CN111930526A - 负载预测方法、装置、计算机设备和存储介质 - Google Patents
负载预测方法、装置、计算机设备和存储介质 Download PDFInfo
- Publication number
- CN111930526A CN111930526A CN202011115775.5A CN202011115775A CN111930526A CN 111930526 A CN111930526 A CN 111930526A CN 202011115775 A CN202011115775 A CN 202011115775A CN 111930526 A CN111930526 A CN 111930526A
- Authority
- CN
- China
- Prior art keywords
- load
- sample data
- prediction
- data
- target
- 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
- 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
- G06N20/00—Machine learning
- G06N20/10—Machine learning using kernel methods, e.g. support vector machines [SVM]
Landscapes
- Engineering & Computer Science (AREA)
- Software Systems (AREA)
- Theoretical Computer Science (AREA)
- General Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Medical Informatics (AREA)
- Data Mining & Analysis (AREA)
- Computing Systems (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Mathematical Physics (AREA)
- Artificial Intelligence (AREA)
- Debugging And Monitoring (AREA)
Abstract
本申请涉及网络技术中的负载均衡技术,提供了一种负载预测方法、装置、计算机设备和存储介质。所述方法包括:获取与各趋势分析时间节点对应的目标负载样本数据;当对目标负载样本数据的均值验证通过时,根据已训练的支持向量机对目标负载样本数据进行负载趋势预测,得到负载趋势预测结果;当负载趋势预测结果为上涨时,获取与目标负载样本数据对应的待预测负载样本数据;根据已训练的时序预测模型对待预测负载样本数据进行时序预测,得到预测负载数据;比对预测负载数据和预设服务配额,得到负载预测结果。采用本方法能够降低负载预测的复杂度,加快预测速度且提高预测效率。
Description
技术领域
本申请涉及计算机技术领域,特别是涉及一种负载预测方法、装置、计算机设备和存储介质。
背景技术
随着计算机技术的发展,出现了云计算技术。在云计算技术中,当一个服务托管在云平台上时,如果服务出现了高负载,需要及时对服务容量进行扩增,否则服务将出现异常。
传统技术中,主要通过事后扩容和重点保障两种方式来对服务容量进行扩增,其中的重点保障是指不对全量的服务进行实时负载预测,而是只对少量的重要服务基于神经网络等深度学习方法进行负载预测,通过分析服务历史负载数据,提取负载特征,对服务未来的负载进行预测扩容。
然而,传统方法,由于神经网络等深度学习方法的算法复杂度相当高,每次数据分析耗时很长,存在预测速度慢、预测效率低的问题。
发明内容
基于此,有必要针对上述技术问题,提供一种能够加快预测速度且提高预测效率的负载预测方法、装置、计算机设备和存储介质。
一种负载预测方法,所述方法包括:
获取与各趋势分析时间节点对应的目标负载样本数据;
当对目标负载样本数据的均值验证通过时,根据已训练的支持向量机对目标负载样本数据进行负载趋势预测,得到负载趋势预测结果;
当负载趋势预测结果为上涨时,获取与目标负载样本数据对应的待预测负载样本数据;
根据已训练的时序预测模型对待预测负载样本数据进行时序预测,得到预测负载数据;
比对预测负载数据和预设服务配额,得到负载预测结果。
一种负载预测装置,所述装置包括:
第一获取模块,用于获取与各趋势分析时间节点对应的目标负载样本数据;
趋势预测模块,用于当对目标负载样本数据的均值验证通过时,根据已训练的支持向量机对目标负载样本数据进行负载趋势预测,得到负载趋势预测结果;
第二获取模块,用于当负载趋势预测结果为上涨时,获取与目标负载样本数据对应的待预测负载样本数据;
时序预测模块,用于根据已训练的时序预测模型对待预测负载样本数据进行时序预测,得到预测负载数据;
比对模块,用于比对预测负载数据和预设服务配额,得到负载预测结果。
一种计算机设备,包括存储器和处理器,所述存储器存储有计算机程序,所述处理器执行所述计算机程序时实现以下步骤:
获取与各趋势分析时间节点对应的目标负载样本数据;
当对目标负载样本数据的均值验证通过时,根据已训练的支持向量机对目标负载样本数据进行负载趋势预测,得到负载趋势预测结果;
当负载趋势预测结果为上涨时,获取与目标负载样本数据对应的待预测负载样本数据;
根据已训练的时序预测模型对待预测负载样本数据进行时序预测,得到预测负载数据;
比对预测负载数据和预设服务配额,得到负载预测结果。
一种计算机可读存储介质,其上存储有计算机程序,所述计算机程序被处理器执行时实现以下步骤:
获取与各趋势分析时间节点对应的目标负载样本数据;
当对目标负载样本数据的均值验证通过时,根据已训练的支持向量机对目标负载样本数据进行负载趋势预测,得到负载趋势预测结果;
当负载趋势预测结果为上涨时,获取与目标负载样本数据对应的待预测负载样本数据;
根据已训练的时序预测模型对待预测负载样本数据进行时序预测,得到预测负载数据;
比对预测负载数据和预设服务配额,得到负载预测结果。
上述负载预测方法、装置、计算机设备和存储介质,通过获取与各趋势分析时间节点对应的目标负载样本数据,当对目标负载样本数据的均值验证通过时,根据已训练的支持向量机对目标负载样本数据进行负载趋势预测,得到负载趋势预测结果,当负载趋势预测结果为上涨时,获取与目标负载样本数据对应的待预测负载样本数据,根据已训练的时序预测模型对待预测负载样本数据进行时序预测,得到预测负载数据,比对预测负载数据和预设服务配额,得到负载预测结果,整个过程,先利用负载趋势预测过滤掉抖动的负载曲线,对负载趋势进行预判,在确定负载趋势为上涨时,才进一步通过已训练的时序预测模型对待预测负载样本数据进行时序预测,能够降低负载预测的复杂度,加快预测速度且提高预测效率。
附图说明
图1为一个实施例中负载预测方法的应用环境图。
图2为一个实施例中负载预测方法的流程示意图。
图3为一个实施例中负载预测方法的示意图。
图4为另一个实施例中负载预测方法的流程示意图。
