CN113296951A - 一种资源配置方案确定方法及设备 - Google Patents

Abstract

本说明书书一个或多个实施例提供一种资源利用率的预测方法，针对每种资源配置方案，构建运行数据训练样本集合，以任一样本的运行状态数据为特征值，以该任一样本对应的资源利用率为标签，训练该资源配置方案的资源利用率预测模型。如此，便可预测任一运行状态数据在任一资源配置方案下的资源利用率。

Description

一种资源配置方案确定方法及设备

技术领域

本说明书一个或多个实施例涉及云服务技术领域，尤其涉及一种资源配置方案确定方法及设备。

背景技术

随着云服务的发展，越来越多的用户使用运营商提供的云服务，数据库服务就是云服务的其中一个类型，用户可以根据自己的业务需求，选择合适的资源配置方案的数据库服务。

现有技术中，用户首次选择服务时，根据自己的业务需求预估可能需要的资源配置方案。之后在使用服务的过程中，可能发现当前的资源配置与当前的业务需求不匹配，对服务的资源配置进行更改。

然而，不管是首次选择服务的资源配置方案，还是之后需要更改资源配置方案，都是用户依靠自己的经验选择的，这对用户的能力有一定的要求，对于经验、能力有限的用户来说，可能需要尝试更改多次后才能确定出合适的资源配置方案。

发明内容

有鉴于此，本说明书一个或多个实施例提供一种资源利用率预测模型的构建方法、资源利用率的预测方法以及资源配置方案的确定方法。

为实现上述目的，本说明书一个或多个实施例提供技术方案如下：

根据本说明书一个或多个实施例的第一方面，提出了一种资源利用率预测模型的构建方法，包括：

针对所述给定的资源配置方案，获取运行数据样本集合，所述运行数据样本集合中的任一样本包括：目标实例在使用所述配置方案时的运行状态数据，以及对应的资源利用率；

针对任一运行数据样本，以运行状态数据作为特征值、以资源利用率作为标签，构建训练样本；

利用构建的训练样本集合，训练得到预测模型；所述模型用于：针对所述给定的资源配置方案，预测任一运行状态数据所对应的资源利用率。

根据本说明书一个或多个实施例的第二方面，提出了一种资源利用率的预测方法，所述方法用于预测给定的实例运行状态数据在目标资源配置方案下的资源利用率，包括：

获取实例的运行状态数据；

将所述运行状态数据输入至所述目标资源配置方案对应的模型中；所述模型利用如上所述的模型构建方法构建得到；

根据所述模型的输出，预测所述运行状态数据在所述目标资源配置方案下的资源利用率。

根据本说明书一个或多个实施例的第三方面，提出了一种资源配置方案确定的方法，所述方法用于在给定的候选资源配置方案中，确定出最优资源配置方案，包括：

获取实例时刻的运行状态数据；

针对所述给定的至少两个候选资源配置方案，将所述运行状态数据分别输入至各候选资源配置方案对应的模型中；所述模型利用如上述所述的模型构建方法构建得到；

根据各模型的输出，预测所述运行状态数据在所述各候选资源配置方案下的资源利用率；

根据选择规则，以及资源利用率预测结果，在所述给定的至少两个候选资源配置方案中，确定出适用于所述运行状态数据的最优资源配置方案。

通过本说明的一个或多个实施例，针对每种资源配置方案，构建运行数据训练样本集合，以任一样本的运行状态数据为特征值，以该任一样本对应的资源利用率为标签，训练该资源配置方案的资源利用率预测模型。如此，便可预测任一运行状态数据在任一资源配置方案下的资源利用率。

通过本说明一个或多个实施例，只需要获取实例的运行状态数据，即可确定针对目标资源配置方案对应的预测资源利用率，通过预测资源利用率就可评估目标资源配置方案是否满足当前运行状态数据的资源需求。

