CN111782393A - 一种针对动态定价云计算服务资源的调度方法及系统 - Google Patents
一种针对动态定价云计算服务资源的调度方法及系统 Download PDFInfo
- Publication number
- CN111782393A CN111782393A CN202010613621.2A CN202010613621A CN111782393A CN 111782393 A CN111782393 A CN 111782393A CN 202010613621 A CN202010613621 A CN 202010613621A CN 111782393 A CN111782393 A CN 111782393A
- Authority
- CN
- China
- Prior art keywords
- instance
- price
- cloud computing
- dynamic pricing
- computing service
- 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.)
- Pending
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
- G06F9/46—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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- 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)
- Data Mining & Analysis (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Biomedical Technology (AREA)
- Artificial Intelligence (AREA)
- Mathematical Physics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本公开提供了一种动态定价云计算服务资源调度方法及系统,属于云计算技术领域,实时获取多个云服务平台上各种规格的动态定价实例数据,得到动态定价实例下一时刻的价格;根据自适应的差分进化算法,以成本最小为目标,结合工作量需求、动态定价实例下一时刻的价格以及可用的实例类型和数量,得到云计算服务的租赁方案:根据得到的租赁方案,对云计算服务资源进行动态调度;本公开对于动态定价的云服务实例,通过结合实例的类型和任务量,对用户的实例组合租用问题和竞价问题进行优化设计,提升了用户的使用体验,降低了用户的租赁成本。
Description
技术领域
本公开涉及云计算技术领域,特别涉及一种针对动态定价云计算服务资源的调度方法及系统。
背景技术
本部分的陈述仅仅是提供了与本公开相关的背景技术,并不必然构成现有技术。
近年来,随着云计算技术的发展和基础设施性能的提高,云计算得到了迅速的发展。不仅云计算相关的专业研究领域,而且越来越多的公司和个人也开始将他们的业务和应用部署到云基础设施(IaaS)实例上;通过这种方式,用户可以快速构建大型复杂的网络应用,通过使用云计算平台用户大大降低了设备成本。
云平台提供商将计算资源通过虚拟化技术进行虚拟化,用户使用云服务提供商为云平台提供的实例付费来使用云平台的资源,云计算提供商除了提供云计算的计算资源,如何定义IaaS实例的服务收费也是一个关键的问题,定价方式的合理性可以在很大程度上影响用户的选择,这就催生了云计算IaaS实例的定价策略问题。
云计算服务的支付方式主要有按需支付、预约支付等;按需支付的实例类型用户根据实际使用实例类型和使用时间来支付相应的费用,预留实例是用户提前支付一些费用预留云计算资源,然后在使用实例时获得价格上的折扣;此外,为了满足用户多样性的实例需求以及为了云计算服务商的收益最大化等问题,云提供商推出了动态定价类型的实例;例如,亚马逊公司在其Amazon Web Service(AWS)云中推出了Spot实例,与按需实例的固定定价不同,Spot实例采用动态定价的方式,每个可用区域中每种实例类型的spot价格由Amazon EC2根据Spot实例的长期供应和需求动态调整;与按需实例的价格相比,Spot实例可以在使用费用上获得一个超低折扣,Spot实例的动态价格叫做spot实例的小时价格,只要有可用的容量,且用户竞价价格超过了Spot动态小时价格,Spot实例就可以使用。
