CN112052082B - 任务属性优化方法、装置、服务器及存储介质 - Google Patents
任务属性优化方法、装置、服务器及存储介质 Download PDFInfo
- Publication number
- CN112052082B CN112052082B CN202010905006.9A CN202010905006A CN112052082B CN 112052082 B CN112052082 B CN 112052082B CN 202010905006 A CN202010905006 A CN 202010905006A CN 112052082 B CN112052082 B CN 112052082B
- Authority
- CN
- China
- Prior art keywords
- task
- attribute data
- target
- target task
- attribute
- 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
Links
- 238000005457 optimization Methods 0.000 title claims abstract description 123
- 238000000034 method Methods 0.000 title claims abstract description 38
- 238000011156 evaluation Methods 0.000 claims abstract description 104
- 238000012549 training Methods 0.000 claims description 40
- 238000013507 mapping Methods 0.000 claims description 11
- 238000012545 processing Methods 0.000 claims description 11
- 238000006243 chemical reaction Methods 0.000 claims description 5
- 238000007619 statistical method Methods 0.000 claims description 5
- 238000004590 computer program Methods 0.000 claims description 4
- 238000012216 screening Methods 0.000 claims description 3
- 230000003287 optical effect Effects 0.000 description 6
- 238000010586 diagram Methods 0.000 description 5
- 239000002699 waste material Substances 0.000 description 5
- 238000013468 resource allocation Methods 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 239000013307 optical fiber Substances 0.000 description 2
- 230000002093 peripheral effect Effects 0.000 description 2
- 230000000644 propagated effect Effects 0.000 description 2
- 238000003491 array Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 230000001939 inductive effect Effects 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 230000008707 rearrangement Effects 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 238000004904 shortening Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
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
- G06F9/48—Program initiating; Program switching, e.g. by interrupt
- G06F9/4806—Task transfer initiation or dispatching
- G06F9/4843—Task transfer initiation or dispatching by program, e.g. task dispatcher, supervisor, operating system
- G06F9/4881—Scheduling strategies for dispatcher, e.g. round robin, multi-level priority queues
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F11/00—Error detection; Error correction; Monitoring
- G06F11/30—Monitoring
- G06F11/34—Recording or statistical evaluation of computer activity, e.g. of down time, of input/output operation ; Recording or statistical evaluation of user activity, e.g. usability assessment
- G06F11/3442—Recording or statistical evaluation of computer activity, e.g. of down time, of input/output operation ; Recording or statistical evaluation of user activity, e.g. usability assessment for planning or managing the needed capacity
