CN113485847A - 一种基于大数据的资源调度系统 - Google Patents

一种基于大数据的资源调度系统 Download PDF

Info

Publication number
CN113485847A
CN113485847A CN202110897733.XA CN202110897733A CN113485847A CN 113485847 A CN113485847 A CN 113485847A CN 202110897733 A CN202110897733 A CN 202110897733A CN 113485847 A CN113485847 A CN 113485847A
Authority
CN
China
Prior art keywords
server
cluster
load
execution
low
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
CN202110897733.XA
Other languages
English (en)
Inventor
芮罗锋
金雨雷
余礼载
章建军
朱咖喱
王斌
王明庚
寿新元
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.)
Hangzhou Greentown Information Technology Co ltd
Original Assignee
Hangzhou Greentown Information Technology Co ltd
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 Hangzhou Greentown Information Technology Co ltd filed Critical Hangzhou Greentown Information Technology Co ltd
Priority to CN202110897733.XA priority Critical patent/CN113485847A/zh
Publication of CN113485847A publication Critical patent/CN113485847A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F9/00—Arrangements for program control, e.g. control units
    • G06F9/06—Arrangements for program control, e.g. control units using stored programs, i.e. using an internal store of processing equipment to receive or retain programs
    • G06F9/46—Multiprogramming arrangements
    • G06F9/50—Allocation of resources, e.g. of the central processing unit [CPU]
    • G06F9/5005—Allocation of resources, e.g. of the central processing unit [CPU] to service a request
    • G06F9/5027—Allocation of resources, e.g. of the central processing unit [CPU] to service a request the resource being a machine, e.g. CPUs, Servers, Terminals
    • 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
    • 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
    • G06F9/5038—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 execution order of a plurality of tasks, e.g. taking priority or time dependency constraints into consideration

Landscapes

  • Engineering & Computer Science (AREA)
  • Software Systems (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Computer And Data Communications (AREA)

Abstract

本发明公开了一种基于大数据的资源调度系统，涉及计算机技术领域。包括主调度服务器和若干社区服务器集群；所述社区服务器集群，分布在各个智慧社区内；每一社区服务器集群包括一台副调度服务器和多台执行服务器；所述执行服务器，执行业务请求；所述副调度服务器，将待执行的业务请求均衡分配至各执行服务器；主调度服务器，在不同时刻，将社区服务器集群中的部分标记为高负荷集群，另一部分标记为低负荷集群；将低负荷集群中的一个或多个执行服务器调用给高负荷集群。本发明能够利用不同智慧社区的业务高峰期差异，充分利用服务器资源。

