CN112596901A - 云平台自动化部署与运行方法、电子设备及存储介质 - Google Patents

云平台自动化部署与运行方法、电子设备及存储介质 Download PDF

Info

Publication number
CN112596901A
CN112596901A CN202011550470.7A CN202011550470A CN112596901A CN 112596901 A CN112596901 A CN 112596901A CN 202011550470 A CN202011550470 A CN 202011550470A CN 112596901 A CN112596901 A CN 112596901A
Authority
CN
China
Prior art keywords
task
physical host
cloud platform
resource
physical
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
Application number
CN202011550470.7A
Other languages
English (en)
Inventor
王成城
王凯
王春喜
刘鹏
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Instrumentation Technology And Economy Institute P R China
Original Assignee
Instrumentation Technology And Economy Institute P R China
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Instrumentation Technology And Economy Institute P R China filed Critical Instrumentation Technology And Economy Institute P R China
Priority to CN202011550470.7A priority Critical patent/CN112596901A/zh
Publication of CN112596901A publication Critical patent/CN112596901A/zh
Pending legal-status Critical Current

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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F11/00—Error detection; Error correction; Monitoring
    • G06F11/30—Monitoring
    • G06F11/3003—Monitoring arrangements specially adapted to the computing system or computing system component being monitored
    • G06F11/3006—Monitoring arrangements specially adapted to the computing system or computing system component being monitored where the computing system is distributed, e.g. networked systems, clusters, multiprocessor systems
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F11/00—Error detection; Error correction; Monitoring
    • G06F11/30—Monitoring
    • G06F11/3051—Monitoring arrangements for monitoring the configuration of the computing system or of the computing system component, e.g. monitoring the presence of processing resources, peripherals, I/O links, software programs
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/23—Clustering techniques
    • G06F18/232—Non-hierarchical techniques
    • G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
    • G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
    • 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
    • G06F9/445—Program loading or initiating
    • G06F9/44521—Dynamic linking or loading; Link editing at or after load time, e.g. Java class loading
    • 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
    • G06F9/5072—Grid computing

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Software Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Quality & Reliability (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Evolutionary Computation (AREA)
  • Evolutionary Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Artificial Intelligence (AREA)
  • Probability & Statistics with Applications (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)

Abstract

本申请涉及一种云平台自动化部署与运行方法、电子设备及存储介质，所述的云平台自动化部署与运行方法包括：接收用户向云平台资源发送的任务请求；将用户任务请求的资源量和云平台中物理主机的资源剩余量进行匹配，筛选出处理任务最优的物理主机进行任务部署；相应的物理主机完成任务后，将计算结果反馈给用户。本申请具有每次都将用户的任务放到云平台中资源剩余量最大的物理主机上，实现云数据中心资源的负载均衡的效果。

