CN113434294A - 一种数据处理方法、计算机设备以及可读存储介质 - Google Patents
一种数据处理方法、计算机设备以及可读存储介质 Download PDFInfo
- Publication number
- CN113434294A CN113434294A CN202110730511.9A CN202110730511A CN113434294A CN 113434294 A CN113434294 A CN 113434294A CN 202110730511 A CN202110730511 A CN 202110730511A CN 113434294 A CN113434294 A CN 113434294A
- Authority
- CN
- China
- Prior art keywords
- information
- resource
- service user
- computing
- calculation
- 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
- 238000003672 processing method Methods 0.000 title claims abstract description 16
- 230000000694 effects Effects 0.000 claims abstract description 343
- 230000008859 change Effects 0.000 claims abstract description 40
- 238000004364 calculation method Methods 0.000 claims description 302
- 238000012545 processing Methods 0.000 claims description 134
- 238000007667 floating Methods 0.000 claims description 130
- 238000000034 method Methods 0.000 claims description 64
- 230000006399 behavior Effects 0.000 claims description 30
- 238000004891 communication Methods 0.000 claims description 9
- 238000013508 migration Methods 0.000 claims description 8
- 230000005012 migration Effects 0.000 claims description 8
- 238000004590 computer program Methods 0.000 claims description 5
- 238000007726 management method Methods 0.000 description 72
- 230000008569 process Effects 0.000 description 24
- 230000006870 function Effects 0.000 description 20
- 238000010586 diagram Methods 0.000 description 17
- 238000005516 engineering process Methods 0.000 description 9
- 238000010801 machine learning Methods 0.000 description 7
- 238000009825 accumulation Methods 0.000 description 6
- 230000002860 competitive effect Effects 0.000 description 5
- 230000003993 interaction Effects 0.000 description 5
- 238000013473 artificial intelligence Methods 0.000 description 4
- 238000009877 rendering Methods 0.000 description 4
- 230000001965 increasing effect Effects 0.000 description 3
- 230000005856 abnormality Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 2
- 230000003247 decreasing effect Effects 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- 230000004044 response Effects 0.000 description 2
- 241000282414 Homo sapiens Species 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 230000001939 inductive effect Effects 0.000 description 1
- 230000009191 jumping Effects 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
- 238000011002 quantification Methods 0.000 description 1
- 230000002787 reinforcement Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000012549 training Methods 0.000 description 1
- 238000013526 transfer learning Methods 0.000 description 1
- 239000002699 waste material Substances 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
- G06F9/46—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
- G06F9/505—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 considering the load
-
- A—HUMAN NECESSITIES
- A63—SPORTS; GAMES; AMUSEMENTS
- A63F—CARD, BOARD, OR ROULETTE GAMES; INDOOR GAMES USING SMALL MOVING PLAYING BODIES; VIDEO GAMES; GAMES NOT OTHERWISE PROVIDED FOR
- A63F13/00—Video games, i.e. games using an electronically generated display having two or more dimensions
- A63F13/30—Interconnection arrangements between game servers and game devices; Interconnection arrangements between game devices; Interconnection arrangements between game servers
- A63F13/35—Details of game servers
Landscapes
- Engineering & Computer Science (AREA)
- Multimedia (AREA)
- Software Systems (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Power Sources (AREA)
Abstract
本发明公开了一种数据处理方法、计算机设备以及可读存储介质,该数据处理方法包括:获取在边缘计算节点中运行的目标应用的当前运营活动信息和关联的一个或多个当前运行信息;然后根据当前运营活动信息和每个当前运行信息中的应用活动场景和业务用户占用资源信息,确定至少两个应用活动场景分别对应的平均算力需求信息;再根据平均算力需求信息、和预测得到的边缘计算节点在目标时间段内针对目标应用的新增业务用户、下线业务用户以及场景切换业务用户,确定边缘计算节点在目标时间段内的变化算力资源信息;最后基于该变化算力资源信息,确定边缘计算节点在目标时间段内的空闲算力资源信息。采用本发明,可以预估目标时间段内算力资源的空闲情况。
Description
技术领域
本申请涉及云技术领域,尤其涉及一种数据处理方法、计算机设备以及可读存储介质。
背景技术
云游戏是指游戏在远程服务器上运行,并将渲染完毕后的游戏画面压缩编码后,通过网络以音视频流方式下发到终端的过程。云游戏不需要考虑终端配置,彻底解决了终端性能不足无法运行重度游戏的技术问题。不过云游戏对网络延时的要求非常高,为了给用户提供更加稳定的网络条件,一般都会通过大规模部署边缘计算节点的方式,让云游戏的服务器离用户更近。
因为游戏用户的在线是有比较明显的潮汐现象的,为了给用户提供更好的体验,一般我们都是按照游戏用户的最高在线数来准备算力资源,而这部分算力资源在非高峰时段就会产生空闲。游戏实际运营过程中,通常通过检测边缘计算节点CPU(centralprocessing unit,中央处理器)、或者GPU(graphics processing unit,图形处理器)的实时负载情况,来获取边缘计算节点的当前算力空闲情况。但是,如果根据当前算力空闲情况为边缘计算节点分配离线计算任务,离线计算任务通常需要花费一段时间才能完成,而且由于无法预测未来这段时间内该边缘计算节点的算力资源是否一直处于空闲状态,那么一旦未来这段时间内该边缘计算节点的算力资源不再空闲,却又得继续执行离线计算任务,那么很容易会造成边缘计算节点超负荷,导致资源调度不够准确。
发明内容
本申请实施例提供一种数据处理方法、计算机设备以及可读存储介质,可以实现算力资源的可量化,并预估未来时间段内算力资源的空闲情况,从而进行精确的边缘计算节点的资源调度。
本申请实施例一方面提供了一种数据处理方法,包括:
获取在边缘计算节点中运行的目标应用的当前运营活动信息,获取目标应用关联的一个或多个当前运行信息;目标应用包含至少两个应用活动场景;一个当前运行信息包括一个业务用户所在的应用活动场景和业务用户占用资源信息;
根据当前运营活动信息和每个当前运行信息中的应用活动场景和业务用户占用资源信息,确定至少两个应用活动场景分别对应的平均算力需求信息;
预测边缘计算节点在目标时间段内针对目标应用的新增业务用户、下线业务用户以及场景切换业务用户;
根据平均算力需求信息、新增业务用户、下线业务用户以及场景切换业务用户,确定边缘计算节点在目标时间段内的变化算力资源信息;
根据边缘计算节点的算力总资源信息、已占用算力资源信息和变化算力资源信息,确定边缘计算节点在目标时间段内的空闲算力资源信息。
本申请实施例一方面提供了一种数据处理装置,包括:
运营信息获取模块,用于获取在边缘计算节点中运行的目标应用的当前运营活动信息;
运行信息获取模块,用于获取目标应用关联的一个或多个当前运行信息;目标应用包含至少两个应用活动场景;一个当前运行信息包括一个业务用户所在的应用活动场景和业务用户占用资源信息;
场景需求确定模块,用于根据当前运营活动信息和每个当前运行信息中的应用活动场景和业务用户占用资源信息,确定至少两个应用活动场景分别对应的平均算力需求信息;
用户预测模块,用于预测边缘计算节点在目标时间段内针对目标应用的新增业务用户、下线业务用户以及场景切换业务用户;
变化资源确定模块,用于根据平均算力需求信息、新增业务用户、下线业务用户以及场景切换业务用户,确定边缘计算节点在目标时间段内的变化算力资源信息;
空闲算力确定模块,用于根据边缘计算节点的算力总资源信息、已占用算力资源信息和变化算力资源信息,确定边缘计算节点在目标时间段内的空闲算力资源信息。
其中,至少两个应用活动场景包括应用活动场景Mi,i为小于或等于至少两个应用活动场景的总数量的正整数;
场景需求确定模块,包括:
第一信息获取单元,用于在每个当前运行信息中,获取应用活动场景Mi对应的业务用户占用资源信息,作为待处理资源信息;
第二信息获取单元,用于获取目标应用中与当前运营活动信息相匹配的历史运营活动信息,获取历史运营活动信息关联的一个或多个历史运行信息;
第二信息获取单元,还用于在一个或多个历史运行信息中,获取应用活动场景Mi对应的历史业务用户占用资源信息,作为历史资源信息;
均值处理单元,用于对历史资源信息和待处理资源信息进行均值处理,得到应用活动场景Mi对应的平均算力需求信息。
其中,用户预测模块,包括:
数据获取单元,用于获取目标应用的历史业务行为数据;
第一用户预测单元,用于根据边缘计算节点的当前空闲算力资源信息、当前运营活动信息、历史业务行为数据,确定边缘计算节点在目标时间段内针对目标应用的新增业务用户;
第二用户预测单元,用于根据业务用户所在的应用活动场景、当前运营活动信息、历史业务行为数据,确定边缘计算节点在目标时间段内针对目标应用的下线业务用户和场景切换业务用户。
其中,第一用户预测单元,包括:
新增预测子单元,用于根据当前运营活动信息、历史业务行为数据以及节假日信息,预测在目标时间段内目标应用的总新增业务用户;
调度子单元,用于根据边缘计算节点的当前空闲算力资源信息对总新增业务用户进行预上线调度处理,确定边缘计算节点在目标时间段内针对目标应用的新增业务用户。
其中,变化资源确定模块,包括:
第一资源确定单元,用于根据新增业务用户所在的初始登录场景对应的平均算力需求信息,确定新增业务用户对应的新增算力资源信息;初始登录场景属于至少两个应用活动场景;
第二资源确定单元,用于根据下线业务用户所在的应用活动场景对应的平均算力需求信息,确定下线业务用户对应的释放算力资源信息;
第三资源确定单元,用于将场景切换业务用户在场景切换前所在的应用活动场景确定为第一应用活动场景,将场景切换业务用户在场景切换后所在的应用活动场景确定为第二应用活动场景;
第三资源确定单元,还用于根据第一应用活动场景对应的平均算力需求信息和第二应用活动场景对应的平均算力需求信息,确定场景切换业务用户对应的切换算力资源信息;
变化资源确定单元,用于根据新增算力资源信息、释放算力资源信息以及切换算力资源信息,确定边缘计算节点在目标时间段内的变化算力资源信息。
其中,一个或多个当前运行信息包括当前运行信息Nj,j为小于或等于一个或多个当前运行信息的总数量的正整数;当前运行信息Nj包括应用活动场景Hj和业务用户占用资源信息Ij;业务用户占用资源信息Ij包括中央处理器算力信息;
运行信息获取模块,包括:
第一算力获取单元,用于确定边缘计算节点的中央处理器在单位时间内,针对应用活动场景Hj进行处理的事务数量,将事务数量作为中央处理器算力信息。
其中,一个或多个当前运行信息包括当前运行信息Nj,j为小于或等于一个或多个当前运行信息的总数量的正整数;当前运行信息Nj包括应用活动场景Hj和业务用户占用资源信息Ij;业务用户占用资源信息Ij包括图形处理器算力信息;
运行信息获取模块,包括:
第二算力获取单元,用于确定边缘计算节点的图形处理器在单位时间内,针对应用活动场景Hj进行的浮点操作次数,将浮点操作次数作为图形处理器算力信息。
其中,一个或多个当前运行信息包括当前运行信息Nj,j为小于或等于一个或多个当前运行信息的总数量的正整数;当前运行信息Nj包括应用活动场景Hj和业务用户占用资源信息Ij;业务用户占用资源信息Ij包括图形处理器算力信息;
运行信息获取模块,包括:
第三算力获取单元,用于若目标应用的应用运算类型为视频处理运算类型,则确定边缘计算节点的图形处理器在单位时间内针对应用活动场景Hj的吞吐量;
第三算力获取单元,还用于确定边缘计算节点的图形处理器在单位时间内,针对应用活动场景Hj进行的浮点操作次数;
第三算力获取单元,还用于将吞吐量和浮点操作次数共同作为图形处理器算力信息。
其中,一个或多个当前运行信息包括当前运行信息Nj,j为小于或等于一个或多个当前运行信息的总数量的正整数;当前运行信息Nj包括应用活动场景Hj和业务用户占用资源信息Ij;
运行信息获取模块,包括:
第四算力获取单元,用于确定边缘计算节点在单位时间内运行应用活动场景Hj的内存使用信息,将内存使用信息作为业务用户占用资源信息Ij;
第四算力获取单元,还用于确定边缘计算节点在单位时间内运行应用活动场景Hj的网络带宽使用信息,将网络带宽使用信息作为业务用户占用资源信息Ij;
第四算力获取单元,还用于确定边缘计算节点的磁盘在单位时间内运行应用活动场景Hj的数量读取量和数据写入量,将数据读取量和数据写入量作为磁盘读写算力信息,将磁盘读写算力信息作为业务用户占用资源信息Ij。
其中,上述数据处理装置,还包括:
第一算力确定模块,用于对每个业务用户占用资源信息中的中央处理器算力信息进行累加处理,得到中央处理器占用算力信息;
第二算力确定模块,用于对每个业务用户占用资源信息中的图形处理器算力信息进行累加处理,得到图形处理器占用算力信息;
第三算力确定模块,用于对每个业务用户占用资源信息中的内存使用信息进行累加处理,得到内存占用算力信息;
第三算力确定模块,还用于对每个业务用户占用资源信息中的网络带宽使用信息进行累加处理,得到网络带宽占用算力信息;
第三算力确定模块,还用于对每个业务用户占用资源信息中的磁盘读写算力信息进行累加处理,得到磁盘读写占用算力信息;
已占用算力确定模块,用于将中央处理器占用算力信息,图形处理器占用算力信息,内存占用算力信息,网络带宽占用算力信息以及磁盘读写占用算力信息,分别作为服务器的已占用算力资源信息。
其中,浮点操作次数信息的浮点类型包括半精度浮点类型、单精度浮点类型以及双精度浮点类型;
第二算力确定模块,包括:
第一精度处理单元,用于从每个业务用户占用资源信息中的图形处理器算力信息中,将浮点类型为半精度浮点类型的浮点操作次数信息进行求和处理,得到半精度浮点操作次数信息;
第一精度处理单元,还用于根据半精度浮点操作次数信息和半精度浮点操作上限次数,确定半精度浮点算力百分比;
第二精度处理单元,用于从每个业务用户占用资源信息中的图形处理器算力信息中,将浮点类型为单精度浮点类型的浮点操作次数信息进行求和处理,得到单精度浮点操作次数信息;
第二精度处理单元,还用于根据单精度浮点操作次数信息和单精度浮点操作总次数,确定单精度浮点算力百分比;
第三精度处理单元,用于从每个业务用户占用资源信息中的图形处理器算力信息中,将浮点类型为双精度浮点类型的浮点操作次数信息进行求和处理,得到双精度浮点操作次数信息;
第三精度处理单元,还用于根据双精度浮点操作次数信息和双精度浮点操作总次数,确定双精度浮点算力百分比;
占用信息确定单元,用于根据半精度浮点操作次数信息、单精度浮点算力百分比以及双精度浮点算力百分比,确定浮点算力占用百分比,将浮点算力占用百分比作为图形处理器占用算力信息。
其中,上述数据处理装置,还包括:
调整模块,用于若中央处理器占用算力信息大于中央处理器算力上限阈值,或者图形处理器占用算力信息大于图形处理器算力上限阈值,或者内存占用算力信息大于内存算力上限阈值,或者网络带宽占用算力信息大于图形处理器算力上限阈值,或者磁盘读写占用算力信息大于磁盘读写算力上限阈值,则从一个或多个当前运行信息分别对应的业务用户中,获取X个业务用户作为待调整业务用户;X为小于或等于一个或多个当前运行信息总数量的正整数;
迁移释放模块,用于发送针对待调整业务用户的场景迁移请求至边缘计算节点,以使边缘计算节点将待调整业务用户所在的应用活动场景迁移至空闲边缘计算节点;空闲边缘计算节点用于基于待调整业务用户对应的业务用户占用资源信息分配算力资源;迁移后的边缘计算节点释放待调整业务用户所占用的算力资源。
其中,上述数据处理装置,还包括:
邻居空闲模块,用于确定边缘计算节点的邻居边缘计算节点在目标时间段内的空闲算力资源信息;边缘计算节点和邻居边缘计算节点属于同一边缘节点;
边缘空闲模块,用于根据边缘计算节点在目标时间段内的空闲算力资源和邻居边缘计算节点在目标时间段内的空闲算力资源,确定边缘节点在目标时间段内的空闲总算力资源。
本申请实施例可以获取边缘计算节点中运行的目标应用的当前运营活动信息和目标应用关联的一个或多个当前运行信息,然后根据当前运营活动信息和每个当前运行信息中的应用活动场景和业务用户占用资源信息,确定目标应用包含的至少两个应用活动场景分别对应的平均算力需求信息,然后预测边缘计算节点在目标时间段内针对目标应用的新增业务用户、下线业务用户以及场景切换业务用户,根据平均算力需求信息、新增业务用户、下线业务用户以及场景切换业务用户确定边缘计算节点在目标时间段内的变化算力资源信息,最后根据边缘计算节点的算力总资源信息、已占用算力资源信息和变化算力资源信息,确定边缘计算节点在目标时间段内的空闲算力资源信息。采用本申请提供的方法,可以通过业务用户占用资源信息来量化业务用户所在的应用活动场景所占用的算力资源,从而根据目标时间段内的用户变化和应用活动场景对应的平均算力需求信息来预估目标时间段内算力资源的空闲情况。由于能够准确预测未来时间段内该边缘计算节点的算力资源是否一直处于空闲状态,所以针对需要占用未来时间段才能完成的任务,本申请可以更好的降低边缘计算节点出现超负荷的概率,即可以对边缘计算节点进行更准确的资源调度。
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一些实施例,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,还可以根据这些附图获得其他的附图。
图1是本申请实施例提供的一种网络架构示意图;
图2a-图2b是本申请实施例提供的一种预测空闲算力资源的场景示意图;
图3是本申请实施例提供的一种数据处理方法的流程示意图;
图4是本申请实施例提供的一种数据处理方法的流程示意图;
图5是本申请实施例提供的一种平均算力需求信息确定的场景示意图;
图6是本申请实施例提供的一种系统模块架构示意图;
图7是本申请实施例提供的一种场景算力需求计算流程示意图;
图8是本申请实施例提供的一种空闲算力预测流程示意图;
图9是本申请实施例提供的一种数据处理装置的结构示意图;
图10是本申请实施例提供的一种计算机设备的结构示意图。
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作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。
云计算(cloud computing)指IT基础设施的交付和使用模式,指通过网络以按需、易扩展的方式获得所需资源;广义云计算指服务的交付和使用模式,指通过网络以按需、易扩展的方式获得所需服务。这种服务可以是IT和软件、互联网相关,也可是其他服务。云计算是网格计算(Grid Computing)、分布式计算(DistributedComputing)、并行计算(Parallel Computing)、效用计算(Utility Computing)、网络存储(Network StorageTechnologies)、虚拟化(Virtualization)、负载均衡(Load Balance)等传统计算机和网络技术发展融合的产物。
随着互联网、实时数据流、连接设备多样化的发展,以及搜索服务、社会网络、移动商务和开放协作等需求的推动,云计算迅速发展起来。不同于以往的并行分布式计算,云计算的产生从理念上将推动整个互联网模式、企业管理模式发生革命性的变革。
云游戏(Cloud gaming)又可称为游戏点播(gaming on demand),是一种以云计算技术为基础的在线游戏技术。云游戏技术使图形处理与数据运算能力相对有限的轻端设备(thin client)能运行高品质游戏。在云游戏场景下,游戏并不在玩家游戏终端,而是在云端服务器中运行,并由云端服务器将游戏场景渲染为视频音频流,通过网络传输给玩家游戏终端。玩家游戏终端无需拥有强大的图形运算与数据处理能力,仅需拥有基本的流媒体播放能力与获取玩家输入指令并发送给云端服务器的能力即可。
算力,顾名思义就是设备的计算能力,小至手机、电脑,大到超级计算机,算力存在于各种硬件设备。算力资源就是设备执行计算任务时所需要占用的硬件或者网络资源,通常可以包括cpu算力资源、gpu算力资源、内存资源、网络带宽资源、磁盘资源。
本申请实施例提供的方案涉及云技术领域的云计算和云游戏技术,具体过程通过如下实施例进行说明。
请参见图1,图1是本申请实施例提供的一种网络架构示意图。如图1所示,该网络架构可以包括管理服务器100和边缘节点11、边缘节点12、…、边缘节点n,其中,边缘节点11可以包括计算服务器11a、计算服务器11b等多个计算服务器,边缘节点12可以包括计算服务器12a、计算服务器12b等多个计算服务器。如图1所示,边缘节点11中的计算服务器11a、计算服务器11b等计算服务器之间可以相互进行通信,边缘节点12中的计算服务器12a、计算服务器12b等计算服务器之间可以相互进行通信,边缘节点11中的任一计算服务器、边缘节点12中的任一计算服务器、…、边缘节点1n中的任一计算服务器可以分别与上述管理服务器100进行网络连接,以便于每个计算服务器可以通过网络连接与管理服务器100进行数据交互,以便于每个计算服务器可以接收到来自于上述管理服务器100的管理数据。可以理解的是,边缘节点中的计算服务器通常部署在同一地区,而不同边缘节点通常部署在不同地区。
如图1所示,上述边缘节点中的计算服务器均可以对应终端设备集群,终端设备集群中的每个终端设备上均可以集成安装有目标应用,当该目标应用运行于各终端设备中时,可以与管理服务器100为之分配的计算服务器之间进行数据交互。其中,该目标应用可以包括游戏应用、视频编辑应用、社交应用、即时通信应用、直播应用、短视频应用、视频应用、音乐应用、购物应用、小说应用、支付应用、浏览器等具有显示文字、图像、音频以及视频等数据信息功能的应用中的一个或多个应用。计算服务器为终端设备中运行的目标应用提供对应的功能服务,但同时会消耗对应的算力资源,一个计算服务器的算力资源是有限的,即一个计算服务器能同时对应的终端设备的个数是有限的,因此,当目标应用在终端设备中启动运行时,会先和管理服务器之间进行数据交互,获取能为之提供目标应用所需的功能服务的计算服务器。为了更好的为新接入的终端设备选择计算服务器,同时合理利用拥有空闲算力资源的计算服务器,管理服务器100会与每个计算服务器进行数据交互,获取每个计算服务器的算力总资源信息和已占用算力资源信息,并预测每个计算服务器在目标时间段内的空闲算力资源信息,来更好的对目标时间段内计算服务器的空闲算力资源进行合理调度。
