CN113886006A - 一种资源调度方法、装置、设备及可读存储介质 - Google Patents

一种资源调度方法、装置、设备及可读存储介质 Download PDF

Info

Publication number
CN113886006A
CN113886006A CN202111070249.6A CN202111070249A CN113886006A CN 113886006 A CN113886006 A CN 113886006A CN 202111070249 A CN202111070249 A CN 202111070249A CN 113886006 A CN113886006 A CN 113886006A
Authority
CN
China
Prior art keywords
virtual machine
cloud virtual
resource
cloud
type
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
CN202111070249.6A
Other languages
English (en)
Inventor
郭刚
饶伟
王敏红
张毅
刘彦宁
赵龙
边静
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.)
Sinorail Hongyuan Beijing Software Technology Co ltd
Original Assignee
Sinorail Hongyuan Beijing Software 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 Sinorail Hongyuan Beijing Software Technology Co ltd filed Critical Sinorail Hongyuan Beijing Software Technology Co ltd
Priority to CN202111070249.6A priority Critical patent/CN113886006A/zh
Publication of CN113886006A publication Critical patent/CN113886006A/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
    • G06F9/44—Arrangements for executing specific programs
    • G06F9/455—Emulation; Interpretation; Software simulation, e.g. virtualisation or emulation of application or operating system execution engines
    • G06F9/45533—Hypervisors; Virtual machine monitors
    • G06F9/45558—Hypervisor-specific management and integration aspects
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • 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
    • G06F9/5072—Grid computing
    • 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
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F9/00—Arrangements for program control, e.g. control units
    • G06F9/06—Arrangements for program control, e.g. control units using stored programs, i.e. using an internal store of processing equipment to receive or retain programs
    • G06F9/44—Arrangements for executing specific programs
    • G06F9/455—Emulation; Interpretation; Software simulation, e.g. virtualisation or emulation of application or operating system execution engines
    • G06F9/45533—Hypervisors; Virtual machine monitors
    • G06F9/45558—Hypervisor-specific management and integration aspects
    • G06F2009/4557—Distribution of virtual machine instances; Migration and load balancing
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F9/00—Arrangements for program control, e.g. control units
    • G06F9/06—Arrangements for program control, e.g. control units using stored programs, i.e. using an internal store of processing equipment to receive or retain programs
    • G06F9/44—Arrangements for executing specific programs
    • G06F9/455—Emulation; Interpretation; Software simulation, e.g. virtualisation or emulation of application or operating system execution engines
    • G06F9/45533—Hypervisors; Virtual machine monitors
    • G06F9/45558—Hypervisor-specific management and integration aspects
    • G06F2009/45595—Network integration; Enabling network access in virtual machine instances

Landscapes

  • Engineering & Computer Science (AREA)
  • Software Systems (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Mathematical Physics (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明提供了一种资源调度方法、装置、设备及可读存储介质，方法包括：获取监控数据和云资源节点，所述监控数据包括一统计周期内每个云虚拟机上每类资源的每种指标的监控数据，所述云资源节点为承载所述云虚拟机的云资源节点；根据所述监控数据，得到每个所述云虚拟机上每类所述资源的使用度量值；根据所述使用度量值，得到至少一个云虚拟机组合；根据所述云虚拟机组合和所述云资源节点，为所述云虚拟机组合分配目标资源节点，形成资源调度方案。本发明通过组合资源失衡的云虚拟机实现资源重平衡，再根据所述云虚拟机组合进行云虚拟机调度，可以实现云平台资源优化调度，提高云平台资源利用率。