附图说明

图1是一示例性实施例提供的一种资源利用率预测模型的构建方法的流程图。

图2是一示例性实施例提供的一种资源利用率的预测方法的流程图。

图3是一示例性实施例提供的一种资源配置方案确定方法的流程图。

图4是一示例性实施例提供的另一种资源配置方案确定方法的流程图。

图5是一示例性实施例提供的一种资源利用率预测模型的构建装置的框图。

图6是一示例性实施例提供的一种资源利用率预测装置的框图。

图7是一示例性实施例提供的一种资源配置方案确定装置的框图。

图8是一示例性实施例提供的一种设备的结构示意图。

具体实施方式

这里将详细地对示例性实施例进行说明，其示例表示在附图中。下面的描述涉及附图时，除非另有表示，不同附图中的相同数字表示相同或相似的要素。以下示例性实施例中所描述的实施方式并不代表与本说明书一个或多个实施例相一致的所有实施方式。相反，它们仅是与如所附权利要求书中所详述的、本说明书一个或多个实施例的一些方面相一致的装置和方法的例子。

需要说明的是：在其他实施例中并不一定按照本说明书示出和描述的顺序来执行相应方法的步骤。在一些其他实施例中，其方法所包括的步骤可以比本说明书所描述的更多或更少。此外，本说明书中所描述的单个步骤，在其他实施例中可能被分解为多个步骤进行描述；而本说明书中所描述的多个步骤，在其他实施例中也可能被合并为单个步骤进行描述。

一般情况下，运营商提供的服务可以选各种资源配置方案(实际应用中，也可称之为提供的服务的规格)，如，双核CPU、4G内存、20G硬盘空间的资源配置方案。用户在选择数据库服务时，会根据自己的业务需求，选择一个合适资源配置方案，具体而言，若业务流量较多，但选择的资源配置方案偏低，会导致业务处理缓慢；若业务流量较少，但选择的资源配置方案偏高，会造成资源的浪费。

实际应用中，用户在选择服务的资源配置方案时，并不能确定哪种资源配置方案适合自身业务场景，全靠用户自身的经验。对于有经验的用户来说，可能根据自身经验，选出一个大致合适的资源配置方案，对于没有经验的用户来说，由于选择时毫无依据，因此，若业务需求与资源配置方案并不匹配，可能需要对实例的资源配置方案进行多次更改，才可选择出一个合适的资源配置方案来满足业务需求。可见，这种用户自己更改的方式，对用户的能力有一定的要求(需要有经验)，且选取的一般是大致合适的而非最优的。

此外，实际应用中，还有基于规则的资源配置方案更改方式，例如，当CPU占用率>70％时，对资源配置方案进行升级，当内存占用率>90％时，增加百分之十五的内存，或者当CPU占用率>70％且内存占用率>80％时，对资源配置方案进行升级。然而，这种基于规则的方式，灵活性也比较差，需要逐步逼近合适的资源配置方案，并且规则是人为设定的，设置的升级或降级规则是否合适很难确定。

发明人在实践中发现，可以通过实例某时刻的资源利用率，判断实例在该时刻的资源配置方案是否满足实例在该时刻的资源配置需求，以资源利用率表征CPU占用率(也可称为CPU使用率)为例，若实例的资源利用率过高，CPU占用率达百分之九十，此时实例处理业务的速度较慢，说明实例此时的资源配置不满足此时的资源需求；若实例的资源利用率过低，CPU的占用率仅有百分之十，此时实例处理业务的速度虽然快，但有很大一部分资源处于闲置运行状态，造成资源的浪费，说明实例此时的资源配置方案对于此时的资源需求过高。

基于此，本说明书提出一种资源利用率的预测方法，针对每种资源配置方案，构建运行数据训练样本集合，以任一样本的运行状态数据为特征值，以该任一样本对应的资源利用率为标签，训练该资源配置方案的资源利用率预测模型。如此，便可预测任一运行状态数据在任一资源配置方案下的资源利用率。

通过本说明书一个或多个实施例，只需要获取实例的运行状态数据，即可确定针对目标资源配置方案对应的预测资源利用率，通过预测资源利用率就可评估目标资源配置方案是否满足当前运行状态数据的资源需求。实际应用时，可针对一个资源配置方案的资源率

需要说明的是，在本说明书一个或多个实施例中，一个用户对应于一个实例，用户使用的服务皆由实例提供完成，用户选择的服务的资源配置方案，就是选择的实例的资源配置方案。

本说明书提供了资源利用率预测模型的构建方法，资源利用率的预测方法，资源配置方案确定方法，其中，资源利用率是使用资源利用率预测模型的构建方法构建的模型，对一个运行状态数据在目标资源配置方案下的资源利用率的预测，资源配置方案确定方法是使用构建方法构建的模型，对一个运行状态数据分别在多个资源配置方案下的资源利用率的预测，然后基于每种资源配置方案对应的资源利用率的预测，选择适用于该运行状态的最优资源配置方案，下面分别对这些方法进行详细说明：

