CN111722921A - 云服务预测的认知检测 - Google Patents
云服务预测的认知检测 Download PDFInfo
- Publication number
- CN111722921A CN111722921A CN202010137405.5A CN202010137405A CN111722921A CN 111722921 A CN111722921 A CN 111722921A CN 202010137405 A CN202010137405 A CN 202010137405A CN 111722921 A CN111722921 A CN 111722921A
- Authority
- CN
- China
- Prior art keywords
- resources
- active
- resource
- information handling
- computer
- 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
- 230000001149 cognitive effect Effects 0.000 title claims abstract description 24
- 238000001514 detection method Methods 0.000 title abstract description 3
- 238000000034 method Methods 0.000 claims abstract description 41
- 230000000694 effects Effects 0.000 claims abstract description 22
- 238000004590 computer program Methods 0.000 claims description 7
- 230000010365 information processing Effects 0.000 claims description 7
- 238000012549 training Methods 0.000 claims description 4
- 230000004044 response Effects 0.000 claims 1
- 230000008569 process Effects 0.000 description 20
- 238000010586 diagram Methods 0.000 description 13
- 230000000875 corresponding effect Effects 0.000 description 11
- 230000006870 function Effects 0.000 description 9
- 238000012545 processing Methods 0.000 description 9
- 230000003287 optical effect Effects 0.000 description 5
- 230000005540 biological transmission Effects 0.000 description 4
- 238000012986 modification Methods 0.000 description 4
- 230000004048 modification Effects 0.000 description 4
- 238000004891 communication Methods 0.000 description 2
- 239000000835 fiber Substances 0.000 description 2
- 238000003064 k means clustering Methods 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 230000001902 propagating effect Effects 0.000 description 2
- RYGMFSIKBFXOCR-UHFFFAOYSA-N Copper Chemical compound [Cu] RYGMFSIKBFXOCR-UHFFFAOYSA-N 0.000 description 1
- LYNCXVGFZKKGDB-UHFFFAOYSA-M [2-hydroxy-3-(4-methoxyphenoxy)propyl]-[2-[[2-hydroxy-3-(4-methoxyphenoxy)propyl]amino]ethyl]-dimethylazanium;chloride;hydrochloride Chemical compound Cl.[Cl-].C1=CC(OC)=CC=C1OCC(O)CNCC[N+](C)(C)CC(O)COC1=CC=C(OC)C=C1 LYNCXVGFZKKGDB-UHFFFAOYSA-M 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 230000002860 competitive effect Effects 0.000 description 1
- 229910052802 copper Inorganic materials 0.000 description 1
- 239000010949 copper Substances 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000012417 linear regression Methods 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 230000008520 organization Effects 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N5/00—Computing arrangements using knowledge-based models