云提供商根据Spot实例的申请以及EC2实例的资源使用情况等对Spot实例进行动态定价;用户在申请使用Spot实例时,需要对实例进行竞价出价,用户需要根据他们的经验进行出价,显然,好的定价策略可以显著降低用户使用Spot实例的成本。为了让用户参考竞价价格,Amazon发布了每一种类型spot实例最近90天价格的历史数据。因此,通过调查这些价格数据来预测未来的价格变化,这有助于制定合理的竞价策略。现在亚马逊云已经从短期内的资源申请和剩余资源的确定价格的策略转换为根据长期受益情况确定定价的定价策略,但通过对Spot实例定价历史数据的研究,发现在特定的可用区域内,对于某些类型的实例,Spot实例的价格仍然具有很大的波动性。
本公开发明人发现,(1)用户在申请实例资源的时候,往往需要同时申请多个实例来满足任务的需求,如果用户租赁资源少,会导致响应时间较长,长时间内价格波动不受控,系统性能下降,如果用户租赁资源多,会导致虚拟机资源浪费,租赁成本偏高;(2)动态定价实例的价格随市场随机波动,存在竞标失败的引起的虚拟机失效的风险;(3)当动态定价实例的价格变化到高于用户的竞价的时候,用户将会被强制中断自己的实例,这种情况下,云服务平台会给用户N分钟的警告时间,用户必须在这段时间内保存自己的实例或者将自己的数据进行迁移。
发明内容
为了解决现有技术的不足,本公开提供了一种针对动态定价云计算服务资源的调度方法及系统,对于动态定价的云服务实例,结合实例的类型和任务量,对用户的实例组合租用问题和竞价问题进行优化设计,提升了用户的使用体验,降低了用户的租赁成本。
为了实现上述目的,本公开采用如下技术方案:
本公开第一方面提供了一种针对动态定价云计算服务资源的调度方法。
一种针对动态定价云计算服务资源的调度方法,包括以下步骤:
实时获取多个云服务平台上各种规格的动态定价实例数据,得到动态定价实例下一时刻的价格;
根据自适应的差分进化算法,以成本最小为目标,结合工作量需求、动态定价实例下一时刻的价格以及可用的实例类型和数量,得到云计算服务的租赁方案:
根据得到的租赁方案,对云计算服务资源进行动态调度。
作为可能的一些实现方式,结合工作量需求、动态定价实例下一时刻的价格以及可用的实例类型和数量,得到云计算服务的租赁方案,具体为:
在任务开始前,根据任务所需要的CPU核数及运行时间最大值计算负载;
在竞价型实例列表中,遍历不同的实例规格,将满足负载的实例作为候选实例放入候选集中;
结合每一种候选实例的预测价格,使用自适应的差分进化算法,在最优化任务花费下,得到最优的实例组合和出价方案。
作为进一步的限定,以总花费最小为目标,在自适应的差分进化算法中,使用DE/rand/1/bin和DE/best/2策略的组合。
作为进一步的限定,根据DE/rand/1差分策略的概率得到第一参数,根据第一参数对变异因子进行改进,使得变异因子有一个逐渐变小的趋势。
作为进一步的限定,根据DE/rand/1差分策略的概率得到第一参数,根据第一参数对交叉因子进行改进。
作为进一步的限定,最优花费的租赁方案具体为当前任务下的最优的动态定价实例的竞价价格组合,价格组合中的价格高于实例的实例价格表示需要租用当前实例,当价格组合中的价格低于实例价格时表示不租用当前实例。
作为可能的一些实现方式,利用训练好的基于GRU的深度神经网络模型,以动态定价实例的当前价格为输入,得到下一时刻动态定价实例的预测价格。
作为进一步的限定,对GRU的深度神经网络模型进行训练,具体为:每次对神经网络输入多个训练样本形成训练样本矩阵,通过前向传播算法计算每一组数据的输出值,并与标签值比较,通过最小化均方误差,利用反向传播算法求得最优的权重,通过不断迭代优化神经网络预测模型。
作为进一步的限定,预测价格的获取,具体为:选取一个类型的动态定价实例运行时长t,依次生成t时间内的实例价格,保存每一种实例预测价格的值,作为租赁方案的输入条件。
本公开第二方面提供了一种针对动态定价云计算服务资源的调度系统。
一种针对动态定价云计算服务资源的调度系统,包括:
数据获取模块,被配置为:实时获取多个云服务平台上各种规格的动态定价实例数据,得到动态定价实例下一时刻的价格;
数据处理模块,被配置为:根据自适应的差分进化算法,以成本最小为目标,结合工作量需求、动态定价实例下一时刻的价格以及可用的实例类型和数量,得到云计算服务的租赁方案:
资源调度模块,被配置为:根据得到的租赁方案,对云计算服务资源进行动态调度。
本公开第三方面提供了一种介质,其上存储有程序,该程序被处理器执行时实现如本公开第一方面所述的动态定价云计算服务资源调度方法中的步骤。
本公开第四方面提供了一种电子设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的程序,所述处理器执行所述程序时实现如本公开第一方面所述的动态定价云计算服务资源调度方法中的步骤。
与现有技术相比,本公开的有益效果是:
