CN112596909A - 一种基于微服务的智能工厂管控平台组合调度优化方法 - Google Patents

一种基于微服务的智能工厂管控平台组合调度优化方法 Download PDF

Info

Publication number
CN112596909A
CN112596909A CN202011580537.1A CN202011580537A CN112596909A CN 112596909 A CN112596909 A CN 112596909A CN 202011580537 A CN202011580537 A CN 202011580537A CN 112596909 A CN112596909 A CN 112596909A
Authority
CN
China
Prior art keywords
service
micro
control platform
information
user
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
CN202011580537.1A
Other languages
English (en)
Inventor
黄燕
隗静宇
孔繁荣
周礼达
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.)
SHANGHAI DEVELOPMENT CENTER OF COMPUTER SOFTWARE TECHNOLOGY
Original Assignee
SHANGHAI DEVELOPMENT CENTER OF COMPUTER SOFTWARE TECHNOLOGY
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 SHANGHAI DEVELOPMENT CENTER OF COMPUTER SOFTWARE TECHNOLOGY filed Critical SHANGHAI DEVELOPMENT CENTER OF COMPUTER SOFTWARE TECHNOLOGY
Priority to CN202011580537.1A priority Critical patent/CN112596909A/zh
Publication of CN112596909A publication Critical patent/CN112596909A/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]
    • G06F9/5083—Techniques for rebalancing the load in a distributed system
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/063—Operations research, analysis or management
    • G06Q10/0633—Workflow analysis
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/04—Manufacturing
    • 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
    • Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
    • Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
    • Y02P90/30—Computing systems specially adapted for manufacturing

Landscapes

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Human Resources & Organizations (AREA)
  • Strategic Management (AREA)
  • Theoretical Computer Science (AREA)
  • Economics (AREA)
  • General Physics & Mathematics (AREA)
  • Physics & Mathematics (AREA)
  • Tourism & Hospitality (AREA)
  • Entrepreneurship & Innovation (AREA)
  • General Business, Economics & Management (AREA)
  • Marketing (AREA)
  • Software Systems (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Game Theory and Decision Science (AREA)
  • Development Economics (AREA)
  • Educational Administration (AREA)
  • General Engineering & Computer Science (AREA)
  • Manufacturing & Machinery (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Primary Health Care (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明公开了一种基于微服务的智能工厂管控平台组合调度优化方法，包括：确定所述智能工厂管控平台的服务中心数量及所述服务中心的资源信息和位置信息；将所述智能工厂管控平台的应用拆分为若干个微服务，部署到若干个所述服务中心，所述服务中心开启每个微服务将消耗一定的资源；确定用户数量和用户信息，所述用户信息包括用户请求微服务信息和用户地理位置信息；确定若干个服务中心和若干个微服务的组合启动策略；根据位置最近原则确定用户服务策略；根据所述用户服务策略，所述微服务将多目标优化方法的目标参数设定为资源使用率和负载均衡率；对所述资源使用率和所述负载均衡率进行优化，使得所述智能工厂管控平台的性能达到相对最优。