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F11/00—Error detection; Error correction; Monitoring
- G06F11/30—Monitoring
- G06F11/34—Recording or statistical evaluation of computer activity, e.g. of down time, of input/output operation ; Recording or statistical evaluation of user activity, e.g. usability assessment
- G06F11/3447—Performance evaluation by modeling
-
- 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)
- Theoretical Computer Science (AREA)
- General Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Computer Hardware Design (AREA)
- Software Systems (AREA)
- Quality & Reliability (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本发明实施例公开了一种任务属性优化方法、装置、服务器及存储介质。该方法包括:执行目标任务,获取目标任务的任务属性数据,任务属性数据包括资源参数以及性能指标参数;根据任务属性数据、历史任务属性数据集以及任务评估规则,得到目标任务的任务预期属性数据;根据任务预期属性数据对目标任务的任务属性数据进行更新,并使用更新后的任务属性数据重新执行目标任务。本发明实施例的技术方案,可以自动对各个任务的任务属性进行优化,实现在控制任务资源合理占用的同时,提高任务运行效率。
Description
技术领域
本发明实施例涉及计算机技术领域,尤其涉及一种任务属性优化方法、装置、服务器及存储介质。
背景技术
目前,大多数Spark任务都是手动进行参数配置,人工成本较高,并且各任务的参数配置较为统一。由于部分任务处理的数据量较大,为了保证大多数任务能够正常运行,各任务的资源参数设置的较大,而实际上,处理的数据量较小的任务往往比较多,因此,造成大量的资源浪费。同时,由于参数配置不合理,还会产生任务的数据量过小、并发度过大、内存不够等问题,进一步导致任务的运行时间长。并且,现有技术中对集群Spark任务的优化通常是专项优化,无法整体优化集群任务。
发明内容
本发明实施例提供一种任务属性优化方法、装置、服务器及存储介质,可以自动对各个任务的任务属性进行优化,实现在控制任务资源合理占用的同时,提高任务运行效率。
第一方面,本发明实施例提供了一种任务属性优化方法,包括:
执行目标任务,获取目标任务的任务属性数据,任务属性数据包括资源参数以及性能指标参数;
根据任务属性数据、历史任务属性数据集以及任务评估规则,得到目标任务的任务预期属性数据;
根据任务预期属性数据对目标任务的任务属性数据进行更新,并使用更新后的任务属性数据重新执行目标任务。
可选的,根据任务属性数据、历史任务属性数据集以及任务评估规则,得到目标任务的任务预期属性数据,包括:
将目标任务的任务属性数据输入预先训练的优化模型中,得到优化模型输出的目标任务的任务预期属性数据;
其中,优化模型预先根据历史任务属性数据集以及任务评估规则训练得到。
可选的,在获取当前执行的目标任务的任务属性数据之前,还包括:
对历史任务属性数据集中包括的各历史任务的历史任务属性进行数据筛选和数据格式转换,得到训练数据;
获取由训练数据以及与历史任务对应的集群参数确定的任务评估规则,集群参数为运行各历史任务的计算机集群的参数;
根据训练数据以及任务评估规则,对预设的算法模型进行训练,得到优化模型。
可选的,获取由训练数据以及与历史任务对应的集群参数确定的任务评估规则,包括:
对训练数据中包括的各项任务属性数据,以及与历史任务对应的集群参数进行统计分析,得到各项任务属性与任务预期属性之间的映射关系;
将各项任务属性与任务预期属性之间的映射关系作为任务评估规则;各项任务预期属性分别包括至少两个预期属性档位。
可选的,将目标任务的任务属性数据输入优化模型,得到优化模型输出的目标任务的任务预期属性数据,包括:
将目标任务的各项任务属性数据输入优化模型;
通过优化模型,确定与目标任务匹配的目标任务评估规则;
通过优化模型,根据目标任务评估规则对目标任务的任务属性数据进行评估,输出评估结果为不合格的目标任务的任务预期属性数据。
可选的,通过优化模型,根据目标任务评估规则对目标任务的任务属性数据进行评估,输出评估结果为不合格的目标任务的任务预期属性数据,包括:
通过所述优化模型,将目标任务的资源参数与目标任务评估规则进行匹配,并根据目标任务评估规则输出与匹配失败的目标任务的资源参数对应的任务预期属性数据;
通过所述优化模型,将目标任务的性能指标参数与目标任务评估规则进行匹配,并根据目标任务评估规则输出与匹配失败的目标任务的性能指标参数对应的任务预期属性数据。
第二方面,本发明实施例还提供了一种任务属性优化装置,包括:
属性获取模块,用于执行目标任务,获取目标任务的任务属性数据,任务属性数据包括资源参数以及性能指标参数;
预期属性获取模块,用于根据任务属性数据、历史任务属性数据集以及任务评估规则,得到目标任务的任务预期属性数据;
属性更新模块,用于根据任务预期属性数据对目标任务的任务属性数据进行更新,并使用更新后的任务属性数据重新执行目标任务。
可选的,预期属性获取模块,具体用于:
将目标任务的任务属性数据输入预先训练的优化模型中,得到优化模型输出的目标任务的任务预期属性数据;
其中,优化模型预先根据历史任务属性数据集以及任务评估规则训练得到。
第三方面,本发明实施例还提供了一种服务器,服务器包括:
一个或多个处理器;
存储装置,用于存储一个或多个程序,
当一个或多个程序被一个或多个处理器执行,使得一个或多个处理器实现如本发明任意实施例提供的任务属性优化方法。
第四方面,本发明实施例还提供了一种计算机可读存储介质,其上存储有计算机程序,该程序被处理器执行时实现如本发明任意实施例提供的任务属性优化方法。
