CN113377495A - 基于启发式蚁群算法的docker集群部署优化方法 - Google Patents
基于启发式蚁群算法的docker集群部署优化方法 Download PDFInfo
- Publication number
- CN113377495A CN113377495A CN202110536689.XA CN202110536689A CN113377495A CN 113377495 A CN113377495 A CN 113377495A CN 202110536689 A CN202110536689 A CN 202110536689A CN 113377495 A CN113377495 A CN 113377495A
- Authority
- CN
- China
- Prior art keywords
- value
- user
- resource
- node
- time
- 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.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 29
- 238000012216 screening Methods 0.000 claims abstract description 12
- 238000004458 analytical method Methods 0.000 claims abstract description 6
- 238000005457 optimization Methods 0.000 claims description 13
- 238000012163 sequencing technique Methods 0.000 claims description 11
- 238000004364 calculation method Methods 0.000 claims description 8
- 238000011156 evaluation Methods 0.000 claims description 7
- 238000001914 filtration Methods 0.000 claims description 7
- 238000012790 confirmation Methods 0.000 claims description 3
- 238000002372 labelling Methods 0.000 claims description 3
- 238000012545 processing Methods 0.000 claims description 3
- 230000004044 response Effects 0.000 abstract description 4
- 239000003016 pheromone Substances 0.000 description 2
- 101000878595 Arabidopsis thaliana Squalene synthase 1 Proteins 0.000 description 1
- 101000713575 Homo sapiens Tubulin beta-3 chain Proteins 0.000 description 1
- 101000713585 Homo sapiens Tubulin beta-4A chain Proteins 0.000 description 1
- 102100036790 Tubulin beta-3 chain Human genes 0.000 description 1
- 102100036788 Tubulin beta-4A chain Human genes 0.000 description 1
- 238000007792 addition Methods 0.000 description 1
- 230000003321 amplification Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000013467 fragmentation Methods 0.000 description 1
- 238000006062 fragmentation reaction Methods 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000003199 nucleic acid amplification method Methods 0.000 description 1
- 238000013468 resource allocation Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
- 239000002699 waste material Substances 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