Description

一种基于微服务的智能工厂管控平台组合调度优化方法
技术领域
本发明涉及人工智能管理领域，具体涉及一种基于微服务组合调度的混合云部署智能工厂管控平台优化方法。
背景技术
智能工厂管控平台已成为工厂智能化转型进程中必不可缺的一部分。目前，多数管控平台以私有云为主，但面对大量的生产实时数据和多地多工厂协同的问题，将带来巨大的服务器购置成本压力，已不能满足用户需求。单一部署的云平台又难以满足多地多工厂生产管控对数据吞吐量大、响应实时性要求高、数据私密性需求高等工厂生产管控的需求特点。
为了便于多地多工厂的生产统一管理以及降低私有云部署带来的服务器成本压力，提出了混合云部署模式。但是，目前基于混合云的智能工厂管控平台存在以下缺点：(1)生产管控过程中，由于大量的用户请求并发性，服务中心提供服务饱和，发生响应时延较长问题；(2)本地智能工厂管控平台为广域空间分布的用户提供服务时，本地服务中心的组合部署和调度耗费资源较高；(3)传统平台提供应用服务时耗费资源较高。
微服务是面向服务的平台架构发展与云技术发展结合而来，针对分布在不同地方，面对不同用户产生大量并发请求时，传统应用已经无法满足用户的请求，基于微服务的应用研究成了热点问题。微服务将传统应用进行服务拆分，按照不同业务和功能需求拆分成单个相互独立的微服务，使之具有灵活性、专用性及稳定性。
智能工厂管控平台面向多用户多工厂，将生产过程管控与工厂管理决策分析结合。对生产过程、生产装备等数据进行收集、计算、分析并将结果实时进行反馈，由此进行一体化智能管控，使得生产各项数据可以进行共享和有效利用，优化其生产经营效率。因此，如何将微服务与混合云部署相结合从而保障智能工厂管控平台的可靠运行，对多地多工厂的生产统一管理，降低单一工厂单独部署管理带来的服务器成本压力，使得智能工厂管控平台服务中心配置和调度不同微服务或者微服务组合时启动和运行策略达到最优是目前有待解决的问题。
发明内容
本发明要解决的技术问题是如何将微服务组合调度优化与混合云部署相结合从而保障智能工厂管控平台的高效运行，并如何使得智能工厂管控平台服务中心配置和调度不同微服务或者微服务组合时启动和运行策略进行优化，提供一种基于微服务的智能工厂管控平台组合调度优化方法。
本发明是通过下述技术方案来解决上述技术问题：
一种基于微服务的智能工厂管控平台组合调度优化方法，所述优化方法包括：
确定所述智能工厂管控平台的服务中心数量及所述服务中心的资源信息和位置信息；
将所述智能工厂管控平台的应用拆分为若干个微服务，部署到若干个所述服务中心，所述服务中心开启每个所述微服务将消耗一定的资源；
确定用户数量和用户信息，所述用户信息包括用户请求微服务信息和用户地理位置信息；
确定若干个所述服务中心和若干个所述微服务的组合启动策略；
根据位置最近原则确定用户服务策略；
根据所述用户服务策略，所述微服务将多目标优化方法的目标参数设定为资源使用率和负载均衡率；
对所述资源使用率和所述负载均衡率进行优化，使得所述智能工厂管控平台的性能达到相对最优。
进一步地，所述资源信息包括计算资源和存储资源，所述位置信息包括经度信息和纬度信息；所述资源使用率为每个所述服务中心的计算资源使用率，存储资源使用率，所述负载均衡率为每个所述服务中心的计算资源负载均衡率，存储资源负载均衡率。
较佳地，所述根据位置最近原则确定用户服务策略包括：
用户发出所述微服务请求信息；
所述管控平台寻找最近服务中心；
对所述最近服务中心的负载情况进行判断，若所述最近服务中心未达到最大负载率，则请求该服务中心服务，若所述最近服务中心已达到所述最大负载率，则按距离寻找次近的其他所述服务中心；
若所有所述服务中心均达到所述最大负载率，则等待一段时间后重复上一步骤，直至找到可接受所述微服务请求信息的服务中心为止。
较佳地，对所述资源使用率和负载均衡率进行优化的方法包括NSGA-III方法。
进一步地，所述微服务包括单个所述微服务和/或所述微服务的组合。
在符合本领域常识的基础上，上述各优选条件，可任意组合，即得本发明各较佳实例。
本发明的积极进步效果在于：满足大量用户并发请求，可以使得各个服务中心的负载均衡率保持稳定；可以灵活地在多个服务中心请求服务；可以部署到多个服务中心上，单个微服务只提供单个服务，耗费资源较小，可应对大量并发请求。
附图说明
图1为本发明一种基于微服务的智能工厂管控平台组合调度优化方法一实施例中的方法流程图；
图2为本发明一种基于微服务的智能工厂管控平台组合调度优化方法一实施例中的广域空间服务中心示意图；
图3为本发明一种基于微服务的智能工厂管控平台组合调度优化方法一实施例中的用户服务策略流程图。
具体实施方式
为了便于理解本申请，下面将参照相关附图对本申请进行更全面的描述。附图中给出了本申请的首选实施例。但是，本申请可以以许多不同的形式来实现，并不限于本文所描述的实施例。相反地，提供这些实施例的目的是使对本申请的公开内容更加透彻全面。
除非另有定义，本文所使用的所有的技术和科学术语与属于本申请的技术领域的技术人员通常理解的含义相同。本文中在本申请的说明书中所使用的术语只是为了描述具体的实施例的目的，不是旨在于限制本申请。本文所使用的术语“及/或”包括一个或多个相关的所列项目的任意的和所有的组合。
如图1所示为基于微服务的智能工厂管控平台组合调度优化方法流程图：
S01：确定所述智能工厂管控平台的服务中心数量及所述服务中心的资源信息和位置信息；
在一个示例中，如图2所示，确定智能工厂管控平台的服务中心M＝{m1,m2,m3,m4……mn}即有n个服务中心m1,m2,m3,m4…mn。第k个服务中心为mk表示为mk＝(MRes(ck,sk),MLoc(lok,lak))，其中，MRes表示资源信息和MLoc表示位置信息，ck表示第k个服务中心的计算资源，sk表示第k个服务中心的存储资源，lok表示第k个服务中心的经度位置信息，lak表示第k个服务中心的纬度位置信息。
S02：将所述智能工厂管控平台的应用拆分为若干个微服务，部署到若干个所述服务中心，所述服务中心开启每个所述微服务将消耗一定的资源；
在一个示例中，如图2所示，将智能工厂管控平台的应用A可拆分为k个微服务表示为A＝{a1,a2,a3,…,ak}，且服务中心每开启一个微服务消耗的资源表示为ai＝Res(ci，si)即当第i个微服务ai开启时，消耗的计算资源为ci，消耗的存储资源为si。
S03：确定用户数量和用户信息，所述用户信息包括用户请求微服务信息和用户地理位置信息；
在一个示例中，如图2所示，确定用户数量U＝{u1，u2，u3,…,un}即n个用户分别表示为u1，u2，u3，…，un，用户信息分为想要请求的微服务信息和用户的地理位置信息，第k个用户所请求的微服务的组合(一个或多个)和其所在的地理位置信息即uk＝(UReq(Ai(an，…，ac))，ULoc(lok，lak))，其中，UReq(Ai(an,…,ac))表示用户请求微服务信息，ULoc(lok,lak)表示用户的地理位置信息，Ai(an,…,ac)为用户请求微服务信息的组合，其可以为智能工厂管控平台的应用A所拆分为k个微服务集合A＝{a1，a2,a3,…,ak}的任意子集。
S04：确定若干个所述服务中心和若干个所述微服务的组合启动策略；
在一个示例中，对于空间中的n个服务中心M＝{m1，m2,m3，m4……mn}，及拟运行的k个微服务A＝{a1，a2,a3，…,aK}的组合启动策略P表示为：
P＝[m1(a11,a12,a13,…,a1k),m2(a21,a22,a23，…，a2k)，m3(a31，a32，a33，…，a3k),…,mn(an1，an2，an3，…，ank)]T
其中，P即为n个服务中心的组合启动策略，mn(an1,an2,an3,…,ank)表示微服务A＝{a1,a2,a3,…,ak}在第n个服务中心的组合启动策略。编码采用二进制编码规则，设定服务中心能够允许启动的最大微服务数量为32，则采用32位编码即可表达某一个服务中心实际服务数量，依据二进制编码，则编码总长度为n*k*32，即编码总长度为n个服务中心*k个微服务*每个服务中心最大服务量32。
S05：根据位置最近原则确定用户服务策略；
在一个示例中，如图3所示，微服务组合调度多目标优化方法按照位置最近原则，寻找距离该用户最近的服务中心，检测服务中心是否达到最大服务请求，若未达到，则请求该服务，若达到最大服务请求，则按照除此之外的服务中心继续搜索，具体流程如图3所示：
用户启动发送微服务请求，智能工厂管控平台寻找距离该用户最近的服务中心，并检测该服务中心是否达到最大负载率，若所述服务中心没有达到最大负载率，则请求该服务中心接受所述用户发送的微服务请求，若所述服务中心达到最大负载率，则按照与该用户位置最近原则，寻找次近的服务中心并进行判断，若遍历所有服务中心，均处于最大负载率，则等待一段时间后，重复上述寻找过程，直至寻找到可接受该用户请求的服务中心为止。
S06：根据所述用户服务策略，所述微服务将多目标优化方法的目标参数设定为资源使用率和负载均衡率；
在一个示例中，根据用户服务策略，微服务组合调度多目标优化方法的目标参数设定为资源使用率和负载均衡率。资源使用率即每个服务中心的计算资源使用率和存储资源使用率；负载均衡率即每个服务中心计算资源和存储资源负载均衡率，使得多个服务中心能够保持均衡的状态，以防某一个服务中心的使用率较高而其他服务中心空闲率较高。
(1)F1为资源使用率:
Figure BDA0002864846630000061
(2)F2为负载均衡率:
Figure BDA0002864846630000062
F1为资源使用率即已占用资源与资源总量之比，其中mi(ai1,ai2,ai3,....,aik)为第i个服务中心实际启动的微服务数量向量，Res(ci,si)表示开启微服务实际消耗的资源数值向量，其中包含计算资源和存储资源，MRes(ci,si)表示第i个服务中心的资源值，其中包含计算资源(ci)和存储资源(si)，n为资源中心的数量。F2为负载均衡率，即为各个服务中心资源资源负载情况的方差之和，其中
Figure BDA0002864846630000063
即为第i个微服务的资源使用情况，
Figure BDA0002864846630000064
为各个服务中心资源平均使用情况。
采用NSGA-III(Non-dominated Sorted Genetic Algorithm-III，第三代精英保留策略的非支配排序的遗传方法)，将NSGA-II(Non-dominated Sorted GeneticAlgorithm-II，第二代精英保留策略的非支配排序的遗传方法)进行进一步改进，在保持种群多样性的基础上，利用参考点策略提高了在非支配层中寻求多样精英解的计算效率。种群选择策略采用在NSGA种群选择机制基础上，增加候补解集的填充选择机制。在对种群的选择中，除了对支配解的保留，加上低非支配水平的解的候补机制。首先采用NSGA-Ⅲ主导选择机制在一组解上运行；然后对所有解进行分层，将完全支配解的层级设置为第一层；删除已经访问过的解，取出非最佳解决方案，将其级别设置为第二级，重复操作。同时，当解的非支配水平相同时，即在同一级中进行选择时，比较解的拥挤距离，选择具有大拥挤距离的解。构建候补解来存储前m代被放弃较好的支配解(m为参数)，根据前m代被淘汰解候补集。在求解过程中，将候补群放入当前群中执行交叉变异策略。剩余的交叉变异策略与NSGA-Ⅲ中的保持一致，设交叉算子采取模拟二进制交叉方法，交叉概率为0.85，交叉分布索引值设为20，变异算子采取多项式变异方法，变异概率为0.01，变异分布索引值设为20，最大迭代数为100，种群数量设为1000，具体参数设定如表1所示。
表1
Figure BDA0002864846630000071
Figure BDA0002864846630000081
S07：对所述资源使用率和所述负载均衡率进行优化，使得所述智能工厂管控平台的性能达到相对最优。
在一个示例中，服务中心获得多种微服务运行部署调度策略，可选择其中某一种策略，使得某一层面上其中某个性能达到相对最优，或者在解集中间进行协调和折中处理，使各个子目标都尽可能地达到最优化。使得智能工厂管控平台性能达到相对最优，从而达到配置和调度不同微服务或者微服务组合时启动和运行策略达到最优，本方法能较好的找到帕累托最优前沿，通过选择可以选出在资源使用和负载均衡两方面都相对不错的微服务部署分配方案，从而为微服务的部署提供决策支持。
虽然以上描述了本发明的具体实施方式，但是本领域的技术人员应当理解，这仅是举例说明，本发明的保护范围是由所附权利要求书限定的。本领域的技术人员在不背离本发明的原理和实质的前提下，可以对这些实施方式做出多种变更或修改，但这些变更和修改均落入本发明的保护范围。

Claims (5)

1.一种基于微服务的智能工厂管控平台组合调度优化方法，其特征在于，所述优化方法包括：
确定所述智能工厂管控平台的服务中心数量及所述服务中心的资源信息和位置信息；
将所述智能工厂管控平台的应用拆分为若干个微服务，部署到若干个所述服务中心，所述服务中心开启每个所述微服务将消耗一定的资源；
确定用户数量和用户信息，所述用户信息包括用户请求微服务信息和用户地理位置信息；
确定若干个所述服务中心和若干个所述微服务的组合启动策略；
根据位置最近原则确定用户服务策略；
根据所述用户服务策略，所述微服务将多目标优化方法的目标参数设定为资源使用率和负载均衡率；
对所述资源使用率和所述负载均衡率进行优化，使得所述智能工厂管控平台的性能达到相对最优。
2.如权利要求1所述的一种基于微服务的智能工厂管控平台组合调度优化方法，其特征在于，所述资源信息包括计算资源和存储资源，所述位置信息包括经度信息和纬度信息；所述资源使用率为每个所述服务中心的计算资源使用率，存储资源使用率，所述负载均衡率为每个所述服务中心的计算资源负载均衡率，存储资源负载均衡率。
3.如权利要求2所述的一种基于微服务的智能工厂管控平台组合调度优化方法，其特征在于，所述根据位置最近原则确定用户服务策略包括：
用户发出所述微服务请求信息；
所述管控平台寻找最近服务中心；
对所述最近服务中心的负载情况进行判断，若所述最近服务中心未达到最大负载率，则请求该服务中心服务，若所述最近服务中心已达到所述最大负载率，则按距离寻找次近的其他所述服务中心；
若所有所述服务中心均达到所述最大负载率，则等待一段时间后重复上一步骤，直至找到可接受所述微服务请求信息的服务中心为止。
4.如权利要求2所述的一种基于微服务的智能工厂管控平台组合调度优化方法，对所述资源使用率和负载均衡率进行优化的方法包括NSGA-III方法。
5.如权利要求1至4任一项所述的一种基于微服务的智能工厂管控平台组合调度优化方法，所述微服务包括单个所述微服务和/或所述微服务的组合。
CN202011580537.1A 2020-12-28 2020-12-28 一种基于微服务的智能工厂管控平台组合调度优化方法 Pending CN112596909A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011580537.1A CN112596909A (zh) 2020-12-28 2020-12-28 一种基于微服务的智能工厂管控平台组合调度优化方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011580537.1A CN112596909A (zh) 2020-12-28 2020-12-28 一种基于微服务的智能工厂管控平台组合调度优化方法