1、本公开所述的方法,系统、介质及电子设备,对于动态定价的实例,通过竞价实例的预测价格、当前竞价实例实际运行情况和实例的类型情况,针对任务需求,提供了价格最优化的实例的组合应用和竞价策略,在保证任务正常运行的前提下,极大的降低了用户的运营成本。
2、本公开所述的方法,系统、介质及电子设备,对于动态定价的云服务实例,通过结合竞价实例的类型和任务量,对用户的实例组合租用问题和竞价问题进行优化设计,提升了用户的使用体验,降低了用户的租赁成本。
3、本公开所述的方法,系统、介质及电子设备,基于深度神经网络对价格的准确预测,结合提出的自适应的差分进化算法,极大的提高了策略优化的准确性和效率。
4、本公开所述的方法,系统、介质及电子设备,在改进的差分策略中,使用DE/rand/1/bin和DE/best/2策略的组合,在迭代开始时算法更多的采用DE/rand/1,这样可以保持种族的多样性,防止陷入局部最优解。迭代的后期更多的采用DE/best/2这样可以使算法更快的收敛到最优解。
5、本公开所述的方法,系统、介质及电子设备,通过对变异因子进行优化改进,不但保持了变异因子从大变小的趋势,同时使变异因子具有一定的随机性可以更好保持种群多样性,更好的找到全局最优解;使变异因子有一个逐渐变小的趋势,这样在迭代的前期,变异因子的值有很大的概率近似于最大值,在迭代的后期的值有更大的概率逼近最小值,可以使差分进化算法在前期保持种群多样性,防止过早的早熟,在后期可能精确的定位到局部最优解。
6、本公开所述的方法,系统、介质及电子设备,通过对交叉因子进行优化改进,交叉因子在迭代开始的时候有更大的概率取得一个较小的值,可以很好的保持种族的多样性,后期有更大概率取得较大的值,这样可以让算法后期快速的收敛于局部最优解,同时自适应的参数保持了参数变化的随机性。
附图说明
图1为本公开实施例1提供的动态定价云计算服务资源调度方法的流程示意图。
具体实施方式
应该指出,以下详细说明都是示例性的,旨在对本公开提供进一步的说明。除非另有指明,本文使用的所有技术和科学术语具有与本公开所属技术领域的普通技术人员通常理解的相同含义。
需要注意的是,这里所使用的术语仅是为了描述具体实施方式,而非意图限制根据本公开的示例性实施方式。如在这里所使用的,除非上下文另外明确指出,否则单数形式也意图包括复数形式,此外,还应当理解的是,当在本说明书中使用术语“包含”和/或“包括”时,其指明存在特征、步骤、操作、器件、组件和/或它们的组合。
在不冲突的情况下,本申请中的实施例及实施例中的特征可以相互组合。
实施例1:
如图1所示,本公开实施例1提供了一种动态定价云计算服务资源调度方法,包括以下步骤:
实时获取多个云服务平台上各种规格的动态定价实例数据,得到动态定价实例下一时刻的价格;
根据自适应的差分进化算法,以成本最小为目标,结合工作量需求、动态定价实例下一时刻的价格以及可用的实例类型和数量,得到云计算服务的租赁方案:
根据得到的租赁方案,对云计算服务资源进行动态调度。
所述动态定价实例,包括:动态定价实例的类型、动态定价实例所属地区、动态定价实例所载操作系统以及动态定价实例的实时价格数据。计算性能是每一种实例的计算能力,一般情况下表示n个单位CPU的运行能力。
使用所提取的动态定价实例数据训练深度神经网络预测模型,包括:
对动态定价实例的时序价格数据进行预处理,把前三分之二的数据为训练数据,把后三分之一的数据作为测试数据。每一种动态价格实例中顺序的5个数据作为神经网络的输入向量,把下一个价格数据作为标签并以此生成输入向量集和对应的标签集;
本实施例从亚马逊云下载的实例价格数据无数据缺失,通常动态定价实例的定价周期为1小时,针对这点对数据进行一些处理,本实施例将每个小时内的价格取均值,并把均值化的价格数作为当前价格周期的实例,这样有利于竞价策略方法的实现。
神经网络包含输入层、隐层、输出层,通过激活函数控制输出,层与层之间通过权值连接。激活函数是事先确定好的,基础的神经网络只在层与层之间建立了权连接,RNN最大的不同之处就是在层之间的神经元之间也建立的权连接。递归神经网络有一种链式的网络结构,这种链状的特性揭示了递归神经网络与序列和列表密切相关。RNN在序列化数据处理得到了广泛的,这主要得益于RNN最有名的变形LSTM(Long Short-Term Memory),LSTM在自然语言处理、语音识别领域都取得了非常好的成绩。
本实施例中使用GRU(Gate Recurrent Unit)是LSTM的一个变体,GRU比LSTM的内部结构更加简单,却有着与LSTM同样的甚至更高精准的准确率,GRU可以很好的应对长时间依赖的序列问题。
基于GRU的深度神经网络的选用3个结点作为输入层,两层全连接层,每层16个结点,然后两层GRU层,每层64个GRU单元,最后是输出层,并随机生成神经网络的边的权重;