- G06N5/04—Inference or reasoning models
- G06N5/043—Distributed expert systems; Blackboards
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/90—Details of database functions independent of the retrieved data types
- G06F16/906—Clustering; Classification
-
- 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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0631—Resource planning, allocation, distributing or scheduling for enterprises or organisations
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q30/00—Commerce
- G06Q30/02—Marketing; Price estimation or determination; Fundraising
- G06Q30/0283—Price estimation or determination
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2209/00—Indexing scheme relating to G06F9/00
- G06F2209/50—Indexing scheme relating to G06F9/50
- G06F2209/5019—Workload prediction
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2209/00—Indexing scheme relating to G06F9/00
- G06F2209/50—Indexing scheme relating to G06F9/50
- G06F2209/5021—Priority
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Software Systems (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Data Mining & Analysis (AREA)
- Computing Systems (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Mathematical Physics (AREA)
- Development Economics (AREA)
- Strategic Management (AREA)
- Human Resources & Organizations (AREA)
- Entrepreneurship & Innovation (AREA)
- Economics (AREA)
- Databases & Information Systems (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Medical Informatics (AREA)
- Computational Linguistics (AREA)
- Accounting & Taxation (AREA)
- Finance (AREA)
- Game Theory and Decision Science (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- General Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Educational Administration (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明涉及云服务预测的认知检测。提供了一种方法，其中信息处理系统使用弃用资源的历史持续时间来计算增加的概率窗口。该增加的概率窗口对应于当前活动资源在未来时间点可能是活动的概率的增加。接下来，信息处理系统识别在增加的概率窗口内具有活动持续时间的活动资源集，并且进而将该资源集标记为预测的活动资源集。进而，信息处理系统基于预测的活动资源集生成资源成本预测。
Description
背景技术
云计算提供商根据不同的模式提供各种服务，诸如基础设施即服务(Infrastructure as a Service，IaaS)、平台即服务(Platform as a Service，PaaS)和软件即服务(Software as a Service，SaaS)。这些模型提供了增加的抽象概念，并且通常被描述为堆栈中的层，其中IaaS是底层，PaaS是中间层，并且SaaS是顶层。这些模型也可以相互独立使用。
云环境可能包括所有三层(IaaS、PaaS和SaaS)的软件，包括与公共云提供商帐户相关联的信息，和/或包括内部私有云中的整个“机架”或数据中心。云环境的操作的方式通常受制于多个可配置参数集，这些参数通常包括硬件选择(CPU、磁盘、网卡、存储器、路由器/交换机等)、固件级别选择、BIOS配置、每个硬件组件的操作系统选择、操作系统配置、虚拟化软件选择和配置以及模式部署软件/配置。云服务提供商通常基于组织利用的资源量向组织收费。