Description

一种资源调度方法、装置、设备及可读存储介质
技术领域
本发明涉及资源调度技术领域，具体而言，涉及一种资源调度方法、装置、设备及可读存储介质。
背景技术
随着云计算技术的发展成熟，企业开始推动业务系统上云，以实现灵活管理和降低运营成本。在推动业务系统上云的过程中，云平台运维人员也面临着更多的挑战，在业务系统方面，需要在云平台上为业务系统提供满足其需求的资源服务，保证业务系统稳定运行，在云平台方面，还需在云平台运行过程中保持合理的资源利用，降低云平台运营成本，因此，如何实现云平台资源的优化调度，一直是企业云平台运维过程中的研究重点。
发明内容
本发明的目的在于提供一种资源调度方法、装置、设备及可读存储介质，以改善上述问题。
为了实现上述目的，本申请实施例提供了如下技术方案：
一方面，本申请实施例提供了一种资源调度方法，所述方法包括：
获取监控数据和云资源节点，所述监控数据包括一统计周期内每个云虚拟机上每类资源的每种指标的监控数据，所述云资源节点为承载所述云虚拟机的云资源节点；
根据所述监控数据，得到每个所述云虚拟机上每类所述资源的使用度量值；
根据所述使用度量值，得到至少一个云虚拟机组合；
根据所述云虚拟机组合和所述云资源节点，为所述云虚拟机组合分配目标资源节点，形成资源调度方案。
可选的，所述根据所述监控数据，得到每个所述云虚拟机上每类所述资源的使用度量值，包括：
按照时间顺序对所述每个云虚拟机上每类资源的每种指标的监控数据进行排序，得到每个云虚拟机上每类资源的每种指标的历史时间序列；
使用STL模型对所述每个云虚拟机上每类资源的每种指标的历史时间序列进行分解，得到分解后的序列，基于所述分解后的序列，得到每个云虚拟机上每类资源的每种指标的预测时间序列；
基于所述每个云虚拟机上每类资源的每种指标的历史时间序列和所述每个云虚拟机上每类资源的每种指标的预测时间序列得到每个云虚拟机上每类所述资源的使用度量值。
可选的，所述使用STL模型对所述每个云虚拟机上每类资源的每种指标的历史时间序列进行分解，得到分解后的序列，基于所述分解后的序列，得到每个云虚拟机上每类资源的每种指标的预测时间序列，包括：
使用所述STL模型对所述每个云虚拟机上每类资源的每种指标的历史时间序列进行分解，得到每个云虚拟机上每类资源的每种指标的趋势性序列和周期性序列；
利用线性回归模型对每个云虚拟机上每类资源的每种指标的趋势性序列进行预测分析，得到第一预测序列，利用GRU模型对每个云虚拟机上每类资源的每种指标的周期性序列进行预测分析，得到第二预测序列；
将所述第一预测序列和所述第二预测序列进行相加操作，得到每个云虚拟机上每类资源的每种指标的预测时间序列。
可选的，所述根据所述使用度量值，得到至少一个云虚拟机组合，包括：
根据所述每个所述云虚拟机上每类所述资源的使用度量值，得到所述每个所述云虚拟机上每类所述资源无量纲化处理后的使用度量值；
分析每个所述云虚拟机上每类所述资源无量纲化处理后的使用度量值，选取其中的绝对值最大值作为每个所述云虚拟机的排序值；
基于每个所述云虚拟机的排序值，对全部的所述云虚拟机进行组合分析，所述组合分析包括将每个所述云虚拟机的排序值进行比较，得到排序值最大的所述云虚拟机，将所述排序值最大的所述云虚拟机与其它所述云虚拟机进行组合，得到多个初始云虚拟机组合，将每个所述初始云虚拟机组合的每类所述资源无量纲化处理后的使用度量值的绝对值相加，得到每个所述初始云虚拟机组合的使用度量绝对值之和，选取所述使用度量绝对值之和最小的所述初始云虚拟机组合作为新的虚拟机；
将所述新的虚拟机与未组合的所述云虚拟机再次进行组合分析，最终得到至少一个云虚拟机组合。
可选的，所述根据所述每个所述云虚拟机上每类所述资源的使用度量值，得到所述每个所述云虚拟机上每类所述资源无量纲化处理后的使用度量值，包括：
将全部所述云虚拟机上的同类资源的使用度量值进行集合，得到同类资源的使用度量值集合，并计算所述同类资源的使用度量值集合的平均值，得到各类资源的资源平均使用度量值；
将全部所述云虚拟机上的同类资源的使用度量值进行集合，得到同类资源的使用度量值集合，选取所述同类资源的使用度量值集合中的最大值和最小值；
基于所述各类资源的资源平均使用度量值、所述同类资源的使用度量值集合中的最大值和所述同类资源的使用度量值集合中的最小值计算得到所述每个所述云虚拟机上每类所述资源无量纲化处理后的使用度量值。
可选的，所述根据所述云虚拟机组合和所述云资源节点，为所述云虚拟机组合分配目标资源节点，形成资源调度方案，包括：
计算每个所述云虚拟机组合的各类资源的资源分配量之和，按照每个所述云虚拟机组合的各类资源的资源分配量之和从大到小的顺序依次对每个所述云虚拟机组合分配所述目标资源节点；其中，为每个所述云虚拟机组合分配云资源节点时，选择具有相同所述云虚拟机数量最多的所述云资源节点，作为此云虚拟机组合将要调度的所述目标资源节点。
可选的，所述根据所述云虚拟机组合和所述云资源节点，为所述云虚拟机组合分配目标资源节点，形成资源调度方案，包括：
计算每个所述云虚拟机组合的各类资源的资源分配量之和和各类资源的使用量之和，按照每个所述云虚拟机组合的各类资源的资源分配量之和的大小依次对每个所述云虚拟机组合分配云资源节点；其中，为每个所述云虚拟机组合分配目标资源节点时，若多个所述云资源节点与所述云虚拟机组合具有的相同的所述云虚拟机的数量一样，则选择云虚拟机资源分配量最高的所述云资源节点作为目标资源节点，若所述云资源节点的云虚拟机资源分配量仍相同，则选择云虚拟机资源使用量最高的所述云资源节点作为目标资源节点。
第二方面，本申请实施例提供了一种资源调度装置，所述装置包括获取模块、第一计算模块、第二计算模块和分配模块。
所述获取模块，用于获取监控数据和云资源节点，所述监控数据包括一统计周期内每个云虚拟机上每类资源的每种指标的监控数据，所述云资源节点为承载所述云虚拟机的云资源节点；
所述第一计算模块，用于根据所述监控数据，得到每个所述云虚拟机上每类所述资源的使用度量值；
所述第二计算模块，用于根据所述使用度量值，得到至少一个云虚拟机组合；
所述分配模块，用于根据所述云虚拟机组合和所述云资源节点，为所述云虚拟机组合分配目标资源节点，形成资源调度方案。
可选的，所述第一计算模块，包括：
排序单元，用于按照时间顺序对所述每个云虚拟机上每类资源的每种指标的监控数据进行排序，得到每个云虚拟机上每类资源的每种指标的历史时间序列；
分解单元，用于使用STL模型对所述每个云虚拟机上每类资源的每种指标的历史时间序列进行分解，得到分解后的序列，基于所述分解后的序列，得到每个云虚拟机上每类资源的每种指标的预测时间序列；
第一计算单元，用于基于所述每个云虚拟机上每类资源的每种指标的历史时间序列和所述每个云虚拟机上每类资源的每种指标的预测时间序列得到每个云虚拟机上每类所述资源的使用度量值。