本发明实施例的技术方案,通过执行目标任务,获取目标任务的任务属性数据,任务属性数据包括资源参数以及性能指标参数;根据任务属性数据、历史任务属性数据集以及任务评估规则,得到目标任务的任务预期属性数据;根据任务预期属性数据对目标任务的任务属性数据进行更新,并使用更新后的任务属性数据重新执行目标任务,解决了现有技术中存在的任务属性需手动配置,以及任务资源均分导致资源浪费和任务运行时间长的问题,实现自动对各个任务的任务属性进行优化,实现在控制任务资源合理占用的同时,提高任务运行效率。
附图说明
图1是本发明实施例一中的一种任务属性优化方法的流程图;
图2a是本发明实施例二中的一种任务属性优化方法的流程图;
图2b是本发明实施例二中的一种优化模型生成过程的流程图;
图3是本发明实施例三中的一种任务属性优化装置的结构示意图;
图4是本发明实施例四中的一种服务器的结构示意图。
具体实施方式
下面结合附图和实施例对本发明作进一步的详细说明。可以理解的是,此处所描述的具体实施例仅仅用于解释本发明,而非对本发明的限定。另外还需要说明的是,为了便于描述,附图中仅示出了与本发明相关的部分而非全部结构。
实施例一
图1是本发明实施例一中的一种任务属性优化方法的流程图,本实施例可适用于对Spark任务自动进行属性优化的情况,该方法可以由任务属性优化装置来执行,该装置可以由硬件和/或软件来实现,并一般可以集成在提供任务属性优化服务的服务器中。如图1所示,该方法包括:
步骤110、执行目标任务,获取目标任务的任务属性数据。
本实施例中,目标任务是指Spark任务,例如SparkSQL任务和Hive on Spark模式的HiveSQL任务,每个Spark任务具有很多任务参数,可以将影响任务运行时间的各类任务参数以及实际运行时间统一称为任务属性数据。本实施例中的任务属性数据可以包括资源参数以及性能指标参数,其中,资源参数可以包括目标任务占用的中央处理器(CentralProcessing Unit,CPU)总数、虚拟CPU核数以及目标任务占用的内存大小等,性能指标参数可以包括目标任务的总运行时间、Spark应用Master与yarn资源管理器之间的心跳间隔以及Executor的最大失败次数等。执行目标任务的服务器是集群中的一台,集群是由多台服务器组成一组共同服务用户请求的服务器群,集群内的每一台服务器可视为等同的,任意一台服务器可以单独对用户请求进行响应。
本实施例中,响应于用户对目标任务的执行请求,执行目标任务,并从Spark的历史服务器中获取目标任务执行过程产生的日志数据,然后从该日志数据中选择影响目标任务运行时间的各类任务参数以及任务实际运行时间,作为目标任务的任务属性数据,以用于后续对目标任务进行性能评估。
步骤120、根据任务属性数据、历史任务属性数据集以及任务评估规则,得到目标任务的任务预期属性数据。
本实施例中,获取到目标任务的任务属性数据后,需要根据任务属性数据对目标任务进行性能评估,判断目标任务是否需要进行任务属性优化,即判断目标任务的资源分配情况以及任务运行时间是否合理,如果不合理,则需要对当前的任务属性数据进行优化调整,得到目标任务的任务预期属性数据。
可选的,根据任务属性数据、历史任务属性数据集以及任务评估规则,得到目标任务的任务预期属性数据,可以包括:将目标任务的任务属性数据输入预先训练的优化模型中,得到优化模型输出的目标任务的任务预期属性数据;其中,优化模型预先根据历史任务属性数据集以及任务评估规则训练得到。
本实施例中,可以通过预先训练好的优化模型,自动对目标任务进行性能评估,并在评估结果为不合格时,直接输出优化后的目标任务的任务预期属性数据。其中,优化模型是预先根据历史任务属性数据集以及任务评估规则训练得到的,历史任务属性数据集由从Spark的历史服务器中获取的多个历史任务的任务属性数据组成,可以用于学习性能较好的历史任务的参数配置情况,任务评估规则提供了各种任务的性能评估标准。
可选的,将目标任务的任务属性数据输入优化模型,得到优化模型输出的目标任务的任务预期属性数据,可以包括:将目标任务的各项任务属性数据输入优化模型;通过优化模型,确定与目标任务匹配的目标任务评估规则;通过优化模型,根据目标任务评估规则对目标任务的任务属性数据进行评估,输出评估结果为不合格的目标任务的任务预期属性数据。
本实施例中,为了对目标任务进行性能评估和任务属性调优,可以将目标任务的各项任务属性数据输入至优化模型,通过优化模型从多个任务评估规则中,选择与目标任务的任务属性数据匹配的目标任务评估规则,然后通过优化模型,根据目标任务评估规则对目标任务的任务属性数据进行评估,即判断目标任务的任务属性取值是否与目标任务评估规则中规定的该属性的合理取值范围一致,如果不一致,则认为评估结果不合格,此时,通过优化模型输出与目标任务的当前任务属性数据对应的任务预期属性数据。
可选的,通过优化模型,根据目标任务评估规则对目标任务的任务属性数据进行评估,输出评估结果为不合格的目标任务的任务预期属性数据,可以包括:通过优化模型,将目标任务的资源参数与目标任务评估规则进行匹配,并根据目标任务评估规则输出与匹配失败的目标任务的资源参数对应的任务预期属性数据;通过优化模型,将目标任务的性能指标参数与目标任务评估规则进行匹配,并根据目标任务评估规则输出与匹配失败的目标任务的性能指标参数对应的任务预期属性数据。
本实施例中,优化模型既可以输出与目标任务的资源参数对应的任务预期属性数据,以用于对目标任务的资源分配情况进行调整,也可以输出与目标任务的性能指标参数对应的任务预期属性数据,以使得目标任务在合理占用集群资源的同时可以保证有效的任务运行时效。
本实施例中,通过优化模型对目标任务的任务属性数据进行评估时,可以将目标任务的资源参数取值与目标任务评估规则中资源参数的有效取值范围进行匹配,如果两者一致,则说明目标任务的资源参数配置合理,即目标任务占用的集群资源是合理的,无需通过优化模型输出与目标任务的资源参数对应的任务预期属性数据;如果两者不一致,则说明目标任务占用的集群资源不合理,需要通过优化模型输出与目标任务的资源参数对应的任务预期属性数据,以使目标任务的当前资源参数的取值在有效取值范围内,使得目标任务占用合理的资源。
本实施例中,通过优化模型对目标任务的任务属性数据进行评估时,还可以将目标任务的性能指标参数取值与目标任务评估规则中性能指标参数的有效取值范围进行匹配,如果两者一致,则说明目标任务的运行时效是合理的,无需通过优化模型输出与目标任务的性能指标参数对应的任务预期属性数据;如果两者不一致,则说明目标任务的运行时间过长,需要通过优化模型输出与目标任务的性能指标参数对应的任务预期属性数据,以使目标任务的当前性能指标参数的取值在性能指标参数有效取值范围内,提高目标任务的运行时效。
