CN113535409A - 一种面向能耗优化的无服务器计算资源分配系统 - Google Patents
一种面向能耗优化的无服务器计算资源分配系统 Download PDFInfo
- Publication number
- CN113535409A CN113535409A CN202110912481.3A CN202110912481A CN113535409A CN 113535409 A CN113535409 A CN 113535409A CN 202110912481 A CN202110912481 A CN 202110912481A CN 113535409 A CN113535409 A CN 113535409A
- Authority
- CN
- China
- Prior art keywords
- function
- resource
- energy consumption
- server
- power consumption
- 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
- 238000005265 energy consumption Methods 0.000 title claims abstract description 65
- 238000005457 optimization Methods 0.000 title claims abstract description 12
- 238000009826 distribution Methods 0.000 title description 2
- 238000013468 resource allocation Methods 0.000 claims abstract description 29
- 230000006870 function Effects 0.000 claims description 120
- 238000010801 machine learning Methods 0.000 claims description 7
- 230000004083 survival effect Effects 0.000 claims description 4
- 238000013461 design Methods 0.000 claims description 3
- 230000017525 heat dissipation Effects 0.000 claims description 3
- 238000010845 search algorithm Methods 0.000 claims description 3
- 238000012549 training Methods 0.000 claims description 2
- 238000004364 calculation method Methods 0.000 claims 2
- 238000000034 method Methods 0.000 abstract description 13
- 230000008878 coupling Effects 0.000 abstract description 2
- 238000010168 coupling process Methods 0.000 abstract description 2
- 238000005859 coupling reaction Methods 0.000 abstract description 2
- 238000010586 diagram Methods 0.000 description 6
- 238000012545 processing Methods 0.000 description 5
- 238000012544 monitoring process Methods 0.000 description 4
- 238000004458 analytical method Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000013459 approach Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000033228 biological regulation Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000011160 research 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
-
- 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
- G06F9/5011—Allocation of resources, e.g. of the central processing unit [CPU] to service a request the resources being hardware resources other than CPUs, Servers and Terminals
