这些改进和修饰也落入本申请的保护范围内。
Claims (10)
1.一种云数据中心的部署方法,其特征在于,包括:
确定各数据中心的位置坐标的初选值;
根据所述位置坐标确定各所述数据中心的预期用户接入量;
根据所述位置坐标和所述预期用户接入量计算用户接入量的区域分布模型;
根据所述区域分布模型对各所述数据中心进行位置更新;
判断预设迭代结束条件是否满足;
若是,则根据更新后的所述位置坐标部署各所述数据中心并划分各服务区域;
若否,则继续执行所述根据所述位置坐标确定各所述数据中心的预期用户接入量及其后续步骤。
2.根据权利要求1所述的云数据中心的部署方法,其特征在于,所述根据所述位置坐标和所述预期用户接入量计算用户接入量的区域分布模型,包括:
调用SVR算法根据所述位置坐标和所述预期用户接入量计算用户接入量的所述区域分布模型。
3.根据权利要求1所述的云数据中心的部署方法,其特征在于,所述根据所述区域分布模型对各所述数据中心进行位置更新,包括:
以所述区域分布模型为概率密度函数,调用CVT算法对各所述数据中心进行位置更新。
4.根据权利要求1所述的云数据中心的部署方法,其特征在于,各所述服务区域内的任意点与本服务区域内的数据中心的距离小于与其他数据中心的距离。
5.根据权利要求1至4任一项所述的云数据中心的部署方法,其特征在于,所述预设迭代结束条件包括:
当前的迭代次数达到预设阈值。
6.一种云数据中心的部署装置,其特征在于,包括:
位置确定模块,用于确定各数据中心的位置坐标的初选值;
接入量计算模块,用于根据所述位置坐标确定各所述数据中心的预期用户接入量;根据所述位置坐标和所述预期用户接入量计算用户接入量的区域分布模型;
位置更新模块,用于根据所述区域分布模型对各所述数据中心进行位置更新;
部署判断模块,用于判断预设迭代结束条件是否满足;若是,则根据更新后的所述位置坐标部署各所述数据中心并划分各服务区域;若否,则所述接入量计算模块继续用于根据所述位置坐标确定各所述数据中心的预期用户接入量。
7.根据权利要求6所述的云数据中心的部署装置,其特征在于,所述接入量计算模块具体用于:
调用SVR算法根据所述位置坐标和所述预期用户接入量计算用户接入量的所述区域分布模型。
8.根据权利要求6所述的云数据中心的部署方法,其特征在于,所述位置更新模块具体用于:
以所述区域分布模型为概率密度函数,调用CVT算法对各所述数据中心进行位置更新。
9.一种电子设备,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至5任一项所述的云数据中心的部署方法的步骤。
10.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质中存储有计算机程序,所述计算机程序被处理器执行时用以实现如权利要求1至5任一项所述的云数据中心的部署方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010430373.8A CN111610994B (zh) | 2020-05-20 | 2020-05-20 | 一种云数据中心的部署方法、装置、设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010430373.8A CN111610994B (zh) | 2020-05-20 | 2020-05-20 | 一种云数据中心的部署方法、装置、设备及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111610994A true CN111610994A (zh) | 2020-09-01 |
CN111610994B CN111610994B (zh) | 2023-10-20 |
Family
ID=72196965
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010430373.8A Active CN111610994B (zh) | 2020-05-20 | 2020-05-20 | 一种云数据中心的部署方法、装置、设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111610994B (zh) |
Citations (17)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP1488314A2 (en) * | 2002-03-25 | 2004-12-22 | Telefonaktiebolaget LM Ericsson (publ) | Method and devices for dynamic management of a server application on a server platform |
CN104426953A (zh) * | 2013-08-28 | 2015-03-18 | 腾讯科技(深圳)有限公司 | 一种分配计算资源的方法及装置 |
CN104699508A (zh) * | 2015-03-25 | 2015-06-10 | 南京大学 | 云计算平台中快速部署和更新虚拟环境系统及其方法 |
CN104737131A (zh) * | 2012-10-23 | 2015-06-24 | 瑞典爱立信有限公司 | 用于云服务部署的方法和系统 |
CN104932898A (zh) * | 2015-06-30 | 2015-09-23 | 东北大学 | 一种基于改进多目标粒子群优化算法的待增组件选择方法 |
CN104935462A (zh) * | 2015-06-02 | 2015-09-23 | 清华大学 | 一种端服务器部署方法及装置 |
EP2930617A1 (en) * | 2014-04-10 | 2015-10-14 | Alcatel Lucent | Resource management method and device |