示例性的,假设目标任务的任务属性数据包括:目标任务各任务阶段输入的总数据量为500M,总数据占用的资源总数1GB,目标任务的总运行时间为30分钟,其他任务属性数据不一一列出。将各项任务属性数据输入优化模型后,可以通过优化模型根据总数据量500M找到与目标任务匹配的目标任务评估规则,例如,总数据量大于等于500M小于1GB对应的目标任务评估规则。然后,一方面,可以通过优化模型将总数据占用的资源总数1GB与目标任务评估规则中占用资源总数的有效范围进行比较,例如,1GB在有效范围(600M,2GB)内,确定资源参数配置合理,无需进行资源配置的优化。另一方面,可以通过优化模型将目标任务的总运行时间30分钟与目标任务评估规则中总运行时间的有效范围进行比较,例如,30分钟不在总运行时间的有效范围(2,5)内,确定目标任务的运行时间过长,此时,需要进一步通过优化模型,输出与目标任务评估规则中性能指标参数有效取值范围匹配的任务预期属性数据,以提高目标任务的运行时效。
步骤130、根据任务预期属性数据对目标任务的任务属性数据进行更新,并使用更新后的任务属性数据重新执行目标任务。
本实施例中,在获取到优化模型输出的任务预期属性数据后,用该任务预期属性数据替换目标任务的相应的任务属性数据,使得目标任务的任务属性数据被更新到一个合理的取值范围,然后使用更新后的任务属性数据重新执行目标任务,以避免任务资源占用不合理、任务运行时间长以及集群资源满负载而影响其他服务的情况。
本实施例中,通过优化模型可以对集群中的任意任务进行任务属性优化,以达到减少任务资源滥用、缩短任务运行时间、提高集群任务以及集群服务的稳定性的效果。
本发明实施例的技术方案,通过执行目标任务,获取目标任务的任务属性数据,任务属性数据包括资源参数以及性能指标参数;根据任务属性数据、历史任务属性数据集以及任务评估规则,得到目标任务的任务预期属性数据;根据任务预期属性数据对目标任务的任务属性数据进行更新,并使用更新后的任务属性数据重新执行目标任务,解决了现有技术中存在的任务属性需手动配置,以及任务资源均分导致资源浪费和任务运行时间长的问题,实现自动对各个任务的任务属性进行优化,实现在控制任务资源合理占用的同时,提高任务运行效率。
实施例二
图2a是本发明实施例二中的一种任务属性优化方法的流程图,本实施例可以与上述实施例中各个可选方案结合。具体的,参考图2a,该方法可以包括如下步骤:
步骤210、获取训练数据,根据训练数据对预设算法模型进行训练,得到优化模型。
本实施例中,为了实现对集群Spark任务的资源参数、性能指标参数和其他参数设定策略进行统一管理,解决传统的手工逐个优化的情况,可以预先训练得到优化模型,以通过优化模型对各个任务的任务属性数据自动进行相应的优化。
可选的,可以对历史任务属性数据集中包括的各历史任务的历史任务属性数据进行数据筛选和数据格式转换,得到训练数据;获取由训练数据以及与历史任务对应的集群参数确定的任务评估规则,集群参数为运行各历史任务的计算机集群的参数;根据训练数据以及任务评估规则,对预设的算法模型进行训练,得到优化模型。
本实施例中,如图2b所示,可以通过从Spark的历史服务器中,获取集群执行的多个历史任务在其执行过程产生的日志数据,例如,Jobs、Stages、Tasks等过程的日志数据,作为历史任务属性数据集。然后,从历史任务属性数据集中筛选出可以影响目标任务运行时间的各类任务参数以及任务实际运行时间,例如,每个Stage的运行时间、Task数量N、输入Input过程处理的数据量D1、输出Output过程处理的数据量D2、洗牌Shuffle过程处理的数据量D3、单个Task处理的数据量D4、运行平均时长T、并发度F等,并对筛选出的数据进行数据格式转换,以对不同数据进行格式统一,得到训练数据。然后,通过对执行历史任务的计算机集群所对应的集群参数以及训练数据进行分析,确定可以对各历史任务的历史任务属性数据进行评估的任务评估规则,该任务评估规则给出了各种特性的任务的各个任务属性数据在指定的集群参数下的有效取值范围,可以用于对任务的资源分配和性能进行分析。例如,任务的总输入数据量为A,集群参数为B时,该任务可以占用的资源总数为(C,D)。其中,集群参数表示可以反映集群总资源情况和集群任务运行情况的参数,例如,集群总的资源数量、集群执行的任务总数和集群待执行的任务总数等。通过将训练数据输入预设的算法模型,使得预设算法模型可以根据任务评估规则,学习对训练数据进行任务属性评估和得到相应的任务预期属性数据,最终得到训练好的优化模型。
可选的,获取由训练数据以及与历史任务对应的集群参数确定的任务评估规则,可以包括:对训练数据中包括的各项任务属性数据,以及与历史任务对应的集群参数进行统计分析,得到各项任务属性与任务预期属性之间的映射关系;将各项任务属性与任务预期属性之间的映射关系作为任务评估规则;各项任务预期属性分别包括至少两个预期属性档位。
本实施例中,可以通过程序自动对训练数据以及集群参数进行统计分析,得出各项任务属性对应的取值范围。然后,人工根据调优经验对得到的分析结果进一步进行调优,确定各项任务属性与任务预期属性之间的映射关系,即各项任务属性对应的有效取值范围。或者,还可以将归纳总结的人工调优经验编写成程序代码,通过代码自动对分析结果进行进一步调优,得到各项任务属性与任务预期属性之间的映射关系。然后将各项任务属性与任务预期属性之间的映射关系作为任务评估规则,就可以根据任务评估规则对各任务进行属性评估。
本实施例中,考虑到同一集群下,单个CPU处理数据能力相近,单位时间处理数据的时间差别不大,根据单个Task处理的数据量、运行平均时长、并发度等数据,可以评估出单个Task处理的数据量的合理范围,结合任务每个Stage处理的总数据量大小、集群总资源情况和集群任务运行情况,可以计算出平均需要的CPU核数和每个Task的执行所需内存大小,以此类推,最终得到该Spark任务driver、executor所需的CPU数量、内存大小、并发度等各种任务属性的取值范围。
其中,根据任务评估规则中对各项任务属性数据的取值范围的规定,每项任务预期属性分别包括至少两个预期属性档位,例如,资源总数属性包括(0,100M)、(100M,500M)、(500M,1GB)等多个档位,每个档位对应的任务输入的总数据量不同,优化模型可以通过预期属性档位确定任务的预期属性数据。
步骤220、执行目标任务,获取目标任务的任务属性数据,并将目标任务的任务属性数据输入预先训练的优化模型中,任务属性数据包括资源参数以及性能指标参数。