Description

一种基于大数据的资源调度系统
技术领域
本发明涉及计算机技术领域，尤其涉及一种基于大数据的资源调度系统。
背景技术
随着科学技术的发展，智慧社区得到了迅猛的发展。所谓的智慧社区，是指通过利用各种智能技术和方式，整合社区现有的各类服务资源，为社区群众提供政务、商务、娱乐、教育、医护及生活互助等多种便捷服务的模式；从应用方向来看，“智慧社区”应实现“以智慧政务提高办事效率，以智慧民生改善人民生活，以智慧家庭打造智能生活，以智慧小区提升社区品质”的目标。
随着智慧社区的进一步发展，其承担的业务越来越庞大，目前一般覆盖门禁、考勤、消费、梯控、访客、停车、巡更、视频、报警、人证、通道、信息屏、人脸感知、智能分析及系统管理等多个子系统，单一的服务器已无法满足智慧社区业务的繁重性，因此智慧社区引入了分布式系统以解决单一服务器的困境，并采用负载均衡的机制调度各服务器的资源。但是现有的负载均衡机制仅局限于单一的智慧社区内，而单一的智慧社区中所部署的服务器也是有限的，在当前智慧社区的业务高峰期，难免会遇到服务器资源紧张的情况。因此如何开发一种不同智慧社区间的资源调度系统，利用不同智慧社区的业务高峰期差异，充分利用服务器资源是亟待解决的难题之一。
发明内容
本发明的目的在于提供一种基于大数据的资源调度系统，能够利用不同智慧社区的业务高峰期差异，充分利用服务器资源。
为实现上述目的，本发明提供如下技术方案：
一种基于大数据的资源调度系统，包括主调度服务器和若干社区服务器集群；
所述社区服务器集群，分布在各个智慧社区内；每一社区服务器集群包括一台副调度服务器和多台执行服务器；
所述执行服务器，执行业务请求；
所述副调度服务器，将待执行的业务请求均衡分配至各执行服务器；
主调度服务器，在不同时刻，将社区服务器集群中的部分标记为高负荷集群，另一部分标记为低负荷集群；将低负荷集群中的一个或多个执行服务器调用给高负荷集群。
进一步的，所述副调度服务器将待执行的业务请求均衡分配至各执行服务器的具体步骤如下：
FP1，测试/获取各执行服务器的TPS；
FP2，将待执行的业务请求按照各执行服务器的TPS等比例分成若干子集；
FP3，将所述若干子集分配至对应的执行服务器中。
进一步的，所述副调度服务器将待执行的业务请求均衡分配至各执行服务器的具体步骤还包括：
FP4，间隔规定时间段检测各执行服务器中的业务请求执行情况；
FP5，更新执行服务器的TPS；
FP6，计算每个执行服务器中剩余待执行的业务请求与TPS的比例；
FP7，计算各比例的离散度；
FP8，将所述离散度与离散度阈值相比较，若离散度小于离散度阈值，则增大FP4中的规定时间段；否则，减小FP4中的规定时间段，并重新分配执行服务器中的待执行业务请求。
进一步的，所述FP8中，重新分配执行服务器中的待执行业务请求的步骤如下：
FP81，选取比例最大的前k个执行服务器和后k个执行服务器；
FP82，将比例最大的前k个执行服务器中剩余待执行业务请求逐一抓取至后k个执行服务器中，直至前k个执行服务器和后k个执行服务器中的所述比例一致。
进一步的，所述离散度为标准差。
进一步的，所述高负荷集群和低负荷集群的标记标记方法如下：
结合智慧社区的工业用/民用属性，为每一智慧社区预设高负载时段，在所述业务高峰时段内，该智慧社区的社区服务器集群为高负荷集群；其余时间，该智慧社区的社区服务器集群为低负荷集群；或间隔规定时间段，统计各社区服务器集群的总负载，将总负载高于第一阈值的社区服务器集群标记为高负荷集群，总负载低于第一阈值的社区服务器集群标记为低负荷集群。
进一步的，所述主调度服务器将低负荷集群中的一个或多个执行服务器调用给高负荷集群的具体内容如下：
DY1，为每一高负荷集群配置低负荷集群；
DY2，选取低负荷集群中的一个或多个执行服务器，从该低负荷集群进行均衡分配的执行服务器队列中删除，添加进同组的高负荷集群进行均衡分配的执行服务器队列。
进一步的，所述DY1中为每一高负荷集群配置低负荷集群的方法如下：
