CN112433813A - 一种资源调度方法、系统、设备及计算机可读存储介质 - Google Patents
一种资源调度方法、系统、设备及计算机可读存储介质 Download PDFInfo
- Publication number
- CN112433813A CN112433813A CN202011306113.6A CN202011306113A CN112433813A CN 112433813 A CN112433813 A CN 112433813A CN 202011306113 A CN202011306113 A CN 202011306113A CN 112433813 A CN112433813 A CN 112433813A
- Authority
- CN
- China
- Prior art keywords
- physical host
- virtual machine
- information
- limit threshold
- preset
- 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
- 238000000034 method Methods 0.000 title claims abstract description 47
- 238000013508 migration Methods 0.000 claims abstract description 40
- 230000005012 migration Effects 0.000 claims abstract description 40
- 238000012544 monitoring process Methods 0.000 claims description 102
- 230000015654 memory Effects 0.000 claims description 42
- 238000004590 computer program Methods 0.000 claims description 41
- 238000005265 energy consumption Methods 0.000 claims description 14
- 230000006872 improvement Effects 0.000 claims description 7
- 230000009467 reduction Effects 0.000 claims description 6
- 230000000875 corresponding effect Effects 0.000 description 22
- 230000008569 process Effects 0.000 description 12
- 238000004891 communication Methods 0.000 description 7
- 238000004422 calculation algorithm Methods 0.000 description 6
- 238000010586 diagram Methods 0.000 description 5
- 238000005516 engineering process Methods 0.000 description 5
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 description 4
- 238000004364 calculation method Methods 0.000 description 4
- 230000009471 action Effects 0.000 description 3
- 238000013528 artificial neural network Methods 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 238000012549 training Methods 0.000 description 2
- 230000003044 adaptive effect Effects 0.000 description 1
- 238000003066 decision tree Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 239000006185 dispersion Substances 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000009434 installation Methods 0.000 description 1
- 230000007787 long-term memory Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000006403 short-term memory Effects 0.000 description 1
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
- G06F9/44—Arrangements for executing specific programs
- G06F9/455—Emulation; Interpretation; Software simulation, e.g. virtualisation or emulation of application or operating system execution engines
- G06F9/45533—Hypervisors; Virtual machine monitors
- G06F9/45558—Hypervisor-specific management and integration aspects