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
- Y02D10/00—Energy efficient computing, e.g. low power processors, power management or thermal management
Abstract
本发明公开了一种面向能耗优化的无服务器计算资源分配系统，包括资源探索器100、资源配置器200、无服务器计算系统300、系统监控器400以及资源协调器500；所述资源探索器100，用于无服务器计算系统300中新启动的函数进行资源探索，找到满足函数应能需求的配置和能耗最小化的最佳配置方案；所述资源配置器200，用于实现资源配置方案中找到所有满足函数性能需求的资源配置；所述系统监控器400，用于监控指标；所述资源协调器500，用于在接收到系统监控器400发来的警报信息后，做出相应的调整。与现有技术相比，本发明能够在无服务器计算环境中保障函数性能的同时，以降低能耗并提高数据中心的能源效率；与平台没有强耦合，能够用于任何的无服务器计算系统。
Description
技术领域
本发明涉及云计算技术领域，特别涉及云数据中心无服务器计算架构下降低系统能耗的同时保障函数性能的技术。
背景技术
随着数据中心规模的快速扩大，数据中心所占的能耗比例逐渐增加。因此，数据中心巨大的能耗成为云服务提供商迫切需要解决的问题。降低能耗不仅响应节能减排政策和绿色数据中心的号召，还能确保服务器在额定功率内安全运行。更重要的是，对于云服务提供商来说，降低能耗意味着降低数据中心的运营和维护成本。这些原因促使云服务提供商努力提高能源效率。
无服务器计算是一种快速发展的云应用架构。无服务器计算不需要用户配置和管理资源，可以根据用户需求自动扩展，大大提高开发效率。然而，当前的无服务器框架通常仅基于每秒查询数(QPS)或特定维度的资源利用率对函数进行水平扩展，不会动态修改函数的资源量。此外，现有的无服务器平台为了严格保障函数性能，在分配资源时没有考虑能耗问题。本发明的研究表明，对于相同的函数，多维资源分配的不同组合可以导致相同的处理延迟，但具有非常不同的能耗。因此，引入了能量可交换的概念，即不同的能耗导致相同的处理延迟。能耗可交换性提供了保障函数性能的同时降低能耗的可能性。
应用程序的混合部署会导致服务器的功率过载，因此为了使应用程序在功率受限的服务器上保持稳定，许多研究工作开始讨论能源效率问题。虽然这样解决了在功率受限的服务器上将应用进行混合部署，但是服务器的能耗仍然很高。像动态电压频率调整和英特尔p-state这样的技术只能通过预先设置核心频率来实现有限的节能，因此需要一种更加积极的方法来降低能耗。虽然先前的工作在具有功率约束的服务器上保证应用性能方面表现良好，但是如何降低无服务器计算架构下的能耗仍然是一个未解决的问题。
发明内容
为了降低无服务器工作负载的能耗并保障函数的运行时性能，本发明提出了一种面向能耗优化的无服务器计算资源分配系统，基于能耗可交换的函数级别的资源分配，实现了独立运行的在无服务器上、并且基于能耗可交换的函数级别的资源分配系统及方法。
本发明的技术方案如下：
一种面向能耗优化的无服务器计算资源分配系统，该系统包括资源探索器100、资源配置器200、无服务器计算系统300、系统监控器400以及资源协调器500；其中：
所述资源探索器100，用于利用离线训练好的机器学习预测模型为无服务器计算系统300中新启动的函数进行资源探索，找到待分配用户资源中满足函数应能需求的配置，同时找到能耗最小化的最佳配置方案：即在临界区中找到能耗最小化的资源配置，即函数运行时功耗P*请求执行时间T最小的资源配置方案；
所述资源配置器200，用于实现资源配置方案中找到所有满足函数性能需求的资源配置；
所述系统监控器400，用于监控三个指标：(1)无服务器计算平台中是否有新部署的函数；(2)服务器的当前功率是否超过了散热设计功耗阈值，如果超过，监控器会向协调器发出功耗过载警报；(3)每个函数的延迟是否超过了各自的延迟阈值，一旦发现函数延迟超过了设定的阈值，系统监控器400则会向系统协调器500发出延迟违反警报；
所述资源协调器500，用于在接收到系统监控器400发来的警报信息后，做出相应的调整，即：在接收到功耗过载警报之后，对无服务器计算系统300中功耗最大的函数进行降温处理，每次逐级降低函数所拥有CPU核心的频率，直至整体的功率低于设置的阈值。
与现有技术相比，本发明的一种面向能耗优化的无服务器计算资源分配系统，可以达成以下有益的技术效果：
1)能够在无服务器计算环境中保障函数性能的同时，以降低能耗并提高数据中心的能源效率；
2)与平台没有强耦合，能够用于任何的无服务器计算系统；
3)能够降低计算密集型工作负载21.2％的能耗，同时保障了函数的运行时性能。
4)能够在能源感知的环境中进行更精细的资源调度。
附图说明
图1为不同种资源组合下能耗可交换的示意图；
图2为本发明的一种面向能耗优化的无服务器计算资源分配系统架构示意图一；
图3为本发明的一种面向能耗优化的无服务器计算资源分配系统架构示意图二；
图4为本发明与操作系统对能耗的控制在不同工作负载下的能耗和延迟对比结果示意图。
具体实施方式
以下结合附图，对本发明设计的框架结构、功能及作用详细说明如下。
