CN114625477A - 一种服务节点容量调整方法、设备及计算机可读存储介质 - Google Patents

一种服务节点容量调整方法、设备及计算机可读存储介质 Download PDF

Info

Publication number
CN114625477A
CN114625477A CN202210088893.4A CN202210088893A CN114625477A CN 114625477 A CN114625477 A CN 114625477A CN 202210088893 A CN202210088893 A CN 202210088893A CN 114625477 A CN114625477 A CN 114625477A
Authority
CN
China
Prior art keywords
load information
load
service node
capacity
predicted
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
CN202210088893.4A
Other languages
English (en)
Inventor
江文龙
文江
斯奇能
李原
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.)
Zhejiang Dahua Technology Co Ltd
Original Assignee
Zhejiang Dahua 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 Zhejiang Dahua Technology Co Ltd filed Critical Zhejiang Dahua Technology Co Ltd
Priority to CN202210088893.4A priority Critical patent/CN114625477A/zh
Publication of CN114625477A publication Critical patent/CN114625477A/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
    • G06F9/44—Arrangements for executing specific programs
    • G06F9/455—Emulation; Interpretation; Software simulation, e.g. virtualisation or emulation of application or operating system execution engines
    • G06F9/45533—Hypervisors; Virtual machine monitors
    • G06F9/45558—Hypervisor-specific management and integration aspects
    • 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]
    • G06F9/5061—Partitioning or combining of resources
    • G06F9/5077—Logical partitioning of resources; Management or configuration of virtualized resources
    • 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
    • G06F9/44—Arrangements for executing specific programs
    • G06F9/455—Emulation; Interpretation; Software simulation, e.g. virtualisation or emulation of application or operating system execution engines
    • G06F9/45533—Hypervisors; Virtual machine monitors
    • G06F9/45558—Hypervisor-specific management and integration aspects
    • G06F2009/4557—Distribution of virtual machine instances; Migration and load balancing

Abstract

本发明公开了一种服务节点容量调整方法、设备及计算机可读存储介质，该服务节点容量调整方法包括：对服务节点进行负载预测，得到预测负载信息；基于预测负载信息调整服务节点的容量；其中，预测负载信息是利用负载预测模型预测得到的，负载预测模型是利用服务节点的融合负载信息进行训练得到的；融合负载信息是服务节点的当前负载信息与历史负载信息的融合。通过上述方式，本发明能够增加应对负载变化的调整时间，保证系统的平稳性。

Description

一种服务节点容量调整方法、设备及计算机可读存储介质
技术领域
本发明涉及计算机技术领域，特别是涉及一种服务节点容量调整方法、设备及计算机可读存储介质。
背景技术
目前随着大数据技术的不断发展，应用领域及数据规模不断增长，需要投入的计算资源也越来越大，如早晚高峰地铁人像采集数据分析，工作日节假日商场人流监控数据分析等。
而目前服务节点的扩缩容方法中，扩缩容时机具有滞后性，缩容滞后造成资源短期空闲但是能提升系统平滑性，但是扩容滞后会造成系统响应缓慢，而且任务突发增多会对系统造成冲击。
发明内容
本发明主要解决的技术问题是提供一种服务节点容量调整方法、设备及计算机可读存储介质，能够增加应对负载变化的调整时间，保证系统的平稳性。
为解决上述技术问题，本发明采用的一个技术方案是：提供一种服务节点容量调整方法，该服务节点容量调整方法包括：对服务节点进行负载预测，得到预测负载信息；基于预测负载信息调整服务节点的容量；其中，预测负载信息是利用负载预测模型预测得到的，负载预测模型是利用服务节点的融合负载信息进行训练得到的；融合负载信息是服务节点的当前负载信息与历史负载信息的融合。
其中，获取服务节点的当前负载信息和历史负载信息，历史负载信息为多个，将当前负载信息与多个历史负载信息进行加权平均，得到融合负载信息。
其中，获取服务节点的多个时间的多个融合负载信息；对多个融合负载信息进行周期拟合，得到负载预测模型，负载预测模型是负载信息与时间的关系模型。
其中，负载预测模型包括负载预测函数，负载预测函数为负载信息关于时间的多项式函数。
其中，负载预测函数为：
Figure BDA0003488376770000021
其中，tm为时间，Lm为tm时间对应的融合负载信息，ωi为预测系数。
其中，服务节点的负载信息为服务节点的服务设备的负载的总和。
其中，负载信息包括多种负载指标，负载信息为各负载指标的加权相加。
其中，负载指标包括服务节点的任务数、CPU使用率、内存的占有率、线程数和IO负载中的一种或多个。
其中，基于预测负载信息调整服务节点的容量包括：响应于预测负载信息大于第一负载阈值，则在预测负载信息对应的预测时间点之前扩大服务节点的容量；响应于预测负载信息小于第二负载阈值，则在预测负载信息对应的预测时间点之后缩小服务节点的容量。
其中，第一负载阈值为当前负载信息与扩容触发阈值的乘积，扩容触发阈值大于一。
为解决上述技术问题，本发明采用的另一个技术方案是：提供一种服务节点容量调整设备，该服务节点容量调整设备包括处理器，处理器用于执行以实现上述的服务节点容量调整方法。
为解决上述技术问题，本发明采用的另一个技术方案是：提供一种计算机可读存储介质，计算机可读存储介质用于存储指令/程序数据，指令/程序数据能够被执行以实现上述的服务节点容量调整方法。
本发明的有益效果是：区别于现有技术的情况，本发明通过对服务节点的当前负载信息和历史负载信息进行学习，以构建负载预测模型，并利用负载预测模型预测未来时间点的服务节点的负载情况，从而提前了解未来的负载变化并提前采取措施，对服务节点的容量进行提前调整，以应对负载突发情况下的变化，相对于分析近实时的负载进行被动扩容的方法，本申请更据有主动性，可以为负载变化争取更多的应对时间，而且在高负载接入处理上不存在滞后性，更能保证系统的平稳性。
附图说明
图1是本申请实施方式中一服务节点容量调整方法的流程示意图；
图2是本申请实施方式中另一服务节点容量调整方法的流程示意图；
图3是本申请实施方式中服务节点容量调整方法的流程结构图；
图4是本申请实施方式中服务节点容量调整装置的结构示意图；
图5是本申请实施方式中服务节点容量调整设备的结构示意图；
图6是本申请实施方式中计算机可读存储介质的结构示意图。
具体实施方式
为使本发明的目的、技术方案及效果更加清楚、明确，以下参照附图并举实施例对本发明进一步详细说明。
目前在大数据各个应用领域中，许多场景下服务的负载变化均具有周期性，如早晚高峰地铁人像采集数据分析，工作日节假日商场人流监控数据分析等。在这些场景下，服务的负载状况会同时间变化周期出现强烈的关联性，而且时间变化周期也存在着较为明显的规律。因此通过对历史服务负载状况进行统计分析，并通过算法进行处理，可以较为准确的预测近期一段时间内服务的负载变化。
因此，本申请提供一种服务节点容量调整方法，通过对服务节点的当前负载信息和历史负载信息进行学习，以构建负载预测模型，并利用负载预测模型预测未来时间点的服务节点的负载情况，从而提前了解未来的负载变化并提前采取措施，对服务节点的容量进行提前调整，以应对负载突发情况下的变化，相对于分析近实时的负载进行被动扩容的方法，本申请更据有主动性，可以为负载变化争取更多的应对时间，而且在高负载接入处理上不存在滞后性，更能保证系统的平稳性。
请参阅图1，图1是本申请实施方式中一服务节点容量调整方法的流程示意图。需注意的是，若有实质上相同的结果，本实施例并不以图1所示的流程顺序为限。如图1所示，本实施方式包括：
S110：对服务节点进行负载预测，得到预测负载信息。
将服务节点的当前负载信息与历史负载信息进行融合，得到综合多个时间点的负载信息的融合负载信息，并利用服务节点的融合负载信息训练得到负载预测模型，利用负载预测模型预测得到未来时间的预测负载信息。
S130：基于预测负载信息调整服务节点的容量。
基于预测得到的预测负载信息提前获取未来的预测时间点时服务节点的使用情况，以及时调整服务节点的容量。当未来时间的预测负载信息升高，则可以进行提前扩容。
该实施方式中，通过对服务节点的当前负载信息和历史负载信息进行学习，以构建负载预测模型，并利用负载预测模型预测未来时间点的服务节点的负载情况，从而提前了解未来的负载变化并提前采取措施，对服务节点的容量进行提前调整，以应对负载突发情况下的变化，相对于分析近实时的负载进行被动扩容的方法，本申请更据有主动性，可以为负载变化争取更多的应对时间，而且在高负载接入处理上不存在滞后性，更能保证系统的平稳性。
请参阅图2，图2是本申请实施方式中另一服务节点容量调整方法的流程示意图。请参阅图3，图3是本申请实施方式中服务节点容量调整方法的流程结构图。需注意的是，若有实质上相同的结果，本实施例并不以图2所示的流程顺序为限。如图2所示，本实施方式包括：
S210：获取服务节点的当前负载信息和历史负载信息。
请结合参阅图3，在本申请中，服务节点包括有一个或多个节点，节点管理平台对服务节点进行管理。利用节点管理平台中的负载采集模块定时采集服务节点的服务设备的负载信息，服务节点的负载信息为服务设备中各服务节点的负载的总和。其中，负载信息包括多种负载指标，负载指标包括服务节点的任务数、CPU使用率、内存的占有率、线程数和IO负载中的一种或多个，将每个负载指标作为一个当前负载信息。
具体地，当服务节点中只包含一个节点时，节点管理平台的负载采集模块首先对采集到的一个或多个负载指标进行去噪处理，剔除异常数据，将该节点的一个或多个负载指标作为当前负载信息。当服务节点中包含多个节点时，节点管理平台的负载采集模块分别对多个节点的负载指标进行采集，然后对采集到的一个或多个负载指标进行去噪处理，剔除异常数据，将多个节点的一个或多个负载指标作为当前负载信息。
节点管理平台对服务节点的当前负载信息进行持久化处理，并进行负载信息存储，作为之后时间点的历史负载信息。
在该实施方式中，获取服务节点的当前负载信息和历史负载信息，服务节点的当前负载信息和历史负载信息，历史负载信息为多个。
S230：将当前负载信息与多个历史负载信息进行加权平均，得到融合负载信息。
直接使用当前负载信息作为该时间点的节点使用情况，只能表征当前时刻下的节点使用情况，无法表征在时间变化过程中的节点使用情况，因此，利用当前负载信息与多个历史负载信息综合表征当前时间点的节点使用情况。
获取有包含当前服务节点信息采集周期的多个周期的节点数据，即获取当前负载信息和与当前负载信息连续的多个历史负载信息。在该实施方式中，获取有包含当前服务节点信息采集周期的N个周期的节点数据，即获取当前负载信息和与当前负载信息连续的N-1个历史负载信息，将当前负载信息与N-1个历史负载信息进行加权平均，得到融合负载信息。具体地，在节点管理平台中，获取当前负载信息和历史负载信息，并分别计算各个负载指标的融合负载信息，计算方式如下：
Figure BDA0003488376770000051
Figure BDA0003488376770000052
Figure BDA0003488376770000053
Figure BDA0003488376770000054
其中，x表示当前周期的时间点，Cm表示m周期时间点时该节点的CPU使用率，Mm表示m周期时间点时该节点的内存的占有率，Gm表示m周期时间点时该节点的线程数，Om表示m周期时间点时该节点的IO负载，当m为x时，Cm、Mm、Gm和Om表示的是各个负载指标的当前负载信息，当m不为x时，Cm、Mm、Gm和Om表示的是各个负载指标的历史负载信息。Cx、Mx、Gx和Ox表示的是各个负载指标的融合负载信息。将各个负载指标的融合负载信息加权相加得到整个服务节点的融合负载信息；αm表示该N个不同周期在指数中占的权重，满足
Figure BDA0003488376770000061
其中，当前负载信息的权重最大，越靠近当前时间点的历史负载信息的权重越大。
具体地，当服务节点中只包含一个节点时，将一个或多个负载指标的融合负载信息进行加权处理，得到该节点的融合负载信息，在一实施方式中，计算方式如下：
L＝ω1C+ω2M+ω3G+ω4O，
其中，L为该节点的融合负载信息，C为该节点的CPU使用率的融合负载信息，M为该节点的内存的占有率的融合负载信息，G为该节点的线程数的融合负载信息，O为该节点的IO负载的融合负载信息，ω1，ω2，ω3，ω4分别为CPU使用率、内存的占有率、线程数和IO负载的权重，其中，ω1+ω2+ω3+ω4＝1。将负载信息L作为该节点当前时间点的融合负载信息，即负载信息L为服务节点的融合负载信息。
当服务节点中包含多个节点时，将每个节点的一个或多个负载指标进行加权处理，得到该节点的负载信息，在一实施方式中，服务节点中包含有N个节点，则负载信息的计算方式如下：
Li＝ω1Ci+ω2Mi+ω3Gi+ω4Oi，
其中，Li为i节点的融合负载信息，Ci为i节点的CPU使用率的融合负载信息，Mi为i节点的内存的占有率的融合负载信息，Gi为i节点的线程数的融合负载信息，Oi为i节点的IO负载的融合负载信息，ω1，ω2，ω3，ω4分别为CPU使用率、内存的占有率、线程数和IO负载的权重，其中，ω1+ω2+ω3+ω4＝1。将负载信息Li作为i节点当前时间点的融合负载信息。
将每个节点的融合负载信息相加，得到服务节点的融合负载信息，具体计算方式如下：
Figure BDA0003488376770000062
其中，L为服务节点的融合负载信息。
S250：对多个融合负载信息进行周期拟合，得到负载预测模型。
利用上述融合负载信息的获取方法获取服务节点的多个时间点对应的多个融合负载信息。对采集到的时间点特征进行分析，确定多个融合负载信息进的时间点Tj，将各个节点及服务节点的融合负载信息按照以时间参数为索引的形式进行持久化。
对多个融合负载信息进行周期拟合，得到负载预测模型，其中，负载预测模型是负载信息与时间的关系模型。
在一实施方式中，负载预测模型包括负载预测函数，负载预测函数为负载信息关于时间的多项式函数。具体地，本申请采用多项式回归的方法，以时间作为输入，融合负载信息作为输出，周期拟合得到一个关于节点的融合负载信息或一个服务节点的服务设备的融合负载信息关于时间点的多项式函数，即：
L＝ω*T。
将时间
Figure BDA0003488376770000071
作为输入，每个时间点对应的融合负载信息
Figure BDA0003488376770000072
作为输出，构建一个服务节点的服务设备的融合负载信息关于时间点的多项式函数，得到：
Figure BDA0003488376770000073
其中，m表示第m个时间点，
Figure BDA0003488376770000074
为预测系数，通过调整ωi和阶数n测试理想效果，同时需要对结果进行校验方式产生过拟合。
在另一实施方式中，也可以采用其他可以进行周期拟合的模型或其他的方法，如神经网络即灰色预测模型等。
在节点管理平台的学习和预测模块通过对当前负载信息和历史负载信息进行训练，并不断增加新的训练数据，训练得到负载预测模型。
S270：对服务节点进行负载预测，得到预测负载信息。
利用负载预测模型，将需要的预测时间点输入模型中，对服务节点进行负载预测，得到该预测时间点对应的预测负载信息。具体地，可通过模型预测未来时间点tm+p时集群整体负载Lm+p，其中，tm为当前时间点，tm+p为未来p时间点。并将预测得到的未来时间点的预测负载信息发送至服务节点的资源管理模块。
S290：基于预测负载信息调整服务节点的容量。
服务节点的资源管理模块获取到预测时间点和其对应的预测负载信息，并对预测负载信息进行分析，并根据预测负载信息做服务节点容量的预调节。
具体地，对当前负载信息和预测负载信息进行比对。在一实施方式中，设置扩容触发阈值，将当前负载信息与扩容触发阈值的乘积作为第一负载阈值，其中，扩容触发阈值大于一。响应于预测负载信息大于第一负载阈值，即Lm+p>β*Lm，则预测到未来该时间的负载升高，并在预测负载信息对应的预测时间点之前扩大服务节点的容量，其中，β为扩容触发阈值。
扩大服务节点的容量的方法包括增加服务节点的数量和/或扩大单个服务节点的容量，即横向扩容和纵向扩容，横向扩容为增加服务节点中节点的数量，以实现扩大容量，纵向扩容为扩大服务节点中单个节点的容量规格参数，以实现扩大容量。具体地，根据不同服务的设计及节点资源接入方式，资源管理模块可能可直接进行节点资源扩容，也可能需要通过对接节点调度管理平台进行资源管理，视具体实现而定。节点资源管理平台根据计算的预期扩容规格在预测的扩容触发时间点请求进行扩容，其中，扩容触发时间点在预测时间点之前。
在另一实施方式中，设置缩容触发阈值，将当前负载信息与缩容触发阈值的乘积作为第二负载阈值，其中，缩容触发阈值小于一。响应于预测负载信息小于第二负载阈值，即Lm+p＜γ*Lm，则预测到未来该时间的负载降低，在预测负载信息对应的预测时间点之后缩小服务节点的容量，其中，γ为缩容触发阈值。
该实施方式中，通过对服务节点的当前负载信息和历史负载信息进行学习，将当前负载信息和历史负载信息进行加权求和，得到融合负载信息，利用融合负载信息构建负载预测模型，以使负载预测模型可以更加平滑地表征时间和负载信息之间的关系。本申请的负载预测模型是融合负载信息关于时间的函数，利用负载预测模型可以预测未来时间点的服务节点的负载情况，从而提前了解未来的负载变化并提前采取措施，对服务节点的容量进行提前调整，以应对负载突发情况下的变化，并且本申请提出横向扩容和纵向扩容的方法，便于应对不同的负载变化情况。相对于分析近实时的负载进行被动扩容的方法，本申请更具有主动性，可以为负载变化争取更多的应对时间，而且在高负载接入处理上不存在滞后性，提供更多的预备时间，在高负载到达前完成资源调节，平滑接入高负载，提高系统稳定性。
请参阅图4，图4是本申请实施方式中服务节点容量调整装置的结构示意图。该实施方式中，服务节点容量调整装置包括预测模块41和调整模块42。
其中预测模块41用于对服务节点进行负载预测，得到预测负载信息，其中，预测负载信息是利用负载预测模型预测得到的，负载预测模型是利用服务节点的融合负载信息进行训练得到的；融合负载信息是服务节点的当前负载信息与历史负载信息的融合；调整模块42用于基于预测负载信息调整服务节点的容量。该服务节点容量调整装置通过对服务节点的当前负载信息和历史负载信息进行学习，以构建负载预测模型，并利用负载预测模型预测未来时间点的服务节点的负载情况，从而提前了解未来的负载变化并提前采取措施，对服务节点的容量进行提前调整，以应对负载突发情况下的变化，相对于分析近实时的负载进行被动扩容的方法，本申请更据有主动性，可以为负载变化争取更多的应对时间，而且在高负载接入处理上不存在滞后性，更能保证系统的平稳性。
请参阅图5，图5是本申请实施方式中服务节点容量调整设备的结构示意图。该实施方式中，服务节点容量调整设备51包括处理器52。
处理器52还可以称为CPU(Central Processing Unit，中央处理单元)。处理器52可能是一种集成电路芯片，具有信号的处理能力。处理器52还可以是通用处理器、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。通用处理器可以是微处理器或者该处理器52也可以是任何常规的处理器等。
服务节点容量调整设备51可以进一步包括存储器(图中未示出)，用于存储处理器52运行所需的指令和数据。
处理器52用于执行指令以实现上述本申请服务节点容量调整方法任一实施例及任意不冲突的组合所提供的方法。
请参阅图6，图6是本申请实施方式中计算机可读存储介质的结构示意图。本申请实施例的计算机可读存储介质61存储有指令/程序数据62，该指令/程序数据62被执行时实现本申请服务节点容量调整方法任一实施例以及任意不冲突的组合所提供的方法。其中，该指令/程序数据62可以形成程序文件以软件产品的形式存储在上述存储介质61中，以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)或处理器(processor)执行本申请各个实施方式方法的全部或部分步骤。而前述的存储介质61包括：U盘、移动硬盘、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质，或者是计算机、服务器、手机、平板等终端设备。
在本申请所提供的几个实施例中，应该理解到，所揭露的系统，装置和方法，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，装置或单元的间接耦合或通信连接，可以是电性，机械或其它的形式。
另外，在本申请各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。
以上所述仅为本发明的实施方式，并非因此限制本发明的专利范围，凡是利用本发明说明书及附图内容所作的等效结构或等效流程变换，或直接或间接运用在其他相关的技术领域，均同理包括在本发明的专利保护范围内。

Claims (12)

1.一种服务节点容量调整方法，其特征在于，所述方法包括：
对服务节点进行负载预测，得到预测负载信息；
基于所述预测负载信息调整所述服务节点的容量；
其中，所述预测负载信息是利用负载预测模型预测得到的，所述负载预测模型是利用所述服务节点的融合负载信息进行训练得到的；所述融合负载信息是所述服务节点的当前负载信息与历史负载信息的融合。
2.根据权利要求1所述的服务节点容量调整方法，其特征在于，
获取所述服务节点的当前负载信息和历史负载信息，所述历史负载信息为多个；
将所述当前负载信息与所述多个历史负载信息进行加权平均，得到所述融合负载信息。
3.根据权利要求1所述的服务节点容量调整方法，其特征在于，
获取所述服务节点的多个时间的多个融合负载信息；
对所述多个融合负载信息进行周期拟合，得到所述负载预测模型，所述负载预测模型是负载信息与时间的关系模型。
4.根据权利要求3所述的服务节点容量调整方法，其特征在于，
所述负载预测模型包括负载预测函数，所述负载预测函数为负载信息关于时间的多项式函数。
5.根据权利要求4所述的服务节点容量调整方法，其特征在于，所述负载预测函数为：
Figure FDA0003488376760000011
其中，tm为时间，Lm为tm时间对应的所述融合负载信息，ωi为预测系数。
6.根据权利要求1所述的服务节点容量调整方法，其特征在于，
所述服务节点的负载信息为所述服务节点的服务设备的负载的总和。
7.根据权利要求1所述的服务节点容量调整方法，其特征在于，
负载信息包括多种负载指标，所述负载信息为各所述负载指标的加权相加。
8.根据权利要求7所述的服务节点容量调整方法，其特征在于，
所述负载指标包括所述服务节点的任务数、CPU使用率、内存的占有率、线程数和IO负载中的一种或多个。
9.根据权利要求1所述的服务节点容量调整方法，其特征在于，
基于所述预测负载信息调整所述服务节点的容量包括：
响应于所述预测负载信息大于第一负载阈值，则在所述预测负载信息对应的预测时间点之前扩大所述服务节点的容量；
响应于所述预测负载信息小于第二负载阈值，则在所述预测负载信息对应的预测时间点之后缩小所述服务节点的容量。
10.根据权利要求9所述的服务节点容量调整方法，其特征在于，
所述第一负载阈值为所述当前负载信息与扩容触发阈值的乘积，所述扩容触发阈值大于一。
11.一种服务节点容量调整设备，其特征在于，包括处理器，所述处理器用于执行指令以实现如权利要求1-10任一项所述的服务节点容量调整方法。
12.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质用于存储指令/程序数据，所述指令/程序数据能够被执行以实现如权利要求1-10任一项所述的服务节点容量调整方法。
CN202210088893.4A 2022-01-25 2022-01-25 一种服务节点容量调整方法、设备及计算机可读存储介质 Pending CN114625477A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210088893.4A CN114625477A (zh) 2022-01-25 2022-01-25 一种服务节点容量调整方法、设备及计算机可读存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210088893.4A CN114625477A (zh) 2022-01-25 2022-01-25 一种服务节点容量调整方法、设备及计算机可读存储介质

Publications (1)

Publication Number Publication Date
CN114625477A true CN114625477A (zh) 2022-06-14

Family

ID=81898472

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210088893.4A Pending CN114625477A (zh) 2022-01-25 2022-01-25 一种服务节点容量调整方法、设备及计算机可读存储介质

Country Status (1)

Country Link
CN (1) CN114625477A (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116414663A (zh) * 2023-04-24 2023-07-11 山东溯源安全科技有限公司 一种基于容量使用预测的扩容提示方法、装置及存储介质
CN117473144A (zh) * 2023-12-27 2024-01-30 深圳市活力天汇科技股份有限公司 一种航线数据的存储方法、计算机设备及可读存储介质

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116414663A (zh) * 2023-04-24 2023-07-11 山东溯源安全科技有限公司 一种基于容量使用预测的扩容提示方法、装置及存储介质
CN117473144A (zh) * 2023-12-27 2024-01-30 深圳市活力天汇科技股份有限公司 一种航线数据的存储方法、计算机设备及可读存储介质
CN117473144B (zh) * 2023-12-27 2024-03-29 深圳市活力天汇科技股份有限公司 一种航线数据的存储方法、计算机设备及可读存储介质

Similar Documents

Publication Publication Date Title
Tran et al. A multivariate fuzzy time series resource forecast model for clouds using LSTM and data correlation analysis
CN114625477A (zh) 一种服务节点容量调整方法、设备及计算机可读存储介质
CN108089921A (zh) 用于云端大数据运算架构的服务器及其运算资源最佳化方法
CN112118143B (zh) 流量预测模型训练方法、流量预测方法、装置、设备及介质
CN112363813A (zh) 资源调度方法、装置、电子设备和计算机可读介质
CN113905391A (zh) 集成学习网络流量预测方法、系统、设备、终端、介质
WO2017152734A1 (zh) 一种数据处理方法及相关设备、系统
CN113128678A (zh) 神经网络的自适应搜索方法及装置
CN113962294A (zh) 多类型事件预测模型
CN116760772A (zh) 汇聚分流器的管控系统及其方法
Anderson et al. Assessing the convergence and mobility of nations without artificially specified class boundaries
CN111277646B (zh) 群智感知中基于关联关系和地理位置预测的任务分发方法
Dutta Pramanik et al. Predicting Resource Availability in Local Mobile Crowd Computing Using Convolutional GRU.
CN113886454A (zh) 一种基于lstm-rbf的云资源预测方法
CN113268321A (zh) 用于边缘计算的数据处理调配方法
CN115499511B (zh) 一种基于时空图神经网络负载预测的微服务主动伸缩方法
CN116976461A (zh) 联邦学习方法、装置、设备及介质
CN112101543A (zh) 神经网络模型确定方法、装置、电子设备及可读存储介质
CN112631750B (zh) 面向云数据中心的基于压缩感知的预测性在线调度与混合任务部署方法
CN115983497A (zh) 一种时序数据预测方法和装置、计算机设备、存储介质
Xu et al. Self-similarity analysis and application of network traffic
CN113783715A (zh) 一种采用因果卷积神经网络的机会网络拓扑预测方法
CN116804964A (zh) 数据处理方法、装置、电子设备及可读存储介质
JP6959559B2 (ja) データ数決定装置、データ数決定方法及びデータ数決定プログラム
JP6783707B2 (ja) データ数決定装置、データ数決定方法及びデータ数決定プログラム

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