每次对神经网络输入n个训练样本形成训练样本矩阵,通过深度学习网络的前向传播算法计算没一组数据的输出值与标签值比较,通过最小化均方误差,利用反向传播算法求得最优的权重,通过不断的迭代优化神经网络预测模型。
作为一个或多个实施例,所述深度学习预测模型输出动态定价实例的预测价格,具体步骤包括:
选取一个类型的动态定价实例运行时长t,依次生成t时间内的实例价格;
保存每一种实例预测价格的值,作为竞价策略的输入条件。
可以理解的,在其他一些实施方式中,所述动态定价实例的下一时刻的价格也可以由实例供应商预先约定,即在未来一年或者未来几个月内实例的价格按照预设的曲线进行增长或降低,此时,可直接采用供应商提供的价格曲线进行下一时刻的实例价格预测。
作为一个或多个实施例,所述结合当前动态定价实例的预测价格、可用的实例类型和数量,输出云计算服务动态定价实例的竞价方案,具体步骤包括:
根据任务量需求和对实例类型,通过预测模型预测每一种实例在接下来时间内的价格值的变化;基于最小花费的动态实例竞价问题,并把动态定价实例定价和多实例组合的问题建模为有约束条件的最优化问题。
本实施例对基本的差分算法进行改善,提出了一种的自适应的差分进化算法,并使用该算法对基于最优花费的价格竞价和实例的组合使用问题进行策略优化。
差分进化算法由于其简单高效,得到了广泛的应用和发展;然而,算法本身也有明显的不足;差分进化算法的关键步骤变异是利用种群的差异信息来修正个体的信息;然而随着迭代次数增加,在选择操作的作用下,个体的差异性不断的减少,以至于迭代后期收敛速度变慢,很容易陷入局部最优,形成早熟现象。为提高算法的收敛速度、克服算法早熟,本实施例中对算法进行了改进。
在选用差分策略的时候引入参数:
其中,G表示差分进化算法的代数,最大的代数为Gmax。
在改进的差分策略中,使用DE/rand/1/bin和DE/best/2策略的组合,参数λrand表示算法采用DE/rand/1差分策略的概率,λrand∈[0,1],在迭代开始时算法更多的采用DE/rand/1,这样可以保持种族的多样性,防止陷入局部最优解。迭代的后期更多的采用DE/best/2这样可以使算法更快的收敛到最优解。
差分的策略如下所示:
自适应的变异因子:变异因子F是差分进化算法的一个重要的参数,变异因子F控制着种群中个体的变异情况。通常F的值越大对个体变异产生的影响越大,这样有利于保持种群的多样性。然而,当F值很大时对变异个体产生较大波动,会降低搜索效率和寻找全局最优解的精度。当F值越小时,对个体变异产生的影响越小,可以起到在局部搜索最优解的目的。在保持参数变化趋势的条件下加入了参数变换的随机性,这样可以更好的保持种群的多样性,得到全局最优的解。通过实验得知一般情况下F的值过小或者过大时算法的效果都不是很好。
这里引入参数:
变异因子如下表示:
Fx=ζ*Fmax+(1-ξ)*Fmin
Fi=max(Fx,Fmin),本实施例中使变异因子F有一个逐渐变小的趋势,这样在迭代的前期,F的值有很大的概率近似于Fmax,在迭代的后期F的值有更大的概率逼近Fmin,可以使差分进化算法在前期保持种群多样性,防止过早的早熟,在后期可能精确的定位到局部最优解,不但保持了F从大变小的趋势,同时使变异因子具有一定的随机性可以更好保持种群多样性,更好的找到全局最优解。
自适应的交叉因子:交叉因子CR是差分进化算法另一个重要的参数,交叉因子对算法的收敛速度有着重要的影响。CR的值越大,表明变异个体对迭代的贡献越大,有利于算法的局部搜索,加快算法收敛速度;CR的值越小,则当前个体对迭代的贡献越大,有利于保持种群多样性,对算法的全局搜索有利。一个好的搜索算法应该在迭代前期保持种群的多样性,后期加强局部搜索的收敛速度。
因此本实施例使用自适应交叉因子表达如下:
CRx=(1-ξ)*CRmax+ξ*CRmin
CRi=max(CRx,CRmin),本实施例中的交叉因子在迭代开始的时候有更大的概率取得一个较小的值,可以很好的保持种族的多样性,后期有更大概率取得较大的值,这样可以让算法后期快速的收敛于局部最优解,同时自适应的参数保持了参数变化的随机性。
优化方程为:
服从条件:
其中,pricei表示在第i个价格周期实例动态价格,ti表示在第i个价格周期中实例运行的时间即实例的计价时间,yi表示实例在当前的价格周期内是否可用,yi由实例定价和出价的关系所决定,yi的值为0或者1,yi为0表示用户的出价小于实例的定价,则实例并不可用,yi的值为1,表示用户的出价高于实例的价格,则实例可用并按第i个价格后期中实例的价格开始计费;restarti表示在第i个计价周期实例是否为重新启动的状态,实例重新启动需要有一个时间长度为cost用于恢复数据以及任务现场,这段时间实例进行收费但并没有继续运行任务。