通过对无服务器工作负载做了详细深入的分析刻画，能够找到无服务器计算工作负载中能耗较为严重且可以控制的部分。如图1所示，为不同种资源组合下能耗可交换的示意图，其中包含了CPU核心数与主频、CPU核心数与实例数组合下的函数运行时功率。能耗可交换的具体含义是多维度资源分配的不同组合可以导致相同的处理延迟，但是具有不同的能耗。虚线右侧的区域1的资源配置都可以满足函数的性能需求，而在此区域内，虚线框2为运行时功耗最小的最佳资源配置方案。本发明利用离线构建的机器学习模型找到当前负载强度下能耗最小化的资源分配方案；同时在受到无服务器计算架构中不可控因素的影响下保持良好地运行。
如图2、3所示，为本发明的一种面向能耗优化的无服务器计算资源分配系统架构示意图一、二。该系统包括资源探索器100、资源配置器200、无服务器计算系统300、系统监控器400以及资源协调器500。具体描述如下：
资源探索器100，用于利用离线训练好的机器学习预测模型为无服务器计算系统300中新启动的函数进行资源探索，找到待分配用户资源中满足函数应能需求的配置，同时在众多的资源配置方案中找到找能耗最小化的最佳配置方案。通过对无服务器工作负载能耗的深入分析，找到无服务器计算系统中可以进行能耗优化的部分。为了防止函数在低功耗状态下运行更长的时间而导致整体能耗更高，分别利用函数的功耗预测器以及函数请求的处理时间来找到能耗最小化的全局最优解。在资源配置组合中，然后将最佳的资源组合发送给资源配置器200。本发明所使用的机器学习预测模型描述如下：
为了找到能耗最小化且可以满足函数性能需求的最佳资源配置，需要建立函数的功耗和延迟模型。有许多指标影响函数的功耗和延迟，包括负载强度、函数实例的数量和各种系统层资源(CPU核心数、末级缓存、CPU频率、内存、内存带宽、网络带宽、磁盘等)。使用皮尔逊和斯皮尔曼相关系数来评估这些指标与函数运行时功率和延迟之间的相关性。最后，选择了与函数延迟相关性最强的六个指标(包括末级缓存、CPU核心主频率、CPU核心数量、函数实例的数量、QPS、每条请求的计算量)，以及与能耗相关性最强的四个指标(包括末级缓存、CPU核心主频率、CPU核心数量和每条请求的计算量)。并以此来构建数据集用于离线训练延迟和能耗模型。
为了快速找到函数的最佳配置方案，首先对资源进行缩减，消除那些远超函数本身资源需求的资源配置，例如，对于数据中心的一台商用服务器来说，CPU核心的数量从最大值80个缩减到16个。然后使用二分搜索算法在过滤后的资源配置方案中找到满足函数性能需求的临界区。最后在临界区内展开遍历，找到满足函数性能需求且能耗最小的资源配置方案。资源探索器的具体工作过程为：首先，利用离线构建的函数性能模型，在过滤后的资源配置方案中找到所有满足函数性能需求的资源配置。函数性能模型使用每秒请求数量、每条请求的计算量、内存大小、末级缓存大小、CPU核心数量、CPU核心的主频率和函数实例的副本数量作为模型的输入。在寻找所有满足函数性能需求的资源配置方案的过程中，对每一维度资源使用二分查找算法，加快了对临界区的定位。
为了在所有满足函数性能需求的资源配置方案中找到能耗最小化的最佳资源配置，使用了穷举遍历的方式防止找到次优解。在临界区中定位最佳资源配置，使用函数的功耗模型和每条请求的执行时间模型。函数的功耗模型使用每秒请求数量，每条请求的计算量、末级缓存大小、CPU核心数量，CPU核心的主频率和函数实例的副本数量作为函数运行时功耗模型的输入，请求的执行时间模型使用每条请求的计算量、末级缓存大小、CPU核心数量和CPU核心的主频率作为请求处理时间模型的输入，在临界区中找到能耗最小化的资源配置，即函数运行时功耗P*请求执行时间T最小的资源配置方案。
资源配置器200，用于实现资源配置方案中找到所有满足函数性能需求的资源配置。资源配置器200的具体工作过程为：在收到最佳资源组合之后，负责与平台和操作系统交互，真正执行为函数分配资源的操作。
系统监控器400，用于监控三个指标：(1)无服务器计算平台中是否有新部署的函数。(2)服务器的当前功率是否超过了散热设计功耗阈值，如果超过，监控器会向协调器发出功耗过载警报。(3)每个函数的延迟是否超过了各自的延迟阈值。一旦发现函数延迟超过了设定的阈值，系统监控器400则会向系统协调器500发出延迟违反警报。系统监控器400存在不仅允许预测器存在微小的偏差，而且减少了由于不可控的系统干扰导致的函数性能波动。系统监控器400的具体工作过程为：定期查看当前节点的总功率。如果当前服务器的总功率超过了系统所设置的功耗阈值，系统监控器400则会发出功耗过载警报。系统监控器400监控无服务器计算平台中是否有新部署的函数；如果有，首先会异步启动一个记录函数信息的线程，去收集该函数的启动时功耗、容器启动时间和容器空闲功耗；在收集完成后，根据这些信息，计算函数最长存活时间，公式如下：
函数最长存活时间＝冷启动功耗＊冷启动时间/函数空闲功耗
同时，系统监控器400触发后续的资源探索和资源分配。
为了严格地保障函数性能，系统监控器400需要实时采集系统中所部署所有函数的运行时性能，如果发现函数的性能低于系统设置的最低性能要求，系统监控器400则会发出函数性能违反警报。
资源协调器500，用于在接收到系统监控器400发来的警报信息后，根据对应的警报做出相应的调整。在接收到功耗过载警报之后，会对无服务器计算系统300中功耗最大的函数进行降温处理，每次会逐级降低函数所拥有CPU核心的频率，直至整体的功率低于设置的阈值。为了在真实的生产环境中使函数能够稳定运行，需要资源协调器500在收到监控器发出的警报信息后做出对应的调整。功耗阈值的设定允许更温和地处理功耗过载，这种方式对函数性能的影响远小于服务器自动采取的措施。如果协调器接收的是函数性能违反警报，协调器会采用启发式的探索方式每次尝试为该函数增加一个单位的资源量(CPU核心数、核心主频率、末级缓存等)。资源协调器500的具体工作过程为：