Description

云平台自动化部署与运行方法、电子设备及存储介质
技术领域
本申请涉及云平台领域，尤其是涉及一种云平台自动化部署与运行方法、电子设备及存储介质。
背景技术
云计算作为一种新兴的计算模式和新型的服务模式，为用户提供了基础设施、平台以及软件的服务，并且通过互联网将服务按需的提供给用户。云计算的核心是基础设施即服务(Infrastructure as a Service，IaaS)，它是云数据中心的底层框架，由于大量的物理主机资源具有一定的局限性，因此通过虚拟化技术创建批量的虚拟机以此来扩展底层IaaS云资源池，这样即可为企业和用户按需的提供动态可伸缩的计算资源、存储资源等，虚拟化技术的出现改变了硬件不可扩展的缺陷。
云资源池中部署了大量的物理主机和虚拟机资源为用户提供按需服务，但是用户的请求和资源的调度很频繁，每台物理主机的资源剩余量也是时刻变化的，并不能保证每次都将任务放到资源剩余量最大的物理主机上。
发明内容
为了实现每次都将用户的任务放到云平台中资源剩余量最大的物理主机上，本申请提供一种云平台自动化部署与运行方法、电子设备及存储介质。
第一方面，本申请提供的一种云平台自动化部署与运行方法，采用如下的技术方案：
一种云平台自动化部署与运行方法，包括：
接收用户向云平台资源发送的任务请求；
将用户任务请求的资源量和云平台中物理主机的资源剩余量进行匹配，筛选出处理任务最优的物理主机进行任务部署；
相应的物理主机完成任务后，将计算结果反馈给用户。
通过采用以上技术方案，将用户任务请求的资源量和云平台中物理主机的资源剩余量进行匹配，筛选出处理任务最优的物理主机进行任务部署，从而可以实现每次都将用户的任务放到云平台中资源剩余量最大的物理主机上。
优选的，所述的将用户任务请求的资源量和云平台中物理主机的资源剩余量进行匹配，筛选出处理任务最优的物理主机，包括：
定义约束值：Δt时间内接收到的任务请求集合的总资源量Lreq为：
Figure BDA0002855502750000021
其中，Lreq表示任务请求集合的总资源量，
Figure BDA0002855502750000022
表示任务请求集合中第i个任务的资源量，n表示总的任务请求个数；
定义云平台中物理主机的资源剩余量：
Li＝αLc+βLmem
α+β＝1
其中，Li表示物理主机节点i的计算资源的剩余量；Lc为CPU剩余量；Lmem为内存剩余量；α为CPU权重，β为内存权重；
定义一个空集合S＝{}，当Li＞Lreq时，将i放入集合S中，否则继续寻找，当X台物理主机与约束值比较完成后得到集合S＝{S1，S2，S3……Sm}即为聚类中心的集合，m≤X；
根据物理主机的CPU剩余量，对集合S中的物理主机进行降序排序，筛选出处理任务最优的物理主机。
本申请通过对云平台中的物理主机进行约束条件限制，从而实现一个具有全局搜索能力的任务部署策略，进一步的，通过将Δt时间内接收到的任务请求集合的总资源量与云平台中物理主机的资源剩余量进行比对，筛选出可以处理任务的最优的物理主机。
优选的，所述方法还包括：
假设Sj为CPU剩余量最大、处理任务最优的物理主机；云平台中心有n台物理主机组成一个集合H；
以Sj为聚类中心，计算Sj与集合H中各个元素之间的相似度值；
根据相似度给定一个阈值U(比如范围(0，1])，如果相似度值大于阈值U，则将该元素加入新集合S′＝{}中，聚类中心不放入集合S′中；
集合S按照物理主机CPU剩余量的降序顺序依次选择聚类中心，分别计算与集合H中元素的相似度，以此类推，直至集合S′中的元素不再变化时，迭代结束，获得一个处理任务最优的物理主机集合，进行任务部署。
优选的，通过以下公式计算物理主机Sj与集合H中各个元素之间的相似度值s(si，sj)：
Figure BDA0002855502750000031
式中，s(si，sj)表示物理主机j和物理主机i之间的相似度，LCj 1表示物理主机j的CPU剩余，Lmemj 2表示物理主机j的内存剩余，LCi 1表示物理主机i的CPU剩余，Lmemi 2表示物理主机i的内存剩余。
通过采用以上技术方案，根据欧式距离计算物理主机间的相似度，其中将距离抽象为物理主机自身的竖形，即CPU剩余和内存剩余作为相似性的评价指标，从而可以获得物理主机Sj与集合H中各个元素之间准确的相似度值。
优选的，所述还包括：将云计算资源按照计算、存储、网络进行分类。从而可以便于用户根据需求选择相应的模板提交任务请求，管理节点也可以根据相应模板的反馈快速的进行任务分配处理。
优选的，从最优的物理主机开始处理任务到任务处理完成的时间段内接收到的任务请求数作为下一次待处理的任务。从而可以实现云平台自动化的部署与运行。
第二方面，本申请提供一种电子设备，采用如下的技术方案：
一种电子设备，包括存储器和处理器，所述存储器上存储有能够被处理器加载并执行如前述任一种方法的计算机程序。
第三方面，本申请提供一种计算机可读存储介质，采用以下方案：
一种计算机可读存储介质，存储有能够被处理器加载并执行如前述任一种方法的计算机程序。