使用自适应的差分进化算法对竞价策略进行优化,输出b*为当前任务下的最优的动态定价实例的竞价价格组合,价格组合中的价格高于实例的实例价格表示需要租用当前实例,当价格组合中的价格低于实例价格时表示无租用当前价格。
如b*=(0.22,0.144,0.58,0,12),在当前计价周期中实例的实时价格为price=(0.20,0.50,0.53,1,10),则以0.22的价格出价实例1,不租用实例2和4,以0.58的价格出价实例3,以12的价格出价实例,当前任务下使用实例组合和出价策略可以达到花费的最小化。
根据得到的实例组合和出价策略进行实例资源的调度和购买。
实施例2:
本公开实施例2提供了一种云计算服务资源动态调度系统,包括:
数据获取模块,被配置为:实时获取多个云服务平台上各种规格的动态定价实例数据,得到动态定价实例下一时刻的价格;
数据处理模块,被配置为:根据自适应的差分进化算法,以成本最小为目标,结合工作量需求、动态定价实例下一时刻的价格以及可用的实例类型和数量,得到云计算服务的租赁方案:
资源调度模块,被配置为:根据得到的租赁方案,对云计算服务资源进行动态调度。
所述系统的工作方法与实施例提供的动态定价云计算服务资源调度方法相同。
实施例3:
本公开实施例3提供了一种介质,其上存储有程序,该程序被处理器执行时实现如本公开实施例1所述的动态定价云计算服务资源调度方法中的步骤。
实施例4:
本公开实施例4提供了一种电子设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的程序,所述处理器执行所述程序时实现如本公开实施例1所述的动态定价云计算服务资源调度方法中的步骤。
本领域内的技术人员应明白,本公开的实施例可提供为方法、系统、或计算机程序产品。因此,本公开可采用硬件实施例、软件实施例、或结合软件和硬件方面的实施例的形式。而且,本公开可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器和光学存储器等)上实施的计算机程序产品的形式。
本公开是参照根据本公开实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程,是可以通过计算机程序来指令相关的硬件来完成,所述的程序可存储于一计算机可读取存储介质中,该程序在执行时,可包括如上述各方法的实施例的流程。其中,所述的存储介质可为磁碟、光盘、只读存储记忆体(Read-Only Memory,ROM)或随机存储记忆体(RandomAccessMemory,RAM)等。
以上所述仅为本公开的优选实施例而已,并不用于限制本公开,对于本领域的技术人员来说,本公开可以有各种更改和变化。凡在本公开的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本公开的保护范围之内。
Claims (10)
1.一种动态定价云计算服务资源调度方法,其特征在于,包括以下步骤:
实时获取多个云服务平台上各种规格的动态定价实例数据,得到动态定价实例下一时刻的价格;
根据自适应的差分进化算法,以成本最小为目标,根据工作量需求、动态定价实例下一时刻的价格以及可用的实例类型和数量,得到云计算服务的租赁方案:
根据得到的租赁方案,对云计算服务资源进行动态调度。
2.如权利要求1所述的动态定价云计算服务资源调度方法,其特征在于,根据工作量需求、动态定价实例下一时刻的价格以及可用的实例类型和数量,得到云计算服务的租赁方案,具体为:
在任务开始前,根据任务所需要的CPU核数及运行时间最大值计算负载;
在竞价型实例列表中,遍历不同的实例规格,将满足负载的实例作为候选实例放入候选集中;
结合每一种候选实例的下一时刻的价格,使用自适应的差分进化算法,在最优化任务花费下,得到最优的实例组合和出价方案。
3.如权利要求2所述的动态定价云计算服务资源调度方法,其特征在于,以总花费最小为目标,在自适应的差分进化算法中,使用DE/rand/1/bin和DE/best/2策略的组合。
4.如权利要求2所述的动态定价云计算服务资源调度方法,其特征在于,根据DE/rand/1差分策略的概率得到第一参数,根据第一参数对变异因子进行改进,使得变异因子有一个逐渐变小的趋势;
或者,根据DE/rand/1差分策略的概率得到第一参数,根据第一参数对交叉因子进行改进;
或者,最优花费的租赁方案具体为当前任务下的最优的动态定价实例的竞价价格组合,价格组合中的价格高于实例的实例价格表示需要租用当前实例,当价格组合中的价格低于实例价格时表示不租用当前实例;
或者,每一种实例的下一时刻的价格通过供应商预先设定的短期价格曲线获得。
5.如权利要求1所述的动态定价云计算服务资源调度方法,其特征在于,利用训练好的基于GRU的深度神经网络模型,以动态定价实例的当前价格为输入,得到下一时刻动态定价实例的价格。