由于应用/服务的稳定性，通常会长时间使用云资源来运行不同的应用/服务。组织目前面临的挑战中的一个是估算云服务/云提供商的未来成本并分配相应的预算。组织通常会招致意外的费用和估计/计划服务消耗的缺口。在竞争的云服务世界中，成本预测对于组织的发展和可持续性至关重要。
发明内容
根据本公开的一个实施例，提供了一种方法，其中信息处理系统使用弃用资源(deprecated resource)的历史持续时间(historical time duration)来计算增加的概率窗口。增加的概率窗口对应于当前活动资源在未来时间点可能是活动的概率的增加。接下来，信息处理系统识别在增加的概率窗口内具有活动持续时间的活动资源集，并且进而将该资源集标记为预测的活动资源集。进而，信息处理系统基于预测的活动资源集生成资源成本预测。
前述内容是一个概述，因此必然包含细节的简化、概括和省略；因此，本领域技术人员将会理解，该概述仅是说明性的，并不旨在以任何方式进行限制。仅由权利要求限定的本公开的其他方面、发明特征和优点将在以下阐述的非限制性详细描述中变得显而易见。
附图说明
通过参考附图，可以更好地理解本公开，并且其许多目的、特征和优点对于本领域技术人员来说是显而易见的，其中：
图1是其中可以实现本文描述的方法的数据处理系统的框图；
图2提供了图1所示的信息处理系统环境的扩展，以说明本文描述的方法可以在联网环境中操作的各种信息处理系统上执行；
图3是描述成本预测系统的示例性高层图，该成本预测系统通过基于弃用资源利用数据(deprecated resource utilization data)预测未来活动资源来生成云服务成本预测；
图4是示例性的时间线，其示出了弃用资源、活动资源以及哪些活动资源将在未来时间点继续活动；
图5是示例性流程图，其示出了使用弃用资源利用数据来训练认知引擎所采取的步骤；
图6是示例性流程图，其示出了使用在弃用资源利用数据上训练的认知引擎来预测未来时间的活动资源所采取的步骤；和
图7描述了示例性图表，其示出了在活动持续时间轴上绘制的增加的概率窗口，以识别高影响的资源聚类。
具体实施方式
本文使用的术语仅仅是为了描述特定的实施例，而不是为了限制本公开。如本文所使用的，单数形式“一”、“一个”和“该”也旨在包括复数形式，除非上下文清楚地另外指示。还将理解，当术语“包括”和/或“包含”在本说明书中使用时，指定陈述的特征、整体、步骤、操作、元件、和/或组件的存在，但是不排除一个或多个其它特征、整体、步骤、操作、元件、组件和/或它们的组的存在或者添加。
所附权利要求中的相应结构、材料、动作以及所有装置或步骤加上功能元件的等同物旨在包括用于与具体要求保护的其他要求保护的元件结合执行功能的任何结构、材料或动作。出于说明和描述的目的，已经呈现了对本公开的描述，但是其并不旨在穷举或限制于所公开形式的公开。在不脱离本公开的范围和精神的情况下，许多修改和变化对于本领域普通技术人员来说是显而易见的。选择和描述该实施例是为了最好地解释本公开的原理和实际应用，并且使本领域的其他普通技术人员能够理解具有各种修改的各种实施例的公开，这些修改适合于预期的特定用途。
本发明可以是系统、方法和/或计算机程序产品。计算机程序产品可以包括计算机可读存储介质，其上载有用于使处理器实现本发明的各个方面的计算机可读程序指令。
计算机可读存储介质可以是可以保持和存储由指令执行设备使用的指令的有形设备。计算机可读存储介质例如可以是――但不限于――电存储设备、磁存储设备、光存储设备、电磁存储设备、半导体存储设备或者上述的任意合适的组合。计算机可读存储介质的更具体的示例(非穷举的列表)包括：便携式计算机盘、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)、静态随机存取存储器(SRAM)、便携式压缩盘只读存储器(CD-ROM)、数字多功能盘(DVD)、记忆棒、软盘、机械编码设备、例如其上存储有指令的打孔卡或凹槽内凸起结构、以及上述的任意合适的组合。这里所使用的计算机可读存储介质不被解释为瞬时信号本身，诸如无线电波或者其他自由传播的电磁波、通过波导或其他传输媒介传播的电磁波(例如，通过光纤电缆的光脉冲)、或者通过电线传输的电信号。
这里所描述的计算机可读程序指令可以从计算机可读存储介质下载到各个计算/处理设备，或者通过网络、例如因特网、局域网、广域网和/或无线网下载到外部计算机或外部存储设备。网络可以包括铜传输电缆、光纤传输、无线传输、路由器、防火墙、交换机、网关计算机和/或边缘服务器。每个计算/处理设备中的网络适配卡或者网络接口从网络接收计算机可读程序指令，并转发该计算机可读程序指令，以供存储在各个计算/处理设备中的计算机可读存储介质中。
用于执行本发明操作的计算机程序指令可以是汇编指令、指令集架构(ISA)指令、机器指令、机器相关指令、微代码、固件指令、状态设置数据、或者以一种或多种编程语言的任意组合编写的源代码或目标代码，所述编程语言包括面向对象的编程语言—诸如Smalltalk、C++等，以及常规的过程式编程语言—诸如“C”语言或类似的编程语言。计算机可读程序指令可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中，远程计算机可以通过任意种类的网络—包括局域网(LAN)或广域网(WAN)—连接到用户计算机，或者，可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。在一些实施例中，通过利用计算机可读程序指令的状态信息来个性化定制电子电路，例如可编程逻辑电路、现场可编程门阵列(FPGA)或可编程逻辑阵列(PLA)，该电子电路可以执行计算机可读程序指令，从而实现本发明的各个方面。
这里参照根据本发明实施例的方法、装置(系统)和计算机程序产品的流程图和/或框图描述了本发明的各个方面。应当理解，流程图和/或框图的每个方框以及流程图和/或框图中各方框的组合，都可以由计算机可读程序指令实现。