-
- 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
- G06F9/5077—Logical partitioning of resources; Management or configuration of virtualized resources
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L67/00—Network arrangements or protocols for supporting network services or applications
- H04L67/01—Protocols
- H04L67/10—Protocols in which an application is distributed across nodes in the network
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L67/00—Network arrangements or protocols for supporting network services or applications
- H04L67/01—Protocols
- H04L67/10—Protocols in which an application is distributed across nodes in the network
- H04L67/1001—Protocols in which an application is distributed across nodes in the network for accessing one among a plurality of replicated servers
-
- 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
- G06F9/44—Arrangements for executing specific programs
- G06F9/455—Emulation; Interpretation; Software simulation, e.g. virtualisation or emulation of application or operating system execution engines
- G06F9/45533—Hypervisors; Virtual machine monitors
- G06F9/45558—Hypervisor-specific management and integration aspects
- G06F2009/4557—Distribution of virtual machine instances; Migration and load balancing
Landscapes
- Engineering & Computer Science (AREA)
- Software Systems (AREA)
- Theoretical Computer Science (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Debugging And Monitoring (AREA)
Abstract
本申请公开了一种资源调度方法、系统、设备及计算机可读存储介质,应用于OpenStack云平台,基于物理主机的性能消耗数据,确定出待迁移的第一物理主机;按照第一物理主机中虚拟机的性能信息,预估虚拟机的迁移对第一物理主机的影响信息;确定出接收虚拟机的目标物理主机;基于影响信息,将虚拟机迁移至目标物理主机。本申请中,OpenStack可以自动确定第一物理主机及目标物理主机,并可以基于影响信息将虚拟机迁移至目标物理主机,在自动迁移虚拟机的同时可以使得虚拟机的迁移满足对第一物理主机的影响条件,适用性好。本申请提供的一种资源调度系统、设备及计算机可读存储介质也解决了相应技术问题。
Description
技术领域
本申请涉及云平台技术领域,更具体地说,涉及一种资源调度方法、系统、设备及计算机可读存储介质。
背景技术
随着互联网和IT产业的迅猛发展,云平台的应用也越来越广泛。云平台是指基于硬件资源和软件资源的服务,提供计算、网络和存储能力。在此过程中,会通过OpenStack来管理云平台。
OpenStack整合了网络资源及底层的服务器资源(CPU、内存和磁盘),以虚拟机方式提供计算、存储等服务。OpenStack提供了完善和修改自身的接口给开发者,提供了具体构建基础云设施平台的安装部署方法给实施者,同时为用户提供了访问控制OpenStack管理的全部底层资源的接口。但是OpenStack开源云平台目前只能通过命令或者管理界面手动实现虚拟机迁移,其上虚拟机迁移过程中的迁移时机和目标虚拟机的选择都是人为指定,无法达到节能及负载均衡的目标,适用性差。
综上所述,如何提供适用性好的云平台资源调度方法是目前本领域技术人员亟待解决的问题。
发明内容
本申请的目的是提供一种资源调度方法,其能在一定程度上解决如何提供适用性好的云平台资源调度方法的技术问题。本申请还提供了一种资源调度系统、设备及计算机可读存储介质。
为了实现上述目的,本申请提供如下技术方案:
一种资源调度方法,应用于OpenStack云平台,包括:
基于物理主机的性能消耗数据,确定出待迁移的第一物理主机;
按照所述第一物理主机中虚拟机的性能信息,预估所述虚拟机的迁移对所述第一物理主机的影响信息;
确定出接收所述虚拟机的目标物理主机;
基于所述影响信息,将所述虚拟机迁移至所述目标物理主机。
优选的,所述基于物理主机的性能消耗数据,确定出待迁移的第一物理主机,包括:
基于所述性能消耗数据及所述性能消耗数据的预设权重值,确定物理主机的实时监控统计量;
判断所述实时监控统计量是否大于等于预设上限阈值;
若所述实时监控统计量大于等于所述预设上限阈值,则将对应的物理主机确定为所述第一物理主机;
