CN114205246A - 云资源规划方法、装置以及存储介质 - Google Patents

云资源规划方法、装置以及存储介质 Download PDF

Info

Publication number
CN114205246A
CN114205246A CN202111524305.9A CN202111524305A CN114205246A CN 114205246 A CN114205246 A CN 114205246A CN 202111524305 A CN202111524305 A CN 202111524305A CN 114205246 A CN114205246 A CN 114205246A
Authority
CN
China
Prior art keywords
cloud resource
cloud
information
demand
data center
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
CN202111524305.9A
Other languages
English (en)
Inventor
王浩彬
李为民
韩琳
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 Corp Ltd
Original Assignee
China Telecom Corp 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 Corp Ltd filed Critical China Telecom Corp Ltd
Priority to CN202111524305.9A priority Critical patent/CN114205246A/zh
Publication of CN114205246A publication Critical patent/CN114205246A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L41/00—Arrangements for maintenance, administration or management of data switching networks, e.g. of packet switching networks
    • H04L41/14—Network analysis or design
    • H04L41/145—Network analysis or design involving simulating, designing, planning or modelling of a network
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L41/00—Arrangements for maintenance, administration or management of data switching networks, e.g. of packet switching networks
    • H04L41/08—Configuration management of networks or network elements
    • H04L41/0803—Configuration setting
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L41/00—Arrangements for maintenance, administration or management of data switching networks, e.g. of packet switching networks
    • H04L41/14—Network analysis or design
    • H04L41/147—Network analysis or design for predicting network behaviour
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Signal Processing (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本公开提供了一种云资源规划方法、装置以及存储介质，其中的方法包括：使用机器学习模型并基于云资源当前需求信息，确定预设规划期内的云资源需求预测量；使用云资源需求预测量生成与预测目标网络相对应的云资源需求热力图；基于云资源当前配置信息，生成与预测目标网络相对应的云资源分区信息；将云资源需求热力图与资源分区域信息进行比对处理，用以确定云资源扩容量。本公开的方法、装置以及存储介质，能够充分考虑云资源需求和现有云计算资源的空间特性，提升建设投资的准确性；可以减少规划匹配时间，提升规划效率，并且能够提升网络建设的资源利用率，有效降低了运营建设成本。

Description

云资源规划方法、装置以及存储介质
技术领域
本发明涉及云计算技术领域，尤其涉及一种云资源规划方法、装置以及存储介质。
背景技术
随着5G、云计算等新兴技术产业的兴起，以IDC(Internet Data Center，互联网数据中心)为主要承载的基础设施建设量快速增加。IDC网络中的云资源包括网络设备、带宽、存储设备等，云资源的建设投资是运营商重要资本支出。因为IDC网络中的云资源的需求快速增加，因此需要一种用于云资源需求规划的技术方案。
发明内容
有鉴于此，本发明要解决的一个技术问题是提供一种云资源规划方法、装置以及存储介质。
根据本公开的第一方面，提供一种云资源规划方法，包括：获取预测目标网络中的云资源当前需求信息；使用机器学习模型并基于所述云资源当前需求信息，确定预设规划期内的云资源需求预测量；使用所述云资源需求预测量生成与所述预测目标网络相对应的云资源需求热力图；获取所述预测目标网络中的云资源当前配置信息；基于所述云资源当前配置信息，生成与所述预测目标网络相对应的云资源分区信息；将所述云资源需求热力图与所述资源分区域信息进行比对处理，用以确定云资源扩容量。
可选地，所述获取预测目标网络中的云资源当前需求信息包括：从网络运营数据库中获取与所述预测目标网络中的数据中心相对应的云资源当前需求信息；其中，所述云资源当前需求信息包括：网络设备、带宽、存储设备的当前需求信息。
可选地，所述使用机器学习模型并基于所述云资源当前需求信息，确定预设规划期内的云资源需求预测量包括：使用所述机器学习模型并基于所述网络设备、带宽、存储设备的当前需求信息和所述数据中心信息，确定与所述数据中心信息相对应的云资源需求预测量；其中，所述机器学习模型包括：LSTM模型。
可选地，所述使用所述云资源需求预测量生成与所述预测目标网络相对应的云资源需求热力图包括：生成与所述数据中心相对应的热力区域；基于与所述数据中心相对应的云资源需求预测量，生成与所述热力区域相对应的渲染色彩；基于所述热力区域和对应的渲染色彩生成所述云资源需求热力图。
可选地，所述获取所述预测目标网络中的云资源当前配置信息包括：从网络运营数据库中获取与所述预测目标网络中的数据中心相对应的云资源当前配置信息；其中，所述云资源当前配置信息包括：网络设备、带宽、存储设备的当前配置信息。
可选地，所述基于所述云资源当前配置信息，生成与所述预测目标网络相对应的云资源分区信息包括：使用图形绘制法生成以所述数据中心的坐标值为顶点的多边形，并基于所述数据中心对应的所述网络设备、带宽、存储设备的当前配置信息填充所述多边形，用以生成云资源分区图；其中，所述图形绘制法包括：Voronoi图绘制法；所述云资源分区图包括：Voronoi图。
可选地，所述将所述云资源需求热力图与所述资源分区域信息进行比对处理，用以确定云资源扩容量包括：基于所述云资源需求热力图和所述云资源分区图，获取与所述数据中心相对应的云资源需求预测量与云资源当前配置量，用以确定与所述数据中心相对应的云资源扩容量。
可选地，所述预测目标网络包括：IDC网络；所述网络设备包括：路由器、网关、交换机；所述存储设备包括：硬盘、服务器。
根据本公开的第二方面，提供一种云资源规划装置，包括：数据获取模块，用于获取预测目标网络中的云资源当前需求信息；资源预测模块，用于使用机器学习模型并基于所述云资源当前需求信息，确定预设规划期内的云资源需求预测量；热力图生成模块，用于使用所述云资源需求预测量生成与所述预测目标网络相对应的云资源需求热力图；所述数据获取模块，还用于获取所述预测目标网络中的云资源当前配置信息；资源分区模块，用于基于所述云资源当前配置信息，生成与所述预测目标网络相对应的云资源分区信息；扩容确定模块，用于将所述云资源需求热力图与所述资源分区域信息进行比对处理，用以确定云资源扩容量。
可选地，所述数据获取模块，用于从网络运营数据库中获取与所述预测目标网络中的数据中心相对应的云资源当前需求信息；其中，所述云资源当前需求信息包括：网络设备、带宽、存储设备的当前需求信息。
可选地，所述资源预测模块，用于使用所述机器学习模型并基于所述网络设备、带宽、存储设备的当前需求信息和所述数据中心信息，确定与所述数据中心信息相对应的云资源需求预测量；其中，所述机器学习模型包括：LSTM模型。
可选地，所述热力图生成模块，用于生成与所述数据中心相对应的热力区域；基于与所述数据中心相对应的云资源需求预测量，生成与所述热力区域相对应的渲染色彩；基于所述热力区域和对应的渲染色彩生成所述云资源需求热力图。
可选地，所述数据获取模块，还用于从网络运营数据库中获取与所述预测目标网络中的数据中心相对应的云资源当前配置信息；其中，所述云资源当前配置信息包括：网络设备、带宽、存储设备的当前配置信息。
可选地，所述资源分区模块，用于使用图形绘制法生成以所述数据中心的坐标值为顶点的多边形，并基于所述数据中心对应的所述网络设备、带宽、存储设备的当前配置信息填充所述多边形，用以生成云资源分区图；其中，所述图形绘制法包括：Voronoi图绘制法；所述云资源分区图包括：Voronoi图。
可选地，所述扩容确定模块，用于基于所述云资源需求热力图和所述云资源分区图，获取与所述数据中心相对应的云资源需求预测量与云资源当前配置量，用以确定与所述数据中心相对应的云资源扩容量。
可选地，所述预测目标网络包括：IDC网络；所述网络设备包括：路由器、网关、交换机；所述存储设备包括：硬盘、服务器。
根据本公开的第三方面，提供一种云资源规划装置，包括：存储器；以及耦接至所述存储器的处理器，所述处理器被配置为基于存储在所述存储器中的指令，执行如上所述的方法。
根据本公开的第四方面，提供一种计算机可读存储介质，所述计算机可读存储介质存储有计算机指令，所述指令被处理器执行如上所述的方法。
本公开的云资源规划方法、装置以及存储介质，通过进行需求预测并基于空间感知确定云资源规划方法，能够充分考虑云资源需求和现有云计算资源的空间特性，统筹考虑资源需求和资源机房的关系，提升建设投资的准确性；可以在保证网络需求和充分利用现有资源的前提下，减少规划匹配时间，提升规划效率，并且能够提升网络建设的资源利用率，有效降低了运营建设成本。
附图说明
为了更清楚地说明本公开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一简单地介绍，显而易见地，下面描述中的附图仅仅是本公开的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
图1为根据本公开的云资源规划方法的一个实施例的流程示意图；
图2为根据本公开的云资源规划方法的一个实施例中的生成热力图的流程示意图；
图3为根据本公开的云资源规划装置的一个实施例的模块示意图；
图4为根据本公开的云资源规划装置的另一个实施例的模块示意图。
具体实施方式
下面参照附图对本公开进行更全面的描述，其中说明本公开的示例性实施例。下面将结合本公开实施例中的附图，对本公开实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本公开一部分实施例，而不是全部的实施例。基于本公开中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本公开保护的范围。
图1为根据本公开的云资源规划方法的一个实施例的流程示意图，如图1所示：
步骤101，获取预测目标网络中的云资源当前需求信息。
在一个实施例中，预测目标网络包括IDC网络等；云资源当前需求信息包括网络设备、带宽、存储设备等的当前需求信息。网络设备包括路由器、网关、交换机等设备，存储设备包括硬盘、服务器等。
步骤102，使用机器学习模型并基于云资源当前需求信息，确定预设规划期内的云资源需求预测量。预设规划期可以未来的1个月、两个月等。
步骤103，使用云资源需求预测量生成与预测目标网络相对应的云资源需求热力图。
步骤104，获取预测目标网络中的云资源当前配置信息。云资源当前配置信息包括网络设备、带宽、存储设备等的当前配置信息。
步骤105，基于云资源当前配置信息，生成与预测目标网络相对应的云资源分区信息。
步骤106，将云资源需求热力图与资源分区域信息进行比对处理，用以确定云资源扩容量。
本公开的云资源规划方法，提供一种基于空间感知的端到端云资源规划方法，能够充分考虑云资源需求和现有云计算资源的空间特性并进行快速匹配，可以提升建设投资的准确性。
图2为根据本公开的云资源规划方法的一个实施例中的生成热力图的流程示意图，如图2所示：
步骤201，从网络运营数据库中获取与预测目标网络中的数据中心相对应的云资源当前需求信息。
在一个实施例中，网络运营数据库中包含有每个数据中心的云资源历史需求信息以及云资源当前需求信息。数据中心可以为IDC网络中的数据中心，与数据中心相对应的云资源当前需求信息包括数据中心的网络设备、带宽、存储设备等的当前需求信息。
步骤202，使用机器学习模型并基于网络设备、带宽、存储设备的当前需求信息和数据中心信息，确定与数据中心信息相对应的云资源需求预测量。机器学习模型可以使用多种模型，例如LSTM(Long Short-Term Memory，长短期记忆网络)模型等。云资源需求预测量包括对于网络设备、带宽、存储设备等的未来需求信息。可以使用现有的多种方法，使用LSTM模型等并基于网络设备、带宽、存储设备的当前需求信息和数据中心信息，确定云资源需求预测量。
步骤203，生成与数据中心相对应的热力区域。
步骤204，基于与数据中心相对应的云资源需求预测量，生成与热力区域相对应的渲染色彩。
步骤205，基于热力区域和对应的渲染色彩生成云资源需求热力图。
可以使用现有的多种方法生成云资源需求热力图。云资源需求热力图是由不同渲染色值所渲染成的各个区块构成的，并通过使用不同颜色的区块叠加在地图或者页面上表示，每个区块都对应有热力值，热力值可以说明该区块对应的云资源需求以及变化趋势。
云资源需求热力图可以用来表示不同地理区域内的数据中心的云资源需求的分布情况，各个区块多为固定的六边形，在展示热力图时，各个区块的渲染色值不同。
在一个实施例中，从网络运营数据库中获取与预测目标网络中的数据中心相对应的云资源当前配置信息，与数据中心相对应的云资源当前配置信息包括数据中心的网络设备、带宽、存储设备等的当前配置信息。
云资源分区信息可以为云资源分区图等。例如，使用图形绘制法生成以数据中心的坐标值为顶点的多边形，并基于数据中心对应的网络设备、带宽、存储设备的当前配置信息填充多边形，用以生成云资源分区图。图形绘制法包括Voronoi图绘制法等，云资源分区图包括Voronoi图等。
Voronoi图，又叫泰森多边形或Dirichlet图，是由一组由连接两邻点直线的垂直平分线组成的连续多边形组成。利用泰森多边形法则在GIS地图上绘制出以各个数据中心为中心的多个泰森多边形，多边形则表示该数据中心的地理范围；按照数据中心的网络设备、带宽、存储设备等的当前配置信息对应的颜色填充泰森多边形，颜色值用来表示当前资源的配置数量。可以采用现有的多种方法生成云资源分区图。
基于云资源需求热力图和云资源分区图，获取与数据中心相对应的云资源需求预测量与云资源当前配置量，用以确定与数据中心相对应的云资源扩容量。例如，将云资源分区图与云资源需求热力图进行几何重叠，使得云资源分区图的需求被划分到计算资源分区(数据中心)进行承载。计算与数据中心相对应的云资源需求预测量与云资源当前配置量之间的差值，确定与数据中心相对应的云资源扩容量。
在一个实施例中，根据云资源需求总量构建云资源需求热力图，以现有数据中心作为布局点，基于Vorinoi图将整个规划区划分为多个资源区，每个资源区包含一个数据中心，生成云资源分区图。基于地理信息，将云资源需求热力图和云资源分区图合并进行比对，基于每个数据中心的现有资源与需求资源差，得出每个数据中心的实际扩容量。
在一个实施例中，如图3所示，本公开提供一种云资源规划装置30，包括：数据获取模块31、资源预测模块32、热力图生成模块33、资源分区模块34和扩容确定模块35。数据获取模块31获取预测目标网络中的云资源当前需求信息。资源预测模块32使用机器学习模型并基于云资源当前需求信息，确定预设规划期内的云资源需求预测量。
热力图生成模块33使用云资源需求预测量生成与预测目标网络相对应的云资源需求热力图。数据获取模块31获取预测目标网络中的云资源当前配置信息。资源分区模块34基于云资源当前配置信息，生成与预测目标网络相对应的云资源分区信息。扩容确定模块35将云资源需求热力图与资源分区域信息进行比对处理，用以确定云资源扩容量。
在一个实施例中，数据获取模块31从网络运营数据库中获取与预测目标网络中的数据中心相对应的云资源当前需求信息；其中，云资源当前需求信息包括网络设备、带宽、存储设备等的当前需求信息。
资源预测模块32使用机器学习模型并基于网络设备、带宽、存储设备的当前需求信息和数据中心信息，确定与数据中心信息相对应的云资源需求预测量；其中，机器学习模型包括LSTM模型等。
热力图生成模块33生成与数据中心相对应的热力区域，基于与数据中心相对应的云资源需求预测量，生成与热力区域相对应的渲染色彩。热力图生成模块33基于热力区域和对应的渲染色彩生成云资源需求热力图。
在一个实施例中，数据获取模块31从网络运营数据库中获取与预测目标网络中的数据中心相对应的云资源当前配置信息；其中，云资源当前配置信息包括网络设备、带宽、存储设备等的当前配置信息。
资源分区模块34使用图形绘制法生成以数据中心的坐标值为顶点的多边形，并基于数据中心对应的网络设备、带宽、存储设备的当前配置信息填充多边形，用以生成云资源分区图；其中，图形绘制法包括Voronoi图绘制法等；云资源分区图包括Voronoi图等。
扩容确定模块35基于云资源需求热力图和云资源分区图，获取与数据中心相对应的云资源需求预测量与云资源当前配置量，用以确定与数据中心相对应的云资源扩容量。
图4为根据本公开的云资源规划装置的另一个实施例的模块示意图。如图4所示，该装置可包括存储器41、处理器42、通信接口43以及总线44。存储器41用于存储指令，处理器42耦合到存储器41，处理器42被配置为基于存储器41存储的指令执行实现上述的云资源规划方法。
存储器41可以为高速RAM存储器、非易失性存储器(non-volatile memory)等，存储器41也可以是存储器阵列。存储器41还可能被分块，并且块可按一定的规则组合成虚拟卷。处理器42可以为中央处理器CPU，或专用集成电路ASIC(Application SpecificIntegrated Circuit)，或者是被配置成实施本公开的云资源规划方法的一个或多个集成电路。
在一个实施例中，本公开提供一种计算机可读存储介质，计算机可读存储介质存储有计算机指令，指令被处理器执行时实现如上任一个实施例中的云资源规划方法。
上述实施例中的云资源规划方法、装置以及存储介质，通过进行需求预测并基于空间感知确定云资源规划方法，能够充分考虑云资源需求和现有云计算资源的空间特性，统筹考虑资源需求和资源机房的关系，提升建设投资的准确性；可以在保证网络需求和充分利用现有资源的前提下，减少规划匹配时间，提升规划效率，并且能够提升网络建设的资源利用率，有效降低了运营建设成本。
可能以许多方式来实现本公开的方法和系统。例如，可通过软件、硬件、固件或者软件、硬件、固件的任何组合来实现本公开的方法和系统。用于方法的步骤的上述顺序仅是为了进行说明，本公开的方法的步骤不限于以上具体描述的顺序，除非以其它方式特别说明。此外，在一些实施例中，还可将本公开实施为记录在记录介质中的程序，这些程序包括用于实现根据本公开的方法的机器可读指令。因而，本公开还覆盖存储用于执行根据本公开的方法的程序的记录介质。
本公开的描述是为了示例和描述起见而给出的，而并不是无遗漏的或者将本公开限于所公开的形式。很多修改和变化对于本领域的普通技术人员而言是显然的。选择和描述实施例是为了更好说明本公开的原理和实际应用，并且使本领域的普通技术人员能够理解本公开从而设计适于特定用途的带有各种修改的各种实施例。

Claims (18)

1.一种云资源规划方法，包括：
获取预测目标网络中的云资源当前需求信息；
使用机器学习模型并基于所述云资源当前需求信息，确定预设规划期内的云资源需求预测量；
使用所述云资源需求预测量生成与所述预测目标网络相对应的云资源需求热力图；
获取所述预测目标网络中的云资源当前配置信息；
基于所述云资源当前配置信息，生成与所述预测目标网络相对应的云资源分区信息；
将所述云资源需求热力图与所述资源分区域信息进行比对处理，用以确定云资源扩容量。
2.如权利要求1所述的方法，所述获取预测目标网络中的云资源当前需求信息包括：
从网络运营数据库中获取与所述预测目标网络中的数据中心相对应的云资源当前需求信息；
其中，所述云资源当前需求信息包括：网络设备、带宽、存储设备的当前需求信息。
3.如权利要求2所述的方法，所述使用机器学习模型并基于所述云资源当前需求信息，确定预设规划期内的云资源需求预测量包括：
使用所述机器学习模型并基于所述网络设备、带宽、存储设备的当前需求信息和所述数据中心信息，确定与所述数据中心信息相对应的云资源需求预测量；
其中，所述机器学习模型包括：LSTM模型。
4.如权利要求3所述的方法，所述使用所述云资源需求预测量生成与所述预测目标网络相对应的云资源需求热力图包括：
生成与所述数据中心相对应的热力区域；
基于与所述数据中心相对应的云资源需求预测量，生成与所述热力区域相对应的渲染色彩；
基于所述热力区域和对应的渲染色彩生成所述云资源需求热力图。
5.如权利要求4所述的方法，所述获取所述预测目标网络中的云资源当前配置信息包括：
从网络运营数据库中获取与所述预测目标网络中的数据中心相对应的云资源当前配置信息；
其中，所述云资源当前配置信息包括：网络设备、带宽、存储设备的当前配置信息。
6.如权利要求5所述的方法，所述基于所述云资源当前配置信息，生成与所述预测目标网络相对应的云资源分区信息包括：
使用图形绘制法生成以所述数据中心的坐标值为顶点的多边形，并基于所述数据中心对应的所述网络设备、带宽、存储设备的当前配置信息填充所述多边形，用以生成云资源分区图；
其中，所述图形绘制法包括：Voronoi图绘制法；所述云资源分区图包括：Voronoi图。
7.如权利要求6所述的方法，所述将所述云资源需求热力图与所述资源分区域信息进行比对处理，用以确定云资源扩容量包括：
基于所述云资源需求热力图和所述云资源分区图，获取与所述数据中心相对应的云资源需求预测量与云资源当前配置量，用以确定与所述数据中心相对应的云资源扩容量。
8.如权利要求2至7任一项所述的方法，其中，
所述预测目标网络包括：IDC网络；所述网络设备包括：路由器、网关、交换机；所述存储设备包括：硬盘、服务器。
9.一种云资源规划装置，包括：
数据获取模块，用于获取预测目标网络中的云资源当前需求信息；
资源预测模块，用于使用机器学习模型并基于所述云资源当前需求信息，确定预设规划期内的云资源需求预测量；
热力图生成模块，用于使用所述云资源需求预测量生成与所述预测目标网络相对应的云资源需求热力图；
所述数据获取模块，还用于获取所述预测目标网络中的云资源当前配置信息；
资源分区模块，用于基于所述云资源当前配置信息，生成与所述预测目标网络相对应的云资源分区信息；
扩容确定模块，用于将所述云资源需求热力图与所述资源分区域信息进行比对处理，用以确定云资源扩容量。
10.如权利要求9所述的装置，其中，
所述数据获取模块，用于从网络运营数据库中获取与所述预测目标网络中的数据中心相对应的云资源当前需求信息；其中，所述云资源当前需求信息包括：网络设备、带宽、存储设备的当前需求信息。
11.如权利要求10所述的装置，其中，
所述资源预测模块，用于使用所述机器学习模型并基于所述网络设备、带宽、存储设备的当前需求信息和所述数据中心信息，确定与所述数据中心信息相对应的云资源需求预测量；其中，所述机器学习模型包括：LSTM模型。
12.如权利要求11所述的装置，其中，
所述热力图生成模块，用于生成与所述数据中心相对应的热力区域；基于与所述数据中心相对应的云资源需求预测量，生成与所述热力区域相对应的渲染色彩；基于所述热力区域和对应的渲染色彩生成所述云资源需求热力图。
13.如权利要求12所述的装置，其中，
所述数据获取模块，还用于从网络运营数据库中获取与所述预测目标网络中的数据中心相对应的云资源当前配置信息；其中，所述云资源当前配置信息包括：网络设备、带宽、存储设备的当前配置信息。
14.如权利要求13所述的装置，其中，
所述资源分区模块，用于使用图形绘制法生成以所述数据中心的坐标值为顶点的多边形，并基于所述数据中心对应的所述网络设备、带宽、存储设备的当前配置信息填充所述多边形，用以生成云资源分区图；其中，所述图形绘制法包括：Voronoi图绘制法；所述云资源分区图包括：Voronoi图。
15.如权利要求14所述的装置，其中，
所述扩容确定模块，用于基于所述云资源需求热力图和所述云资源分区图，获取与所述数据中心相对应的云资源需求预测量与云资源当前配置量，用以确定与所述数据中心相对应的云资源扩容量。
16.如权利要求10至15任一项所述的装置，其中，
所述预测目标网络包括：IDC网络；所述网络设备包括：路由器、网关、交换机；所述存储设备包括：硬盘、服务器。
17.一种云资源规划装置，包括：
存储器；以及耦接至所述存储器的处理器，所述处理器被配置为基于存储在所述存储器中的指令，执行如权利要求1至8中任一项所述的方法。
18.一种计算机可读存储介质，所述计算机可读存储介质存储有计算机指令，所述指令被处理器执行如权利要求1至8中任一项所述的方法。
CN202111524305.9A 2021-12-14 2021-12-14 云资源规划方法、装置以及存储介质 Pending CN114205246A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111524305.9A CN114205246A (zh) 2021-12-14 2021-12-14 云资源规划方法、装置以及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111524305.9A CN114205246A (zh) 2021-12-14 2021-12-14 云资源规划方法、装置以及存储介质

Publications (1)

Publication Number Publication Date
CN114205246A true CN114205246A (zh) 2022-03-18

Family

ID=80653456

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111524305.9A Pending CN114205246A (zh) 2021-12-14 2021-12-14 云资源规划方法、装置以及存储介质

Country Status (1)

Country Link
CN (1) CN114205246A (zh)

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110297713A (zh) * 2019-05-22 2019-10-01 菜鸟智能物流控股有限公司 一种云主机的配置管理系统和方法
CN110381515A (zh) * 2019-08-12 2019-10-25 北京互联无界科技有限公司 基于合分模式实现小区网络流量资源指标预测的方法
US20200311573A1 (en) * 2019-04-01 2020-10-01 Accenture Global Solutions Limited Utilizing a machine learning model to predict a quantity of cloud resources to allocate to a customer
CN112559167A (zh) * 2020-11-06 2021-03-26 南京嘉环科技股份有限公司 基于Voronoi动态图优化基站维护资源配置的方法
CN113296929A (zh) * 2020-06-29 2021-08-24 阿里巴巴集团控股有限公司 基于云计算的资源匹配方法、装置及系统
CN113515382A (zh) * 2021-07-22 2021-10-19 中移（杭州）信息技术有限公司 云资源的分配方法、装置、电子设备及程序产品

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20200311573A1 (en) * 2019-04-01 2020-10-01 Accenture Global Solutions Limited Utilizing a machine learning model to predict a quantity of cloud resources to allocate to a customer
CN110297713A (zh) * 2019-05-22 2019-10-01 菜鸟智能物流控股有限公司 一种云主机的配置管理系统和方法
CN110381515A (zh) * 2019-08-12 2019-10-25 北京互联无界科技有限公司 基于合分模式实现小区网络流量资源指标预测的方法
CN113296929A (zh) * 2020-06-29 2021-08-24 阿里巴巴集团控股有限公司 基于云计算的资源匹配方法、装置及系统
CN112559167A (zh) * 2020-11-06 2021-03-26 南京嘉环科技股份有限公司 基于Voronoi动态图优化基站维护资源配置的方法
CN113515382A (zh) * 2021-07-22 2021-10-19 中移（杭州）信息技术有限公司 云资源的分配方法、装置、电子设备及程序产品

Similar Documents

Publication Publication Date Title
US20190207869A1 (en) Intelligent Placement within a Data Center
CN109753603B (zh) 产品推荐信息展示方法、装置、计算机设备和存储介质
CN111275383B (zh) 一种配送范围生成方法、装置、计算机设备及存储介质
US10571893B2 (en) Orientation optimization in 3D printing
CN113312361B (zh) 轨迹查询方法、装置、设备、存储介质及计算机程序产品
CN110868319A (zh) 一种网络拓扑图绘制方法、装置、设备及可读存储介质
JP5644606B2 (ja) メッシュ数予測方法、解析装置及びプログラム
CN114239198B (zh) 一种基于并行优化的电网子图划分方法及装置
CN110784883B (zh) 基站建设评估方法、装置、设备和存储介质
CN112308969B (zh) 三维地图生成方法及装置
CN115954933A (zh) 电网数字孪生系统构建方法、装置、电子设备和存储介质
CN109683858B (zh) 数据处理方法及装置
CN109059949B (zh) 最短路径的计算方法及装置
CN116628123B (zh) 基于空间数据库的动态切片生成方法和系统
US10657682B2 (en) Drawing curves in space guided by 3-D objects
JP2011033987A (ja) 地図生成装置及び地図生成方法
CN114205246A (zh) 云资源规划方法、装置以及存储介质
CN117272855A (zh) 对象表面几何模型生成方法、装置、电子设备及存储介质
KR102158051B1 (ko) 컴퓨터 수행 가능한 클라우드 기반의 인공지능 연산 서비스 방법
CN116521782A (zh) 一种数据资产地图获取方法、装置、设备、介质及产品
CN112337093B (zh) 一种虚拟对象的分簇方法、装置、存储介质和电子装置
CN115269600A (zh) 一种飞机数据的管理方法、装置、电子设备及存储介质
CN110489510B (zh) 道路数据的处理方法、装置、可读存储介质和计算机设备
CN115659900B (zh) 用于呈现集成电路版图的方法、设备和介质
KR20210042569A (ko) 공간 정보 구성 방법 및 장치

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