为便于理解,以管理服务器100预估计算服务器11a在目标时间段内的空闲算力资源信息为例进行说明,如图1所示,管理服务器100会获取在计算服务器11a中运行的目标应用的当前运营活动信息,然后获取目标应用关联的一个或多个当前运行信息。其中,当前运营活动信息可以是目前应用当前运营活动的配置信息,比如当前运营活动的起始时间,结束时间,活动类型,活动奖励等等。其中,目标应用包含至少两个应用活动场景,应用活动场景是指目标应用运行在终端设备时,在终端设备显示的画面所属的场景类型,一个应用活动场景可以实现目标应用的一个业务功能;比如目标应用包括社交应用时,对应有文字场景、电话场景和视频场景,目标应用的显示画面属于文字场景,业务用户可以和别人文字聊天;目标应用的显示画面属于电话场景,业务用户可以和别人语音聊天,目标应用的显示画面属于视频场景,业务用户可以和别人进行视频聊天。其中,一个当前运行信息包括一个业务用户所在的应用活动场景和业务用户占用资源信息,一个业务用户对应一个终端设备。其中,业务用户占用资源信息是计算服务器11a为一个终端设备中的目标应用提供功能服务时,所占用的算力资源的量化指标信息。其中,量化指标信息可以包括中央处理器算力信息、图形处理器算力信息、内存使用信息、网络带宽使用信息、磁盘读写能力信息等多个指标信息中的一个或多个指标信息。然后,管理服务器100会根据当前运营活动信息和每个当前运行信息中的应用活动场景和业务用户占用资源信息,确定目标应用的每个应用活动场景分别对应的平均算力需求信息。其中,一个应用活动场景的平均算力需求信息是指业务用户处于该应用活动场景时,多个业务用户平均需要占用的算力资源对应的量化指标信息。然后确定算力资源会发生变化的业务用户,比如说,计算服务器11a可以确定在目标时间段内提供功能服务,且目标时间段内才开始运行目标应用的业务用户,以及在目标时间段内所处应用活动场景和当前时刻所处应用活动场景不一样的业务用户,同时从当前时刻正在运行目标应用的业务用户中,预测在目标时间段内会停止运行目标应用的业务用户。随后根据确定出的算力资源会发生变化的业务用户、平均算力需求信息以及计算服务器11a的算力总资源信息和已占用算力资源信息,确定计算服务器11a在目标时间段内的空闲算力资源信息。其中,算力总资源信息是计算服务器11a所有算力资源对应的量化指标信息,已占用算力资源信息是计算服务器11a在当前时刻被占用的算力资源对应的量化指标信息,空闲算力资源信息是计算服务器11a在目标时间段内未被占用的算力资源对应的量化指标信息。
可以理解的是,上述处理过程可以由管理服务器单独执行,也可以由计算服务器单独执行,也可以由管理服务器和计算服务器共同执行,具体实现可以根据实际需求来调整,这里不作限制。
可以理解的是,本申请实施例提供的方法可以由计算机设备执行,计算机设备包括但不限于终端设备、计算服务器或管理服务器。其中,管理服务器可以是独立的物理服务器,也可以是多个物理服务器构成的服务器集群或者分布式系统,还可以是提供云服务、云数据库、云计算、云函数、云存储、网络服务、云通信、中间件服务、域名服务、安全服务、CDN、以及大数据和人工智能平台等基础云计算服务的云服务器。
可以理解的是,上述设备(如上述管理服务器100、计算服务器11a、计算服务器11b、计算服务器12a、…、计算服务器12b等)可以是一个分布式系统中的一个节点,其中,该分布式系统可以为区块链系统,该区块链系统可以是由该多个节点通过网络通信的形式连接形成的分布式系统。其中,节点之间可以组成的点对点(P2P,Peer To Peer)网络,P2P协议是一个运行在传输控制协议(TCP,Transmission Control Protocol)协议之上的应用层协议。在分布式系统中,任意形式的计算机设备,比如服务器、终端设备等电子设备都可以通过加入该点对点网络而成为该区块链系统中的一个节点。
其中,上述终端设备集群中的终端设备可以包括手机、平板电脑、笔记本电脑、掌上电脑、智能音响、移动互联网设备(MID,mobile internet device)、POS(Point OfSales,销售点)机、可穿戴设备(例如智能手表、智能手环等)、车载设备等。
为进一步理解,下述以管理服务器100预测计算服务器11b在目标时间段内的空闲算力资源为例进行具体的说明。
请一并参见图2a-图2b,图2a-图2b是本申请实施例提供的一种预测空闲算力资源的场景示意图。如图2a所示,假设目标应用为一款多人射击类的云游戏应用,业务用户A、业务用户B、…以及业务用户N此时均在通过与自己具有绑定关系的终端设备运行该云游戏应用,而为终端设备10a、终端设备10b、…、终端设备10n中的云游戏应用提供服务支持的为计算服务器11b,其中,计算服务器11b也可以称为云游戏服务器或边缘计算节点。可以理解的是,该云游戏应用的不同应用活动场景所需要的计算服务器11b的算力资源通常不同,比如,该云游戏应用的应用活动场景包括大厅场景、单人竞技场景以及多人竞技场景,大厅场景下通常只需要进行角色呈现、角色服装更换、竞技模式选择等简单的操作,且操作对应的计算也较少,大厅场景对应的算力资源需求较小;单人竞技场景下业务用户进行单人的跳伞游戏,业务用户的操作指令对应的计算较多,对应的算力资源需求较多;多人竞技场景下除了满足业务用户的游戏操作指令对应的计算以外,还需要提供通信交流等操作指令的计算服务,因此多人竞技场景对应的算力资源需求最多。如图2a所示,终端设备10a中显示的业务用户A所在的应用活动场景111可以为单人竞技场景,终端设备10b中显示的业务用户B所在的应用活动场景112可以为单人竞技场景,…,终端设备10n中显示的业务用户N所在的应用活动场景11n可以为大厅场景。每个业务用户所在的应用活动场景均为大厅场景、单人竞技场景以及多人竞技场景中的其中一个应用活动场景。
需要说明的是,上述云游戏应用的三个应用活动场景分别对应的算力资源需求并不是固定的,比如受该云游戏应用的一些运营活动的影响,比如端午节活动期间该云游戏应用会上新一批新的角色服装,此时大厅场景对应的算力资源需求会比没有端午节活动时的算力资源需求更多。因此,管理服务器100在预测目标时间段内(比如未来十分钟、未来半小时、未来24小时等等,这里不作限制)计算服务器11b在目标时间段内的空闲算力资源时,会先确定当前时刻该云游戏应用的三个应用活动场景分别对应的平均算力需求信息。如图2b所示,计算服务器11b会将该云游戏应用的当前运营活动信息和关联的一个或多个当前运行信息发送给管理服务器100。其中,当前运营活动信息包括云游戏应用的当前运营活动对应的配置信息。其中,一个当前运行信息包括一个业务用户所在的应用活动场景和业务用户占用资源信息,业务用户占用资源信息用于表示该业务用户所在的应用活动场景所消耗的计算服务器100的算力资源。由图2a可知,计算服务器11b发送给管理服务器100的当前运行信息包括业务用户A、业务用户B、……、业务用户N分别对应的当前运行信息。管理服务器100获取到计算服务器11b发送的多个当前运行信息后,会从中获取业务用户所在的应用活动场景为大厅场景对应的业务用户占用资源信息,比如业务用户N所在的应用活动场景11n所对应的业务用户占用资源信息,作为待处理大厅资源信息,同时,管理服务器100还可以查询历史算力占用情况,获取与当前运营活动信息相匹配的历史运营活动信息关联的历史运行信息,然后从中获取应用活动场景为大厅场景的业务用户占用资源信息,作为历史大厅资源信息,随后,管理服务器100会对待处理大厅资源信息和历史大厅资源信息进行均值处理,就得到大厅场景对应的平均算力需求信息。同理,管理服务器100可以确定上述单人竞技场景和上述多人竞技场景对应的平均算力需求信息。
如图2b所示,管理服务器100在确定平均算力需求信息后,会预测计算服务器11b在目标时间段内针对该云游戏应用算力资源会发生变化的业务用户。比如需要计算服务器11b在目标时间段内为其提供功能服务,且目标时间段内才开始运行云游戏应用的业务用户,这些业务用户在通过具有绑定关系的终端设备运行该云游戏应用时,终端设备显示的通常为大厅场景,每新增一个大厅场景,计算服务器11b就会占用大厅场景对应的平均算力需求信息对应的算力资源;在目标时间段内所处应用活动场景和当前时刻所处应用活动场景不一样的业务用户,这些业务用户切换所在的应用活动场景时,所占用的算力资源也会变化;另外从当前时刻正在运行云游戏应用的业务用户中,预测在目标时间段内会停止运行云游戏应用的业务用户,这些业务用户退出云游戏应用时,其当前时刻所在的应用活动场景对应的平均算力需求信息对应的算力资源会被释放。根据上述云游戏应用的三个应用活动场景分别对应的平均算力需求信息、算力资源会发生变化的业务用户,以及该计算服务器11b的算力总资源信息和在当前时刻的已占用算力资源信息,可以确定出计算服务器11b在目标时间段内的空闲算力资源信息。
可以理解的是,管理服务器100通常会管理如上述图1所示的多个计算服务器,因此管理服务器100可以同时预测上述图1所示的每个计算服务器在目标时间段内的空闲算力资源信息,预测过程可以参见上述图2a-图2b所描述的场景过程。在得到所有计算服务器的空闲算力资源信息后,管理服务器100可以根据实际需求在调度计算服务器,合理利用算力资源较为空闲的计算服务器,比如为其安排一些离线计算任务。可选的,由于管理服务器100可以同时预测多个计算服务器的空闲算力资源信息,因此管理服务器100会获取多个计算服务器分别传来的当前运行信息,管理服务器100可以将所有计算服务器传来的当前运行信息进行汇总,然后再求取目标应用的应用活动场景对应的平均算力需求信息。
进一步地,请参见图3,图3是本申请实施例提供的一种数据处理方法的流程示意图。该方法由图1中所述的计算机设备执行,即可以为图1中的管理服务器100,也可以为图1中的边缘节点集群中的计算服务器(也包括计算服务器11a、计算服务器11b、计算服务器12a以及计算服务器12b)。如图3所示,该数据处理方法可以包括如下步骤S101-步骤S105。
步骤S101,获取在边缘计算节点中运行的目标应用的当前运营活动信息,获取所述目标应用关联的一个或多个当前运行信息;所述目标应用包含至少两个应用活动场景;一个当前运行信息包括一个业务用户所在的应用活动场景和业务用户占用资源信息。
具体的,边缘计算节点可以是能够提供计算或者应用服务的计算机设备,比如服务器(可以为上述图1所示的计算服务器11a、计算服务器11b、计算服务器12a或者计算服务器12b)。目标应用是指边缘计算节点需要为其完成相关计算任务的应用。比如,目标应用可以为云游戏应用,基于云计算技术,云游戏通常在远程服务器上运行,终端设备只需要接收远程服务器发送的音视频流,然后解码播放运行即可,此时,远程服务器就是边缘计算节点。
具体的,终端设备运行目标应用时,边缘计算节点为其提供相应的计算服务时,会占用本机的算力资源。其中,算力指的是边缘计算节点的计算能力。目标应用通常包含至少两个应用活动场景,比如上述图2a中的云游戏应用包含三种应用活动场景:大厅场景、单人竞技场景以及多人竞技场景。当业务用户所在的应用活动场景不同时,边缘计算节点所占用的算力资源可能有较大区别,因此一个业务用户对应的当前运行信息中,通常会包括该业务用户所在的应用活动场景和边缘计算节点为该应用活动场景提供计算服务所占用的算力资源对应的业务用户占用资源信息。其中,业务用户占用资源信息是用于表征该业务用户所占用的算力资源的量化指标信息。可以理解的是,一个边缘计算节点可以分别完成多个业务用户通过与之具有绑定关系的终端设备运行目标应用时需要的计算服务,因此一个边缘计算节点可能对应有多个当前运行信息。
具体的,当前运营活动信息可以是指目标应用的当前运营活动配置情况。当前运营活动信息可能是开启一些限时活动,比如在端午节期间,目标应用将开启限时的端午节活动,此时,针对当前运营活动,目标应用可能会出现新的应用活动场景。比如说,目标应用为上述多人射击类云游戏应用时,根据当前运营活动配置,在端午节期间该云游戏应用会开启一个限时的单人闯关模式,该单人闯关模式不同于平常时候该云游戏应用平时的单人竞技模式和多人竞技模式,将该云游戏应用的单人闯关模式对应的场景称为单人闯关场景,该应用活动场景需要的算力资源和别的应用活动场景需要的算力资源可能不同。当前运营活动信息也可能是在目标应用原有的应用活动场景中增添一些新的元素,以云游戏为例,可能是增加趣味玩法、角色多倍奖励、新的服饰等,此时目标应用的各个应用活动场景需要的算力资源普遍会比没有运营活动时多。
步骤S102,根据所述当前运营活动信息和每个当前运行信息中的应用活动场景和业务用户占用资源信息,确定所述至少两个应用活动场景分别对应的平均算力需求信息。
具体的,边缘计算节点当前可能会为多个处于同一应用活动场景的业务用户提供计算服务,实际上,由于不同业务用户在该应用活动场景下通过终端设备执行的操作不同,边缘计算节点处理的计算任务也可能会有差异,因此边缘计算节点为不同处于同一应用活动场景的业务用户所占用的算力资源也会存在些许差异。根据上述当前运营活动信息的说明,也可理解目标应用有不同的运营活动时,应用活动场景对应的算力资源也有差异。因此,边缘计算节点通常会根据当前运营活动信息和获取到的每个当前运行信息中的应用活动场景和业务用户占用资源信息,确定目标应用的至少两个应用活动场景分别对应的平均算力需求信息。其中,一个应用活动场景的平均算力需求信息是指业务用户处于该应用活动场景时,平均需要占用的算力资源对应的量化指标信息。
具体的,假设目标应用的至少两个应用活动场景包括应用活动场景Mi,i为小于或等于至少两个应用活动场景的总数量的正整数,则根据当前运营活动信息和每个当前运行信息中的应用活动场景和业务用户占用资源信息,确定至少两个应用活动场景分别对应的平均算力需求信息,包括:在每个当前运行信息中,获取应用活动场景Mi对应的业务用户占用资源信息,作为待处理资源信息;获取目标应用中与当前运营活动信息相匹配的历史运营活动信息,获取历史运营活动信息关联的一个或多个历史运行信息;在一个或多个历史运行信息中,获取应用活动场景Mi对应的历史业务用户占用资源信息,作为历史资源信息;对历史资源信息和待处理资源信息进行均值处理,得到应用活动场景Mi对应的平均算力需求信息。其中,历史运营活动信息是指该目标应用以前的运营活动的配置情况,比如说,云游戏应用的春节运营活动是限时开启单人闯关模式,当前的端午节运营活动也是开启限时单人闯关模式,则可以认为春节运营活动和端午节运营活动相匹配。
步骤S103,预测所述边缘计算节点在目标时间段内针对所述目标应用的新增业务用户、下线业务用户以及场景切换业务用户。
具体的,新增业务用户是指在目标时间段内启动目标应用,且由该边缘计算节点为其提供功能服务的业务用户;下线业务用户在指边缘计算节点当前时刻提供功能服务的业务用户中,会在目标时间段内关闭目标应用的业务用户;场景切换业务用户是指在边缘计算节点为其提供功能服务的业务用户中,当前时刻所在的应用活动场景和目标时间段所在的应用活动场景不同的业务用户。比如,边缘计算节点在当前时刻为处于应用活动场景1的业务用户A和处于应用活动场景2的业务用户B提供功能服务,而通过预测,在目标时间段内,边缘计算节点需要为处于初始登录场景的业务用户C和处于应用活动场景1的业务用户B提供功能服务。其中,初始登录场景属于应用活动场景,刚启动目标应用的用户均处于初始登录场景。可以理解的,新增的业务用户C就属于新增业务用户,而不需要边缘计算节点提供功能服务的业务用户A属于下线业务用户,所处的应用活动场景发送变化的业务用户B属于场景切换业务用户。