本说明书提供了资源利用率预测模型的构建方法如图1所示，为本说明示出的资源利用率预测模型的构建方法的流程示意图，包括以下步骤：

步骤102、针对给定的资源配置方案，获取运行数据样本集合。

其中，运行数据样本集合中的任一样本包括：目标实例使用配置方案时的运行状态数据、以及对应的资源利用率。

在针对给定资源配置方案构建模型时，获取的是给定资源配置对应的运行数据样本，得到运行数据样集合，即，构建出在给定资源配置方案下，运行状态数据与资源利用率的映射关系的运行数据集样本集合。例如，给定资源配置方案为4核CPU，8GB内存，那么在获取运行数据样本时，获取的是资源配置方案为4核CPU，8GB内存的实例的运行数据，对于配置方案为双核CPU，4GB内存的实例的运行数据，不属于该给定资源配置方案的运行数据样本集合。

对于任一数据样本，该样本的资源利用率是目标实例使用给定资源配置方案时运行状态数据为该样本运行状态数据时的资源利用率，即，资源利用率与运行状态数据是实例在给定资源配置方案的同一时刻对应的数据。例如，某实例使用给定资源配置方案时的某时一刻，运行状态数据为参数集x1，资源利用率为利用率y1，那么参数集x1与利用率y1便可组成该给定资源配置方案的一个运行数据样本，又如，在另一时刻的运行状态数据为参数集x2，资源利用率为利用率y2，那么参数集x2与利用率y2便可组成该给定资源配置方案的一个运行数据样本，而参数集x1与资源利用率y2不是实例同一时刻对应的数据，因此，参数集x1与资源利用率y2并不能组成该给定资源配置方案的一个运行数据样本。

实际应用中，任一样本的运行状态数据可以包括以下至少一种：每秒查询率(Queries-per-second，QPS)、每秒处理事物个数(Transactions Per Second，TPS)、逻辑读次数、物理读次数、总连接数、活跃连接数、每秒流入数据库的网络流量、每秒流出数据库的网络流量、缓存池命中率。

其中，逻辑读是指数据库为得到查询中的结果而必须从数据缓冲区高速缓存读取的页数。物理读是指在执行真正的查询操作前，数据库必须从磁盘上向数据缓冲区高速缓存中读取它所需要的数据。总连接数指数据库某时刻的连接总数。活跃连接数指数据库某时刻的活跃连接数量。缓存池命中率指示在缓冲区高速缓存中找到而不需要从磁盘中读取的页的百分比。

需要说明的是，在本说明书一个或多个实施例中，运行状态数据是指可用于反应实例某刻业务处理量的运行状态数据，如上述的每秒处理事物个数，每秒处理事物个数越多，说明该时刻的业务流量很多，业务处理需求量较大，可能需要较多的资源来支持这些业务的处理，物理读次数很多，说明该时刻实例频繁的读取数据库的数据，也可反应该时刻业务压力较大，需要较多的资源以支持业务处理的完成。

步骤104、构建训练样本。

针对任一运行数据样本，以运行状态数据作为特征值、以资源利用率作为标签，构建训练样本。

获取到给定资源配置方案的运行样本数据集后，可有针对性的选择一些样本构建训练样本，也可直接将运行数据样本中的所有样本作为训练样本，当然，有针对性的选择各个资源利用率对应的样本，构建的训练样本更加全面，以资源利用率表征CPU占用率为例，获取的样本集合中，尽量包括CPU占用率尽量包含百分之一至百分之百对应的样本。

实际应用中，任一样本的资源利用率可用于单独或综合表征所述目标实例的以下至少一种信息：CPU占用率、内存占用率、磁盘占用率。

在本说明书一个或多个实施例中，获取到运行数据样本集后，可给运行数据样本添加标签，以CPU占用率为例，将CPU的占用率分为多类标签，如，分为高中低三类标签，低标签对应于0％～30％的CPU占用率，中标签对应于30％～70％的CPU占用率，高标签对应于70％～100％的CPU占用率，获取到运行数据样本集后，针对每个样本，根据每个样本的CPU占用率给样本添加标签。