综上所述，本申请包括以下至少一种有益技术效果：
1.本申请通过将用户任务请求的资源量和云平台中物理主机的资源剩余量进行匹配，筛选出处理任务最优的物理主机进行任务部署，从而可以实现每次都将用户的任务放到云平台中资源剩余量最大的物理主机上，实现云数据中心资源的负载均衡。
2.本申请通过对云平台中的物理主机进行约束条件限制，从而实现一个具有全局搜索能力的任务部署策略，进一步的，通过将Δt时间内接收到的任务请求集合的总资源量与云平台中物理主机的资源剩余量进行比对，筛选出可以处理任务的最优的物理主机。
3.本申请能够有效实现资源的监控管理，实现云平台自动化部署与运行，在计算资源动态调度和提供个性化、多样化的服务(比如智能制造诊断服务、预测性维护技术服务等多样化工业智能服务)中具有重要应用价值。
附图说明
图1是本申请的一种实施例的方法流程图。
图2是本申请的另一种实施例的方法流程图。
图3是数据中心资源模型示意图。
图4是云计算中心调度算法示意图。
图5是控制部署模块部署方法示意图。
具体实施方式
以下结合附图1-5对本申请作进一步详细说明。
云数据中心的物理节点有两种，一种是用于计算和存储的计算节点，另一种是管理节点。管理节点负责监控数据中心各个节点的运行状况，并且控制整个云数据中心的正常运转和实现，动态的管理云计算数据中心中的各个物理节点；另一种为计算节点，专门提供计算服务和存储服务，这类节点主要提供服务，当收到任务请求后，管理节点通过某种策略将任务调度到计算节点上进行计算。本申请所提出的云平台自动化部署与运行方法正是运行在这种架构之上。
本申请实施例公开一种云平台自动化部署与运行方法。参照图1，一种云平台自动化部署与运行方法，包括：
S1，接收用户向云平台资源发送的任务请求；
S2，将用户任务请求的资源量和云平台中物理主机的资源剩余量进行匹配，筛选出处理任务最优的物理主机进行任务部署；
S3，相应的物理主机完成任务后，将计算结果反馈给用户。
可选的，步骤S2中所述的将用户任务请求的资源量和云平台中物理主机的资源剩余量进行匹配，筛选出处理任务最优的物理主机，如图2所示，包括：
S21，定义约束值：Δt时间内接收到的任务请求集合的总资源量Lreq为：
Figure BDA0002855502750000051
其中，Lreq表示任务请求集合的总资源量，
Figure BDA0002855502750000052
表示任务请求集合中第i个任务的资源量，n表示总的任务请求个数；
定义云平台中物理主机的资源剩余量：
Li＝αLc+βLmem
α+β＝1
其中，Li表示物理主机节点i的计算资源的剩余量；Lc为CPU剩余量；Lmem为内存剩余量；α为CPU权重，β为内存权重；
定义一个空集合S＝{}；
S22，判断当Li＞Lreq时，将i放入集合S中，否则继续寻找，当X台物理主机与约束值比较完成后得到集合S＝{S1，S2，S3……Sm}即为聚类中心的集合，m≤X；
S23，根据物理主机的CPU剩余量，对集合S中的物理主机进行降序排序，筛选出处理任务最优的物理主机。
可选的，所述的α和β值通过BP神经网络学习获取。
可选的，通过SNMP(Simple Network Management Protocol)协议获取整个云平台数据中心中物理主机的各项性能监控数据，计算出当前云平台中n台物理主机的资源剩余量。
可选的，所述方法还包括：
S21’，假设Sj为CPU剩余量最大、处理任务最优的物理主机；云平台中心有n台物理主机组成一个集合H；
S22’，以Sj为聚类中心，计算Sj与集合H中各个元素之间的相似度值；
S23’，根据相似度给定一个阈值U(比如范围(0，1])，如果相似度值大于阈值U，则将该元素加入新集合S′＝{}中，聚类中心不放入集合S′中；
S24’，集合S按照物理主机CPU剩余量的降序顺序依次选择聚类中心，分别计算与集合H中元素的相似度，以此类推，直至集合S′中的元素不再变化时，迭代结束，获得一个处理任务最优的物理主机集合，进行任务部署。
可选的，通过以下公式计算物理主机Sj与集合H中各个元素之间的相似度值s(si，sj)：
Figure BDA0002855502750000071
式中，s(si，sj)表示物理主机j和物理主机i之间的相似度，LCj 1表示物理主机j的CPU剩余，Lmemj 2表示物理主机j的内存剩余，LCi 1表示物理主机i的CPU剩余，Lmemi 2表示物理主机i的内存剩余。
可选的，所述还包括：
S0，将云计算资源按照计算、存储、网络进行分类。计算资源主要有：物理服务器、内存、虚拟服务器、中间件服务等；网络资源主要有：路由器、交换机等；存储资源主要有：虚拟机影像、共享存储等。将云计算资源进行分类后，用户可以结合实际需求选择虚拟服务器模板及资源。云数据中心资源模型如图3所示。从图3中可以看出不同资源之间的相对层析关系，从下到上完成了数据中心基础构件的建构。
上述方法中，从最优的物理主机开始处理任务到任务处理完成的时间段内接收到的任务请求数作为下一次待处理的任务。