DY11，针对每一高负荷集群，其副调度服务器向所有低负荷集群发送测试业务请求集合；
DY12，低负荷集群的副调度服务器接收到所述测试业务请求集合后，执行其中包含的一个或多个测试业务请求，全部完成后，回发一个完成响应；
DY13，高负荷集群的副调度服务器选择接收到的首个完成响应所对应的低负荷集群完成配置。
进一步的，所述高负荷集群中需配置执行服务器的数量和低负荷集群中可配置执行服务器的数量为预设；若DY13配置过程中，高负荷集群的需配置执行服务器的数量大于低负荷集群中可配置执行服务器的数量，则按照完成响应的先后顺序，从其他低负荷集群中配置剩余的需配置执行服务器；若DY13配置过程中，高负荷集群的需配置执行服务器的数量小于低负荷集群中可配置执行服务器的数量，则该低负荷集群中剩余的可配置执行服务器用以其他高负荷集群的配置。
进一步的，所述主调度服务器为任意一个智慧社区的副调度服务器。
与现有技术相比，本发明的有益效果是：本发明以主调度服务器利用了不同智慧社区的业务高峰期差异，实现了智慧社区间的资源调度，能够在全局上进行资源的优化调度，降低整个智慧社区分布式系统的成本，同时，保证了系统能够适应高峰期的业务需求。
附图说明
图1为本发明一实施例的整体系统结构图。
图2为本发明另一实施例的整体系统结构图。
图3为本发明一实施例的执行服务器均衡分配业务请求的流程图。
图4为本发明一实施例的执行服务器重新分配业务请求的流程图。
图5为本发明一实施例的将低负荷集群资源调用给高负荷集群的流程图。
具体实施方式
下面对本发明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发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
实施例一：
请参阅图1，本实施例提供一种基于大数据的资源调度系统，包括1台主调度服务器和若干社区服务器集群。
所述社区服务器集群，分别分布在智慧社区1至智慧社区4内；每一社区服务器集群包括一台副调度服务器和多台执行服务器。比如，分布于智慧社区1内的社区服务器集群包括副调度服务器1和执行服务器1至执行服务器5。值得一提的是，所述社区服务器集群的数量根据智慧社区4的数量而定，不作特殊限定。
所述执行服务器，用于执行业务请求，如门禁、考勤、消费、梯控、访客、停车、巡更、视频、报警、人证、通道、信息屏、人脸感知、智能分析及系统管理等子系统实时生成的业务请求，皆有执行服务器处理。
所述副调度服务器，将待执行的业务请求均衡分配至各执行服务器。
如图3所示，所述副调度服务器将待执行的业务请求均衡分配至各执行服务器的具体步骤如下：
FP1，测试/获取各执行服务器的TPS；
TPS：Transactions Per Second，意思是每秒事务数，于本实施例指代执行服务器每秒钟能够完成的待执行的业务请求的数量，是执行服务器处理性能的指标。TPS可以是执行服务器内部预配置，也可以通过测试一段时间内执行服务器完成的业务请求数量得到。
FP2，将待执行的业务请求按照各执行服务器的TPS等比例分成若干子集；
FP3，将所述若干子集分配至对应的执行服务器中；使得每个执行服务器的期望完成时间均等，达到分配均衡的目的。
基于执行服务器本身的性能并非一成不变的，会随着使用时间的推移，使用环境如温度，湿度的变化而发生改变，需要在上述均衡分配的基础上进行二次重分配，具体如下：
FP4，间隔规定时间段（如每隔30s）检测各执行服务器中的业务请求执行情况；
FP5，测试执行服务器的实时TPS，并进行TPS的更新；
FP6，计算每个执行服务器中剩余待执行的业务请求与TPS的比例；该比例为执行服务器完成剩余待执行的业务请求的预估时间，可视为执行服务器的负载。
FP7，计算各比例的离散度，本实施例中，所述离散度采用标准差。
FP8，将所述离散度与离散度阈值相比较，若离散度小于离散度阈值，则说明各执行服务器的负载依旧处于相对均衡的情况，无需频繁进行二次调整，增大FP4中的规定时间段（如增大至40s、50s，依次递增）；否则，则说明执行服务器的负载不均衡，需要重新调整，重新分配执行服务器中的待执行业务请求，同时，减小FP4中的规定时间段（如减小至25s、20s）。