可选的，所述分解单元，包括：
分解子单元，用于使用所述STL模型对所述每个云虚拟机上每类资源的每种指标的历史时间序列进行分解，得到每个云虚拟机上每类资源的每种指标的趋势性序列和周期性序列；
分析子单元，用于利用线性回归模型对每个云虚拟机上每类资源的每种指标的趋势性序列进行预测分析，得到第一预测序列，利用GRU模型对每个云虚拟机上每类资源的每种指标的周期性序列进行预测分析，得到第二预测序列；
第一计算子单元，用于将所述第一预测序列和所述第二预测序列进行相加操作，得到每个云虚拟机上每类资源的每种指标的预测时间序列。
可选的，所述第二计算模块，包括：
第二计算单元，用于根据所述每个所述云虚拟机上每类所述资源的使用度量值，得到所述每个所述云虚拟机上每类所述资源无量纲化处理后的使用度量值；
选取单元，用于分析每个所述云虚拟机上每类所述资源无量纲化处理后的使用度量值，选取其中的绝对值最大值作为每个所述云虚拟机的排序值；
第一组合单元，用于基于每个所述云虚拟机的排序值，对全部的所述云虚拟机进行组合分析，所述组合分析包括将每个所述云虚拟机的排序值进行比较，得到排序值最大的所述云虚拟机，将所述排序值最大的所述云虚拟机与其它所述云虚拟机进行组合，得到多个初始云虚拟机组合，将每个所述初始云虚拟机组合的每类所述资源无量纲化处理后的使用度量值的绝对值相加，得到每个所述初始云虚拟机组合的使用度量绝对值之和，选取所述使用度量绝对值之和最小的所述初始云虚拟机组合作为新的虚拟机；
第二组合单元，用于将所述新的虚拟机与未组合的所述云虚拟机再次进行组合分析，最终得到至少一个云虚拟机组合。
可选的，所述第二计算单元，包括：
第二计算子单元，用于将全部所述云虚拟机上的同类资源的使用度量值进行集合，得到同类资源的使用度量值集合，并计算所述同类资源的使用度量值集合的平均值，得到各类资源的资源平均使用度量值；
选取子单元，用于将全部所述云虚拟机上的同类资源的使用度量值进行集合，得到同类资源的使用度量值集合，选取所述同类资源的使用度量值集合中的最大值和最小值；
第三计算子单元，用于基于所述各类资源的资源平均使用度量值、所述同类资源的使用度量值集合中的最大值和所述同类资源的使用度量值集合中的最小值计算得到所述每个所述云虚拟机上每类所述资源无量纲化处理后的使用度量值。
可选的，所述分配模块，包括：
第三计算单元，用于计算每个所述云虚拟机组合的各类资源的资源分配量之和，按照每个所述云虚拟机组合的各类资源的资源分配量之和从大到小的顺序依次对每个所述云虚拟机组合分配所述目标资源节点；其中，为每个所述云虚拟机组合分配云资源节点时，选择具有相同所述云虚拟机数量最多的所述云资源节点，作为此云虚拟机组合将要调度的所述目标资源节点。
可选的，所述分配模块，包括：
第四计算单元，用于计算每个所述云虚拟机组合的各类资源的资源分配量之和和各类资源的使用量之和，按照每个所述云虚拟机组合的各类资源的资源分配量之和的大小依次对每个所述云虚拟机组合分配云资源节点；其中，为每个所述云虚拟机组合分配目标资源节点时，若多个所述云资源节点与所述云虚拟机组合具有的相同的所述云虚拟机的数量一样，则选择云虚拟机资源分配量最高的所述云资源节点作为目标资源节点，若所述云资源节点的云虚拟机资源分配量仍相同，则选择云虚拟机资源使用量最高的所述云资源节点作为目标资源节点。
第三方面，本申请实施例提供了一种资源调度设备，所述设备包括存储器和处理器。存储器用于存储计算机程序；处理器用于执行所述计算机程序时实现上述资源调度方法的步骤。
第四方面，本申请实施例提供了一种可读存储介质，所述可读存储介质上存储有计算机程序，所述计算机程序被处理器执行时实现上述资源调度方法的步骤。
本发明的有益效果为：
本发明使用STL模型、线性回归模型、GRU模型分析进行数据预测并提取峰值，使用无量纲化处理实现对多类资源数据的统一评分，通过组合资源失衡的云虚拟机实现资源重平衡，通过约束分析保持对云平台约束和应用约束的满足，对云资源节点现状和调度分析结果进行匹配，降低调度方案所需的具体调度步骤。该方法能在满足云平台和云应用复杂约束的前提下，实现云平台资源优化调度，提高云平台资源利用率。
本发明的其他特征和优点将在随后的说明书阐述，并且，部分地从说明书中变得显而易见，或者通过实施本发明实施例了解。本发明的目的和其他优点可通过在所写的说明书、权利要求书、以及附图中所特别指出的结构来实现和获得。
附图说明
为了更清楚地说明本发明实施例的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，应当理解，以下附图仅示出了本发明的某些实施例，因此不应被看作是对范围的限定，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相关的附图。
图1是本发明实施例中所述的一种资源调度方法流程示意图；
图2是本发明实施例中所述的一种资源调度装置结构示意图；
图3是本发明实施例中所述的一种资源调度设备结构示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。通常在此处附图中描述和示出的本发明实施例的组件可以以各种不同的配置来布置和设计。因此，以下对在附图中提供的本发明的实施例的详细描述并非旨在限制要求保护的本发明的范围，而是仅仅表示本发明的选定实施例。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，都属于本发明保护的范围。
应注意到：相似的标号或字母在下面的附图中表示类似项，因此，一旦某一项在一个附图中被定义，则在随后的附图中不需要对其进行进一步定义和解释。同时，在本发明的描述中，术语“第一”、“第二”等仅用于区分描述，而不能理解为指示或暗示相对重要性。
实施例1
如图1所示，本实施例提供了一种资源调度方法，该方法包括步骤S1、步骤S2、步骤S3和步骤S4。
步骤S1、获取监控数据和云资源节点，所述监控数据包括一统计周期内每个云虚拟机上每类资源的每种指标的监控数据，所述云资源节点为承载所述云虚拟机的云资源节点；
步骤S2、根据所述监控数据，得到每个所述云虚拟机上每类所述资源的使用度量值；
步骤S3、根据所述使用度量值，得到至少一个云虚拟机组合；
步骤S4、根据所述云虚拟机组合和所述云资源节点，为所述云虚拟机组合分配目标资源节点，形成资源调度方案。
在本实施例中，通过组合资源失衡的云虚拟机实现资源重平衡，再对组合后的云虚拟机进行调度，可以实现云平台资源优化调度，提高云平台资源利用率。
在本实施例中，云虚拟机上的资源包括CPU、内存和网络3类资源，CPU的指标包括CPU load或者CPU利用率，内存的指标包括内存利用率，网络的指标包括网络带宽使用率或网络IOPS。本实施例中的一统计周期可以为一周、两周、一个月或者两个月，可根据用户的需求进行设置。