资源协调器500在接收到功耗过载警报之后，首先需要在系统中查找当前功耗最大的函数，然后尝试降低该函数所拥有核心的主频率。为了兼顾函数的性能，资源协调器500每次只调节一个等级的主频率。在接收到函数性能违反警报之后，每次迭代都会尝试为该函数增加单一维度一个单位的资源量(例如一颗CPU核心、100MHz的主频率，100M的内存大小、一路末级缓存等服务器物理资源)。同时，在每次迭代后，检查该函数的运行时性能。如果性能提升，则在下次迭代中继续增加此维度的资源量。如果性能没有变化，则会在其他的资源维度中选择一种资源进行资源分配。直到在监控队列中找到功率最大的函数并对其进行降频操作。即，资源协调器500在接收到函数延迟违反警报之后，每次迭代都会尝试为该函数增加某一维度的资源量，如果发现操作有效则继续增加这一维度的资源，如果无效则尝试增加另一种维度的资源，直至函数的性能需求得到保障。
为了减少资源浪费，资源协调器500还会从那些延迟远小于设定目标的函数中回收部分资源。同时，资源协调器500一旦发现当前的QPS超过了初始时的20％，则会重新触发该函数的资源探索。系统监视器400和资源协调器500的存在允许预测器有微小偏差，并且消除了由于不可控的系统干扰而导致的函数延迟违反。
该系统在使用前需要进行初始化设置，包括以下的操作：
初始化新函数到达的检测周期、服务器功耗阈值和每个函数的延迟阈值、服务器功率监测周期和函数性能监测周期、协调器的资源分配粒度。
本发明从无服务器计算工作负载的能耗出发，尝试用一些简单有效的方法来降低能耗。首先，引入了能源可交换的概念，以最大限度地降低无服务器工作负载的能耗。然后，设计了一个函数级别的运行时系统，管理函数的资源分配，在保障函数性能需求的同时最小化函数能耗。凭借离线构建的机器学习模型，本发明有效地找到了一种在保证函数应能需求的同时最大限度降低能耗的资源分配方案。如图4所示，为本发明与操作系统对能耗的控制在不同工作负载下的能耗和延迟对比结果示意图。
相比于现有技术，本发明综合考虑了能源消耗以及函数运行时性能等问题，通过对工作负载的反馈式调节，使得函数可以在受干扰的环境中稳定地运行。该系统是一个主动管理函数资源分配的运行时系统，能够通过协调工作负载各阶段的时间长度来降低总体能耗，以最大限度地减少能耗并保障函数的性能。同时，该系统与无服务器计算平台没有强耦合，因此它可以在大多数平台上运行。评估结果表明，与最先进的技术相比，本发明最多可降低计算密集型的无服务器工作负载21.2％的能耗，同时可以严格地保障函数运行时性能。
Claims (5)
1.一种面向能耗优化的无服务器计算资源分配系统，其特征在于，该系统包括资源探索器100、资源配置器200、无服务器计算系统300、系统监控器400以及资源协调器500；其中：
所述资源探索器100，用于利用离线训练好的机器学习预测模型为无服务器计算系统300中新启动的函数进行资源探索，找到待分配用户资源中满足函数应能需求的配置，同时找到能耗最小化的最佳配置方案：即在临界区中找到能耗最小化的资源配置，即：函数运行时功耗P*请求执行时间T最小的资源配置方案；
所述资源配置器200，用于实现资源配置方案中找到所有满足函数性能需求的资源配置；
所述系统监控器400，用于监控三个指标：(1)无服务器计算平台中是否有新部署的函数；(2)服务器的当前功率是否超过了散热设计功耗阈值，如果超过，监控器会向协调器发出功耗过载警报；(3)每个函数的延迟是否超过了各自的延迟阈值，一旦发现函数延迟超过了设定的阈值，系统监控器400则会向系统协调器500发出延迟违反警报；
所述资源协调器500，用于在接收到系统监控器400发来的警报信息后，做出相应的调整，即：在接收到功耗过载警报之后，对无服务器计算系统300中功耗最大的函数进行降温处理，每次逐级降低函数所拥有CPU核心的频率，直至整体的功率低于设置的阈值。
2.如权利要求1所述的一种面向能耗优化的无服务器计算资源分配系统，其特征在于，所述机器学习预测模型使用皮尔逊和斯皮尔曼相关系数来评估这些指标与函数运行时功率和延迟之间的相关性；选择与函数延迟相关的六个指标包括末级缓存、CPU核心主频率、CPU核心数量、函数实例的数量、QPS、每条请求的计算量，以及与能耗相关的四个指标包括末级缓存、CPU核心主频率、CPU核心数量和每条请求的计算量，构建数据集用于离线训练延迟和能耗模型。
3.如权利要求1所述的一种面向能耗优化的无服务器计算资源分配系统，其特征在于，所述资源探索器100进一步包括以下处理：首先对资源进行缩减，消除那些远超函数本身资源需求的资源配置；然后使用二分搜索算法在过滤后的资源配置方案中找到满足函数性能需求的临界区；最后在临界区内展开遍历，找到满足函数性能需求且能耗最小的资源配置方案。
4.如权利要求1所述的一种面向能耗优化的无服务器计算资源分配系统，其特征在于，所述资源配置器200进一步包括以下处理：在收到最佳资源组合之后，负责与平台和操作系统交互，执行为函数分配资源的操作。
