CN113535394A - 一种智能容量配置方法及系统 - Google Patents
一种智能容量配置方法及系统 Download PDFInfo
- Publication number
- CN113535394A CN113535394A CN202110792798.8A CN202110792798A CN113535394A CN 113535394 A CN113535394 A CN 113535394A CN 202110792798 A CN202110792798 A CN 202110792798A CN 113535394 A CN113535394 A CN 113535394A
- Authority
- CN
- China
- Prior art keywords
- data
- time
- resource capacity
- time sequence
- intelligent
- 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
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]
- G06F9/5061—Partitioning or combining of resources
- G06F9/5077—Logical partitioning of resources; Management or configuration of virtualized resources
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
Landscapes
- Engineering & Computer Science (AREA)
- Software Systems (AREA)
- Theoretical Computer Science (AREA)
- General Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Medical Informatics (AREA)
- Data Mining & Analysis (AREA)
- Computing Systems (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Mathematical Physics (AREA)
- Artificial Intelligence (AREA)
- Debugging And Monitoring (AREA)
Abstract
本发明公开一种智能容量配置方法及系统,通过采集CPU、内存、磁盘、网络等资源容量类的时序数据,然后通过这些数据的特征建立符合业务特征的机器学习时序预测模型,通过预测模块进行预测并输出基于当前历史流数据下的未来指定时间段资源容量类数据的变化趋势和可能变化值,使得能够根据容量配置流程方案执行容量配置,实现智能化的提前进行资源容量配置操作,更好的提升资源容量利用率。
Description
技术领域
本发明属于IT智能运维技术领域,具体涉及一种智能容量配置方法及系统。
背景技术
近些年来电力企业得到了空前的发展,不仅在发展规模上较之前有了明显的提升,信息系统建设力度也在不断加大,在发展的同时也引发了一系列的困扰,系统技术和架构的不断升级与完善无疑增加了运维的难度与复杂性。构建合理、科学的管理操作平台是电力企业亟待解决的问题。通过一体化运维体系的构建,可以在其技术框架基础之上,结合当前电力信息系统实际情况,对其运维模式以及状态进行合理化评估。评估结果能够有效为电力信息系统IT基础设施正常运行提供相应的技术支撑,提高电力信息系统运维高效性。
在资源容量配置方面,无法实时对资源容量进行预测,使得资源容量分配不均匀,常需要人工值守,人工成本大,不能高智能化的资源容量分配,满足不了用户的高质量要求,也满足不了运维高效性。
发明内容
本发明实施例所要解决的技术问题在于,提供一种能够高准确率、自动化决策、自动化执行的智能容量配置方法及系统。
为解决上述技术问题,本发明提供一种智能容量配置方法,包括:
步骤S101,将部署各个应用的虚拟化机器的资源容量类的时序数据进行采集;
步骤S102,将采集到的数据指标进行清洗,实现数据的结构化、扁平化、有效化,并根据需求存储至目标数据库中;