在本公开的一种具体实施方式中，所述步骤S2，还可以包括步骤S21、步骤S22和步骤S23。
步骤S21、按照时间顺序对所述每个云虚拟机上每类资源的每种指标的监控数据进行排序，得到每个云虚拟机上每类资源的每种指标的历史时间序列；
步骤S22、使用STL模型对所述每个云虚拟机上每类资源的每种指标的历史时间序列进行分解，得到分解后的序列，基于所述分解后的序列，得到每个云虚拟机上每类资源的每种指标的预测时间序列；
步骤S23、基于所述每个云虚拟机上每类资源的每种指标的历史时间序列和所述每个云虚拟机上每类资源的每种指标的预测时间序列得到每个云虚拟机上每类所述资源的使用度量值。
在本实施例中，局部加权回归(Seasonal-Trend decomposition procedurebased on Loess)的时间序列分解模型(简称STL模型)；
在本实施例中，只考虑每个云虚拟机的每类资源只包括一个指标，则将每类资源的这一个指标的历史时间序列和所述每个云虚拟机上每类资源的这一类指标的预测时间序列进行比较分析，在历史时间序列和预测时间序列中选取一个最大值作为每个云虚拟机上每类所述资源的使用度量值。
在本公开的一种具体实施方式中，所述步骤S22，还可以包括步骤S221、步骤S222和步骤S223。
步骤S221、使用所述STL模型对所述每个云虚拟机上每类资源的每种指标的历史时间序列进行分解，得到每个云虚拟机上每类资源的每种指标的趋势性序列和周期性序列；
步骤S222、利用线性回归模型对每个云虚拟机上每类资源的每种指标的趋势性序列进行预测分析，得到第一预测序列，利用GRU模型对每个云虚拟机上每类资源的每种指标的周期性序列进行预测分析，得到第二预测序列；
步骤S223、将所述第一预测序列和所述第二预测序列进行相加操作，得到每个云虚拟机上每类资源的每种指标的预测时间序列。
在本实施例中，门控循环单元(Gated Recurretn Unit)循环网络模型(简称GRU模型)；
在本实施例中，每个云虚拟机上每类资源的每种指标的历史时间序列为(V1,V2...Vn)，使用STL模型对历史时间序列(V1,V2...Vn)进行分解，得到其趋势性序列(A1,A2...An)和周期性序列(P1,P2...Pn),再利用线性回归模型对趋势性序列(A1,A2...An)进行预测分析，得到预测序列(An+1，An+2...An+m)，利用GRU模型对周期性序列(P1,P2...Pn)进行预测分析，得到预测序列(Pn+1，Pn+2...Pn+m)，对2个结果序列进行相加操作，得到完整的预测结果，即预测时间序列(An+1+Pn+1，An+2+Pn+2...An+m+Pn+m)。
在本公开的一种具体实施方式中，所述步骤S3，还可以包括步骤S31、步骤S32、步骤S33和步骤S34。
步骤S31、根据所述每个所述云虚拟机上每类所述资源的使用度量值，得到所述每个所述云虚拟机上每类所述资源无量纲化处理后的使用度量值；
步骤S32、分析每个所述云虚拟机上每类所述资源无量纲化处理后的使用度量值，选取其中的绝对值最大值作为每个所述云虚拟机的排序值；
步骤S33、基于每个所述云虚拟机的排序值，对全部的所述云虚拟机进行组合分析，所述组合分析包括将每个所述云虚拟机的排序值进行比较，得到排序值最大的所述云虚拟机，将所述排序值最大的所述云虚拟机与其它所述云虚拟机进行组合，得到多个初始云虚拟机组合，将每个所述初始云虚拟机组合的每类所述资源无量纲化处理后的使用度量值的绝对值相加，得到每个所述初始云虚拟机组合的使用度量绝对值之和，选取所述使用度量绝对值之和最小的所述初始云虚拟机组合作为新的虚拟机；
步骤S34、将所述新的虚拟机与未组合的所述云虚拟机再次进行组合分析，最终得到至少一个云虚拟机组合。
在本实施例中，每个所述云虚拟机上某一类所述资源无量纲化处理后的使用度量值为V'，则一个所述云虚拟机的每类资源无量纲化处理后的使用度量值组合在一起则为(V'1，V'2...V'n)，分析V'1，V'2...V'n中绝对值最大的使用度量值，若其中V'1的绝对值最大，则将V'1作为这个云虚拟机的排序值；
若本实施例中包括四个云虚拟机，第一云虚拟机(即第一个云虚拟机)的每类资源无量纲化处理后的使用度量值组合在一起为(V'1，V'2...V'n)，第二云虚拟机的每类资源无量纲化处理后的使用度量值组合在一起为(V”1，V”2...V”n)，第三云虚拟机的每类资源无量纲化处理后的使用度量值组合在一起为(V”'1，V”'2...V”'n)，第四云虚拟机的每类资源无量纲化处理后的使用度量值组合在一起为(V””1，V””2...V””n)；
每个云虚拟机的排序值都按照上面的方法进行确定，确定后根据排序值从大到小的顺序将这四个云虚拟机进行排序，若第一云虚拟机的排序值最大，则将第一云虚拟机与其他三个云虚拟机进行组合，得到组合一(第一云虚拟机+第二云虚拟机)、组合二(第一云虚拟机+第三云虚拟机)和组合三(第一云虚拟机+第四云虚拟机)；计算组合一每类所述资源无量纲化处理后的使用度量值的绝对值之和，结果一为：(|V'1+V”1|+|V'2+V”2|+...+|V'n+V”n|)，计算组合二每类所述资源无量纲化处理后的使用度量值的绝对值，结果二为(|V'1+V”'1|+|V'2+V”'2|+...+|V'n+V”'n|)，计算组合三每类所述资源无量纲化处理后的使用度量值的绝对值之和，结果三为：(|V'1+V””1|+|V'2+V””2|+...+|V'n+V””n|)，若组合二的绝对值最小，那么组合二就将成为一个新的云虚拟机，即第一云虚拟机+第三云虚拟机(将其命名为第五云虚拟机)，再将第五云虚拟机与第二、第四云虚拟机进行组合，按照上面的方法进行组合分析，若再次分析后形成的组合为第五云虚拟机+第二云虚拟机，则还剩余一个第四个云虚拟机，此时将分析第五云虚拟机+第二云虚拟机+第四个云虚拟机后，此组合包含的云虚拟机数量是否超过了云虚拟机数量上限、组合后此组合所包含的资源数量是否超过了资源数量上限以及第五云虚拟机和第二云虚拟机与第四个云虚拟机是否存在约束冲突，若均没有超过也没有约束冲突则将其组合在一起，否则不能将其进行组合，若不能进行组合则最终形成的虚拟机组合则为：第五云虚拟机+第二云虚拟机(将其命名为第六云虚拟机)以及第四云虚拟机，进而将第六云虚拟机和第四云虚拟机匹配到目标资源节点上。
在另一实施例中，在进行云虚拟机组合时还需要判断进行组合的这两个云虚拟机是否存在约束冲突，若存在，则不能将这两个云虚拟机进行组合。
在本公开的一种具体实施方式中，所述步骤S31，还可以包括步骤S311、步骤S312和步骤S313。
步骤S311、将全部所述云虚拟机上的同类资源的使用度量值进行集合，得到同类资源的使用度量值集合，并计算所述同类资源的使用度量值集合的平均值，得到各类资源的资源平均使用度量值；