6.如权利要求5所述的动态定价云计算服务资源调度方法,其特征在于,对GRU的深度神经网络模型进行训练,具体为:每次对神经网络输入多个训练样本形成训练样本矩阵,通过前向传播算法计算每一组数据的输出值,并与标签值比较,通过最小化均方误差,利用反向传播算法求得最优的权重,通过不断迭代优化神经网络预测模型。
7.如权利要求5所述的动态定价云计算服务资源调度方法,其特征在于,下一时刻动态定价实例价格的获取,具体为:选取一个类型的动态定价实例运行时长t,依次生成t时间内的实例价格,保存每一种实例预测价格的值,作为租赁方案的输入条件。
8.一种云计算服务资源动态调度系统,其特征在于,包括:
数据获取模块,被配置为:实时获取多个云服务平台上各种规格的动态定价实例数据,得到动态定价实例下一时刻的价格;
数据处理模块,被配置为:根据自适应的差分进化算法,以成本最小为目标,结合工作量需求、动态定价实例下一时刻的价格以及可用的实例类型和数量,得到云计算服务的租赁方案:
资源调度模块,被配置为:根据得到的租赁方案,对云计算服务资源进行动态调度。
9.一种介质,其上存储有程序,其特征在于,该程序被处理器执行时实现如权利要求1-7任一项所述的动态定价云计算服务资源调度方法中的步骤。
10.一种电子设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的程序,其特征在于,所述处理器执行所述程序时实现如权利要求1-7任一项所述的动态定价云计算服务资源调度方法中的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010613621.2A CN111782393A (zh) | 2020-06-30 | 2020-06-30 | 一种针对动态定价云计算服务资源的调度方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010613621.2A CN111782393A (zh) | 2020-06-30 | 2020-06-30 | 一种针对动态定价云计算服务资源的调度方法及系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111782393A true CN111782393A (zh) | 2020-10-16 |
Family
ID=72761246
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010613621.2A Pending CN111782393A (zh) | 2020-06-30 | 2020-06-30 | 一种针对动态定价云计算服务资源的调度方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111782393A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113079062A (zh) * | 2021-03-24 | 2021-07-06 | 广州虎牙科技有限公司 | 一种资源调整方法、装置、计算机设备和存储介质 |
CN113642806A (zh) * | 2021-08-31 | 2021-11-12 | 黄杉 | 一种基于云计算的优化设计服务系统和方法 |
WO2023179170A1 (zh) * | 2022-03-24 | 2023-09-28 | 华为云计算技术有限公司 | 一种实例配置方法、装置及设备 |
-
2020
- 2020-06-30 CN CN202010613621.2A patent/CN111782393A/zh active Pending
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113079062A (zh) * | 2021-03-24 | 2021-07-06 | 广州虎牙科技有限公司 | 一种资源调整方法、装置、计算机设备和存储介质 |
CN113642806A (zh) * | 2021-08-31 | 2021-11-12 | 黄杉 | 一种基于云计算的优化设计服务系统和方法 |
WO2023179170A1 (zh) * | 2022-03-24 | 2023-09-28 | 华为云计算技术有限公司 | 一种实例配置方法、装置及设备 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Tong et al. | A scheduling scheme in the cloud computing environment using deep Q-learning | |