5.如权利要求1所述的一种面向能耗优化的无服务器计算资源分配系统，其特征在于，所述系统监控器400进一步包括以下处理：定期查看当前节点的总功率；如果当前服务器的总功率超过了系统所设置的功耗阈值，系统监控器400则会发出功耗过载警报；系统监控器400监控无服务器计算平台300中是否有新部署的函数；如果有，首先会异步启动一个记录函数信息的线程，去收集该函数的启动时功耗、容器启动时间和容器空闲功耗；在收集完成后，根据这些信息，计算函数最长存活时间，公式如下：
函数最长存活时间＝冷启动功耗*冷启动时间/函数空闲功耗同时，系统监控器400触发后续的资源探索和资源分配。
Priority Applications (2)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110912481.3A CN113535409B (zh) | 2021-08-10 | 2021-08-10 | 一种面向能耗优化的无服务器计算资源分配系统 |
| PCT/CN2021/135610 WO2023015788A1 (zh) | 2021-08-10 | 2021-12-06 | 一种面向能耗优化的无服务器计算资源分配系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110912481.3A CN113535409B (zh) | 2021-08-10 | 2021-08-10 | 一种面向能耗优化的无服务器计算资源分配系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN113535409A true CN113535409A (zh) | 2021-10-22 |
| CN113535409B CN113535409B (zh) | 2022-08-05 |
Family
ID=78091398
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110912481.3A Active CN113535409B (zh) | 2021-08-10 | 2021-08-10 | 一种面向能耗优化的无服务器计算资源分配系统 |
Country Status (2)
| Country | Link |
|---|---|
| CN (1) | CN113535409B (zh) |
| WO (1) | WO2023015788A1 (zh) |
Cited By (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114356580A (zh) * | 2022-01-12 | 2022-04-15 | 重庆邮电大学 | 基于共享资源访问的异构多核系统任务分配方法和装置 |
| CN114489940A (zh) * | 2022-01-18 | 2022-05-13 | 武汉理工大学 | 无服务器计算环境中基于时域卷积网络的冷启动优化方法 |
| CN115086189A (zh) * | 2022-05-20 | 2022-09-20 | 中国科学院软件研究所 | 一种面向无服务器计算的服务资源弹性伸缩方法和系统 |
| WO2023015788A1 (zh) * | 2021-08-10 | 2023-02-16 | 天津大学 | 一种面向能耗优化的无服务器计算资源分配系统 |
| WO2023093204A1 (zh) * | 2021-11-27 | 2023-06-01 | 华为技术有限公司 | 无服务器架构下函数资源动态配置方法和函数管理平台 |
| CN116401055A (zh) * | 2023-04-07 | 2023-07-07 | 天津大学 | 面向资源效率优化的服务器无感知计算工作流编排方法 |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109491760A (zh) * | 2018-10-29 | 2019-03-19 | 中国科学院重庆绿色智能技术研究院 | 一种高效能数据中心云服务器资源自主管理方法和系统 |
| CN109714400A (zh) * | 2018-12-12 | 2019-05-03 | 华南理工大学 | 一种面向容器集群的能耗优化资源调度系统及其方法 |
| CN111178641A (zh) * | 2020-01-03 | 2020-05-19 | 江南大学 | 基于特征提取和多核rsvr组合模型的短期电力负荷预测方法 |
Family Cites Families (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US11303534B2 (en) * | 2019-12-13 | 2022-04-12 | Hewlett Packard Enterprise Development Lp | Proactively accomodating predicted future serverless workloads using a machine learning prediction model and a feedback control system |