步骤S312、将全部所述云虚拟机上的同类资源的使用度量值进行集合，得到同类资源的使用度量值集合，选取所述同类资源的使用度量值集合中的最大值和最小值；
步骤S313、基于所述各类资源的资源平均使用度量值、所述同类资源的使用度量值集合中的最大值和所述同类资源的使用度量值集合中的最小值计算得到所述每个所述云虚拟机上每类所述资源无量纲化处理后的使用度量值。
在本实施例中，若包括三个云虚拟机，三个云虚拟机均包括CPU这类资源，那么将第一云虚拟机的CPU的使用度量值V1+第二云虚拟机的CPU的使用度量值V2+第三云虚拟机的CPU的使用度量值V3后除以3即为CPU这类资源的平均使用度量值Vavg；
若第一云虚拟机的CPU的使用度量值、第二云虚拟机的CPU的使用度量值和第三云虚拟机的CPU的使用度量值中，第一云虚拟机的CPU的使用度量值最大(即为Vmax)，第二云虚拟机的CPU的使用度量值最小(即为Vmin)，则第一云虚拟机的CPU无量纲化处理后的使用度量值为：
V1'＝(V1-Vavg)/max(Vmax-Vavg,Vavg-Vmin)
第二云虚拟机的CPU无量纲化处理后的使用度量值为：
V2'＝(V2-Vavg)/max(Vmax-Vavg,Vavg-Vmin)
第三云虚拟机的CPU无量纲化处理后的使用度量值为：
V3'＝(V3-Vavg)/max(Vmax-Vavg,Vavg-Vmin)
无量纲化处理后的使用度量值的值均在(-1，1)范围内，通过这种方法可以方便后续的计算。
在本公开的一种具体实施方式中，所述步骤S4，还可以包括步骤S41。
步骤S41、计算每个所述云虚拟机组合的各类资源的资源分配量之和，按照每个所述云虚拟机组合的各类资源的资源分配量之和从大到小的顺序依次对每个所述云虚拟机组合分配所述目标资源节点；其中，为每个所述云虚拟机组合分配云资源节点时，选择具有相同所述云虚拟机数量最多的所述云资源节点，作为此云虚拟机组合将要调度的所述目标资源节点。
在本实施例中，若云虚拟机组合包括1号云虚拟机和2号云虚拟机，同时存在三个云资源节点，第一个云资源节点上只包括1号云虚拟机，则第一个云资源节点与云虚拟机组合均包括1号云虚拟机，相同的云虚拟机的数量为一个；第二个云资源节点上也只包括1号云虚拟机，则第二个云资源节点与云虚拟机组合均包括1号云虚拟机，相同的云虚拟机的数量为一个；第三个云资源节点上包括1号云虚拟机和2号云虚拟机，则第三个云资源节点与云虚拟机组合均包括1号云虚拟机和2号云虚拟机，相同的云虚拟机的数量为两个；则将云虚拟机组合调度到第三个云资源节点上。
在本公开的一种具体实施方式中，所述步骤S4，还可以包括步骤S42。
步骤S42、计算每个所述云虚拟机组合的各类资源的资源分配量之和和各类资源的使用量之和，按照每个所述云虚拟机组合的各类资源的资源分配量之和的大小依次对每个所述云虚拟机组合分配云资源节点；其中，为每个所述云虚拟机组合分配目标资源节点时，若多个所述云资源节点与所述云虚拟机组合具有的相同的所述云虚拟机的数量一样，则选择云虚拟机资源分配量最高的所述云资源节点作为目标资源节点，若所述云资源节点的云虚拟机资源分配量仍相同，则选择云虚拟机资源使用量最高的所述云资源节点作为目标资源节点。
在本实施例之后，确定目标资源节点后，将云虚拟机组合调度到目标资源节点时还需要判断将云虚拟机组合调度到目标资源节点后，此目标资源节点上包含的云虚拟机的数量是否达到上限，以及此目标资源节点上包含的资源的数量是否达到上限，其中一个达到上限则不能进行调度。同时若云虚拟机组合(此云虚拟机组合只包括一个云虚拟机)将要调度到的目标资源节点为承载此云虚拟机的云资源节点，那么则无需进行调度。
实施例2
如图2所示，本实施例提供了一种资源调度装置，所述装置包括获取模块701、第一计算模块702、第二计算模块703和分配模块704。
所述获取模块701，用于获取监控数据和云资源节点，所述监控数据包括一统计周期内每个云虚拟机上每类资源的每种指标的监控数据，所述云资源节点为承载所述云虚拟机的云资源节点；
所述第一计算模块702，用于根据所述监控数据，得到每个所述云虚拟机上每类所述资源的使用度量值；
所述第二计算模块703，用于根据所述使用度量值，得到至少一个云虚拟机组合；
所述分配模块704，用于根据所述云虚拟机组合和所述云资源节点，为所述云虚拟机组合分配目标资源节点，形成资源调度方案。
本实施例通过组合资源失衡的云虚拟机实现资源重平衡，再对组合后的云虚拟机进行调度，可以实现云平台资源优化调度，提高云平台资源利用率。
在本公开的一种具体实施方式中，所述第一计算模块702包括排序单元7021、分解单元7022和第一计算单元7023。
所述排序单元7021，用于按照时间顺序对所述每个云虚拟机上每类资源的每种指标的监控数据进行排序，得到每个云虚拟机上每类资源的每种指标的历史时间序列；
所述分解单元7022，用于使用STL模型对所述每个云虚拟机上每类资源的每种指标的历史时间序列进行分解，得到分解后的序列，基于所述分解后的序列，得到每个云虚拟机上每类资源的每种指标的预测时间序列；
所述第一计算单元7023，用于基于所述每个云虚拟机上每类资源的每种指标的历史时间序列和所述每个云虚拟机上每类资源的每种指标的预测时间序列得到每个云虚拟机上每类所述资源的使用度量值。
在本公开的一种具体实施方式中，所述分解单元7022包括分解子单元70221、分析子单元70222和第一计算子单元70223。
所述分解子单元70221，用于使用所述STL模型对所述每个云虚拟机上每类资源的每种指标的历史时间序列进行分解，得到每个云虚拟机上每类资源的每种指标的趋势性序列和周期性序列；
所述分析子单元70222，用于利用线性回归模型对每个云虚拟机上每类资源的每种指标的趋势性序列进行预测分析，得到第一预测序列，利用GRU模型对每个云虚拟机上每类资源的每种指标的周期性序列进行预测分析，得到第二预测序列；
所述第一计算子单元70223，用于将所述第一预测序列和所述第二预测序列进行相加操作，得到每个云虚拟机上每类资源的每种指标的预测时间序列。
在本公开的一种具体实施方式中，所述第二计算模块703包括第二计算单元7031、选取单元7032、第一组合单元7033和第二组合单元7034。
所述第二计算单元7031，用于根据所述每个所述云虚拟机上每类所述资源的使用度量值，得到所述每个所述云虚拟机上每类所述资源无量纲化处理后的使用度量值；
所述选取单元7032，用于分析每个所述云虚拟机上每类所述资源无量纲化处理后的使用度量值，选取其中的绝对值最大值作为每个所述云虚拟机的排序值；
所述第一组合单元7033，用于基于每个所述云虚拟机的排序值，对全部的所述云虚拟机进行组合分析，所述组合分析包括将每个所述云虚拟机的排序值进行比较，得到排序值最大的所述云虚拟机，将所述排序值最大的所述云虚拟机与其它所述云虚拟机进行组合，得到多个初始云虚拟机组合，将每个所述初始云虚拟机组合的每类所述资源无量纲化处理后的使用度量值的绝对值相加，得到每个所述初始云虚拟机组合的使用度量绝对值之和，选取所述使用度量绝对值之和最小的所述初始云虚拟机组合作为新的虚拟机；