步骤S103,将存入数据库或者消息队列中的实时流数据,根据时序数据特征建立符合业务特征的机器学习时序预测模型;
步骤S104,通过预测模型进行实时预测,并输出基于当前历史流数据下的未来指定时间段资源容量类数据的变化趋势和可能变化值;
步骤S105,根据容量配置流程方案执行容量配置,实现智能化的提前进行资源容量配置操作。
进一步地,所述步骤S101为实时采集或隔时间段采集,具体是采集正在工作状态的各个应用的虚拟化机器的CPU、内存、磁盘、网络中任一种的时序数据。
进一步地,所述步骤S101具体包括:
根据设置的命令,在特点时间段内只采集部署各个应用的虚拟化机器的CPU的时序数据;或者
根据设置的命令,在特定时间段内只采集部署各个应用的虚拟化机器的内存的时序数据;或者
根据设置的命令,在特定时间段内只采集部署各个应用的虚拟化机器的磁盘的时序数据。
进一步地,所述步骤S101具体还包括:
对部署在同一机房内的各个应用的虚拟化机器的资源容量类的时序数据进行采集;或者
对部署在同一系统下或同一IP地址的各个应用的虚拟化机器的资源容量类的时序数据进行采集;或者
对告警高风险地区的各个应用的虚拟化机器的资源容量类的时序数据进行采集;或者
对工作时间比较久或者工作年限比较长的各个应用的虚拟化机器的资源容量类的时序数据进行采集。
进一步地,所述步骤S102中,根据需求存储至目标数据库中具体包括:将CPU的时序数据储存至CPU所对应的数据库中,或者将内存的时序数据储存至内存所对应的数据库中,或者将磁盘的时序数据储存至磁盘所对应的数据库中。
进一步地,所述步骤S103建立预测模型是实时建模或隔一段时间后将采集到数据进行重新评估建模。
进一步地,所述步骤S104具体包括:
通过保留的预测模型对数据进行预测,并将对预测数据进行判断,得出并输出最准确的预测数据;或者
对于几个预测模型有先后顺序预测的,预测最准确的先预测,其他再预测,并在间隔一段时间对几个预测模型的预测数据进行对比,当预测模型不是最新的,但是所预测的数据是最准确的,则重新调用整个预测模型进行优先预测。
进一步地,所述步骤S105还包括:通过预测模型去实时预测并输出预测值,实时对比预测值与阈值,根据对比结果选一个最优的资源容量配置方案进行资源容量配置。
本发明还提供一种智能容量配置系统,包括:
数据采集模块,用于将部署各个应用的虚拟化机器的资源容量类的时序数据进行采集;
数据处理模块,用于将采集到的数据指标进行清洗,实现数据的结构化、扁平化、有效化;
数据储存模块,用于根据需求将数据存储至目标数据库中;
预测模型建立模块,用于将存入数据库或者消息队列中的实时流数据,根据时序数据特征建立符合业务特征的机器学习时序预测模型;
预测模块,用于通过预测模型进行实时预测,并输出基于当前历史流数据下的未来指定时间段资源容量类数据的变化趋势和可能变化值;
策略执行模块,用于根据容量配置流程方案执行容量配置,实现智能化的提前进行资源容量配置操作。
进一步地,所述预测模块具体用于通过预测模型去实时预测并输出预测值,实时对比预测值与阈值,根据对比结果输出一个最优的资源容量配置方案,所述策略执行模块用于执行所述最优的资源容量配置方案。
实施本发明具有如下有益效果:本发明通过对每一段时间的CPU、内存、磁盘、网络等资源容量类进行数据采集,并根据数据的特征建立预测模型,可以通过预测模型对接下来的一段时间内的资源容量的变化预测,并可以根据变化预测对未来的资源容量进行重新分配,使得资源容量分配更加均匀,避免人工值守的延迟性,提高了对资源的实时、合理、精细化利用,提高整个业务系统的鲁棒性;
本发明的预测模型并不是一直不变的,是在某一时间段内根据数据的特征而改变的,可以更加有效地预测不同时间段的资源容量的配置,可以帮企业省下大量人力和物力成本,精细化、高效化、智能化、无人值守化的对资源容量进行合理分配。
附图说明
为了更清楚地说明本发明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发明的一些实施例,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为本发明实施例一一种智能容量配置方法的流程示意图。
图2为本发明实施例一中步骤S105的子步骤流程示意图。
图3为本发明实施例二一种智能容量配置系统的结构示意图。
图4为本发明实施例二中采集单元的结构示意图。
图5为本发明实施例二中储存单元的结构示意图。
具体实施方式