CN111782393A (zh) | 一种针对动态定价云计算服务资源的调度方法及系统 | |
Pan et al. | A comparison of neural network backpropagation algorithms for electricity load forecasting | |
CN111124689A (zh) | 一种集群中容器资源动态分配方法 | |
CN113641445B (zh) | 基于深度确定性策略的云资源自适应配置方法及系统 | |
Li et al. | Weighted double deep Q-network based reinforcement learning for bi-objective multi-workflow scheduling in the cloud | |
CN109710372A (zh) | 一种基于猫头鹰搜索算法的计算密集型云工作流调度方法 | |
Arevalos et al. | A comparative evaluation of algorithms for auction-based cloud pricing prediction | |
Nadeem et al. | Predicting the execution time of grid workflow applications through local learning | |
Li et al. | Resource usage prediction based on BiLSTM-GRU combination model | |
CN113608855B (zh) | 一种边缘计算中服务功能链放置的强化学习方法 | |
Zhang et al. | A coalition-structure’s generation method for solving cooperative computing problems in edge computing environments | |
Zhang et al. | Efficient prediction of makespan matrix workflow scheduling algorithm for heterogeneous cloud environments | |
US20230281680A1 (en) | System and methods for resource allocation | |
CN110266770A (zh) | 基于博弈论的闲置云资源调度方法和装置 | |
CN115528750A (zh) | 一种面向电网安全稳定的数据模型混合驱动机组组合方法 | |
CN110555742A (zh) | 一种发电商代理报价的生成方法与系统 | |
Lang et al. | Cloud computing resource scheduling based on improved ANN model takeaway order volume forecast | |
CN114489966A (zh) | 一种作业调度方法及装置 | |
CN114861995A (zh) | 电力物资的需求预测方法、装置和计算机设备 | |
CN117118836A (zh) | 基于资源预测的服务功能链多阶段节能迁移方法 | |
Ren et al. | Dynamic pricing scheme for IaaS cloud platform based on load balancing: A Q-learning approach | |
Huang et al. | A Comparison Study of DQN and PPO based Reinforcement Learning for Scheduling Workflows in the Cloud | |
Kong et al. | Bidding Strategy Based on Adaptive Differential Evolution Algorithm for Dynamic Pricing IaaS Instances | |
Cao et al. | An optimizing algorithm for deadline constrained scheduling of scientific workflows in iaas clouds using spot instances |
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 |