图5为又一个实施例中负载预测方法的流程示意图。
图6为一个实施例中负载预测装置的结构框图。
图7为一个实施例中计算机设备的内部结构图。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本申请进行进一步详细说明。应当理解,此处描述的具体实施例仅仅用以解释本申请,并不用于限定本申请。
本申请提供的负载预测方法,可以应用于如图1所示的应用环境中。其中,消息队列102通过网络与服务器104进行通信。服务器104从消息队列102获取与各趋势分析时间节点对应的目标负载样本数据,当对目标负载样本数据的均值验证通过时,根据已训练的支持向量机对目标负载样本数据进行负载趋势预测,得到负载趋势预测结果,当负载趋势预测结果为上涨时,获取与目标负载样本数据对应的待预测负载样本数据,根据已训练的时序预测模型对待预测负载样本数据进行时序预测,得到预测负载数据,比对预测负载数据和预设服务配额,得到负载预测结果。其中,消息队列102和服务器104可以是独立的物理服务器,也可以是多个物理服务器构成的服务器集群或者分布式系统,还可以是提供云服务、云数据库、云计算、云函数、云存储、网络服务、云通信、中间件服务、域名服务、安全服务、CDN、以及大数据和人工智能平台等基础云计算服务的云服务器。云服务器工作时主要利用云技术,云技术是指在广域网或局域网内将硬件、软件、网络等系列资源统一起来,实现数据的计算、储存、处理和共享的一种托管技术。云技术是基于云计算商业模式应用的网络技术、信息技术、整合技术、管理平台技术、应用技术等的总称,可以组成资源池,按需所用,灵活便利。云计算技术将变成重要支撑。技术网络系统的后台服务需要大量的计算、存储资源,如视频网站、图片类网站和更多的门户网站。伴随着互联网行业的高度发展和应用,将来每个物品都有可能存在自己的识别标志,都需要传输到后台系统进行逻辑处理,不同程度级别的数据将会分开处理,各类行业数据皆需要强大的系统后盾支撑,只能通过云计算来实现。
在一个实施例中,如图2所示,提供了一种负载预测方法,以该方法应用于图1中的服务器为例进行说明,包括以下步骤:
步骤202,获取与各趋势分析时间节点对应的目标负载样本数据。
其中,趋势分析时间节点是指预设负载趋势分析时间段内的时间节点,预设负载趋势分析时间段是指预先设置的用于负载趋势分析的时间区间。比如,趋势分析时间节点具体可以是指预设负载趋势分析时间段内的每一分钟,预设负载趋势分析时间段具体可以是指最近半个小时、最近一个小时等。优选的,预设负载趋势分析时间段为最近半个小时。
其中,负载在本申请中是指容器的物理资源使用量与容器的资源配额的商,容器是指一种轻量级、可移植、自包含的软件打包技术,使应用程序可以在几乎任何地方以相同的方式运行。目标负载样本数据是指对与服务器对应的所有容器节点在预设负载趋势分析时间段内的历史负载数据进行数据筛选后得到的、用于进行趋势分析的负载样本数据。目标负载样本数据具体包括时间戳、CPU负载值、内存负载值以及容器标识。举例说明,容器标识具体可以是指容器名称,时间戳具体是指采集到CPU负载值以及内存负载值的时间戳。
具体的,服务器会先拉取对应的所有容器节点的实时负载数据,在实时负载数据拉取完成后,根据实时负载数据对容器节点进行节点筛选,选取出目标容器节点,再从预设负载数据库中获取预设负载趋势分析时间段内各目标容器节点的历史负载数据,通过对历史负载数据进行数据筛选,得到用于进行趋势分析的与各趋势分析时间节点对应的目标负载样本数据。其中,预设负载数据库是指存储有与服务器对应的所有容器节点的历史负载数据的数据库。
步骤204,当对目标负载样本数据的均值验证通过时,根据已训练的支持向量机对目标负载样本数据进行负载趋势预测,得到负载趋势预测结果。
其中,均值验证是指验证在预设均值验证时间段内的目标负载样本数据的均值是否满足要求。比如,均值验证具体可以是指验证在最近十分钟内目标负载样本数据的均值是否超过均值验证阈值。进一步的,均值验证阈值具体可以是指预设服务配额的一半,预设服务配额是指预先设置的资源配额,包括CPU配额和内存配额。支持向量机是一类按监督学习方式对数据进行二元分类的广义线性分类器,其决策边界是对学习样本求解的最大边距超平面。在本申请中,二元分类具体是指负载趋势分类,得到负载趋势预测结果,负载趋势预测结果具体可以分为上涨和非上涨。
具体的,当对目标负载样本数据的均值验证通过时,服务器会通过将目标负载样本数据输入已训练的支持向量机进行负载趋势预测,得到负载趋势预测结果。进一步的,在进行负载趋势预测时,服务器会将目标负载样本数据转换为一个多维的负载趋势预测向量,再将该负载趋势预测向量输入已训练的支持向量机。需要说明的是,因为在目标负载样本数据中包括CPU负载值和内存负载值,所以这里在进行负载趋势预测时,是要分别对CPU负载和内存负载都进行趋势预测,只要有一个负载趋势预测结果为上涨,就可以得到负载趋势预测结果为上涨。
具体的,在将根据已训练的支持向量机对目标负载样本数据进行负载趋势预测,得到负载趋势预测结果之前,服务器还需要预先训练支持向量机,在训练支持向量机时,服务器会获取携带负载趋势标注的样本负载趋势分析数据,通过该携带负载趋势标注的样本负载趋势分析数据对初始支持向量机进行有监督训练,得到已训练的支持向量机。
步骤206,当负载趋势预测结果为上涨时,获取与目标负载样本数据对应的待预测负载样本数据。
其中,待预测负载样本数据是指用于进行时序预测的负载样本数据。
具体的,当负载趋势预测结果为上涨时,表示当前有较多的负载资源在被使用,需要进一步判断是否需要扩容,服务器会从预设负载数据库中获取预设负载预测时间段内各目标容器节点的历史负载数据,通过根据历史负载数据携带的时间戳,对历史负载数据进行数据筛选,得到待预测负载样本数据。其中,预设负载预测时间段是指预先设置的用于负载预测的时间区间。比如,预设负载预测时间段具体可以是指最近半个小时、最近一个小时等。优选的,预设负载预测时间段为最近一个小时。需要说明的是,当预设负载预测时间段和预设负载趋势分析时间段均为最近半个小时时,待预测负载样本数据即是指目标负载样本数据。
步骤208,根据已训练的时序预测模型对待预测负载样本数据进行时序预测,得到预测负载数据。
其中,时序预测模型是指根据历史统计数据的时间序列,对未来的变化趋势进行预测分析的模型。比如,时序预测模型具体可以是指ARIMA(Autoregressive IntegratedMoving Average model,差分整合移动平均自回归模)模型。预测负载数据是指通过时序预测得到的未来的负载数据。
具体的,服务器会将待预测负载样本数据输入已训练的时序预测模型进行时序预测,得到预测负载数据。需要说明的是,因为在待预测负载样本数据中包括CPU负载值和内存负载值,所以这里在进行时序预测时,是要分别对CPU负载和内存负载都进行时序预测,得到的预测负载数据包括CPU预测负载数据和内存预测负载数据。需要说明的是,采用时序预测模型能够对大量(万级)服务的实时负载进行预测,能够为服务的高负载扩容提供参考,单次预测所需计算资源少,部署成本比传统机器学习算法低得多,且时序预测模型的算法复杂度低,简洁有效,能够提高负载预测效率。