以下各实施例的说明是参考附图,用以示例本发明可以用以实施的特定实施例。
请参照图1所示,本发明实施例一提供一种智能容量配置方法,包括:
步骤S101,将部署各个应用的虚拟化机器的资源容量类的时序数据进行采集;
步骤S102,将采集到的数据指标进行清洗,实现数据的结构化、扁平化、有效化,并根据需求存储至目标数据库中;
步骤S103,将存入数据库或者消息队列中的实时流数据,根据时序数据特征建立符合业务特征的机器学习时序预测模型;
步骤S104,通过预测模型进行实时预测,并输出基于当前历史流数据下的未来指定时间段资源容量类数据的变化趋势和可能变化值;
步骤S105,根据容量配置流程方案执行容量配置,实现智能化的提前进行资源容量配置操作。
具体地,步骤S101可以实时采集也可以是隔时间段采集,进一步地,是采集正在工作状态的各个应用的虚拟化机器的CPU、内存、磁盘、网络等资源容量类的时序数据。
另外,在一些特殊情况下,可以根据用户自定义设置的要求来采集各个类型的资源容量类的时序数据,是针对资源容量使用较多的情况下而单一针对性设计的。如根据设置的命令,在特点时间段内只采集部署各个应用的虚拟化机器的CPU的时序数据,这主要是针对一些在特殊情况下CPU所占用的资源容量会更多的情况下使用的。或者根据设置的命令,在特定时间段内只采集部署各个应用的虚拟化机器的内存的时序数据,这主要是针对内存使用较多呈场景下使用的。又或者根据设置的命令,在特定时间段内只采集部署各个应用的虚拟化机器的磁盘的时序数据,这主要是针对磁盘使用较多的场景下而使用的。
当然,还可以针对部署在不同的地方的资源容量类的时序数据进行采集,具体地,如对部署在同一机房内的各个应用的虚拟化机器的CPU、内存、磁盘、网络等资源容量类的时序数据进行采集,或者对部署在同一系统下或同一IP地址的各个应用的虚拟化机器的CPU、内存、磁盘、网络等资源容量类的时序数据进行采集,又或者对告警高风险地区的各个应用的虚拟化机器的CPU、内存、磁盘、网络等资源容量类的时序数据进行采集,再或者对工作时间比较久或者工作年限比较长的各个应用的虚拟化机器的CPU、内存、磁盘、网络等资源容量类的时序数据进行采集。
步骤S102中,将采集到的数据指标进行清洗主要是用于发现并纠正采集到的数据文件中存在的的错误,包括检查数据一致性、处理无效值和缺失值等。
应理解的是,根据需求存储至目标数据库中主要可以是将CPU的时序数据储存至CPU所对应的数据库中、将内存的时序数据储存至内存所对应的数据库中以及将磁盘的时序数据储存至磁盘所对应的数据库中。
步骤S103中,数据特征是从实时流数据中解析出来的。值得注意的是,这里是属于实时建模的,可以是隔一段时间后将采集到数据进行重新评估建模,这个模型并不是固定的,而是根据时间的变化,根据不同时间段所采集到的数据的特征而变化的,就是每一段时间采集一些数据,并根据这些数据的特征重新来建模,建模之后,在接下来的一段时间都是按照这个模型来去预测而输出变化趁势等,又或者预测模型随环境而改变,如预测模块随业务指标的数量而改变,即哪个业务指标工作的数量多就在某一时间段预测某一业务指标的数据等。
步骤S104中,如果当前环境下CPU占用资源容量大,磁盘占用资源容量小,可以通过预测模型预测接下来的一段时间内CPU会占用的资源更大以及磁盘占用资源容量小,因此会输出一些增大CPU资源容量和减小磁盘资源容量的容量配置方案等。
值得注意的是,在建模时,会保留前面几个预测模型(如在一个时间段内保留三个预测模型,超过时间后就是删除之前的,重新保留新的预测模型),可以根据实际需要,通过所保留的预测模型对数据进行预测,并将对预测数据进行判断,得出预测最准确的,并输出最准确的预测数据,或者说,几个预测模型有先后顺序预测的,预测最准确的先预测,其他再预测,只有在间隔一段时间才会对几个预测模型的预测数据进行对比,当预测模型不是最新的,但是所预测的数据是最准确的,因此会重新调用整个预测模型进行优先预测。
对于步骤S105,举例而言,当前工作环境下,CPU占用资源容量大,内存占用资源容量小,预测模型就预测接下来的一段时间内CPU会占用的资源更大以及内存占用资源容量更小,因此会输出一些改变资源容量的策略(容量配置流程方案),同时会执行策略,以使得接下来一段时间内加大CPU类型的资源容量,减小内存占用资源的容量。
当前,更详细的地步骤S105还包括:通过预测模型去实时预测并输出预测值,实时对比预测值与阈值,根据对比结果选一个最优的资源容量配置方案进行资源容量配置。具体地,预测模块针对每一个各个应用的虚拟化机器的CPU、内存、磁盘、网络等资源容量类输出一个容量值,如CPU的预测值为A值,内存的预测值为B值,磁盘的预测值为C值,而CPU的阈值为a,内存的阈值为b,磁盘的阈值为c,将a和A进行对比、将b和B进行对比以及将c和C进行对比,如果差值在第一范围内输出第一种容量配置方案,如果差值在第二范围内输出第二种容量配置方案,如图2所示。
也就是说,预测值和阈值之间是有比较大的关系的,如预测值和阈值之间相差处于第一范围内时,采用第一种资源容量配置方案进行资源容易配置,当预测值和阈值之间相差处于第二范围内时,采用第二种资源容量配置方案进行资源容易配置等。
更详细的,可以针对性的,即单个资源容量类的对比,如CPU的阈值a和CPU的预测值A的差值为第一差值范围,输出第一种CPU的资源容量配置方案,CPU的阈值a和CPU的预测值A的差值为第二差值范围,输出第二种CPU的资源容量配置方案,CPU的阈值a和CPU的预测值A的差值为第三差值范围,输出第三种CPU的资源容量配置方案;
内存的阈值b和内存的预测值B的差值为第一差值范围,输出第一种内存的资源容量配置方案,内存的阈值b和内存的预测值B的差值为第二差值范围,输出第二种内存的资源容量配置方案,内存的阈值b和内存的预测值B的差值为第三差值范围,输出第三种内存的资源容量配置方案;
磁盘的阈值c和磁盘的预测值C的差值为第一差值范围,输出第一种磁盘的资源容量配置方案,磁盘的阈值c和磁盘的预测值C的差值为第二差值范围,输出第二种磁盘的资源容量配置方案,磁盘的阈值c和磁盘的预测值C的差值为第三差值范围,输出第三种磁盘的资源容量配置方案。
通过上述方式,本发明可以帮企业省下大量人力和物力成本,精细化、高效化、智能化、无人值守化的对资源容量进行合理分配,避免人工值守的延迟性,提高了对资源的实时、合理、精细化利用,提高电力信息通信系统运维高效性。
请再参照图3所示,相应于本发明实施例一一种智能容量配置方法,本发明实施例二还提供一种智能容量配置系统,包括:采集模块10、数据处理模块11、数据储存模块12、预测模型建立模块13、预测模块14和策略执行模块15。
采集模块用于将部署各个应用的虚拟化机器的CPU、内存、磁盘、网络等资源容量类的时序数据进行采集。
应理解的是,采集模块10是实时采集的也可以是隔时间段采集,进一步的,是采集正在工作状态的各个应用的虚拟化机器的CPU、内存、磁盘、网络等资源容量类的时序数据。
另外,在一些特殊情况下,采集模块10可以根据用户自定义设置的要求来采集各个类型的资源容量类的时序数据,是针对资源容量使用较多的情况下而单一针对性设计的。如图4所示,采集模块10包括CPU采集单元101,而CPU采集单元101用于根据设置的命令,在特点时间段内只采集部署各个应用的虚拟化机器的CPU的时序数据,这主要是针对一些在特殊情况下CUP所占用的资源容量会更多的情况下使用的。
如图4所示,该采集模块10还包括内存采集单元102,而内存采集单元102用于根据设置的命令,在特点时间段内只采集部署各个应用的虚拟化机器的内存的时序数据,这主要是针对内存使用较多呈场景下使用的。
该采集模块10还包括磁盘采集单元103,而磁盘采集单元103用于根据设置的命令,在特点时间段内只采集部署各个应用的虚拟化机器的磁盘的时序数据,这主要是针对磁盘使用较多的场景下而使用的。
当然,采集模块10还可以针对部署在不同的地方的资源容量类的时序数据进行采集,具体地,如采集模块10对部署在同一机房内的各个应用的虚拟化机器的CPU、内存、磁盘、网络等资源容量类的时序数据进行采集,或者采集模块10对部署在同一系统下或同一IP地址的各个应用的虚拟化机器的CPU、内存、磁盘、网络等资源容量类的时序数据进行采集,又或者采集模块10对告警高风险地区的各个应用的虚拟化机器的CPU、内存、磁盘、网络等资源容量类的时序数据进行采集,以及对工作时间比较久或者工作年限比较长的各个应用的虚拟化机器的CPU、内存、磁盘、网络等资源容量类的时序数据进行采集。
数据处理模块11用于将采集到的数据指标进行清洗,实现数据的结构化、扁平化、有效化。应理解的是,将采集到的数据指标进行清洗主要是用于发现并纠正采集到的数据文件中存在的的错误,包括检查数据一致性、处理无效值和缺失值等。
数据储存模块12用于根据需求将数据存储至目标数据库中。
如图5所示,数据储存模块12包括CPU存储单元121、内存储存单元122和磁盘储存单元123,CPU存储单元用于将CPU的时序数据储存至CPU所对应的数据库中,内存储存单元122用于将内存的时序数据储存至内存所对应的数据库中,磁盘储存模块123用于将磁盘的时序数据储存至磁盘所对应的数据库中。
预测模型建立模块13用于将存入数据库或者消息队列中的实时流数据,根据时序数据特征建立符合业务特征的机器学习时序预测模型。
应理解的是,数据特征是从实时流数据中解析出来的。值得注意的是,这里是属于实时建模的,可以是隔一段时间后将采集到数据进行重新评估建模,这个模型并不是固定的,而是根据时间的变化,根据不同时间段所采集到的数据的特征而变化的,就是每一段时间采集一些数据,并根据这些数据的特征从新来建模,建模之后,在接下来的一段时间都是按照这个模型来去预测输出变化趁势等。
预测模块14用于通过预测模型去实时预测,并输出基于当前历史流数据下的未来指定时间段资源容量类数据的变化趋势和可能变化值。
具体地,如果当前环境下CPU占用资源容量大,磁盘占用资源容量小,可以通过预测模型预测接下来的一段时间内CPU会占用的资源更大以及磁盘占用资源容量小,因此会输出一些增大CPU资源容量和减小磁盘资源容量的容量配置方案等。
策略执行模块15用于根据容量配置流程方案执行容量配置,实现智能化的提前进行资源容量配置操作。
举例而言,当前工作环境下,CPU占用资源容量大,内存占用资源容量小,预测模型就预测接下来的一段时间内CPU会占用的资源更大以及内存占用资源容量小,因此会输出一些改变资源容量的策略(容量配置流程方案),同时会执行策略,以使得接下来一段时间内加大CPU类型的资源容量,减小内存占用资源的容量。
值得注意的是,预测模块14通过预测模型去实时预测并输出预测值,实时对比预测值与阈值,根据对比结果输出一个最优的资源容量配置方案,而策略执行模块15执行这个最优的资源容量配置方案。具体地,预测模块可以针对每一个各个应用的虚拟化机器的CPU、内存、磁盘、网络等资源容量类输出一个容量值,如CPU的预测值为A值,内存的预测值为B值,磁盘的预测值为C值,而CPU的阈值为a,内存的阈值为b,磁盘的阈值为c,将a和A进行对比、将b和B进行对比以及将c和C进行对比,如果差值在第一范围内输出第一种容量配置方案,如果差值在第二范围内输出第二种容量配置方案。
也就是说,预测值和阈值之间是有比较大的关系的,如预测值和阈值之间相差处于第一范围内时,采用第一种资源容量配置方案进行资源容易配置,当预测值和阈值之间相差处于第二范围内时,采用第二种资源容量配置方案进行资源容易配置等。
更详细的,可以针对性的,即单个资源容量类的对比,如CPU的阈值a和CPU的预测值A的差值为第一差值范围,输出第一种CPU的资源容量配置方案,CPU的阈值a和CPU的预测值A的差值为第二差值范围,输出第二种CPU的资源容量配置方案,CPU的阈值a和CPU的预测值A的差值为第三差值范围,输出第三种CPU的资源容量配置方案;
内存的阈值b和内存的预测值B的差值为第一差值范围,输出第一种内存的资源容量配置方案,内存的阈值b和内存的预测值B的差值为第二差值范围,输出第二种内存的资源容量配置方案,内存的阈值b和内存的预测值B的差值为第三差值范围,输出第三种内存的资源容量配置方案;
磁盘的阈值c和磁盘的预测值C的差值为第一差值范围,输出第一种磁盘的资源容量配置方案,磁盘的阈值c和磁盘的预测值C的差值为第二差值范围,输出第二种磁盘的资源容量配置方案,磁盘的阈值c和磁盘的预测值C的差值为第三差值范围,输出第三种磁盘的资源容量配置方案。
通过上述方式,本发明可以帮企业省下大量人力和物力成本,精细化、高效化、智能化、无人值守化的对资源容量进行合理分配,避免人工值守的延迟性,提高了对资源的实时、合理、精细化利用,提高电力信息通信系统运维高效性。
通过上述说明可知,与现有技术相比,本发明的有益效果在于:本发明通过对每一段时间的CPU、内存、磁盘、网络等资源容量类进行数据采集,并根据数据的特征建立预测模型,可以通过预测模型对接下来的一段时间内的资源容量的变化预测,并可以根据变化预测对未来的资源容量进行重新分配,使得资源容量分配更加均匀,避免人工值守的延迟性,提高了对资源的实时、合理、精细化利用,提高整个业务系统的鲁棒性;
本发明的预测模型并不是一直不变的,是在某一时间段内根据数据的特征而改变的,可以更加有效地预测不同时间段的资源容量的配置,可以帮企业省下大量人力和物力成本,精细化、高效化、智能化、无人值守化的对资源容量进行合理分配。
以上所揭露的仅为本发明较佳实施例而已,当然不能以此来限定本发明之权利范围,因此依本发明权利要求所作的等同变化,仍属本发明所涵盖的范围。
Claims (10)
1.一种智能容量配置方法,其特征在于,包括:
步骤S101,将部署各个应用的虚拟化机器的资源容量类的时序数据进行采集;
步骤S102,将采集到的数据指标进行清洗,实现数据的结构化、扁平化、有效化,并根据需求存储至目标数据库中;
步骤S103,将存入数据库或者消息队列中的实时流数据,根据时序数据特征建立符合业务特征的机器学习时序预测模型;
步骤S104,通过预测模型进行实时预测,并输出基于当前历史流数据下的未来指定时间段资源容量类数据的变化趋势和可能变化值;
步骤S105,根据容量配置流程方案执行容量配置,实现智能化的提前进行资源容量配置操作。
2.根据权利要求1所述的智能容量配置方法,其特征在于,所述步骤S101为实时采集或隔时间段采集,具体是采集正在工作状态的各个应用的虚拟化机器的CPU、内存、磁盘、网络中任一种的时序数据。
3.根据权利要求2所述的智能容量配置方法,其特征在于,所述步骤S101具体包括:
根据设置的命令,在特点时间段内只采集部署各个应用的虚拟化机器的CPU的时序数据;或者
根据设置的命令,在特定时间段内只采集部署各个应用的虚拟化机器的内存的时序数据;或者
根据设置的命令,在特定时间段内只采集部署各个应用的虚拟化机器的磁盘的时序数据。
4.根据权利要求2所述的智能容量配置方法,其特征在于,所述步骤S101具体还包括:
对部署在同一机房内的各个应用的虚拟化机器的资源容量类的时序数据进行采集;或者
对部署在同一系统下或同一IP地址的各个应用的虚拟化机器的资源容量类的时序数据进行采集;或者
对告警高风险地区的各个应用的虚拟化机器的资源容量类的时序数据进行采集;或者
对工作时间比较久或者工作年限比较长的各个应用的虚拟化机器的资源容量类的时序数据进行采集。
5.根据权利要求2所述的智能容量配置方法,其特征在于,所述步骤S102中,根据需求存储至目标数据库中具体包括:将CPU的时序数据储存至CPU所对应的数据库中,或者将内存的时序数据储存至内存所对应的数据库中,或者将磁盘的时序数据储存至磁盘所对应的数据库中。
6.根据权利要求1所述的智能容量配置方法,其特征在于,所述步骤S103建立预测模型是实时建模或隔一段时间后将采集到数据进行重新评估建模。
7.根据权利要求1所述的智能容量配置方法,其特征在于,所述步骤S104具体包括:
通过保留的预测模型对数据进行预测,并将对预测数据进行判断,得出并输出最准确的预测数据;或者
对于几个预测模型有先后顺序预测的,预测最准确的先预测,其他再预测,并在间隔一段时间对几个预测模型的预测数据进行对比,当预测模型不是最新的,但是所预测的数据是最准确的,则重新调用整个预测模型进行优先预测。
8.根据权利要求1所述的智能容量配置方法,其特征在于,所述步骤S105还包括:通过预测模型去实时预测并输出预测值,实时对比预测值与阈值,根据对比结果选一个最优的资源容量配置方案进行资源容量配置。
9.一种智能容量配置系统,其特征在于,包括:
数据采集模块,用于将部署各个应用的虚拟化机器的资源容量类的时序数据进行采集;
数据处理模块,用于将采集到的数据指标进行清洗,实现数据的结构化、扁平化、有效化;
数据储存模块,用于根据需求将数据存储至目标数据库中;
预测模型建立模块,用于将存入数据库或者消息队列中的实时流数据,根据时序数据特征建立符合业务特征的机器学习时序预测模型;
预测模块,用于通过预测模型进行实时预测,并输出基于当前历史流数据下的未来指定时间段资源容量类数据的变化趋势和可能变化值;
策略执行模块,用于根据容量配置流程方案执行容量配置,实现智能化的提前进行资源容量配置操作。
10.根据权利要求9所述的智能容量配置系统,其特征在于,所述预测模块具体用于通过预测模型去实时预测并输出预测值,实时对比预测值与阈值,根据对比结果输出一个最优的资源容量配置方案,所述策略执行模块用于执行所述最优的资源容量配置方案。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110792798.8A CN113535394A (zh) | 2021-07-14 | 2021-07-14 | 一种智能容量配置方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110792798.8A CN113535394A (zh) | 2021-07-14 | 2021-07-14 | 一种智能容量配置方法及系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113535394A true CN113535394A (zh) | 2021-10-22 |
Family
ID=78127813
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110792798.8A Pending CN113535394A (zh) | 2021-07-14 | 2021-07-14 | 一种智能容量配置方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113535394A (zh) |
-
2021
- 2021-07-14 CN CN202110792798.8A patent/CN113535394A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
KR100932919B1 (ko) | 동적 채널 할당을 위한 채널 집합 관리 방법 및 시스템 | |
CN110888714B (zh) | 容器的调度方法、装置和计算机可读存储介质 | |
CN110990159A (zh) | 一种基于历史数据分析的容器云平台资源配额预测方法 | |
CN112272203B (zh) | 一种集群业务节点选择方法、系统、终端及存储介质 | |
US20140282520A1 (en) | Provisioning virtual machines on a physical infrastructure | |
CN112954707B (zh) | 基站的节能方法、装置、基站和计算机可读存储介质 | |
US11972301B2 (en) | Allocating computing resources for deferrable virtual machines | |
CN112685153A (zh) | 微服务调度方法、装置以及电子设备 | |
CN112631725A (zh) | 一种基于云边端协同的智慧城市的管理系统及方法 | |
CN102075944A (zh) | 认知网络中基于多Agent协作的可用资源管理系统及方法 | |
CN112799596A (zh) | 一种存储资源的扩容控制方法、装置及电子设备 | |
CN111752710B (zh) | 数据中心pue动态优化方法、系统、设备及可读存储介质 | |
TWI572179B (zh) | Mobile network base station communication prediction and resource scheduling automation analysis system and method | |
CN117435306A (zh) | 集群容器扩缩容方法、装置、设备及存储介质 | |
CN112491742B (zh) | 一种边缘计算终端资源调度方法及装置 | |
CN113535394A (zh) | 一种智能容量配置方法及系统 | |
CN117076882A (zh) | 一种云服务资源动态预测管理方法 | |
CN116594782A (zh) | 基于智能运维系统的勘探数据中心的资源管理方法及装置 | |
CN113992687B (zh) | 智能业务集群调度方法、装置、电子设备及存储介质 | |
CN116109058A (zh) | 一种基于深度强化学习的变电站巡视管理方法和装置 | |
CN115604768A (zh) | 基于资源状态的电磁感知任务动态迁移方法、系统及终端 | |
CN115495231A (zh) | 一种高并发任务复杂场景下的动态资源调度方法及系统 | |
CN112329215B (zh) | 含电动汽车换电站的配电网的可靠性评估方法及计算设备 | |
CN115391068B (zh) | 基于it资源管控体系的框架构建方法 | |
CN113133094B (zh) | 一种门限值获取方法以及相关设备 |
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 |