步骤230、通过优化模型,判断需要进行优化的任务属性数据类型,如果需要对资源参数进行优化,则执行步骤240;如果需要对性能指标参数进行优化,则执行步骤250;如果没有需要优化的任务属性,则执行步骤270。
本实施例中,一方面,可以通过优化模型,将目标任务的资源参数与目标任务评估规则进行匹配,如果两者一致,则说明目标任务的资源参数配置合理,无需对资源参数进行优化;如果两者不一致,则说明目标任务占用的集群资源不合理,需要对资源参数进行优化。
本实施例中,另一方面,通过优化模型,将目标任务的性能指标参数与目标任务评估规则进行匹配,如果两者一致,则说明目标任务的运行时效是合理的,无需对性能指标参数进行优化,如果两者不一致,则说明目标任务的运行时间过长,需要对性能指标参数进行优化。
步骤240、通过优化模型,根据目标任务评估规则输出与匹配失败的目标任务的资源参数对应的任务预期属性数据。
步骤250、通过优化模型,根据目标任务评估规则输出与匹配失败的目标任务的性能指标参数对应的任务预期属性数据。
步骤260、根据任务预期属性数据对目标任务的任务属性数据进行更新,并使用更新后的任务属性数据重新执行目标任务。
步骤270、结束。
本发明实施例的技术方案,通过执行目标任务,获取目标任务的任务属性数据,任务属性数据包括资源参数以及性能指标参数;根据任务属性数据、历史任务属性数据集以及任务评估规则,得到目标任务的任务预期属性数据;根据任务预期属性数据对目标任务的任务属性数据进行更新,并使用更新后的任务属性数据重新执行目标任务,解决了现有技术中存在的任务属性需手动配置,以及任务资源均分导致资源浪费和任务运行时间长的问题,实现自动对各个任务的任务属性进行优化,实现在控制任务资源合理占用的同时,提高任务运行效率。
实施例三
图3是本发明实施例三中的一种任务属性优化装置的结构示意图。本实施例可适用于对Spark任务自动进行属性优化的情况,该装置可以由硬件和/或软件来实现,并一般可以集成在提供任务属性优化服务的服务器中。如图3所示,该任务属性优化装置包括:
属性获取模块310,用于执行目标任务,获取目标任务的任务属性数据,任务属性数据包括资源参数以及性能指标参数;
预期属性获取模块320,用于根据任务属性数据、历史任务属性数据集以及任务评估规则,得到目标任务的任务预期属性数据;
属性更新模块330,用于根据任务预期属性数据对目标任务的任务属性数据进行更新,并使用更新后的任务属性数据重新执行目标任务。
本发明实施例的技术方案,通过执行目标任务,获取目标任务的任务属性数据,任务属性数据包括资源参数以及性能指标参数;根据任务属性数据、历史任务属性数据集以及任务评估规则,得到目标任务的任务预期属性数据;根据任务预期属性数据对目标任务的任务属性数据进行更新,并使用更新后的任务属性数据重新执行目标任务,解决了现有技术中存在的任务属性需手动配置,以及任务资源均分导致资源浪费和任务运行时间长的问题,实现自动对各个任务的任务属性进行优化,实现在控制任务资源合理占用的同时,提高任务运行效率。
可选的,预期属性获取模块320,具体用于:将目标任务的任务属性数据输入预先训练的优化模型中,得到优化模型输出的目标任务的任务预期属性数据;其中,优化模型预先根据历史任务属性数据集以及任务评估规则训练得到。
可选的,还包括:模型训练模块,用于对历史任务属性数据集中包括的各历史任务的历史任务属性进行数据筛选和数据格式转换,得到训练数据;获取由训练数据以及与历史任务对应的集群参数确定的任务评估规则,集群参数为运行各历史任务的计算机集群的参数;根据训练数据以及任务评估规则,对预设的算法模型进行训练,得到优化模型。
可选的,模型训练模块,具体用于:对训练数据中包括的各项任务属性数据,以及与历史任务对应的集群参数进行统计分析,得到各项任务属性与任务预期属性之间的映射关系;将各项任务属性与任务预期属性之间的映射关系作为任务评估规则;各项任务预期属性分别包括至少两个预期属性档位。
可选的,预期属性获取模块320,具体用于:将目标任务的各项任务属性数据输入优化模型;通过优化模型,确定与目标任务匹配的目标任务评估规则;通过优化模型,根据目标任务评估规则对目标任务的任务属性数据进行评估,输出评估结果为不合格的目标任务的任务预期属性数据。
可选的,预期属性获取模块320,具体用于:通过所述优化模型,将目标任务的资源参数与目标任务评估规则进行匹配,并根据目标任务评估规则输出与匹配失败的目标任务的资源参数对应的任务预期属性数据;通过所述优化模型,将目标任务的性能指标参数与目标任务评估规则进行匹配,并根据目标任务评估规则输出与匹配失败的目标任务的性能指标参数对应的任务预期属性数据。
本发明实施例所提供的任务属性优化装置可执行本发明任意实施例所提供的任务属性优化方法,具备执行方法相应的功能模块和有益效果。
实施例四
图4为本发明实施例四公开的一种服务器的结构示意图。图4示出了适于用来实现本发明实施方式的示例性设备12的框图。图4显示的设备12仅仅是一个服务器示例,不应对本发明实施例的功能和使用范围带来任何限制。
如图4所示,设备12以通用计算设备的形式表现,设备12的组件可以包括但不限于:一个或者多个处理器或者处理单元16,系统存储器28,连接不同系统组件(包括系统存储器28和处理单元16)的总线18。
总线18表示几类总线结构中的一种或多种,包括存储器总线或者存储器控制器,外围总线,图形加速端口,处理器或者使用多种总线结构中的任意总线结构的局域总线。举例来说,这些体系结构包括但不限于工业标准体系结构(ISA)总线,微通道体系结构(MAC)总线,增强型ISA总线、视频电子标准协会(VESA)局域总线以及外围组件互连(PCI)总线。
设备12典型地包括多种计算机系统可读介质。这些介质可以是任何能够被设备12访问的可用介质,包括易失性和非易失性介质,可移动的和不可移动的介质。
系统存储器28可以包括易失性存储器形式的计算机系统可读介质,例如随机存取存储器(RAM)30和/或高速缓存存储器32。设备12可以进一步包括其它可移动/不可移动的、易失性/非易失性计算机系统存储介质。仅作为举例,存储系统34可以用于读写不可移动的、非易失性磁介质(图4未显示,通常称为“硬盘驱动器”)。尽管图4中未示出,可以提供用于对可移动非易失性磁盘(例如“软盘”)读写的磁盘驱动器,以及对可移动非易失性光盘(例如CD-ROM,DVD-ROM或者其它光介质)读写的光盘驱动器。在这些情况下,每个驱动器可以通过一个或者多个数据介质接口与总线18相连。存储器28可以包括至少一个程序产品,该程序产品具有一组(例如至少一个)程序模块,这些程序模块被配置以执行本发明各实施例的功能。