步骤210,比对预测负载数据和预设服务配额,得到负载预测结果。
具体的,在比对预测负载数据和预设服务配额时,服务器会先对预测负载数据进行误差验证,验证预测负载数据是否平稳,当误差验证通过时(即预测负载数据平稳时),再从预测负载数据中选取出最大负载预测值,比对最大负载预测值和预设服务配额,得到负载预测结果。需要说明的是,在预测负载数据中是包括CPU预测负载数据和内存预测负载数据的,因此在进行误差验证和比对时,是需要分别对CPU预测负载数据和内存预测负载数据进行误差验证和比对。具体的,进行比对是指比对CPU预测负载数据和CPU服务配额以及比对内存预测负载数据和内存服务配额。
上述负载预测方法,通过获取与各趋势分析时间节点对应的目标负载样本数据,当对目标负载样本数据的均值验证通过时,根据已训练的支持向量机对目标负载样本数据进行负载趋势预测,得到负载趋势预测结果,当负载趋势预测结果为上涨时,获取与目标负载样本数据对应的待预测负载样本数据,根据已训练的时序预测模型对待预测负载样本数据进行时序预测,得到预测负载数据,比对预测负载数据和预设服务配额,得到负载预测结果,整个过程,先利用负载趋势预测过滤掉抖动的负载曲线,对负载趋势进行预判,在确定负载趋势为上涨时,才进一步通过已训练的时序预测模型对待预测负载样本数据进行时序预测,能够降低负载预测的复杂度,加快预测速度且提高预测效率。
在一个实施例中,获取与各趋势分析时间节点对应的目标负载样本数据包括:
拉取容器节点的实时负载数据,并统计已拉取容器节点数;
当已拉取容器节点数与预设容器节点数相同时,根据实时负载数据对容器节点进行节点筛选,确定目标容器节点;
从预设负载数据库中获取预设负载趋势分析时间段内各目标容器节点的历史负载数据,得到各目标容器节点的负载样本数据;
根据负载样本数据携带的时间戳,对各相同时间节点的各负载样本数据进行排序,得到与各趋势分析时间节点对应的目标负载样本数据。
其中,实时负载数据是指实时采集到的负载数据,包括CPU负载数据和内存负载数据。比如,实时负载数据具体可以是指与当前时间节点对应的前一分钟内采集到的负载数据。举例说明,当当前时间节点为12时31分时,实时负载数据具体可以是指12时30分内采集到的负载数据。容器节点是指宿主机上的容器节点。预设容器节点数是指宿主机上预先设置的容器节点的数量。
具体的,服务器会根据预设拉取间隔拉取容器节点的实时负载数据,并统计已拉取容器节点数,当已拉取容器节点数与预设容器节点数相同时,表示实时所有容器节点的实时负载数据都已经拉取到,服务器会进一步根据实时负载数据以及格拉布斯准则对容器节点进行节点筛选,通过节点筛选剔除异常容器节点,确定目标容器节点,从预设负载数据库中获取预设负载趋势分析时间段内各目标容器节点的历史负载数据,得到各目标容器节点的负载样本数据,根据负载样本数据携带的时间戳,对各相同时间节点的各负载样本数据进行排序,选取出与各时间节点对应的最大负载样本数据,将与各时间节点对应的最大负载样本数据,作为与各趋势分析时间节点对应的目标负载样本数据。其中,预设拉取间隔可按照需要自行设置,比如预设拉取间隔具体可以是一秒钟,则服务器每秒拉取一次容器节点的实时负载数据。需要说明的是,由于负载样本数据中包括CPU负载数据和内存负载数据,所以在对各相同时间节点的各负载样本数据进行排序时,需要分别对CPU负载数据和内存负载数据进行排序,得到的目标负载样本数据中包括CPU负载数据和内存负载数据。
具体的,如图3所示,服务器可以从消息队列中拉取容器节点的实时负载数据,消息队列中容器节点的实时负载数据是由用于数据合并服务的服务器上报的。宿主机上部署有负载采集agent可对宿主机上所有容器节点的负载数据进行采集,负载数据采集包括CPU负载采集和内存负载采集,宿主机在采集到CPU负载数据和内存负载数据后,会每分钟上报一次机器上所有容器节点的负载数据至用于数据合并服务的服务器上,数据合并服务的服务器对所有宿主机的上报数据做汇总转发,发送到消息队列中,负责对服务整体负载做分析预测的服务器通过消息队列来拉取所有容器节点的实时负载数据。
进一步举例说明,在对负载数据进行采集时,可通过以下方式实现CPU负载采集。在本实施例中,对容器采用不绑CPU核心的使用方式,通过cgroup限制容器的CPU使用配额。容器每分钟的CPU负载采集如下:1.获取该容器所属cgroup下的CPUacct.usage文件中的值,假设为u_start;2.采集agent休眠15秒(1.5*10^10纳秒);3.再次获取CPUacct.usage文件中的值,假设为u_end;4.计算15秒CPU使用率:(u_end-u_start)/(1.5*10^10)* 容器CPU配额;5.取4次15秒的CPU使用率的最大值作为最近一分钟的CPU使用率。
进一步举例说明,在对负载数据进行采集时,可通过以下方式实现内存负载采集。在本实施例中,内存配额同样是通过cgroup进行限制,每分钟的内存负载采集如下:1.获取该容器所属cgroup下的memory.limit_in_bytes文件中的值,假设为mem_byte;2.取cgroup下的memory.stat文件中total_rss项的值,假设为rss_mem;3.计算当前的内存使用率:rss_mem/mem_byte;4.每隔15秒采集一次值,取4次采集值的最大值作为最近1分钟的内存使用率。
本实施例中,通过拉取容器节点的实时负载数据,根据实时负载数据进行节点筛选,能够得到目标容器节点,进而通过对目标容器节点的负载样本数据进行数据筛选,能够得到与各趋势分析时间节点对应的目标负载样本数据。
在一个实施例中,根据实时负载数据对容器节点进行节点筛选,确定目标容器节点包括:
根据预设参考节点数,从容器节点中随机选取参考容器节点集合;
根据参考容器节点集合中各参考容器节点的实时负载数据,计算负载均值和负载标准差;
根据负载均值、负载标准差和格拉布斯准则,对容器节点进行异常容器节点判定;
将非异常容器节点作为目标容器节点。
其中,预设参考节点数是指预先设置的参考节点的数量,可按需自行设置。优选的,预设参考节点数具体可以是10。负载均值是指各参考容器节点的实时负载数据的均值,负载标准差是指各参考容器节点的实时负载数据的标准差。需要说明的是,由于实时负载数据包括CPU负载数据和内存负载数据,所以这里是需要分别对CPU负载数据和内存负载数据的均值和标准差进行计算。
具体的,服务器会根据预设参考节点数,从容器节点中随机选取参考容器节点集合,根据参考容器节点集合中各参考容器节点的实时负载数据先计算负载均值,再根据各参考容器节点的实时负载数据和负载均值计算负载标准差,最后根据负载均值、负载标准差以及各容器节点的实时负载数据,计算各容器节点的异常判定值,根据异常判定值和格拉布斯准则中的格拉布斯准则临界值表,对容器节点进行异常容器节点判定,确定异常容器节点和非异常容器节点,将非异常容器节点作为目标容器节点。
需要说明的是,这里在计算各容器节点的异常判定值时,包括计算与CPU负载数据对应的异常判定值以及与内存负载数据对应的异常判定值,在对容器节点进行异常容器节点判定时,也需要同时依据两个异常判定值进行判定,只要根据任一异常判定值确定容器节点为异常容器节点,就可以得到容器节点为异常容器节点的结论。