若所述实时监控统计量小于所述预设上限阈值,则判断所述实时监控统计量是否小于等于预设下限阈值;
若所述实时监控统计量小于等于所述预设下限阈值,则将对应的物理主机确定为所述第一物理主机。
优选的,所述方法包括:
若所述实时监控统计量大于所述预设下限阈值且小于所述预设上限阈值,则判断所述实时监控统计量的值与所述预设上限阈值的差值是否在预设范围内;
若所述实时监控统计量的值与所述预设上限阈值的差值在所述预设范围内,则输出资源调度提示信息;
其中,所述资源调度提示信息的类型包括手动迁移虚拟机、在所述第一物理主机上不要创建新的虚拟机。
优选的,所述若所述实时监控统计量大于等于所述预设上限阈值,则将对应的物理主机确定为所述第一物理主机,包括:
若所述实时监控统计量大于等于所述预设上限阈值,则预估并判断物理主机在未来第二预设时长内的预估监控统计量是否均大于等于所述预设上限阈值;
若物理主机在未来所述第二预设时长内的所述预估监控统计量均大于等于所述预设上限阈值,则将对应的物理主机确定为所述第一物理主机。
优选的,所述预估并判断物理主机在未来第二预设时长内的预估监控统计量是否均大于等于所述预设上限阈值,包括:
基于预先训练的LSTM网络预估物理主机在未来所述第二预设时长内的所述预估监控统计量;
判断所述预估监控统计量是否均大于等于所述预设上限阈值。
优选的,所述按照所述第一物理主机中虚拟机的性能信息,预估所述虚拟机的迁移对所述第一物理主机的影响信息,包括:
将所述性能信息输入至预先训练的xgboost模型;
获取所述xgboost模型输出的所述影响信息。
优选的,所述性能消耗数据的类型包括CPU使用率、内存使用率、能耗数据;
所述性能信息的类型包括CPU大小信息、CPU使用率、内存大小信息、内存使用率、脏页率;
所述影响信息的类型包括性能提升信息、能耗降低值、迁移耗时信息。
一种资源调度系统,应用于OpenStack云平台,包括:
第一确定模块,用于基于物理主机的性能消耗数据,确定出待迁移的第一物理主机;
第一预估模块,用于按照所述第一物理主机中虚拟机的性能信息,预估所述虚拟机的迁移对所述第一物理主机的影响信息;
第二确定模块,用于确定出接收所述虚拟机的目标物理主机;
第一迁移模块,用于基于所述影响信息,将所述虚拟机迁移至所述目标物理主机。
一种资源调度设备,包括:
存储器,用于存储计算机程序;
处理器,用于执行所述计算机程序时实现如上任一所述资源调度方法的步骤。
一种计算机可读存储介质,所述计算机可读存储介质中存储有计算机程序,所述计算机程序被处理器执行时实现如上任一所述资源调度方法的步骤。
本申请提供的一种资源调度方法,应用于OpenStack云平台,基于物理主机的性能消耗数据,确定出待迁移的第一物理主机;按照第一物理主机中虚拟机的性能信息,预估虚拟机的迁移对第一物理主机的影响信息;确定出接收虚拟机的目标物理主机;基于影响信息,将虚拟机迁移至目标物理主机。本申请中,OpenStack可以自动确定第一物理主机及目标物理主机,并可以基于影响信息将虚拟机迁移至目标物理主机,在自动迁移虚拟机的同时可以使得虚拟机的迁移满足对第一物理主机的影响条件,适用性好。本申请提供的一种资源调度系统、设备及计算机可读存储介质也解决了相应技术问题。
附图说明
为了更清楚地说明本申请实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本申请的实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据提供的附图获得其他的附图。
图1为本申请实施例提供的一种资源调度方法的流程图;
图2为本申请实施例提供的资源调度系统的结构示意图;
图3为本申请实施例提供的一种资源调度设备的结构示意图;
图4为本申请实施例提供的一种资源调度设备的另一结构示意图。
具体实施方式
下面将结合本申请实施例中的附图,对本申请实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本申请一部分实施例,而不是全部的实施例。基于本申请中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本申请保护的范围。
请参阅图1,图1为本申请实施例提供的一种资源调度方法的流程图。
本申请实施例提供的一种资源调度方法,应用于OpenStack云平台,可以包括以下步骤:
步骤S101:基于物理主机的性能消耗数据,确定出待迁移的第一物理主机。
实际应用中,OpenStack云平台可以先基于物理主机的性能消耗数据,确定出待迁移的第一物理主机,比如可以将性能消耗数据的值最大的物理主机确定为第一物理主机等。应当指出,物理主机的性能消耗数据的类型及第一物理主机的数量可以根据实际需要确定,本申请在此不做具体限定。
步骤S102:按照第一物理主机中虚拟机的性能信息,预估虚拟机的迁移对第一物理主机的影响信息。
实际应用中,因为虚拟机的迁出会对虚拟机所处的第一物理主机的性能产生影响,而该影响会在一定程度上影响虚拟机的迁移,比如影响虚拟机的迁移顺序、迁移时间等,所以OpenStack云平台基于虚拟机的性能消耗数据,确定出待迁移的目标虚拟机之后,可以按照第一物理主机中虚拟机的性能信息,预估虚拟机的迁移对第一物理主机的影响信息,以便后续根据影响信息对虚拟机进行迁移。虚拟机的性能信息及影响信息的类型均可以根据实际需要确定,本申请在此不做具体限定。
步骤S103:确定出接收虚拟机的目标物理主机。
实际应用中,因为要将虚拟机由第一物理主机迁移至其他物理主机上,所以OpenStack云平台还需确定出接收虚拟机的目标物理主机,目标物理主机也即虚拟机迁入后的物理主机,目标物理主机的确定方式可以根据实际需要确定,比如将与虚拟机最吻合的物理主机确定为目标物理主机等。
步骤S104:基于影响信息,将虚拟机迁移至目标物理主机。
实际应用中,OpenStack云平台在确定出接收虚拟机的目标物理主机之后,便可以基于影响信息,将虚拟机迁移至目标物理主机,使得虚拟机的迁移可以满足相应的影响条件,比如可以根据影响信息,优先将消耗第一物理主机的资源量最多的虚拟机迁移至目标物理主机等。