这些计算机可读程序指令可以提供给通用计算机、专用计算机或其它可编程数据处理装置的处理器，从而生产出一种机器，使得这些指令在通过计算机或其它可编程数据处理装置的处理器执行时，产生了实现流程图和/或框图中的一个或多个方框中规定的功能/动作的装置。也可以把这些计算机可读程序指令存储在计算机可读存储介质中，这些指令使得计算机、可编程数据处理装置和/或其他设备以特定方式工作，从而，存储有指令的计算机可读介质则包括一个制造品，其包括实现流程图和/或框图中的一个或多个方框中规定的功能/动作的各个方面的指令。
也可以把计算机可读程序指令加载到计算机、其它可编程数据处理装置、或其它设备上，使得在计算机、其它可编程数据处理装置或其它设备上执行一系列操作步骤，以产生计算机实现的过程，从而使得在计算机、其它可编程数据处理装置、或其它设备上执行的指令实现流程图和/或框图中的一个或多个方框中规定的功能/动作。
附图中的流程图和框图显示了根据本发明的多个实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段或指令的一部分，所述模块、程序段或指令的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。在有些作为替换的实现中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个连续的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或动作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。如上所述，以下详细描述将大体上遵循本公开的概述，并根据需要进一步解释和扩展本公开的实施例和各个方面的定义。
图1示出了信息处理系统100，其是能够执行本文描述的计算操作的计算机系统的简化示例。信息处理系统100包括耦合到处理器接口总线112的一个或多个处理器110。处理器接口总线112将处理器110连接到北桥115，北桥115也被称为存储器控制器集线器(Memory Controller Hub，MCH)。北桥115连接到系统存储器120，并为(多个)处理器110提供访问系统存储器的手段。图形控制器125也连接到北桥115。在一个实施例中，外围组件互连(Peripheral Component Interconnect，PCI)Express总线118将北桥115连接到图形控制器125。图形控制器125连接到显示设备130，诸如计算机监视器。
北桥115和南桥135使用总线119相互连接。在一些实施例中，总线是直接媒体接口(Direct Media Interface，DMI)总线，其在北桥115和南桥135之间的每个方向上高速传输数据。在一些实施例中，PCI总线连接北桥和南桥。南桥135，也称为输入/输出(I/O)控制器集线器(Input/Output Controller Hub，ICH)，是一种芯片，通常实现以比北桥提供的能力更慢的速度操作的能力。南桥135通常提供用于连接各种组件的各种总线。这些总线包括，例如，PCI和PCI Express总线、ISA总线、系统管理总线(SMBus或SMB)和/或低引脚数(LowPin Count，LPC)总线。LPC总线通常连接低带宽设备，诸如引导ROM 196和“传统”I/O设备(使用“超级I/O”芯片)。“传统”I/O设备(198)可以包括例如串行和并行端口、键盘、鼠标和/或软盘控制器。通常包括在南桥135中的其他组件包括直接存储器存取(Direct MemoryAccess，DMA)控制器、可编程中断控制器(Programmable Interrupt Controller，PIC)和存储设备控制器，其使用总线184将南桥135连接到非易失性存储设备185，诸如硬盘驱动器。
ExpressCard 155是将热插拔设备连接到信息处理系统的插槽。ExpressCard 155支持PCI Express和通用串行总线(Universal Serial Bus，USB)连接两者，因为它使用USB和PCI Express总线两者来连接到南桥135。南桥135包括向连接到USB的设备提供USB连接的USB控制器140。这些设备包括网络摄像头(相机)150、红外(IR)接收器148、键盘和触控板144以及蓝牙设备146，蓝牙设备146提供无线个人区域网络(personal area network，PAN)。USB控制器140还提供到其它各种各样USB连接的设备142的USB连接，诸如鼠标、可移动非易失性存储设备145、调制解调器、网卡、综合业务数字网(Integrated ServicesDigital Network，ISDN)连接器、传真机、打印机、USB集线器和许多其它类型的USB连接设备。虽然可移动非易失性存储设备145被示出为USB连接的设备，但是可移动非易失性存储设备145可以使用不同的接口连接，诸如火线接口等。
无线局域网(Wireless Local Area Network，LAN)设备175经由PCI或PCIExpress总线172连接到南桥135。LAN设备175通常实现电气和电子工程师协会(IEEE)802.11空中调制技术标准中的一个，这些标准都使用相同的协议在信息处理系统100和另一计算机系统或设备之间进行无线通信。光存储设备190使用串行模拟电话适配器(AnalogTelephone Adapter，ATA)(Serial ATA，SATA)总线188连接到南桥135。串行ATA适配器和设备通过高速串行链路进行通信。串行ATA总线还将南桥135连接到其他形式的存储设备，诸如硬盘驱动器。音频电路160(诸如声卡)经由总线158连接到南桥135。音频电路160还提供与音频硬件相关联的功能，诸如音频线路输入和光数字音频输入端口162、光数字输出和耳机插孔164、内部扬声器166和内部麦克风168。以太网控制器170使用总线(诸如PCI或PCIExpress总线)连接到南桥135。以太网控制器170将信息处理系统100连接到计算机网络，诸如局域网(LAN)、因特网和其他公共和私有计算机网络。