第二方面，本申请提供一种电子设备，采用如下的技术方案：
一种电子设备，包括存储器和处理器，所述存储器上存储有能够被处理器加载并执行如前述任一种方法的计算机程序。
第三方面，本申请提供一种计算机可读存储介质，采用以下方案：
一种计算机可读存储介质，存储有能够被处理器加载并执行如前述任一种方法的计算机程序。
以上均为本申请的较佳实施例，并非依此限制本申请的保护范围，故：凡依本申请的方法、原理所做的等效变化，均应涵盖于本申请的保护范围之内。
实验例：
1.云数据资源建模——将云计算资源按照计算、存储、网络进行分类，计算资源主要有：物理服务器、内存、虚拟服务器、中间件服务等；网络资源主要有：路由器、交换机等；存储资源主要有：虚拟机影像、共享存储等；
2.用户注册云平台账号，并进行登录；
3.用户结合实际需求选择虚拟服务器模板及资源，向云平台资源发送请求，如需要部署某应用的资源需求；
4.云计算中心调度算法如图4所示。云计算中心接收到资源的请求，调度管理系统会对用户请求进行分析，获取了Δt时间内用户请求任务的资源量和数据中心中物理主机的资源状态剩余量(包括CPU剩余和内存剩余)等信息，然后发送给算法处理模块，算法处理模块基于本申请的负载均衡敏感聚类的方法(即云平台自动化部署与运行方法)生成最优部署策略，然后发送到部署控制模块，实现请求部署到最优物理主机上。具体的云平台自动化部署与运行方法包括：
(1)假设数据中心有n台物理主机组成一个集合H，为了满足聚类中心的性能约束，需要对数据中心中的全部物理主机进行一个约束条件限制，把物理主机的资源状态剩余量作为度量标准，定义如下：
Li＝αLc+βLmem
α+β＝1
其中，Li表示物理主机节点i的计算资源的剩余量；Lc为CPU剩余量；Lmem为内存剩余量；α为CPU权重，β为内存权重；α和β值的确定可采用BP神经网络学习获取。
通过SNMP(Simple Network Management Protocol)协议可获取整个数据中心中物理主机的各项性能监控数据，可以计算出当前云数据中心中n台物理主机的资源剩余量。
定义约束值：Δt时间内接收到的任务请求集合的总资源量Lreq为：
Figure BDA0002855502750000091
其中，Lreq表示任务请求集合的总资源量，
Figure BDA0002855502750000092
表示任务请求集合中第i个任务的资源量，n表示总的任务请求个数；
定义一个空集合S＝{}，当Li＞Lreq时，将i放入集合S中，否则继续寻找，当X台物理主机与约束值比较完成后得到集合S＝{S1，S2，S3……Sm}即为聚类中心的集合，m≤X；
(2)将物理主机的CPU剩余和内存剩余作为物理主机的两个属性，对集合S中的物理主机的CPU剩余进行降序排序。
(3)假设Sj为CPU剩余量最大、处理任务最优的物理主机；云平台中心有n台物理主机组成一个集合H；以Sj为聚类中心，计算Sj与集合H中各个元素之间的相似度值；
Figure BDA0002855502750000093
Figure BDA0002855502750000094
其中，sj 1为物理主机j的第一个属性，表示为物理主机j的CPU剩余LCj 1，sj 2为物理主机j的第二个属性，表示为物理主机j的内存剩余Lmemj 2；计算物理主机j和物理主机i之间的相似度s(si，sj)：
Figure BDA0002855502750000095
根据相似度给定一个阈值U(比如范围(0，1])，如果相似度值大于阈值U，则将该元素加入新集合S′＝{}中，聚类中心不放入集合S′中；集合S按照物理主机CPU剩余量的降序顺序依次选择聚类中心，分别计算与集合H中元素的相似度，以此类推，直至集合S′中的元素不再变化时，迭代结束，获得最优物理主机集合。
5.部署策略由部署控制模块执行，部署控制模块解析部署策略并发送指令到相应的物理主机节点的接收模块，相应的物理主机接收指令，并进行自动化部署和运行，具体部署方法如下：
部署控制模块接到部署策略后，集群主机模块将集群内的物理主机组成一个集群主机，然后将集群主机发送到最优部署策略模块，最优部署策略模块根据输入的主机集合进行筛选处理任务最优的物理主机，并且组成一个最优物理主机集合，集合中存放着集群中物理主机的位置以及编号信息，将集合中的信息以指令的形式封装起来，然后将指令信息发送给集群主机模块。
当主机集群模块接收到来自系统内部的部署控制模块的指令信息后，将指令信息传递给内部的输入模块，输入模块将任务集合和部署指令分别发送到请求任务模块和解压指令模块，然后解压指令模块将收到的指令解压，并传送到部署模块，部署模块根据物理主机指令信息，选择相应的物理主机。当物理主机选择完成后，将任务集合中的任务快速的部署到相应的物理主机上进行处理任务，任务完成后，将计算结果反馈给用户(具体流程如图5所示)。
6.面向服务的虚拟机部署完成。
7.从集合S′中物理主机开始处理任务到处理完成，将这段时间记为Δt，数据中心在Δt时间内接收的任务请求数作为下一次待处理的任务。重复上述过程。