所述第二组合单元7034，用于将所述新的虚拟机与未组合的所述云虚拟机再次进行组合分析，最终得到至少一个云虚拟机组合。
在本公开的一种具体实施方式中，所述第二计算单元7031包括第二计算子单元70311、选取子单元70312和第三计算子单元70313。
所述第二计算子单元70311，用于将全部所述云虚拟机上的同类资源的使用度量值进行集合，得到同类资源的使用度量值集合，并计算所述同类资源的使用度量值集合的平均值，得到各类资源的资源平均使用度量值；
所述选取子单元70312，用于将全部所述云虚拟机上的同类资源的使用度量值进行集合，得到同类资源的使用度量值集合，选取所述同类资源的使用度量值集合中的最大值和最小值；
所述第三计算子单元70313，用于基于所述各类资源的资源平均使用度量值、所述同类资源的使用度量值集合中的最大值和所述同类资源的使用度量值集合中的最小值计算得到所述每个所述云虚拟机上每类所述资源无量纲化处理后的使用度量值。
在本公开的一种具体实施方式中，所述分配模块704包括第三计算单元7041。
所述第三计算单元7041，用于计算每个所述云虚拟机组合的各类资源的资源分配量之和，按照每个所述云虚拟机组合的各类资源的资源分配量之和从大到小的顺序依次对每个所述云虚拟机组合分配所述目标资源节点；其中，为每个所述云虚拟机组合分配云资源节点时，选择具有相同所述云虚拟机数量最多的所述云资源节点，作为此云虚拟机组合将要调度的所述目标资源节点。
在本公开的一种具体实施方式中，所述分配模块704包括第四计算单元7042。
所述第四计算单元7042，用于计算每个所述云虚拟机组合的各类资源的资源分配量之和和各类资源的使用量之和，按照每个所述云虚拟机组合的各类资源的资源分配量之和的大小依次对每个所述云虚拟机组合分配云资源节点；其中，为每个所述云虚拟机组合分配目标资源节点时，若多个所述云资源节点与所述云虚拟机组合具有的相同的所述云虚拟机的数量一样，则选择云虚拟机资源分配量最高的所述云资源节点作为目标资源节点，若所述云资源节点的云虚拟机资源分配量仍相同，则选择云虚拟机资源使用量最高的所述云资源节点作为目标资源节点。
需要说明的是，关于上述实施例中的装置，其中各个模块执行操作的具体方式已经在有关该方法的实施例中进行了详细描述，此处将不做详细阐述说明。
实施例3
相应于上面的方法实施例，本公开实施例还提供了一种资源调度设备，下文描述的一种资源调度设备与上文描述的一种资源调度方法可相互对应参照。
图3是根据一示例性实施例示出的一种资源调度设备800的框图。如图3所示，该资源调度设备800可以包括：处理器801，存储器802。该资源调度设备800还可以包括多媒体组件803，输入/输出(I/O)接口804，以及通信组件805中的一者或多者。
其中，处理器801用于控制该资源调度设备800的整体操作，以完成上述的资源调度方法中的全部或部分步骤。存储器802用于存储各种类型的数据以支持在该资源调度设备800的操作，这些数据例如可以包括用于在该资源调度设备800上操作的任何应用程序或方法的指令，以及应用程序相关的数据，例如联系人数据、收发的消息、图片、音频、视频等等。该存储器802可以由任何类型的易失性或非易失性存储设备或者它们的组合实现，例如静态随机存取存储器(Static Random Access Memory，简称SRAM)，电可擦除可编程只读存储器(Electrically Erasable Programmable Read-Only Memory，简称EEPROM)，可擦除可编程只读存储器(Erasable Programmable Read-Only Memory，简称EPROM)，可编程只读存储器(Programmable Read-Only Memory，简称PROM)，只读存储器(Read-Only Memory，简称ROM)，磁存储器，快闪存储器，磁盘或光盘。多媒体组件803可以包括屏幕和音频组件。其中屏幕例如可以是触摸屏，音频组件用于输出和/或输入音频信号。例如，音频组件可以包括一个麦克风，麦克风用于接收外部音频信号。所接收的音频信号可以被进一步存储在存储器802或通过通信组件805发送。音频组件还包括至少一个扬声器，用于输出音频信号。I/O接口804为处理器801和其他接口模块之间提供接口，上述其他接口模块可以是键盘，鼠标，按钮等。这些按钮可以是虚拟按钮或者实体按钮。通信组件805用于该资源调度设备800与其他设备之间进行有线或无线通信。无线通信，例如Wi-Fi，蓝牙，近场通信(Near FieldCommunication，简称NFC)，2G、3G或4G，或它们中的一种或几种的组合，因此相应的该通信组件805可以包括：Wi-Fi模块，蓝牙模块，NFC模块。
在一示例性实施例中，该资源调度设备800可以被一个或多个应用专用集成电路(Application Specific Integrated Circuit，简称ASIC)、数字信号处理器(DigitalSignal Processor，简称DSP)、数字信号处理设备(Digital Signal Processing Device，简称DSPD)、可编程逻辑器件(Programmable Logic Device，简称PLD)、现场可编程门阵列(Field Programmable Gate Array，简称FPGA)、控制器、微控制器、微处理器或其他电子元件实现，用于执行上述的资源调度方法。
在另一示例性实施例中，还提供了一种包括程序指令的计算机可读存储介质，该程序指令被处理器执行时实现上述的资源调度方法的步骤。例如，该计算机可读存储介质可以为上述包括程序指令的存储器802，上述程序指令可由该资源调度设备800的处理器801执行以完成上述的资源调度方法。
实施例4
相应于上面的方法实施例，本公开实施例还提供了一种可读存储介质，下文描述的一种可读存储介质与上文描述的一种资源调度方法可相互对应参照。
一种可读存储介质，可读存储介质上存储有计算机程序，计算机程序被处理器执行时实现上述方法实施例的资源调度方法的步骤。
该可读存储介质具体可以为U盘、移动硬盘、只读存储器(Read-Only Memory，ROM)、随机存取存储器(Random Access Memory，RAM)、磁碟或者光盘等各种可存储程序代码的可读存储介质。
以上所述仅为本发明的优选实施例而已，并不用于限制本发明，对于本领域的技术人员来说，本发明可以有各种更改和变化。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (10)