虽然图1示出了一个信息处理系统，但是信息处理系统可以采用多种形式。例如，信息处理系统可以采取台式、服务器、便携式、膝上型、笔记本或其他形式的计算机或数据处理系统的形式。此外，信息处理系统可以采用其他形式的因素，诸如个人数字助理(personal digital assistant，PDA)、游戏设备、自动柜员机(Automated TellerMachine，ATM)、便携式电话设备、通信设备或包括处理器和存储器的其他设备。
图2提供了图1所示的信息处理系统环境的扩展，以说明本文描述的方法可以在联网环境中操作的各种信息处理系统上执行；信息处理系统的类型从小型手持设备(诸如手持计算机/移动电话210)到大型主机系统(诸如主机计算机270)。手持计算机210的示例包括个人数字助理(PDA)、个人娱乐设备，诸如运动图像专家组第三层音频(Moving PictureExperts Group Layer-3 Audio，MP3)播放器、便携式电视和光盘播放器。信息处理系统的其他示例包括笔输入计算机或平板电脑计算机220、膝上型电脑或笔记本电脑计算机230、工作站240、个人计算机系统250和服务器260。图2中未单独示出的其他类型的信息处理系统由信息处理系统280表示。如图所示，各种信息处理系统可以使用计算机网络200联网在一起。可用于互连各种信息处理系统的计算机网络类型包括局域网(LAN)、无线局域网(Wireless Local Area Network，WLAN)、因特网、公共交换电话网(Public SwitchedTelephone Network，PSTN)、其他无线网络以及可用于互连信息处理系统的任何其他网络拓扑。许多信息处理系统包括非易失性数据存储，诸如硬盘驱动器和/或非易失性存储器。图2所示的信息处理系统的实施例包括独立的非易失性数据存储(更具体地，服务器260利用非易失性数据存储265，主机计算机270利用非易失性数据存储275，并且信息处理系统280利用非易失性数据存储285)。非易失性数据存储可以是各种信息处理系统外部的组件，或者也可以是信息处理系统中的一个内部的组件。此外，可移动非易失性存储设备145可以使用各种技术在两个或多个信息处理系统之间共享，诸如将可移动非易失性存储设备145连接到信息处理系统的USB端口或其他连接器。
当前的成本预测解决方案实现线性回归方法，该方法不维护资源生命周期预测信息。因此，资源利用趋势和依赖性信息既不被捕获也不被用于未来成本预测。图3到图7描述了可以在信息处理系统上执行的方法，其利用历史弃用资源利用数据来预测哪些活动资源在未来时间点仍将是活动的。
首先，信息处理系统计算弃用资源曾活动的历史持续时间，然后使用该历史持续时间训练认知引擎。接下来，信息处理系统使用所训练的认知引擎来确定与当前活动资源的活动持续时间相对应的增加的概率窗口，这些当前活动资源可能在未来是活动的。在一个实施例中，认知引擎通过使用新弃用资源利用数据来重新训练自身，从而随着时间的推移提高准确性。然后，信息处理系统定义高影响的当前活动的资源聚类，在一个实施例中，其基于K-均值聚类对资源进行聚类。然后，信息处理系统计算聚类的平均活动持续时间和聚类的平均操作频率。然后，信息处理系统识别其平均活动持续时间位于增加的概率窗口中的那些聚类，并基于它们的平均操作频率对聚类进行优先级排序(prioritize)。信息处理系统选择前k个聚类作为高影响的资源聚类，并将与高影响的资源聚类相对应的当前活动资源指定为预测的活动资源。最后，信息处理系统基于预测的活动资源计算云服务成本预测。
如本文所讨论的，信息处理系统认知地预测资源生命周期参数(资源的年龄、活动时间)，并支持用于捕获消费者基于资源的年龄来停止使用(de-commissioning)资源/蓝图的行为的连续概率模型。信息处理系统还动态地计算用于资源利用预测的操作阈值，并使用资源利用年龄和操作阈值来预测下一周期(例如，月)的活动资源和下一周期的成本预测。
图3是描述成本预测系统的示例性高层图，该成本预测系统通过基于弃用资源利用数据预测未来活动资源来生成云服务成本预测。云320包括资源330。随着时间的推移，一些资源330被供应并最终被弃用。成本预测系统300捕获资源利用数据340，该资源利用数据340数据包括资源信息，诸如供应时间、弃用时间以及资源在其生命周期内运行的发生量。成本预测系统300将弃用资源利用数据340存储在供应日志存储350中。
然后，成本预测系统300使用存储在供应日志存储350中的弃用资源利用数据来训练认知引擎310。在训练过程期间，基于弃用资源的历史持续时间和历史相对操作频率来训练认知引擎310(参见图5和相应的文本以获得更多细节)。进而，认知引擎310基于资源当前年龄生成与资源在未来时间点可能是活动的时间的概率窗口的增加的概率窗口(lambda 1和lambda 2)(参见图6、图7和相应的文本以获得更多细节)。在一个实施例中，认知引擎310通过使用反馈传播网络来确定云资源330的生命周期，随着时间的推移而改进自身。
一旦认知引擎310被训练，成本预测系统300对资源330中当前活动资源的信息进行聚类，并识别其平均活动持续时间落在增加的概率窗口内的那些聚类。然后，成本预测系统300选择识别的具有最高平均操作频率的聚类中的一个，并将与选择的聚类相对应的当前活动资源指定为预测的活动资源(可能在未来时间点是活动的)(参见图6、7和相应的文本以获得更多细节)。进而，成本预测系统300计算预测的活动资源的成本预测，并生成云服务成本预测360，用户对其进行评估以预测即将到来的时间段的成本。
图4是示例性的时间线，其示出了弃用资源、活动资源以及哪些活动资源将在未来某个时间点继续活动。时间线400示出了7月和8月之间(例如，7月31日)的某个时间点(预测时间455)的预测事件。如本文所讨论的，成本预测系统300基于每个弃用资源410的供应的时间及其弃用时间之间的时间量来计算每个弃用资源410的历史持续时间，然后使用历史持续时间来训练认知引擎310(参见图5和相应的文本以获得更多细节)。然后，成本预测系统300使用认知引擎310来提供增加的概率窗口，该概率窗口进而被用来预测当前活动的资源420、430、440和450中的哪个将在未来时间点460(例如，8月)是活动的(参见图6、图7和相应的文本以获得更多细节)。