如图4所示，所述FP8中，重新分配执行服务器中的待执行业务请求的步骤如下：
FP81，选取比例最大的前k个执行服务器和后k个执行服务器；比例最大和最小的服务器意味着其偏离平均负载越远，需要重新分配，本实施例中，k优选3。
FP82，将比例最大的前3个执行服务器中剩余待执行业务请求逐一抓取至后3个执行服务器中，直至前3个执行服务器和后3个执行服务器中的所述比例一致。至此，仅比例最大和最小的几个执行服务器进行了重新分配，其余几个比例适中的执行服务器靠近平均负载，不进行重新分配，能够降低副调度服务器的负载。
主调度服务器，在不同时刻，将社区服务器集群中的部分标记为高负荷集群，另一部分标记为低负荷集群；将低负荷集群中的一个或多个执行服务器调用给高负荷集群。
具体的，所述高负荷集群和低负荷集群的标记标记方法主要包括以下两种：
方法一：
结合智慧社区的工业用/民用属性，为每一智慧社区预设高负载时段，在所述业务高峰时段内，该智慧社区的社区服务器集群为高负荷集群；其余时间，该智慧社区的社区服务器集群为低负荷集群；比如，工业用智慧社区，设置其业务高峰时段为早9点至晚5点；则工业用智慧社区在早9点至晚5点的时段内为高负荷集群，其余时间段内为低负荷集群；民用智慧园区亦同理。通过该设置，可以实现不同属性的智慧社区件执行服务器的资源互补。
方法二：
间隔规定时间段（比如2小时），统计各社区服务器集群的总负载，将总负载高于第一阈值的社区服务器集群标记为高负荷集群，总负载低于第一阈值的社区服务器集群标记为低负荷集群。此方法无需前期进行自定义属性的设定，使用更为灵活。
请参照图5，于本实施例中，所述主调度服务器将低负荷集群中的一个或多个执行服务器调用给高负荷集群的具体内容如下：
DY1，为每一高负荷集群配置低负荷集群；具体的，为每一高负荷集群配置低负荷集群的方法如下：
DY11，针对每一高负荷集群，其副调度服务器向所有低负荷集群发送测试业务请求集合；
DY12，低负荷集群的副调度服务器接收到所述测试业务请求集合后，执行其中包含的一个或多个测试业务请求，全部完成后，回发一个完成响应；
DY13，高负荷集群的副调度服务器选择接收到的首个完成响应所对应的低负荷集群完成配置。
DY2，选取低负荷集群中的一个或多个执行服务器，从该低负荷集群进行均衡分配的执行服务器队列中删除，添加进同组的高负荷集群进行均衡分配的执行服务器队列。
所述高负荷集群中需配置执行服务器的数量和低负荷集群中可配置执行服务器的数量为预设，并且数量并不一定相同。
若DY13配置过程中，高负荷集群的需配置执行服务器的数量大于低负荷集群中可配置执行服务器的数量，则按照完成响应的先后顺序，从其他低负荷集群中配置剩余的需配置执行服务器；
若DY13配置过程中，高负荷集群的需配置执行服务器的数量小于低负荷集群中可配置执行服务器的数量，则该低负荷集群中剩余的可配置执行服务器用以其他高负荷集群的配置。
通过以上设定，可以实现一个高负荷集群配置多个低负荷集群，亦可以实现多个高负荷集群配置同一个低负荷集群的目的。以此，能够弥补单个低负荷集群无法满足高负荷集群的过大的业务请求，或者低负荷集群闲置的执行服务器过多导致资源浪费的情况。
实施例二：
与实施例一相比，实施例二的区别在于：所述主调度服务器为任意一个智慧社区的副调度服务器。如图2所示，智慧社区1中的副调度服务器1同时承担主调度服务器的功能，其优点在于无需另外部署主调度服务器，但同时会相应增加副调度服务器的负担。
对于本领域技术人员而言，显然本发明不限于上述示范性实施例的细节，而且在不背离本发明的精神或基本特征的情况下，能够以其他的具体形式实现本发明。因此，无论从哪一点来看，均应将实施例看作是示范性的，而且是非限制性的，本发明的范围由所附权利要求而不是上述说明限定，因此旨在将落在权利要求的等同要件的含义和范围内的所有变化囊括在本发明内。