- G06F9/44—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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/004—Artificial life, i.e. computing arrangements simulating life
- G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
Abstract
本发明公开了一种基于启发式蚁群算法的docker集群部署优化方法,本发明采取启发式蚁群算法对docker集群调度进行改进,使得docker集群中各个节点的资源利用更加均衡,更快的服务响应速度;通过本发明能够实现docker集群各节点主机任务相对均衡分布,提升节点的资源均衡度和资源利用率;而且通过相关的资源节点对应到部署节点的筛选,能够选择出更加适合实用的部署节点;同时借助对用户权限的补偿分析,合理根据用户的实际情况进行优先级确定;本发明简单有效,且易于实用。
Description
技术领域
本发明属于集群部署优化领域,具体是基于启发式蚁群算法的docker集群部署优化方法。
背景技术
在云计算运维领域,docker是一种典型的容器技术,针对docker集群的编排,目前主要是使用其自带的集群编排工具Swarm,进行docker容器的初始化部署与调度。
主要缺陷在于:
(1)使用Swarm调度资源时,存在负载不均,集群整体性能差的问题,无法完美实现负载均衡;
(2)该调度工具只考虑到了整个容器的资源分配,并未对不同的资源类型做更为详细的权值计算,并不能保证所利用即为所分配;
(3)该调度工具没有考虑到节点资源碎片的问题,造成资源的浪费。
为了解决这一技术缺陷,现提供一种解决方案。
发明内容
本发明的目的在于提供基于启发式蚁群算法的docker集群部署优化方法。
本发明的目的可以通过以下技术方案实现:
基于启发式蚁群算法的docker集群部署优化方法,该方法具体包括如下步骤:
步骤(1):进行容器排序,得到排序后的容器集为C{c1,c2,…,cn};
步骤(2):进行节点资源负载评估;具体评估步骤为:
S01:获取到所有的资源节点,及其对应的实时负载;
S02:任选一资源节点;
S03:从初始时刻,每间隔T1时间获取其一次实时负载占比,实时负载占比即为此时的负载占总容量的比例,得到负载数据组,将负载数据组标记为Fj,j=1、...、m;T1为预设数值;
S04:对m值进行判定,当m大于X1时,X1为预设数值;
S05:获取到最新的实时负载占比Fm,以其为基点,往前连续获取在其前的14个数据;
S06:将取得的数据标记为目标分析组Bj,j=1、...、15;计算其均值,将其标记为P;
S07:利用公式计算稳值W,具体计算公式为:
式中,|*|表示为取括号内值的绝对值;
S08:当P低于X2,且满足W小于X3产生满足信号;X2、X3均为管理人员预设的数值;
S09:经过T2时间后,再次取15个数据,重复步骤S06-S08的处理,当再次产生满足信号时,将对应的资源节点作为部署节点;
S010:任选下一资源节点,重复步骤S03-S010,对所有的资源节点进行筛选,得到所有的部署节点;资源负载状态为正常的资源节点的部署节点集为S{s1,s2,…,sa};
步骤(3)资源需求过滤;由于每个容器对资源的需求是不同的,需要针对每个容器选择其满足需求的候选部署资源节点集;
对S{s1,s2,…,sa}中的资源节点进行资源余量过滤,为每个需要部署的容器筛选出合适的资源节点集S{s1,s2,…,sm},具体筛选时按照所需资源量从大到小的顺序进行开始筛选。
进一步地,步骤(1)进行容器排序的具体方法为:
对于用户发服务请求,需要部署的容器;按照其SLA等级进行排序;同时进行排序补偿操作,具体排序补偿操作步骤为:
步骤一:首先获取到所有的用户,之后调取用户对应的近期使用习惯数据;使用习惯数据包括段内使用次数、存续时间、断续时间和用户等级;
步骤二:对用户等级进行赋值操作,得到用户权限值;
步骤三:将使用次数、存续时间、断续时间均去除对应的量纲,之后借助纯数值进行用户优先值计算,具体用户优先值的计算公式为:
用户优先值=0.16*使用次数+0.21*存续时间+0.15*断续时间+0.48*用户权限值;
式中,0.16、0.21、0.15和0.48均为预设的权值;
步骤四:根据新的用户优先值从大到小的顺序对集群中需要部署的容器进行排序;
步骤五:排序后的容器集为C{c1,c2,...,cn};
进一步地,步骤一中的段内使用次数为对应的在近一个月以来用户使用对应云服务的次数;存续时间即为用户与云服务提供商每一次加起来总共签订租户权益的协议的总时长;断续时间即为用户最后一次使用对应云服务距离当下的间隔时间;用户等级即为对应的SLA等级。
进一步地,步骤二中的赋值操作具体步骤为:
S1:根据用户与云服务提供商签订的保证租户权益的大小进行从小到大排序;
S2:对排序中的所有用户进行从一开始的,依次编号,在遇到租户权益相同的用户时赋予同一个编号,之后依次序持续进行;