图5是示例性流程图，其示出了使用弃用资源利用数据来训练认知引擎所采取的步骤。图5的处理开始于500，随后，在步骤510，该过程基于存储在供应日志存储350中的弃用资源利用数据来计算每个弃用资源的历史持续时间。
在步骤520，该过程基于活动和历史持续时间来计算每个弃用资源的相对操作频率。例如，资源＝{Rx，Ry}，它们在时间(t1，t2)上的操作的具有Rx＝3，Ry＝1的频率。然后，在步骤530，该过程基于弃用资源的历史相对操作频率和历史持续时间来训练认知引擎310。
然后，该过程确定是否继续训练认知引擎310(判定540)。如果该过程应该继续训练认知引擎310，则判定540分支到“是”分支，该分支循环返回以接收(步骤550)并处理来自最近弃用资源的新弃用资源利用数据。这种循环继续，直到训练应该结束，此时判定540分支到退出循环的“否”分支。此后，图5的处理在595处结束。
图6是示例性流程图，其示出了使用在弃用资源利用数据上训练的认知引擎来预测未来时间的活动资源所采取的步骤。图6的处理开始于600，随后，在步骤610，该过程基于当前活动资源的相应活动和活动持续时间来计算当前活动资源的相对操作频率。在步骤620，在一个实施例中，该过程基于当前活动资源的相对操作频率，使用K均值聚类对当前活动资源进行聚类。
在步骤630，该过程计算每个聚类的平均活动持续时间和平均操作频率。例如，假设聚类1＝Ra，Rb，并使用下面的资源利用数据：
·聚类1平均操作频率＝(10+35)/2＝22.5
·聚类1平均活动持续时间为20-40和10-50：
(20+10)/2＝15和(40+50)/2＝45＝>(15-45)
在步骤640，该过程从认知引擎310检索增加的概率窗口信息，并且在步骤650，该过程识别其平均活动持续时间位于增加的概率窗口内的聚类(参见图7，聚类720和730)。使用上面的示例，认知引擎310证明增加的概率窗口为(25-55)，聚类1的平均活动持续时间20-40落在增加的概率窗口内。
然后，该过程基于识别的聚类的相应的平均操作频率对识别的聚类进行优先级排序。继续上面的示例，总平均频率操作阈值＝(10+35+5+25)/4＝18.75，因此，聚类1平均操作频率(22.5)大于总平均频率操作阈值(18.75)，因此聚类1被确定为活动聚类。
在步骤660，该过程将前k个优先级排序的聚类识别为高影响的资源聚类，并将它们相应的活动资源指定为预测的活动资源。在步骤670，该过程基于预测的活动资源来计算资源成本预测(例如，使用预测的活动资源的当前每月成本)。此后，图6的处理在695处结束。
图7描述了示例性图表，其示出了在活动持续时间轴上绘制的增加的概率窗口，以识别高影响的资源聚类。如本文所讨论的，成本预测系统300使用弃用资源利用数据来训练认知引擎310。进而，认知引擎310生成增加的概率窗口710。增加的概率窗口表示其活动持续时间落在该窗口内的当前活动资源将在未来时间点活动的概率的增加。
聚类720和730是当前活动资源的聚类，其平均活动持续时间落在增加的概率窗口710内。可以看出，聚类720具有比聚类730更高的平均操作频率，因此，聚类720内的当前活动资源被指定为预测的活动资源，并用于计算云服务成本预测360。在一个实施例中，成本预测系统300基于配置参数在增加的概率窗口710内使用多个聚类。在该实施例中，聚类720和聚类730用于计算云服务成本预测360。
虽然已经示出和描述了本公开的特定实施例，但是对于本领域技术人员来说，基于本文的教导，在不脱离本公开及其更广泛的方面的情况下，可以进行改变和修改是显而易见的。因此，所附权利要求将在其范围内包含所有这些变化和修改，因为它们都在本公开的真实精神和范围内。此外，应当理解，本公开仅由所附权利要求书限定。本领域技术人员将理解，如果意图引入特定数量的权利要求要素，则将在权利要求中明确陈述这种意图，并且在没有这种陈述的情况下，不存在这种限制。对于非限制性示例，作为对理解的帮助，以下所附权利要求包含介绍性短语“至少一个”和“一个或多个”的使用，以介绍权利要求要素。然而，这种短语的使用不应被解释为暗示由不定冠词“一”或“一个”引入权利要求要素将包含这种引入的权利要求要素的任何特定权利要求限制为仅包含一个这种要素的公开，即使当同一权利要求包括介绍性短语“一个或多个”或“至少一个”以及诸如“一”或“一个”的不定冠词时；这同样适用于定冠词的权利要求中的使用。
Claims (10)
1.一种由包括存储器和处理器的信息处理系统实现的方法，所述方法包括：
基于多个弃用资源的多个历史持续时间来计算增加的概率窗口，其中，所述增加的概率窗口对应于资源在未来时间点可能是活动的概率的增加；
响应于确定预测的活动资源集对应于所述增加的概率窗口内的活动持续时间集，从多个当前活动资源中选择所述预测的活动资源集；和
基于所述预测的活动资源集生成资源成本预测。
2.根据权利要求1所述的方法，其中，所述选择还包括：
确定所述多个当前活动资源中的每一个的操作频率，产生多个操作频率；
确定所述多个当前活动资源的多个活动持续时间，其中，所述多个活动持续时间包括所述活动持续时间集；和
基于所述多个操作频率和所述多个活动持续时间，将所述多个当前活动资源聚类成多个聚类。
3.根据权利要求2所述的方法，还包括：
计算所述多个聚类中的每一个的平均活动持续时间和平均操作频率；
识别其平均活动持续时间落在所述增加的概率窗口内的一个或多个聚类；和
从所识别的一个或多个聚类中选择所述平均操作频率最高的、所识别的一个或多个聚类中的一个，其中，所选择的聚类包括所述预测的活动资源集。
4.根据权利要求3所述的方法，还包括：
选择所识别的聚类和超过操作频率阈值的不同聚类，其中，所述不同聚类包括不同的预测的资源集；和
使用所述预测的活动资源集和所述不同的预测的活动资源集来生成所述资源成本预测。
5.根据权利要求2所述的方法，其中，所述多个当前活动资源的所述多个活动持续时间基于所述多个当前活动资源的多个供应时间和所述选择所述预测的活动资源集的预测时间。