计算机设备会获取目标应用的历史业务行为数据,然后根据边缘计算节点的当前空闲算力资源信息、当前运营活动信息、历史业务行为数据,确定边缘计算节点在目标时间段内针对目标应用的新增业务用户;根据业务用户所在的应用活动场景、当前运营活动信息、历史业务行为数据,确定边缘计算节点在目标时间段内针对目标应用的下线业务用户和场景切换业务用户。其中,历史业务行为数据可以包括目标应用的在历史时间段内每个时间节点的历史在线业务用户、历史上线业务用户、历史下线业务用户以及历史场景切换业务用户的相关行为数据等等。其中,相关行为数据可以包括所在的应用活动场景、操作行为、应用运行时长等等。
具体的,根据边缘计算节点的当前空闲算力资源信息、当前运营活动信息、历史业务行为数据,确定边缘计算节点在目标时间段内针对目标应用的新增业务用户的过程,可以为:根据当前运营活动信息、历史业务行为数据以及节假日信息,预测在目标时间段内目标应用的总新增业务用户;根据边缘计算节点的当前空闲算力资源信息对总新增业务用户进行预上线调度处理,确定边缘计算节点在目标时间段内针对目标应用的新增业务用户。需要说明的是,计算机设备(如上述图1所示的管理服务器100)通常会管理多个边缘计算节点,每个边缘计算节点在目标时间段内都会有对应的新增业务用户,计算机设备通常会预测所有在目标时间段内会启动目标应用的业务用户,作为目标时间段内针对目标应用的总新增业务用户。预上线调度处理是指,计算机设备会根据每个边缘计算节点的当前空闲算力资源信息,来预分配每个边缘计算节点的在目标时间段内对应的新增业务用户。
可选的,本申请实施例提供的方案可以涉及人工智能的机器学习技术,机器学习(Machine Learning,ML)是一门多领域交叉学科,涉及概率论、统计学、逼近论、凸分析、算法复杂度理论等多门学科。专门研究计算机怎样模拟或实现人类的学习行为,以获取新的知识或技能,重新组织已有的知识结构使之不断改善自身的性能。机器学习是人工智能的核心,是使计算机具有智能的根本途径,其应用遍及人工智能的各个领域。机器学习和深度学习通常包括人工神经网络、置信网络、强化学习、迁移学习、归纳学习、式教学习等技术。具体通过如下实施例进行说明:计算机设备在预测边缘计算节点在目标时间段内针对目标应用的下线业务用户时,可以根据下线预测模型生成业务用户所在的应用活动场景、当前运营活动信息对应的下线行为特征,然后在下线预测模型中输出与该下线行为特征对应的预测下线标签,然后根据该预测下线标签,确定下线业务用户。其中,下线预测模型是根据历史业务行为数据训练得到的机器学习模型,用于模拟业务用户在不同时间段内的下线行为,推测用户处于什么应用活动场景、时间节点等行为状态时会下线。相应的,计算机设备预测场景切换业务用户和总新增业务用户也可以通过相应的机器学习模型来实现。
步骤S104,根据所述平均算力需求信息、所述新增业务用户、所述下线业务用户以及所述场景切换业务用户,确定所述边缘计算节点在所述目标时间段内的变化算力资源信息。
具体的,计算机设备可以根据新增业务用户所在的初始登录场景对应的平均算力需求信息,确定新增业务用户对应的新增算力资源信息。其中,新增算力资源信息可以是边缘计算节点为新增业务用户提供功能服务时需要增加的算力资源对应的量化指标信息。其中,新增算力资源信息可以是新增业务用户的总数量与初始登录场景对应的平均算力需求信息的乘积。其中,初始登录场景属于至少两个应用活动场景,可以理解的是,业务用户登录或者打开目标应用时,通常会进入一个默认界面,这个默认界面对应的应用活动场景可以称为初始登录场景。然后,计算机设备可以根据下线业务用户所在的应用活动场景对应的平均算力需求信息,确定下线业务用户对应的释放算力资源信息。其中,释放算力资源信息可以是边缘计算节点结束为下线业务用户提供功能服务后释放的算力资源对应的量化指标信息。其中,释放算力资源信息等于所有下线业务用户分别对应的应用活动场景对应的平均算力需求信息的总和。然后将场景切换业务用户在场景切换前所在的应用活动场景确定为第一应用活动场景,将场景切换业务用户在场景切换后所在的应用活动场景确定为第二应用活动场景;再根据第一应用活动场景对应的平均算力需求信息和第二应用活动场景对应的平均算力需求信息,确定场景切换业务用户对应的切换算力资源信息。其中,切换算力资源信息可以是场景切换业务用户所在的应用活动场景发生变化后边缘计算节点为场景切换业务用户提供功能服务时占用的算力资源,减去场景切换业务用户所在的应用活动场景发生变化前边缘计算节点为场景切换业务用户提供功能服务时占用的算力资源,得到的变化算力资源对应的量化指标信息。其中,切换算力资源信息可以等于所有场景切换业务用户所在的发生变化后的应用活动场景分别对应的平均算力需求信息的总和,减去所有场景切换业务用户所在的发生变化前的应用活动场景分别对应的平均算力需求信息的总和,得到的差值。根据新增算力资源信息、释放算力资源信息以及切换算力资源信息,确定边缘计算节点在目标时间段内的变化算力资源信息。其中,变化算力资源信息是指边缘计算节点从当前时刻到目标时间段内变化的算力资源对应的量化指标信息。假设边缘计算节点在目标时间段内,有处在初始登录场景的新增业务用户A和新增业务用户B、处在应用活动场景1的下线业务用户C、处在应用活动场景2的下线业务用户D,从应用活动场景2切换为应用活动场景1的场景切换业务用户E,则新增算力资源信息可以是初始登录场景对应的平均算力需求信息乘以2,释放算力资源信息等于应用活动场景1对应的平均算力需求信息加上应用活动场景2对应的平均算力需求信息,切换算力资源信息等于应用活动场景1对应的平均算力需求信息减去应用活动场景2对应的平均算力需求信息,变化算力资源信息就等于新增算力资源信息减去释放算力资源信息加上切换算力资源信息。如果变化算力资源信息为正数,说明目标时间段内边缘计算节点被占用的算力资源增加了,如果变化算力资源信息为负数,说明目标时间段内边缘计算节点被占用的算力资源减少了。
步骤S105,根据所述边缘计算节点的算力总资源信息、已占用算力资源信息和所述变化算力资源信息,确定所述边缘计算节点在所述目标时间段内的空闲算力资源信息。
具体的,算力总资源信息是边缘计算节点所有算力资源对应的量化指标信息,已占用算力资源信息是边缘计算节点在当前时刻被占用的算力资源对应的量化指标信息,空闲算力资源信息是边缘计算节点在目标时间段内未被占用的算力资源对应的量化指标信息。空闲算力资源信息等于边缘计算节点的算力总资源信息减去已占用算力资源信息,再减去变化算力资源信息后的差值。其中,变化算力资源信息为正时表示在目标时间段内边缘计算节点的算力资源的增加情况,变化算力资源信息为负时表示在目标时间段内边缘计算节点的算力资源的释放情况。
可以理解的是,在得到边缘计算节点在目标时间段内的空闲算力资源信息,可以根据实际需求来更好的进行精确的边缘计算节点的资源调度。本申请实施例中,可以通过平均算力需求信息来衡量一个业务用户所在的应用活动场景所需要的算力资源,根据边缘计算节点在目标时间段内空闲算力资源信息和该平均算力需求信息,可以调整在目标时间段内分配给边缘计算节点的业务用户。另外,根据边缘计算节点在目标时间段内的空闲算力资源信息,可以为该边缘计算节点分配一些可以在目标时间段内计算完成的离线计算任务,避免出现边缘计算节点还在利用空闲算力资源执行离线计算任务时,目标应用就新上线了业务用户,从而导致边缘计算节点超负荷运算,甚至死机等情况的出现。
在本申请实施例中,通过获取边缘计算节点中每个业务用户占用算力资源对应的业务用户占用资源信息和该业务用户所在的应用活动场景,确定目标应用每个应用活动场景对应的平均算力需求信息,然后通过预测边缘计算节点在目标时间段内针对目标应用的新增业务用户、下线业务用户以及场景切换业务用户,再根据平均算力需求信息、新增业务用户、下线业务用户以及场景切换业务用户,确定边缘计算节点在目标时间段内的变化算力资源信息,最后根据边缘计算节点的算力总资源信息、已占用算力资源信息和变化算力资源信息,可以确定边缘计算节点在目标时间段内的空闲算力资源信息。采用本申请实施例提供的方法,可以实现算力资源的可量化,并预估目标时间段内算力资源的空闲情况,可以更好的调度边缘计算节点的算力资源,减少边缘计算节点超负荷或者空闲算力资源被浪费的情况,提高算力资源的合理利用率。
进一步地,请参见图4,图4是本申请实施例提供的一种数据处理方法的流程示意图,该方法由图1中所述的计算机设备执行,即可以为图1中的管理服务器100,也可以为图1中的边缘节点集群中的计算服务器(也包括计算服务器11a、计算服务器11b、计算服务器12a以及计算服务器12b)。如图3所示,该数据处理方法可以包括如下步骤S201-步骤S205。
步骤S201,获取在边缘计算节点中运行的目标应用的当前运营活动信息,获取所述目标应用关联的一个或多个当前运行信息;所述目标应用包含至少两个应用活动场景;一个当前运行信息包括一个业务用户所在的应用活动场景和业务用户占用资源信息;所述业务用户占用资源信息可以包括一个或多个指标信息。
具体的,边缘计算节点的算力资源通常涉及到CPU、GPU、内存、网络带宽和磁盘等硬件资源,因此业务用户占用资源信息可以包括中央处理器算力信息、图形处理器算力信息、内存使用信息、网络带宽使用信息、磁盘读写能力信息等指标信息中的一个或多个指标信息。
具体的,假设一个或多个当前运行信息包括当前运行信息Nj,j为小于或等于一个或多个当前运行信息的总数量的正整数;当前运行信息Nj包括应用活动场景Hj和业务用户占用资源信息Ij。此时,计算机设备确定业务用户占用资源信息Ij中包含的中央处理器算力信息的过程,可以为:确定边缘计算节点的中央处理器在单位时间内,针对应用活动场景Hj进行处理的事务数量,将事务数量作为中央处理器算力信息。计算机设备确定业务用户占用资源信息Ij中包含的图形处理器算力信息的过程,可以为:确定边缘计算节点的图形处理器在单位时间内,针对应用活动场景Hj进行的浮点操作次数,将浮点操作次数作为图形处理器算力信息。可选的,计算机设备还可以确定目标应用的应用运算类型,若目标应用的应用运算类型为视频处理运算类型,则确定边缘计算节点的图像处理器在单位时间内针对应用活动场景Hj的吞吐量;然后将吞吐量和浮点操作次数,共同作为图形处理器算力信息。计算机设备确定业务用户占用资源Ij的过程,还可以为:确定边缘计算节点在单位时间内运行应用活动场景Hj的内存使用信息,将内存使用信息作为业务用户占用资源信息Ij;或者,确定边缘计算节点在单位时间内运行应用活动场景Hj的网络带宽使用信息,将网络带宽使用信息作为业务用户占用资源信息Ij;或者,确定边缘计算节点的磁盘在单位时间内运行应用活动场景Hj的数量读取量和数据写入量,将数据读取量和数据写入量作为磁盘读写算力信息,将磁盘读写算力信息作为业务用户占用资源信息Ij。
可以理解的是,业务用户占用资源信息包含的指标信息的指标类型可以是人工提前设置好的,后续所有用于描述算力资源的资源信息包含的指标信息的指标类型均应该和业务用户占用资源信息保持一致,才不会出现计算混乱。为了更好的量化边缘计算节点,通常可以设定业务用户占用资源信息包含中央处理器算力信息、图形处理器算力信息、内存使用信息、网络带宽使用信息、磁盘读写能力信息。
步骤S202,根据所述当前运营活动信息和每个当前运行信息中的应用活动场景和一个或多个指标信息,确定所述至少两个应用活动场景分别对应的平均算力需求信息。
具体的,假设目标应用的至少两个应用活动场景包括应用活动场景Mi,i为小于或等于至少两个应用活动场景的总数量的正整数。此时,计算机设备会先确定该应用活动场景Mi对应的历史资源信息和待处理资源信息,具体实现可以参见上述步骤S102的具体描述,这里不再进行赘述。
具体的,倘若业务用户占用资源信息仅包含一个指标信息,此时计算机设备会对历史资源信息和待处理资源信息中包含的指标信息进行均值处理,然后得到的平均指标信息作为应用活动场景Mi对应的平均算力需求信息。倘若业务用户占用资源信息包含多个指标信息时,在对历史资源信息和待处理资源信息进行均值处理时,可以是对历史资源信息和待处理资源信息中的同一指标类型的指标信息进行均值处理,得到该指标类型对应的平均指标信息,随后将多个指标类型对应的平均指标信息,作为应用活动场景Mi对应的平均算力需求信息。比如说,业务用户占用资源信息包括中央处理器算力信息和图形处理器算力信息,则在对应用活动场景Mi对应的历史资源信息和待处理资源信息进行均值处理时,计算机设备会对历史资源信息和待处理资源信息中的中央处理器算力信息进行均值处理,得到中央处理器算力平均信息,然后对历史资源信息和待处理资源信息中的图形处理器算力信息进行均值处理,得到图形处理器算力平均信息,然后将中央处理器算力平均信息和图形处理器算力平均信息作为应用活动场景Mi对应的平均算力需求信息。
步骤S203,预测所述边缘计算节点在目标时间段内针对所述目标应用的新增业务用户、下线业务用户以及场景切换业务用户。
具体的,步骤S203的实现过程,可以参见上述图3所对应实施例中步骤S103的具体描述,这里不再进行赘述。
步骤S204,根据所述平均算力需求信息、所述新增业务用户、所述下线业务用户以及所述场景切换业务用户,确定所述边缘计算节点在所述目标时间段内的变化算力资源信息。
具体的,由步骤S202可知,平均算力需求信息可以包含一个或多个平均指标信息。当平均算力需求信息包含多个平均指标信息时,假设多个平均指标信息包含平均指标信息Ok,k为小于或等于多个平均指标信息的总数量的正整数,则根据平均算力需求信息、新增业务用户、下线业务用户以及场景切换业务用户,确定边缘计算节点在目标时间段内的变化算力资源信息的过程,可以为:根据平均指标信息Ok、新增业务用户、下线业务用户以及场景切换业务用户,确定边缘计算节点在目标时间段内的变化指标信息Pk,将该变化指标信息Pk添加进边缘计算节点在目标时间段内的变化算力资源信息中。
步骤S205,根据所述边缘计算节点的算力总资源信息、已占用算力资源信息和所述变化算力资源信息,确定所述边缘计算节点在所述目标时间段内的空闲算力资源信息。