具体的,异常判定值的计算公式为:,其中u是指负载均值,是指负载标准差。Yi是指各容器节点的实时负载数据。G是指异常判定值。举例说明,根据格拉布斯准则临界值表,我们可认为当G大于2.04时,对应的容器节点是异常容器节点,需要剔除。
本实施例中,通过随机选取参考容器节点集合,根据参考容器节点集合中各参考容器节点的实时负载数据,计算负载均值和负载标准差,根据负载均值、负载标准差和格拉布斯准则,对容器节点进行异常容器节点判定,将非异常容器节点作为目标容器节点,能够实现对目标容器节点的筛选。
在一个实施例中,在获取与各趋势分析时间节点对应的目标负载样本数据之后,还包括:
根据目标负载样本数据携带的目标时间戳,从目标负载样本数据中筛选出待验证负载样本数据;
根据待验证负载样本数据,计算待验证均值;
比对待验证均值和预设均值验证阈值;
当待验证均值大于预设均值验证阈值时,确定均值验证通过。
其中,待验证负载样本数据是指在预设均值验证时间段内的负载样本数据,预设均值验证时间段是指进行均值验证的时间区间,可按照需要自行设置。优选的,预设均值验证时间段具体可以是指最近十分钟,则待验证负载样本数据具体可以是指最近十分钟内的目标负载样本数据。预设均值验证阈值可按照需要自行设置,包括预设CPU均值验证阈值以及预设内存均值验证阈值。比如,均值验证阈值具体可以是指服务配额的一半。均值验证主要是用于对当前负载情况进行判定,当均值验证不通过时,表示当前负载情况为低负载,不需要进一步进行负载趋势分析和负载预测,当均值验证通过时,表示当前负载情况可能为高负载,需要进一步进行负载趋势分析,以确定是否需要进行负载预测。
具体的,服务器会根据目标负载样本数据携带的目标时间戳以及预设均值验证时间段,从目标负载样本数据中筛选出待验证负载样本数据,根据待验证负载样本数据,计算待验证均值,比对待验证均值和预设均值验证阈值,当待验证均值大于预设均值验证阈值时,确定均值验证通过。需要说明的是,因为目标负载样本数据中包括CPU负载数据和内存负载数据,所以这里要分别计算待验证CPU均值和待验证内存均值,再分别比对待验证CPU均值和预设CPU均值验证阈值以及待验证内存均值和预设内存均值验证阈值,只有当待验证CPU均值大于预设CPU均值验证阈值,且待验证内存均值大于预设内存均值验证阈值时,才能得到均值验证通过的结论。
本实施例中,通过根据目标负载样本数据携带的目标时间戳,从目标负载样本数据中筛选出待验证负载样本数据,根据待验证负载样本数据,计算待验证均值,比对待验证均值和预设均值验证阈值,能够实现均值验证,确定当前负载情况,以便进一步进行处理,提高负载预测效率。
在一个实施例中,获取与目标负载样本数据对应的待预测负载样本数据包括:
从预设负载数据库中获取预设负载预测时间段内各目标容器节点的历史负载数据,得到目标容器节点的待筛选负载样本数据;
根据待筛选负载样本数据携带的时间戳,对各相同时间节点的各待筛选负载样本数据进行排序,得到与各趋势预测时间节点对应的负载样本数据;
根据与各趋势预测时间节点对应的负载样本数据,得到待预测负载样本数据。
其中,预设负载预测时间段是指预先设置的用于进行负载预测的时间区间,可按照需要自行设置。优选的,预设负载预测时间段具体可以是指最近一个小时。
具体的,服务器会从预设负载数据库中获取预设负载预测时间段内各目标容器节点的历史负载数据,将获取到的各目标容器节点的历史负载数据,作为目标容器节点的待筛选负载样本数据,根据待筛选负载样本数据携带的时间戳,对各相同时间节点的各待筛选负载样本数据进行排序,选取出与各时间节点对应的最大负载样本数据,将与各时间节点对应的最大负载样本数据,作为与各趋势预测时间节点对应的负载样本数据,根据与各趋势预测时间节点对应的负载样本数据,得到待预测负载样本数据。
需要说明的是,由于待筛选负载样本数据中包括CPU负载数据和内存负载数据,所以在对各相同时间节点的各待筛选负载样本数据进行排序时,需要分别对CPU负载数据和内存负载数据进行排序,得到的与各趋势预测时间节点对应的负载样本数据中包括CPU负载数据和内存负载数据。
本实施例中,通过获取目标容器节点的待筛选负载样本数据,根据待筛选负载样本数据携带的时间戳对各相同时间节点的各待筛选负载样本数据进行排序,能够实现对待预测负载样本数据的获取。
在一个实施例中,比对预测负载数据和预设服务配额,得到负载预测结果包括:
对预测负载数据进行误差验证;
当误差验证通过时,从预测负载数据中选取出最大负载预测值;
比对最大负载预测值和预设服务配额;
当最大负载预测值满足预设比对条件时,得到负载预测结果为需要扩容。
其中,误差验证是指通过计算均方根误差对数据稳定性进行验证。
具体的,服务器会通过计算预测负载数据的均方根,比对均方根和预设均方根阈值对预测负载数据进行误差验证,当误差验证通过时,表示数据稳定,服务器会进一步从预测负载数据中选取出最大负载预测值,比对最大负载预测值和预设服务配额,当最大负载预测值满足预设比对条件时,得到负载预测结果为需要扩容,当最大负载预测值不满足预设比对条件时,得到负载预测结果为不需要扩容。其中,预设均方根阈值可按照需要自行设置,优选的,预设均方根阈值具体可以为5。预设比对条件也可按照需要自行设置,优选的,预设比对条件具体可以是最大负载预测值大于或者等于预设服务配额的90%。
本实施例中,通过对预测负载数据进行误差验证,当误差验证通过时,从预测负载数据中选取出最大负载预测值,比对最大负载预测值和预设服务配额,能够通过比对实现对负载预测结果的确定。
在一个实施例中,在根据已训练的时序预测模型对待预测负载样本数据进行时序预测,得到预测负载数据之前,还包括:
获取携带标签的训练样本数据;
根据训练样本数据对初始时序预测模型进行有监督学习,调整初始时序预测模型的模型参数,得到已训练的时序预测模型。
其中,携带标签的训练样本数据是指具有时序先后顺序的负载数据。举例说明,携带标签的训练样本数据具体可以是指预设数据库中的部分历史负载样本数据,以时序靠前的历史负载样本数据作为训练样本,以时序靠后的历史负载样本数据作为标签。
具体的,服务器会获取携带标签的训练样本数据,根据训练样本数据对初始时序预测模型进行有监督学习,调整初始时序预测模型的模型参数,得到已训练的时序预测模型。
本实施例中,通过获取携带标签的训练样本数据,根据训练样本数据对初始时序预测模型进行有监督学习,调整初始时序预测模型的模型参数,得到已训练的时序预测模型,能够实现对时序预测模型的训练。
如图4所示,本申请还提供一个负载预测流程图来说明上述负载预测方法,该负载预测方法具体包括以下步骤:
服务器拉取所有容器节点的实时负载数据(即获取负载样本),根据实时负载数据得到与各趋势分析时间节点对应的目标负载样本数据(即数据预处理),当对目标负载样本数据的均值验证通过时,根据已训练的支持向量机对目标负载样本数据进行负载趋势预测,得到负载趋势预测结果(即曲线分类),当负载趋势预测结果为上涨时,获取与目标负载样本数据对应的待预测负载样本数据,根据已训练的时序预测模型对待预测负载样本数据进行时序预测,得到预测负载数据,比对预测负载数据和预设服务配额,得到负载预测结果(即时序预测)。需要说明的是,由于本申请的负载预测方法主要应用于实时负载预测的场景中,在进行完单次负载预测之后,在下一个预测时间节点,服务器会从拉取所有容器的实时负载数据开始执行,再次开始负载预测。举例说明,下一个预测时间节点具体可以是指下一分钟,即服务器每分钟会进行一次负载预测。进一步的,本申请的负载预测方法还可以应用于分析物理机上部署的各类进程未来物理资源消耗情况。