6.根据权利要求1所述的方法，还包括：
基于供应时间和所述多个弃用资源中的每一个的弃用时间来计算所述多个历史持续时间；
使用所述多个历史持续时间训练认知引擎，其中，所训练的认知引擎计算所述增加的概率窗口；
计算新弃用资源的新历史持续时间；和
使用所述新历史持续时间来重新训练所训练的认知引擎。
7.根据权利要求1所述的方法，其中，所述当前活动的资源是当前在云环境中供应的云资源。
8.一种信息处理系统，包括：
一个或多个处理器；
存储器，耦合到所述处理器中的至少一个；
计算机程序指令集，存储在所述存储器中并由所述处理器中的至少一个执行，以便执行根据权利要求1-7中任一项所述的方法。
9.一种计算机可读存储介质，包括计算机程序代码，当由信息处理系统执行时，使得所述信息处理系统执行根据权利要求1-7中任一项所述的方法。
10.一种系统，所述系统包括分别用于执行根据权利要求1-7中任意一项所述的方法的各个步骤的模块。
Applications Claiming Priority (2)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| US16/357,455 US11354585B2 (en) | 2019-03-19 | 2019-03-19 | Cognitive detection of cloud service forecast |
| US16/357,455 | 2019-03-19 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN111722921A true CN111722921A (zh) | 2020-09-29 |
| CN111722921B CN111722921B (zh) | 2024-07-30 |
Family
ID=72515241
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010137405.5A Active CN111722921B (zh) | 2019-03-19 | 2020-03-02 | 云服务预测的认知检测 |
Country Status (2)
| Country | Link |
|---|---|
| US (1) | US11354585B2 (zh) |
| CN (1) | CN111722921B (zh) |
Families Citing this family (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115017002B (zh) * | 2021-12-22 | 2023-04-18 | 荣耀终端有限公司 | 频率预测方法和频率预测装置 |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106066812A (zh) * | 2015-04-20 | 2016-11-02 | 国际商业机器公司 | 基于应用的历史信息管理资源 |
| US20170163560A1 (en) * | 2012-07-30 | 2017-06-08 | Amazon Technologies, Inc. | Resource object resolution management |
| CN107637050A (zh) * | 2015-03-16 | 2018-01-26 | 利维帕尔森有限公司 | 资源的优先级排序及通信信道的建立 |
Family Cites Families (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US8504689B2 (en) | 2010-05-28 | 2013-08-06 | Red Hat, Inc. | Methods and systems for cloud deployment analysis featuring relative cloud resource importance |
| US20160034835A1 (en) | 2014-07-31 | 2016-02-04 | Hewlett-Packard Development Company, L.P. | Future cloud resource usage cost management |
| US9213540B1 (en) * | 2015-05-05 | 2015-12-15 | Archive Solutions Providers | Automated workflow management system for application and data retirement |
| US10789146B2 (en) | 2016-08-25 | 2020-09-29 | Hewlett Packard Enterprise Development Lp | Forecasting resource utilization |
-
2019
- 2019-03-19 US US16/357,455 patent/US11354585B2/en active Active
-
2020
- 2020-03-02 CN CN202010137405.5A patent/CN111722921B/zh active Active
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20170163560A1 (en) * | 2012-07-30 | 2017-06-08 | Amazon Technologies, Inc. | Resource object resolution management |
| CN107637050A (zh) * | 2015-03-16 | 2018-01-26 | 利维帕尔森有限公司 | 资源的优先级排序及通信信道的建立 |