具体的,算力资源通过中央处理器算力信息、图形处理器算力信息、内存使用信息、网络带宽使用信息、磁盘读写能力信息等指标信息中的一个或多个指标信息来表征,各个指标信息之间互不干涉,计算时也是分开计算。比如说,算力总资源信息包括中央处理器总算力信息、图形处理器总算力信息、内存使用总信息、网络带宽使用总信息、磁盘读写能力总信息,已占用算力资源信息包括中央处理器占用算力信息、图形处理器占用算力信息、内存使用占用信息、网络带宽使用占用信息、磁盘读写能力占用信息,变化算力资源信息包括中央处理器变化算力信息、图形处理器变化算力信息、内存使用变化信息、网络带宽使用变化信息、磁盘读写能力变化信息,则预测得到的空闲算力资源信息将包括中央处理器空闲算力信息、图形处理器空闲算力信息、内存使用空闲信息、网络带宽空闲信息、磁盘读写能力空闲信息。其中,中央处理器空闲算力信息等于中央处理器总算力信息减去中央处理器占用算力信息,再减去中央处理器变化算力信息后的差值;图形处理器空闲算力信息等于图形处理器总算力信息减去图形处理器占用算力信息,再减去图形处理器变化算力信息后的差值;内存使用空闲算力信息等于内存使用总算力信息减去内存使用占用算力信息,再减去内存使用变化算力信息后的差值;网络带宽使用空闲算力信息等于网络带宽使用总算力信息减去网络带宽使用占用算力信息,再减去网络带宽使用变化算力信息后的差值;磁盘读写能力空闲算力信息等于磁盘读写能力总算力信息减去磁盘读写能力占用算力信息,再减去磁盘读写能力变化算力信息后的差值。
可选的,已占用算力资源信息包括中央处理器占用算力信息,图形处理器占用算力信息,内存占用算力信息,网络带宽占用算力信息以及磁盘读写占用算力信息时,计算机设备对每个业务用户占用资源信息中的中央处理器算力信息进行累加处理,可以得到中央处理器占用算力信息;对每个业务用户占用资源信息中的图形处理器算力信息进行累加处理,可以得到图形处理器占用算力信息;对每个业务用户占用资源信息中的内存使用信息进行累加处理,可以得到内存占用算力信息;对每个业务用户占用资源信息中的网络带宽使用信息进行累加处理,可以得到网络带宽占用算力信息;对每个业务用户占用资源信息中的磁盘读写算力信息进行累加处理,可以得到磁盘读写占用算力信息。因为浮点操作次数信息的浮点类型包括半精度浮点类型、单精度浮点类型以及双精度浮点类型,因此,对每个业务用户占用资源信息中的图形处理器算力信息进行累加处理,得到图形处理器占用算力信息的过程,可以为:从每个业务用户占用资源信息中的图形处理器算力信息中,将浮点类型为半精度浮点类型的浮点操作次数信息进行求和处理,得到半精度浮点操作次数信息,然后根据半精度浮点操作次数信息和半精度浮点操作上限次数,确定半精度浮点算力百分比;从每个业务用户占用资源信息中的图形处理器算力信息中,将浮点类型为单精度浮点类型的浮点操作次数信息进行求和处理,得到单精度浮点操作次数信息;根据单精度浮点操作次数信息和单精度浮点操作总次数,确定单精度浮点算力百分比;从每个业务用户占用资源信息中的图形处理器算力信息中,将浮点类型为双精度浮点类型的浮点操作次数信息进行求和处理,得到双精度浮点操作次数信息;根据双精度浮点操作次数信息和双精度浮点操作总次数,确定双精度浮点算力百分比;根据半精度浮点操作次数信息、单精度浮点算力百分比以及双精度浮点算力百分比,确定浮点算力占用百分比,将浮点算力占用百分比作为图形处理器占用算力信息。
可选的,若中央处理器占用算力信息大于中央处理器算力上限阈值,或者图形处理器占用算力信息大于图形处理器算力上限阈值,或者内存占用算力信息大于内存算力上限阈值,或者网络带宽占用算力信息大于图形处理器算力上限阈值,或者磁盘读写占用算力信息大于磁盘读写算力上限阈值,则从一个或多个当前运行信息分别对应的业务用户中,获取X个业务用户作为待调整业务用户;X为小于或等于一个或多个当前运行信息总数量的正整数;然后发送针对待调整业务用户的场景迁移请求至边缘计算节点,以使边缘计算节点将待调整业务用户所在的应用活动场景迁移至空闲边缘计算节点;空闲边缘计算节点用于基于待调整业务用户对应的业务用户占用资源信息分配算力资源;迁移后的边缘计算节点释放待调整业务用户所占用的算力资源。
可选的,多个边缘计算节点可以组成一个边缘节点,通常不同的边缘节点会被部署在不同的地区。计算机设备还会确定边缘计算节点的邻居边缘计算节点在目标时间段内的空闲算力资源信息,其中,边缘计算节点和邻居边缘计算节点属于同一边缘节点。然后,根据边缘计算节点在目标时间段内的空闲算力资源和邻居边缘计算节点在目标时间段内的空闲算力资源,确定边缘节点在目标时间段内的空闲总算力资源。其中,确定邻居边缘计算节点在目标时间段内的空闲算力资源对应的空闲算力资源信息,可以参考上述对边缘计算节点对应的空闲算力资源的实现过程,这里不再进行赘述。
可选的,在得到所有边缘计算节点在目标时间段内的空闲算力资源信息后,计算机设备可以将空闲算力资源信息超过空闲阈值的边缘计算节点作为空闲边缘计算节点,在目标时间段内为其分配一些离线计算任务,可以提高边缘计算节点算力资源的利用率。计算机设备还可以将空闲算力资源信息小于忙碌阈值的边缘计算节点作为忙碌边缘计算节点,调整在目标时间段内需要分配给忙碌边缘计算节点的新增业务用户,或者从该忙碌边缘计算节点正在提供功能服务的业务用户中,选择一部分业务用户给到空闲边缘计算节点中,可以减少忙碌边缘计算节点超负荷带来的运维损失。
采用本申请实施例提供的方法,可以通过中央处理器算力信息、图形处理器算力信息、内存使用信息、网络带宽使用信息、磁盘读写能力信息等指标信息来量化一个业务用户所在的应用活动场景所占用的边缘计算节点的算力资源,从而根据边缘计算节点中每个业务用户所在的应用活动场景和对应的多个指标信息,确定一个应用活动场景对应的多个平均指标信息,作为该应用活动场景所需的平均算力需求信息,进一步根据目标应用的用户变化和平均算力需求信息确定边缘计算节点的空闲算力资源信息,从而可以让各个边缘计算节点的算力资源的调度更加合理、有效。
为便于理解上述图4所对应实施例中所述的用户占有资源信息为多个指标信息时,计算机设备确定目标应用的应用活动场景的平均算力需求信息的过程,请参见图5,图5是本申请实施例提供的一种平均算力需求信息确定的场景示意图。假设目标应用的应用活动场景包括应用活动场景A1、应用活动场景A2和应用活动场景A3,业务用户占用资源信息包括指标信息x和指标信息y,其中,指标信息x和指标信息y可以为上述中央处理器算力信息、图形处理器算力信息、内存使用信息、网络带宽使用信息、磁盘读写能力信息中的任意两个指标信息。如图5所示,管理服务器(可以为上述图1所示的管理服务器100)获取到m个当前运行信息,m个当前运行信息包括当前运行信息51、当前运行信息52、当前运行信息53、当前运行信息54、…、当前运行信息m。一个当前运行信息包含一个业务用户所在的应用活动场景、指标信息x和指标信息y,如图5所示,当前运行信息51中表示该业务用户所在的应用活动场景为应用活动场景A1、指标信息x为指标信息x51,指标信息y为指标信息y51。
如图5所示,管理服务器会从m个当前运行信息中,将包含同一应用活动场景的当前运行信息划分在一起,得到当前运行信息集合510、当前运行信息集合520以及当前运行信息集合530,其中,当前运行信息集合510中的当前运行信息包含的应用活动场景均为应用活动场景A1,当前运行信息集合520中的当前运行信息包含的应用活动场景均为应用活动场景A2,当前运行信息集合530中的当前运行信息包含的应用活动场景均为应用活动场景A3。然后,管理服务器会获取每个当前运行信息集合中同一指标类型的指标信息,再对其进行均值处理,得到该指标类型对应的平均指标信息,然后将所有指标类型对应的平均指标信息,作为该应用活动场景对应的平均算力需求信息。以应用活动场景A1对应的当前运行信息集合510为例进行说明,如图5所示,从当前运行信息集合510中获取所有指标信息x对应的指标信息,得到指标信息x集合511,从当前运行信息集合510中获取所有指标信息y对应的指标信息,得到指标信息y集合512,管理服务器会对指标信息x集合511中的指标信息x51、指标信息x52等进行均值处理,得到指标信息x对应的平均指标信息管理服务器会对指标信息y集合512中的指标信息y51、指标信息y52等进行均值处理,得到指标信息y对应的平均指标信息然后,管理服务器会将平均指标信息和平均指标信息作为应用活动场景A1对应的平均算力需求信息。需要说明的是,图5所示的场景示意图中在求取平均指标信息时,仅以通过当前运行信息中的指标信息来确定为例进行说明。为了更准确的求取应用活动场景A1对应的平均指标信息,还可以从与目标应用的当前运营活动信息相匹配的历史运营活动信息关联的历史运行信息中,获取应用活动场景A1对应的指标信息,根据该指标信息的指标类型加入上述指标信息x集合511或者指标信息y集合512,然后再对各集合中的指标信息进行均值处理,这里不再进行赘述。
进一步地,请参见图6,图6是本申请实施例提供的一种系统模块架构示意图。该系统模块架构示意图适用于云游戏场景,如图6所示,该系统包括云游戏客户端60(可以集成安装在上述图1所述的计算服务器对应的终端设备)、云游戏服务器61(即上述图1所示的计算服务器11a、计算服务器11b、计算服务器12a或者计算服务器12b)以及边缘节点管理服务器62(即上述图1所示的管理服务器100)。一个边缘节点管理服务器可以管理多个云游戏服务器,一个云游戏服务器可以为多个云游戏客户端提供服务。
如图6所示,云游戏客户端60可以包括节点选择模块601和核心功能模块602。节点选择模块601用于当游戏用户(即上述目标应用对应的业务用户)新进入游戏时,通过和边缘节点管理服务器62的交互,获取一个合适的云游戏服务器(即上述所说的边缘计算节点)。核心功能模块602用于实现云游戏的核心功能,包括接收云游戏服务器的渲染数据、响应游戏用户的游戏操作生成响应的操作指令,并将操作指令上传至云游戏服务器。
如图6所示,云游戏服务器61可以包括云游戏渲染模块611、算力资源管理模块612以及云游戏实例管理模块613。云游戏渲染模块611用于云游戏的核心功能实现,包括云游戏的渲染、云游戏逻辑计算等功能。算力资源管理模块612用于对本机的算力资源进行管理,确保本机所有实时运行任务的需求不超出物理上限。主要功能有:一是本机实时算力数据(即上述所说的边缘计算节点的算力总资源信息、已占用算力资源信息以后业务用户占用资源信息)收集及上报,算力数据上报到边缘节点管理服务器62后,会用于确定下一时间阶段(即上述目标时间段)内云游戏服务器的空闲算力资源信息;二是本机算力管理,即当本机的实时算力数据超出本机物理上限时,可以自行通知边缘节点管理服务器62调度部分云游戏实例到其他空闲的云游戏服务器。需要说明的是,算力资源及到CPU、GPU、内存网络带宽和磁盘I/O(input/output、输入/输出)等硬件资源,在云游戏的应用场景中最核心的是GPU资源,一般的算力评估都以GPU为准。但是实际上不同的云游戏,甚至同一游戏的不同应用活动场景对算力资源的需求都是不一样的,因此进行实时算力峰值预测时,必须考虑这些因素带来的实际影响,其中最短板确定了承载上限。这些硬件资源的算力一般通过如下指标进行衡量:
CPU算力(即上述中央处理器算力信息):一般用OPS(Operations Per Second,操作次数)来衡量,不同云游戏对CPU算力的需求也近似换算为OPS。
GPU算力(即上述图形处理器算力信息):根据运算场景的不同用FLOPS(Floating-point Operations Per Second,浮点操作次数)或OPS来进行区分,其中,FLOPS代表GPU每秒所执行的浮点运算次数。同时FLOPS又分为半精度、单精度和双精度不同的类型,而这些不同的运算类型换算出的算力差距又非常大,因此GPU的承载能力需要根据这几种不同类型的衡量指标分别计算。针对视频处理类运算,还需要考虑吞吐量,一般取算力和吞吐量的下限为承载上限。
内存(即上述内存使用信息):运行过程中需要占用的内存空间,一般以MB(兆)为单位。
网络带宽(即上述网络带宽使用信息):单机以及边缘节点的带宽都会影响最终可承载的容量,因此需要计算内网和外部出口两个带宽需求值,取其中的下限为承载计算依据。
磁盘I/O(即上述磁盘读写算力信息):分为读和写两个方向的吞吐量,一般用kb/S(字节/秒)为单位,即每秒钟从磁盘读取或写入的数据量。
根据上述指标,云游戏服务器61可以通过算力资源管理模块612获取本机的实时算力数据。
云游戏实例管理模块613用于对本机的云游戏实例进行管理,其中,一个云游戏实例为一个云游戏客户端中运行的云游戏提供计算服务,主要功能包括:实例生命周期管理,即根据边缘节点管理服务器62的请求,创建、销毁云游戏实例,并对云游戏实例运行状态进行管理,当出现异常时,如无响应、死机或者资源消耗异常等,回收当前云游戏实例,并通知边缘节点管理服务器重新创建云游戏实例。可选的,云游戏实例管理模块613还可以根据每个云游戏实例运行的游戏场景、云游戏的运营活动安排,预估游戏下一时间段算力资源增长情况,并上报给边缘计算节点管理服务器。
如图6所示,边缘节点管理服务器62包括实时容量计算模块621、新进游戏用户预估模块622、下线游戏用户预估模块623、切换游戏用户预估模块624以及空闲预测模块625。实时容量计算模块621可以根据云游戏服务器上报的实时算力使用情况(即上述每个业务用户对应的业务用户占用资源信息)计算各个云游戏服务器实时的算力占用情况(即上述边缘计算节点的已占用算力资源信息),通过汇总计算出各个边缘节点的算力占用。新进游戏用户预估模块622可以根据历史数据趋势,预测下一阶段新进游戏用户量,以及这部分新进游戏用户新增的算力需求,并初步预估在各个节点、服务器的分配。下线游戏用户预估模块623可以根据游戏用户当前所在的场景以及历史数据趋势预估下一时段各个云游戏服务器下线游戏用户数,从而计算出各云游戏服务器及边缘节点可以释放出的算力资源。切换游戏用户预估模块624可以根据游戏用户当前所在的场景以及历史数据趋势预估下一时段各个云游戏服务器中会进行场景切换的游戏用户数,从而计算出各云游戏服务器及边缘节点因为游戏用户的场景切换而产生的算力资源变化情况。空闲算力预测模块625可以根据上述各个模块的计算数据确定出各个云游戏服务器以及边缘节点的空闲算力,计算过程可以参考下述公式(1):