Claims (10)

1.一种基于大数据的资源调度系统，其特征在于，包括主调度服务器和若干社区服务器集群；
所述社区服务器集群，分布在各个智慧社区内；每一社区服务器集群包括一台副调度服务器和多台执行服务器；
所述执行服务器，执行业务请求；
所述副调度服务器，将待执行的业务请求均衡分配至各执行服务器；
主调度服务器，在不同时刻，将社区服务器集群中的部分标记为高负荷集群，另一部分标记为低负荷集群；将低负荷集群中的一个或多个执行服务器调用给高负荷集群。
2.根据权利要求1所述的一种基于大数据的资源调度系统，其特征在于，所述副调度服务器将待执行的业务请求均衡分配至各执行服务器的具体步骤如下：
FP1，测试/获取各执行服务器的TPS；
FP2，将待执行的业务请求按照各执行服务器的TPS等比例分成若干子集；
FP3，将所述若干子集分配至对应的执行服务器中。
3.根据权利要求2所述的一种基于大数据的资源调度系统，其特征在于，所述副调度服务器将待执行的业务请求均衡分配至各执行服务器的具体步骤还包括：
FP4，间隔规定时间段检测各执行服务器中的业务请求执行情况；
FP5，更新执行服务器的TPS；
FP6，计算每个执行服务器中剩余待执行的业务请求与TPS的比例；
FP7，计算各比例的离散度；
FP8，将所述离散度与离散度阈值相比较，若离散度小于离散度阈值，则增大FP4中的规定时间段；否则，减小FP4中的规定时间段，并重新分配执行服务器中的待执行业务请求。
4.根据权利要求3所述的一种基于大数据的资源调度系统，其特征在于，所述FP8中，重新分配执行服务器中的待执行业务请求的步骤如下：
FP81，选取比例最大的前k个执行服务器和后k个执行服务器；
FP82，将比例最大的前k个执行服务器中剩余待执行业务请求逐一抓取至后k个执行服务器中，直至前k个执行服务器和后k个执行服务器中的所述比例一致。
5.根据权利要求3或4所述的一种基于大数据的资源调度系统，其特征在于，所述离散度为标准差。
6.根据权利要求1所述的一种基于大数据的资源调度系统，其特征在于，所述高负荷集群和低负荷集群的标记标记方法如下：
结合智慧社区的工业用/民用属性，为每一智慧社区预设高负载时段，在所述业务高峰时段内，该智慧社区的社区服务器集群为高负荷集群；其余时间，该智慧社区的社区服务器集群为低负荷集群；或间隔规定时间段，统计各社区服务器集群的总负载，将总负载高于第一阈值的社区服务器集群标记为高负荷集群，总负载低于第一阈值的社区服务器集群标记为低负荷集群。
7.根据权利要求1或6所述的一种基于大数据的资源调度系统，其特征在于，所述主调度服务器将低负荷集群中的一个或多个执行服务器调用给高负荷集群的具体内容如下：
DY1，为每一高负荷集群配置低负荷集群；
DY2，选取低负荷集群中的一个或多个执行服务器，从该低负荷集群进行均衡分配的执行服务器队列中删除，添加进同组的高负荷集群进行均衡分配的执行服务器队列。
8.根据权利要求7所述的一种基于大数据的资源调度系统，其特征在于，所述DY1中为每一高负荷集群配置低负荷集群的方法如下：
DY11，针对每一高负荷集群，其副调度服务器向所有低负荷集群发送测试业务请求集合；
DY12，低负荷集群的副调度服务器接收到所述测试业务请求集合后，执行其中包含的一个或多个测试业务请求，全部完成后，回发一个完成响应；
DY13，高负荷集群的副调度服务器选择接收到的首个完成响应所对应的低负荷集群完成配置。
9.根据权利要求8所述的一种基于大数据的资源调度系统，其特征在于，所述高负荷集群中需配置执行服务器的数量和低负荷集群中可配置执行服务器的数量为预设；若DY13配置过程中，高负荷集群的需配置执行服务器的数量大于低负荷集群中可配置执行服务器的数量，则按照完成响应的先后顺序，从其他低负荷集群中配置剩余的需配置执行服务器；若DY13配置过程中，高负荷集群的需配置执行服务器的数量小于低负荷集群中可配置执行服务器的数量，则该低负荷集群中剩余的可配置执行服务器用以其他高负荷集群的配置。
10.根据权利要求1所述的一种基于大数据的资源调度系统，其特征在于，所述主调度服务器为任意一个智慧社区的副调度服务器。
CN202110897733.XA 2021-08-05 2021-08-05 一种基于大数据的资源调度系统 Pending CN113485847A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110897733.XA CN113485847A (zh) 2021-08-05 2021-08-05 一种基于大数据的资源调度系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110897733.XA CN113485847A (zh) 2021-08-05 2021-08-05 一种基于大数据的资源调度系统

Publications (1)

Publication Number Publication Date
CN113485847A true CN113485847A (zh) 2021-10-08

Family

ID=77945608

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110897733.XA Pending CN113485847A (zh) 2021-08-05 2021-08-05 一种基于大数据的资源调度系统

Country Status (1)

Country Link
CN (1) CN113485847A (zh)

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103763346A (zh) * 2013-12-31 2014-04-30 华为技术有限公司 一种分布式资源调度方法及装置
CN110099083A (zh) * 2018-01-30 2019-08-06 贵州白山云科技股份有限公司 一种用于服务器集群的负载均衡调度方法及装置
CN110213358A (zh) * 2019-05-23 2019-09-06 深圳壹账通智能科技有限公司 集群资源调度的方法、节点、设备及存储介质
CN110433487A (zh) * 2019-08-08 2019-11-12 腾讯科技（深圳）有限公司 一种业务资源分配的方法及相关装置

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103763346A (zh) * 2013-12-31 2014-04-30 华为技术有限公司 一种分布式资源调度方法及装置
CN110099083A (zh) * 2018-01-30 2019-08-06 贵州白山云科技股份有限公司 一种用于服务器集群的负载均衡调度方法及装置
CN110213358A (zh) * 2019-05-23 2019-09-06 深圳壹账通智能科技有限公司 集群资源调度的方法、节点、设备及存储介质
CN110433487A (zh) * 2019-08-08 2019-11-12 腾讯科技（深圳）有限公司 一种业务资源分配的方法及相关装置

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
张永忠，赵银亮，宋敬彬，董小社，李增智: "Web集群服务器可用性的提高", 《计算机工程》 *

Similar Documents

Publication Publication Date Title
US8209695B1 (en) Reserving resources in a resource-on-demand system for user desktop utility demand
US20180198855A1 (en) Method and apparatus for scheduling calculation tasks among clusters
CN109471705A (zh) 任务调度的方法、设备及系统、计算机设备
CN109032801A (zh) 一种请求调度方法、系统及电子设备和存储介质
CN108776934A (zh) 分布式数据计算方法、装置、计算机设备及可读存储介质
CN104298550A (zh) 一种面向Hadoop的动态调度方法
CN110287245A (zh) 用于分布式etl任务调度执行的方法及系统
US20080263561A1 (en) Information processing apparatus, computer and resource allocation method
WO2020119060A1 (zh) 容器资源调度方法和系统、服务器及计算机可读存储介质
CN115543577B (zh) 基于协变量的Kubernetes资源调度优化方法、存储介质及设备
CN113886034A (zh) 任务调度方法、系统、电子设备及存储介质
CN109783236B (zh) 用于输出信息的方法和装置
CN105786626B (zh) 基于K划分的Storm平台线程分配方法
CN109450672B (zh) 一种识别带宽需求突发的方法和装置
CN113485847A (zh) 一种基于大数据的资源调度系统
CN106325997B (zh) 一种虚拟资源分配方法及装置
CN115204849B (zh) 基于人工智能的企业人力资源管理方法及系统
CN107220114A (zh) 基于资源统一调度的分布式资源调度方法
US20070150907A1 (en) Scheduling method for remote object procedure call and system thereof
CN108536525A (zh) 一种宿主机调度方法及装置
CN116401024A (zh) 基于云计算的集群扩缩容方法、装置、设备及介质
CN111539863B (zh) 一种基于多源任务线的智能城市运行的方法和系统
CN111796934B (zh) 任务下发方法、装置、存储介质和电子设备
CN115080253A (zh) Gpu任务的分配方法、装置、电子设备和存储介质
CN111092755B (zh) 一种基于资源占用的边缘服务迁移仿真方法

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