S3:得到所有的用户等级对应的编号,将该编号标记为用户级值;
S4:根据用户级值确定对应的用户权限值,具体确认公式为:
用户权限值=用户级值*设定倍值;
式中,设定倍值为管理人员预设的数值。
进一步地,在进行完步骤(3)的操作后,还需进行下述步骤:
选择最佳的部署节点;对每一个需要部署的应用容器,运用启发式蚁群算法选择最佳的资源节点。
进一步地,步骤S03中的T1的具体取值为两秒。
进一步地,步骤S04中的X1具体取值为30。
进一步地,步骤S08中的X2具体取值为0.55。
本发明的有益效果:
本发明采取启发式蚁群算法对docker集群调度进行改进,使得docker集群中各个节点的资源利用更加均衡,更快的服务响应速度;通过本发明能够实现docker集群各节点主机任务相对均衡分布,提升节点的资源均衡度和资源利用率;
而且通过相关的资源节点对应到部署节点的筛选,能够选择出更加适合实用的部署节点;同时借助对用户权限的补偿分析,合理根据用户的实际情况进行优先级确定;本发明简单有效,且易于实用。
具体实施方式
基于启发式蚁群算法的docker集群部署优化方法,
采取启发式蚁群算法对docker集群调度进行改进,使得docker集群中各个节点的资源利用更加均衡,更快的服务响应速度;调度的作用就是把容器调度在某一个资源节点上,调度的过程包括根据用户等级(SLA)进行容器排序、资源节点的负载评估、资源节点的过滤和选择最佳部署节点四个步骤。在用户申请部署应用时,首先需要上传Docker标准化的文件和程序到镜像仓库,然后根据应用的资源需求,运用启发式蚁群算法选出部署节点。该节点从镜像仓库拉取镜像并启动docker。用户可以在容器部署成功之后,根据返回的服务工作地址加端口号的形式访问应用。集群和节点的监控组件会不断的收集应用、资源节点的性能信息,并储存在数据库中,以备动态调度使用。
本发明的具体实施方法如下:
步骤(1):进行容器排序;服务等级协议SLA是一个用户与云服务提供商签订的保证租户权益的协议;而集群中需要部署的容器是由不同用户提交的服务请求,所以需要部署的容器按照其SLA等级进行排序,降低SLA的违背率;同时进行排序补偿操作,具体排序补偿操作步骤为:
步骤一:首先获取到所有的用户,之后调取用户对应的近期使用习惯数据;使用习惯数据包括段内使用次数、存续时间、断续时间和用户等级;
其中段内使用次数为对应的在近一个月以来用户使用对应云服务的次数;存续时间即为用户与云服务提供商每一次加起来总共签订租户权益的协议的总时长;断续时间即为用户最后一次使用对应云服务距离当下的间隔时间;用户等级即为对应的SLA等级;
步骤二:对用户等级进行赋值操作,得到用户权限值;具体赋值操作步骤为:
S1:根据用户与云服务提供商签订的保证租户权益的大小进行从小到大排序;
S2:对排序中的所有用户进行从一开始的,依次编号,在遇到租户权益相同的用户时赋予同一个编号,之后依次序持续进行;
S3:得到所有的用户等级对应的编号,将该编号标记为用户级值;
S4:根据用户级值确定对应的用户权限值,具体确认公式为:
用户权限值=用户级值*设定倍值;
式中,设定倍值为管理人员预设的数值,借助该数值放大用户对应等级的权限,因为用户级值差距过小,借助该数值不能够完整的表示用户SLA等级对最终的用户优先级起到核心影响,故此处进行相应的数据放大;
步骤三:将使用次数、存续时间、断续时间均去除对应的量纲,之后借助纯数值进行用户优先值计算,具体用户优先值的计算公式为:
用户优先值=0.16*使用次数+0.21*存续时间+0.15*断续时间+0.48*用户权限值;
式中,0.16、0.21、0.15和0.48均为预设的权值,因为不同的因素对最终结果影响不同,故引入权值,上述数值通过多次验证后确定;
步骤四:根据新的用户优先值从大到小的顺序对集群中需要部署的容器进行排序;
步骤五:排序后的容器集为C{c1,c2,...,cn};
步骤(2):进行节点资源负载评估;每个资源节点的负载情况是不同的,在部署容器时,应尽可能的避免处于超载或低载状态的资源节点作为部署节点,以避免超载状态节点出现资源匮乏而影响应用的性能和低载状态节点的关闭等原因引起容器的迁移,进而影响应用的性能;具体评估步骤为:
S01:获取到所有的资源节点,及其对应的实时负载;
S02:任选一资源节点;
S03:从初始时刻,每间隔T1时间获取其一次实时负载占比,实时负载占比即为此时的负载占总容量的比例,得到负载数据组,将负载数据组标记为Fj,j=1、...、m;T1为预设数值,具体取值可为两秒;
S04:对m值进行判定,当m大于X1时,X1为预设数值,具体可取值为30;
S05:获取到最新的实时负载占比Fm,以其为基点,往前连续获取在其前的14个数据;
S06:将取得的数据标记为目标分析组Bj,j=1、...、15;计算其均值,将其标记为P;
S07:利用公式计算稳值W,具体计算公式为:
式中,|*|表示为取括号内值的绝对值;
S08:当P低于X2,且满足W小于X3产生满足信号;X2、X3均为管理人员预设的数值,X2具体取值可为0.55,或者其他;
S09:经过T2时间后,再次取15个数据,重复步骤S06-S08的处理,当再次产生满足信号时,将对应的资源节点作为部署节点;