具有一组(至少一个)程序模块42的程序/实用工具40,可以存储在例如存储器28中,这样的程序模块42包括但不限于操作系统、一个或者多个应用程序、其它程序模块以及程序数据,这些示例中的每一个或某种组合中可能包括网络环境的实现。程序模块42通常执行本发明所描述的实施例中的功能和/或方法。
设备12也可以与一个或多个外部设备14(例如键盘、指向设备、显示器24等)通信,还可与一个或者多个使得用户能与该设备12交互的设备通信,和/或与使得该设备12能与一个或多个其它计算设备进行通信的任何设备(例如网卡,调制解调器等等)通信。这种通信可以通过输入/输出(I/O)接口22进行。并且,设备12还可以通过网络适配器20与一个或者多个网络(例如局域网(LAN),广域网(WAN)和/或公共网络,例如因特网)通信。如图所示,网络适配器20通过总线18与设备12的其它模块通信。应当明白,尽管图中未示出,可以结合设备12使用其它硬件和/或软件模块,包括但不限于:微代码、设备驱动器、冗余处理单元、外部磁盘驱动阵列、RAID系统、磁带驱动器以及数据备份存储系统等。
处理单元16通过运行存储在系统存储器28中的程序,从而执行各种功能应用以及数据处理,例如实现本发明实施例所提供的任务属性优化方法。
也即:实现一种任务属性优化方法,包括:执行目标任务,获取目标任务的任务属性数据,任务属性数据包括资源参数以及性能指标参数;根据任务属性数据、历史任务属性数据集以及任务评估规则,得到目标任务的任务预期属性数据;根据任务预期属性数据对目标任务的任务属性数据进行更新,并使用更新后的任务属性数据重新执行目标任务。
实施例五
本发明实施例五还提供一种计算机可读存储介质,其上存储有计算机程序,程序在被计算机处理器执行时用于执行上述实施例提供的任务属性优化方法,其中,一种任务属性优化方法,包括:执行目标任务,获取目标任务的任务属性数据,任务属性数据包括资源参数以及性能指标参数;根据任务属性数据、历史任务属性数据集以及任务评估规则,得到目标任务的任务预期属性数据;根据任务预期属性数据对目标任务的任务属性数据进行更新,并使用更新后的任务属性数据重新执行目标任务。
本发明实施例的计算机存储介质,可以采用一个或多个计算机可读的介质的任意组合。计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质。计算机可读存储介质例如可以是但不限于,电、磁、光、电磁、红外线、或半导体的系统、装置或器件,或者任意以上的组合。计算机可读存储介质的更具体的例子(非穷举的列表)包括:具有一个或多个导线的电连接、便携式计算机磁盘、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)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本文件中,计算机可读存储介质可以是任何包含或存储程序的有形介质,该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。
计算机可读的信号介质可以包括在基带中或者作为载波一部分传播的数据信号,其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式,包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读的信号介质还可以是计算机可读存储介质以外的任何计算机可读介质,该计算机可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。
计算机可读介质上包含的程序代码可以用任何适当的介质传输,包括但不限于无线、电线、光缆、RF等等,或者上述的任意合适的组合。
可以以一种或多种程序设计语言或其组合来编写用于执行本发明操作的计算机程序代码,程序设计语言包括面向对象的程序设计语言,诸如Java、Smalltalk、C++,还包括常规的过程式程序设计语言,诸如”C”语言或类似的程序设计语言。程序代码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)。
注意,上述仅为本发明的较佳实施例及所运用技术原理。本领域技术人员会理解,本发明不限于这里所述的特定实施例,对本领域技术人员来说能够进行各种明显的变化、重新调整和替代而不会脱离本发明的保护范围。因此,虽然通过以上实施例对本发明进行了较为详细的说明,但是本发明不仅仅限于以上实施例,在不脱离本发明构思的情况下,还可以包括更多其他等效实施例,而本发明的范围由所附的权利要求范围决定。
Claims (7)
1.一种任务属性优化方法,其特征在于,包括:
执行目标任务,获取所述目标任务的任务属性数据,所述任务属性数据包括资源参数以及性能指标参数;所述资源参数包括目标任务占用的中央处理器总数、虚拟CPU核数以及目标任务占用的内存大小;所述性能指标参数包括目标任务的总运行时间、Spark应用Master与yarn资源管理器之间的心跳间隔以及Executor的最大失败次数;
根据所述任务属性数据、历史任务属性数据集以及任务评估规则,得到所述目标任务的任务预期属性数据;
根据任务预期属性数据对所述目标任务的任务属性数据进行更新,并使用更新后的任务属性数据重新执行所述目标任务;
根据所述任务属性数据、历史任务属性数据集以及任务评估规则,得到所述目标任务的任务预期属性数据,包括:
将目标任务的任务属性数据输入预先训练的优化模型中,得到所述优化模型输出的所述目标任务的任务预期属性数据;
其中,所述优化模型预先根据所述历史任务属性数据集以及任务评估规则训练得到;
所述将目标任务的任务属性数据输入所述优化模型,得到所述优化模型输出的所述目标任务的任务预期属性数据,包括:
将目标任务的各项任务属性数据输入所述优化模型;
通过所述优化模型,确定与目标任务匹配的目标任务评估规则;
通过所述优化模型,根据目标任务评估规则对目标任务的任务属性数据进行评估,输出评估结果为不合格的目标任务的任务预期属性数据。
2.根据权利要求1所述的方法,其特征在于,在获取当前执行的目标任务的任务属性数据之前,还包括:
对历史任务属性数据集中包括的各历史任务的历史任务属性进行数据筛选和数据格式转换,得到训练数据;
获取由训练数据以及与所述历史任务对应的集群参数确定的任务评估规则,所述集群参数为运行各所述历史任务的计算机集群的参数;
根据所述训练数据以及任务评估规则,对预设的算法模型进行训练,得到所述优化模型。