| CN113114758B (zh) * | 2021-04-09 | 2022-04-12 | 北京邮电大学 | 一种面向无服务器边缘计算的任务调度方法及装置 |
| CN113205128A (zh) * | 2021-04-28 | 2021-08-03 | 华东师范大学 | 基于无服务器计算的分布式深度学习性能保证方法 |
| CN113176947A (zh) * | 2021-05-08 | 2021-07-27 | 武汉理工大学 | 无服务器计算中基于延迟和成本均衡的动态任务放置方法 |
| CN113535409B (zh) * | 2021-08-10 | 2022-08-05 | 天津大学 | 一种面向能耗优化的无服务器计算资源分配系统 |
-
2021
- 2021-08-10 CN CN202110912481.3A patent/CN113535409B/zh active Active
- 2021-12-06 WO PCT/CN2021/135610 patent/WO2023015788A1/zh unknown
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109491760A (zh) * | 2018-10-29 | 2019-03-19 | 中国科学院重庆绿色智能技术研究院 | 一种高效能数据中心云服务器资源自主管理方法和系统 |
| CN109714400A (zh) * | 2018-12-12 | 2019-05-03 | 华南理工大学 | 一种面向容器集群的能耗优化资源调度系统及其方法 |
| CN111178641A (zh) * | 2020-01-03 | 2020-05-19 | 江南大学 | 基于特征提取和多核rsvr组合模型的短期电力负荷预测方法 |
Non-Patent Citations (1)
| Title |
|---|
| 江波: "云平台环境下的资源调度研究与实现", 《中国优秀硕士学位论文全文数据库 信息科技辑》 * |
Cited By (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2023015788A1 (zh) * | 2021-08-10 | 2023-02-16 | 天津大学 | 一种面向能耗优化的无服务器计算资源分配系统 |
| WO2023093204A1 (zh) * | 2021-11-27 | 2023-06-01 | 华为技术有限公司 | 无服务器架构下函数资源动态配置方法和函数管理平台 |
| CN114356580A (zh) * | 2022-01-12 | 2022-04-15 | 重庆邮电大学 | 基于共享资源访问的异构多核系统任务分配方法和装置 |
| CN114489940A (zh) * | 2022-01-18 | 2022-05-13 | 武汉理工大学 | 无服务器计算环境中基于时域卷积网络的冷启动优化方法 |
| CN115086189A (zh) * | 2022-05-20 | 2022-09-20 | 中国科学院软件研究所 | 一种面向无服务器计算的服务资源弹性伸缩方法和系统 |
| CN115086189B (zh) * | 2022-05-20 | 2023-11-07 | 中国科学院软件研究所 | 一种面向无服务器计算的服务资源弹性伸缩方法和系统 |
| CN116401055A (zh) * | 2023-04-07 | 2023-07-07 | 天津大学 | 面向资源效率优化的服务器无感知计算工作流编排方法 |
| CN116401055B (zh) * | 2023-04-07 | 2023-10-03 | 天津大学 | 面向资源效率优化的服务器无感知计算工作流编排方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| WO2023015788A1 (zh) | 2023-02-16 |
| CN113535409B (zh) | 2022-08-05 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN113535409B (zh) | 一种面向能耗优化的无服务器计算资源分配系统 | |
| Li et al. | Energy-aware and multi-resource overload probability constraint-based virtual machine dynamic consolidation method | |
| Arshad et al. | Utilizing power consumption and SLA violations using dynamic VM consolidation in cloud data centers | |
| CN106528266B (zh) | 一种云计算系统中的资源动态调整方法及装置 | |
| Jiang et al. | DataABC: A fast ABC based energy-efficient live VM consolidation policy with data-intensive energy evaluation model | |