S010:任选下一资源节点,重复步骤S03-S010,对所有的资源节点进行筛选,得到所有的部署节点;资源负载状态为正常的资源节点的部署节点集为S{s1,s2,…,sa};
步骤(3)资源需求过滤;由于每个容器对资源的需求是不同的,需要针对每个容器选择其满足需求的候选部署资源节点集;
对S{s1,s2,…,sa}中的资源节点进行资源余量过滤,为每个需要部署的容器筛选出合适的资源节点集S{s1,s2,…,sm},具体筛选时按照所需资源量从大到小的顺序进行开始筛选;
(4)选择最佳的部署节点;对每一个需要部署的应用容器,运用启发式蚁群算法选择最佳的资源节点;具体方法为:
SS1:在启发式蚁群算法中,某个节点的每个资源的计算公式为:
SS2:为了初始化每个节点的信息素轨迹,在循环贪婪算法中使用R(j),其简单地将每个任务放在循环模式的一个节点上,τ0,j=R(j)为每个节点的起始信息素:;
式中,ρj为节点j的启发式值;
SS3:计算每个节点的概率P(t,j),选择下一个节点j;
其中,j∈P(k),q0为探索率;
SS4:最佳的规划P(w)采用式(4)从所有任务中选出最频繁规划;
SS5:如果将集群中的资源抽象成以节点为单位的集群,那么,整个应用容器初始化部署的过程就类似于装箱的过程;应用容器的部署问题描述为:
xij∈{0,1},i=1,2,3,…,n,j=1,2,3,…,m (5)
公式(5)约束xij的取值范围,xij等于0表示应用容器Ci不在节点sj上,xij等于1表示应用容器Ci在节点sj上。
公式(6)表示一个应用容器只能部署在一个节点上。
Max{corr(ci,sj)} (7)
公式(7)表示每个应用容器初始化部署的资源节点的目标。
本发明采取启发式蚁群算法对docker集群调度进行改进,使得docker集群中各个节点的资源利用更加均衡,更快的服务响应速度;通过本发明能够实现docker集群各节点主机任务相对均衡分布,提升节点的资源均衡度和资源利用率;
而且通过相关的资源节点对应到部署节点的筛选,能够选择出更加适合实用的部署节点;同时借助对用户权限的补偿分析,合理根据用户的实际情况进行优先级确定;实现集群各节点主机任务相对均衡分布,同时提高集群的整体性能,提升云资源利用率,为企业降本增效。本发明简单有效,且易于实用。
以上内容仅仅是对本发明结构所作的举例和说明,所属本技术领域的技术人员对所描述的具体实施例做各种各样的修改或补充或采用类似的方式替代,只要不偏离发明的结构或者超越本权利要求书所定义的范围,均应属于本发明的保护范围。
Claims (8)
1.基于启发式蚁群算法的docker集群部署优化方法,其特征在于,该方法具体包括如下步骤:
步骤(1):进行容器排序,得到排序后的容器集为C{c1、c2、L cn};
步骤(2):进行节点资源负载评估;具体评估步骤为:
步骤S01:获取到所有的资源节点,及其对应的实时负载;
步骤S02:任选一资源节点;
步骤S03:从初始时刻,每间隔T1时间获取其一次实时负载占比,实时负载占比即为此时的负载占总容量的比例,得到负载数据组,将负载数据组标记为Fj,j=1、...、m;T1为预设数值;
步骤S04:对m值进行判定,当m大于X1时,X1为预设数值;
步骤S05:获取到最新的实时负载占比Fm,以其为基点,往前连续获取在其前的14个数据;
步骤S06:将取得的数据标记为目标分析组Bj,j=1、...、15;计算其均值,将其标记为P;
步骤S07:利用公式计算稳值W,具体计算公式为:
式中,|*|表示为取括号内值的绝对值;
步骤S08:当P低于X2,且满足W小于X3产生满足信号;X2、X3均为管理人员预设的数值;
步骤S09:经过T2时间后,再次取15个数据,重复步骤S06-S08的处理,当再次产生满足信号时,将对应的资源节点作为部署节点;
步骤S010:任选下一资源节点,重复步骤S03-S010,对所有的资源节点进行筛选,得到所有的部署节点;资源负载状态为正常的资源节点的部署节点集为S{s1、s2、L sa};
步骤(3)资源需求过滤;由于每个容器对资源的需求是不同的,需要针对每个容器选择其满足需求的候选部署资源节点集;
对S{s1、s2、L sa}中的资源节点进行资源余量过滤,为每个需要部署的容器筛选出合适的资源节点集S{s1、s2、L sm},具体筛选时按照所需资源量从大到小的顺序进行开始筛选。
2.根据权利要求1所述的基于启发式蚁群算法的docker集群部署优化方法,其特征在于,
步骤(1)进行容器排序的具体方法为:
对于用户发服务请求,需要部署的容器;按照其SLA等级进行排序;同时进行排序补偿操作,具体排序补偿操作步骤为:
步骤一:首先获取到所有的用户,之后调取用户对应的近期使用习惯数据;使用习惯数据包括段内使用次数、存续时间、断续时间和用户等级;
步骤二:对用户等级进行赋值操作,得到用户权限值;
步骤三:将使用次数、存续时间、断续时间均去除对应的量纲,之后借助纯数值进行用户优先值计算,具体用户优先值的计算公式为:
用户优先值=0.16*使用次数+0.21*存续时间+0.15*断续时间+0.48*用户权限值;
式中,0.16、0.21、0.15和0.48均为预设的权值;