3.根据权利要求2所述的方法,其特征在于,获取由训练数据以及与所述历史任务对应的集群参数确定的任务评估规则,包括:
对所述训练数据中包括的各项任务属性数据,以及与所述历史任务对应的集群参数进行统计分析,得到各项任务属性与任务预期属性之间的映射关系;
将各项任务属性与任务预期属性之间的映射关系作为任务评估规则;各项任务预期属性分别包括至少两个预期属性档位。
4.根据权利要求1所述的方法,其特征在于,通过所述优化模型,根据目标任务评估规则对目标任务的任务属性数据进行评估,输出评估结果为不合格的目标任务的任务预期属性数据,包括:
通过所述优化模型,将目标任务的资源参数与目标任务评估规则进行匹配,并根据目标任务评估规则输出与匹配失败的目标任务的资源参数对应的任务预期属性数据;
通过所述优化模型,将目标任务的性能指标参数与目标任务评估规则进行匹配,并根据目标任务评估规则输出与匹配失败的目标任务的性能指标参数对应的任务预期属性数据。
5.一种任务属性优化装置,其特征在于,包括:
属性获取模块,用于执行目标任务,获取所述目标任务的任务属性数据,所述任务属性数据包括资源参数以及性能指标参数;所述资源参数包括目标任务占用的中央处理器总数、虚拟CPU核数以及目标任务占用的内存大小;所述性能指标参数包括目标任务的总运行时间、Spark应用Master与yarn资源管理器之间的心跳间隔以及Executor的最大失败次数;
预期属性获取模块,用于根据所述任务属性数据、历史任务属性数据集以及任务评估规则,得到所述目标任务的任务预期属性数据;
属性更新模块,用于根据任务预期属性数据对所述目标任务的任务属性数据进行更新,并使用更新后的任务属性数据重新执行所述目标任务;
所述预期属性获取模块,具体用于:
将目标任务的任务属性数据输入预先训练的优化模型中,得到所述优化模型输出的所述目标任务的任务预期属性数据;
其中,所述优化模型预先根据所述历史任务属性数据集以及任务评估规则训练得到;
所述将目标任务的任务属性数据输入所述优化模型,得到所述优化模型输出的所述目标任务的任务预期属性数据,包括:
将目标任务的各项任务属性数据输入所述优化模型;
通过所述优化模型,确定与目标任务匹配的目标任务评估规则;
通过所述优化模型,根据目标任务评估规则对目标任务的任务属性数据进行评估,输出评估结果为不合格的目标任务的任务预期属性数据。
6.一种服务器,其特征在于,所述服务器包括:
一个或多个处理器;
存储装置,用于存储一个或多个程序,
当所述一个或多个程序被所述一个或多个处理器执行,使得所述一个或多个处理器实现如权利要求1-4中任一所述的任务属性优化方法。
7.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,该程序被处理器执行时实现如权利要求1-4中任一所述的任务属性优化方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010905006.9A CN112052082B (zh) | 2020-09-01 | 2020-09-01 | 任务属性优化方法、装置、服务器及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010905006.9A CN112052082B (zh) | 2020-09-01 | 2020-09-01 | 任务属性优化方法、装置、服务器及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112052082A CN112052082A (zh) | 2020-12-08 |
CN112052082B true CN112052082B (zh) | 2024-04-19 |
Family
ID=73607117
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010905006.9A Active CN112052082B (zh) | 2020-09-01 | 2020-09-01 | 任务属性优化方法、装置、服务器及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112052082B (zh) |
Families Citing this family (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113760407A (zh) * | 2021-02-18 | 2021-12-07 | 北京沃东天骏信息技术有限公司 | 信息处理方法、装置、设备及存储介质 |
CN114330755B (zh) * | 2022-03-11 | 2022-06-21 | 深圳鹏行智能研究有限公司 | 数据集的生成方法、装置、机器人和存储介质 |
CN116401232B (zh) * | 2023-03-24 | 2024-01-30 | 天云融创数据科技(北京)有限公司 | 数据库参数配置优化方法、装置、电子设备及存储介质 |
CN116302898A (zh) * | 2023-05-17 | 2023-06-23 | 之江实验室 | 一种任务治理方法、装置、存储介质及电子设备 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US9026483B1 (en) * | 2007-11-19 | 2015-05-05 | Amazon Technologies, Inc. | Automatic prediction of aspects of human task performance |
US10554738B1 (en) * | 2018-03-02 | 2020-02-04 | Syncsort Incorporated | Methods and apparatus for load balance optimization based on machine learning |
CN110888732A (zh) * | 2018-09-10 | 2020-03-17 | 中国移动通信集团黑龙江有限公司 | 一种资源配置方法、设备、装置和计算机可读存储介质 |
CN110992169A (zh) * | 2019-11-29 | 2020-04-10 | 深圳乐信软件技术有限公司 | 一种风险评估方法、装置、服务器及存储介质 |