CN105677447A (zh) * | 2016-01-29 | 2016-06-15 | 哈尔滨工业大学深圳研究生院 | 分布式云中基于聚类的时延带宽极小化虚拟机部署方法 |
CN106533750A (zh) * | 2016-10-28 | 2017-03-22 | 东北大学 | 一种云环境下非平稳型应用用户并发量的预测系统及方法 |
CN107203412A (zh) * | 2017-05-04 | 2017-09-26 | 电子科技大学 | 一种基于膜系统改进粒子群算法的云资源调度优化方法 |
CN108089923A (zh) * | 2017-12-15 | 2018-05-29 | 中国民航信息网络股份有限公司 | 基于加权Voronoi图的用户接入区域划分方法和装置 |
WO2018188405A1 (zh) * | 2017-04-11 | 2018-10-18 | 中兴通讯股份有限公司 | 云应用资源的配置方法及装置 |
CN109412829A (zh) * | 2018-08-30 | 2019-03-01 | 华为技术有限公司 | 一种资源配置的预测方法及设备 |
US20190146810A1 (en) * | 2017-11-13 | 2019-05-16 | International Business Machines Corporation | Automated deployment and performance evaluation of a virtualized-computing environment |
CN110308995A (zh) * | 2019-07-08 | 2019-10-08 | 童晓雯 | 一种边缘云计算服务系统边缘云节点部署装置 |
CN110972060A (zh) * | 2019-12-13 | 2020-04-07 | 国网福建省电力有限公司经济技术研究院 | 一种在电力通信网面向终端接入的边缘控制中心部署方法 |
CN111026550A (zh) * | 2019-11-29 | 2020-04-17 | 中国科学院深圳先进技术研究院 | 容器云环境下的任务调度方法、装置、服务器及存储装置 |
-
2020
- 2020-05-20 CN CN202010430373.8A patent/CN111610994B/zh active Active
Patent Citations (17)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP1488314A2 (en) * | 2002-03-25 | 2004-12-22 | Telefonaktiebolaget LM Ericsson (publ) | Method and devices for dynamic management of a server application on a server platform |
CN104737131A (zh) * | 2012-10-23 | 2015-06-24 | 瑞典爱立信有限公司 | 用于云服务部署的方法和系统 |
CN104426953A (zh) * | 2013-08-28 | 2015-03-18 | 腾讯科技(深圳)有限公司 | 一种分配计算资源的方法及装置 |
EP2930617A1 (en) * | 2014-04-10 | 2015-10-14 | Alcatel Lucent | Resource management method and device |
CN104699508A (zh) * | 2015-03-25 | 2015-06-10 | 南京大学 | 云计算平台中快速部署和更新虚拟环境系统及其方法 |
CN104935462A (zh) * | 2015-06-02 | 2015-09-23 | 清华大学 | 一种端服务器部署方法及装置 |
CN104932898A (zh) * | 2015-06-30 | 2015-09-23 | 东北大学 | 一种基于改进多目标粒子群优化算法的待增组件选择方法 |
CN105677447A (zh) * | 2016-01-29 | 2016-06-15 | 哈尔滨工业大学深圳研究生院 | 分布式云中基于聚类的时延带宽极小化虚拟机部署方法 |
CN106533750A (zh) * | 2016-10-28 | 2017-03-22 | 东北大学 | 一种云环境下非平稳型应用用户并发量的预测系统及方法 |
WO2018188405A1 (zh) * | 2017-04-11 | 2018-10-18 | 中兴通讯股份有限公司 | 云应用资源的配置方法及装置 |
CN107203412A (zh) * | 2017-05-04 | 2017-09-26 | 电子科技大学 | 一种基于膜系统改进粒子群算法的云资源调度优化方法 |
US20190146810A1 (en) * | 2017-11-13 | 2019-05-16 | International Business Machines Corporation | Automated deployment and performance evaluation of a virtualized-computing environment |
CN108089923A (zh) * | 2017-12-15 | 2018-05-29 | 中国民航信息网络股份有限公司 | 基于加权Voronoi图的用户接入区域划分方法和装置 |
CN109412829A (zh) * | 2018-08-30 | 2019-03-01 | 华为技术有限公司 | 一种资源配置的预测方法及设备 |
CN110308995A (zh) * | 2019-07-08 | 2019-10-08 | 童晓雯 | 一种边缘云计算服务系统边缘云节点部署装置 |
CN111026550A (zh) * | 2019-11-29 | 2020-04-17 | 中国科学院深圳先进技术研究院 | 容器云环境下的任务调度方法、装置、服务器及存储装置 |