| CN106066812A (zh) * | 2015-04-20 | 2016-11-02 | 国际商业机器公司 | 基于应用的历史信息管理资源 |
Non-Patent Citations (1)
| Title |
|---|
| 洪斌;彭甫阳;邓波;王东霞;: "云资源状态监控研究综述", 计算机应用与软件, no. 06, 15 June 2016 (2016-06-15) * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN111722921B (zh) | 2024-07-30 |
| US20200302317A1 (en) | 2020-09-24 |
| US11354585B2 (en) | 2022-06-07 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US11012520B2 (en) | Manage a network of microservices | |
| US9612878B2 (en) | Resource allocation in job scheduling environment | |
| US20180095730A1 (en) | Optimizing Performance of Applications Driven by Microservices Architecture | |
| US20160134557A1 (en) | Automatic Scaling of at Least One User Application to External Clouds | |
| US8745362B2 (en) | Operating system aware branch predictor using a dynamically reconfigurable branch history table | |
| US10754691B2 (en) | Policy based requesting/approval system across multiple hybrid clouds | |
| US10025637B2 (en) | System and method for runtime grouping of processing elements in streaming applications | |
| US11030002B2 (en) | Optimizing simultaneous startup or modification of inter-dependent machines with specified priorities | |
| US11574254B2 (en) | Adaptive asynchronous federated learning | |
| US20150128131A1 (en) | Managing virtual machine patterns | |
| US11436129B2 (en) | System, method and recording medium for generating mobile test sequences | |
| US20150163285A1 (en) | Identifying The Workload Of A Hybrid Cloud Based On Workload Provisioning Delay | |
| US10608896B2 (en) | Enforce pre-optimized service contracts associated with containers | |
| US11237761B2 (en) | Management of multiple physical function nonvolatile memory devices | |
| US20190065283A1 (en) | Hybrid acceleration in a processing environment | |
| US11748305B2 (en) | Suggesting a destination folder for a file to be saved | |
| US9853866B2 (en) | Efficient parallel processing of a network with conflict constraints between nodes | |
| US20190050268A1 (en) | Composing by network attributes | |
| US10616064B2 (en) | Soft reservation techniques and systems for virtualized environments | |
| CN111722921B (zh) | 云服务预测的认知检测 | |
| US20230096015A1 (en) | Method, electronic deviice, and computer program product for task scheduling | |
| US10901797B2 (en) | Resource allocation | |
| KR20220071245A (ko) | 상호 연결된 분산 네트워크의 엣지 디바이스들에 대한 전송 빈도 관리 | |
| US12118400B2 (en) | Performing batched training for machine-learning pipelines | |
| US9734270B2 (en) | Control path power adjustment for chip design |
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 |