CN111104222A (zh) * | 2019-12-16 | 2020-05-05 | 上海众源网络有限公司 | 任务处理方法、装置、计算机设备和存储介质 |
CN111598487A (zh) * | 2020-06-22 | 2020-08-28 | 拉扎斯网络科技(上海)有限公司 | 数据处理和模型训练方法、装置、电子设备和存储介质 |
Family Cites Families (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US10148589B2 (en) * | 2014-09-29 | 2018-12-04 | Pearson Education, Inc. | Resource allocation in distributed processing systems |
CN107146023A (zh) * | 2017-05-08 | 2017-09-08 | 北京百度网讯科技有限公司 | 一种质量评估的方法、装置、设备及计算机可读存储介质 |
US20200234149A1 (en) * | 2017-09-20 | 2020-07-23 | Nec Corporation | Information processing device, information processing system, information processing method, and storage medium |
-
2020
- 2020-09-01 CN CN202010905006.9A patent/CN112052082B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US9026483B1 (en) * | 2007-11-19 | 2015-05-05 | Amazon Technologies, Inc. | Automatic prediction of aspects of human task performance |
US10554738B1 (en) * | 2018-03-02 | 2020-02-04 | Syncsort Incorporated | Methods and apparatus for load balance optimization based on machine learning |
CN110888732A (zh) * | 2018-09-10 | 2020-03-17 | 中国移动通信集团黑龙江有限公司 | 一种资源配置方法、设备、装置和计算机可读存储介质 |
CN110992169A (zh) * | 2019-11-29 | 2020-04-10 | 深圳乐信软件技术有限公司 | 一种风险评估方法、装置、服务器及存储介质 |
CN111104222A (zh) * | 2019-12-16 | 2020-05-05 | 上海众源网络有限公司 | 任务处理方法、装置、计算机设备和存储介质 |
CN111598487A (zh) * | 2020-06-22 | 2020-08-28 | 拉扎斯网络科技(上海)有限公司 | 数据处理和模型训练方法、装置、电子设备和存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN112052082A (zh) | 2020-12-08 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112052082B (zh) | 任务属性优化方法、装置、服务器及存储介质 | |
CN110727512B (zh) | 集群资源调度方法、装置、设备及储存介质 | |
US20200050968A1 (en) | Interactive interfaces for machine learning model evaluations | |
CN110806933B (zh) | 一种批量任务处理方法、装置、设备和存储介质 | |
CN115373835A (zh) | Flink集群的任务资源调整方法、装置及电子设备 | |
CN111782452A (zh) | 接口对比测试的方法、系统、设备和介质 | |
AU2021244852B2 (en) | Offloading statistics collection | |
CN114090580A (zh) | 数据处理方法、装置、设备、存储介质及产品 | |
CN111985831A (zh) | 云计算资源的调度方法、装置、计算机设备及存储介质 | |
CN113204425B (zh) | 供进程管理内部线程的方法、装置、电子设备及存储介质 | |
CN112559525B (zh) | 数据检查系统、方法、装置和服务器 | |
CN110647318A (zh) | 一种有状态应用的实例创建方法、装置、设备及介质 | |
CN115150471A (zh) | 数据处理方法、装置、设备、存储介质及程序产品 | |
CN115249043A (zh) | 数据分析方法、装置、电子设备及存储介质 | |
US20220398239A1 (en) | Intelligent support bundle collection | |
CN113760242B (zh) | 一种数据处理方法、装置、服务器和介质 | |
US11810022B2 (en) | Contact center call volume prediction | |
US20200119997A1 (en) | Scalable web services execution | |
CN112800089B (zh) | 一种中间数据存储级别调整方法、存储介质及计算机设备 | |
CN112035159B (zh) | 一种稽核模型的配置方法、装置、设备及存储介质 | |
CN117093335A (zh) | 分布式存储系统的任务调度方法及装置 | |
CN114661571A (zh) | 模型评测方法、装置、电子设备和存储介质 | |
CN114077481A (zh) | 任务调度方法、装置、设备和存储介质 | |
CN114090417A (zh) | 一种数据处理性能分析方法、装置、系统、设备和介质 | |
CN117762760B (zh) | 服务器的硬件性能测试分数获取方法、装置和介质 |
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 |