本申请提供的一种资源调度方法,应用于OpenStack云平台,基于物理主机的性能消耗数据,确定出待迁移的第一物理主机;按照第一物理主机中虚拟机的性能信息,预估虚拟机的迁移对第一物理主机的影响信息;确定出接收虚拟机的目标物理主机;基于影响信息,将虚拟机迁移至目标物理主机。本申请中,OpenStack可以自动确定第一物理主机及目标物理主机,并可以基于影响信息将虚拟机迁移至目标物理主机,在自动迁移虚拟机的同时可以使得虚拟机的迁移满足对第一物理主机的影响条件,适用性好。
本申请实施例提供的一种资源调度方法,OpenStack云平台在基于物理主机的性能消耗数据,确定出待迁移的第一物理主机的过程中,为了便于确定第一物理主机,可以基于性能消耗数据及性能消耗数据的预设权重值,确定物理主机的实时监控统计量;判断实时监控统计量是否大于等于预设上限阈值;若实时监控统计量大于等于预设上限阈值,则将对应的物理主机确定为第一物理主机;若实时监控统计量小于预设上限阈值,则判断实时监控统计量是否小于等于预设下限阈值;若实时监控统计量小于等于预设下限阈值,则将对应的物理主机确定为第一物理主机。
也即实际应用中,OpenStack云平台可以通过将物理主机的实时监控统计量与预设上限阈值及预设下限阈值进行比较,来将实时监控统计量大于等于预设上限阈值或实时监控统计量小于等于预设下限阈值的物理主机确定为第一物理主机,如果将实时监控统计量大于等于预设上限阈值的物理主机确定为第一物理主机,那么第一物理主机的虚拟机迁移后,可以缓解第一物理主机的资源压力;如果将实时监控统计量小于等于预设下限阈值的物理主机确定为第一物理主机,那么第一物理主机上的虚拟机迁移后,可以降低第一物理主机上不必要的资源消耗,且可以将虚拟机统一放在目标物理主机上进行处理,相当于将资源消耗量少的虚拟机集中在一起,避免此类虚拟机的分散对OpenStack云平台的整体性能造成影响,在此情况下,在虚拟机迁移后,还可以直接将第一物理主机下电等。
具体应用场景中,实时监控统计量的计算方式可以为性能消耗数据与预设权重值的乘积,比如性能消耗数据包括CPU使用率、内存使用率及能耗数据,则实时监控统计量的计算方式可以如下:
L=w1*RCPU+w2*Rmem+w3*Ppower;
其中,L表示实时监控统计量,RCPU表示CPU使用率,Rmem表示内存使用率,Ppower表示能耗数据;w1、w2、w3表示预设权重值中的相应权重值;当然也可以有其他计算实时监控统计量的方式,本申请在此不做具体限定。
具体应用场景中,若实时监控统计量大于预设下限阈值且小于预设上限阈值,则可以判断实时监控统计量的值与预设上限阈值的差值是否在预设范围内;若实时监控统计量的值与预设上限阈值的差值在预设范围内,则输出资源调度提示信息;其中,资源调度提示信息的类型包括手动迁移虚拟机、在第一物理主机上不要创建新的虚拟机。
本申请实施例提供的一种资源调度方法中,因为物理主机的性能消耗数据是变化的,可能下一秒物理主机的性能消耗数据的值便会降低,此时不适合将虚拟机进行迁移,所以为了保证虚拟机迁移的准确性,本申请中,若实时监控统计量大于等于预设上限阈值,则将对应的物理主机确定为第一物理主机的过程中,若实时监控统计量大于等于预设上限阈值,则可以预估并判断物理主机在未来第二预设时长内的预估监控统计量是否均大于等于预设上限阈值;若物理主机在未来第二预设时长内的预估监控统计量均大于等于预设上限阈值,则将对应的物理主机确定为第一物理主机。
具体应用场景中,OpenStack云平台预估并判断物理主机在未来第二预设时长内的预估监控统计量是否均大于等于预设上限阈值的过程中,可以基于预先训练的LSTM网络预估物理主机在未来第二预设时长内的预估监控统计量;判断预估监控统计量是否均大于等于预设上限阈值。
具体的,OpenStack可以基于LSTM网络预估未来第二预设时长内的性能消耗数据,再根据预估的性能消耗数据确定预估监控统计量,预估监控统计量的计算方式和实时监控统计量的计算原理一致,在此不再赘述。
应当指出,LSTM(Long Short Term Memory Network)网络引入了三个门(输入门、遗忘门和输出门)和一个内部记忆单元来完成信息的保护和控制,通过引入自循环产生梯度长时间持续流动的路径,从而解决了传统神经网络的“长期记忆”问题。且在训练LSTM网络的过程中,可以基于Adam算法训练LSTM网络,Adam(Adam Optimization algorithm)算法是一种可以替代传统随机梯度下降过程的一阶优化算法,它能基于训练数据迭代地更新神经网络权重,通过计算梯度的一阶矩估计和二阶矩估计而为不同的参数设计独立的自适应性学习率;比如可以统计过去一段时间内物理主机的性能消耗数据,基于统计的性能消耗数据对LSTM网络进行训练,并基于Adam算法对LSTM网络进行优化,以得到训练好的LSTM网络等。
本申请实施例提供的一种资源调度方法中,OpenStack云平台在按照第一物理主机中虚拟机的性能信息,预估虚拟机的迁移对第一物理主机的影响信息的过程中,为了快速预测影响信息,可以将性能信息输入至预先训练的xgboost模型;获取xgboost模型输出的影响信息。
应当指出,xgboost模型所应用的xgboost(extreme gradient boosting,极限梯度提升)算法是GBDT(Gradient Boosting Decision Tree)的改进,既可以用于分类也可用于回归问题中,是大规模并行boosted tree的工具,其中的基学习器除了可以是CART(gbtree)也可以是线性分类器(gblinear)。
实际应用中,性能消耗数据的类型可以包括CPU使用率、内存使用率、能耗数据;性能信息的类型包括CPU大小信息、CPU使用率、内存大小信息、内存使用率、脏页率;影响信息的类型包括性能提升信息、能耗降低值、迁移耗时信息。
