CN114237856A - 运算类型识别方法、装置、电子设备及存储介质 - Google Patents

运算类型识别方法、装置、电子设备及存储介质 Download PDF

Info

Publication number
CN114237856A
CN114237856A CN202111585442.3A CN202111585442A CN114237856A CN 114237856 A CN114237856 A CN 114237856A CN 202111585442 A CN202111585442 A CN 202111585442A CN 114237856 A CN114237856 A CN 114237856A
Authority
CN
China
Prior art keywords
operation type
computing node
task
executed
arma
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
CN202111585442.3A
Other languages
English (en)
Inventor
鞠向明
王珺
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.)
CCB Finetech Co Ltd
Original Assignee
CCB Finetech 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 CCB Finetech Co Ltd filed Critical CCB Finetech Co Ltd
Priority to CN202111585442.3A priority Critical patent/CN114237856A/zh
Publication of CN114237856A publication Critical patent/CN114237856A/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
    • G06F9/46—Multiprogramming arrangements
    • G06F9/48—Program initiating; Program switching, e.g. by interrupt
    • G06F9/4806—Task transfer initiation or dispatching
    • G06F9/4843—Task transfer initiation or dispatching by program, e.g. task dispatcher, supervisor, operating system
    • G06F9/485—Task life-cycle, e.g. stopping, restarting, resuming execution
    • G06F9/4856—Task life-cycle, e.g. stopping, restarting, resuming execution resumption being on a different machine, e.g. task migration, virtual machine migration

Landscapes

  • Engineering & Computer Science (AREA)
  • Software Systems (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Debugging And Monitoring (AREA)

Abstract

本公开提供了一种运算类型识别方法、装置、电子设备、存储介质及计算机程序产品，可应用于金融领域或其他领域。运算类型识别方法包括：获取计算节点执行当前任务的第一特征数据，并依据第一特征数据构建时间序列，第一特征数据用于表征计算节点执行当前任务的资源使用情况；将时间序列分别输入多个针对不同任务类型的ARMA模型中进行识别，在满足预设条件的情况下，确定计算节点执行的当前任务所属的运算类型。

Description

运算类型识别方法、装置、电子设备及存储介质
技术领域
本公开涉及计算机技术领域，更具体地涉及一种运算类型识别方法、装置、电子设备、存储介质和计算机程序产品。
背景技术
虚拟机的“热迁移”(Live Migration，LM)技术，又叫动态迁移、实时迁移，即虚拟机保存/恢复，通常是指在不中断业务的情况下，将同一个集群中的虚拟机从一台物理服务器移动至另一台物理服务器。恢复以后，虚拟机仍旧平滑运行，用户不会察觉到任何差异。
在实现计算节点的迁移的过程中，迁移计算节点的操作的触发往往受到计算节点正在执行的任务的运算类型的影响。对于计算节点执行任务的运算类型的识别通常依赖于人工判断或者响应于预先设定的阈值触发，不仅效率低下，而且严重依赖于运维人员的实践经验。
发明内容
鉴于上述问题，本公开提供了一种运算类型识别方法、装置、电子设备、存储介质和计算机程序产品。
根据本公开的第一个方面，提供了一种运算类型识别方法，包括：
获取计算节点执行当前任务的第一特征数据，并依据第一特征数据构建时间序列；第一特征数据用于表征计算节点执行当前任务的资源使用情况；
将时间序列分别输入多个针对不同任务类型的ARMA模型中进行识别，在满足预设条件的情况下，确定计算节点执行的当前任务所属的运算类型。
根据本公开的实施例，其中，在满足预设条件的情况下，确定计算节点执行的当前任务所属的运算类型，包括：
获取多个针对不同任务类型的ARMA模型对时间序列的识别结果的偏差值；
在偏差值满足预设阈值的情况下，确定计算节点执行的当前任务所属的运算类型。
根据本公开的实施例，其中，在将时间序列分别输入多个针对不同任务类型的ARMA模型中进行识别之前，所述方法还包括：
获取计算节点的历史监控数据，并依据历史监控数据获取多个针对不同任务类型的第一特征数据；
依据多个针对不同任务类型的第一特征数据，分别构建多个针对不同任务类型的ARMA模型。
根据本公开的实施例，其中，依据多个针对不同任务类型的第一特征数据，分别构建多个针对不同任务类型的ARMA模型，包括：针对每个任务类型的第一特征数据，
依据每个任务类型的第一特征数据，构建针对该任务类型的时间序列；
对时间序列执行平稳性检验；
在时间序列通过平稳性检验的情况下，基于时间序列构建针对该任务类型的ARMA模型；以及
确定ARMA模型中的各个参数。
根据本公开的实施例，其中，对时间序列进行平稳性检验的方法包括单位根检验法。
根据本公开的实施例，其中，确定ARMA模型中的各个参数，包括：
确定ARMA模型的阶数；以及
确定ARMA模型的参数。
根据本公开的实施例，所述方法还包括：
根据运算类型确定计算节点的优化策略。
根据本公开的实施例，所述方法还包括：
周期性地获取针对计算节点执行的任务的运算类型的识别结果；
依据识别结果确定计算节点的优化策略。
根据本公开的实施例，其中，运算类型包括CPU密集型、IO密集型、网络密集型和存储密集型中的至少之一。
根据本公开的第二方面，提供了一种运算类型识别装置，包括：
构建模块，用于获取计算节点执行当前任务的第一特征数据，并依据第一特征数据构建时间序列；第一特征数据用于表征计算节点执行当前任务的资源使用情况；
识别模块，用于将时间序列分别输入多个针对不同任务类型的ARMA模型中进行识别，在满足预设条件的情况下，确定计算节点执行的当前任务所属的运算类型。
根据本公开的第三方面，提供了一种电子设备，包括：一个或多个处理器；存储器，用于存储一个或多个程序，其中，当所述一个或多个程序被所述一个或多个处理器执行时，使得一个或多个处理器执行实现如上所述的运算类型识别方法。
根据本公开的第四方面，还提供了一种计算机可读存储介质，其上存储有可执行指令，该指令被处理器执行时使处理器执行实现如上所述的运算类型识别方法。
根据本公开的第五方面，还提供了一种计算机程序产品，包括计算机程序，该计算机程序被处理器执行时实现如上所述的运算类型识别方法。
应当理解，本部分所描述的内容并非旨在标识本公开的实施例的关键或重要特征，也不用于限制本公开的范围。本公开的其它特征将通过以下的说明书而变得容易理解。
附图说明
通过以下参照附图对本公开实施例的描述，本公开的上述内容以及其他目的、特征和优点将更为清楚，在附图中：
图1是根据本公开实施例的运算类型识别方法、装置、电子设备、存储介质和计算机程序产品的应用场景图；
图2是根据本公开实施例的运算类型识别方法的流程图；
图3是根据本公开实施例的确定计算节点执行的当前任务所属的运算类型的方法的流程图；
图4是根据本公开另一实施例的运算类型识别方法的流程图；
图5是根据本公开另一实施例的构建不同任务类型的ARMA模型的方法的流程图；
图6是根据本公开另一实施例的运算类型识别方法的流程图；
图7是根据本公开实施例的运算类型识别装置的结构框图；以及
图8是根据本公开实施例的适于实现运算类型识别方法的电子设备的方框图。
具体实施方式
以下，将参照附图来描述本公开的实施例。但是应该理解，这些描述只是示例性的，而并非要限制本公开的范围。在下面的详细描述中，为便于解释，阐述了许多具体的细节以提供对本公开实施例的全面理解。然而，明显地，一个或多个实施例在没有这些具体细节的情况下也可以被实施。此外，在以下说明中，省略了对公知结构和技术的描述，以避免不必要地混淆本公开的概念。
在此使用的术语仅仅是为了描述具体实施例，而并非意在限制本公开。在此使用的术语“包括”、“包含”等表明了所述特征、步骤、操作和/或部件的存在，但是并不排除存在或添加一个或多个其他特征、步骤、操作或部件。
在此使用的所有术语(包括技术和科学术语)具有本领域技术人员通常所理解的含义，除非另外定义。应注意，这里使用的术语应解释为具有与本说明书的上下文相一致的含义，而不应以理想化或过于刻板的方式来解释。
在使用类似于“A、B和C等中至少一个”这样的表述的情况下，一般来说应该按照本领域技术人员通常理解该表述的含义来予以解释(例如，“具有A、B和C中至少一个的系统”应包括但不限于单独具有A、单独具有B、单独具有C、具有A和B、具有A和C、具有B和C、和/或具有A、B、C的系统等)。在使用类似于“A、B或C等中至少一个”这样的表述的情况下，一般来说应该按照本领域技术人员通常理解该表述的含义来予以解释(例如，“具有A、B或C中至少一个的系统”应包括但不限于单独具有A、单独具有B、单独具有C、具有A和B、具有A和C、具有B和C、和/或具有A、B、C的系统等)。
附图中示出了一些方框图和/或流程图。应理解，方框图和/或流程图中的一些方框或其组合可以由计算机程序指令来实现。这些计算机程序指令可以提供给通用计算机、专用计算机或其他可编程数据处理装置的处理器，从而这些指令在由该处理器执行时可以创建用于实现这些方框图和/或流程图中所说明的功能/操作的装置。本公开的技术可以硬件和/或软件(包括固件、微代码等)的形式来实现。另外，本公开的技术可以采取存储有指令的计算机可读存储介质上的计算机程序产品的形式，该计算机程序产品可供指令执行系统使用或者结合指令执行系统使用。
本公开的实施例提供了一种运算类型识别方法、装置、电子设备、存储介质以及计算机程序产品，可用于金融领域或其他领域，在此不做限定。该运算类型识别方法包括：获取计算节点执行当前任务的第一特征数据，并依据第一特征数据构建时间序列；第一特征数据用于表征计算节点执行当前任务的资源使用情况；将时间序列分别输入多个针对不同任务类型的ARMA模型中进行识别，在满足预设条件的情况下，确定计算节点执行的当前任务所属的运算类型。
图1示意性示出了根据本公开实施例的运算类型识别方法、装置、电子设备、存储介质以及计算机程序产品的应用场景图。需要注意的是，图1所示仅为可以应用本公开实施例的系统架构的示例，以帮助本领域技术人员理解本公开的技术内容，但并不意味着本公开实施例不可以用于其他设备、系统、环境或场景。
如图1所示，根据该实施例的应用场景100可以包括终端设备101、102、103，网络104、服务器105。网络104用以在终端设备101、102、103和服务器105之间提供通信链路的介质。网络104可以包括各种连接类型，例如有线、无线通信链路或者光纤电缆等等。
用户可以使用终端设备101、102、103通过网络104与服务器105交互，以接收或发送消息等。终端设备101、102、103上可以安装有各种通讯客户端应用，例如购物类应用、网页浏览器应用、搜索类应用、即时通信工具、邮箱客户端、社交平台软件等(仅为示例)。
终端设备101、102、103可以是具有显示屏并且支持网页浏览的各种电子设备，包括但不限于智能手机、平板电脑、膝上型便携计算机和台式计算机等等。
服务器105可以是提供各种服务的服务器，例如对用户利用终端设备101、102、103所浏览的网站提供支持的后台管理服务器(仅为示例)。后台管理服务器可以对接收到的用户请求等数据进行分析等处理，并将处理结果(例如根据用户请求获取或生成的网页、信息、或数据等)反馈给终端设备。
需要说明的是，本公开实施例所提供的运算类型识别方法一般可以由服务器105执行。相应地，本公开实施例所提供的运算类型识别装置一般可以设置于服务器105中。本公开实施例所提供的运算类型识别方法也可以由不同于服务器105且能够与终端设备101、102、103和/或服务器105通信的服务器或服务器集群执行。相应地，本公开实施例所提供的运算类型识别装置也可以设置于不同于服务器105且能够与终端设备101、102、103和/或服务器105通信的服务器或服务器集群中。
应该理解，图1中的终端设备、网络和服务器的数目仅仅是示意性的。根据实现需要，可以具有任意数目的终端设备、网络和服务器。
图2是根据本公开实施例的运算类型识别方法的流程图。
如图2所示，在本公开实施例中，运算类型识别方法200包括操作S210～S220。
在操作S210，获取计算节点执行当前任务的第一特征数据，并依据第一特征数据构建时间序列。
第一特征数据主要用于表征计算节点执行当前任务的资源使用情况，第一特征数据例如可以包括CPU使用率、GPU使用率、内存占用率或者磁盘占用率等等，具体不做限定。
在本公开实施例中，获取计算节点执行当前任务的第一特征数据之后，基于第一特征数据构建时间序列。
在操作S220，将时间序列分别输入多个针对不同任务类型的ARMA模型中进行识别，在满足预设条件的情况下，确定计算节点执行的当前任务所属的运算类型。
这里所谓的运算类型例如可以包括但不限于CPU密集型、IO密集型、网络密集型和存储密集型中的至少之一。
这里的ARMA模型是指自回归滑动平均模型(Autoregressive moving averagemodel，ARMA)，ARMA模型通常由自回归模型(Auto-regressive，AR模型)和滑动平均模型(Moving-Average，MA模型)为基础“混合”构成，其可以用于对时间序列数据进行分析和预测。
将依照上述方法构建的时间序列分别输入预先构建的多个针对不同任务类型的ARMA模型中进行识别，当满足预设条件时，即可确定计算节点执行的当前任务所属的运算类型，然后可以根据运算类型进行资源配置，从而提高计算节点的迁移效率。
本公开实施例的技术方案通过预先构建的多个针对不同任务类型的ARMA模型对计算节点执行的任务类型进行识别，可以得到计算节点执行的当前任务的运算类型，相比于依赖于人工判断的方式或者设定阈值触发的方式，本公开实施例的方法能够灵活、快速、准确地识别计算节点执行任务的运算类型，从而提高了计算节点的运算效率，进而提高了整个迁移任务的执行效率。
图3是根据本公开实施例的确定计算节点执行的当前任务所属的运算类型的方法的流程图。以下将参考图3来说明上述操作S220的示例实现方式。
如图3所示，确定计算节点执行的当前任务所属的运算类型的方法包括操作S321～S322。
在操作S321，获取多个针对不同任务类型的ARMA模型对时间序列的识别结果的偏差值。
具体地，使用针对每个任务类型的ARMA模型对时间序列进行识别，得到针对时间序列的识别结果以及识别结果的偏差值。
在操作S322，在偏差值满足预设阈值的情况下，确定计算节点执行的当前任务所属的运算类型。
在本公开实施例中，利用偏差值确定计算节点执行的当前任务所属的运算类型的基本思想是：将时间序列输入不同任务类型的ARMA模型中进行识别，若某一任务类型的ARMA模型预测的结果发生较大的偏离，则说明此时对应的资源消耗变大，则认定该时间序列对应的任务的运算类型属于相应的运算类型。
例如，将时间序列输入不同任务类型的ARMA模型中进行识别，若表征CPU密集型任务类型的ARMA模型预测的结果发生较大的偏离，则说明时间序列对应的任务的运算类型有较大可能属于CPU密集型，此时可以通过配置与CPU相关的资源(例如增加CPU核数或者频率)来提高计算节点的运算效率。
在本实施例中，例如可以通过比较预设阈值与预测结果的偏差值的大小来判断模型预测结果偏离程度，从而根据偏离程度确定计算节点执行的当前任务所属的运算类型。例如，当某一任务类型的ARMA模型预测的结果的偏差值大于预设阈值时，则说明该任务类型的ARMA模型预测的结果符合预期，即该ARMA模型对应的任务类型即为计算节点执行的当前任务所属的运算类型。
需要说明的是，上述预设阈值可以是一预设值，也可以是预设范围，具体根据实际设定，这里不做限定。
在本公开实施例中，基于预测结果的偏差值与预设阈值比较的结果来判断计算节点执行的当前任务所属的运算类型，从而能够提高判断的准确性以及效率。
图4是根据本公开另一实施例的运算类型识别方法的流程图。
如图4所示，运算类型识别方法400包括操作S410～S440。其中，操作S410和操作S440分别与操作S210和操作S220以相同的方式实现，重复的部分将不再详细赘述。
在操作S410，获取计算节点执行当前任务的第一特征数据，并依据第一特征数据构建时间序列。
在操作S420，获取计算节点的历史监控数据，并依据历史监控数据获取多个针对不同任务类型的第一特征数据。
在本实施例中，从历史监控数据获取多个针对不同任务类型的第一特征数据，该些第一特征数据与以上所描述的定义相同或类似，这里不再赘述。
在操作S430，依据多个针对不同任务类型的第一特征数据，分别构建多个针对不同任务类型的ARMA模型。
依据多个针对不同任务类型的第一特征数据，分别构建多个针对不同任务类型的ARMA模型，这些不同任务类型的ARMA模型将用于识别计算节点执行的当前任务所属的运算类型。
在操作S440，将时间序列分别输入多个针对不同任务类型的ARMA模型中进行识别，在满足预设条件的情况下，确定计算节点执行的当前任务所属的运算类型。
需要说明的是，以上虽然以特定的顺序描述了方法的各个步骤，然而本公开的实施例不限于此，上述步骤可以根据需要以其他顺序执行。例如在一些实施例中，步骤S420和步骤S430可以在步骤S410之前执行，或者与步骤S410同时执行，本公开对此不作限制。
图5是根据本公开另一实施例的构建不同任务类型的ARMA模型的方法的流程图，以下将参考图5对上述操作S430的示例实现方式进行详细介绍。需要说明的是，在本公开实施例中，不同任务类型的ARMA模型的构建方法相同或类似，以下将以一个任务类型的ARMA模型的构建过程为例进行介绍。
如图5所示，构建每个任务类型的ARMA模型的方法包括操作S531～S534。
在操作S531，针对每个任务类型的第一特征数据，依据每个任务类型的第一特征数据，构建针对该任务类型的时间序列。
依据每个任务类型的第一特征数据构建针对该任务类型的时间序列的方法与以上所描述的方式相同或类似，具体不再赘述。
在操作S532，对时间序列执行平稳性检验。
在本公开的实施例中，例如可以采用单位根检验法对时间序列进行平稳性检验，或者可以采用其他合适的方式进行平稳性检验。
单位根检验法包括多种检验方法，例如DF检验、ADF检验、DFGLS检验、PP检验、KPSS检验、ERS检验和NP检验等，以下将以ADF检验法为例进行简单说明。
ADF检验法检验的对象是单位根，ADF检验法的原理是判断序列是否存在单位根，如果序列平稳，就不存在单位根；否则，就会存在单位根。
例如，在一个自回归过程中：yt＝byt-1+a+εt，如果滞后项系数b为1，就称为单位根。当单位根存在时，自变量和因变量之间的关系具有欺骗性，因为残差序列的任何误差都不会随着样本量(即时期数)增大而衰减，也就是说模型中的残差的影响是永久的，这种回归又称作伪回归。如果单位根存在，这个过程就是一个随机漫步(random walk)。
在本公开实施例中，例如可以采用ADF检验法对时间序列进行平稳性检验，即判断时间序列是否存在单位根。若时间序列的平稳性检验不通过(即时间序列存在单位根)，可以对时间序列进行差分处理以转化为平稳时间序列，然后再进行平稳性检验。基于以上方式对时间序列执行平稳性检验，直到平稳性检验通过，也即以平稳时间序列构建ARMA模型。
在操作S533，在时间序列通过平稳性检验的情况下，基于时间序列构建针对该任务类型的ARMA模型。
在操作S534，确定ARMA模型中的各个参数。
如前文所介绍的，ARMA模型通常由AR模型和MA模型为基础“混合”构成，其可以用于对时间序列数据进行分析和预测。ARMA模型的数学表达式如下：
Yt＝β0+β1Yt-1+β2Yt-2+...+βpYt-p+εt+α1εt-1+α2εt-2+...+αqεt-q
式中，β0+β1Yt-1+β2Yt-2+...+βpYt-p表示了p阶的自回归模型AR(p)，εt+α1εt-1+α2εt-2+...+αqεt-q表示了q阶的滑动平均模型MA(q)，Yt表示时间序列，即{Y0，Y1，...，Yt，...}，其中Yi是预测对象的观测值，εt+α1εt-1+α2εt-2+...+αqεt-q表示预测误差项，β0、β1、...，βp和α1、α2、...，αq分别表示模型的参数。
在本公开实施例中，上述确定ARMA模型中的各个参数例如可以包括确定ARMA模型的阶数(即AR模型的p阶和MA模型的q阶)以及ARMA模型的参数(即β0、β1、...，βp和α1、α2、...，αq)。
在本公开实施例中，例如可以采用赤池信息量准则(Akaike informationcriterion，AIC)或者贝叶斯信息量准则(Bayesian information criterion，BIC)确定模型的AR和MA两部分的阶数(p，q)。
以AIC法则确定ARMA模型的阶数(p，q)为例，其中AIC法则满足如下关系：
AIC＝-2ln(L)+2k
式中，L为似然函数，k为ARMA模型参数的个数。
设定p和q的最大值，遍历计算p和q所有值的组合的AIC值，选择使AIC值最小的p和q作为最佳的阶数(p*，q*)。
例如，假设最大的p是8，最大的q是8，那么计算p从0～8，q从0～8所有的组合的AIC值，找到最小的AIC值，此时对应的p和q的选值是最佳的p和q的阶。
在确定好阶数(p，q)之后，例如可以通过最小二乘法、极大似然法或者机器学习的方法来确定ARMA模型的参数，由此可以确定ARMA模型中的各个参数，从而构建得到AMRA模型。
在构建好ARMA模型之后，可以对构建的ARMA模型进行检验，从而根据检验的结果对模型进行优化，提高模型的识别准确性。
对构建好的ARMA模型进行检验的过程例如可以采用如下方式进行：将原始时间序列(以下称样本)输入构建的ARMA模型中，得到预测序列，对比原始时间序列和预测序列的拟合效果，看拟合偏差是否在预设范围内(例如，预测序列与原始时间序列的残差序列是否是白噪声序列)。
在本实施例中，例如可以采用Ljung-Box检验(LB检验)来检验模型的效果还不好，LB检验是基于一系列滞后阶数，判断序列总体的相关性或者随机性是否存在。采用LB检验对ARMA模型进行检验通常是对预测序列与原始时间序列之间的残差序列进行LB检验，判断其是否是白噪声，如果不是，则说明所构建的AMRA模型可能并不是一个适合样本的模型，需要重新对模型参数进行计算和调整，直至模型通过LB检验。
依据以上方式，可以构建针对每个任务类型的ARMA模型，从而得到多个针对不同任务类型的ARMA模型，以用于识别运算类型。
图6是根据本公开另一实施例的运算类型识别方法的流程图。
如图6所示，本实施例中，运算类型识别方法600包括操作S610～S630。其中，操作S610和操作S620分别与操作S210和操作S220以相同的方式实现，重复的部分将不再详细赘述。
在操作S610，获取计算节点执行当前任务的第一特征数据，并依据第一特征数据构建时间序列；第一特征数据用于表征计算节点执行当前任务的资源使用情况。
在操作S620，将时间序列分别输入多个针对不同任务类型的ARMA模型中进行识别，在满足预设条件的情况下，确定计算节点执行的当前任务所属的运算类型。
在操作S630，根据运算类型确定计算节点的优化策略。
在识别出计算节点执行的当前任务的运算类型之后，可以根据当前的运算瓶颈，确定计算节点的优化策略。例如，当识别出的运算类型是CPU密集型任务时，CPU密集型任务的瓶颈通常是CPU使用率，因而可以通过增加CPU核数或者频率来改善运算瓶颈。例如，当识别出的运算类型是网络IO密集型任务时，网络IO密集型任务的瓶颈通常是带宽，因而可以针对性地扩大带宽。例如，当识别出的运算类型是磁盘IO密集型任务时，磁盘IO密集型任务的瓶颈通常是磁盘性能，因而可以对应的使用固态硬盘或者考虑其他存储的形式。
本公开实施例通过识别的运算类型来确定计算节点的优化策略，从而能够针对性地解决各任务类型的性能瓶颈，进而提高运算效率。
在一些实施例中，还可以周期性地获取针对计算节点执行的任务的运算类型的识别结果，并将识别结果按照预设方式存储于数据库中，然后对获取的数据进行分析，以观测计算节点的周期性变化规律，从而根据上述周期性变化规律确定计算节点的优化策略。例如，根据周期性获取的识别结果，找到某一时间段内计算节点的运算瓶颈所在，然后给出该计算节点的资源配置升级、降级或者切换的建议，从而达到资源优化目的。
基于上述运算类型识别方法，本公开还提供了一种运算类型识别装置。以下将参考图7对该运算类型识别装置进行详细描述。
图7示意性示出了根据本公开实施例的运算类型识别装置的结构框图。
如图7所示，运算类型识别装置700包括构建模块710和识别模块720。
构建模块710用于获取计算节点执行当前任务的第一特征数据，并依据第一特征数据构建时间序列，第一特征数据用于表征计算节点执行当前任务的资源使用情况。
识别模块720用于将时间序列分别输入多个针对不同任务类型的ARMA模型中进行识别，在满足预设条件的情况下，确定计算节点执行的当前任务所属的运算类型。
需要说明的是，装置部分实施例中各模块/单元/子单元等的实施方式、解决的技术问题、实现的功能、以及达到的技术效果分别与方法部分实施例中各对应的步骤的实施方式、解决的技术问题、实现的功能、以及达到的技术效果相同或类似，在此不再赘述。
根据本公开的实施例，构建模块710和识别模块720中的任意多个模块可以合并在一个模块中实现，或者其中的任意一个模块可以被拆分成多个模块。或者，这些模块中的一个或多个模块的至少部分功能可以与其他模块的至少部分功能相结合，并在一个模块中实现。根据本公开的实施例，构建模块710和识别模块720中的至少一个可以至少被部分地实现为硬件电路，例如现场可编程门阵列(FPGA)、可编程逻辑阵列(PLA)、片上系统、基板上的系统、封装上的系统、专用集成电路(ASIC)，或可以通过对电路进行集成或封装的任何其他的合理方式等硬件或固件来实现，或以软件、硬件以及固件三种实现方式中任意一种或以其中任意几种的适当组合来实现。或者，构建模块710和识别模块720中的至少一个可以至少被部分地实现为计算机程序模块，当该计算机程序模块被运行时，可以执行相应的功能。
本公开的技术方案中，对数据的获取、收集、存储、使用、加工、传输、提供、公开和应用等处理，均符合相关法律法规的规定，采取了必要保密措施，且不违背公序良俗。
图8示意性示出了根据本公开实施例的适于实现运算类型识别方法的电子设备的方框图。
如图8所示，根据本公开实施例的电子设备800包括处理器801，其可以根据存储在只读存储器(ROM)802中的程序或者从存储部分808加载到随机访问存储器(RAM)803中的程序而执行各种适当的动作和处理。处理器801例如可以包括通用微处理器(例如CPU)、指令集处理器和/或相关芯片组和/或专用微处理器(例如，专用集成电路(ASIC))等等。处理器801还可以包括用于缓存用途的板载存储器。处理器801可以包括用于执行根据本公开实施例的方法流程的不同动作的单一处理单元或者是多个处理单元。
在RAM 803中，存储有电子设备800操作所需的各种程序和数据。处理器801、ROM802以及RAM 803通过总线804彼此相连。处理器801通过执行ROM 802和/或RAM 803中的程序来执行根据本公开实施例的方法流程的各种操作。需要注意，所述程序也可以存储在除ROM 802和RAM 803以外的一个或多个存储器中。处理器801也可以通过执行存储在所述一个或多个存储器中的程序来执行根据本公开实施例的方法流程的各种操作。
根据本公开的实施例，电子设备800还可以包括输入/输出(I/O)接口805，输入/输出(I/O)接口805也连接至总线804。电子设备800还可以包括连接至I/O接口805的以下部件中的一项或多项：包括键盘、鼠标等的输入部分806；包括诸如阴极射线管(CRT)、液晶显示器(LCD)等以及扬声器等的输出部分807；包括硬盘等的存储部分808；以及包括诸如LAN卡、调制解调器等的网络接口卡的通信部分809。通信部分809经由诸如因特网的网络执行通信处理。驱动器810也根据需要连接至I/O接口805。可拆卸介质811，诸如磁盘、光盘、磁光盘、半导体存储器等等，根据需要安装在驱动器810上，以便于从其上读出的计算机程序根据需要被安装入存储部分808。
本公开还提供了一种计算机可读存储介质，该计算机可读存储介质可以是上述实施例中描述的设备/装置/系统中所包含的；也可以是单独存在，而未装配入该设备/装置/系统中。上述计算机可读存储介质承载有一个或者多个程序，当上述一个或者多个程序被执行时，实现根据本公开实施例的方法。
根据本公开的实施例，计算机可读存储介质可以是非易失性的计算机可读存储介质，例如可以包括但不限于：便携式计算机磁盘、硬盘、随机访问存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本公开中，计算机可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。例如，根据本公开的实施例，计算机可读存储介质可以包括上文描述的ROM 802和/或RAM 803和/或ROM 802和RAM 803以外的一个或多个存储器。
本公开的实施例还包括一种计算机程序产品，其包括计算机程序，该计算机程序包含用于执行流程图所示的方法的程序代码。当计算机程序产品在计算机系统中运行时，该程序代码用于使计算机系统实现本公开实施例所提供的运算类型识别方法。
在该计算机程序被处理器801执行时执行本公开实施例的系统/装置中限定的上述功能。根据本公开的实施例，上文描述的系统、装置、模块、单元等可以通过计算机程序模块来实现。
在一种实施例中，该计算机程序可以依托于光存储器件、磁存储器件等有形存储介质。在另一种实施例中，该计算机程序也可以在网络介质上以信号的形式进行传输、分发，并通过通信部分809被下载和安装，和/或从可拆卸介质811被安装。该计算机程序包含的程序代码可以用任何适当的网络介质传输，包括但不限于：无线、有线等等，或者上述的任意合适的组合。
在这样的实施例中，该计算机程序可以通过通信部分809从网络上被下载和安装，和/或从可拆卸介质811被安装。在该计算机程序被处理器801执行时，执行本公开实施例的系统中限定的上述功能。根据本公开的实施例，上文描述的系统、设备、装置、模块、单元等可以通过计算机程序模块来实现。
根据本公开的实施例，可以以一种或多种程序设计语言的任意组合来编写用于执行本公开实施例提供的计算机程序的程序代码，具体地，可以利用高级过程和/或面向对象的编程语言、和/或汇编/机器语言来实施这些计算程序。程序设计语言包括但不限于诸如Java，C++，python，“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算设备上执行、部分地在用户设备上执行、部分在远程计算设备上执行、或者完全在远程计算设备或服务器上执行。在涉及远程计算设备的情形中，远程计算设备可以通过任意种类的网络，包括局域网(LAN)或广域网(WAN)，连接到用户计算设备，或者，可以连接到外部计算设备(例如利用因特网服务提供商来通过因特网连接)。
附图中的流程图和框图，图示了按照本公开各种实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分，上述模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个接连地表示的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图或流程图中的每个方框、以及框图或流程图中的方框的组合，可以用执行规定的功能或操作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。
本领域技术人员可以理解，本公开的各个实施例和/或权利要求中记载的特征可以进行多种组合或/或结合，即使这样的组合或结合没有明确记载于本公开中。特别地，在不脱离本公开精神和教导的情况下，本公开的各个实施例和/或权利要求中记载的特征可以进行多种组合和/或结合。所有这些组合和/或结合均落入本公开的范围。
以上对本公开的实施例进行了描述。但是，这些实施例仅仅是为了说明的目的，而并非为了限制本公开的范围。尽管在以上分别描述了各实施例，但是这并不意味着各个实施例中的措施不能有利地结合使用。本公开的范围由所附权利要求及其等同物限定。不脱离本公开的范围，本领域技术人员可以做出多种替代和修改，这些替代和修改都应落在本公开的范围之内。

Claims (13)

1.一种运算类型识别方法，包括：
获取计算节点执行当前任务的第一特征数据，并依据所述第一特征数据构建时间序列；所述第一特征数据用于表征所述计算节点执行当前任务的资源使用情况；
将所述时间序列分别输入多个针对不同任务类型的ARMA模型中进行识别，在满足预设条件的情况下，确定所述计算节点执行的当前任务所属的运算类型。
2.根据权利要求1所述的方法，其中，所述在满足预设条件的情况下，确定所述计算节点执行的当前任务所属的运算类型，包括：
获取所述多个针对不同任务类型的ARMA模型对所述时间序列的识别结果的偏差值；
在所述偏差值满足预设阈值的情况下，确定所述计算节点执行的当前任务所属的运算类型。
3.根据权利要求1所述的方法，其中，在将所述时间序列分别输入多个针对不同任务类型的ARMA模型中进行识别之前，所述方法还包括：
获取所述计算节点的历史监控数据，并依据所述历史监控数据获取多个针对不同任务类型的第一特征数据；
依据多个针对不同任务类型的第一特征数据，分别构建多个针对不同任务类型的ARMA模型。
4.根据权利要求3所述的方法，其中，所述依据多个针对不同任务类型的第一特征数据，分别构建多个针对不同任务类型的ARMA模型，包括：针对每个任务类型的第一特征数据，
依据所述每个任务类型的第一特征数据，构建针对该任务类型的时间序列；
对所述时间序列执行平稳性检验；
在所述时间序列通过平稳性检验的情况下，基于所述时间序列构建针对该任务类型的ARMA模型；以及
确定所述ARMA模型中的各个参数。
5.根据权利要求4所述的方法，其中，对所述时间序列进行平稳性检验的方法包括单位根检验法。
6.根据权利要求4所述的方法，其中，所述确定所述ARMA模型中的各个参数，包括：
确定所述ARMA模型的阶数；以及
确定所述ARMA模型的参数。
7.根据权利要求1所述的方法，所述方法还包括：
根据所述运算类型确定所述计算节点的优化策略。
8.根据权利要求1所述的方法，所述方法还包括：
周期性地获取针对所述计算节点执行的任务的运算类型的识别结果；
依据所述识别结果确定所述计算节点的优化策略。
9.根据权利要求1所述的方法，其中，所述运算类型包括CPU密集型、IO密集型、网络密集型和存储密集型中的至少之一。
10.一种运算类型识别装置，包括：
构建模块，用于获取计算节点执行当前任务的第一特征数据，并依据所述第一特征数据构建时间序列；所述第一特征数据用于表征所述计算节点执行当前任务的资源使用情况；
识别模块，用于将所述时间序列分别输入多个针对不同任务类型的ARMA模型中进行识别，在满足预设条件的情况下，确定所述计算节点执行的当前任务所属的运算类型。
11.一种电子设备，包括：
一个或多个处理器；
存储装置，用于存储一个或多个程序，
其中，当所述一个或多个程序被所述一个或多个处理器执行时，使得所述一个或多个处理器执行根据权利要求1～9中任一项所述的方法。
12.一种计算机可读存储介质，其上存储有可执行指令，该指令被处理器执行时使处理器执行根据权利要求1～9中任一项所述的方法。
13.一种计算机程序产品，包括计算机程序，所述计算机程序被处理器执行时实现根据权利要求1～9中任一项所述的方法。
CN202111585442.3A 2021-12-22 2021-12-22 运算类型识别方法、装置、电子设备及存储介质 Pending CN114237856A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111585442.3A CN114237856A (zh) 2021-12-22 2021-12-22 运算类型识别方法、装置、电子设备及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111585442.3A CN114237856A (zh) 2021-12-22 2021-12-22 运算类型识别方法、装置、电子设备及存储介质

Publications (1)

Publication Number Publication Date
CN114237856A true CN114237856A (zh) 2022-03-25

Family

ID=80761662

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111585442.3A Pending CN114237856A (zh) 2021-12-22 2021-12-22 运算类型识别方法、装置、电子设备及存储介质

Country Status (1)

Country Link
CN (1) CN114237856A (zh)

Similar Documents

Publication Publication Date Title
US10210036B2 (en) Time series metric data modeling and prediction
US9942103B2 (en) Predicting service delivery metrics using system performance data
CN113157545A (zh) 业务日志的处理方法、装置、设备及存储介质
CN114064196A (zh) 用于预测性保障的系统和方法
CN111435393A (zh) 对象漏洞的检测方法、装置、介质及电子设备
US20140351414A1 (en) Systems And Methods For Providing Prediction-Based Dynamic Monitoring
US20210049414A1 (en) Deep graph de-noise by differentiable ranking
CN115174353B (zh) 故障根因确定方法、装置、设备及介质
CN111582488A (zh) 一种事件推演方法及装置
CN115237804A (zh) 性能瓶颈的评估方法、装置、电子设备、介质和程序产品
CN115034596A (zh) 一种风险传导预测方法、装置、设备和介质
CN110490132B (zh) 数据处理方法和装置
CN110704614B (zh) 对应用中的用户群类型进行预测的信息处理方法及装置
CN110413482B (zh) 检测方法和装置
CN116541069A (zh) 关键函数评估方法、装置、电子设备、介质和程序产品
CN114237856A (zh) 运算类型识别方法、装置、电子设备及存储介质
CN114461499A (zh) 异常信息检测模型的构建方法和灰度环境异常检测方法
CN115269315A (zh) 一种异常检测方法、装置、设备、介质
CN113052509A (zh) 模型评估方法、模型评估装置、电子设备和存储介质
US11012463B2 (en) Predicting condition of a host for cybersecurity applications
CN114816955A (zh) 数据库性能预测方法和装置
CN113127362A (zh) 对象测试方法、对象测试装置、电子设备及可读存储介质
CN111651753A (zh) 用户行为分析系统及方法
CN115190008B (zh) 故障处理方法、故障处理装置、电子设备及存储介质
CN117130873B (zh) 一种任务监控的方法和装置

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