| US8341439B2 (en) | Power management apparatus and method thereof and power control system | |
| Zhang et al. | Laius: Towards latency awareness and improved utilization of spatial multitasking accelerators in datacenters | |
| Deng et al. | Dynamic virtual machine consolidation for improving energy efficiency in cloud data centers | |
| CN113672383A (zh) | 一种云计算资源调度方法、系统、终端以及存储介质 | |
| Rajabzadeh et al. | Energy-aware framework with Markov chain-based parallel simulated annealing algorithm for dynamic management of virtual machines in cloud data centers | |
| Guo et al. | A container scheduling strategy based on neighborhood division in micro service | |
| Li et al. | Adaptive priority-based data placement and multi-task scheduling in geo-distributed cloud systems | |
| Shao et al. | A dynamic virtual machine resource consolidation strategy based on a gray model and improved discrete particle swarm optimization | |
| CN110308991B (zh) | 一种基于随机任务的数据中心节能优化方法及系统 | |
| CN116028193B (zh) | 一种混部集群的大数据任务动态高能效调度方法和系统 | |
| JPH10187636A (ja) | 消費電力低減クラスタシステム | |
| Arabas | Modeling and simulation of hierarchical task allocation system for energy-aware HPC clouds | |
| Xiong et al. | Energy-saving optimization of application server clusters based on mixed integer linear programming | |
| Salimian et al. | Energy-efficient placement of virtual machines in cloud data centres based on fuzzy decision making | |
| Li et al. | SLA‐Aware and Energy‐Efficient VM Consolidation in Cloud Data Centers Using Host State 3rd‐Order Markov Chain Model | |
| Cardoso et al. | An efficient energy-aware mechanism for virtual machine migration | |
| Sun | Resource Deployment and Task Scheduling Based on Cloud Computing | |
| Jin et al. | Risk management for virtual machines consolidation in data centers | |
| Monteiro et al. | Qmapper: Dynamic power and performance management in virtualized web servers clusters | |
| Bakni et al. | Survey on improving the performance of MapReduce in Hadoop |
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 | ||
| CB03 | Change of inventor or designer information |
Inventor after: Zhao Laiping Inventor after: Jia Xuechao Inventor after: Li Keqiu Inventor before: Zhao Laiping Inventor before: Jia Xuechao Inventor before: Li Kedi |
|
| CB03 | Change of inventor or designer information |