应当指出,脏页是linux内核中的概念,因为硬盘的读写速度远赶不上内存的速度,系统就把读写比较频繁的数据事先放到内存中,以提高读写速度,这就叫高速缓存,linux是以页作为高速缓存的单位,当进程修改了高速缓存里的数据时,该页就被内核标记为脏页,内核将会在合适的时间把脏页的数据写到磁盘中去,以保持高速缓存中的数据和磁盘中的数据是一致的。
请参阅图2,图2为本申请实施例提供的资源调度系统的结构示意图。
本申请实施例提供的一种资源调度系统,应用于OpenStack云平台,可以包括:
第一确定模块101,用于基于物理主机的性能消耗数据,确定出待迁移的第一物理主机;
第一预估模块102,用于按照第一物理主机中虚拟机的性能信息,预估虚拟机的迁移对第一物理主机的影响信息;
第二确定模块103,用于确定出接收虚拟机的目标物理主机;
第一迁移模块104,用于基于影响信息,将虚拟机迁移至目标物理主机。
本申请实施例提供的一种资源调度系统,应用于OpenStack云平台,第一确定模块可以包括:
第一确定单元,用于基于性能消耗数据及性能消耗数据的预设权重值,确定物理主机的实时监控统计量;
第一判断单元,用于判断实时监控统计量是否大于等于预设上限阈值;若实时监控统计量大于等于预设上限阈值,则将对应的物理主机确定为第一物理主机;若实时监控统计量小于预设上限阈值,则判断实时监控统计量是否小于等于预设下限阈值;若实时监控统计量小于等于预设下限阈值,则将对应的物理主机确定为第一物理主机。
本申请实施例提供的一种资源调度系统,应用于OpenStack云平台,第一判断单元用于:若实时监控统计量大于预设下限阈值且小于预设上限阈值,则判断实时监控统计量的值与预设上限阈值的差值是否在预设范围内;若实时监控统计量的值与预设上限阈值的差值在预设范围内,则输出资源调度提示信息;其中,资源调度提示信息的类型包括手动迁移虚拟机、在第一物理主机上不要创建新的虚拟机。
本申请实施例提供的一种资源调度系统,应用于OpenStack云平台,第一判断单元用于若实时监控统计量大于等于预设上限阈值,则预估并判断物理主机在未来第二预设时长内的预估监控统计量是否均大于等于预设上限阈值;若物理主机在未来第二预设时长内的预估监控统计量均大于等于预设上限阈值,则将对应的物理主机确定为第一物理主机。
本申请实施例提供的一种资源调度系统,应用于OpenStack云平台,第一判断单元可以用于基于预先训练的LSTM网络预估物理主机在未来第二预设时长内的预估监控统计量;判断预估监控统计量是否均大于等于预设上限阈值。
本申请实施例提供的一种资源调度系统,应用于OpenStack云平台,第一预估模块可以包括:
第一输入单元,用于将性能信息输入至预先训练的xgboost模型;
第一获取单元,用于获取xgboost模型输出的影响信息。
本申请实施例提供的一种资源调度系统,应用于OpenStack云平台,性能消耗数据的类型包括CPU使用率、内存使用率、能耗数据;
性能信息的类型包括CPU大小信息、CPU使用率、内存大小信息、内存使用率、脏页率;
影响信息的类型包括性能提升信息、能耗降低值、迁移耗时信息。
本申请还提供了一种资源调度设备及计算机可读存储介质,其均具有本申请实施例提供的一种资源调度方法具有的对应效果。请参阅图3,图3为本申请实施例提供的一种资源调度设备的结构示意图。
本申请实施例提供的一种资源调度设备,包括存储器201和处理器202,存储器201中存储有计算机程序,处理器202执行计算机程序时实现如下步骤:
基于物理主机的性能消耗数据,确定出待迁移的第一物理主机;
按照第一物理主机中虚拟机的性能信息,预估虚拟机的迁移对第一物理主机的影响信息;
确定出接收虚拟机的目标物理主机;
基于影响信息,将虚拟机迁移至目标物理主机。
本申请实施例提供的一种资源调度设备,包括存储器201和处理器202,存储器201中存储有计算机程序,处理器202执行计算机程序时实现如下步骤:基于性能消耗数据及性能消耗数据的预设权重值,确定物理主机的实时监控统计量;判断实时监控统计量是否大于等于预设上限阈值;若实时监控统计量大于等于预设上限阈值,则将对应的物理主机确定为第一物理主机;若实时监控统计量小于预设上限阈值,则判断实时监控统计量是否小于等于预设下限阈值;若实时监控统计量小于等于预设下限阈值,则将对应的物理主机确定为第一物理主机。
本申请实施例提供的一种资源调度设备,包括存储器201和处理器202,存储器201中存储有计算机程序,处理器202执行计算机程序时实现如下步骤:若实时监控统计量大于预设下限阈值且小于预设上限阈值,则判断实时监控统计量的值与预设上限阈值的差值是否在预设范围内;若实时监控统计量的值与预设上限阈值的差值在预设范围内,则输出资源调度提示信息;其中,资源调度提示信息的类型包括手动迁移虚拟机、在第一物理主机上不要创建新的虚拟机。
本申请实施例提供的一种资源调度设备,包括存储器201和处理器202,存储器201中存储有计算机程序,处理器202执行计算机程序时实现如下步骤:若实时监控统计量大于等于预设上限阈值,则预估并判断物理主机在未来第二预设时长内的预估监控统计量是否均大于等于预设上限阈值;若物理主机在未来第二预设时长内的预估监控统计量均大于等于预设上限阈值,则将对应的物理主机确定为第一物理主机。
本申请实施例提供的一种资源调度设备,包括存储器201和处理器202,存储器201中存储有计算机程序,处理器202执行计算机程序时实现如下步骤:基于预先训练的LSTM网络预估物理主机在未来第二预设时长内的预估监控统计量;判断预估监控统计量是否均大于等于预设上限阈值。
本申请实施例提供的一种资源调度设备,包括存储器201和处理器202,存储器201中存储有计算机程序,处理器202执行计算机程序时实现如下步骤:将性能信息输入至预先训练的xgboost模型;获取xgboost模型输出的影响信息。
本申请实施例提供的一种资源调度设备,包括存储器201和处理器202,存储器201中存储有计算机程序,处理器202执行计算机程序时实现如下步骤:性能消耗数据的类型包括CPU使用率、内存使用率、能耗数据;性能信息的类型包括CPU大小信息、CPU使用率、内存大小信息、内存使用率、脏页率;影响信息的类型包括性能提升信息、能耗降低值、迁移耗时信息。