其中,SL是云游戏服务器的空闲算力,Smax是当前云游戏服务器可用的最高算力,Scur是当前云游戏服务器已经占用的算力,S1即为下一阶段可以释放的算力,主要为下线游戏用户下线时释放的资源,S2即下一阶段新增用户产生的算力占用,Sgi是下一阶段单个云游戏可能增加或减少的算力资源,因为云游戏会有周期性的活动,游戏用户进入不同的场景也会造成算力资源的变化,通过记录这些变化,也可以预估出游戏用户所占用性能资源的增长量。需要说明的是,同一台云游戏服务器可以为多个云游戏提供计算服务,而不同的云游戏有不同的特性,因此在计算切换游戏用户带来的算力资源变化情况时,需要对不同云游戏的云游戏实例分开计算,最后再进行汇总,则n为云游戏服务器提供计算服务器的云游戏的个数。需要说明的是,上述提到算力的衡量可以包括CPU算力、CPU算力(从FLOPS、OPS、吞吐量等多个指标衡量)、内存空间、网络带宽(内网带宽及边缘节点带宽)等多个指标,在进行空闲算力的计算时,需要对每个指标都通过上述公式(1)进行计算,得到相应指标的空闲算力,从而确定云游戏服务器的空闲算力。基于边缘节点管理服务器62的各个模块的功能实现,可以参考上述图3所对应实施例中步骤S101-S105的描述,这里不再进行赘述。
通过本申请实施例提供的系统模块架构示意图,解决了云游戏场景下边缘计算节点的空闲算力无法进行精确衡量的技术难题,通过准确地预估各边缘计算节点的空闲算力,为云游戏在不同边缘计算节点的调度和空闲算力利用打下了基础。
进一步地,请参见图7,图7是本申请实施例提供的一种场景算力需求计算流程示意图。场景算力需求即上述图3所述的应用活动场景对应的平均算力需求信息。如图7所示,该实时算力计算流程包括:
步骤S71,云游戏服务器收集运营活动信息。
具体的,运营活动信息即上述图3所述的当前运营活动信息,不过云游戏服务器可以同时创建多个云游戏对应的云游戏实例,云游戏服务器会收集所有云游戏对应的运营活动信息。因为运营活动会对游戏用户的行为产生较大的影响,因此需要明确知道当前运营活动配置情况,这样可以更精确地预测游戏用户下一阶段可能进入的场景以及运营活动对算力需求的影响。
步骤S72,云游戏服务器收集场景信息。
具体的,同一个云游戏的不同应用活动场景对算力的需求差异也非常大,因此云游戏服务器会识别每个云游戏实例对应的云游戏客户端中云游戏当前所处的应用活动场景,并上报到边缘节点管理服务器。
步骤S73,云游戏服务器收集算力资源信息。
具体的,云游戏服务器会收集每个云游戏实例当前所占用的算力资源,包括CPU、GPU、内存、带宽和磁盘I/O等。云游戏服务器可以将一个云游戏实例对应的应用活动场景和当前占用的算力资源一起作为该云游戏实例的当前运行信息,发送给边缘节点管理服务器。
步骤S74,边缘节点管理服务器计算场景算力需求。
具体的,场景算力需求是根据当前该应用活动场景占用算力资源的平均情况确定的,场景算力需求的计算过程可以参见上述图3所对应实施例中步骤S102的描述,这里不再进行赘述。
进一步的,请参见图8,图8是本申请实施例提供的一种空闲算力预测流程示意图。如图8所示,该空闲算力预测流程包括:
步骤S81:边缘节点管理服务器确定云游戏服务器的占用算力。
具体的,边缘节点管理服务器可以将云游戏服务器在上述场景算力需求计算过程中发送的每个云游戏实例占用的算力资源进行汇总处理,可以确定云游戏服务器的占用算力。
步骤S82:边缘节点管理服务器预测新进游戏用户。
具体的,边缘节点管理服务器可以根据历史大数据以及当前运营活动配置、节假日因素等预估下一阶段的新进游戏用户量,并根据新进游戏用户可能进入的游戏类别计算用户可能占用的算力资源。
步骤S83:边缘节点管理服务器预测下线游戏用户。
具体的,根据历史大数据以及当前运营活动配置、节假日因素等预估下一阶段各个游戏可能下线的游戏用户数,并根据当前已占用的算力资源情况计算可释放的算力资源。
步骤S84:边缘节点管理服务器计算场景切换算力变化。
具体的,已在游戏中的游戏用户有可能会进行场景切换,边缘节点管理服务器可以根据当前游戏用户所在的场景、当前的运营活动配置以及历史大数据,预测游戏用户的游戏场景是否会进行切换,并计算由于此切换而导致的算力资源增加或减少。
步骤S85:边缘节点管理服务器预测空闲算力。
具体的,根据以上计算结果以及公式(1),可以预测下一阶段每台云游戏服务器以及边缘节点汇总的空闲算力资源。
采用本申请实施例提供的方法,能够根据游戏的实际需求,准确地计算出当前空闲算力资源,也可以根据游戏用户行为准确预测空闲算力的增长或减少的趋势,从而预测下一阶段云游戏服务器和边缘节点的空闲算力资源,从而进行精确的云游戏服务器和边缘节点之间的资源调度。
进一步地,请参见图9,图9是本申请实施例提供的一种数据处理装置的结构示意图。上述数据处理装置可以是运行于计算机设备中的一个计算机程序(包括程序代码),例如该数据处理装置为一个应用软件;该装置可以用于执行本申请实施例提供的方法中的相应步骤。如图9所示,该数据处理装置9可以包括:运营信息获取模块901、运行信息获取模块902、场景需求确定模块903、用户预测模块904、变化资源确定模块905以及空闲算力确定模块906。
运营信息获取模块901,用于获取在边缘计算节点中运行的目标应用的当前运营活动信息;
运行信息获取模块902,用于获取目标应用关联的一个或多个当前运行信息;目标应用包含至少两个应用活动场景;一个当前运行信息包括一个业务用户所在的应用活动场景和业务用户占用资源信息;
场景需求确定模块903,用于根据当前运营活动信息和每个当前运行信息中的应用活动场景和业务用户占用资源信息,确定至少两个应用活动场景分别对应的平均算力需求信息;
用户预测模块904,用于预测边缘计算节点在目标时间段内针对目标应用的新增业务用户、下线业务用户以及场景切换业务用户;
变化资源确定模块905,用于根据平均算力需求信息、新增业务用户、下线业务用户以及场景切换业务用户,确定边缘计算节点在目标时间段内的变化算力资源信息;
空闲算力确定模块906,用于根据边缘计算节点的算力总资源信息、已占用算力资源信息和变化算力资源信息,确定边缘计算节点在目标时间段内的空闲算力资源信息。
其中,运营信息获取模块901、运行信息获取模块902、场景需求确定模块903、用户预测模块904、变化资源确定模块905以及空闲算力确定模块906的具体功能实现方式可以参见图3对应实施例中的步骤S101到步骤S105的具体描述,这里不再进行赘述。
其中,至少两个应用活动场景包括应用活动场景Mi,i为小于或等于至少两个应用活动场景的总数量的正整数;
请再参见图9,场景需求确定模块903可以包括:第一信息获取单元9031、第二信息获取单元9032以及均值处理单元9033。
第一信息获取单元9031,用于在每个当前运行信息中,获取应用活动场景Mi对应的业务用户占用资源信息,作为待处理资源信息;
第二信息获取单元9032,用于获取目标应用中与当前运营活动信息相匹配的历史运营活动信息,获取历史运营活动信息关联的一个或多个历史运行信息;
第二信息获取单元9032,还用于在一个或多个历史运行信息中,获取应用活动场景Mi对应的历史业务用户占用资源信息,作为历史资源信息;
均值处理单元9033,用于对历史资源信息和待处理资源信息进行均值处理,得到应用活动场景Mi对应的平均算力需求信息。
其中,第一信息获取单元9031、第二信息获取单元9032以及均值处理单元9033的具体功能实现方式可以参见图3对应实施例中的步骤S102的具体描述,这里不再进行赘述。
请再参见图9,用户预测模块904可以包括:数据获取单元9041、第一用户预测单元9042以及第二用户预测单元9043。
数据获取单元9041,用于获取目标应用的历史业务行为数据;
第一用户预测单元9042,用于根据边缘计算节点的当前空闲算力资源信息、当前运营活动信息、历史业务行为数据,确定边缘计算节点在目标时间段内针对目标应用的新增业务用户;
第二用户预测单元9043,用于根据业务用户所在的应用活动场景、当前运营活动信息、历史业务行为数据,确定边缘计算节点在目标时间段内针对目标应用的下线业务用户和场景切换业务用户。
其中,数据获取单元9041、第一用户预测单元9042以及第二用户预测单元9043的具体功能实现方式可以参见图3对应实施例中的步骤S103的具体描述,这里不再进行赘述。
请再参见图9,第一用户预测单元9042可以包括:新增预测子单元90421以及调度子单元90422。
新增预测子单元90421,用于根据当前运营活动信息、历史业务行为数据以及节假日信息,预测在目标时间段内目标应用的总新增业务用户;
调度子单元90422,用于根据边缘计算节点的当前空闲算力资源信息对总新增业务用户进行预上线调度处理,确定边缘计算节点在目标时间段内针对目标应用的新增业务用户。
其中,新增预测子单元90421以及调度子单元90422的具体功能实现方式可以参见图3对应实施例中的步骤S103的具体描述,这里不再进行赘述。
请再参见图9,变化资源确定模块905可以包括:第一资源确定单元9051、第二资源确定单元9052、第三资源确定单元9053以及变化资源确定单元9054。
第一资源确定单元9051,用于根据新增业务用户所在的初始登录场景对应的平均算力需求信息,确定新增业务用户对应的新增算力资源信息;初始登录场景属于至少两个应用活动场景;
第二资源确定单元9052,用于根据下线业务用户所在的应用活动场景对应的平均算力需求信息,确定下线业务用户对应的释放算力资源信息;
第三资源确定单元9053,用于将场景切换业务用户在场景切换前所在的应用活动场景确定为第一应用活动场景,将场景切换业务用户在场景切换后所在的应用活动场景确定为第二应用活动场景;
第三资源确定单元9053,还用于根据第一应用活动场景对应的平均算力需求信息和第二应用活动场景对应的平均算力需求信息,确定场景切换业务用户对应的切换算力资源信息;
变化资源确定单元9054,用于根据新增算力资源信息、释放算力资源信息以及切换算力资源信息,确定边缘计算节点在目标时间段内的变化算力资源信息。
其中,第一资源确定单元9051、第二资源确定单元9052、第三资源确定单元9053以及变化资源确定单元9054的具体功能实现方式可以参见图3对应实施例中的步骤S104的具体描述,这里不再进行赘述。
其中,一个或多个当前运行信息包括当前运行信息Nj,j为小于或等于一个或多个当前运行信息的总数量的正整数;当前运行信息Nj包括应用活动场景Hj和业务用户占用资源信息Ij;业务用户占用资源信息Ij包括中央处理器算力信息;
请再参见图9,运行信息获取模块902可以包括:第一算力获取单元9021。
第一算力获取单元9021,用于确定边缘计算节点的中央处理器在单位时间内,针对应用活动场景Hj进行处理的事务数量,将事务数量作为中央处理器算力信息。
其中,第一算力获取单元9021的具体功能实现方式可以参见图4对应实施例中的步骤S201的具体描述,这里不再进行赘述。
其中,一个或多个当前运行信息包括当前运行信息Nj,j为小于或等于一个或多个当前运行信息的总数量的正整数;当前运行信息Nj包括应用活动场景Hj和业务用户占用资源信息Ij;业务用户占用资源信息Ij包括图形处理器算力信息;
请再参见图9,运行信息获取模块902可以包括:第二算力获取单元9022。
第二算力获取单元9022,用于确定边缘计算节点的图形处理器在单位时间内,针对应用活动场景Hj进行的浮点操作次数,将浮点操作次数作为图形处理器算力信息。
其中,第二算力获取单元9022的具体功能实现方式可以参见图4对应实施例中的步骤S201的具体描述,这里不再进行赘述。
其中,一个或多个当前运行信息包括当前运行信息Nj,j为小于或等于一个或多个当前运行信息的总数量的正整数;当前运行信息Nj包括应用活动场景Hj和业务用户占用资源信息Ij;业务用户占用资源信息Ij包括图形处理器算力信息;
请再参见图9,运行信息获取模块902可以包括:第三算力获取单元9023。
第三算力获取单元9023,用于若目标应用的应用运算类型为视频处理运算类型,则确定边缘计算节点的图形处理器在单位时间内针对应用活动场景Hj的吞吐量;
第三算力获取单元9023,还用于确定边缘计算节点的图形处理器在单位时间内,针对应用活动场景Hj进行的浮点操作次数;
第三算力获取单元9023,还用于将吞吐量和浮点操作次数共同作为图形处理器算力信息。
其中,第三算力获取单元9023的具体功能实现方式可以参见图4对应实施例中的步骤S201的具体描述,这里不再进行赘述。
其中,一个或多个当前运行信息包括当前运行信息Nj,j为小于或等于一个或多个当前运行信息的总数量的正整数;当前运行信息Nj包括应用活动场景Hj和业务用户占用资源信息Ij;
请再参见图9,运行信息获取模块902可以包括:第四算力获取单元9024。
第四算力获取单元9024,用于确定边缘计算节点在单位时间内运行应用活动场景Hj的内存使用信息,将内存使用信息作为业务用户占用资源信息Ij;
第四算力获取单元9024,还用于确定边缘计算节点在单位时间内运行应用活动场景Hj的网络带宽使用信息,将网络带宽使用信息作为业务用户占用资源信息Ij;
第四算力获取单元9024,还用于确定边缘计算节点的磁盘在单位时间内运行应用活动场景Hj的数量读取量和数据写入量,将数据读取量和数据写入量作为磁盘读写算力信息,将磁盘读写算力信息作为业务用户占用资源信息Ij。
其中,第四算力获取单元9024的具体功能实现方式可以参见图4对应实施例中的步骤S201的具体描述,这里不再进行赘述。
请再参见图9,该数据处理装置9还可以包括:第一算力确定模块906、第二算力确定模块907、第三算力确定模块908以及已占用算力确定模块909。
第一算力确定模块906,用于对每个业务用户占用资源信息中的中央处理器算力信息进行累加处理,得到中央处理器占用算力信息;
第二算力确定模块907,用于对每个业务用户占用资源信息中的图形处理器算力信息进行累加处理,得到图形处理器占用算力信息;
第三算力确定模块908,用于对每个业务用户占用资源信息中的内存使用信息进行累加处理,得到内存占用算力信息;
第三算力确定模块908,还用于对每个业务用户占用资源信息中的网络带宽使用信息进行累加处理,得到网络带宽占用算力信息;
第三算力确定模块908,还用于对每个业务用户占用资源信息中的磁盘读写算力信息进行累加处理,得到磁盘读写占用算力信息;