如图5所示,本申请还提供一个具体实施例来说明本申请的负载预测方法,该负载预测方法具体包括以下步骤:
步骤502,拉取容器节点的实时负载数据,并统计已拉取容器节点数;
步骤504,当已拉取容器节点数与预设容器节点数相同时,根据预设参考节点数,从容器节点中随机选取参考容器节点集合;
步骤506,根据参考容器节点集合中各参考容器节点的实时负载数据,计算负载均值和负载标准差;
步骤508,根据负载均值、负载标准差和格拉布斯准则,对容器节点进行异常容器节点判定;
步骤510,将非异常容器节点作为目标容器节点;
步骤512,从预设负载数据库中获取预设负载趋势分析时间段内各目标容器节点的历史负载数据,得到各目标容器节点的负载样本数据;
步骤514,根据负载样本数据携带的时间戳,对各相同时间节点的各负载样本数据进行排序,得到与各趋势分析时间节点对应的目标负载样本数据;
步骤516,根据目标负载样本数据携带的目标时间戳,从目标负载样本数据中筛选出待验证负载样本数据;
步骤518,根据待验证负载样本数据,计算待验证均值;
步骤520,比对待验证均值和预设均值验证阈值;
步骤522,当待验证均值大于预设均值验证阈值时,确定均值验证通过;
步骤524,当对目标负载样本数据的均值验证通过时,根据已训练的支持向量机对目标负载样本数据进行负载趋势预测,得到负载趋势预测结果;
步骤526,当负载趋势预测结果为上涨时,从预设负载数据库中获取预设负载预测时间段内各目标容器节点的历史负载数据,得到目标容器节点的待筛选负载样本数据;
步骤528,根据待筛选负载样本数据携带的时间戳,对各相同时间节点的各待筛选负载样本数据进行排序,得到与各趋势预测时间节点对应的负载样本数据;
步骤530,根据与各趋势预测时间节点对应的负载样本数据,得到待预测负载样本数据;
步骤532,获取携带标签的训练样本数据;
步骤534,根据训练样本数据对初始时序预测模型进行有监督学习,调整初始时序预测模型的模型参数,得到已训练的时序预测模型;
步骤536,根据已训练的时序预测模型对待预测负载样本数据进行时序预测,得到预测负载数据;
步骤538,对预测负载数据进行误差验证;
步骤540,当误差验证通过时,从预测负载数据中选取出最大负载预测值;
步骤542,比对最大负载预测值和预设服务配额;
步骤544,当最大负载预测值满足预设比对条件时,得到负载预测结果为需要扩容。
应该理解的是,虽然图2、图4以及图5的流程图中的各个步骤按照箭头的指示依次显示,但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明,这些步骤的执行并没有严格的顺序限制,这些步骤可以以其它的顺序执行。而且,图2、图4以及图5中的至少一部分步骤可以包括多个步骤或者多个阶段,这些步骤或者阶段并不必然是在同一时刻执行完成,而是可以在不同的时刻执行,这些步骤或者阶段的执行顺序也不必然是依次进行,而是可以与其它步骤或者其它步骤中的步骤或者阶段的至少一部分轮流或者交替地执行。
在一个实施例中,如图6所示,提供了一种负载预测装置,该装置可以采用软件模块或硬件模块,或者是二者的结合成为计算机设备的一部分,该装置具体包括:第一获取模块602、趋势预测模块604、第二获取模块606、时序预测模块608和比对模块610,其中:
第一获取模块602,用于获取与各趋势分析时间节点对应的目标负载样本数据;
趋势预测模块604,用于当对目标负载样本数据的均值验证通过时,根据已训练的支持向量机对目标负载样本数据进行负载趋势预测,得到负载趋势预测结果;
第二获取模块606,用于当负载趋势预测结果为上涨时,获取与目标负载样本数据对应的待预测负载样本数据;
时序预测模块608,用于根据已训练的时序预测模型对待预测负载样本数据进行时序预测,得到预测负载数据;
比对模块610,用于比对预测负载数据和预设服务配额,得到负载预测结果。
上述负载预测装置,通过获取与各趋势分析时间节点对应的目标负载样本数据,当对目标负载样本数据的均值验证通过时,根据已训练的支持向量机对目标负载样本数据进行负载趋势预测,得到负载趋势预测结果,当负载趋势预测结果为上涨时,获取与目标负载样本数据对应的待预测负载样本数据,根据已训练的时序预测模型对待预测负载样本数据进行时序预测,得到预测负载数据,比对预测负载数据和预设服务配额,得到负载预测结果,整个过程,先利用负载趋势预测过滤掉抖动的负载曲线,对负载趋势进行预判,在确定负载趋势为上涨时,才进一步通过已训练的时序预测模型对待预测负载样本数据进行时序预测,能够降低负载预测的复杂度,加快预测速度且提高预测效率。
在一个实施例中,第一获取模块还用于拉取容器节点的实时负载数据,并统计已拉取容器节点数,当已拉取容器节点数与预设容器节点数相同时,根据实时负载数据对容器节点进行节点筛选,确定目标容器节点,从预设负载数据库中获取预设负载趋势分析时间段内各目标容器节点的历史负载数据,得到各目标容器节点的负载样本数据,根据负载样本数据携带的时间戳,对各相同时间节点的各负载样本数据进行排序,得到与各趋势分析时间节点对应的目标负载样本数据。
在一个实施例中,第一获取模块还用于根据预设参考节点数,从容器节点中随机选取参考容器节点集合,根据参考容器节点集合中各参考容器节点的实时负载数据,计算负载均值和负载标准差,根据负载均值、负载标准差和格拉布斯准则,对容器节点进行异常容器节点判定,将非异常容器节点作为目标容器节点。
在一个实施例中,负载预测装置还包括验证模块,验证模块用于根据目标负载样本数据携带的目标时间戳,从目标负载样本数据中筛选出待验证负载样本数据,根据待验证负载样本数据,计算待验证均值,比对待验证均值和预设均值验证阈值,当待验证均值大于预设均值验证阈值时,确定均值验证通过。
在一个实施例中,第二获取模块还用于从预设负载数据库中获取预设负载预测时间段内各目标容器节点的历史负载数据,得到目标容器节点的待筛选负载样本数据,根据待筛选负载样本数据携带的时间戳,对各相同时间节点的各待筛选负载样本数据进行排序,得到与各趋势预测时间节点对应的负载样本数据,根据与各趋势预测时间节点对应的负载样本数据,得到待预测负载样本数据。
在一个实施例中,比对模块还用于对预测负载数据进行误差验证,当误差验证通过时,从预测负载数据中选取出最大负载预测值,比对最大负载预测值和预设服务配额,当最大负载预测值满足预设比对条件时,得到负载预测结果为需要扩容。
在一个实施例中,负载预测装置还包括训练模块,训练模块用于获取携带标签的训练样本数据,根据训练样本数据对初始时序预测模型进行有监督学习,调整初始时序预测模型的模型参数,得到已训练的时序预测模型。
关于负载预测装置的具体限定可以参见上文中对于负载预测方法的限定,在此不再赘述。上述负载预测装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中,也可以以软件形式存储于计算机设备中的存储器中,以便于处理器调用执行以上各个模块对应的操作。
在一个实施例中,提供了一种计算机设备,该计算机设备可以是服务器,其内部结构图可以如图7所示。该计算机设备包括通过系统总线连接的处理器、存储器和网络接口。其中,该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统、计算机程序和数据库。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的数据库用于存储负载样本数据。该计算机设备的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种负载预测方法。
本领域技术人员可以理解,图7中示出的结构,仅仅是与本申请方案相关的部分结构的框图,并不构成对本申请方案所应用于其上的计算机设备的限定,具体的计算机设备可以包括比图中所示更多或更少的部件,或者组合某些部件,或者具有不同的部件布置。
在一个实施例中,还提供了一种计算机设备,包括存储器和处理器,存储器中存储有计算机程序,该处理器执行计算机程序时实现上述各方法实施例中的步骤。
在一个实施例中,提供了一种计算机可读存储介质,存储有计算机程序,该计算机程序被处理器执行时实现上述各方法实施例中的步骤。
在一个实施例中,提供了一种计算机程序产品或计算机程序,该计算机程序产品或计算机程序包括计算机指令,该计算机指令存储在计算机可读存储介质中。计算机设备的处理器从计算机可读存储介质读取该计算机指令,处理器执行该计算机指令,使得该计算机设备执行上述各方法实施例中的步骤。
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,所述的计算机程序可存储于一非易失性计算机可读取存储介质中,该计算机程序在执行时,可包括如上述各方法的实施例的流程。其中,本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用,均可包括非易失性和易失性存储器中的至少一种。非易失性存储器可包括只读存储器(Read-Only Memory,ROM)、磁带、软盘、闪存或光存储器等。易失性存储器可包括随机存取存储器(Random Access Memory,RAM)或外部高速缓冲存储器。作为说明而非局限,RAM可以是多种形式,比如静态随机存取存储器(Static Random Access Memory,SRAM)或动态随机存取存储器(Dynamic Random Access Memory,DRAM)等。
以上实施例的各技术特征可以进行任意的组合,为使描述简洁,未对上述实施例中的各个技术特征所有可能的组合都进行描述,然而,只要这些技术特征的组合不存在矛盾,都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本申请的几种实施方式,其描述较为具体和详细,但并不能因此而理解为对发明专利范围的限制。应当指出的是,对于本领域的普通技术人员来说,在不脱离本申请构思的前提下,还可以做出若干变形和改进,这些都属于本申请的保护范围。因此,本申请专利的保护范围应以所附权利要求为准。
Claims (10)
1.一种负载预测方法,其特征在于,所述方法包括:
获取与各趋势分析时间节点对应的目标负载样本数据;
当对所述目标负载样本数据的均值验证通过时,根据已训练的支持向量机对所述目标负载样本数据进行负载趋势预测,得到负载趋势预测结果;
当所述负载趋势预测结果为上涨时,获取与所述目标负载样本数据对应的待预测负载样本数据;
根据已训练的时序预测模型对所述待预测负载样本数据进行时序预测,得到预测负载数据;
比对所述预测负载数据和预设服务配额,得到负载预测结果。
2.根据权利要求1所述的方法,其特征在于,所述获取与各趋势分析时间节点对应的目标负载样本数据包括:
拉取容器节点的实时负载数据,并统计已拉取容器节点数;
当所述已拉取容器节点数与预设容器节点数相同时,根据所述实时负载数据对所述容器节点进行节点筛选,确定目标容器节点;
从预设负载数据库中获取预设负载趋势分析时间段内各目标容器节点的历史负载数据,得到各目标容器节点的负载样本数据;
根据所述负载样本数据携带的时间戳,对各相同时间节点的各负载样本数据进行排序,得到与各趋势分析时间节点对应的目标负载样本数据。
3.根据权利要求2所述的方法,其特征在于,所述根据所述实时负载数据对所述容器节点进行节点筛选,确定目标容器节点包括:
根据预设参考节点数,从所述容器节点中随机选取参考容器节点集合;
根据所述参考容器节点集合中各参考容器节点的实时负载数据,计算负载均值和负载标准差;
根据所述负载均值、所述负载标准差和格拉布斯准则,对所述容器节点进行异常容器节点判定;
将非异常容器节点作为目标容器节点。
4.根据权利要求1至3任意一项所述的方法,其特征在于,在所述获取与各趋势分析时间节点对应的目标负载样本数据之后,还包括:
根据所述目标负载样本数据携带的目标时间戳,从所述目标负载样本数据中筛选出待验证负载样本数据;
根据所述待验证负载样本数据,计算待验证均值;
比对所述待验证均值和预设均值验证阈值;
当所述待验证均值大于所述预设均值验证阈值时,确定均值验证通过。
5.根据权利要求1至3任意一项所述的方法,其特征在于,所述获取与所述目标负载样本数据对应的待预测负载样本数据包括:
从预设负载数据库中获取预设负载预测时间段内各目标容器节点的历史负载数据,得到目标容器节点的待筛选负载样本数据;
根据所述待筛选负载样本数据携带的时间戳,对各相同时间节点的各待筛选负载样本数据进行排序,得到与各趋势预测时间节点对应的负载样本数据;
根据所述与各趋势预测时间节点对应的负载样本数据,得到待预测负载样本数据。
6.根据权利要求1至3任意一项所述的方法,其特征在于,所述比对所述预测负载数据和预设服务配额,得到负载预测结果包括:
对所述预测负载数据进行误差验证;
当误差验证通过时,从所述预测负载数据中选取出最大负载预测值;
比对所述最大负载预测值和所述预设服务配额;
当所述最大负载预测值满足预设比对条件时,得到负载预测结果为需要扩容。
7.根据权利要求1至3任意一项所述的方法,其特征在于,在所述根据已训练的时序预测模型对所述待预测负载样本数据进行时序预测,得到预测负载数据之前,还包括:
获取携带标签的训练样本数据;
根据所述训练样本数据对初始时序预测模型进行有监督学习,调整所述初始时序预测模型的模型参数,得到已训练的时序预测模型。
8.一种负载预测装置,其特征在于,所述装置包括:
第一获取模块,用于获取与各趋势分析时间节点对应的目标负载样本数据;
趋势预测模块,用于当对所述目标负载样本数据的均值验证通过时,根据已训练的支持向量机对所述目标负载样本数据进行负载趋势预测,得到负载趋势预测结果;
第二获取模块,用于当所述负载趋势预测结果为上涨时,获取与所述目标负载样本数据对应的待预测负载样本数据;
时序预测模块,用于根据已训练的时序预测模型对所述待预测负载样本数据进行时序预测,得到预测负载数据;