1.一种资源调度方法，其特征在于，包括：
获取监控数据和云资源节点，所述监控数据包括一统计周期内每个云虚拟机上每类资源的每种指标的监控数据，所述云资源节点为承载所述云虚拟机的云资源节点；
根据所述监控数据，得到每个所述云虚拟机上每类所述资源的使用度量值；
根据所述使用度量值，得到至少一个云虚拟机组合；
根据所述云虚拟机组合和所述云资源节点，为所述云虚拟机组合分配目标资源节点，形成资源调度方案。
2.根据权利要求1所述的资源调度方法，其特征在于，所述根据所述监控数据，得到每个所述云虚拟机上每类所述资源的使用度量值，包括：
按照时间顺序对所述每个云虚拟机上每类资源的每种指标的监控数据进行排序，得到每个云虚拟机上每类资源的每种指标的历史时间序列；
使用STL模型对所述每个云虚拟机上每类资源的每种指标的历史时间序列进行分解，得到分解后的序列，基于所述分解后的序列，得到每个云虚拟机上每类资源的每种指标的预测时间序列；
基于所述每个云虚拟机上每类资源的每种指标的历史时间序列和所述每个云虚拟机上每类资源的每种指标的预测时间序列得到每个云虚拟机上每类所述资源的使用度量值。
3.根据权利要求2所述的资源调度方法，其特征在于，所述使用STL模型对所述每个云虚拟机上每类资源的每种指标的历史时间序列进行分解，得到分解后的序列，基于所述分解后的序列，得到每个云虚拟机上每类资源的每种指标的预测时间序列，包括：
使用所述STL模型对所述每个云虚拟机上每类资源的每种指标的历史时间序列进行分解，得到每个云虚拟机上每类资源的每种指标的趋势性序列和周期性序列；
利用线性回归模型对每个云虚拟机上每类资源的每种指标的趋势性序列进行预测分析，得到第一预测序列，利用GRU模型对每个云虚拟机上每类资源的每种指标的周期性序列进行预测分析，得到第二预测序列；
将所述第一预测序列和所述第二预测序列进行相加操作，得到每个云虚拟机上每类资源的每种指标的预测时间序列。
4.根据权利要求1所述的资源调度方法，其特征在于，所述根据所述使用度量值，得到至少一个云虚拟机组合，包括：
根据所述每个所述云虚拟机上每类所述资源的使用度量值，得到所述每个所述云虚拟机上每类所述资源无量纲化处理后的使用度量值；
分析每个所述云虚拟机上每类所述资源无量纲化处理后的使用度量值，选取其中的绝对值最大值作为每个所述云虚拟机的排序值；
基于每个所述云虚拟机的排序值，对全部的所述云虚拟机进行组合分析，所述组合分析包括将每个所述云虚拟机的排序值进行比较，得到排序值最大的所述云虚拟机，将所述排序值最大的所述云虚拟机与其它所述云虚拟机进行组合，得到多个初始云虚拟机组合，将每个所述初始云虚拟机组合的每类所述资源无量纲化处理后的使用度量值的绝对值相加，得到每个所述初始云虚拟机组合的使用度量绝对值之和，选取所述使用度量绝对值之和最小的所述初始云虚拟机组合作为新的虚拟机；
将所述新的虚拟机与未组合的所述云虚拟机再次进行组合分析，最终得到至少一个云虚拟机组合。
5.一种资源调度装置，其特征在于，包括：
获取模块，用于获取监控数据和云资源节点，所述监控数据包括一统计周期内每个云虚拟机上每类资源的每种指标的监控数据，所述云资源节点为承载所述云虚拟机的云资源节点；
第一计算模块，用于根据所述监控数据，得到每个所述云虚拟机上每类所述资源的使用度量值；
第二计算模块，用于根据所述使用度量值，得到至少一个云虚拟机组合；
分配模块，用于根据所述云虚拟机组合和所述云资源节点，为所述云虚拟机组合分配目标资源节点，形成资源调度方案。
6.根据权利要求5所述的资源调度装置，其特征在于，所述第一计算模块，包括：
排序单元，用于按照时间顺序对所述每个云虚拟机上每类资源的每种指标的监控数据进行排序，得到每个云虚拟机上每类资源的每种指标的历史时间序列；
分解单元，用于使用STL模型对所述每个云虚拟机上每类资源的每种指标的历史时间序列进行分解，得到分解后的序列，基于所述分解后的序列，得到每个云虚拟机上每类资源的每种指标的预测时间序列；
第一计算单元，用于基于所述每个云虚拟机上每类资源的每种指标的历史时间序列和所述每个云虚拟机上每类资源的每种指标的预测时间序列得到每个云虚拟机上每类所述资源的使用度量值。
7.根据权利要求6所述的资源调度装置，其特征在于，所述分解单元，包括：
分解子单元，用于使用所述STL模型对所述每个云虚拟机上每类资源的每种指标的历史时间序列进行分解，得到每个云虚拟机上每类资源的每种指标的趋势性序列和周期性序列；
分析子单元，用于利用线性回归模型对每个云虚拟机上每类资源的每种指标的趋势性序列进行预测分析，得到第一预测序列，利用GRU模型对每个云虚拟机上每类资源的每种指标的周期性序列进行预测分析，得到第二预测序列；
第一计算子单元，用于将所述第一预测序列和所述第二预测序列进行相加操作，得到每个云虚拟机上每类资源的每种指标的预测时间序列。
8.根据权利要求5所述的资源调度装置，其特征在于，所述第二计算模块，包括：
第二计算单元，用于根据所述每个所述云虚拟机上每类所述资源的使用度量值，得到所述每个所述云虚拟机上每类所述资源无量纲化处理后的使用度量值；
选取单元，用于分析每个所述云虚拟机上每类所述资源无量纲化处理后的使用度量值，选取其中的绝对值最大值作为每个所述云虚拟机的排序值；
第一组合单元，用于基于每个所述云虚拟机的排序值，对全部的所述云虚拟机进行组合分析，所述组合分析包括将每个所述云虚拟机的排序值进行比较，得到排序值最大的所述云虚拟机，将所述排序值最大的所述云虚拟机与其它所述云虚拟机进行组合，得到多个初始云虚拟机组合，将每个所述初始云虚拟机组合的每类所述资源无量纲化处理后的使用度量值的绝对值相加，得到每个所述初始云虚拟机组合的使用度量绝对值之和，选取所述使用度量绝对值之和最小的所述初始云虚拟机组合作为新的虚拟机；
第二组合单元，用于将所述新的虚拟机与未组合的所述云虚拟机再次进行组合分析，最终得到至少一个云虚拟机组合。
9.一种资源调度设备，其特征在于，包括：
存储器，用于存储计算机程序；
处理器，用于执行所述计算机程序时实现如权利要求1至4任一项所述资源调度方法的步骤。
10.一种可读存储介质，其特征在于：所述可读存储介质上存储有计算机程序，所述计算机程序被处理器执行时实现如权利要求1至4任一项所述资源调度方法的步骤。
CN202111070249.6A 2021-09-13 2021-09-13 一种资源调度方法、装置、设备及可读存储介质 Pending CN113886006A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111070249.6A CN113886006A (zh) 2021-09-13 2021-09-13 一种资源调度方法、装置、设备及可读存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111070249.6A CN113886006A (zh) 2021-09-13 2021-09-13 一种资源调度方法、装置、设备及可读存储介质

Publications (1)

Publication Number Publication Date
CN113886006A true CN113886006A (zh) 2022-01-04

Family

ID=79009282

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111070249.6A Pending CN113886006A (zh) 2021-09-13 2021-09-13 一种资源调度方法、装置、设备及可读存储介质

Country Status (1)

Country Link
CN (1) CN113886006A (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114745392A (zh) * 2022-04-29 2022-07-12 阿里云计算有限公司 流量调度方法
CN116701000A (zh) * 2023-08-07 2023-09-05 广东南方电信规划咨询设计院有限公司 一种基于ai和云边协同的资源整合方法及装置

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114745392A (zh) * 2022-04-29 2022-07-12 阿里云计算有限公司 流量调度方法
CN116701000A (zh) * 2023-08-07 2023-09-05 广东南方电信规划咨询设计院有限公司 一种基于ai和云边协同的资源整合方法及装置
CN116701000B (zh) * 2023-08-07 2024-03-08 广东南方电信规划咨询设计院有限公司 一种基于ai和云边协同的资源整合方法及装置

Similar Documents

Publication Publication Date Title
CN101923557B (zh) 数据分析系统及方法
CN109684162B (zh) 设备状态预测方法、系统、终端及计算机可读存储介质
CN113886006A (zh) 一种资源调度方法、装置、设备及可读存储介质
WO2020087830A1 (zh) 数据分析方法、装置、服务器及存储介质
CN111338791A (zh) 集群队列资源的调度方法、装置、设备及存储介质
US9269057B1 (en) Using specialized workers to improve performance in machine learning
CN112162980A (zh) 数据质量管控方法及系统、存储介质、电子设备
CN113988065A (zh) 影响因素分析方法及装置、存储介质及电子设备
CN112862013A (zh) 一种量化交易策略的问题诊断方法及装置
CN110389876B (zh) 基础资源容量监管方法、装置、设备及存储介质
CN115471215B (zh) 一种业务流程处理方法及装置
CN111882113A (zh) 一种企业手机银行用户的预测方法和装置
CN111756760A (zh) 基于集成分类器的用户异常行为检测方法及相关设备
CN110928750B (zh) 数据处理方法、装置及设备
US11782923B2 (en) Optimizing breakeven points for enhancing system performance
CN115796347A (zh) 教育资源投入均衡度预测方法、装置、设备及存储介质
CN109947615A (zh) 分布式系统的监控方法和装置
CN114520773A (zh) 一种服务请求的响应方法、装置、服务器及存储介质
CN114327392A (zh) 一种数据处理方法、装置及电子设备
CN111611123B (zh) 数据处理方法、数据处理系统及设备
US8838414B2 (en) Determining when to create a prediction based on deltas of metric values
CN112734454A (zh) 一种用户信息确定方法、装置、电子设备和存储介质
CN112884391A (zh) 收派件规划方法、装置、电子设备及存储介质
US20240012795A1 (en) Database usage footprint monitoring platform
TWI811925B (zh) 產能配置的規劃方法以及規劃裝置

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