CN114143322A - 一种混合云场景中计算资源的配置行动评估方法 - Google Patents

一种混合云场景中计算资源的配置行动评估方法 Download PDF

Info

Publication number
CN114143322A
CN114143322A CN202111438649.8A CN202111438649A CN114143322A CN 114143322 A CN114143322 A CN 114143322A CN 202111438649 A CN202111438649 A CN 202111438649A CN 114143322 A CN114143322 A CN 114143322A
Authority
CN
China
Prior art keywords
cost
load
scheme
optimal
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.)
Granted
Application number
CN202111438649.8A
Other languages
English (en)
Other versions
CN114143322B (zh
Inventor
张宇
张宇峰
李忠
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.)
China Telecom Digital Intelligence Technology Co Ltd
Original Assignee
China Telecom Group System Integration 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 China Telecom Group System Integration Co Ltd filed Critical China Telecom Group System Integration Co Ltd
Priority to CN202111438649.8A priority Critical patent/CN114143322B/zh
Publication of CN114143322A publication Critical patent/CN114143322A/zh
Application granted granted Critical
Publication of CN114143322B publication Critical patent/CN114143322B/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
    • 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
    • G06F9/5055—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 software capabilities, i.e. software resources associated or available to the machine
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L67/00—Network arrangements or protocols for supporting network services or applications
    • H04L67/01—Protocols
    • H04L67/10—Protocols in which an application is distributed across nodes in the network
    • H04L67/104—Peer-to-peer [P2P] networks
    • H04L67/1074—Peer-to-peer [P2P] networks for supporting data block transmission mechanisms
    • 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

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 Networks & Wireless Communication (AREA)
  • Signal Processing (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明涉及云存储领域，具体公开了一种混合云场景中计算资源的配置行动评估方法。所述方法包括：基于规模分组规则将现有负载进行分组；基于负载组份配置方案获得扩充资源配置方案；获取组份的备选有序集合和不同负载组份代号下的备选代价集合；获取各个负载类型的最优执行代价、最优代价分配集合和最优规模分组规则；基于各个负载类型的最优执行代价和最优代价分配集合进行行动评估，获得执行周期下的负载行动方案。本发明针对云资源用户使用混合云计算平台部署资源的备份、拓展和迁移行动进行自动化评估，解决多云环境下应用的负载均衡和配置成本的高效评估问题。

Description

一种混合云场景中计算资源的配置行动评估方法
技术领域
本发明属于软件研发过程管理领域，尤其涉及一种混合云场景中计算资源的配置行动评估方法。
背景技术
目前，云平台已经在各个行业中得到广泛部署，从行业角度来看，各行业基于云计算技术构建自己的行业解决方案。另一方面，结合技术发展趋势，大数据平台基础建设当前的趋势是模块化、云平台化，这个云平台不仅提供物理底层资源的调度，同时也需要并可以提供各类大数据相关的中间件PaaS服务，以及是各类服务间可以简单灵活的组合来满足各个应用场景的定制需求。混合云平台的资源定义灵活，涵盖大数据处理过程中的各种资源类型，并提供不同的、有针对性的计算、存储、网络等资源的支持。
大型企业客户会同时使用多家公有云平台的云服务，从而尽量使总成本最低，且可达到负载均衡和容灾备份的效果。将计算和存储等资源在不同云之间迁移，对业务的可靠性也带来了挑战，需要在成本和可靠性间做一个平衡，即不能频繁的移动云资源，又需要有效降低成本。
但传统的资源配置处理流程及迁移策略，已经不能满足行业客户在大数据分析处理上的快速响应需求和云平台环境快速更迭变化的客观趋势。传统的负载均衡和迁移策略其存在着很多不足，有必要加以改进。特别是不同云平台对服务的配置方案和定价是动态的，例如，云运营商B的价格比A便宜，当客户把资源转移到B后，可能A的价格又降低了，客户还要把资源重新移动回A，导致负载在不同云之间震荡，尤其是在混合云平台配置环境越来越复杂的情况下，对负载资源配置行动的评估带来极大挑战，而且消耗了迁移的成本。
发明内容
为克服上述现有技术存在的不足，本发明之目的在于提供一种混合云场景中计算资源的配置行动评估方法，针对云资源用户使用混合云计算平台部署资源的备份、拓展和迁移行动进行自动化评估，解决多云环境下应用的负载均衡和配置成本的高效评估问题。
为实现上述目的，本发明实施例提供如下技术方案。
一种混合云场景中计算资源的配置行动评估方法，包括：
S1步骤：获取至少一个云计算平台的至少一个资源配置方案，获得资源配置方案集合；
S2步骤：对每种类型的所述现有负载设定至少一个规模分组规则；基于所述至少一个规模分组规则，将每种类型的现有负载进行分组；
S3步骤：对每种类型的现有负载的每个所述负载组份设定负载组份配置方案，获得基于所述至少一个规模分组规则的行动基数；
S4步骤：基于一个所述负载组份配置方案，用同一负载类型的所述资源配置方案集合中的元素进行匹配，获得扩充资源配置方案；
S5步骤：在相同负载类型、规模分组规则和负载组份代号下，计算所述负载组份配置方案与所述扩充资源配置方案集合中各个元素方案的欧式距离，获得所述组份的备选有序集合；
S6步骤：基于所述组份的备选有序集合中元素方案的排列顺序，获得所述组份的备选代价集合；
S7步骤：重复S4至S6步骤，在相同负载类型和规模分组规则下，获取不同负载组份代号下的备选代价集合；
S8步骤：在相同负载类型和规模分组规则下，基于不同负载组份代号下的备选代价集合，获取最优代价指标和最优代价集合；
S9步骤：重复S4至S8步骤，在同一负载类型下，获取不同规模分组规则下的最优代价指标及其对应的最优代价集合，评估获取所述负载类型的最优执行代价、最优代价分配集合和最优规模分组规则；
S10步骤：重复S4至S9步骤，获取各个负载类型的最优执行代价、最优代价分配集合和最优规模分组规则；
S11步骤：基于所述各个负载类型的最优执行代价和最优代价分配集合进行行动评估，获得所述执行周期下的负载行动方案。
进一步地，所述资源配置方案为Pi(z,t)，Pi(z,t)＝{C1，C2，……，Cx，m，p}；
所述资源配置方案集合为P(z,t)，P(z,t)＝{Pi(z,t)|i＝1:K}；
其中，i为方案序号，z为负载类型代号，负载类型为对现有负载进行类型分类获得；t为执行周期序号；m为云计算平台代号；K为负载类型z下的所述资源配置方案Pi(z,t)的总数；C1至Cx为配置参数向量；x为参数代号；p为资源配置方案费用。
进一步地，所述负载类型，包括：文本、视频、音频和可执行代码；所述配置参数向量，包括：CPU参数、内存参数、存储参数、带宽参数和流量参数。
进一步地，所述基于所述至少一个规模分组规则，将每种类型的现有负载进行分组，包括：负载z在规模分组规则u下被分为Y个负载组份；所述负载组份可以整体迁移、备份、修改、扩展或删除。
进一步地，所述负载组份配置方案为Qy(z,u)，Qy(z,u)＝{D1，D2，……，Dx，b，qy}；所述负载组份配置方案集合为Q(z,u)，Q(z,u)＝{Qy(z,u)|y＝1:Y}；
其中，b为行动类型代号，包括迁移、备份和扩展；u为规模分组规则代号；y为负载组份代号；Y为负载z在规模分组规则u下被分为负载组份的数量；D1至Dx为预期配置参数向量，并与配置参数向量Cx在维度和含义上一一对应，具有性能裕度；qy为负载组份y的前一执行周期的资源配置费用，可以是实际费用、估算费用或预期费用。
进一步地，所述行动基数为L(z,u)，为在同一规模分组规则u下的所有负载组份在前一执行周期的资源配置费用的和数，
Figure BDA0003375228080000041
进一步地，所述S4步骤，具体包括：
对于u规则下负载组份y的负载组份配置方案Qy(z,u)，用同一负载类型的资源配置方案集合P(z,t)的各个元素方案Pi(z,t)|i＝1:K进行匹配，获得所述扩充资源配置方案集合Q’y(z,u)，Q’y(z,u)＝{P’i(z,t)|i＝1:K}；
其中，元素
Figure BDA0003375228080000042
与同一负载类型z的资源配置方案Pi(z,t)|i＝1:K一一对应；P’i(z,t)＝{C’1，C’2，……，C’x，m，p’}；
其中，C’1至C’x为资源配置方案Pi(z,t)＝{C1，C2，……，Cx，m，p}的参数向量C1至Cx在自身配置基础上进行配置累加得到的扩容参数，且满足C’x接近负载组份配置方案Qy(z,u)的预期配置参数向量D1至Dx，且D1≤C’1，……，Dx≤C’x；p’为代价参数，包括所述扩充资源配置方案费用加操作费用。
进一步地，所述S5步骤，具体包括：
S5.1步骤：在同一负载类型z、同一规模分组规则u和同一负载组份代号y下，基于前x维向量，将负载组份y的负载组份配置方案Qy(z,u)投影到向量空间中获得1个负载点，将所述扩充资源配置方案集合Q’y(z,u)中各个元素方案P’i(z,t)|i＝1:K投影到向量空间中获得K个配置点；计算所述负载点到任一所述配置点的欧式距离hy,i；所述前x维向量包括{C1，C2，……，Cx}和{D1，D2，……，Dx}；
S5.2步骤：按照欧式距离hy,i由小至大的顺序，对元素方案
Figure BDA0003375228080000051
进行排列，获得组份y的备选有序集合Hy(z,t)；
所述组份y的备选有序集合Hy(z,t)是将元素方案P’i(z,t)|i＝1:K按欧式距离hy,i由小至大的顺序进行排列的有序集合。
进一步地，所述备选代价集合为p’y＝{p’y,1，p’y,2，……，p’y,K}，其中p’y,1，p’y,2，……，p’y,K为基于备选有序集合Hy(z,t)中元素方案的排列顺序提取的p’向量；p’为代价参数。
进一步地，所述S8步骤，具体包括：
S8.1步骤：在同一负载类型和规模分组规则下，按负载组份代号顺序从备选代价集合p’1至p’Y中各抽取第一项元素，组成代价选集F，对F进行元素求和运算，获得代价指标E；
S8.2步骤：从代价参数集合p’1中抽取第二项元素，在代价选集F中替换掉p’1集合的先前抽取的第一项元素，获得新的代价选集F’，进行元素求和运算并获得新代价指标E’；
S8.3步骤：重复S8.2步骤所述方法，直至遍历代价参数集合p’1至p’Y中所有元素的组合，基于不同元素组合下获得的代价指标，将其中值最小的代价指标值定为规模分组规则u下的最优代价指标Eu，最优代价指标Eu所对应的代价选集定为规模分组规则u下的最优代价集合Fu。
进一步地，所述行动评估，包括：
对单组份负载的行动评估，包括：对某负载组份y，在负载组份y对应的扩充资源配置方案集合Q’y(z,u)＝{P’i(z,t)|i＝1:K}中选择元素方案P’i(z,t)|i＝1:K中的向量p’值最小的元素方案为迁移、备份或扩展行动配置目标；其中，做迁移评估时，当负载组份y的前一执行周期的资源配置费用qy大于min(p’)时评估为可迁移，反之则评估为不可迁移；
对类型负载进行整体行动评估，包括：对某类型负载z，以最优规模分组规则
Figure BDA0003375228080000061
及最优代价分配集合F(z,t)所确定的方案为迁移、备份或扩展行动配置目标；其中，做迁移评估时，当基于规模分组规则
Figure BDA0003375228080000062
的行动基数
Figure BDA0003375228080000063
Figure BDA0003375228080000064
大于最优执行代价E(z,t)时评估为可迁移，反之则评估为不可迁移。
本发明的另一目的在于提供一种电子设备，包括：
存储器，用于存储计算机程序；
处理器，用于执行所述存储器中的计算机程序，以实现所述混合云场景中计算资源的配置行动评估方法的操作步骤。
本发明的另一目的在于提供一种计算机可读存储介质，其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所述混合云场景中计算资源的配置行动评估方法的操作步骤。
与现有技术相比，本发明的有益效果是：
(1)本发明的技术方案，依据混合云场景的关键影响因素以及实践经验，对基于混合云平台的负载配置行动评估流程进行了规范化、自动化处理，帮助用户综合考察混合云场景中提供的复杂资源配置情况，能够快速获得优化的推荐资源配置，自动高效地将推荐资源配置评估结果和采用推荐资源配置的总成本呈现给用户，能够帮助用户高效预估采用推荐资源配置后的费用，有效减少管理时间、降低管理难度。
(2)能够使用户根据负载使用情况既能够综合评估云资源整体备份、迁移、扩展行动的成本，也能够单独评估一部分负载组份的行动，策略更加灵活，包括：将负载进行分类，对不同类型负载进行分别行动评估；对每种类型的负载，设置分组规则，按分组规则进行分组，对各组进行分别行动评估；当云应用爆发时本方法可以根据公有云的价格波动和云租户对成本预算最小化的需求选择性价比最高的公有云进行资源扩展，提高整体云资源的利用率，减少云资源成本支出。
(3)能够帮助用户快速找到负载的最佳规模分组规则，实现负载分批次迁移行动，能够对分批次迁移行动进行指导，减少价格波动产生的迁移成本，即每次不是将全部资源一次性迁移走，是分批迁移，以免因为价格的不断变动，产生资源在不同云之间不停迁移的风险。
附图说明
为了更清楚地说明本发明实施例中的技术方案，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。
图1示出了本发明实施例提供的混合云场景中计算资源的配置行动评估方法流程示意图；
图2示出了本发明实施例提供的S1步骤的数据流程图；
图3示出了本发明实施例提供的S2和S3步骤的数据流程图；
图4示出了本发明实施例提供的S4与S1及S3步骤的数据流程图；
图5示出了本发明实施例提供的S5与S4及S6步骤的数据流程图；
图6示出了本发明实施例提供的S7和S8步骤的数据流程图；
图7示出了本发明实施例提供的S9步骤的数据流程图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。
在本发明提供的一个优选实施方式中，公开了一种混合云场景中计算资源的配置行动评估方法，针对云租户使用混合云计算平台部署资源的备份、拓展和迁移行动进行评估，解决多云环境下应用的负载均衡和配置成本问题。如图1提供的混合云场景中计算资源的配置行动评估方法流程示意图，包括以下步骤。
S1步骤：获取至少一个云计算平台的至少一个资源配置方案，获得资源配置方案集合；
S2步骤：对每种类型的所述现有负载设定至少一个规模分组规则；基于所述至少一个规模分组规则，将每种类型的现有负载进行分组；
S3步骤：对每种类型的现有负载的每个所述负载组份设定负载组份配置方案，获得基于所述至少一个规模分组规则的行动基数；
S4步骤：基于一个所述负载组份配置方案，用同一负载类型的所述资源配置方案集合中的元素进行匹配，获得扩充资源配置方案；
S5步骤：在相同负载类型、规模分组规则和负载组份代号下，计算所述负载组份配置方案与所述扩充资源配置方案集合中各个元素方案的欧式距离，获得所述组份的备选有序集合；
S6步骤：基于所述组份的备选有序集合中元素方案的排列顺序，获得所述组份的备选代价集合；
S7步骤：重复S4至S6步骤，在相同负载类型和规模分组规则下，获取不同负载组份代号下的备选代价集合；
S8步骤：在相同负载类型和规模分组规则下，基于不同负载组份代号下的备选代价集合，获取最优代价指标和最优代价集合；
S9步骤：重复S4至S8步骤，在同一负载类型下，获取不同规模分组规则下的最优代价指标及其对应的最优代价集合，评估获取所述负载类型的最优执行代价、最优代价分配集合和最优规模分组规则；
S10步骤：重复S4至S9步骤，获取各个负载类型的最优执行代价、最优代价分配集合和最优规模分组规则；
S11步骤：基于所述各个负载类型的最优执行代价和最优代价分配集合进行行动评估，获得所述执行周期下的负载行动方案。
较佳地，本实施例提供以下具体实施方案。
S1步骤：获取至少一个云计算平台的至少一个资源配置方案，获得资源配置方案集合。
所述资源配置方案为Pi(z,t)，Pi(z,t)＝{C1，C2，……，Cx，m，p}。
所述资源配置方案集合为P(z,t)，P(z,t)＝{Pi(z,t)|i＝1:K}。
其中，i为方案序号，z为负载类型代号，负载类型为对现有负载进行类型分类获得；t为执行周期序号；m为云计算平台代号；K为负载类型z下的所述资源配置方案Pi(z,t)的总数；C1至Cx为配置参数向量；x为参数代号；p为资源配置方案费用。
图2示出了本发明实施例提供的S1步骤的数据流程图。
示例性地，负载类型包括文本、视频、音频、可执行代码等。
对于某负载类型z，有一个资源配置方案集合P(z,t)，该集合P(z,t)中所有资源配置方案Pi(z,t)均可适用于所述某负载类型z；对于不同的负载类型z，均有不同的计算资源配置方案集合P(z,t)与之对应。
示例性地，C1至Cx包括：CPU参数、内存参数、存储参数、带宽参数、流量参数等。
示例性地，所述云计算平台包括各个现有的云计算平台；所述资源配置方案为各个现有的云计算平台提供的资源配置套餐方案。
示例性地，若负载类型有三种，分别为1、2和3，在第5执行周期，计算资源配置方案集合分别为P(1,5)、P(2,5)和P(3,5)。若负载类型2在第5执行周期有3个资源配置方案，则P(2,5)＝{P1(2,5)，P2(2,5)，P3(2,5)}。
示例性地，在第t执行周期，从至少一个云计算平台中获取多个不同配置的计算资源的资源配置参数及对应资源配置方案费用；在第t+1执行周期，从至少一个云计算平台中获取多个不同配置的计算资源的资源配置参数及对应资源配置方案费用。将相关数据存储至数据库中。
示例性地，一个执行周期为2天。
S2步骤：对每种类型的所述现有负载设定至少一个规模分组规则，基于所述至少一个规模分组规则，将每种类型的现有负载进行分组。
所述基于所述至少一个规模分组规则，将每种类型的现有负载进行分组的方法，包括：负载z在规模分组规则u下被分为Y个负载组份。所述负载组份可以整体迁移、备份、修改、扩展或删除。
示例性地，基于两种不同的规模分组规则，在第1规模分组规则下将负载z分为2个组份；在第2规模分组规则下将负载z分为3个组份。各个组份的容量可以设置为相同容量，也可以设置为不同容量。
图3示出了本发明实施例提供的S2和S3步骤的数据流程图。
S3步骤：对每种类型的现有负载的每个所述负载组份设定负载组份配置方案，获得基于所述至少一个规模分组规则的行动基数。
所述负载组份配置方案为Qy(z,u)：Qy(z,u)＝{D1，D2，……，Dx，b，qy}。
所述负载组份配置方案集合为Q(z,u)，Q(z,u)＝{Qy(z,u)|y＝1:Y}。
其中，z为负载类型代号；b为行动类型代号，包括迁移、备份和扩展；u为规模分组规则代号；y为负载组份代号；Y为负载z在规模分组规则u下被分为负载组份的数量；D1至Dx为预期配置参数向量，并与配置参数向量Cx在维度和含义上一一对应，具有性能裕度；qy为负载组份y的前一执行周期的资源配置费用，可以是实际费用、估算费用或预期费用。
所述行动基数L(z,u)为：
Figure BDA0003375228080000111
所述行动基数L(z,u)为在同一规模分组规则u下的所有负载组份在前一执行周期的资源配置费用的和数。
示例性地，基于两种不同的规模分组规则，在第1规模分组规则下将负载z分为2组份，负载组份配置方案集合为Q(z,1)＝{Q1(z,1)，Q2(z,1)}；在第2规模分组规则下将负载z分为3组份，负载组份配置方案集合为Q(z,2)＝{Q1(z,2)，Q2(z,2)，Q3(z,2)}。
各个组份的预期配置参数向量根据实际需求情况可以设置为相同预期配置参数，也可以设置为不同预期配置参数。
S4步骤：基于一个所述负载组份配置方案，用同一负载类型的所述资源配置方案集合中的元素进行匹配，获得扩充资源配置方案。
所述资源配置方案为各云平台的基础配置报价方案，不一定满足所述负载组份配置方案的配置要求，因此需要对所述资源配置方案进行配置累加升级，获得扩充资源配置方案，使之满足所述负载组份配置方案的配置要求，同时相应的资源配置方案费用也会产生较大变化，这种变化经常是非线性的。
对于u规则下负载组份y的负载组份配置方案Qy(z,u)，用同一负载类型的资源配置方案集合P(z,t)的各个元素方案Pi(z,t)|i＝1:K进行匹配，获得所述扩充资源配置方案集合Q’y(z,u)，Q’y(z,u)＝{P’i(z,t)|i＝1:K}。
其中，元素
Figure BDA0003375228080000121
与同一负载类型z的资源配置方案Pi(z,t)|i＝1:K一一对应；P’i(z,t)＝{C’1，C’2，……，C’x，m，p’}。
其中，C’1至C’x为资源配置方案Pi(z,t)＝{C1，C2，……，Cx，m，p}的参数向量C1至Cx在自身配置基础上进行配置累加得到的扩容参数，且满足C’x接近负载组份配置方案Qy(z,u)的预期配置参数向量D1至Dx，且D1≤C’1，……，Dx≤C’x；p’为代价参数，包括所述扩充资源配置方案费用加操作费用。
因此负载z在规模分组规则u下的Y个负载组份一共获得Y×K个扩充资源配置方案。
图4示出了本发明实施例提供的S4与S1及S3步骤的数据流程图。
S5步骤：在相同负载类型、规模分组规则和负载组份代号下，基于前x维向量，计算所述负载组份配置方案与所述扩充资源配置方案集合中各个元素方案的欧式距离。并按照欧氏距离由小至大的顺序，对所述扩充资源配置方案集合中各个元素方案进行排列，获得所述组份的备选有序集合。
S5.1步骤：在同一负载类型z、同一规模分组规则u和同一负载组份代号y下，基于前x维向量，将负载组份y的负载组份配置方案Qy(z,u)投影到向量空间中获得1个负载点，将所述扩充资源配置方案集合Q’y(z,u)中各个元素方案P’i(z,t)|i＝1:K投影到向量空间中获得K个配置点；计算所述负载点到任一所述配置点的欧式距离hy,i。所述前x维向量包括{C1，C2，……，Cx}和{D1，D2，……，Dx}。
S5.2步骤：按照欧式距离hy,i由小至大的顺序，对元素方案
Figure BDA0003375228080000122
进行排列，获得组份y的备选有序集合Hy(z,t)。
所述组份y的备选有序集合Hy(z,t)是将元素方案P’i(z,t)|i＝1:K按欧式距离hy,i由小至大的顺序进行排列的有序集合。
图5示出了本发明实施例提供的S5与S4及S6步骤的数据流程图。
S6步骤：基于所述组份的备选有序集合中元素方案的排列顺序，获得所述组份的备选代价集合。
基于所述组份y的备选有序集合Hy(z,t)中元素方案的排列顺序，获得所述组份y的备选代价集合。
所述备选代价集合为p’y＝{p’y,1，p’y,2，……，p’y,K}，其中p’y,1，p’y,2，……，p’y,K为基于所述备选有序集合Hy(z,t)中元素方案的排列顺序提取的p’向量。
S7步骤：重复S4至S6步骤，在相同负载类型和规模分组规则下，获取不同负载组份代号下的备选代价集合。
在相同负载类型z和相同规模分组规则u下，获取不同负载组份代号y下的备选代价集合p’y，所述备选代价集合分别为p’1至p’Y。
图6示出了本发明实施例提供的S7和S8步骤的数据流程图。
S8步骤：在相同负载类型和规模分组规则下，基于不同负载组份代号下的备选代价集合，获取最优代价指标和最优代价集合。具体地，包括以下步骤。
S8.1步骤：在同一负载类型和规模分组规则下，按负载组份代号顺序从备选代价集合p’1至p’Y中各抽取第一项元素，组成代价选集F，对F进行元素求和运算，获得代价指标E。
S8.2步骤：从代价参数集合p’1中抽取第二项元素，在代价选集F中替换掉p’1集合的先前抽取的第一项元素，获得新的代价选集F’，进行元素求和运算并获得新代价指标E’。
S8.3步骤：重复S8.2步骤所述方法，直至遍历代价参数集合p’1至p’Y中所有元素的组合，基于不同元素组合下获得的代价指标，将其中值最小的代价指标值定为规模分组规则u下的最优代价指标Eu，最优代价指标Eu所对应的代价选集定为规模分组规则u下的最优代价集合Fu。
S9步骤：重复S4至S8步骤，在同一负载类型下，获取不同规模分组规则下的最优代价指标及其对应的最优代价集合，评估获取所述负载类型的最优执行代价、最优代价分配集合和最优规模分组规则。
具体地，在同一负载类型z下，获取不同规模分组规则u下的最优代价指标Eu及其对应的最优代价集合Fu。
比较各个规模分组规则u下Eu值，将其中最小的Eu值定为负载类型z的最优执行代价E(z,t)；E(z,t)所对应的规模分组规则定为负载类型z的最优规模分组规则
Figure BDA0003375228080000141
；E(z,t)所对应的代价选集定为负载类型z的最优代价分配集合F(z,t)。
图7示出了本发明实施例提供的S9步骤的数据流程图。
S10步骤：重复S4至S9步骤，获取各个负载类型的最优执行代价、最优代价分配集合和最优规模分组规则。
S11步骤：基于所述各个负载类型的最优执行代价和最优代价分配集合进行行动评估，获得所述执行周期下的负载行动方案。
所述行动评估包括：
(1)对单组份负载的行动评估。
对某负载组份y，在负载组份y对应的扩充资源配置方案集合Q’y(z,u)＝{P’i(z,t)|i＝1:K}中选择元素方案P’i(z,t)|i＝1:K中的向量p’值最小的元素方案为迁移、备份或扩展行动配置目标。其中，做迁移评估时，当负载组份y的前一执行周期的资源配置费用qy大于min(p’)时评估为“可迁移”，反之则评估为“不可迁移”。
(2)对类型负载进行整体行动评估。
对某类型负载z，以最优规模分组规则
Figure BDA0003375228080000142
及最优代价分配集合F(z,t)所确定的方案为迁移、备份或扩展行动配置目标。其中，做迁移评估时，当基于规模分组规则
Figure BDA0003375228080000151
的行动基数
Figure BDA0003375228080000152
大于最优执行代价E(z,t)时评估为“可迁移”，反之则评估为“不可迁移”。
本发明的另一个实施例，在前述方法实施例的基础上，提供了一种电子设备，包括：
存储器，用于存储计算机程序；
处理器，用于执行所述存储器中的计算机程序，以实现前述方法实施例的各个步骤。
其中各个具体步骤已经在有关该方法的实施例中进行了详细描述，本实施例不再赘述。
可选地，存储器既可以是独立的，也可以跟处理器集成在一起。当存储器独立设置时，该设备还包括总线，用于连接所述存储器和处理器。
所述处理器可以是中央处理单元(CPU)，还可以是其他通用处理器、数字信号处理器(DSP)、专用集成电路(ASIC)、现场可编程门阵列(FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等，上述处理器是设备或者相关系统的控制中心，利用各种接口和线路连接整个设备的各个部分。
所述存储器可用于存储计算机以及手机程序和/或模块，上述处理器通过运行或执行存储在存储器内的计算机、手机程序和/或模块，以及调用存储在存储器内的数据，实现终端的各种功能。存储器可主要包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需的应用程序；存储数据区可存储根据系统使用所创建的数据。此外，存储器可以包括高速随机存取存储器，还可以包括非易失性存储器，例如硬盘、内存、插接式硬盘，智能存储卡(SMC)，安全数字(SD)卡，闪存卡(Flash Card)、至少一个磁盘存储器件、闪存器件、或其他易失性固态存储器件。
本发明的另一个实施例，在前述方法实施例的基础上，提供了一种计算机可读存储介质，其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前述方法实施例的各个步骤，具体步骤可以参见前述方法实施例中的相关描述，本实施例不再赘述。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的程序可存储于一非易失性计算机可读取存储介质中。其中，本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用，均可包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器(ROM)、可编程ROM(PROM)、电可编程ROM(EPROM)、电可擦除可编程ROM(EEPROM)或闪存。易失性存储器可包括随机存取存储器(RAM)或者外部高速缓冲存储器。作为说明而非局限，RAM以多种形式可得，诸如静态RAM(SRAM)、动态RAM(DRAM)、同步DRAM(SDRAM)、双数据率SDRAM(DDRSDRAM)、增强型SDRAM(ESDRAM)、同步链路(Synchlink)DRAM(SLDRAM)、存储器总线(Rambus)直接RAM(RDRAM)、直接存储器总线动态RAM(DRDRAM)、以及存储器总线动态RAM(RDRAM)等。
应该理解的是，虽然本发明各实施例的流程图中的各个步骤按照箭头的指示依次显示，但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明，这些步骤的执行并没有严格的顺序限制，这些步骤可以以其它的顺序执行。而且，各实施例中的至少一部分步骤可以包括多个子步骤或者多个阶段，这些子步骤或者阶段并不必然是在同一时刻执行完成，而是可以在不同的时刻执行，这些子步骤或者阶段的执行顺序也不必然是依次进行，而是可以与其它步骤或者其它步骤的子步骤或者阶段的至少一部分轮流或者交替地执行。
以上所述实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。
以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明的保护范围之内。

Claims (13)

1.一种混合云场景中计算资源的配置行动评估方法，其特征在于，包括：
S1步骤：获取至少一个云计算平台的至少一个资源配置方案，获得资源配置方案集合；
S2步骤：对每种类型的所述现有负载设定至少一个规模分组规则，基于所述至少一个规模分组规则，将每种类型的现有负载进行分组；
S3步骤：对每种类型的现有负载的每个所述负载组份设定负载组份配置方案，获得基于所述至少一个规模分组规则的行动基数；
S4步骤：基于一个所述负载组份配置方案，用同一负载类型的所述资源配置方案集合中的元素进行匹配，获得扩充资源配置方案；
S5步骤：在相同负载类型、规模分组规则和负载组份代号下，计算所述负载组份配置方案与所述扩充资源配置方案集合中各个元素方案的欧式距离，获得所述组份的备选有序集合；
S6步骤：基于所述组份的备选有序集合中元素方案的排列顺序，获得所述组份的备选代价集合；
S7步骤：重复S4至S6步骤，在相同负载类型和规模分组规则下，获取不同负载组份代号下的备选代价集合；
S8步骤：在相同负载类型和规模分组规则下，基于不同负载组份代号下的备选代价集合，获取最优代价指标和最优代价集合；
S9步骤：重复S4至S8步骤，在同一负载类型下，获取不同规模分组规则下的最优代价指标及其对应的最优代价集合，评估获取所述负载类型的最优执行代价、最优代价分配集合和最优规模分组规则；
S10步骤：重复S4至S9步骤，获取各个负载类型的最优执行代价、最优代价分配集合和最优规模分组规则；
S11步骤：基于所述各个负载类型的最优执行代价和最优代价分配集合进行行动评估，获得所述执行周期下的负载行动方案。
2.根据权利要求1所述的方法，其特征在于：
所述资源配置方案为Pi(z,t)，Pi(z,t)＝{C1，C2，……，Cx，m，p}；
所述资源配置方案集合为P(z,t)，P(z,t)＝{Pi(z,t)|i＝1:K}；
其中，i为方案序号，z为负载类型代号，负载类型为对现有负载进行类型分类获得；t为执行周期序号；m为云计算平台代号；K为负载类型z下的所述资源配置方案Pi(z,t)的总数；C1至Cx为配置参数向量；x为参数代号；p为资源配置方案费用。
3.根据权利要求2所述的方法，其特征在于：
所述负载类型，包括：文本、视频、音频和可执行代码；
所述配置参数向量，包括：CPU参数、内存参数、存储参数、带宽参数和流量参数。
4.根据权利要求3所述的方法，其特征在于，所述基于所述至少一个规模分组规则，将每种类型的现有负载进行分组，包括：负载z在规模分组规则u下被分为Y个负载组份；所述负载组份可以整体迁移、备份、修改、扩展或删除。
5.根据权利要求4所述的方法，其特征在于：
所述负载组份配置方案为Qy(z,u)，Qy(z,u)＝{D1，D2，……，Dx，b，qy}；
所述负载组份配置方案集合为Q(z,u)，Q(z,u)＝{Qy(z,u)|y＝1:Y}；
其中，b为行动类型代号，包括迁移、备份和扩展；u为规模分组规则代号；y为负载组份代号；Y为负载z在规模分组规则u下被分为负载组份的数量；D1至Dx为预期配置参数向量，并与配置参数向量Cx在维度和含义上一一对应，具有性能裕度；qy为负载组份y的前一执行周期的资源配置费用，可以是实际费用、估算费用或预期费用。
6.根据权利要求5所述的方法，其特征在于：所述行动基数为L(z,u)，为在同一规模分组规则u下的所有负载组份在前一执行周期的资源配置费用的和数，
Figure FDA0003375228070000031
7.根据权利要求6所述的方法，其特征在于，所述S4步骤，具体包括：
对于u规则下负载组份y的负载组份配置方案Qy(z,u)，用同一负载类型的资源配置方案集合P(z,t)的各个元素方案Pi(z,t)|i＝1:K进行匹配，获得所述扩充资源配置方案集合Q’y(z,u)，Q’y(z,u)＝{P’i(z,t)|i＝1:K}；
其中，元素
Figure FDA0003375228070000032
与同一负载类型z的资源配置方案Pi(z,t)|i＝1:K一一对应；P’i(z,t)＝{C’1，C’2，……，C’x，m，p’}；
其中，C’1至C’x为资源配置方案Pi(z,t)＝{C1，C2，……，Cx，m，p}的参数向量C1至Cx在自身配置基础上进行配置累加得到的扩容参数，且满足C’x接近负载组份配置方案Qy(z,u)的预期配置参数向量D1至Dx，且D1≤C’1，……，Dx≤C’x；p’为代价参数，包括所述扩充资源配置方案费用加操作费用。
8.根据权利要求7所述的方法，其特征在于，所述S5步骤，具体包括：
S5.1步骤：在同一负载类型z、同一规模分组规则u和同一负载组份代号y下，基于前x维向量，将负载组份y的负载组份配置方案Qy(z,u)投影到向量空间中获得1个负载点，将所述扩充资源配置方案集合Q’y(z,u)中各个元素方案P’i(z,t)|i＝1:K投影到向量空间中获得K个配置点；计算所述负载点到任一所述配置点的欧式距离hy,i；所述前x维向量包括{C1，C2，……，Cx}和{D1，D2，……，Dx}；
S5.2步骤：按照欧式距离hy,i由小至大的顺序，对元素方案
Figure FDA0003375228070000033
进行排列，获得组份y的备选有序集合Hy(z,t)；
所述组份y的备选有序集合Hy(z,t)是将元素方案P’i(z,t)|i＝1:K按欧式距离hy,i由小至大的顺序进行排列的有序集合。
9.根据权利要求8所述的方法，其特征在于：所述备选代价集合为p’y＝{p’y,1，p’y,2，……，p’y,K}，其中p’y,1，p’y,2，……，p’y,K为基于备选有序集合Hy(z,t)中元素方案的排列顺序提取的p’向量；p’为代价参数。
10.根据权利要求9所述的方法，其特征在于，所述S8步骤，具体包括：
S8.1步骤：在同一负载类型和规模分组规则下，按负载组份代号顺序从备选代价集合p’1至p’Y中各抽取第一项元素，组成代价选集F，对F进行元素求和运算，获得代价指标E；
S8.2步骤：从代价参数集合p’1中抽取第二项元素，在代价选集F中替换掉p’1集合的先前抽取的第一项元素，获得新的代价选集F’，进行元素求和运算并获得新代价指标E’；
S8.3步骤：重复S8.2步骤所述方法，直至遍历代价参数集合p’1至p’Y中所有元素的组合，基于不同元素组合下获得的代价指标，将其中值最小的代价指标值定为规模分组规则u下的最优代价指标Eu，最优代价指标Eu所对应的代价选集定为规模分组规则u下的最优代价集合Fu。
11.根据权利要求10所述的方法，其特征在于，所述行动评估，包括：
对单组份负载的行动评估，包括：对某负载组份y，在负载组份y对应的扩充资源配置方案集合Q’y(z,u)＝{P’i(z,t)|i＝1:K}中选择元素方案P’i(z,t)|i＝1:K中的向量p’值最小的元素方案为迁移、备份或扩展行动配置目标；其中，做迁移评估时，当负载组份y的前一执行周期的资源配置费用qy大于min(p’)时评估为可迁移，反之则评估为不可迁移；
对类型负载进行整体行动评估，包括：对某类型负载z，以最优规模分组规则
Figure FDA0003375228070000051
及最优代价分配集合F(z,t)所确定的方案为迁移、备份或扩展行动配置目标；其中，做迁移评估时，当基于规模分组规则
Figure FDA0003375228070000052
的行动基数
Figure FDA0003375228070000053
Figure FDA0003375228070000054
大于最优执行代价E(z,t)时评估为可迁移，反之则评估为不可迁移。
12.一种电子设备，其特征在于，包括：
存储器，用于存储计算机程序；
处理器，用于执行所述存储器中的计算机程序，以实现权利要求1至11中任一项所述方法的操作步骤。
13.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现权利要求1至11中任一项所述方法的操作步骤。
CN202111438649.8A 2021-11-25 2021-11-25 一种混合云场景中计算资源的配置行动评估方法 Active CN114143322B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111438649.8A CN114143322B (zh) 2021-11-25 2021-11-25 一种混合云场景中计算资源的配置行动评估方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111438649.8A CN114143322B (zh) 2021-11-25 2021-11-25 一种混合云场景中计算资源的配置行动评估方法

Publications (2)

Publication Number Publication Date
CN114143322A true CN114143322A (zh) 2022-03-04
CN114143322B CN114143322B (zh) 2024-02-27

Family

ID=80389541

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111438649.8A Active CN114143322B (zh) 2021-11-25 2021-11-25 一种混合云场景中计算资源的配置行动评估方法

Country Status (1)

Country Link
CN (1) CN114143322B (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115442262A (zh) * 2022-08-01 2022-12-06 阿里巴巴（中国）有限公司 一种资源评估方法、装置、电子设备及存储介质

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108628662A (zh) * 2018-04-11 2018-10-09 武汉理工大学 混合云环境下基于负载预测的资源弹性伸缩方法
CN110908795A (zh) * 2019-11-04 2020-03-24 深圳先进技术研究院 云计算集群混部作业调度方法、装置、服务器及存储装置
US20200167194A1 (en) * 2018-11-26 2020-05-28 International Business Machines Corporation Optimizing initiator allocation
CN111858070A (zh) * 2020-08-05 2020-10-30 中国工商银行股份有限公司 计算资源配置方法、装置、设备以及存储介质

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108628662A (zh) * 2018-04-11 2018-10-09 武汉理工大学 混合云环境下基于负载预测的资源弹性伸缩方法
US20200167194A1 (en) * 2018-11-26 2020-05-28 International Business Machines Corporation Optimizing initiator allocation
CN110908795A (zh) * 2019-11-04 2020-03-24 深圳先进技术研究院 云计算集群混部作业调度方法、装置、服务器及存储装置
CN111858070A (zh) * 2020-08-05 2020-10-30 中国工商银行股份有限公司 计算资源配置方法、装置、设备以及存储介质

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115442262A (zh) * 2022-08-01 2022-12-06 阿里巴巴（中国）有限公司 一种资源评估方法、装置、电子设备及存储介质
CN115442262B (zh) * 2022-08-01 2024-02-06 阿里巴巴（中国）有限公司 一种资源评估方法、装置、电子设备及存储介质

Also Published As

Publication number Publication date
CN114143322B (zh) 2024-02-27

Similar Documents

Publication Publication Date Title
US20180246765A1 (en) System and method for scheduling jobs in distributed datacenters
WO2019057045A1 (en) SYSTEM AND METHOD FOR NEED AND ALLOCATION OF DISTRIBUTED RESOURCES
CN110633135A (zh) 异步任务分配方法、装置、计算机设备及存储介质
US20230393813A1 (en) Sorting apparatus and method
CN111796937A (zh) 基于内存的资源分配方法、计算机设备及存储介质
CN114143322A (zh) 一种混合云场景中计算资源的配置行动评估方法
CN109416688B (zh) 用于灵活的高性能结构化数据处理的方法和系统
CN115392501A (zh) 数据采集方法、装置、电子设备及存储介质
CN112000485B (zh) 任务分配方法、装置、电子设备及计算机可读存储介质
CN111339064A (zh) 数据倾斜矫正方法、装置及计算机可读存储介质
CN116881003A (zh) 资源分配方法、装置、服务设备及存储介质
CN117033170A (zh) 测试任务分配方法、装置、设备、存储介质和程序产品
CN114897457B (zh) 基于订单的仓库信息处理方法、设备和可读介质
CN116662876A (zh) 多模态认知决策方法、系统、装置、设备及存储介质
CN111209283A (zh) 一种数据处理方法及装置
CN116226078A (zh) 一种数据迁移方法、装置、设备和存储介质
CN113076365B (zh) 数据同步方法、装置、电子设备及存储介质
CN114817288A (zh) 数据处理方法、装置、电子设备及存储介质
CN115129466A (zh) 云计算资源分层调度方法、系统、设备及介质
CN112597162A (zh) 数据集采集方法、系统、设备及存储介质
CN105447183A (zh) Mpp架构数据库集群序列系统及序列管理方法
Merelli et al. Porting bioinformatics applications from grid to cloud: A macromolecular surface analysis application case study
CN117112242B (zh) 一种云计算系统中的资源节点分配方法和系统
CN117112206B (zh) 交易资源隔离方法、装置、计算机设备和存储介质
CN112948381B (zh) 数据处理方法、系统、计算机设备及可读存储介质

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
CB02 Change of applicant information

Address after: Room 1308, 13th floor, East Tower, 33 Fuxing Road, Haidian District, Beijing 100036

Applicant after: China Telecom Digital Intelligence Technology Co.,Ltd.

Address before: Room 1308, 13th floor, East Tower, 33 Fuxing Road, Haidian District, Beijing 100036

Applicant before: CHINA TELECOM GROUP SYSTEM INTEGRATION Co.,Ltd.

CB02 Change of applicant information
GR01 Patent grant
GR01 Patent grant