比对模块,用于比对所述预测负载数据和预设服务配额,得到负载预测结果。
9.一种计算机设备,包括存储器和处理器,所述存储器存储有计算机程序,其特征在于,所述处理器执行所述计算机程序时实现权利要求1至7中任一项所述的方法的步骤。
10.一种计算机可读存储介质,存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现权利要求1至7中任一项所述的方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011115775.5A CN111930526B (zh) | 2020-10-19 | 2020-10-19 | 负载预测方法、装置、计算机设备和存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011115775.5A CN111930526B (zh) | 2020-10-19 | 2020-10-19 | 负载预测方法、装置、计算机设备和存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111930526A true CN111930526A (zh) | 2020-11-13 |
CN111930526B CN111930526B (zh) | 2021-01-22 |
Family
ID=73335239
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011115775.5A Active CN111930526B (zh) | 2020-10-19 | 2020-10-19 | 负载预测方法、装置、计算机设备和存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111930526B (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113676347A (zh) * | 2021-07-23 | 2021-11-19 | 青岛海尔科技有限公司 | 服务器的负载预测方法和装置、存储介质及电子装置 |
CN113722108A (zh) * | 2021-11-02 | 2021-11-30 | 中国工程物理研究院计算机应用研究所 | 基于应用运行负载数据预测的容器资源弹性预伸缩方法 |
CN114518952A (zh) * | 2020-11-20 | 2022-05-20 | 中国电信股份有限公司 | 容器内存使用量预测自反馈优化的方法、装置及存储介质 |
CN114528934A (zh) * | 2022-02-18 | 2022-05-24 | 中国平安人寿保险股份有限公司 | 时序数据异常检测方法、装置、设备及介质 |
CN116431335A (zh) * | 2023-03-21 | 2023-07-14 | 哈尔滨工业大学 | 一种基于控制组的容器消息队列资源配额控制方法 |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102664812A (zh) * | 2012-05-14 | 2012-09-12 | 山东大学 | 融合业务预测与实时负载的两阶段服务系统负载预测与均衡方法 |
CN103945548A (zh) * | 2014-04-29 | 2014-07-23 | 西安电子科技大学 | 一种c-ran网络中的资源分配系统及任务/业务调度方法 |
US20170206111A1 (en) * | 2016-01-15 | 2017-07-20 | Qualcomm Innovation Center, Inc. | Managing processing capacity provided to threads based upon load prediction |
CN107682409A (zh) * | 2017-09-13 | 2018-02-09 | 厦门集微科技有限公司 | 一种集群资源预伸缩方法及装置 |
CN108197764A (zh) * | 2017-12-22 | 2018-06-22 | 浙江中易和节能技术有限公司 | 预测电力企业综合能耗的方法及其设备 |
KR20190012928A (ko) * | 2017-07-31 | 2019-02-11 | 한국전자통신연구원 | 부하분산 장치 및 방법 |
CN109992392A (zh) * | 2017-12-29 | 2019-07-09 | 中移(杭州)信息技术有限公司 | 一种资源部署方法、装置及资源服务器 |
CN110457287A (zh) * | 2019-07-03 | 2019-11-15 | 北京百度网讯科技有限公司 | 数据库的扩缩容处理方法及装置、计算机设备及可读介质 |
US20200159627A1 (en) * | 2010-06-04 | 2020-05-21 | Commvault Systems, Inc. | Failover systems and methods for performing backup operations, including heterogeneous indexing and load balancing of backup and indexing resources |
-
2020
- 2020-10-19 CN CN202011115775.5A patent/CN111930526B/zh active Active
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20200159627A1 (en) * | 2010-06-04 | 2020-05-21 | Commvault Systems, Inc. | Failover systems and methods for performing backup operations, including heterogeneous indexing and load balancing of backup and indexing resources |
CN102664812A (zh) * | 2012-05-14 | 2012-09-12 | 山东大学 | 融合业务预测与实时负载的两阶段服务系统负载预测与均衡方法 |
CN103945548A (zh) * | 2014-04-29 | 2014-07-23 | 西安电子科技大学 | 一种c-ran网络中的资源分配系统及任务/业务调度方法 |
US20170206111A1 (en) * | 2016-01-15 | 2017-07-20 | Qualcomm Innovation Center, Inc. | Managing processing capacity provided to threads based upon load prediction |