Claims (10)

1.一种云平台自动化部署与运行方法，其特征在于，包括：
接收用户向云平台资源发送的任务请求；
将用户任务请求的资源量和云平台中物理主机的资源剩余量进行匹配，筛选出处理任务最优的物理主机进行任务部署；
相应的物理主机完成任务后，将计算结果反馈给用户。
2.根据权利要求1所述的云平台自动化部署与运行方法，其特征在于，所述的将用户任务请求的资源量和云平台中物理主机的资源剩余量进行匹配，筛选出处理任务最优的物理主机，包括：
定义约束值：Δt时间内接收到的任务请求集合的总资源量Lreq为：
Figure FDA0002855502740000011
其中，Lreq表示任务请求集合的总资源量，
Figure FDA0002855502740000012
表示任务请求集合中第i个任务的资源量，n表示总的任务请求个数；
定义云平台中物理主机的资源剩余量：
Li＝αLc+βLmem
α+β＝1
其中，Li表示物理主机节点i的计算资源的剩余量；Lc为CPU剩余量；Lmem为内存剩余量；α为CPU权重，β为内存权重；
定义一个空集合S＝{}，当Li＞Lreq时，将i放入集合S中，否则继续寻找，当X台物理主机与约束值比较完成后得到集合S＝{S1，S2，S3……Sm}即为聚类中心的集合，m≤X；
根据物理主机的CPU剩余量，对集合S中的物理主机进行降序排序，筛选出处理任务最优的物理主机。
3.根据权利要求2所述的云平台自动化部署与运行方法，其特征在于，所述的α和β值通过BP神经网络学习获取。
4.根据权利要求2所述的云平台自动化部署与运行方法，其特征在于，通过SNMP协议获取整个云平台数据中心中物理主机的各项性能监控数据，计算出当前云平台中n台物理主机的资源剩余量。
5.根据权利要求2所述的云平台自动化部署与运行方法，其特征在于，所述方法还包括：
假设Sj为CPU剩余量最大、处理任务最优的物理主机；云平台中心有n台物理主机组成一个集合H；
以Sj为聚类中心，计算Sj与集合H中各个元素之间的相似度值；
根据相似度给定一个阈值U，如果相似度值大于阈值U，则将该元素加入新集合S′＝{}中，聚类中心不放入集合S′中；
集合S按照物理主机CPU剩余量的降序顺序依次选择聚类中心，分别计算与集合H中元素的相似度，以此类推，直至集合S′中的元素不再变化时，迭代结束，获得一个处理任务最优的物理主机集合，进行任务部署。
6.根据权利要求5所述的云平台自动化部署与运行方法，其特征在于，通过以下公式计算物理主机Sj与集合H中各个元素之间的相似度值s(si，sj)：
Figure FDA0002855502740000021
式中，s(si，sj)表示物理主机j和物理主机i之间的相似度，LCj 1表示物理主机j的CPU剩余，Lmem3 2表示物理主机j的内存剩余，LCi 1表示物理主机i的CPU剩余，Lmemi 2表示物理主机i的内存剩余。
7.根据权利要求1所述的云平台自动化部署与运行方法，其特征在于，所述还包括：将云计算资源按照计算、存储、网络进行分类。
8.根据权利要求1所述的云平台自动化部署与运行方法，其特征在于，从最优的物理主机开始处理任务到任务处理完成的时间段内接收到的任务请求数作为下一次待处理的任务。
9.一种电子设备，其特征在于，包括存储器和处理器，所述存储器上存储有能够被处理器加载并执行如权利要求1至8中任一种方法的计算机程序。
10.一种计算机可读存储介质，其特征在于，存储有能够被处理器加载并执行如权利要求1至8中任一种方法的计算机程序。
CN202011550470.7A 2020-12-23 2020-12-23 云平台自动化部署与运行方法、电子设备及存储介质 Pending CN112596901A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011550470.7A CN112596901A (zh) 2020-12-23 2020-12-23 云平台自动化部署与运行方法、电子设备及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011550470.7A CN112596901A (zh) 2020-12-23 2020-12-23 云平台自动化部署与运行方法、电子设备及存储介质