请参阅图4,本申请实施例提供的另一种资源调度设备中还可以包括:与处理器202连接的输入端口203,用于传输外界输入的命令至处理器202;与处理器202连接的显示单元204,用于显示处理器202的处理结果至外界;与处理器202连接的通信模块205,用于实现资源调度设备与外界的通信。显示单元204可以为显示面板、激光扫描使显示器等;通信模块205所采用的通信方式包括但不局限于移动高清链接技术(HML)、通用串行总线(USB)、高清多媒体接口(HDMI)、无线连接:无线保真技术(WiFi)、蓝牙通信技术、低功耗蓝牙通信技术、基于IEEE802.11s的通信技术。
本申请实施例提供的一种计算机可读存储介质,计算机可读存储介质中存储有计算机程序,计算机程序被处理器执行时实现如下步骤:
基于物理主机的性能消耗数据,确定出待迁移的第一物理主机;
按照第一物理主机中虚拟机的性能信息,预估虚拟机的迁移对第一物理主机的影响信息;
确定出接收虚拟机的目标物理主机;
基于影响信息,将虚拟机迁移至目标物理主机。
本申请实施例提供的一种计算机可读存储介质,计算机可读存储介质中存储有计算机程序,计算机程序被处理器执行时实现如下步骤:基于性能消耗数据及性能消耗数据的预设权重值,确定物理主机的实时监控统计量;判断实时监控统计量是否大于等于预设上限阈值;若实时监控统计量大于等于预设上限阈值,则将对应的物理主机确定为第一物理主机;若实时监控统计量小于预设上限阈值,则判断实时监控统计量是否小于等于预设下限阈值;若实时监控统计量小于等于预设下限阈值,则将对应的物理主机确定为第一物理主机。
本申请实施例提供的一种计算机可读存储介质,计算机可读存储介质中存储有计算机程序,计算机程序被处理器执行时实现如下步骤:若实时监控统计量大于预设下限阈值且小于预设上限阈值,则判断实时监控统计量的值与预设上限阈值的差值是否在预设范围内;若实时监控统计量的值与预设上限阈值的差值在预设范围内,则输出资源调度提示信息;其中,资源调度提示信息的类型包括手动迁移虚拟机、在第一物理主机上不要创建新的虚拟机。
本申请实施例提供的一种计算机可读存储介质,计算机可读存储介质中存储有计算机程序,计算机程序被处理器执行时实现如下步骤:若实时监控统计量大于等于预设上限阈值,则预估并判断物理主机在未来第二预设时长内的预估监控统计量是否均大于等于预设上限阈值;若物理主机在未来第二预设时长内的预估监控统计量均大于等于预设上限阈值,则将对应的物理主机确定为第一物理主机。
本申请实施例提供的一种计算机可读存储介质,计算机可读存储介质中存储有计算机程序,计算机程序被处理器执行时实现如下步骤:基于预先训练的LSTM网络预估物理主机在未来第二预设时长内的预估监控统计量;判断预估监控统计量是否均大于等于预设上限阈值。
本申请实施例提供的一种计算机可读存储介质,计算机可读存储介质中存储有计算机程序,计算机程序被处理器执行时实现如下步骤:将性能信息输入至预先训练的xgboost模型;获取xgboost模型输出的影响信息。
本申请实施例提供的一种计算机可读存储介质,计算机可读存储介质中存储有计算机程序,计算机程序被处理器执行时实现如下步骤:性能消耗数据的类型包括CPU使用率、内存使用率、能耗数据;性能信息的类型包括CPU大小信息、CPU使用率、内存大小信息、内存使用率、脏页率;影响信息的类型包括性能提升信息、能耗降低值、迁移耗时信息。
本申请所涉及的计算机可读存储介质包括随机存储器(RAM)、内存、只读存储器(ROM)、电可编程ROM、电可擦除可编程ROM、寄存器、硬盘、可移动磁盘、CD-ROM、或技术领域内所公知的任意其它形式的存储介质。
本申请实施例提供的资源调度系统、设备及计算机可读存储介质中相关部分的说明请参见本申请实施例提供的资源调度方法中对应部分的详细说明,在此不再赘述。另外,本申请实施例提供的上述技术方案中与现有技术中对应技术方案实现原理一致的部分并未详细说明,以免过多赘述。
还需要说明的是,在本文中,诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来,而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
对所公开的实施例的上述说明,使本领域技术人员能够实现或使用本申请。对这些实施例的多种修改对本领域技术人员来说将是显而易见的,本文中所定义的一般原理可以在不脱离本申请的精神或范围的情况下,在其它实施例中实现。因此,本申请将不会被限制于本文所示的这些实施例,而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。
Claims (10)
1.一种资源调度方法,其特征在于,应用于OpenStack云平台,包括:
基于物理主机的性能消耗数据,确定出待迁移的第一物理主机;
按照所述第一物理主机中虚拟机的性能信息,预估所述虚拟机的迁移对所述第一物理主机的影响信息;
确定出接收所述虚拟机的目标物理主机;
基于所述影响信息,将所述虚拟机迁移至所述目标物理主机。
2.根据权利要求1所述的方法,其特征在于,所述基于物理主机的性能消耗数据,确定出待迁移的第一物理主机,包括:
基于所述性能消耗数据及所述性能消耗数据的预设权重值,确定物理主机的实时监控统计量;
判断所述实时监控统计量是否大于等于预设上限阈值;
若所述实时监控统计量大于等于所述预设上限阈值,则将对应的物理主机确定为所述第一物理主机;
若所述实时监控统计量小于所述预设上限阈值,则判断所述实时监控统计量是否小于等于预设下限阈值;
若所述实时监控统计量小于等于所述预设下限阈值,则将对应的物理主机确定为所述第一物理主机。
3.根据权利要求2所述的方法,其特征在于,包括:
若所述实时监控统计量大于所述预设下限阈值且小于所述预设上限阈值,则判断所述实时监控统计量的值与所述预设上限阈值的差值是否在预设范围内;
若所述实时监控统计量的值与所述预设上限阈值的差值在所述预设范围内,则输出资源调度提示信息;
其中,所述资源调度提示信息的类型包括手动迁移虚拟机、在所述第一物理主机上不要创建新的虚拟机。
4.根据权利要求2所述的方法,其特征在于,所述若所述实时监控统计量大于等于所述预设上限阈值,则将对应的物理主机确定为所述第一物理主机,包括:
若所述实时监控统计量大于等于所述预设上限阈值,则预估并判断物理主机在未来第二预设时长内的预估监控统计量是否均大于等于所述预设上限阈值;
若物理主机在未来所述第二预设时长内的所述预估监控统计量均大于等于所述预设上限阈值,则将对应的物理主机确定为所述第一物理主机。
5.根据权利要求4所述的方法,其特征在于,所述预估并判断物理主机在未来第二预设时长内的预估监控统计量是否均大于等于所述预设上限阈值,包括:
基于预先训练的LSTM网络预估物理主机在未来所述第二预设时长内的所述预估监控统计量;
判断所述预估监控统计量是否均大于等于所述预设上限阈值。
6.根据权利要求1至5任一项所述的方法,其特征在于,所述按照所述第一物理主机中虚拟机的性能信息,预估所述虚拟机的迁移对所述第一物理主机的影响信息,包括:
将所述性能信息输入至预先训练的xgboost模型;
获取所述xgboost模型输出的所述影响信息。
7.根据权利要求6所述的方法,其特征在于,所述性能消耗数据的类型包括CPU使用率、内存使用率、能耗数据;
所述性能信息的类型包括CPU大小信息、CPU使用率、内存大小信息、内存使用率、脏页率;
所述影响信息的类型包括性能提升信息、能耗降低值、迁移耗时信息。
8.一种资源调度系统,其特征在于,应用于OpenStack云平台,包括:
第一确定模块,用于基于物理主机的性能消耗数据,确定出待迁移的第一物理主机;
第一预估模块,用于按照所述第一物理主机中虚拟机的性能信息,预估所述虚拟机的迁移对所述第一物理主机的影响信息;
第二确定模块,用于确定出接收所述虚拟机的目标物理主机;
第一迁移模块,用于基于所述影响信息,将所述虚拟机迁移至所述目标物理主机。
9.一种资源调度设备,其特征在于,包括:
存储器,用于存储计算机程序;
处理器,用于执行所述计算机程序时实现如权利要求1至7任一项所述资源调度方法的步骤。
10.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质中存储有计算机程序,所述计算机程序被处理器执行时实现如权利要求1至7任一项所述资源调度方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011306113.6A CN112433813A (zh) | 2020-11-19 | 2020-11-19 | 一种资源调度方法、系统、设备及计算机可读存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011306113.6A CN112433813A (zh) | 2020-11-19 | 2020-11-19 | 一种资源调度方法、系统、设备及计算机可读存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112433813A true CN112433813A (zh) | 2021-03-02 |
Family
ID=74692754
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011306113.6A Pending CN112433813A (zh) | 2020-11-19 | 2020-11-19 | 一种资源调度方法、系统、设备及计算机可读存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112433813A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114697226A (zh) * | 2022-04-02 | 2022-07-01 | 阿里云计算有限公司 | 资源调度方法、系统、设备及存储介质 |
CN116089358A (zh) * | 2022-06-02 | 2023-05-09 | 荣耀终端有限公司 | 数据迁移方法及电子设备 |
CN116382855A (zh) * | 2023-05-26 | 2023-07-04 | 工业富联(佛山)创新中心有限公司 | 虚拟机迁移方法、电子设备及计算机存储介质 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104750541A (zh) * | 2015-04-22 | 2015-07-01 | 成都睿峰科技有限公司 | 一种虚拟机迁移方法 |
CN106970831A (zh) * | 2017-05-15 | 2017-07-21 | 金航数码科技有限责任公司 | 一种面向云平台的虚拟机资源动态调度系统及方法 |
CN107608754A (zh) * | 2017-07-31 | 2018-01-19 | 郑州云海信息技术有限公司 | 一种虚拟机调度方法和装置 |
-
2020
- 2020-11-19 CN CN202011306113.6A patent/CN112433813A/zh active Pending
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104750541A (zh) * | 2015-04-22 | 2015-07-01 | 成都睿峰科技有限公司 | 一种虚拟机迁移方法 |
CN106970831A (zh) * | 2017-05-15 | 2017-07-21 | 金航数码科技有限责任公司 | 一种面向云平台的虚拟机资源动态调度系统及方法 |
CN107608754A (zh) * | 2017-07-31 | 2018-01-19 | 郑州云海信息技术有限公司 | 一种虚拟机调度方法和装置 |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114697226A (zh) * | 2022-04-02 | 2022-07-01 | 阿里云计算有限公司 | 资源调度方法、系统、设备及存储介质 |