Publications (1)

Publication Number Publication Date
CN112596909A true CN112596909A (zh) 2021-04-02

Family

ID=75202764

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011580537.1A Pending CN112596909A (zh) 2020-12-28 2020-12-28 一种基于微服务的智能工厂管控平台组合调度优化方法

Country Status (1)

Country Link
CN (1) CN112596909A (zh)

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110187973A (zh) * 2019-05-31 2019-08-30 浙江大学 一种面向边缘计算的服务部署优化方法
CN110489181A (zh) * 2019-08-23 2019-11-22 深圳前海微众银行股份有限公司 基于微服务架构的服务运行方法、装置、平台及存储介质
US20200104226A1 (en) * 2018-09-27 2020-04-02 International Business Machines Corporation Logging implementation in micro-service applications
CN111027736A (zh) * 2019-07-30 2020-04-17 中国人民解放军国防科技大学 多目标优化下的微服务组合部署与调度方法
US10827020B1 (en) * 2019-10-03 2020-11-03 Hewlett Packard Enterprise Development Lp Assignment of microservices

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20200104226A1 (en) * 2018-09-27 2020-04-02 International Business Machines Corporation Logging implementation in micro-service applications
CN110187973A (zh) * 2019-05-31 2019-08-30 浙江大学 一种面向边缘计算的服务部署优化方法
CN111027736A (zh) * 2019-07-30 2020-04-17 中国人民解放军国防科技大学 多目标优化下的微服务组合部署与调度方法
CN110489181A (zh) * 2019-08-23 2019-11-22 深圳前海微众银行股份有限公司 基于微服务架构的服务运行方法、装置、平台及存储介质
US10827020B1 (en) * 2019-10-03 2020-11-03 Hewlett Packard Enterprise Development Lp Assignment of microservices

Similar Documents

Publication Publication Date Title
Ge et al. GA-based task scheduler for the cloud computing systems
CN103631657B (zh) 一种基于MapReduce的任务调度方法
CN111027736A (zh) 多目标优化下的微服务组合部署与调度方法
CN108881432A (zh) 基于ga算法的云计算集群负载调度方法
CN112073452B (zh) 一种能源有效和资源受限的移动边缘计算任务分配方法
CN102984137A (zh) 一种基于多目标遗传算法下的多目标服务器调度方法
CN110321217A (zh) 一种多目标的云资源调度方法、装置、设备及存储介质
Kune et al. Genetic algorithm based data-aware group scheduling for big data clouds
Li et al. An efficient scheduling optimization strategy for improving consistency maintenance in edge cloud environment
CN110362379A (zh) 基于改进蚁群算法的虚拟机调度方法
Mostafa Cooperative fog communications using a multi-level load balancing
CN107566535B (zh) 基于Web地图服务并发访问时序规则的自适应负载均衡方法
Chauhan et al. Optimal admission control policy based on memetic algorithm in distributed real time database system
CN110928666A (zh) 一种Spark环境中基于内存优化任务并行度的方法和系统
CN111324429A (zh) 一种基于多代血统参考距离的微服务组合调度方法
CN108234617B (zh) 一种面向电力系统混合云模式下的资源动态调度方法
Chatterjee et al. A new clustered load balancing approach for distributed systems
CN116302404B (zh) 面向资源解耦合数据中心的服务器无感知计算调度方法
Abdi et al. The Impact of Data Replicatino on Job Scheduling Performance in Hierarchical data Grid
CN114980216B (zh) 基于移动边缘计算的依赖型任务卸载系统及方法
Gabaldon et al. Multi-criteria genetic algorithm applied to scheduling in multi-cluster environments
CN112596909A (zh) 一种基于微服务的智能工厂管控平台组合调度优化方法
Salman et al. The behavior of load balancing strategies with regard to the network structure in distributed computing systems
CN109889573A (zh) 混合云中基于ngsa多目标的副本放置方法
Zhuang et al. A hyper-heuristic resource allocation algorithm for fog computing

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
RJ01 Rejection of invention patent application after publication

Application publication date: 20210402