CN110972060A (zh) * | 2019-12-13 | 2020-04-07 | 国网福建省电力有限公司经济技术研究院 | 一种在电力通信网面向终端接入的边缘控制中心部署方法 |
Non-Patent Citations (9)
Title |
---|
刘鎏: "《数据中心高效资源管理关键技术研究》", 《中国博士学位论文全文数据库》 * |
刘鎏: "《数据中心高效资源管理关键技术研究》", 《中国博士学位论文全文数据库》, 15 December 2016 (2016-12-15) * |
孟煜;张斌;郭军;闫永明;: "云计算环境下云服务用户并发量的区间预测模型", 计算机学报, no. 02 * |
是晓XIAO哦: "《云数据中心概述与趋势》", 《HTTPS://BLOG.CSDN.NET/LIUXIAOXUEER/ARTICLE/DETAILS/89242508》 * |
是晓XIAO哦: "《云数据中心概述与趋势》", 《HTTPS://BLOG.CSDN.NET/LIUXIAOXUEER/ARTICLE/DETAILS/89242508》, 12 April 2019 (2019-04-12) * |
晁莹;耿国华;张雨禾;张靖;: "基于区域分割的点云骨架提取算法", 计算机工程, no. 10 * |
王志朋, 曹斌, 张钦宇: "基于需求预测的云无线接入网计算资源分配策略研究", 物联网学报, vol. 3, no. 4 * |
王成福: "基于特征感知的三维散乱点云简化技术研究", 中国优秀硕士学位论文全文数据库信息科技辑, no. 01 * |
考拉只想睡觉: "地理信息|空间描述与空间模式分析", Retrieved from the Internet <URL:https://blog.csdn.net/chengduxiu/article/details/104149571> * |
Also Published As
Publication number | Publication date |
---|---|
CN111610994B (zh) | 2023-10-20 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107333267B (zh) | 一种用于5g超密集组网场景的边缘计算方法 | |
Chen et al. | Harmony search algorithm with dynamic control parameters | |
CN109951897A (zh) | 一种能耗与延迟约束下的mec卸载方法 | |
CN108416465B (zh) | 一种移动云环境下的工作流优化方法 | |
CN111586720A (zh) | 一种多小区场景下的任务卸载和资源分配的联合优化方法 | |
CN111124689A (zh) | 一种集群中容器资源动态分配方法 | |
CN114126066B (zh) | 面向mec的服务器资源配置与选址联合优化决策方法 | |
CN111694664B (zh) | 一种边缘服务器的计算卸载分配方法 | |
Pandey et al. | Improved fireworks algorithm with chaotic sequence operator for large-scale non-convex economic load dispatch problem | |
CN112202847B (zh) | 一种基于移动边缘计算的服务器资源配置方法 | |
CN108830408A (zh) | 一种面向任务资源匹配的装备保障任务多目标规划方法 | |
CN108989092B (zh) | 一种无线网络预测方法、电子设备及存储介质 | |
CN107766980A (zh) | 基于用户行为习惯的电动汽车分时充电电价优化方法 | |
CN110956324A (zh) | 基于改进的moea/d的主动配电网日前高维目标优化调度方法 | |
Bae et al. | A reinforcement learning formulation of the lyapunov optimization: Application to edge computing systems with queue stability | |
CN115802389A (zh) | 一种利用数字孪生辅助模型训练的联邦学习方法 | |
Dong et al. | Content caching-enhanced computation offloading in mobile edge service networks | |
CN109391511B (zh) | 一种基于可拓展训练网络的智能通信资源分配策略 | |
Abubakar et al. | A lightweight cell switching and traffic offloading scheme for energy optimization in ultra-dense heterogeneous networks | |
CN111610994A (zh) | 一种云数据中心的部署方法、装置、设备及存储介质 | |
Luo et al. | Enabling balanced data deduplication in mobile edge computing | |
Ma | Edge server placement for service offloading in internet of things | |
Lei et al. | Joint service placement and request scheduling for multi-SP mobile edge computing network | |
CN116321189A (zh) | 一种面向边缘计算中基于深度强化学习的服务器部署方法 | |
CN113301599B (zh) | 一种5g基站智能关断方法、装置、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 |