已占用算力确定模块909,用于将中央处理器占用算力信息,图形处理器占用算力信息,内存占用算力信息,网络带宽占用算力信息以及磁盘读写占用算力信息,分别作为服务器的已占用算力资源信息。
其中,第一算力确定模块906、第二算力确定模块907、第三算力确定模块908以及已占用算力确定模块909的具体功能实现方式可以参见图4对应实施例中的步骤S205的可选描述,这里不再进行赘述。
其中,浮点操作次数信息的浮点类型包括半精度浮点类型、单精度浮点类型以及双精度浮点类型;
请再参见图9,第二算力确定模块907可以包括:第一精度处理单元9071、第二精度处理单元9072、第三精度处理单元9073以及占用信息确定单元9074。
第一精度处理单元9071,用于从每个业务用户占用资源信息中的图形处理器算力信息中,将浮点类型为半精度浮点类型的浮点操作次数信息进行求和处理,得到半精度浮点操作次数信息;
第一精度处理单元9071,还用于根据半精度浮点操作次数信息和半精度浮点操作上限次数,确定半精度浮点算力百分比;
第二精度处理单元9072,用于从每个业务用户占用资源信息中的图形处理器算力信息中,将浮点类型为单精度浮点类型的浮点操作次数信息进行求和处理,得到单精度浮点操作次数信息;
第二精度处理单元9072,还用于根据单精度浮点操作次数信息和单精度浮点操作总次数,确定单精度浮点算力百分比;
第三精度处理单元9073,用于从每个业务用户占用资源信息中的图形处理器算力信息中,将浮点类型为双精度浮点类型的浮点操作次数信息进行求和处理,得到双精度浮点操作次数信息;
第三精度处理单元9073,还用于根据双精度浮点操作次数信息和双精度浮点操作总次数,确定双精度浮点算力百分比;
占用信息确定单元9074,用于根据半精度浮点操作次数信息、单精度浮点算力百分比以及双精度浮点算力百分比,确定浮点算力占用百分比,将浮点算力占用百分比作为图形处理器占用算力信息。
其中,第一精度处理单元9071、第二精度处理单元9072、第三精度处理单元9073以及占用信息确定单元9074的具体功能实现方式可以参见图4对应实施例中的步骤S205的可选描述,这里不再进行赘述。
请再参见图9,该数据处理装置9还可以包括:调整模块910以及迁移释放模块911。
调整模块910,用于若中央处理器占用算力信息大于中央处理器算力上限阈值,或者图形处理器占用算力信息大于图形处理器算力上限阈值,或者内存占用算力信息大于内存算力上限阈值,或者网络带宽占用算力信息大于图形处理器算力上限阈值,或者磁盘读写占用算力信息大于磁盘读写算力上限阈值,则从一个或多个当前运行信息分别对应的业务用户中,获取X个业务用户作为待调整业务用户;X为小于或等于一个或多个当前运行信息总数量的正整数;
迁移释放模块911,用于发送针对待调整业务用户的场景迁移请求至边缘计算节点,以使边缘计算节点将待调整业务用户所在的应用活动场景迁移至空闲边缘计算节点;空闲边缘计算节点用于基于待调整业务用户对应的业务用户占用资源信息分配算力资源;迁移后的边缘计算节点释放待调整业务用户所占用的算力资源。
其中,调整模块910以及迁移释放模块911的具体功能实现方式可以参见图4对应实施例中的步骤S205的可选描述,这里不再进行赘述。
请再参见图9,该数据处理装置9可以包括:邻居空闲模块912以及边缘空闲模块913。
邻居空闲模块912,用于确定边缘计算节点的邻居边缘计算节点在目标时间段内的空闲算力资源信息;边缘计算节点和邻居边缘计算节点属于同一边缘节点;
边缘空闲模块913,用于根据边缘计算节点在目标时间段内的空闲算力资源和邻居边缘计算节点在目标时间段内的空闲算力资源,确定边缘节点在目标时间段内的空闲总算力资源。
其中,邻居空闲模块912以及边缘空闲模块913的具体功能实现方式可以参见图4对应实施例中的步骤S205的可选描述,这里不再进行赘述。
进一步地,请参见图10,图10是本申请实施例提供的一种计算机设备的结构示意图。如图10所示,上述图9所对应实施例中的数据处理装置9可以应用于上述计算机设备1000,上述计算机设备1000可以包括:处理器1001,网络接口1004和存储器1005,此外,上述计算机设备1000还包括:用户接口1003,和至少一个通信总线1002。其中,通信总线1002用于实现这些组件之间的连接通信。其中,用户接口1003可以包括显示屏(Display)、键盘(Keyboard),可选用户接口1003还可以包括标准的有线接口、无线接口。网络接口1004可选的可以包括标准的有线接口、无线接口(如WI-FI接口)。存储器1005可以是高速RAM存储器,也可以是非不稳定的存储器(non-volatile memory),例如至少一个磁盘存储器。存储器1005可选的还可以是至少一个位于远离前述处理器1001的存储装置。如图10所示,作为一种计算机可读存储介质的存储器1005中可以包括操作系统、网络通信模块、用户接口模块以及设备控制应用程序。
在图10所示的计算机设备1000中,网络接口1004可提供网络通讯功能;而用户接口1003主要用于为用户提供输入的接口;而处理器1001可以用于调用存储器1005中存储的设备控制应用程序,以实现:
获取在边缘计算节点中运行的目标应用的当前运营活动信息,获取目标应用关联的一个或多个当前运行信息;目标应用包含至少两个应用活动场景;一个当前运行信息包括一个业务用户所在的应用活动场景和业务用户占用资源信息;
根据当前运营活动信息和每个当前运行信息中的应用活动场景和业务用户占用资源信息,确定至少两个应用活动场景分别对应的平均算力需求信息;
预测边缘计算节点在目标时间段内针对目标应用的新增业务用户、下线业务用户以及场景切换业务用户;
根据平均算力需求信息、新增业务用户、下线业务用户以及场景切换业务用户,确定边缘计算节点在目标时间段内的变化算力资源信息;
根据边缘计算节点的算力总资源信息、已占用算力资源信息和变化算力资源信息,确定边缘计算节点在目标时间段内的空闲算力资源信息。
应当理解,本申请实施例中所描述的计算机设备1000可执行前文图3所对应实施例中对该数据处理方法的描述,也可执行前文图9所对应实施例中对该数据处理装置9的描述,在此不再赘述。另外,对采用相同方法的有益效果描述,也不再进行赘述。
此外,这里需要指出的是:本申请实施例还提供了一种计算机可读存储介质,且所述计算机可读存储介质中存储有前文提及的数据处理装置9所执行的计算机程序,当所述处理器执行所述计算机程序时,能够执行前文图3所对应实施例中对所述数据处理方法的描述,因此,这里将不再进行赘述。另外,对采用相同方法的有益效果描述,也不再进行赘述。对于本申请所涉及的计算机存储介质实施例中未披露的技术细节,请参照本申请方法实施例的描述。
上述计算机可读存储介质可以是前述任一实施例提供的数据处理装置或者上述计算机设备的内部存储单元,例如计算机设备的硬盘或内存。该计算机可读存储介质也可以是该计算机设备的外部存储设备,例如该计算机设备上配备的插接式硬盘,智能存储卡(smart media card,SMC),安全数字(secure digital,SD)卡,闪存卡(flash card)等。进一步地,该计算机可读存储介质还可以既包括该计算机设备的内部存储单元也包括外部存储设备。该计算机可读存储介质用于存储该计算机程序以及该计算机设备所需的其他程序和数据。该计算机可读存储介质还可以用于暂时地存储已经输出或者将要输出的数据。
以上所揭露的仅为本申请较佳实施例而已,当然不能以此来限定本申请之权利范围,因此依本申请权利要求所作的等同变化,仍属本申请所涵盖的范围。
Claims (15)
1.一种数据处理方法,其特征在于,包括:
获取在边缘计算节点中运行的目标应用的当前运营活动信息,获取所述目标应用关联的一个或多个当前运行信息;所述目标应用包含至少两个应用活动场景;一个当前运行信息包括一个业务用户所在的应用活动场景和业务用户占用资源信息;
根据所述当前运营活动信息和每个当前运行信息中的应用活动场景和业务用户占用资源信息,确定所述至少两个应用活动场景分别对应的平均算力需求信息;
预测所述边缘计算节点在目标时间段内针对所述目标应用的新增业务用户、下线业务用户以及场景切换业务用户;
根据所述平均算力需求信息、所述新增业务用户、所述下线业务用户以及所述场景切换业务用户,确定所述边缘计算节点在所述目标时间段内的变化算力资源信息;
根据所述边缘计算节点的算力总资源信息、已占用算力资源信息和所述变化算力资源信息,确定所述边缘计算节点在所述目标时间段内的空闲算力资源信息。
2.根据权利要求1所述的方法,其特征在于,所述至少两个应用活动场景包括应用活动场景Mi,i为小于或等于所述至少两个应用活动场景的总数量的正整数;
所述根据所述当前运营活动信息和每个当前运行信息中的应用活动场景和业务用户占用资源信息,确定所述至少两个应用活动场景分别对应的平均算力需求信息,包括:
在每个当前运行信息中,获取应用活动场景Mi对应的业务用户占用资源信息,作为待处理资源信息;
获取所述目标应用中与所述当前运营活动信息相匹配的历史运营活动信息,获取所述历史运营活动信息关联的一个或多个历史运行信息;
在所述一个或多个历史运行信息中,获取应用活动场景Mi对应的历史业务用户占用资源信息,作为历史资源信息;
对所述历史资源信息和所述待处理资源信息进行均值处理,得到所述应用活动场景Mi对应的平均算力需求信息。
3.根据权利要求1所述的方法,其特征在于,所述预测所述边缘计算节点在目标时间段内针对所述目标应用的新增业务用户、下线业务用户以及场景切换业务用户,包括:
获取所述目标应用的历史业务行为数据;
根据所述边缘计算节点的当前空闲算力资源信息、所述当前运营活动信息、所述历史业务行为数据,确定所述边缘计算节点在所述目标时间段内针对所述目标应用的新增业务用户;
根据所述业务用户所在的应用活动场景、所述当前运营活动信息、所述历史业务行为数据,确定所述边缘计算节点在所述目标时间段内针对所述目标应用的下线业务用户和场景切换业务用户。
4.根据权利要求3所述的方法,其特征在于,所述根据所述边缘计算节点的当前空闲算力资源信息、所述当前运营活动信息、所述历史业务行为数据,确定所述边缘计算节点在所述目标时间段内针对所述目标应用的新增业务用户,包括:
根据所述当前运营活动信息、所述历史业务行为数据以及节假日信息,预测在目标时间段内所述目标应用的总新增业务用户;
根据所述边缘计算节点的当前空闲算力资源信息对所述总新增业务用户进行预上线调度处理,确定所述边缘计算节点在目标时间段内针对所述目标应用的新增业务用户。
5.根据权利要求1所述的方法,其特征在于,所述根据所述平均算力需求信息、所述新增业务用户、所述下线业务用户以及所述场景切换业务用户,确定所述边缘计算节点在所述目标时间段内的变化算力资源信息,包括:
根据所述新增业务用户所在的初始登录场景对应的平均算力需求信息,确定所述新增业务用户对应的新增算力资源信息;所述初始登录场景属于所述至少两个应用活动场景;
根据所述下线业务用户所在的应用活动场景对应的平均算力需求信息,确定所述下线业务用户对应的释放算力资源信息;
将所述场景切换业务用户在场景切换前所在的应用活动场景确定为第一应用活动场景,将所述场景切换业务用户在场景切换后所在的应用活动场景确定为第二应用活动场景;
根据所述第一应用活动场景对应的平均算力需求信息和所述第二应用活动场景对应的平均算力需求信息,确定所述场景切换业务用户对应的切换算力资源信息;
根据所述新增算力资源信息、所述释放算力资源信息以及切换算力资源信息,确定所述边缘计算节点在所述目标时间段内的变化算力资源信息。
6.根据权利要求1所述的方法,其特征在于,所述一个或多个当前运行信息包括当前运行信息Nj,j为小于或等于所述一个或多个当前运行信息的总数量的正整数;所述当前运行信息Nj包括应用活动场景Hj和业务用户占用资源信息Ij;所述业务用户占用资源信息Ij包括中央处理器算力信息;
所述获取所述目标应用关联的一个或多个当前运行信息,包括:
确定所述边缘计算节点的中央处理器在单位时间内,针对所述应用活动场景Hj进行处理的事务数量,将所述事务数量作为所述中央处理器算力信息。
7.根据权利要求1所述的方法,其特征在于,所述一个或多个当前运行信息包括当前运行信息Nj,j为小于或等于所述一个或多个当前运行信息的总数量的正整数;所述当前运行信息Nj包括应用活动场景Hj和业务用户占用资源信息Ij;所述业务用户占用资源信息Ij包括图形处理器算力信息;
所述获取所述目标应用关联的一个或多个当前运行信息,包括:
确定所述边缘计算节点的图形处理器在单位时间内,针对所述应用活动场景Hj进行的浮点操作次数,将所述浮点操作次数作为所述图形处理器算力信息。
8.根据权利要求1所述的方法,其特征在于,所述一个或多个当前运行信息包括当前运行信息Nj,j为小于或等于所述一个或多个当前运行信息的总数量的正整数;所述当前运行信息Nj包括应用活动场景Hj和业务用户占用资源信息Ij;所述业务用户占用资源信息Ij包括图形处理器算力信息;
所述获取所述目标应用关联的一个或多个当前运行信息,包括:
若所述目标应用的应用运算类型为视频处理运算类型,则确定所述边缘计算节点的图形处理器在单位时间内针对所述应用活动场景Hj的吞吐量;
确定所述边缘计算节点的图形处理器在单位时间内,针对所述应用活动场景Hj进行的浮点操作次数;
将所述吞吐量和所述浮点操作次数共同作为所述图形处理器算力信息。
9.根据权利要求1所述的方法,其特征在于,所述一个或多个当前运行信息包括当前运行信息Nj,j为小于或等于所述一个或多个当前运行信息的总数量的正整数;所述当前运行信息Nj包括应用活动场景Hj和业务用户占用资源信息Ij;
所述获取所述目标应用关联的一个或多个当前运行信息,包括:
确定所述边缘计算节点在单位时间内运行所述应用活动场景Hj的内存使用信息,将所述内存使用信息作为所述业务用户占用资源信息Ij;
或者,
确定所述边缘计算节点在单位时间内运行所述应用活动场景Hj的网络带宽使用信息,将所述网络带宽使用信息作为所述业务用户占用资源信息Ij;
或者,
确定所述边缘计算节点的磁盘在单位时间内运行所述应用活动场景Hj的数量读取量和数据写入量,将所述数据读取量和数据写入量作为磁盘读写算力信息,将所述磁盘读写算力信息作为所述业务用户占用资源信息Ij。
10.根据权利要求1所述的方法,其特征在于,还包括:
对每个业务用户占用资源信息中的中央处理器算力信息进行累加处理,得到中央处理器占用算力信息;
对每个业务用户占用资源信息中的图形处理器算力信息进行累加处理,得到图形处理器占用算力信息;
对每个业务用户占用资源信息中的内存使用信息进行累加处理,得到内存占用算力信息;
对每个业务用户占用资源信息中的网络带宽使用信息进行累加处理,得到网络带宽占用算力信息;
对每个业务用户占用资源信息中的磁盘读写算力信息进行累加处理,得到磁盘读写占用算力信息;
将所述中央处理器占用算力信息,所述图形处理器占用算力信息,所述内存占用算力信息,所述网络带宽占用算力信息以及所述磁盘读写占用算力信息,分别作为所述边缘计算节点的已占用算力资源信息。
11.根据权利要求10所述的方法,其特征在于,所述浮点操作次数信息的浮点类型包括半精度浮点类型、单精度浮点类型以及双精度浮点类型;
所述对每个业务用户占用资源信息中的图形处理器算力信息进行累加处理,得到图形处理器占用算力信息,包括:
从每个业务用户占用资源信息中的图形处理器算力信息中,将浮点类型为半精度浮点类型的浮点操作次数信息进行求和处理,得到半精度浮点操作次数信息;
根据所述半精度浮点操作次数信息和半精度浮点操作上限次数,确定半精度浮点算力百分比;
从每个业务用户占用资源信息中的图形处理器算力信息中,将浮点类型为单精度浮点类型的浮点操作次数信息进行求和处理,得到单精度浮点操作次数信息;
根据所述单精度浮点操作次数信息和单精度浮点操作总次数,确定单精度浮点算力百分比;
从每个业务用户占用资源信息中的图形处理器算力信息中,将浮点类型为双精度浮点类型的浮点操作次数信息进行求和处理,得到双精度浮点操作次数信息;
根据所述双精度浮点操作次数信息和双精度浮点操作总次数,确定双精度浮点算力百分比;
根据所述半精度浮点操作次数信息、所述单精度浮点算力百分比以及所述双精度浮点算力百分比,确定浮点算力占用百分比,将所述浮点算力占用百分比作为图形处理器占用算力信息。
12.根据权利要求10所述的方法,其特征在于,则所述方法还包括:
若所述中央处理器占用算力信息大于中央处理器算力上限阈值,或者所述图形处理器占用算力信息大于图形处理器算力上限阈值,或者所述内存占用算力信息大于内存算力上限阈值,或者所述网络带宽占用算力信息大于图形处理器算力上限阈值,或者所述磁盘读写占用算力信息大于磁盘读写算力上限阈值,则从所述一个或多个当前运行信息分别对应的业务用户中,获取X个业务用户作为待调整业务用户;所述X为小于或等于所述一个或多个当前运行信息总数量的正整数;
发送针对所述待调整业务用户的场景迁移请求至所述边缘计算节点,以使所述边缘计算节点将所述待调整业务用户所在的应用活动场景迁移至空闲边缘计算节点;所述空闲边缘计算节点用于基于所述待调整业务用户对应的业务用户占用资源信息分配算力资源;迁移后的所述边缘计算节点释放所述待调整业务用户所占用的算力资源。
13.根据权利要求1所述的方法,其特征在于,还包括:
确定所述边缘计算节点的邻居边缘计算节点在所述目标时间段内的空闲算力资源信息;所述边缘计算节点和所述邻居边缘计算节点属于同一边缘节点;
根据所述边缘计算节点在所述目标时间段内的空闲算力资源和所述邻居边缘计算节点在所述目标时间段内的空闲算力资源,确定所述边缘节点在所述目标时间段内的空闲总算力资源。
14.一种计算机设备,其特征在于,包括:处理器、存储器以及网络接口;
所述处理器与所述存储器、所述网络接口相连,其中,所述网络接口用于提供网络通信功能,所述存储器用于存储程序代码,所述处理器用于调用所述程序代码,以执行权利要求1-13任一项所述的方法。
15.一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,该计算机程序适于由处理器加载并执行权利要求1-13任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110730511.9A CN113434294A (zh) | 2021-06-29 | 2021-06-29 | 一种数据处理方法、计算机设备以及可读存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110730511.9A CN113434294A (zh) | 2021-06-29 | 2021-06-29 | 一种数据处理方法、计算机设备以及可读存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113434294A true CN113434294A (zh) | 2021-09-24 |
Family
ID=77758029
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110730511.9A Pending CN113434294A (zh) | 2021-06-29 | 2021-06-29 | 一种数据处理方法、计算机设备以及可读存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113434294A (zh) |
Cited By (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113900906A (zh) * | 2021-10-28 | 2022-01-07 | 北京达佳互联信息技术有限公司 | 日志容量确定方法、装置、电子设备及存储介质 |
CN114138454A (zh) * | 2021-10-19 | 2022-03-04 | 中标慧安信息技术股份有限公司 | 一种边缘计算平台算力的公平分配方法及系统 |
CN115357401A (zh) * | 2022-10-18 | 2022-11-18 | 苏州市中地行信息技术有限公司 | 一种基于多数据中心的任务调度与可视化方法和系统 |
CN115473901A (zh) * | 2022-11-15 | 2022-12-13 | 四川汉唐云分布式存储技术有限公司 | 一种分布式算力集群智慧调度方法、装置及计算机设备 |
CN115550452A (zh) * | 2022-09-30 | 2022-12-30 | 中国联合网络通信集团有限公司 | 数据处理方法、算力设备及通信系统 |
CN116347608A (zh) * | 2023-04-19 | 2023-06-27 | 湖南科技学院 | 一种时分资源自适应调整方法 |
CN116627662A (zh) * | 2023-07-24 | 2023-08-22 | 北京智芯微电子科技有限公司 | 边缘计算的资源处理方法、装置、存储介质及电子设备 |
CN117493003A (zh) * | 2023-11-09 | 2024-02-02 | 深圳市闪剪智能科技有限公司 | 资源的调度方法、装置、终端设备和可读存储介质 |
WO2024041572A1 (zh) * | 2022-08-24 | 2024-02-29 | 中国电信股份有限公司 | 业务处理方法、装置、设备、介质及程序产品 |
-
2021
- 2021-06-29 CN CN202110730511.9A patent/CN113434294A/zh active Pending
Cited By (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114138454A (zh) * | 2021-10-19 | 2022-03-04 | 中标慧安信息技术股份有限公司 | 一种边缘计算平台算力的公平分配方法及系统 |
CN114138454B (zh) * | 2021-10-19 | 2022-07-15 | 中标慧安信息技术股份有限公司 | 一种边缘计算平台算力的公平分配方法及系统 |
CN113900906A (zh) * | 2021-10-28 | 2022-01-07 | 北京达佳互联信息技术有限公司 | 日志容量确定方法、装置、电子设备及存储介质 |
WO2024041572A1 (zh) * | 2022-08-24 | 2024-02-29 | 中国电信股份有限公司 | 业务处理方法、装置、设备、介质及程序产品 |
CN115550452B (zh) * | 2022-09-30 | 2024-04-16 | 中国联合网络通信集团有限公司 | 数据处理方法、算力设备及通信系统 |
CN115550452A (zh) * | 2022-09-30 | 2022-12-30 | 中国联合网络通信集团有限公司 | 数据处理方法、算力设备及通信系统 |
CN115357401A (zh) * | 2022-10-18 | 2022-11-18 | 苏州市中地行信息技术有限公司 | 一种基于多数据中心的任务调度与可视化方法和系统 |
CN115357401B (zh) * | 2022-10-18 | 2023-03-24 | 苏州市中地行信息技术有限公司 | 一种基于多数据中心的任务调度与可视化方法和系统 |
CN115473901B (zh) * | 2022-11-15 | 2023-03-10 | 四川汉唐云分布式存储技术有限公司 | 一种分布式算力集群智慧调度方法、装置及计算机设备 |
CN115473901A (zh) * | 2022-11-15 | 2022-12-13 | 四川汉唐云分布式存储技术有限公司 | 一种分布式算力集群智慧调度方法、装置及计算机设备 |
CN116347608A (zh) * | 2023-04-19 | 2023-06-27 | 湖南科技学院 | 一种时分资源自适应调整方法 |
CN116347608B (zh) * | 2023-04-19 | 2024-03-15 | 湖南科技学院 | 一种时分资源自适应调整方法 |
CN116627662A (zh) * | 2023-07-24 | 2023-08-22 | 北京智芯微电子科技有限公司 | 边缘计算的资源处理方法、装置、存储介质及电子设备 |
CN116627662B (zh) * | 2023-07-24 | 2023-12-01 | 北京智芯微电子科技有限公司 | 边缘计算的资源处理方法、装置、存储介质及电子设备 |
CN117493003A (zh) * | 2023-11-09 | 2024-02-02 | 深圳市闪剪智能科技有限公司 | 资源的调度方法、装置、终端设备和可读存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113434294A (zh) | 一种数据处理方法、计算机设备以及可读存储介质 | |
CN113599803A (zh) | 一种基于边缘计算的数据处理方法、设备及可读存储介质 | |
CN113485841A (zh) | 一种基于边缘计算的数据处理方法、设备及可读存储介质 | |
CN106020715A (zh) | 存储池容量管理 | |
CN107430528A (zh) | 机会性资源迁移以优化资源放置 | |
CN112488706B (zh) | 一种基于区块链的云服务管理方法及系统 | |
CN112870726B (zh) | 图形处理器的资源分配方法、装置和存储介质 | |
CN113230658A (zh) | 资源分配方法、装置、计算机可读介质及电子设备 | |
CN111143039B (zh) | 一种虚拟机的调度方法、装置及计算机存储介质 | |
CN111506434B (zh) | 一种任务处理方法、装置及计算机可读存储介质 | |
CN113069769B (zh) | 云游戏界面显示方法、装置、电子设备以及存储介质 | |
JP7313467B2 (ja) | サーバーの負荷予測及び高度なパフォーマンス測定 | |
CN112416568A (zh) | 音视频转码任务的时长预估方法和时长预估装置 | |
CN113181634A (zh) | 游戏数据处理方法及装置、系统、电子设备和存储介质 | |
CN116775304A (zh) | 任务分配方法、系统、装置及非易失性存储介质 | |
Aboutorabi et al. | An Optimized Meta-heuristic Bees Algorithm for Players' Frame Rate Allocation Problem in Cloud Gaming Environments. | |
CN116339932A (zh) | 资源调度方法、装置和服务器 | |
WO2023107283A1 (en) | Network storage game allocation based on artificial intelligence | |
CN115840649A (zh) | 划分容量块式虚拟资源分配方法及装置、存储介质和终端 | |
CN110069349A (zh) | 一种基于大数据平台的资源消耗核算系统 | |
CN113904940A (zh) | 资源调整方法、装置、电子设备和计算机可读存储介质 | |
CN112911620A (zh) | 信息处理方法、装置及电子设备和存储介质 | |
Hu | Reactive Prediction Models for Cloud Resource Estimation | |
CN116074541B (zh) | 一种资源处理方法、系统、装置及电子设备 | |
CN117194131B (zh) | 数据处理方法、装置、设备、可读存储介质及程序产品 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
REG | Reference to a national code |
Ref country code: HK Ref legal event code: DE Ref document number: 40052230 Country of ref document: HK |
|
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination |