CN113886185B - 一种自动判断平台繁忙状态的方法 - Google Patents

一种自动判断平台繁忙状态的方法 Download PDF

Info

Publication number
CN113886185B
CN113886185B CN202111206080.2A CN202111206080A CN113886185B CN 113886185 B CN113886185 B CN 113886185B CN 202111206080 A CN202111206080 A CN 202111206080A CN 113886185 B CN113886185 B CN 113886185B
Authority
CN
China
Prior art keywords
platform
busy state
user
boundary
busy
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.)
Active
Application number
CN202111206080.2A
Other languages
English (en)
Other versions
CN113886185A (zh
Inventor
权世银
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.)
Shenzhen Ruiyun Technology Co ltd
Original Assignee
Shenzhen Rayvision 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 Shenzhen Rayvision Technology Co ltd filed Critical Shenzhen Rayvision Technology Co ltd
Priority to CN202111206080.2A priority Critical patent/CN113886185B/zh
Publication of CN113886185A publication Critical patent/CN113886185A/zh
Application granted granted Critical
Publication of CN113886185B publication Critical patent/CN113886185B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F11/00—Error detection; Error correction; Monitoring
    • G06F11/30—Monitoring
    • G06F11/3003—Monitoring arrangements specially adapted to the computing system or computing system component being monitored
    • G06F11/3006—Monitoring arrangements specially adapted to the computing system or computing system component being monitored where the computing system is distributed, e.g. networked systems, clusters, multiprocessor systems
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F11/00—Error detection; Error correction; Monitoring
    • G06F11/30—Monitoring
    • G06F11/3003—Monitoring arrangements specially adapted to the computing system or computing system component being monitored
    • G06F11/301—Monitoring arrangements specially adapted to the computing system or computing system component being monitored where the computing system is a virtual computing platform, e.g. logically partitioned systems
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F11/00—Error detection; Error correction; Monitoring
    • G06F11/30—Monitoring
    • G06F11/34—Recording or statistical evaluation of computer activity, e.g. of down time, of input/output operation ; Recording or statistical evaluation of user activity, e.g. usability assessment
    • G06F11/3409—Recording or statistical evaluation of computer activity, e.g. of down time, of input/output operation ; Recording or statistical evaluation of user activity, e.g. usability assessment for performance assessment
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F11/00—Error detection; Error correction; Monitoring
    • G06F11/30—Monitoring
    • G06F11/34—Recording or statistical evaluation of computer activity, e.g. of down time, of input/output operation ; Recording or statistical evaluation of user activity, e.g. usability assessment
    • G06F11/3409—Recording or statistical evaluation of computer activity, e.g. of down time, of input/output operation ; Recording or statistical evaluation of user activity, e.g. usability assessment for performance assessment
    • G06F11/3433—Recording or statistical evaluation of computer activity, e.g. of down time, of input/output operation ; Recording or statistical evaluation of user activity, e.g. usability assessment for performance assessment for load management
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F11/00—Error detection; Error correction; Monitoring
    • G06F11/30—Monitoring
    • G06F11/34—Recording or statistical evaluation of computer activity, e.g. of down time, of input/output operation ; Recording or statistical evaluation of user activity, e.g. usability assessment
    • G06F11/3452—Performance evaluation by statistical analysis
    • 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
    • Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
    • Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
    • Y02P90/30—Computing systems specially adapted for manufacturing

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Quality & Reliability (AREA)
  • General Physics & Mathematics (AREA)
  • Computing Systems (AREA)
  • Computer Hardware Design (AREA)
  • Mathematical Physics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Probability & Statistics with Applications (AREA)
  • Debugging And Monitoring (AREA)

Abstract

本申请涉及云计算技术领域，尤其涉及一种自动判断平台繁忙状态的方法，包括获取平台任务数，获取与用户使用环境相匹配的实际可用机器数，获取平台任务数和与用户使用环境相匹配的实际可用机器数之间的数值差，并对该数值差进行多次采样，通过采集到的取样点，聚合模拟出一条同一个区间内的繁忙状态参考曲线，通过繁忙状态参考曲线获取繁忙状态的边界最大值和繁忙状态的边界最小值，并通过判断该数值差与繁忙状态的边界最大值以及繁忙状态的边界最小值的大小关系来判断平台的繁忙状态，再将繁忙状态以及未来平台繁忙趋势发送给用户，按照预设的程序引导用户根据自身实际情况在对应平台合理分配渲染资源，提高平台机器利用率。

Description

一种自动判断平台繁忙状态的方法
技术领域
本申请涉及云计算技术领域，尤其涉及一种自动判断平台繁忙状态的方法。
背景技术
近年来，云计算平台（云计算平台也称为云平台，是指基于硬件资源和软件资源的服务，提供计算、网络和存储能力。云计算平台可以划分为三类：以数据存储为主的存储型云平台，以数据处理为主的计算型云平台以及计算和数据存储处理兼顾的综合云计算平台。）因其廉价可扩展的计算资源、稳定高容量的存储空间和随时随地可灵活访问等优势受到广泛地使用。
相关技术中，在当前采样时间段内，对待确定资源繁忙程度的计算机硬件资源的利用率值进行多次采样；根据采样得到的多个资源利用率值，确定用于表征计算机硬件资源繁忙程度的基于极值的资源利用率值；根据确定的基于极值的资源利用率值，判断在当前采样时间段内计算机硬件资源的繁忙程度。
针对上述相关技术，相关技术中更多应用监控单台计算机的物理硬件资源利用率情况，但是大多数情况下，节点机资源的利用率是不可能跑满的，在大批量全局平台状态控制上并没有任何作用和参考意义，且相关技术中是通过进行多次采样利用率情况，结合经验值与阈值评估计算机的繁忙状态，此种计算方式不能精准的反映出平台的繁忙程度，容易造成机器的利用率不高。
发明内容
为了提高平台机器利用率，本申请提供一种自动判断平台繁忙状态的方法。
一种自动判断平台繁忙状态的方法，包括在指定时间段内：
获取平台任务数；
获取与用户使用环境相匹配的实际可用机器数；
获取所述平台任务数和所述与用户使用环境相匹配的实际可用机器数之间的数值差，并对该所述数值差进行多次采样；
通过采集到的取样点，聚合模拟出一条同一个区间内的繁忙状态参考曲线。
通过采用上述技术方案，获取平台任务数和对应实际可用机器数之间的数值差后，将数值差与零作比较，若数值差大于或者等于零，则表示当前平台任务数大于或者等于对应实际可用机器数，平台有繁忙趋势；若数值差小于零，则表示当前平台任务数小于对应实际可用机器数，平台有空闲趋势。通过繁忙状态的参考曲线，能够直观的看出当前平台的任务消耗能力，在公有云资源或大批量任务调度和计算中具有重要的指导意义，同时可以通过繁忙状态的参考曲线，预判未来一段时间内平台的繁忙趋势走向，用户则可以根据自身的时间要求，合理安排时间，选择平台空闲状态时办理任务，因此能减少因任务数过多而导致用户排队时间过长，也有助于减少因用户集中于某些平台作业而导致其余平台机器空闲的情况；同时也有助于用户及平台管理人员更加高效合理的管理任务和产能，避免不必要的浪费，从而有助于提高平台机器的利用率。
可选的，获取平台任务数的方法包括：
将任务按照最小单位拆分；
求和得到计算中以及等待中任务的总数量；
基于得到的所述计算中以及等待中任务的总数量，同步更新该所述计算中以及等待中任务的总数量。
通过采用上述技术方案，将正在计算中的任务数和正在等待中的任务数求和，且将任务拆分到单个计算节点维度统计任务数，能够更详细、具体的获取到当前平台实际任务总数，从而有助于保持数据的完整性和真实性。
可选的，获取实际可用机器数量的步骤包括；
给适配用户的机器添加特定的标识；
通过所述标识对处于运行中和空闲状态的机器求和，并得到与用户使用环境相匹配的实际可用机器总数量；
基于获取的所述与用户使用环境相匹配的实际可用机器数量，同步更新该所述实际可用机器总数量。
通过采用上述技术方案，将所有与用户使用环境相匹配的实际可用机器进行标识，其中包括正处于空闲状态中的机器和正处于运行中的机器，准确统计与用户使用环境相匹配的且处于运行中和空闲状态的机器数量，从而有助于保持数据的完整性和真实性。
可选的，所述聚合模拟出一条同一个区间内的繁忙状态参考曲线的具体步骤包括：
将所述平台任务数和所述与用户使用环境相匹配的实际可用机器总数量之间的数值差定义为x，将时间定义为y；
每个任务计算完成时获取一次数据，通过获取的大量的x、y散点数据，根据完成的任务差值信息，使用5次多项式y=a+b*x+c*x^2+d*x^3+e*x^4+f*x^5做曲线拟合，聚合模拟出一条同一个区间内的繁忙状态的参考曲线。
通过采用上述技术方案，使用5次多项式进行繁忙状态曲线拟合，能够有效地解决三次曲线在初始时刻和终止时刻加速度不连续的问题，有助于更加清楚、准确的展现出对应时间点的平台繁忙程度。
可选的，在聚合模拟出一条同一个区间内的繁忙状态的参考曲线之后还包括：
获取平台繁忙状态的最大边界值和繁忙状态的最小边界值，并判断该所述数值差与繁忙状态的边界最大值以及繁忙状态的边界最小值之间的大小关系。
通过采用上述技术方案，确定好平台繁忙状态的最大边界值和繁忙状态的最小边界值后，通过获取的对应时间的平台任务数和与用户使用环境相匹配的实际可用机器数之间的数值差，来判断数值差与繁忙状态的边界最大值以及繁忙状态的边界最小值之间的大小关系，可以很直观的反映出当前平台的繁忙状态。
可选的，繁忙状态的边界最大值的获取步骤包括：
获取同一个区间内所述繁忙状态参考曲线的所有峰值，并计算得到所有峰值的加权平均数；
将该所述峰值加权平均数乘以预设系数m，得到繁忙状态的边界最大值。
通过采用上述技术方案，将同一区间内所有峰值取加权平均数，并乘以预设系数m，得到繁忙状态的边界最大值，有助于更加贴合实际情况，从而更清晰的反应平台繁忙状态。
可选的，繁忙状态的边界最小值的获取步骤包括：
获取同一个区间内所述繁忙状态参考曲线的所有谷值，并计算得到所有谷值的加权平均数；
将该所述谷值加权平均数乘以预设系数n，得到繁忙状态的边界最小值。
通过采用上述技术方案，将同一区间内所有谷值取加权平均数，并乘以预设系数n，得到繁忙状态的边界最小值，有助于更加贴合实际情况，从而更清晰的反应平台繁忙状态。
可选的，所述判断该所述数值差与繁忙状态的边界最大值以及繁忙状态的边界最小值之间的大小关系的步骤包括：
若所有所述数值差80%及以上均小于等于所述边界最小值，则平台标记为空闲状态；
若所有所述数值差80%及以上均位于所述边界最小值和所述边界最大值之间，则平台标记为繁忙状态；
若所有所述数值差80%及以上均大于等于所述边界最大值，则平台标记为爆满状态。
通过采用上述技术方案，获取过去一段时间内平台任务数和与用户使用环境相匹配的实际可用机器数之间的数值差，并将该数值差与繁忙状态的边界最大值以及边界最小值进行比较，若所有数值差80%及以上均小于等于繁忙状态的边界最小值，则说明平台处于空闲状态，平台当前机器计算力消耗排队的任务比较轻松，还能继续增加任务数；若所有数值差80%及以上均大于繁忙状态的边界最小值且小于繁忙状态的边界最大值，说明平台计算力与等待任务之间相对平衡，如果再继续提交任务，可能会出现任务排队的情况，平台标记为繁忙；若所有数值差80%及以上均大于等于繁忙状态的边界最大值，说明平台机器计算力消耗排队的任务比较吃力，平台标记为爆满，引导用户选择其他平台，减轻当前平台的计算压力。
可选的，述数值差与繁忙状态的边界最大值以及繁忙状态的边界最小值之间的大小关系步骤之后还包括，向用户发送当前平台的繁忙状态：
若平台标记为空闲状态，则按照预设的程序引导用户通过该平台提交作业；
若平台标记为繁忙状态，则按照预设的程序建议用户根据自身情况继续选择使用该平台提交作业或选择其他平台提交作业；
若平台标记为爆满状态，则按照预设的程序引导用户去其他平台提交作业。
通采用上述技术方案，引导用户根据自身实际情况在对应平台合理分配渲染资源，减少用户提交渲染作业排队的时间，及时预警后提醒，可以有效的解决高峰低估问题，从而有助于提高平台机器利用率。
可选的，当平台异常时，向管理员发送平台异常信息。
通采用上述技术方案，有助于管理员及时发现并处理平台异常情况，减少因平台异常情况给用户带来的不便以及造成机器利用率降低的情况。
综上所述，本申请包括以下至少一种有益技术效果：
获取平台任务数和对应实际可用机器数之间的数值差后，将数值差与零作比较，若数值差大于或者等于零，则表示当前平台任务数大于或者等于对应实际可用机器数，平台有繁忙趋势；若数值差小于零，则表示当前平台任务数小于对应实际可用机器数，平台有空闲趋势。通过繁忙状态的参考曲线，能够直观的看出当前平台的任务消耗能力，在公有云资源或大批量任务调度和计算中具有重要的指导意义，同时可以通过繁忙状态的参考曲线，预判未来一段时间内平台的繁忙趋势走向，用户则可以根据自身的时间要求，合理安排时间，选择平台空闲状态时办理任务，因此能减少因任务数过多而导致用户排队时间过长，避免不必要的浪费，从而有助于提高平台机器的利用率。
附图说明
图1是本申请实施例一种自动判断平台繁忙状态的方法的流程框图。
图2是本申请实施例一种自动判断平台繁忙状态的方法的繁忙状态判断图。
具体实施方式
本申请实施例公开一种自动判断平台繁忙状态的方法。
参照图1，一种自动判断平台繁忙状态的方法，包括步骤S100~S400，
步骤S100：在指定时间段内获取平台任务数；其中，指定时间段可以根据具体的业务场景去自定义，本实施例中通常指连续24小时内。
获取平台任务数的具体方法包括步骤S110~S130：
步骤S110：将任务按照最小单位拆分；将任务拆分到单个计算节点维度统计任务数，以分配到一台机器的计算任务作为最小单位去统计。
步骤S120：求和得到计算中以及等待中任务的总数量；计算中的任务即为已经分配到机器上计算的任务，等待中的任务即为尚未分配到机器上计算的任务，通过平台将任务按照最小单位拆分求和得到计算中、等待中任务的总数量。
S130：基于得到的计算中以及等待中任务的总数量，同步更新该计算中以及等待中任务的总数量；每次采集时同步更新任务数量。
S200：获取与用户使用环境相匹配的实际可用机器数；
获取实际可用机器数量的步骤包括S210~S230：
S210：给适配用户的机器添加特定的标识；
S220：通过该标识对处于运行中和空闲状态的机器求和，并得到与用户使用环境相匹配的实际可用机器总数量；
S230：同步更新与用户使用环境相匹配的实际可用机器数量；
S300：获取平台任务数和与用户使用环境相匹配的实际可用机器数之间的数值差，并对该数值差进行多次采样；
通过Python编写程序，在指定的时间段内对平台上任务数（包括计算中、等待中任务）和与用户使用环境相匹配的实际可用机器数（包括运行中、空闲状态的机器）之间的数值差进行多次采样，数值差指对应在每个采样时间点上获取的实际可用机器数与任务数之间的差值，该值代表了当前正在计算中和排队等待计算的任务与运行中和空闲的机器之间的对应比例关系。若差值为大于等于0，说明任务排队数大于可用机器数，有繁忙的趋势；若差值小于0，说明存在空闲机器，有空闲的趋势。
S400：通过采集到的取样点，聚合模拟出一条同一个区间内的繁忙状态参考曲线；
聚合模拟出一条同一个区间内的繁忙状态参考曲线的具体步骤包括S410~S420：
S410：将所述平台任务数和所述与用户使用环境相匹配的实际可用机器数量之间的数值差定义为x，将时间定义为y；
S420：每个任务计算完成时获取一次数据，通过获取的大量的x、y散点数据，根据完成的任务差值信息（剔除掉异常数据），使用5次多项式y=a+b*x+c*x^2+d*x^3+e*x^4+f*x^5做曲线拟合，聚合模拟出一条同一个区间内的繁忙状态的参考曲线，其中a，b，c，d，e，f分别为5次多项式的常数项，一次项系数，二次项系数，三次项系数，四次向系数和五次项系数，且a，b，c，d，e，f皆为预设值。
在聚合模拟出一条同一个区间内的繁忙状态的参考曲线之后还包括步骤S430：
获取平台繁忙状态的最大边界值和繁忙状态的最小边界值，并判断该所述数值差与繁忙状态的边界最大值以及繁忙状态的边界最小值之间的大小关系。其中，繁忙状态的边界最大值的获取步骤包括S440~S450，繁忙状态的边界最小值的获取步骤包括S460~470，判断该所述数值差与繁忙状态的边界最大值以及繁忙状态的边界最小值之间的大小关系的步骤包括S480。
S440：获取同一个区间内所述繁忙状态参考曲线的所有峰值，并计算得到所有峰值的加权平均数；其中同一个区间指同一个指定时间段。
S450：将该所述峰值加权平均数乘以预设系数m，得到繁忙状态的边界最大值；曲线峰值的加权平均值定义为H，繁忙与爆满的分界值（RuiMax）即繁忙状态的最大边界值即为H*m，其中m的初始值为0.7，且m根据具体情况灵活调整。
S460：获取同一个区间内所述繁忙状态参考曲线的所有谷值，并计算得到所有谷值的加权平均数；
S470：将该所述谷值加权平均数乘以预设的预设系数n，得到繁忙状态的边界最小值；曲线谷值的加权平均值定义为M，繁忙与空闲的分界值（RuiMinimum）即繁忙状态的最小边界值即为M*n，其中n的初始值为0.3，且n根据具体情况灵活调整。
S480：根据过去一段时间内，具体的，本实施例中指过去15分钟内采样的数值差来判断该数值差与RuiMinimum以及RuiMax的大小关系，若过去15分钟内数值差采样点80%位于哪个区间，则该15分钟的繁忙状态与其落入的区间相对应。
若过去15分钟内数值差采样点80%均大于等于RuiMax，说明平台机器计算力消耗排队的任务比较吃力，平台标记为爆满状态，此时平台将按照预设的程序引导用户选择其他平台，以减轻当前平台的计算压力；
若过去15分钟内数值差采样点80%均大于RuiMinimum且小于RuiMax，说明平台计算力与等待任务之间相对平衡，如果再继续提交任务，会出现任务排队的情况或者机器有少量空闲，此时平台标记为繁忙状态，此时平台将按照预设的程序建议用户根据自身的时间要求，合理安排时间，选择继续等待或者选择平台空闲状态时办理任务；
若过去15分钟内数值差采样点80%均小于等于RuiMinimum值，平台标记为空闲状态，此时平台将按照预设的程序引导用户前外办理业务。
对项目时间要求比较高的用户，可以联系管理员及时干预，避免延误项目交期带来的损失。
平台可以通过短信、邮箱、微信、用户作业提交入口去提示用户当前平台的繁忙状态，也可以根据繁忙状态参考曲线和繁忙状态判断图提前预告用户该平台未来的繁忙趋势，让用户根据自己的需求去选择对应的平台。
平台每15分钟上报一次繁忙状态数据，状态数据分为两个维度上报，特殊用户维度和平台维度，特殊用户指使用指定机器数量的用户，每15分钟上报一次繁忙状态；其他用户跟同步平台的繁忙状态保持一致，也是每15分钟上报一次。
在任何时间点，当平台异常时，平台均可以向管理员发送平台异常信息，提醒管理员及时处理平台异常，也可以告知管理员关注平台资源利用情况，合理调整策略。
本申请实施例一种自动判断平台繁忙状态的方法的实施原理为：
获取平台任务数以及与用户使用环境相匹配的实际可用机器数的数值差，并对该数值差进行多次采样，通过采集到的取样点，使用5次多项式y=a+b*x+c*x^2+d*x^3+e*x^4+f*x^5做曲线拟合，聚合模拟出一条同一个区间内的繁忙状态参考曲线，通过繁忙状态参考曲线获取繁忙状态的边界最大值和繁忙状态的边界最小值，并通过判断该数值差与繁忙状态的边界最大值以及繁忙状态的边界最小值的大小关系来判断平台的繁忙状态，再将繁忙状态以及未来平台繁忙趋势发送给用户，平台将按照预设的程序引导用户根据自身实际情况在对应平台合理分配渲染资源，减少用户扎堆排队导致其余平台机器空闲的情况，从而提高平台机器利用率。
以上均为本申请的较佳实施例，并非依此限制本申请的保护范围，故：凡依本申请的结构、形状、原理所做的等效变化，均应涵盖于本申请的保护范围之内。

Claims (5)

1.一种自动判断平台繁忙状态的方法，其特征在于，包括在指定时间段内：
获取平台任务数；
获取与用户使用环境相匹配的实际可用机器数；
获取所述平台任务数和所述与用户使用环境相匹配的实际可用机器数之间的数值差，并对该所述数值差进行多次采样；
通过采集到的取样点，聚合模拟出一条同一个区间内的繁忙状态参考曲线；
获取平台繁忙状态的最大边界值和繁忙状态的最小边界值，并判断该所述数值差与繁忙状态的边界最大值以及繁忙状态的边界最小值之间的大小关系；
若所有所述数值差80%及以上均小于等于所述边界最小值，则平台标记为空闲状态；
若所有所述数值差80%及以上均位于所述边界最小值和所述边界最大值之间，则平台标记为繁忙状态；
若所有所述数值差80%及以上均大于等于所述边界最大值，则平台标记为爆满状态；
其中，所述聚合模拟出一条同一个区间内的繁忙状态参考曲线的具体步骤包括：
将所述平台任务数和所述与用户使用环境相匹配的实际可用机器数量之间的数值差定义为x，将时间定义为y；
每个任务计算完成时获取一次数据，通过获取的大量的x、y散点数据，根据完成的任务差值信息，使用5次多项式y=a+b*x+c*x^2+d*x^3+e*x^4+f*x^5做曲线拟合，聚合模拟出一条同一个区间内的繁忙状态的参考曲线；
繁忙状态的边界最大值的获取步骤包括：
获取同一个区间内所述繁忙状态参考曲线的所有峰值，并计算得到所有峰值的加权平均数；
将该所述峰值加权平均数乘以预设系数m，得到繁忙状态的边界最大值；
繁忙状态的边界最小值的获取步骤包括：
获取同一个区间内所述繁忙状态参考曲线的所有谷值，并计算得到所有谷值的加权平均数；
将该所述谷值加权平均数乘以预设系数n，得到繁忙状态的边界最小值。
2.根据权利要求1所述的一种自动判断平台繁忙状态的方法，其特征在于，获取平台任务数的方法包括：
将任务按照最小单位拆分；
求和得到计算中以及等待中任务的总数量；
基于得到的所述计算中以及等待中任务的总数量，同步更新该所述计算中以及等待中任务的总数量。
3.根据权利要求1所述的一种自动判断平台繁忙状态的方法，其特征在于，获取实际可用机器数量的步骤包括；
给适配用户的机器添加特定的标识；
通过所述标识对处于运行中和空闲状态的机器求和，并得到与用户使用环境相匹配的实际可用机器总数量；
基于获取的所述与用户使用环境相匹配的实际可用机器总数量，同步更新该所述实际可用机器总数量。
4.根据权利要求1所述的一种自动判断平台繁忙状态的方法，其特征在于，所述判断该所述数值差与繁忙状态的边界最大值以及繁忙状态的边界最小值之间的大小关系步骤之后还包括，向用户发送当前平台的繁忙状态：
若平台标记为空闲状态，则按照预设的程序引导用户通过该平台提交作业；
若平台标记为繁忙状态，则按照预设的程序建议用户根据自身情况继续选择使用该平台提交作业或选择其他平台提交作业；
若平台标记为爆满状态，则按照预设的程序引导用户去其他平台提交作业。
5.根据权利要求1至4任一项所述的一种自动判断平台繁忙状态的方法，其特征在于，当平台异常时，向管理员发送平台异常信息。
CN202111206080.2A 2021-10-16 2021-10-16 一种自动判断平台繁忙状态的方法 Active CN113886185B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111206080.2A CN113886185B (zh) 2021-10-16 2021-10-16 一种自动判断平台繁忙状态的方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111206080.2A CN113886185B (zh) 2021-10-16 2021-10-16 一种自动判断平台繁忙状态的方法

Publications (2)

Publication Number Publication Date
CN113886185A CN113886185A (zh) 2022-01-04
CN113886185B true CN113886185B (zh) 2023-07-11

Family

ID=79003186

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111206080.2A Active CN113886185B (zh) 2021-10-16 2021-10-16 一种自动判断平台繁忙状态的方法

Country Status (1)

Country Link
CN (1) CN113886185B (zh)

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102546379A (zh) * 2010-12-27 2012-07-04 中国移动通信集团公司 一种虚拟化资源调度的方法及虚拟化资源调度系统
CN104182278A (zh) * 2013-05-23 2014-12-03 华为技术有限公司 一种判定计算机硬件资源繁忙程度的方法和装置
CN107832126A (zh) * 2017-10-20 2018-03-23 平安科技（深圳）有限公司 一种线程的调整方法及其终端
EP3396598A2 (en) * 2018-05-21 2018-10-31 Erle Robotics, S.L. Method and user interface for managing and controlling power in modular robots and apparatus therefor

Family Cites Families (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2013090473A1 (en) * 2011-12-12 2013-06-20 Moose Loop Holdings, LLC Task scheduling and rescheduling
EP3616054A4 (en) * 2017-04-28 2020-05-06 Beijing Didi Infinity Technology And Development Co., Ltd. SYSTEM AND METHOD FOR TASK PLANNING AND DEVICE MANAGEMENT
US20200042420A1 (en) * 2018-08-03 2020-02-06 International Business Machines Corporation Batch application performance prediction

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102546379A (zh) * 2010-12-27 2012-07-04 中国移动通信集团公司 一种虚拟化资源调度的方法及虚拟化资源调度系统
CN104182278A (zh) * 2013-05-23 2014-12-03 华为技术有限公司 一种判定计算机硬件资源繁忙程度的方法和装置
CN107832126A (zh) * 2017-10-20 2018-03-23 平安科技（深圳）有限公司 一种线程的调整方法及其终端
EP3396598A2 (en) * 2018-05-21 2018-10-31 Erle Robotics, S.L. Method and user interface for managing and controlling power in modular robots and apparatus therefor

Also Published As

Publication number Publication date
CN113886185A (zh) 2022-01-04

Similar Documents

Publication Publication Date Title
CN102144220B (zh) 分布式数据处理系统
CN108845874B (zh) 资源的动态分配方法及服务器
WO2021159638A1 (zh) 集群队列资源的调度方法、装置、设备及存储介质
CN101632093A (zh) 用于使用统计学分析来管理性能故障的系统和方法
CN108132839B (zh) 一种资源调度方法及装置
CN112579304A (zh) 基于分布式平台的资源调度方法、装置、设备及介质
CN112261120B (zh) 一种配电物联网云边协同任务卸载方法及装置
CN112565391A (zh) 调整工业互联网平台中实例的方法、装置、设备和介质
CN106933673B (zh) 调整组件逻辑线程数量的方法及装置
CN109117280A (zh) 电子装置及其限制进程间通信的方法、存储介质
CN113886185B (zh) 一种自动判断平台繁忙状态的方法
CN113079062B (zh) 一种资源调整方法、装置、计算机设备和存储介质
CN107203256A (zh) 一种网络功能虚拟化场景下的节能分配方法与装置
CN117435335A (zh) 算力调度方法、装置、计算机设备和存储介质
CN115952054A (zh) 一种仿真任务资源管理方法、装置、设备及介质
CN107426450B (zh) 一种计算呼叫中心繁忙度的方法及装置
CN114546602A (zh) 虚拟机调度方法及装置
CN111190728B (zh) 资源调整方法及装置
CN113612624A (zh) 一种节点之间心跳处理方法及装置
WO2024066770A9 (zh) 信息获取方法、装置和存储介质
CN113485800B (zh) 基于中心节点的自动派单方法、系统、设备及存储介质
CN111611123A (zh) 数据处理方法、数据处理系统及设备
CN112019583A (zh) 确定服务器集群资源利用率的方法、装置及存储介质
CN116303804B (zh) 一种数据对比方法、装置、设备和介质
CN108257077A (zh) 基于gpu的聚类数据的处理方法、系统及计算设备

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
GR01 Patent grant
GR01 Patent grant
CP01 Change in the name or title of a patent holder

Address after: 518051 floor 17, block B, sunshine science and innovation center, No. 2, Shanghua Road, Nanshan street, Nanshan District, Shenzhen, Guangdong Province

Patentee after: Shenzhen Ruiyun Technology Co.,Ltd.

Address before: 518051 floor 17, block B, sunshine science and innovation center, No. 2, Shanghua Road, Nanshan street, Nanshan District, Shenzhen, Guangdong Province

Patentee before: SHENZHEN RAYVISION TECHNOLOGY CO.,LTD.

CP01 Change in the name or title of a patent holder