或者以资源利用率用于综合表征CPU占用率、内存占用率，资源利用率＝CPU占用率*q+内存占用率*p，其中，q表示CPU占用率的权重，p代表内存占用率的权重，然后根据资源利用率从低到高划分，对每个样本添加标签。

步骤106、利用构建的训练样本集合，训练得到预测模型。

其中，所述模型用于：针对所述给定的资源配置方案，预测任一运行状态数据所对应的资源利用率。

在本说明书一个或多个实施例中，在针对给定资源配置方案构建资源利用率预测模型时，可以使用不同的算法，构建每个分类算法对应的模型，然后对构建的各个模型进行测试，通过比较各个模型的测试结果，选取出预测能力最优的模型作为实际使用的模型。其中，测试方法不限，例如可以通过交叉验证的方式测试各个模型。

在实践中，构建资源利用率预测模型的时候，可使用分类算法对应的模型，也可使用回归拟合的方式构建模型，回归拟合的方式对数据质量的要求相对较高，需要有大量且均匀的数据来进行基于运行状态数据对资源利用率的回归拟合，且这与运行商的售卖形式不易结合。

上述分类算法可以是基于决策树方式的分类算法、基于支持向量机方式的分类算法、基于人工神经网络方式的分类算法等。

以上是对资源利用率预测模型的构建方法的说明，下面对资源利用率预测方法进行详细说明，该方法用于预测给定的实例运行状态数据在目标资源配置方案下的资源利用率。其中，资源利用率预测方法使用了如上述的资源利用率预测模型的构建方法，构建了目标资源配置方案对应的预测模型，然后利用构建好的模型，对任一运行状态数据在目标资源配置方案下的资源利用率进行预测。

如图2所示，为本说明书示出的资源利用率预测方法的流程示意图，包括以下步骤：

步骤202、获取实例的运行状态数据；

在本说明书一个或多个实施例中，获取的实例的运行状态数据，可以是在实例运行时实时获取的，也可以是通过读取实例的日志等方式，获取的实例运行时某个历史时刻对应的运行状态数据。当然，在实际应用中，也可以是技术人员虚构实例的运行状态数据，以完成对特定运行状态数据的资源利用率的预测。

例如，获取的实例的运行状态数据是实例运行至时刻2021年4月25日14:04对应的运行状态数据(可以是实时获取的时候的时刻，也可以是历史日志记录该运行状态数据时的时刻)，那么预测的也是在时刻2021年4月25日14:04时，该时刻的运行状态数据在目标资源配置方案的实例中的资源利用率。或者可以是技术人员虚构的数据集，如{TPS：2560，QPS：5214}等。

步骤204、将运行状态数据输入至目标资源配置方案对应的模型中。

其中，目标资源配置方案对应的预测模型利用如上述的模型构建方法构建得到。步骤206、根据模型的输出，预测所述运行状态数据在所述目标资源配置方案下的资源利用率。

模型会输出预测的该运行状态数据在目标资源配置方案中的资源利用率，以该预测的资源利用率，可以推测该目标资源配置方案是否符合该运行状态数据的资源需求。

实际应用中，目标资源配置方案根据实际应用场景决定，例如，用户在设置实例的资源配置方案时，预先配置了实例可以有两种资源配置方案，那么实例在运行过程中正在使用的资源配置方案称为运行中资源配置方案，未被使用了另一个资源配置方案为备选资源配置方案，因此，可将备选资源配置方案作为目标资源配置方案，预测实例某刻的运行状态数据在该目标资源配置方案的资源利用率，然后根据预测的资源利用率(针对备选资源配置方案)与实例在该时刻实际的资源利用率(针对运行中资源配置方案)，确定是否需要更换实例的资源配置方案。

又如，用户发现某时刻的实例运行状态不佳，想要对实例的资源配置方案升级至指定资源配置方案，因此希望获取实例此刻的运行状态数据在指定资源配置方案下的资源利用率，此时，指定资源配置方案就可作为目标资源配置方案，得到资源利用率后，反馈至用户。

以上是对资源利用率预测方法的说明，下面对资源配置方案确定方法进行详细说明，该方法用于在给定的候选资源配置方案中，确定出最优资源配置方案。其中，资源配置方案确定方法也使用了如上述的模型构建方法，构建了多个候选资源配置方案对应的模型，然后根据各个模型输出的资源利用率，在各个候选资源配资方案中，选择适用于指定运行状态数据的最优配置方案。

如图3所示，为本说明书示出的资源配置方案确定方法的流程示意图，包括以下步骤：

步骤302、获取实例的运行状态数据。

获取的运行状态数据，可以是在实例运行时实时获取的，也可以是实例运行时某个历史时刻对应的运行状态数据。

步骤304、将所述运行状态数据输入至所述给定的至少两个候选资源配置方案对应的模型中。

其中，给定的至少两个资源配置方案对应的模型中的任一模型利用如上述的任一构建方法构建得到。

步骤306、根据各模型的输出，预测运行状态数据在各候选资源配置方案下的资源利用率。

步骤308、根据选择规则，以及资源利用率预测结果，在所述给定的至少两个候选资源配置方案中，确定出适用于所述运行状态数据的最优资源配置方案。

其中，选择规则根据实际需要进行设定，设定时可结合实际经验，例如构建模型时，将CPU占用率作为资源利用率，而CPU占用率为40％～70％时，运行状态数据所需的资源需求与资源配置方案相匹配，进而在选择时，可以选择预测CPU占用率在40％～70％范围内的模型对应的资源配置方案作为运行状态数据所需的资源配置方案。又例如，根据各个资源利用率下的运行性能，建立打分表，得分高的运行性能优，得分低的运行性能劣，选择得分最高的资源利用率对应的资源配置方案作为运行状态数据所需的资源配置方案。

在本说明书一个或多个实施例中，可以是在预设条件下获取参数，例如，可以实时检测实例的流量，当检测到流量异常，如业务流量大幅增加，或者业务流量大幅下降，说明业务处理需求大幅增加或下降，可能需要更改实例的资源配置，因此，可以在检测到流量异常时，获取实例的运行状态数据，进而推荐符合当前业务流量资源需求的最优资源配置方案。

在检测异常流量时，可以使用阈值触发、arima算法、holt-winter算法、统计算法等，本说明书不一一列举。

或者也可以是接收到一个确定资源配置方案请求的时候，用户可能需要获取确定出符合某个实例当前业务需求的资源配置方案，因此，可以在接收到确定资源配置方案的请求时，获取实例的运行状态数据，进而向用户推荐符合实例当前业务流量资源需求的最优资源配置方案。

又或者周期性或指定时间点对实例的资源配置方案进行更新，因此，可以在到达预设时间点时，获取实例的运行状态数据。

实际应用中，可以根据实际业务需求，对预设条件进行更改，本说明书不一一列举。

在本说明书一个或多个实施例中，可以在确定资源配置方案需要更新后，根据实例此刻的资源利用率以及资源配置方案进程候选资源配置方案的选择，如图4所示，为本说明书示出的一种确定资源配置方案的方法的框架及过程示意图，在确定需要进行资源配置更新后，可以获取实例此刻的运行状态数据、资源利用率以及资源配置方案，根据资源利用率确定需要对资源配置方案进行升级还是降级，资源利用率极高，说明此刻的资源配置方案将要或者已经不满足此刻的资源需求，需要对此刻的资源配置方案进行升级，资源利用率极低，说明此刻的资源配置方案的相对于此刻的资源需求来说，资源过剩，造成资源的浪费，需要对此刻的资源配置方案进行降级。

在确定根据实例此刻的资源利用率确定需要对此刻的资源配置方案进行升级后，根据此刻的资源配置方案，选取出优于此刻资源配置方案的候选资源配置方案。在根据实例此刻的资源利用率确定需要对此刻的资源配置方案进行降级后，根据此刻的资源配置方案，选取出劣于此刻资源配置方案的候选资源配置方案。

选取出候选资源配置方案后，将实例此刻的运行状态数据输入至各候选资源配置方案对应的资源利用率预测模型中，得到该运行状态数据在各候选资源配置方案的预测资源利用率。然后根据设定的选取规则，选取出运行状态数据所需的最优的资源配置方案，并以实际需求为依据，或将该最优资源配置方案推荐给用户，或直接更改实例的资源配置方案。