Publications (1)

Publication Number Publication Date
CN112596901A true CN112596901A (zh) 2021-04-02

Family

ID=75200918

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011550470.7A Pending CN112596901A (zh) 2020-12-23 2020-12-23 云平台自动化部署与运行方法、电子设备及存储介质

Country Status (1)

Country Link
CN (1) CN112596901A (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116302483A (zh) * 2023-01-29 2023-06-23 北京中嘉和信通信技术有限公司 基于云平台的云负载均衡服务方法和系统
CN117519964A (zh) * 2023-10-17 2024-02-06 本原数据(北京)信息技术有限公司 数据库资源管理方法和系统、电子设备及存储介质

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106095582A (zh) * 2016-06-17 2016-11-09 四川新环佳科技发展有限公司 云平台的任务执行方法
CN106126323A (zh) * 2016-06-17 2016-11-16 四川新环佳科技发展有限公司 基于云平台的实时任务调度方法

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106095582A (zh) * 2016-06-17 2016-11-09 四川新环佳科技发展有限公司 云平台的任务执行方法
CN106126323A (zh) * 2016-06-17 2016-11-16 四川新环佳科技发展有限公司 基于云平台的实时任务调度方法

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116302483A (zh) * 2023-01-29 2023-06-23 北京中嘉和信通信技术有限公司 基于云平台的云负载均衡服务方法和系统
CN117519964A (zh) * 2023-10-17 2024-02-06 本原数据(北京)信息技术有限公司 数据库资源管理方法和系统、电子设备及存储介质

Similar Documents

Publication Publication Date Title
US10924535B2 (en) Resource load balancing control method and cluster scheduler
CN109783237B (zh) 一种资源配置方法及装置
CN109254842B (zh) 分布式流式系统的资源管理方法、装置及可读存储介质
US9111232B2 (en) Portable workload performance prediction for the cloud
TWI547817B (zh) 叢集運算架構的資源規劃方法、系統及裝置
WO2023185090A1 (zh) 基于微服务链路分析和强化学习的调度方法及装置
CN113467944B (zh) 面向复杂软件系统的资源部署装置及方法
CN114356587B (zh) 算力任务跨区域调度方法、系统及设备
CN115373835A (zh) Flink集群的任务资源调整方法、装置及电子设备
JP2016042284A (ja) 並列計算機システム、管理装置、並列計算機システムの制御方法及び管理装置の制御プログラム
CN112596901A (zh) 云平台自动化部署与运行方法、电子设备及存储介质
CN106095582A (zh) 云平台的任务执行方法
CN115292046A (zh) 算力分配方法、装置、存储介质及电子设备
CN111724037A (zh) 运营资源分配方法、装置、计算机设备及可读存储介质
CN116244159A (zh) 一种训练时长预测方法、装置、多元异构计算设备及介质
CN109818880B (zh) 动态分派工作及提供资源的方法、装置及其系统
CN111796933A (zh) 资源调度方法、装置、存储介质和电子设备
CN116414559A (zh) 算力统一标识建模、分配的方法、存储介质及电子设备
CN115827253A (zh) 一种芯片资源算力分配方法、装置、设备及存储介质
CN114172819B (zh) Nfv网元的需求资源预测方法、系统、电子设备和存储介质
CN111783843A (zh) 一种特征选择方法、装置及计算机系统
CN114461407A (zh) 数据处理方法、装置、分发服务器、系统及存储介质
CN114564313A (zh) 负载调整方法、装置、电子设备及存储介质
US20240176657A1 (en) Task processing method and apparatus, electronic device, storage medium and program product
Garg et al. Optimal virtual machine scheduling in virtualized cloud environment using VIKOR method

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
RJ01 Rejection of invention patent application after publication

Application publication date: 20210402

RJ01 Rejection of invention patent application after publication