KR20190012928A (ko) * | 2017-07-31 | 2019-02-11 | 한국전자통신연구원 | 부하분산 장치 및 방법 |
CN107682409A (zh) * | 2017-09-13 | 2018-02-09 | 厦门集微科技有限公司 | 一种集群资源预伸缩方法及装置 |
CN108197764A (zh) * | 2017-12-22 | 2018-06-22 | 浙江中易和节能技术有限公司 | 预测电力企业综合能耗的方法及其设备 |
CN109992392A (zh) * | 2017-12-29 | 2019-07-09 | 中移(杭州)信息技术有限公司 | 一种资源部署方法、装置及资源服务器 |
CN110457287A (zh) * | 2019-07-03 | 2019-11-15 | 北京百度网讯科技有限公司 | 数据库的扩缩容处理方法及装置、计算机设备及可读介质 |
Non-Patent Citations (2)
Title |
---|
INDRIT ENESI ET AL.: ""Performance Evaluation Of Statefull Load Balancing In Predicted Time Intervals And CPU Load "", 《IEEE EUROCON 2017-17TH INTERNATIONAL CONFERENCE ON SMART TECHNOLOGIES》 * |
陈文杰: ""C-RAN下载波迁移的负载预测方法及迁移调度策略研究"", 《中国优秀硕士学位论文全文数据库 信息科技辑》 * |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114518952A (zh) * | 2020-11-20 | 2022-05-20 | 中国电信股份有限公司 | 容器内存使用量预测自反馈优化的方法、装置及存储介质 |
CN113676347A (zh) * | 2021-07-23 | 2021-11-19 | 青岛海尔科技有限公司 | 服务器的负载预测方法和装置、存储介质及电子装置 |
CN113676347B (zh) * | 2021-07-23 | 2024-03-26 | 青岛海尔科技有限公司 | 服务器的负载预测方法和装置、存储介质及电子装置 |
CN113722108A (zh) * | 2021-11-02 | 2021-11-30 | 中国工程物理研究院计算机应用研究所 | 基于应用运行负载数据预测的容器资源弹性预伸缩方法 |
CN114528934A (zh) * | 2022-02-18 | 2022-05-24 | 中国平安人寿保险股份有限公司 | 时序数据异常检测方法、装置、设备及介质 |
CN116431335A (zh) * | 2023-03-21 | 2023-07-14 | 哈尔滨工业大学 | 一种基于控制组的容器消息队列资源配额控制方法 |
CN116431335B (zh) * | 2023-03-21 | 2024-06-07 | 哈尔滨工业大学 | 一种基于控制组的容器消息队列资源配额控制方法 |
Also Published As
Publication number | Publication date |
---|---|
CN111930526B (zh) | 2021-01-22 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111930526B (zh) | 负载预测方法、装置、计算机设备和存储介质 | |
US20220255817A1 (en) | Machine learning-based vnf anomaly detection system and method for virtual network management | |
CN112183758A (zh) | 用于实现模型训练的方法及装置、计算机存储介质 | |
CN112114986B (zh) | 数据异常识别方法、装置、服务器和存储介质 | |
CN111131304A (zh) | 面向云平台大规模虚拟机细粒度异常行为检测方法和系统 | |
US20210073669A1 (en) | Generating training data for machine-learning models | |
CN111431819A (zh) | 一种基于序列化的协议流特征的网络流量分类方法和装置 | |
CN106991435A (zh) | 基于改进的字典学习的入侵检测方法 | |
US11197175B2 (en) | Forcasting time series data | |
WO2024031930A1 (zh) | 一种异常日志检测方法、装置、电子设备及存储介质 | |
CN112527448A (zh) | 基于openstack的动态负载调整方法及其系统 | |
Ko et al. | Network prediction with traffic gradient classification using convolutional neural networks | |
CN117041017A (zh) | 数据中心的智能运维管理方法及系统 | |
CN112069039A (zh) | 人工智能开发平台的监控预知告警方法、装置及存储介质 | |
CN112990583A (zh) | 一种数据预测模型的入模特征确定方法及设备 | |
CN110097120B (zh) | 网络流量数据分类方法、设备及计算机存储介质 | |
CN113282920B (zh) | 日志异常检测方法、装置、计算机设备和存储介质 | |
KR20210011822A (ko) | 인공 지능 기반 비정상 로그를 탐지하는 방법 및 이를 구현하는 시스템 | |
Xu et al. | Comparisons of logistic regression and artificial neural network on power distribution systems fault cause identification | |
CN108596068B (zh) | 一种动作识别的方法和装置 | |
CN110781950A (zh) | 一种报文处理方法及装置 | |
Li et al. | A study on customer churn of commercial banks based on learning from label proportions | |
CN106888237A (zh) | 一种数据调度方法及系统 | |
Mustafa et al. | Evolving stream classification using change detection | |
CN113342518A (zh) | 任务处理方法和装置 |
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 |