在本说明书一个或多个实施例中，可以自动对实例的资源配置方案进行自动更新，实时监测实例的流量(或资源利用率)，当检测到实例需要更改资源配置方案时(流量存在异常，如大量增加或大幅减少；资源利用率过高或过低)，根据实例的资源利用率确定实例当前的资源配置方案需要升级还是降级，然后根据实例当前的资源配置方案，选取出候选资源配置方案(如果需要升级，选择的候选资源配置方案优于当前资源配置方案；如果需要降级，选择候选资源配置方案劣与当前资源配置方案)，将实例当前的运行状态数据输入至各个候选资源配置方案对于的模型中，根据各个模型输出的预测资源利用率，选取出实例当前运行状态数据对应的最优资源配置方案，然后将实例的资源配置方案更改为该最优资源配置方案。

此外，本说明书还提供了上述方法对应的装置、设备以及存储介质。下面对这些装置、设备以及存储介质进行详细说明：

如图5所示，本说明书提供了一种资源利用率预测模型的构建装置，可以包括：

样本集合获取模块501，用于针对所述给定的资源配置方案，获取运行数据样本集合，所述运行数据样本集合中的任一样本包括：目标实例在使用所述配置方案时的运行状态数据，以及对应的资源利用率；

训练样本构建模块502，用于针对任一运行数据样本，以运行状态数据作为特征值、以资源利用率作为标签，构建训练样本；

预测模型训练模块503，利用构建的到训练样本集合，训练得到预测模型；所述模型用于：针对所述给定的资源配置方案，预测任一运行状态数据所对应的资源利用率。

其中，所述资源利用率用于单独或综合表征所述目标实例的以下至少一种信息：

CPU占用率、内存占用率、磁盘占用率。

所述任一样本的运行状态数据包括以下一种或多种：

每秒查询率QPS、每秒处理事物个数TPS、逻辑读次数、物理读次数、已建立连接数、活跃连接数。

上述的预测模型训练模块503还可用于利用构建得到训练样本集合，训练得到多种算法对应的预测模型；测试各预测模型的预测能力；根据测试结果，将预测能力最优的模型作为实际用于资源利用率预测的模型；对应的，所述任一预测模型用于：针对所述给定的资源配置方案，预测任一运行状态数据所对应的资源利用率。

如图6所示，本说明书提供了一种资源利用率装置，所述装置用于预测给定实例的运行状态数据在目标资源配置方案下的资源利用率，可以包括：

运行状态数据获取模块601，用于获取实例的运行状态数据；

输入模块602，用于将所述运行状态数据输入至所述目标资源配置方案对应的模型中；所述模型利用如上述任一所述的模型构建装置构建得到；

预测结果获取模块603，用于根据所述模型的输出，预测所述运行状态数据在所述目标资源配置方案下的资源利用率。

如图7所示，本说明书还提供了一种资源配置方案确定装置，所述装置用于在给定的候选资源配置方案中，确定出最优资源配置方案，可以包括：

运行状态数据获取模块701，用于获取实例的运行状态数据；

输入模块702，用于针对所述给定的至少两个候选资源配置方案，将所述运行状态数据分别输入至各候选资源配置方案对应的模型中；所述模型利用如上述任一所述的模型构建装置构建得到；

预测结果获取模块703，用于根据各模型的输出，预测所述运行状态数据在所述各候选资源配置方案下的资源利用率；

资源配置方案确定模块704，用于根据选择规则，以及资源利用率预测结果，在所述给定的至少两个候选资源配置方案中，确定出适用于所述运行状态数据的最优资源配置方案。

其中，上述的运行状态数据获取模块701还可用于在预设条件下，获取实例的运行状态数据。

所述预设条件可以是：

检测到实例的流量存在异常；或

接收到确定所述实例的最优资源配置方案的请求；或

在预设周期对应的时间点。

上述的任一装置与上述的方法相对应，装置的相关实施例可参见方式实施例的描述，本说明在此不进行详细的赘述。

本说明还提供了一种电子设备，包括：

处理器；

用于存储处理器可执行指令的存储器；

其中，所述处理器通过运行所述可执行指令以实现上述任一所述的方法。

图8是一示例性实施例提供的一种电子设备的示意结构图。请参考图8，在硬件层面，该设备包括处理器802、内部总线804、网络接口806、内存808以及非易失性存储器810，当然还可能包括其他业务所需要的硬件。本说明书一个或多个实施例可以基于软件方式来实现，比如由处理器802从非易失性存储器810中读取对应的计算机程序到内存808中然后运行。当然，除了软件实现方式之外，本说明书一个或多个实施例并不排除其他实现方式，比如逻辑器件抑或软硬件结合的方式等等，也就是说以下处理流程的执行主体并不限定于各个逻辑单元，也可以是硬件或逻辑器件。

其中，如上述图5-7的装置，可以应用于如图8所示的设备中，以实现如上述的技术方案。

上述实施例阐明的装置、模块或单元，具体可以由计算机芯片或实体实现，或者由具有某种功能的产品来实现。一种典型的实现设备为计算机，计算机的具体形式可以是个人计算机、膝上型计算机、蜂窝电话、相机电话、智能电话、个人数字助理、媒体播放器、导航设备、电子邮件收发设备、游戏控制台、平板计算机、可穿戴设备或者这些设备中的任意几种设备的组合。

在一个典型的配置中，计算机包括一个或多个处理器(CPU)、输入/输出接口、网络接口和内存。

内存可能包括计算机可读介质中的非永久性存储器，随机存取存储器(RAM)和/或非易失性内存等形式，如只读存储器(ROM)或闪存(flash RAM)。内存是计算机可读介质的示例。

本说明书还提供了一种计算机可读存储介质，其上存储有计算机指令，该指令被处理器执行时实现如上述任一所述方法的步骤。

计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括，但不限于相变内存(PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、其他类型的随机存取存储器(RAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、快闪记忆体或其他内存技术、只读光盘只读存储器(CD-ROM)、数字多功能光盘(DVD)或其他光学存储、磁盒式磁带、磁盘存储、量子存储器、基于石墨烯的存储介质或其他磁性存储设备或任何其他非传输介质，可用于存储可以被计算设备访问的信息。按照本文中的界定，计算机可读介质不包括暂存电脑可读媒体(transitory media)，如调制的数据信号和载波。

还需要说明的是，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、商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、商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、商品或者设备中还存在另外的相同要素。

上述对本说明书特定实施例进行了描述。其它实施例在所附权利要求书的范围内。在一些情况下，在权利要求书中记载的动作或步骤可以按照不同于实施例中的顺序来执行并且仍然可以实现期望的结果。另外，在附图中描绘的过程不一定要求示出的特定顺序或者连续顺序才能实现期望的结果。在某些实施方式中，多任务处理和并行处理也是可以的或者可能是有利的。

在本说明书一个或多个实施例使用的术语是仅仅出于描述特定实施例的目的，而非旨在限制本说明书一个或多个实施例。在本说明书一个或多个实施例和所附权利要求书中所使用的单数形式的“一种”、“所述”和“该”也旨在包括多数形式，除非上下文清楚地表示其他含义。还应当理解，本文中使用的术语“和/或”是指并包含一个或多个相关联的列出项目的任何或所有可能组合。

应当理解，尽管在本说明书一个或多个实施例可能采用术语第一、第二、第三等来描述各种信息，但这些信息不应限于这些术语。这些术语仅用来将同一类型的信息彼此区分开。例如，在不脱离本说明书一个或多个实施例范围的情况下，第一信息也可以被称为第二信息，类似地，第二信息也可以被称为第一信息。取决于语境，如在此所使用的词语“如果”可以被解释成为“在……时”或“当……时”或“响应于确定”。

以上所述仅为本说明书一个或多个实施例的较佳实施例而已，并不用以限制本说明书一个或多个实施例，凡在本说明书一个或多个实施例的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本说明书一个或多个实施例保护的范围之内。

Claims (13)

1.一种资源利用率预测模型的构建方法，包括：

针对给定的资源配置方案，获取运行数据样本集合，所述运行数据样本集合中的任一样本包括：目标实例在使用所述配置方案时的运行状态数据，以及对应的资源利用率；

针对任一运行数据样本，以运行状态数据作为特征值、以资源利用率作为标签，构建训练样本；

利用构建的训练样本集合，训练得到预测模型；所述模型用于：针对所述给定的资源配置方案，预测任一运行状态数据所对应的资源利用率。

2.如权利要求1所述的方法，所述资源利用率用于单独或综合表征所述目标实例的以下至少一种信息：

CPU占用率、内存占用率、磁盘占用率。

3.如权利要求1所述的方法，所述任一样本的运行状态数据包括以下一种或多种：

每秒查询率QPS、每秒处理事物个数TPS、逻辑读次数、物理读次数、已建立连接数、活跃连接数。

4.如权利要求1所述的方法，所述利用构建得到训练样本集合，训练得到预测模型，包括：

利用构建得到训练样本集合，训练得到多种算法对应的预测模型；

测试各预测模型的预测能力；

根据测试结果，将预测能力最优的模型作为实际用于资源利用率预测的模型；

所述任一预测模型用于：针对所述给定的资源配置方案，预测任一运行状态数据所对应的资源利用率。

5.一种资源利用率的预测方法，用于预测给定的实例运行状态数据在目标资源配置方案下的资源利用率，包括：

获取实例的运行状态数据；

将所述运行状态数据输入至目标资源配置方案对应的模型中；所述模型利用如权利要求1-4任一项所述的方法构建得到；

根据所述模型的输出，预测所述运行状态数据在所述目标资源配置方案下的资源利用率。

6.一种资源配置方案确定方法，用于在给定的候选资源配置方案中，确定出最优资源配置方案，包括：

获取实例的运行状态数据；

针对所述给定的至少两个候选资源配置方案，将所述运行状态数据分别输入至各候选资源配置方案对应的模型中；所述模型利用如权利要求1-4任一项所述的方法构建得到；

根据各模型的输出，预测所述运行状态数据在所述各候选资源配置方案下的资源利用率；

根据选择规则，以及资源利用率预测结果，在所述给定的至少两个候选资源配置方案中，确定出适用于所述运行状态数据的最优资源配置方案。

7.如权利要求6所述的方法，获取实例的运行状态数据，包括：

在预设条件下，获取实例的运行状态数据。

8.如权利要求7所述的方法，所述预设条件为：

检测到实例的流量存在异常；或

接收到确定所述实例的最优资源配置方案的请求；或

在预设周期对应的时间点。

9.一种资源利用率预测模型的构建装置，包括：

数据样本获取模块，用于针对给定的资源配置方案，获取运行数据样本集合，所述运行数据样本集合中的任一样本包括：目标实例在使用所述配置方案时的运行状态数据，以及对应的资源利用率；

训练样本构建模块，用于针对任一运行数据样本，以运行状态数据作为特征值、以资源利用率作为标签，构建训练样本；

预测模型训练模块，利用构建的训练样本集合，训练得到预测模型；所述模型用于：针对所述给定的资源配置方案，预测任一运行状态数据所对应的资源利用率。

10.一种资源利用率的预测装置，用于预测给定的实例运行状态数据在目标资源配置方案下的资源利用率，包括：

运行状态数据获取模块，用于获取实例的运行状态数据；

输入模块，用于将所述运行状态数据输入至所述目标资源配置方案对应的模型中；所述模型利用如权利要求9所述的模型构建装置构建得到；

预测结果获取模块，用于根据所述模型的输出，预测所述运行状态数据在所述目标资源配置方案下的资源利用率。

11.一种资源配置方案确定装置，用于在给定的候选资源配置方案中，确定出最优资源配置方案，包括：

运行状态数据获取模块，用于获取实例的运行状态数据；

输入模块，用于针对所述给定的至少两个候选资源配置方案，将所述运行状态数据分别输入至各候选资源配置方案对应的模型中；所述模型利用如权利要求9所述的模型构建装置构建得到；

预测结果获取模块，用于根据各模型的输出，预测所述运行状态数据在所述各候选资源配置方案下的资源利用率；

资源配置方案确定模块，用于根据选择规则，以及资源利用率预测结果，在所述给定的至少两个候选资源配置方案中，确定出适用于所述运行状态数据的最优资源配置方案。

12.一种电子设备，包括：

处理器；

用于存储处理器可执行指令的存储器；

其中，所述处理器通过运行所述可执行指令以实现如权利要求1-8中任一项所述的方法。

13.一种计算机可读存储介质，其上存储有计算机指令，该指令被处理器执行时实现如权利要求1-8中任一项所述方法的步骤。

Images