CN116089358A (zh) * | 2022-06-02 | 2023-05-09 | 荣耀终端有限公司 | 数据迁移方法及电子设备 |
CN116089358B (zh) * | 2022-06-02 | 2023-11-24 | 荣耀终端有限公司 | 数据迁移方法及电子设备 |
CN116382855A (zh) * | 2023-05-26 | 2023-07-04 | 工业富联(佛山)创新中心有限公司 | 虚拟机迁移方法、电子设备及计算机存储介质 |
CN116382855B (zh) * | 2023-05-26 | 2024-02-20 | 工业富联(佛山)创新中心有限公司 | 虚拟机迁移方法、电子设备及计算机存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112433813A (zh) | 一种资源调度方法、系统、设备及计算机可读存储介质 | |
US11233710B2 (en) | System and method for applying machine learning algorithms to compute health scores for workload scheduling | |
US8909567B2 (en) | Method and system for the dynamic allocation of resources based on fairness, throughput, and user behavior measurement | |
US11614978B2 (en) | Deep reinforcement learning for workflow optimization using provenance-based simulation | |
US9501115B2 (en) | Optimizing power consumption by dynamic workload adjustment | |
US20140082202A1 (en) | Method and Apparatus for Integration of Virtual Cluster and Virtual Cluster System | |
CN112270545A (zh) | 基于迁移样本筛选的金融风险预测方法、装置和电子设备 | |
Duggan et al. | A reinforcement learning approach for the scheduling of live migration from under utilised hosts | |
CN105607952B (zh) | 一种虚拟化资源的调度方法及装置 | |
Duggan et al. | A network aware approach for the scheduling of virtual machine migration during peak loads | |
US11567807B2 (en) | Allocation of shared computing resources using source code feature extraction and machine learning | |
US20120221373A1 (en) | Estimating Business Service Responsiveness | |
CN109165081B (zh) | 基于机器学习的Web应用自适应资源配置方法 | |
US10680904B2 (en) | Determining periodicity of operation status information to predict future operation statuses of resources of the information processing devices | |
WO2023185090A1 (zh) | 基于微服务链路分析和强化学习的调度方法及装置 | |
CN114895773B (zh) | 异构多核处理器的能耗优化方法、系统、装置及存储介质 | |
CN113515382A (zh) | 云资源的分配方法、装置、电子设备及程序产品 | |
US9851773B1 (en) | Automatic configuration of power settings | |
CN115827253A (zh) | 一种芯片资源算力分配方法、装置、设备及存储介质 | |
KR102118799B1 (ko) | 모바일 단말 장치 내의 프로세서의 전력을 관리하는 장치 및 방법 | |
Panneerselvam et al. | An approach to optimise resource provision with energy-awareness in datacentres by combating task heterogeneity | |
EP3077910B1 (en) | Methods and apparatus to optimize platform simulation resource consumption | |
Folino et al. | Automatic offloading of mobile applications into the cloud by means of genetic programming | |
CN111404974A (zh) | 一种云计算效能评估方法、装置及评估设备 | |
WO2023216500A1 (zh) | 智算中心的算力资源部署方法、装置、设备及存储介质 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination |