CN114565201A - 数据中心的管理系统、方法、装置和存储介质 - Google Patents
数据中心的管理系统、方法、装置和存储介质 Download PDFInfo
- Publication number
- CN114565201A CN114565201A CN202011367992.3A CN202011367992A CN114565201A CN 114565201 A CN114565201 A CN 114565201A CN 202011367992 A CN202011367992 A CN 202011367992A CN 114565201 A CN114565201 A CN 114565201A
- Authority
- CN
- China
- Prior art keywords
- port
- management
- future
- traffic
- data
- 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
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0631—Resource planning, allocation, distributing or scheduling for enterprises or organisations
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
- G06F18/232—Non-hierarchical techniques
- G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
- G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/049—Temporal neural networks, e.g. delay elements, oscillating neurons or pulsed inputs
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/20—Administration of product repair or maintenance
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Computational Linguistics (AREA)
- Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- General Health & Medical Sciences (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Entrepreneurship & Innovation (AREA)
- Biophysics (AREA)
- Strategic Management (AREA)
- Economics (AREA)
- Computing Systems (AREA)
- Biomedical Technology (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Marketing (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Probability & Statistics with Applications (AREA)
- Game Theory and Decision Science (AREA)
- Educational Administration (AREA)
- Development Economics (AREA)
- Evolutionary Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Data Exchanges In Wide-Area Networks (AREA)
Abstract
本发明公开了一种数据中心的管理系统、方法、装置和存储介质,涉及数据处理领域。数据中心的管理系统包括:输入模块,被配置为获得数据中心的多个端口的业务流量数据;预测模块,被配置为根据每个端口的业务流量数据,预测每个端口的未来流量信息;策略生成模块,被配置为根据未来流量信息,生成管理策略。本发明的实施例能够更准确地预测各个端口的未来流量,并自动化地为数据中心提供与未来的流量变化相匹配的管理策略,实现了自动化的数据中心机房管理。
Description
技术领域
本发明涉及数据处理领域,特别涉及一种数据中心的管理系统、方法、装置和存储介质。
背景技术
随着5G、物联网、云计算等新兴技术的广泛应用,IDC(Internet Data Center,互联网数据中心)业务规模与日俱增,为业务管理带来了巨大挑战。
传统的IDC管理方式需要人工24小时值守,使得管理和维护工作完全依靠留守机房管理人员操作,并且这些操作对专业知识及专业技能也有一定的要求。同时,由于所有的命令和配置都是由管理员手工下发的,调整周期很长,且运维效率较低,无法实现动态调整。从而,无法对于IDC业务的变化做出及时的反馈。因此,传统的管理方式存在运行效率低、稳定性差的特点。
发明内容
本发明实施例所要解决的一个技术问题是:如何提高数据中心的运行效率和稳定性。
根据本发明一些实施例的第一个方面,提供一种数据中心的管理系统,包括:输入模块,被配置为获得数据中心的多个端口的业务流量数据;预测模块,被配置为根据每个端口的业务流量数据,预测每个端口的未来流量信息;策略生成模块,被配置为根据未来流量信息,生成管理策略。
在一些实施例中,数据中心的管理系统还包括:模型训练模块,被配置为利用历史数据训练流量预测模型,其中,流量预测模型用于预测每个端口的未来流量信息。
在一些实施例中,数据中心的管理系统还包括:数据处理模块,被配置为对多个端口的业务流量数据进行预处理。
根据本发明一些实施例的第二个方面,提供一种数据中心的管理方法,包括:获得数据中心的多个端口的业务流量数据;根据每个端口的业务流量数据,预测每个端口的未来流量信息;根据未来流量信息,生成管理策略。
在一些实施例中,根据每个端口的属性信息以及业务流量数据,预测每个端口的未来流量信息包括:基于每个端口的业务流量数据,生成用于预测的输入数据,输入数据的特征包括预测的未来流量信息对应的属性,属性包括时间属性、事件属性、业务类型属性中的至少一种;利用输入数据预测每个端口的未来流量信息。
在一些实施例中,将输入数据输入到LSTM模型或者ARIMA模型中,获得模型预测的每个端口的未来流量信息。
在一些实施例中,管理策略包括扩容策略、趋势判断策略、异常检测策略、流量调度策略中的至少一种。
在一些实施例中,管理策略为流量调度策略,并且根据未来流量信息,生成管理策略包括:确定待上线的新业务所涉及的链路上的端口;根据新业务的承诺信息速率、以及新业务所涉及的链路上的端口的未来流量峰值速率,预测新业务上线后,新业务所涉及的链路的拥塞情况;在新业务所涉及的链路发生拥塞的情况下,根据新业务、以及链路涉及的原有业务的优先级,分配新业务、以及链路涉及的原有业务的转发链路。
在一些实施例中,在新业务的承诺信息速率、以及新业务所涉及的链路上的端口的未来流量峰值速率之和大于拥塞阈值的情况下,将新业务所涉及的链路确定为拥塞链路;在新业务所涉及的链路发生拥塞的情况下,将新业务、以及链路涉及的原有业务中优先级低于预设优先级的业务分配到链路的备用链路进行转发。
在一些实施例中,管理策略为扩容策略,根据未来流量信息,生成管理策略包括:在预测的、端口的未来流量需求与当前带宽的比值超过预设阈值的情况下,向电子运维系统发送扩容工单,其中,扩容工单中包括预测的未来流量需求。
在一些实施例中,管理策略为异常检测策略,根据未来流量信息,生成管理策略包括:将未来流量信息输入到异常流量检测模型中,以获得未来流量是否为异常的预测结果,其中,异常流量检测模型是利用预先分类的正常流量信息训练的;在未来流量信息为异常的情况下,生成异常事件工单。
根据本发明一些实施例的第三个方面,提供一种数据中心的管理装置,包括:存储器;以及耦接至存储器的处理器,处理器被配置为基于存储在存储器中的指令,执行前述任意一种数据中心的管理方法。
根据本发明一些实施例的第四个方面,提供一种计算机可读存储介质,其上存储有计算机程序,其中,该程序被处理器执行时实现前述任意一种数据中心的管理方法。
上述发明中的一些实施例具有如下优点或有益效果:本发明的实施例能够更准确地预测各个端口的未来流量,并自动化地为数据中心提供与未来的流量变化相匹配的管理策略,实现了自动化的数据中心机房管理。
通过以下参照附图对本发明的示例性实施例的详细描述,本发明的其它特征及其优点将会变得清楚。
附图说明
为了更清楚地说明本发明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,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示出了根据本发明一些实施例的数据中心的管理系统的结构示意图。
图2示出了根据本发明另一些实施例的数据中心的管理系统的结构示意图。
图3示出了根据本发明一些实施例的数据中心的管理方法的流程示意图。
图4示出了根据本发明一些实施例的流量调度策略生成方法的流程示意图。
图5示出了根据本发明一些实施例的扩容策略生成方法的流程示意图。
图6示出了根据本发明一些实施例的扩容策略生成方法的流程示意图。
图7示出了根据本发明另一些实施例的数据中心的管理装置的结构示意图。
图8示出了根据本发明又一些实施例的数据中心的管理装置的结构示意图。
具体实施方式
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,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。以下对至少一个示例性实施例的描述实际上仅仅是说明性的,决不作为对本发明及其应用或使用的任何限制。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。
除非另外具体说明,否则在这些实施例中阐述的部件和步骤的相对布置、数字表达式和数值不限制本发明的范围。
同时,应当明白,为了便于描述,附图中所示出的各个部分的尺寸并不是按照实际的比例关系绘制的。
对于相关领域普通技术人员已知的技术、方法和设备可能不作详细讨论,但在适当情况下,所述技术、方法和设备应当被视为授权说明书的一部分。
在这里示出和讨论的所有示例中,任何具体值应被解释为仅仅是示例性的,而不是作为限制。因此,示例性实施例的其它示例可以具有不同的值。
应注意到:相似的标号和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讨论。
下面参考图1描述本发明数据中心的管理系统的实施例。
图1示出了根据本发明一些实施例的数据中心的管理系统的结构示意图。如图1所示,该实施例的数据中心的管理系统10包括输入模块110、预测模块120以及策略生成模块130。
输入模块110被配置为获得数据中心的多个端口的业务流量数据。业务流量数据例如包括业务流量的端口类型、端口对应的带宽、业务种类、业务优先级、流量大小、流量速率(例如平均速率、承诺速率、峰值速率等等)等等。
在一些实施例中,基于每个端口的业务流量数据,生成用于预测的输入数据。输入数据例如使用向量的形式表示,向量的每个元素对应一个特征。输入数据的特征包括预测的未来流量信息对应的属性,属性包括时间属性、事件属性、业务类型属性中的至少一种。时间属性例如为是否工作日、节假日,或者是否为高峰时段等等;事件属性例如为是否发生大型赛事、活动、社会热点事件等等;业务类型属性例如为是否为实时性高的业务,或者例如是否为服务质量要求高的业务等等。
预测模块120被配置为根据每个端口的业务流量数据,预测每个端口的未来流量信息。未来流量信息例如包括未来某一时段的流量峰值、均值、与当前时刻相比的增幅等等。
在一些实施例中,可以使用基于时序的预测模型预测未来流量信息。例如,长短期记忆网络(Long Short-Term Memory,简称:LSTM)模型或者差分整合移动平均自回归模型(Autoregressive Integrated Moving Average model,简称:ARIMA)模型。由于此类模型基于数据的时序特点进行预测,而流量的变化也具有时序特性,因而此类模型能够更准确地获得预测结果。
策略生成模块130被配置为根据未来流量信息,生成管理策略。在一些实施例中,管理策略包括扩容策略、趋势判断策略、异常检测策略、流量调度策略等等。
通过上述实施例的系统,能够更准确地预测各个端口的未来流量,并自动化地为数据中心提供与未来的流量变化相匹配的管理策略,实现了自动化的数据中心机房管理。
图2示出了根据本发明另一些实施例的数据中心的管理系统的结构示意图。如图2所示,该实施例的数据中心的管理系统20包括输入模块210、预测模块220、策略生成模块230。
在一些实施例中,预测模块120利用流量预测模型来预测每个端口的未来流量信息。此时,数据中心的管理系统20还包括:模型训练模块240,被配置为利用历史数据训练流量预测模型,其中,流量预测模型用于预测每个端口的未来流量信息。
在一些实施例中,数据中心的管理系统20还包括数据处理模块250,被配置为对多个端口的业务流量数据进行预处理。预处理例如包括进行数据清洗、特征工程、数据可视化等等。
在一些实施例中,管理系统20还可以包括数据库,用于存储流量的历史数据以及预测结果。
下面参考图3描述本发明数据中心的管理方法的实施例。
图3示出了根据本发明一些实施例的数据中心的管理方法的流程示意图。如图3所示,该实施例的管理方法包括步骤S302~S306。
在步骤S302中,获得数据中心的多个端口的业务流量数据。
在步骤S304中,根据每个端口的业务流量数据,预测每个端口的未来流量信息。
在一些实施例中,基于每个端口的业务流量数据,生成用于预测的输入数据,输入数据的特征包括预测的未来流量信息对应的属性,属性包括时间属性、事件属性、业务类型属性中的至少一种;利用输入数据预测每个端口的未来流量信息。
在一些实施例中,将输入数据输入到LSTM模型或者ARIMA模型中,获得模型预测的每个端口的未来流量信息。从而,可以利用基于时序特点预测的模型来预测未来流量信息。
在步骤S306中,根据未来流量信息,生成管理策略。
在一些实施例中,管理策略包括扩容策略、趋势判断策略、异常检测策略、流量调度策略中的至少一种。
通过上述实施例的方法,能够更准确地预测各个端口的未来流量,并自动化地为数据中心提供与未来的流量变化相匹配的管理策略,实现了自动化的数据中心机房管理。
下面示例性地对几种管理策略的生成过程进行介绍。
图4示出了根据本发明一些实施例的流量调度策略生成方法的流程示意图。如图4所示,该实施例的流量调度策略生成方法包括步骤S402~S406。
在步骤S402中,确定待上线的新业务所涉及的链路上的端口。
在步骤S404中,根据新业务的承诺信息速率、以及新业务所涉及的链路上的端口的未来流量峰值速率,预测新业务上线后,新业务所涉及的链路的拥塞情况。
在步骤S406中,在新业务所涉及的链路发生拥塞的情况下,根据新业务、以及链路涉及的原有业务的优先级,分配新业务、以及链路涉及的原有业务的转发链路。
在一些实施例中,具体的分配方式为:在新业务的承诺信息速率、以及新业务所涉及的链路上的端口的未来流量峰值速率之和大于拥塞阈值的情况下,将新业务所涉及的链路确定为拥塞链路;在新业务所涉及的链路发生拥塞的情况下,将新业务、以及链路涉及的原有业务中优先级低于预设优先级的业务分配到链路的备用链路进行转发。
通过上述实施例,本发明能够在新业务上线前,通过预测流量的方式提前预知可能发生的拥塞事件,并提前对各类业务的流量进行重新部署和调度,因而提高了业务运行的稳定性。
例如,基于15分钟的粒度,根据以太网端口的发送流量峰值速率来预测未来某日的、15分钟粒度的发送流量峰值速率。当新增一条业务时,确定该业务所经过的每个端口,并将业务承诺信息速率(Committed Information Rate,简称:CIR)叠加到预测的发送流量峰值速率上,并判断叠加的结果是否超过阈值(例如,是否超过该端口速率的80%)。如果超过,那么说明未来N天内会该端口极有可能发生流量拥塞,其所在的物理链路属于拥塞链路。上述判断过程也可以依靠预测的带宽来判断,这里不再赘述。
数据中心会预先根据流量所需的带宽以及业务优先级等因素,使用OSPF(OpenShortest Path First,开放式最短路径优先)等算法计算最短路径,并优先选择主链路进行流量的转发、并将需要分流的业务分配在备链路转发。设某端口原涉及业务1、业务2和业务3。在新增业务4后,经过上述方式计算,该业务的加入会使得该端口发生流量拥塞。此时可以进一步判断各个业务的优先级。例如,业务3和业务4的优先级较高,则选择在业务4上线后,在主链路转发业务3和业务4的流量,而在备用链路转发业务1和业务2的流量,以避免在未来时段造成链路拥塞。
从而,在进行流量调度时,对于动态保障视频会议等关键业务的带宽资源,上述对基于事件、基于业务的关键业务流量调度机制,可以根据上述流量预测的结果,在路由器上统一部署基于优先级标记的流量调度策略,从而降低了其他非关键业务的服务质量(Quality of Service,简称:QoS)优先级,保证了视频等高优先级业务的带宽。
图5示出了根据本发明一些实施例的扩容策略生成方法的流程示意图。如图5所示,该实施例的扩容策略生成方法包括步骤S502~S504。
在步骤S502中,计算预测的、端口的未来流量需求与当前带宽的比值。
在步骤S504中,在计算的比值超过预设阈值的情况下,向电子运维系统发送扩容工单,其中,扩容工单中包括预测的未来流量需求。扩容工单随后会发送至网络管理人员、或网络扩容装置,
在一些实施例中,各类业务的流量具有相应的预设阈值。例如,根据预先设置,对于服务质量要求高的业务,例如游戏、直播等业务,当预测的未来流量需求超过现有带宽的70%时,产生流量扩容需求;对于对实时性、连续性要求不高的业务,例如网络浏览等业务,当预测的未来流量需求超过现有带宽的85%、90%时,产生流量扩容需求。
通过上述实施例,本发明能够在新业务上线前,通过预测流量的方式提前预知可能发生的对资源需求骤增的情况,从而提前进行扩容,以使得系统能够承受增多的流量,因而提高了业务运行的稳定性。
图6示出了根据本发明一些实施例的扩容策略生成方法的流程示意图。如图6所示,该实施例的扩容策略生成方法包括步骤S602~S604。
在步骤S602中,将未来流量信息输入到异常流量检测模型中,以获得未来流量是否为异常的预测结果,其中,异常流量检测模型是利用预先分类的正常流量信息训练的。
在一些实施例中,可以使用分类模型确定历史数据中的正常流量信息和异常流量信息。例如,从历史数据中提取流量值的统计数据作为特征,例如变化范围、流量的波动时间、流量的波动周期、流量来源、业务类型等特征,并采用这些特征构成包括多维数据的检测向量,然后例如K均值(K-means)等聚类算法进行聚类,从而获得正常流量信息和异常流量信息。
在一些实施例中,仅利用正常流量信息构建正常流量识别模型。例如,通过计算待测流量信息与正常流量识别模型中的向量的平均距离,确定待测向量对应的流量是否属于正常流量。
在步骤S604中,在未来流量信息为异常的情况下,生成异常事件工单。
在新业务上线前,通过预测流量的方式提前预知可能发生的异常事件,以及时对异常事件进行预警处理,因而提高了业务运行的稳定性。
图7示出了根据本发明另一些实施例的数据中心的管理装置的结构示意图。如图7所示,该实施例的数据中心的管理装置70包括:存储器710以及耦接至该存储器710的处理器720,处理器720被配置为基于存储在存储器710中的指令,执行前述任意一个实施例中的数据中心的管理方法。
其中,存储器710例如可以包括系统存储器、固定非易失性存储介质等。系统存储器例如存储有操作系统、应用程序、引导装载程序(Boot Loader)以及其他程序等。
图8示出了根据本发明又一些实施例的数据中心的管理装置的结构示意图。如图8所示,该实施例的数据中心的管理装置80包括:存储器810以及处理器820,还可以包括输入输出接口830、网络接口840、存储接口850等。这些接口830,840,850以及存储器810和处理器820之间例如可以通过总线860连接。其中,输入输出接口830为显示器、鼠标、键盘、触摸屏等输入输出设备提供连接接口。网络接口840为各种联网设备提供连接接口。存储接口850为SD卡、U盘等外置存储设备提供连接接口。
本发明的实施例还提供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,该程序被处理器执行时实现前述任意一种数据中心的管理方法。
本领域内的技术人员应当明白,本发明的实施例可提供为方法、系统、或计算机程序产品。因此,本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且,本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用非瞬时性存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本发明是参照根据本发明实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解为可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
以上所述仅为本发明的较佳实施例,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、改进等,均应包含在本发明的保护范围之内。
Claims (13)
1.一种数据中心的管理系统,包括:
输入模块,被配置为获得数据中心的多个端口的业务流量数据;
预测模块,被配置为根据每个端口的所述业务流量数据,预测每个端口的未来流量信息;
策略生成模块,被配置为根据所述未来流量信息,生成管理策略。
2.根据权利要求1所述的管理系统,还包括:
模型训练模块,被配置为利用历史数据训练流量预测模型,其中,所述流量预测模型用于预测每个端口的未来流量信息。
3.根据权利要求1所述的管理系统,还包括:
数据处理模块,被配置为对所述多个端口的业务流量数据进行预处理。
4.一种数据中心的管理方法,包括:
获得数据中心的多个端口的业务流量数据;
根据每个端口的所述业务流量数据,预测每个端口的未来流量信息;
根据所述未来流量信息,生成管理策略。
5.根据权利要求4所述的管理方法,其中,所述根据每个端口的属性信息以及所述业务流量数据,预测每个端口的未来流量信息包括:
基于每个端口的所述业务流量数据,生成用于预测的输入数据,所述输入数据的特征包括预测的未来流量信息对应的属性,所述属性包括时间属性、事件属性、业务类型属性中的至少一种;
利用所述输入数据预测每个端口的未来流量信息。
6.根据权利要求4所述的管理方法,其中,将所述输入数据输入到长短期记忆网络模型或者差分整合移动平均自回归模型中,获得模型预测的每个端口的未来流量信息。
7.根据权利要求4所述的管理方法,其中,所述管理策略包括扩容策略、趋势判断策略、异常检测策略、流量调度策略中的至少一种。
8.根据权利要求7所述的管理方法,其中,所述管理策略为流量调度策略,并且所述根据所述未来流量信息,生成管理策略包括:
确定待上线的新业务所涉及的链路上的端口;
根据所述新业务的承诺信息速率、以及所述新业务所涉及的链路上的端口的未来流量峰值速率,预测所述新业务上线后,所述新业务所涉及的链路的拥塞情况;
在所述新业务所涉及的链路发生拥塞的情况下,根据所述新业务、以及所述链路涉及的原有业务的优先级,分配所述新业务、以及所述链路涉及的原有业务的转发链路。
9.根据权利要求8所述的管理方法,其中:
在所述新业务的承诺信息速率、以及所述新业务所涉及的链路上的端口的未来流量峰值速率之和大于拥塞阈值的情况下,将所述新业务所涉及的链路确定为拥塞链路;
在所述新业务所涉及的链路发生拥塞的情况下,将所述新业务、以及所述链路涉及的原有业务中优先级低于预设优先级的业务分配到所述链路的备用链路进行转发。
10.根据权利要求7所述的管理方法,其中,所述管理策略为扩容策略,所述根据所述未来流量信息,生成管理策略包括:
在预测的、所述端口的未来流量需求与当前带宽的比值超过预设阈值的情况下,向电子运维系统发送扩容工单,其中,所述扩容工单中包括预测的未来流量需求。
11.根据权利要求5所述的管理方法,其中,所述管理策略为异常检测策略,所述根据所述未来流量信息,生成管理策略包括:
将所述未来流量信息输入到异常流量检测模型中,以获得所述未来流量是否为异常的预测结果,其中,所述异常流量检测模型是利用预先分类的正常流量信息训练的;
在所述未来流量信息为异常的情况下,生成异常事件工单。
12.一种数据中心的管理装置,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4~11中任一项所述的数据中心的管理方法。
13.一种计算机可读存储介质,其上存储有计算机程序,该程序被处理器执行时实现权利要求4~11中任一项所述的数据中心的管理方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011367992.3A CN114565201A (zh) | 2020-11-27 | 2020-11-27 | 数据中心的管理系统、方法、装置和存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011367992.3A CN114565201A (zh) | 2020-11-27 | 2020-11-27 | 数据中心的管理系统、方法、装置和存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114565201A true CN114565201A (zh) | 2022-05-31 |
Family
ID=81712682
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011367992.3A Pending CN114565201A (zh) | 2020-11-27 | 2020-11-27 | 数据中心的管理系统、方法、装置和存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114565201A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116016306A (zh) * | 2022-12-15 | 2023-04-25 | 中国联合网络通信集团有限公司 | 数据流量的转发方法、装置、设备及存储介质 |
-
2020
- 2020-11-27 CN CN202011367992.3A patent/CN114565201A/zh active Pending
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116016306A (zh) * | 2022-12-15 | 2023-04-25 | 中国联合网络通信集团有限公司 | 数据流量的转发方法、装置、设备及存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108259367B (zh) | 一种基于软件定义网络的服务感知的流策略定制方法 | |
US10630737B2 (en) | Data processing method in stream computing system, control node, and stream computing system | |
CN113315700B (zh) | 算力资源调度方法、装置和存储介质 | |
CN112153700B (zh) | 一种网络切片资源管理方法及设备 | |
CN109995583B (zh) | 一种延迟保证的nfv云平台动态扩缩容方法及系统 | |
US10070328B2 (en) | Predictive network traffic management | |
WO2017214932A1 (zh) | 一种网络切片的资源管理方法和装置 | |
JP2017126975A (ja) | データセンターのネットワークトラフィックスケジューリング方法及び装置 | |
CN106330576A (zh) | 容器化微服务自动伸缩及迁移调度的方法、系统和设备 | |
CN108667657B (zh) | 一种面向sdn的基于局部特征信息的虚拟网络映射方法 | |
TWI725744B (zh) | 透過多層次相關性建立系統資源預測及資源管理模型的方法 | |
CN108270805B (zh) | 用于数据处理的资源分配方法及装置 | |
CN114039918B (zh) | 一种信息年龄优化方法、装置、计算机设备及存储介质 | |
CN108476175B (zh) | 使用对偶变量的传送sdn流量工程方法与系统 | |
WO2023066084A1 (zh) | 算力分配方法、装置及算力服务器 | |
CN105119751A (zh) | 一种基于环境实时感知的服务评估及选取方法 | |
CN108512672A (zh) | 业务编排方法、业务管理方法及装置 | |
CN114565201A (zh) | 数据中心的管理系统、方法、装置和存储介质 | |
CN104468403A (zh) | 一种基于nacc对数据包进行网络流分类的sdn控制器 | |
JP2018098590A (ja) | トラヒック需要予測装置、トラヒック需要予測方法、及びプログラム | |
CN114978913B (zh) | 一种基于切链的服务功能链跨域部署方法及系统 | |
US20220374259A1 (en) | Application-centric design for 5g and edge computing applications | |
WO2017213065A1 (ja) | サービス管理システム、サービス管理方法、および、記録媒体 | |
CN115460700A (zh) | 基于联邦学习的网络资源配置方法、装置、电子设备及介质 | |
CN109508433B (zh) | 基于匹配算法性能调整的负载波动应对方法和系统 |
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 |