步骤四:根据新的用户优先值从大到小的顺序对集群中需要部署的容器进行排序;
步骤五:排序后的容器集为C{c1、c2、L cn}。
3.根据权利要求2所述的基于启发式蚁群算法的docker集群部署优化方法,其特征在于,步骤一中的段内使用次数为对应的在近一个月以来用户使用对应云服务的次数;存续时间即为用户与云服务提供商每一次加起来总共签订租户权益的协议的总时长;断续时间即为用户最后一次使用对应云服务距离当下的间隔时间;用户等级即为对应的SLA等级。
4.根据权利要求2所述的基于启发式蚁群算法的docker集群部署优化方法,其特征在于,
步骤二中的赋值操作具体步骤为:
S1:根据用户与云服务提供商签订的保证租户权益的大小进行从小到大排序;
S2:对排序中的所有用户进行从一开始的,依次编号,在遇到租户权益相同的用户时赋予同一个编号,之后依次序持续进行;
S3:得到所有的用户等级对应的编号,将该编号标记为用户级值;
S4:根据用户级值确定对应的用户权限值,具体确认公式为:
用户权限值=用户级值*设定倍值;
式中,设定倍值为管理人员预设的数值。
5.根据权利要求1所述的基于启发式蚁群算法的docker集群部署优化方法,其特征在于,在进行完步骤(3)的操作后,还需进行下述步骤:
选择最佳的部署节点;对每一个需要部署的应用容器,运用启发式蚁群算法选择最佳的资源节点。
6.根据权利要求1所述的基于启发式蚁群算法的docker集群部署优化方法,其特征在于,步骤S03中的T1的具体取值为两秒。
7.根据权利要求1所述的基于启发式蚁群算法的docker集群部署优化方法,其特征在于,步骤S04中的X1具体取值为30。
8.根据权利要求1所述的基于启发式蚁群算法的docker集群部署优化方法,其特征在于,步骤S08中的X2具体取值为0.55。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110536689.XA CN113377495B (zh) | 2021-05-17 | 2021-05-17 | 基于启发式蚁群算法的docker集群部署优化方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110536689.XA CN113377495B (zh) | 2021-05-17 | 2021-05-17 | 基于启发式蚁群算法的docker集群部署优化方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113377495A true CN113377495A (zh) | 2021-09-10 |
CN113377495B CN113377495B (zh) | 2024-02-27 |
Family
ID=77571196
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110536689.XA Active CN113377495B (zh) | 2021-05-17 | 2021-05-17 | 基于启发式蚁群算法的docker集群部署优化方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113377495B (zh) |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2019135703A1 (en) * | 2018-01-08 | 2019-07-11 | Telefonaktiebolaget Lm Ericsson (Publ) | Process placement in a cloud environment based on automatically optimized placement policies and process execution profiles |
CN110413389A (zh) * | 2019-07-24 | 2019-11-05 | 浙江工业大学 | 一种资源不均衡Spark环境下的任务调度优化方法 |
CN110489200A (zh) * | 2018-05-14 | 2019-11-22 | 中国科学院声学研究所 | 一种适用于嵌入式容器集群的任务调度方法 |
CN112506643A (zh) * | 2020-10-12 | 2021-03-16 | 苏州浪潮智能科技有限公司 | 一种分布式系统的负载均衡方法、装置及电子设备 |
CN112559135A (zh) * | 2020-12-24 | 2021-03-26 | 重庆邮电大学 | 一种基于QoS的容器云资源的调度方法 |
-
2021
- 2021-05-17 CN CN202110536689.XA patent/CN113377495B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2019135703A1 (en) * | 2018-01-08 | 2019-07-11 | Telefonaktiebolaget Lm Ericsson (Publ) | Process placement in a cloud environment based on automatically optimized placement policies and process execution profiles |
CN110489200A (zh) * | 2018-05-14 | 2019-11-22 | 中国科学院声学研究所 | 一种适用于嵌入式容器集群的任务调度方法 |
CN110413389A (zh) * | 2019-07-24 | 2019-11-05 | 浙江工业大学 | 一种资源不均衡Spark环境下的任务调度优化方法 |
CN112506643A (zh) * | 2020-10-12 | 2021-03-16 | 苏州浪潮智能科技有限公司 | 一种分布式系统的负载均衡方法、装置及电子设备 |
CN112559135A (zh) * | 2020-12-24 | 2021-03-26 | 重庆邮电大学 | 一种基于QoS的容器云资源的调度方法 |
Non-Patent Citations (1)
Title |
---|
方良英: "云平台的资源优化管理研究与实现", 中国优秀硕士学位论文全文数据库 信息科技辑, pages 139 - 171 * |
Also Published As
Publication number | Publication date |
---|---|
CN113377495B (zh) | 2024-02-27 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109167835B (zh) | 一种基于kubernetes的物理资源调度方法及系统 | |
WO2020258920A1 (zh) | 一种网络切片资源管理方法及设备 | |
WO2018095066A1 (zh) | 任务分组方法、装置、电子设备及计算机存储介质 | |
WO2020024442A1 (zh) | 资源分配方法、装置、计算机设备及计算机可读存储介质 | |
JP4386410B2 (ja) | コンピュータ・システム・リソースを動的に割り当てる方法およびシステム | |
WO2019037367A1 (zh) | 配送任务处理方法、装置及电子设备 | |
CN111381950A (zh) | 一种面向边缘计算环境基于多副本的任务调度方法和系统 | |
CN110753009B (zh) | 基于多QoS分组的虚拟机和网络带宽联合分配方法 | |
CN110519090B (zh) | 一种fpga云平台的加速卡分配方法、系统及相关组件 | |
CN111752678A (zh) | 面向边缘计算中分布式协同学习的低功耗容器放置方法 | |
Keat et al. | Scheduling framework for bandwidth-aware job grouping-based scheduling in grid computing | |
WO2021056909A1 (zh) | 一种基于资源管理平台的任务分配方法及系统 | |
Delavar et al. | A synthetic heuristic algorithm for independent task scheduling in cloud systems | |
CN115134371A (zh) | 包含边缘网络算力资源的调度方法、系统、设备及介质 | |
CN106569892A (zh) | 资源调度方法与设备 | |
CN110084507B (zh) | 云计算环境下分级感知的科学工作流调度优化方法 | |
Mylavarapu et al. | An optimized capacity planning approach for virtual infrastructure exhibiting stochastic workload | |
Keerthika et al. | A hybrid scheduling algorithm with load balancing for computational grid | |
CN114666335A (zh) | 一种基于dds的分布式系统负载均衡装置 | |
CN111314234B (zh) | 一种流量分配的方法、装置、存储介质及电子设备 | |
CN112882805A (zh) | 一种任务资源约束的利润优化调度方法 | |
CN109189548B (zh) | 资源调度方法、装置、计算机设备及计算机可读存储介质 | |
CN113377495A (zh) | 基于启发式蚁群算法的docker集群部署优化方法 | |
CN108234617A (zh) | 一种面向电力系统混合云模式下的资源动态调度方法 | |
CN110750350A (zh) | 一种大资源调度方法、系统、装置及可读存储介质 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |