CN114756312B - 用于对本地服务进行远程协助优化的系统和方法 - Google Patents
用于对本地服务进行远程协助优化的系统和方法 Download PDFInfo
- Publication number
- CN114756312B CN114756312B CN202111317546.6A CN202111317546A CN114756312B CN 114756312 B CN114756312 B CN 114756312B CN 202111317546 A CN202111317546 A CN 202111317546A CN 114756312 B CN114756312 B CN 114756312B
- Authority
- CN
- China
- Prior art keywords
- application
- service
- ihs
- profile
- server
- 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.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 57
- 238000005457 optimization Methods 0.000 title claims abstract description 26
- 238000010801 machine learning Methods 0.000 claims abstract description 54
- 238000004891 communication Methods 0.000 claims description 50
- 230000006870 function Effects 0.000 claims description 13
- 230000001413 cellular effect Effects 0.000 claims description 8
- 238000005516 engineering process Methods 0.000 claims description 7
- 230000002708 enhancing effect Effects 0.000 claims description 3
- 230000005055 memory storage Effects 0.000 claims 1
- 230000000670 limiting effect Effects 0.000 abstract description 7
- 230000008569 process Effects 0.000 description 13
- 238000004422 calculation algorithm Methods 0.000 description 7
- 238000012545 processing Methods 0.000 description 6
- 230000009471 action Effects 0.000 description 4
- 230000008901 benefit Effects 0.000 description 4
- 230000002093 peripheral effect Effects 0.000 description 4
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 238000012546 transfer Methods 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000013500 data storage Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000001965 increasing effect Effects 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 238000007726 management method Methods 0.000 description 2
- 238000003032 molecular docking Methods 0.000 description 2
- 230000006855 networking Effects 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 230000003139 buffering effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000004590 computer program Methods 0.000 description 1
- 238000013523 data management Methods 0.000 description 1
- 238000003066 decision tree Methods 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 230000002452 interceptive effect Effects 0.000 description 1
- 238000012417 linear regression Methods 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000005192 partition Methods 0.000 description 1
- 230000002085 persistent effect Effects 0.000 description 1
- 238000012913 prioritisation Methods 0.000 description 1
- 230000000644 propagated effect Effects 0.000 description 1
- 238000007637 random forest analysis Methods 0.000 description 1
- 230000002829 reductive effect Effects 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 230000011664 signaling Effects 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 239000013589 supplement Substances 0.000 description 1
- 230000002459 sustained effect Effects 0.000 description 1
- 230000002123 temporal effect Effects 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 230000001960 triggered effect Effects 0.000 description 1
Classifications
-
- 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
- H04L67/50—Network services
- H04L67/51—Discovery or management thereof, e.g. service location protocol [SLP] or web services
-
- 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
-
- 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
- G06F9/451—Execution arrangements for user interfaces
- G06F9/452—Remote windowing, e.g. X-Window System, desktop virtualisation
-
- 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
- G06F9/54—Interprogram communication
- G06F9/547—Remote procedure calls [RPC]; Web services
-
- 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
- H04L67/02—Protocols based on web technology, e.g. hypertext transfer protocol [HTTP]
-
- 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
- H04L67/2866—Architectures; Arrangements
- H04L67/30—Profiles
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2209/00—Indexing scheme relating to G06F9/00
- G06F2209/54—Indexing scheme relating to G06F9/54
- G06F2209/544—Remote
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
Landscapes
- Engineering & Computer Science (AREA)
- Software Systems (AREA)
- Theoretical Computer Science (AREA)
- Signal Processing (AREA)
- Computer Networks & Wireless Communication (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Data Mining & Analysis (AREA)
- Medical Informatics (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Human Computer Interaction (AREA)
- Stored Programmes (AREA)
- Mobile Radio Communication Systems (AREA)
- Telephonic Communication Services (AREA)
Abstract
描述了用于对由信息处置系统(IHS)执行的应用程序进行远程协助优化的系统和方法的实施方案。在说明性的非限制性实施方案中,一种IHS可包括用于进行以下操作的计算机可执行指令:使用应用程序机器学习(ML)引擎来确定目标应用程序的一个或多个应用程序性能特征,以及根据所述确定的应用程序性能特征而为所述目标应用程序生成一个或多个应用程序配置文件建议。使用所述配置文件建议,所述指令调整所述IHS的一个或多个设定以优化所述目标应用程序的性能,并且向服务器传输所述应用程序配置文件建议,所述服务器被配置为对所述目标应用程序提供服务。所述服务器之后使用所述一个或多个应用程序配置文件建议来提供所述服务以供所述目标应用程序使用。
Description
技术领域
本公开总体涉及信息处置系统(IHS),并且更特别地涉及一种用于对本地服务进行远程协助优化的系统和方法。
背景技术
随着信息价值和使用的不断增加,个体和企业一直在寻求处理和存储信息的其他方式。对用户可行的一个选项是信息处置系统(IHS)。IHS通常处理、编译、存储和/或传达用于商业、个人或其他目的的信息或数据,从而允许用户利用这些信息的价值。由于技术以及信息处置需求和要求在不同用户或应用之间有所变化,因此IHS关于以下方面也可能会有变化:处置什么信息,如何处置信息,处理、存储或传达多少信息,以及可多快速且多高效地处理、存储或传达信息。IHS的变化允许IHS是通用的,或者针对特定用户或特定用途(诸如财务交易处理、航班订票、企业数据存储或全球通信)进行配置。此外,IHS可包括可被配置为处理、存储和传达信息的各种硬件和软件部件,并且可包括一个或多个计算机系统、数据存储系统以及联网系统。
IHS经常通过网络来通信以执行通常被称为云服务的处理任务。一般而言,客户端IHS通过网络与服务器IHS建立通信以执行许多类型的云服务。不同类型的网络以不同的数据传送速率支持不同类型的通信。网络的实例包括但不限于:互联网、公共交换电话网络(PSTN)以及手机电信提供商的无线电网络。
第五代(5G)蜂窝网络已将其服务区域划分为更小的地理区域或“分区”。位于分区内的无线装置经由天线通过无线电波连接到5G网络。不同于其前身,5G网络支持高达每秒10吉比特的极大带宽的通信,从而产生可提供的众多新的云服务。5G还引入了蜂窝网络切片的概念。具体地,5G网络切片使得能够在同一物理网络基础设施上实现虚拟化和独立逻辑网络的多路复用。每个网络切片是孤立的端对端网络,所述端对端网络被定制为满足客户端IHS上执行的给定目标应用程序所请求的不同的服务质量或“QoS”要求。
然而,正如发明人所认识到的,常规的云服务实现方式仅通过服务器IHS或客户端IHS提供优化,而无法考虑到彼此的独特要求。考虑到这些问题,本文公开了本公开的实施方案。
发明内容
描述了用于对由信息处置系统(IHS)执行的应用程序进行远程协助优化的系统和方法的实施方案。在说明性的非限制性实施方案中,一种IHS可包括用于进行以下操作的计算机可执行指令:使用应用程序机器学习(ML)引擎来确定目标应用程序的一个或多个应用程序性能特征,以及根据所述确定的应用程序性能特征而为所述目标应用程序生成一个或多个应用程序配置文件建议。使用所述配置文件建议,所述指令调整所述IHS的一个或多个设定以优化所述目标应用程序的性能,并且向服务器传输所述应用程序配置文件建议,所述服务器被配置为对所述目标应用程序提供服务。所述服务器之后使用所述一个或多个应用程序配置文件建议来提供所述服务以供所述目标应用程序使用。
在另一个说明性的非限制性实施方案中,所述指令还被执行来根据所述应用程序配置文件建议而在所述IHS与所述服务器之间提供通信链路。由于某些云通信网络,诸如第五代(5G)技术蜂窝网络可提供具有变化的服务质量(QoS)能力的通信链路,因此本公开的实施方案利用这种能力来根据使用链路的应用程序的性能要求而调整通信链路。在一些情况下,所述通信链路可通过生成包括一个或多个网络功能(NF)的容器来提供。
在另一个说明性的非限制性实施方案中,所述服务器被配置为通过以下方式来提供所述服务:使用服务ML引擎来确定所述服务的某些服务性能特征,根据这些服务性能特征而为所述服务生成一个或多个服务配置文件建议,以及使用所述服务配置文件建议来调整所述服务的一个或多个设定以优化所述服务的性能。所述服务器还可被配置为将所述服务配置文件建议存储在服务器存储器中,并且在先删除,然后重新建立所述IHS与所述服务器之间的通信链路的稍后的时间点,使用所述服务配置文件建议来调整所述服务的一个或多个设定以优化所述服务的性能。
在又一个说明性的非限制性实施方案中,所述指令可从所述服务器接收所述服务配置文件建议,根据所述接收的服务配置文件建议而加强所述应用程序配置文件建议,并且调整所述IHS的所述设定以进一步优化所述目标应用程序的所述性能。
在又一个说明性的非限制性实施方案中,所述指令可在持续的间隔处或在已经越过所述应用程序性能特征中的至少一者的指定阈值时重复前述动作。
附图说明
本发明通过举例来说明并且不限于附图,在附图中,相似的附图标记指示相似的元件。附图中的元件是为了简单清楚起见而示出,并且不一定按比例绘制。
图1示出了根据本公开的一个实施方案的示例迭代云服务优化系统。
图2是示出根据本公开的一个实施方案的被配置为管理与无线对接站的通信链路的示例IHS的示例部件的框图。
图3示出了根据本公开的一个实施方案的可在云计算环境中实现的客户端IHS和服务器IHS中的每一者的若干元件。
图4A和图4B示出了示例方法,其示出了客户端IHS可如何与服务器IHS一起发挥作用来提供对提供到应用程序的服务的端对端(E2E)优化。
具体实施方式
本公开的实施方案提供了一种用于对本地服务进行远程协助机器学习(ML)优化的系统和方法,其中客户端IHS和服务器IHS两者以迭代方式通信以优化由服务器IHS提供到客户端IHS的服务。鉴于常规的云服务实现方式仅通过服务器IHS或客户端IHS提供优化,而无法考虑到彼此的独特要求,本公开的实施方案提供了一种技术,其中对客户端IHS执行的优化可生成配置文件建议,所述配置文件建议可与服务器IHS上执行的对应的ML优化共用来进一步加强所得的提供到由服务器IHS提供的服务的优化。此外,服务器IHS可与客户端IHS分享其配置文件建议以进一步加强所得的提供到使用服务的应用程序的优化。
现今的云服务具有同时为多个客户端托管服务的能力。诸如VMWARE的HORIZON和AIRWATCH的许多当前的实现方式可向远程客户端提供虚拟服务。实现方式通常涉及配置有代理或虚拟机的客户端,所述代理或虚拟机提供对这些托管服务的连接。然而,通常使用由云管理员手动管理的基本装置类型能力和服务来完成提供。这些实现方式大部分针对企业环境,并且往往需要固定时延、高带宽通信链路,诸如由陆上线路提供的那些。在此类情况下,性能优化通常被认为是服务器的职责,由于客户端上存在相对较大的计算负荷水平,从而使得性能优化是不切实际的。虽然云中的服务器被优化来服务于适当数量的客户端,但是网络通常是数据(例如,有效负荷、遥测数据等)传送的主要瓶颈之一。局域网(LAN)连接可能会降低移动性,并且在许多情况下仍然是不切实际的。另外地,一旦完成提供服务的职责,客户端就不具有对云服务进行协调优化的职责。
随着5G技术的出现,传统通信网络(3G、4G等)的时延和带宽限制可降低将近10倍。考虑到这个相对较大的吞吐量的增强,客户端装置可另外利用5G网络增强的能力来实时传送遥测数据。然而,常规的云服务如本文以上所描述不具备及时地从与客户端应用程序的运行工作负荷保持相关的远程服务器接收优化配置文件的能力。
图1示出了根据本公开的一个实施方案的示例迭代云服务优化系统100。系统100包括与一个或多个服务器IHS 104通信的客户端IHS 102,所述一个或多个服务器IHS各自经由云通信网络110使一个或多个服务106服务于客户端IHS 102上执行的应用程序108。客户端IHS 102包括机器学习(ML)引擎112以优化应用程序108的性能,而服务器IHS 104包括服务ML引擎114以优化提供到客户端IHS 102的服务106的性能。如本文以下将详细地描述的,应用程序ML引擎112将其配置文件建议传输到服务ML引擎114以加强提供到服务106的性能的优化,而服务ML引擎114反过来将其配置文件建议传输到应用程序ML引擎112以加强提供到应用程序108的性能的优化。配置文件建议的共享可在多个循环内执行以迭代地提高由应用程序108和提供到应用程序108的服务106两者提供的性能的水平。
在新出现的5G电信网络拓扑下,提供到客户端的服务的数量和类型可能会广泛地变化。例如,已经定义了三种代表性的服务类别:增强型移动宽带(eMBB);超可靠低时延通信(uRLLC);以及海量机器类型通信(mMTC)。eMBB主要涉及带宽,即在任何给定的时间段内可传输的数据量。另一方面,URLLC主要涉及能保证数据多快地到达目的地。mMTC主要涉及机器之间的完全自动的数据生成、处理、交换以及驱动。然而,真实世界用例可能不一定仅仅是eMBB、uRLLC或mMTC,而是依赖于三者的性质的结合。
例如,观看超高清晰度(UHD)视频或3D视频需要大量带宽,伴有一些可靠性和时延要求,并且因此更接近eMBB服务类别。以触发惊人数量的消息、机器交互和自动化动作的交互式传感器为例的“物联网”(IOT)装置更接近于mMTC服务类别,而自动驾驶汽车可能特别依赖于快速而可靠的消息传递并且因此更接近于uRLLC服务类别。在三种服务类别之间具有要求的其他服务可包括工业自动化,这可被视为与任务关键型IOT类似的通信,但是存在更宽松的时机和可靠性需求,而伴有较高的数据需求,可能是为了与人类交互。多媒体(语音、视频)通信、游戏和UHD/3D视频可能涉及到人类或与人类的通信,这具有在很大程度上归因于个人对反馈的依赖的一定的时延/可靠性要求。游戏的略微不同之处在于,相较于语音/视频通信,它需要更多数据带宽,但是具有类似的时延/可靠性要求。另外地,UHD/3D视频观看需要相对较高的带宽水平,而在显示装置处或附近缓存可能会导致宽松的时延和可靠性要求。因此,可看到,由5G网络拓扑提供的服务可有相对较大程度的变化,使得由客户端IHS 102和服务器IHS 104两者提供的协作优化可能不仅是有益的,而且是完全实现可由新的5G网络提供的整体性能提升所需的。
图2是示出根据本公开的一个实施方案的被配置为管理与无线对接站的通信链路的示例IHS 200的部件的框图。IHS 200可完全实现为客户端IHS 102或服务器IHS 104,或者实现为它们的一部分。如所示,IHS 200包括执行从系统存储器205检索的代码的一个或多个处理器201,诸如中央处理单元(CPU)。尽管IHS 200被示出为具有单个处理器201,但是其他实施方案可包括两个或更多个处理器,所述处理器各自可相同地配置,或提供专门的处理操作。处理器201可包括能够执行程序指令的任何处理器,诸如Intel PentiumTM系列处理器,或者实现各种指令集架构(ISA)(诸如x86、 或ISA、或任何其他合适的ISA)中的任一者的任何通用或嵌入式处理器。
在图2的实施方案中,处理器201包括可直接在处理器201的电路内实现的集成存储器控制器218,或者存储器控制器218可为位于与处理器201相同的管芯上的单独的集成电路。存储器控制器218可被配置为管理经由高速存储器接口204往返于IHS 200的系统存储器205的数据传送。联接到处理器201的系统存储器205为处理器201提供了在处理器201执行计算机程序指令时可使用的高速存储器。
因此,系统存储器205可包括适合于支持处理器201进行高速存储器操作的存储器部件,诸如静态RAM(SRAM)、动态RAM(DRAM)和/或NAND闪存存储器。在某些实施方案中,系统存储器205可将永久性、非易失性存储器与易失性存储器进行组合。在某些实施方案中,系统存储器205可包括多个可移除存储器模块。
IHS 200利用芯片组203,所述芯片组可包括连接到处理器201的一个或多个集成电路。在图2的实施方案中,处理器201被示出为芯片组203的部件。在其他实施方案中,所有芯片组203、或芯片组203的多个部分可直接在处理器201的集成电路内实现。芯片组203为一个或多个处理器201提供了对可经由总线202访问的各种资源的访问。在IHS 202中,总线202被示出为单个元件。各种实施方案可利用任何数量的单独的总线来提供由总线202提供的所示的路径。
在各种实施方案中,IHS 202可包括一个或多个I/O端口216,所述I/O端口可支持与各种类型的外部装置和系统的可移除的联接,包括与可被配置成供IHS 200的特定用户操作的外围装置的可移除的联接。例如,I/O端口216可包括USB(通用串行总线)端口,通过所述USB端口,各种外部装置可联接到IHS 200。作为对USB端口的补充或替代,I/O端口216可包括用户经由IHS 200的外壳可触及的各种类型的物理I/O端口。
在某些实施方案中,芯片组203可另外地利用一个或多个I/O控制器210,所述I/O控制器各自可支持诸如用户I/O装置211的硬件部件的操作,所述硬件部件可包括物理地联接到I/O端口216的外围部件和/或经由网络接口209无线地联接到IHS 200的外围部件。在各种实现方式中,I/O控制器210可支持一个或多个用户I/O装置211的操作,诸如键盘、鼠标、触控板、触摸屏、传声器、扬声器、相机以及可联接到IHS 200的其他输入和输出装置。用户I/O装置211可通过由IHS 200支持的有线或无线联接而与I/O控制器210对接。在一些情况下,I/O控制器210可支持诸如用户I/O装置211的受支持的外围装置的可配置的操作。
如所示,各种额外的资源可通过芯片组203联接到IHS 200的一个或多个处理器201。例如,芯片组203可联接到可支持不同类型的网络连接的网络接口209。IHS 200还可包括一个或多个网络接口控制器(NIC)222和223,其中每一者可实现经由特定联网技术(诸如Wi-Fi、蓝牙、以太网以及移动蜂窝网络(例如,CDMA、TDMA、LTE))通信所需的硬件。网络接口209可支持有线网络控制器222和无线网络控制器223的网络连接。每个网络控制器222和223可经由各种总线联接到芯片组203以支持不同类型的网络连接,诸如由IHS 200利用的网络连接。
芯片组203还可经由图形处理器207提供对一个或多个显示装置208和213的接入。图形处理器207可被包括在视频卡、图形卡内,或者安装在IHS 200内的嵌入式控制器内。另外地或可选地,图形处理器207可被集成在处理器201内,诸如片上系统(SoC)的部件。图形处理器207可生成显示信息,并且向联接到IHS 200的一个或多个显示装置208和213提供所生成的信息。
联接到IHS 200的一个或多个显示装置208和213可利用LCD、LED、OLED或其他显示技术。每个显示装置208和213可能能够诸如经由触摸控制器接收触摸输入,所述触摸控制器可为显示装置208和213或图形处理器207的嵌入部件,或者所述触摸控制器可为IHS 200的经由总线202接入的单独的部件。在一些情况下,响应于IHS 200进入低功率状态(例如,待机),可关闭图形处理器207、集成显示装置208和/或外部显示装置213的电源,或将所述电源配置为以最低功率电平进行操作。
如所示,IHS 200可支持集成显示装置208,诸如集成到膝上型计算机、平板计算机、2合1可转换装置或移动装置中的显示器。IHS 200还可支持一个或多个外部显示装置213的使用,诸如可经由各种类型的联接,诸如通过将缆线从外部显示装置213连接到IHS200的外部I/O端口216而联接到IHS 200的外部监视器。在某些情况下,可为特定用户配置集成显示装置208和外部显示装置213的操作。例如,特定用户可能偏好特定亮度设定,所述特定亮度设定可基于当日时间和环境照明条件而改变显示亮度。
芯片组203还为处理器201提供了对一个或多个存储装置219的访问。在各种实施方案中,存储装置219可与IHS 200成一整体或可在IHS 200的外部。在某些实施方案中,存储装置219可经由可能为存储装置的集成部件的存储控制器来访问。存储装置219可使用允许IHS 200存储和检索数据的任何存储器技术来实现。例如,存储装置219可为磁性硬盘存储驱动器或固态存储驱动器。在某些实施方案中,存储装置219可为存储装置的系统,诸如可经由网络接口209访问的云系统或企业数据管理系统。
如所示,IHS 200还包括基本输入/输出系统(BIOS)217,所述BIOS可存储在芯片组203可经由总线202访问的非易失性存储器中。在启动或重启IHS 200时,一个或多个处理器201可利用BIOS 217指令来初始化并测试联接到IHS 200的硬件部件。BIOS 217指令还可加载操作系统(OS)(例如,WINDOWS、MACOS、iOS、ANDROID、LINUX等)以供IHS 200使用。
BIOS 217提供允许操作系统与IHS 200的硬件部件对接的抽象层。统一可扩展固件接口(UEFI)被设计为BIOS的继任者。因此,许多现代IHS利用UEFI来对BIOS进行补充或替代。如本文所使用,BIOS也意图涵盖UEFI。
如所示,某些IHS 200实施方案可利用能够从各种传感器采样和/或收集数据的传感器中枢214。例如,传感器中枢214可利用能够确定IHS 202的各种部件(例如,CPU 201、GPU 207、系统存储器205等)的电力消耗的一个或多个硬件资源传感器212,所述硬件资源传感器可包括电流或电压传感器。在某些实施方案中,传感器中枢214还可包括基于网络信号信息的三角测量和/或基于可经由OS或位置子系统,诸如GPS模块访问的信息而确定IHS200的位置和移动的能力。
在一些实施方案中,传感器中枢214可支持一个或多个接近传感器215,包括光学传感器、红外传感器和/或声纳传感器,所述接近传感器可被配置为提供用户存在于IHS200附近,不存在于IHS 200处和/或与IHS 200相距的距离(例如,近场、中场或远场)的指示。
在某些实施方案中,传感器中枢214可为联接到IHS 200的母板的独立的微控制器或其他逻辑单元。传感器中枢214可为并入到处理器201中的集成片上系统的部件,并且所述传感器中枢可经由总线连接,诸如内部集成电路(I2C)总线或其他合适类型的总线连接而与芯片组203通信。传感器中枢214还可利用I2C总线来与由IHS 200支持的各种传感器通信。
如所示,IHS 200可利用嵌入式控制器(EC)220,所述EC可为IHS 200的母板部件并且可包括一个或多个逻辑单元。在某些实施方案中,EC 220可从与主处理器201以及因此IHS 200的OS操作分离的电源层进行操作。由EC 220利用的固件指令可用于操作安全的执行系统,所述安全的执行系统可包括用于提供IHS 200的各种核心功能,诸如电源管理、IHS200可物理地配置的操作模式的管理以及对某些集成I/O功能的支持的操作。
EC 220还可实现用于与电源适配器传感器221对接以管理IHS 200的电源的操作。这些操作可被用于确定IHS 200的电源状态,诸如IHS 200是从电池电源操作还是插入到AC电源中(例如,IHS是以仅AC模式、仅DC模式,还是AC+DC模式操作)。在一些实施方案中,EC220和传感器中枢214可经由带外信号传递路径或总线224通信。
在各种实施方案中,IHS 200可能不包括图2所示的部件中的每一者。另外地或可选地,除了图2所示的那些部件之外,IHS 200还可包括各种额外的部件。另外,在某些实施方案中,在图2中表示为单独部件的一些部件可替代地与其他部件集成。例如,在某些实施方案中,由所示的部件提供的所有或一部分的功能可替代地由集成到一个或多个处理器201中作为SoC的部件提供。
图3示出了根据本公开的一个实施方案的可在云计算环境中实现的客户端IHS102和服务器IHS 104中的每一者的若干元件。如所示,客户端IHS 102经由诸如5G电信网络的通信网络110而与服务器IHS 104通信。
一般而言,第五代(5G)蜂窝网络支持高达每秒10吉比特的大带宽通信,并且使得新的应用程序变得可行。5G还引入了蜂窝网络切片的概念。特别地,5G网络切片使得能够在同一物理网络基础设施上实现虚拟化和独立逻辑网络的多路复用。每个网络切片是孤立的端对端网络,所述端对端网络被定制为满足给定应用程序所请求的不同的服务质量或“QoS”要求。
客户端IHS 102可表示与预期无线通信的用户或接收方相关联的无线通信装置(例如,电话、平板计算机、手表、膝上型计算机等)。客户端IHS 102包括应用程序ML引擎112、客户端数据库302以及应用程序配置文件管理器304,所述应用程序配置文件管理器与客户端IHS 102上配置的一个或多个应用程序108通信以产生用于优化应用程序108的性能的系统。应用程序ML引擎112接收与应用程序108的操作相关联的遥测数据,并且对由应用程序108使用5G蜂窝网络切片而生成的网络流量进行分类,并且生成一个或多个配置文件建议以优化应用程序108的性能。
应用程序配置文件管理器304可完全或部分地作为客户端IHS 102上的软件代理操作来从应用程序ML引擎112接收配置文件建议,以调整客户端IHS 102的一个或多个设定来优化应用程序108的性能。在一个实施方案中,应用程序配置文件管理器304可被配置为提供容器308,所述容器包括一个或多个网络功能(NF)310。此类容器的实例可包括DOCKER、或提供编排好的容器的集群的一者,诸如KUBERNETES。尽管应用程序配置文件管理器304在本文中被示出和描述为在客户端IHS 102请求时提供容器308,但是应了解,应用程序配置文件管理器304可被配置为在应用程序108请求时提供接至通信网络的其他接口(例如,NF),诸如物理机(裸机)、虚拟机(VM)等等。
一般而言,容器308中的网络功能310可用于支持客户端IHS 102与服务器IHS 104之间的通信。也就是说,NF 310是5G系统架构中的为网络中的客户端和服务器提供服务的节点。网络功能(NF)的实例可包括HTTPS服务器NF、数据库NF、网络元件NF(诸如路由功能)、主机防火墙NF、分组网关NF等等。在许多情况下,为这些Nf指定参数将是有益的,因为所述Nf被提供用来根据服务类型(例如,eMBB、uRLLC、mMTC和/或其某一组合)而优化网络上的通信。根据本公开的实施方案,应用程序配置文件管理器304从应用程序ML引擎112接收配置文件建议并且为Nf 310选择优化利用5G网络的通信的参数。
客户端数据库302被提供用于存储由应用程序配置文件管理器304生成的配置文件建议312。当应用程序ML引擎112生成配置文件建议时,所述配置文件建议被提供到应用程序配置文件管理器304以优化应用程序,并且提供到服务器配置文件管理器320以优化服务106。应用程序配置文件管理器304还将配置文件建议312存储在数据库302中以供后续使用。例如,在第一次使用应用程序108期间,应用程序配置文件管理器304可结合服务器配置文件管理器320一起工作来协作地优化应用程序108以及提供到应用程序108的服务106。由于存储了配置文件建议312,因此当在稍后的日期或时间使用应用程序108来访问服务106时,应用程序配置文件管理器304可访问所存储的配置文件建议以进一步优化应用程序108以及由应用程序108使用的对应的服务106。
如所示,服务器IHS 104可表示在需要时使一个或多个服务106服务于应用程序108的单个IHS 104。在其他实施方案中,服务器IHS 104可表示为了使一个或多个服务106服务于应用程序108而一起发挥作用的多个IHS 104。服务器IHS 104包括服务106、服务ML引擎114、服务器数据库318以及服务器配置文件管理器320,所述服务器配置文件管理器与服务器IHS 104上配置的一个或多个服务106通信,以使用从服务ML引擎114获得的配置文件建议以及从应用程序ML引擎112获得的配置文件建议来产生用于向客户端IHS 102提供服务106的系统。
服务ML引擎114接收与服务106的操作相关联的遥测数据,并且生成一个或多个配置文件建议以优化服务106的性能。服务器配置文件管理器320可完全或部分地作为服务器IHS 104上的软件代理操作来从服务ML引擎114接收配置文件建议,并且调整服务106的一个或多个设定以优化其性能。类似于应用程序配置文件管理器304,服务器配置文件管理器320可被配置为提供容器324,所述容器包括用作接至通信网络110的接口的一个或多个网络功能326。
应用程序ML引擎112和服务ML引擎114各自监测与目标应用程序108和服务106的操作相关联的数据以对它们的性能进行表征。例如,应用程序ML引擎112或服务ML引擎114各自可从客户端IHS 102上运行的其他过程和/或直接从IHS 100中配置的传感器212、215、221获得遥测数据,以分别确定与目标应用程序108或服务106相关联的一个或多个性能特征。在各种实施方案中,应用程序ML引擎112或服务ML引擎114可从能量估计引擎,诸如MICROSOFT E3引擎获得遥测数据,所述能量估计引擎被配置为提供IHS中按应用程序、服务、任务和/或硬件分类的能量使用数据。在一些情况下,进程(例如,能量估计引擎)可使用被配置为确定例如目标应用程序108是在IHS的图形用户界面(GUI)的前台中还是在后台中执行(例如,最小化、隐藏等)的软件和/或硬件传感器。
一旦应用程序ML引擎112或服务ML引擎114已经在一段时间内收集了特性,它们就可使用统计描述符来处理所收集的数据以分别提取目标应用程序108或服务106的应用性能特征。例如,应用程序ML引擎112和服务ML引擎114可随时间的推移而监测其相应的IHS以估计其关于各个方面的资源使用,诸如由目标应用程序108执行的哪些动作致使某些资源遭遇负荷,客户端IHS 102上发生的事件致使目标应用程序108需要相对较高的资源使用水平,以及遭遇这些动作的当日时间段。一旦应用程序ML引擎112和服务ML引擎114已经在一段时间内收集了特性,它们就可使用统计描述符来处理所收集的数据以提取与目标应用程序108或服务106相关联的应用性能特征。服务ML引擎114和应用程序ML引擎112中的两者或任一者可使用机器学习算法,例如像Bayesian算法、线性回归算法、决策树算法、随机森林算法、神经网络算法等等。在一个实施方案中,应用程序配置文件管理器304和/或服务器配置文件管理器320可包括DELL PRECISION OPTIMIZER的特征或形成其一部分。
图4示出了方法400,其示出了客户端IHS 102可如何与服务器IHS 104一起发挥作用来提供对提供到应用程序108的服务106的端对端(E2E)优化。特别地,步骤402-406、410、412和426-430是可由客户端IHS 102执行的那些步骤,步骤414-418、422和424是可由服务器IHS 104执行的那些步骤,并且步骤408和420是可由云通信网络110执行的那些步骤。重要的是应注意,所公开的方法400的步骤可在客户端IHS 102与服务器IHS 104之间的通信会话期间多次地执行以迭代地优化应用程序108和服务106的性能。也就是说,第一次可执行步骤以在客户端IHS 102与服务器IHS 104之间最初地建立链路(例如,切片),并且协作地优化应用程序108和服务106的性能,并且在稍后的时间点,再次执行方法400的步骤来迭代地增强应用程序108和服务106的性能。
在步骤402处,应用程序配置文件管理器304获得与应用程序108有关的遥测属性。如果第一次执行方法400,则应用程序配置文件管理器304可获得应用程序108的先前使用期间已经获得的与应用程序108有关的遥测数据,诸如应用程序108何时从云通信网络110访问不同服务。另外地,应用程序配置文件管理器304可获得与可能与应用程序108相关联的服务类型(例如,eMBB、uRLLC、mMTC)有关的一般信息以获得遥测数据。然而,如果再次执行方法400,则应用程序配置文件管理器304可获得自上一次执行方法400以来已经获得的与应用程序108相关联的遥测属性。这些遥测属性可在步骤404处由应用程序ML引擎112使用来为应用程序配置文件管理器304生成初始配置文件建议。在此之后,在步骤406处,应用程序配置文件管理器304提供容器308以通过云通信网络110基于从应用程序ML引擎112接收的配置文件建议而建立通信。云通信网络110之后接收与容器308相关联的属性以在步骤408处在客户端IHS 102与服务器IHS 104之间分配链路。在云通信网络110包括5G网络的特定实施方案中,可将切片实例化。
在步骤410处,应用程序配置文件管理器304根据由应用程序ML引擎112生成的配置文件建议而优化应用程序108。应用程序配置文件管理器304可以任何合适的方式优化应用程序。在一个实施方案中,应用程序配置文件管理器304通过优化用于支持在客户端IHS102上执行应用程序108的一个或多个资源,诸如CPU 201、GPU 207和/或存储体(例如,系统存储器205)而优化应用程序108。例如,应用程序配置文件管理器304可通过调整施加到CPU的功率电平,和/或调整CPU的超频或降频水平而优化CPU 201。应用程序配置文件管理器304还可通过调整GPU的帧率(通常以每秒帧数(FPS)评估)、刷新率或计算帧率中的一者或多者而优化GPU 207。在另一个实例中,应用程序配置文件管理器304可通过以下方式来优化存储体:调整存储单元的写入优化设定或读取优化设定,或者增大或减小所述存储体在RAM存储器中的缓存大小,以应对由存储资源引发的负荷水平。
在步骤412处,应用程序配置文件管理器304将配置文件建议传输到服务器IHS104并且将配置文件建议的拷贝(例如,快照)存储在客户端数据库302中。服务ML引擎114接收这些配置文件建议(步骤414),并且连同所获得的与服务106有关的遥测数据一起在步骤416处为服务器配置文件管理器320生成加强的配置文件建议。在本公开内,加强的配置文件建议是指与服务106相关联的已经被加强为包括根据应用程序108的操作生成的配置文件建议的配置文件建议。
在此之后,在步骤418处,服务器配置文件管理器320提供服务器容器324,以使用从应用程序ML引擎112和服务ML引擎114两者获得的加强的配置文件建议通过云通信网络110建立与客户端IHS 102上运行的应用程序108通信的通信。云通信网络110之后在步骤420处根据服务器容器324中生成的属性而调整链路(例如,切片)。
服务器配置文件管理器320另外在步骤422处使用由服务ML引擎114和应用程序ML引擎112提供的加强的配置文件建议来提供服务106。例如,服务器配置文件管理器320可通过调整服务器IHS 104的用于支持或执行服务106的资源(例如,CPU、GPU、存储体等)来提供服务106。在步骤424处,服务器配置文件管理器320将加强的配置文件建议传输到客户端IHS 102,并且将拷贝存储在服务器数据库318中。
在步骤426处,应用程序ML引擎112基于从服务器配置文件管理器320获得的加强的配置文件建议以及所述应用程序ML引擎在步骤404处生成的配置文件建议而生成进一步加强的配置文件建议。在步骤428处,应用程序配置文件管理器304使用进一步加强的配置文件建议来迭代地调整与客户端容器308相关联的设定,以迭代地增强所述客户端容器的性能,并且在步骤430处,所述应用程序配置文件管理器使用那些进一步加强的配置文件建议来迭代地调整与应用程序108相关联的设定。
此时,服务106已经提供好供应用程序108使用,并且在客户端IHS 102与服务器IHS 104之间建立通信链路,使得应用程序108可消耗由服务106提供的资源(例如,信息、计算、算法等)。此外,应用程序108和服务106两者已经基于所获得与其本身操作以及彼此之间的操作有关的遥测数据进行了优化。
在步骤432处,所述方法继续进行步骤404处的处理以根据应用程序要求而迭代地优化服务和链路。也就是说,在应用程序108继续使用服务106时,可重复地执行方法400的步骤以进一步优化应用程序108和服务106两者。可在任何合适的时间重复方法400的步骤。例如,可在指定的持续的时间间隔处(例如,每5秒、每30秒、每2分钟等)持续地执行方法400的步骤,使得能够持续地优化应用程序108和服务106的性能。在另一个实施方案中,应用程序配置文件管理器304或服务器配置文件管理器320中的任一者或两者可在已经越过特定遥测数据元素的指定阈值时,诸如在用户开始以不同的方式使用应用程序108时被触发来执行方法400的步骤,从而产生一组新的配置文件建议,该组新的配置文件建议应当会被用于优化应用程序108以及由应用程序108使用的服务106中的每一者的性能。在又一个实施方案中,甚至是在应用程序108没有使用或访问服务106一段时间之后,诸如在客户端IHS102关闭时,或者在应用程序108当前并未在客户端IHS 102上执行时,可再次执行方法400的步骤。在这种情况下,当应用程序108再次请求与服务106通信时,应用程序配置文件管理器304可访问客户端数据库302以确定是否找到请求使用指定服务106的该应用程序108的配置文件建议,并且如果为是,则应用程序配置文件管理器304可访问存储在客户端数据库302中的配置文件建议312,并且通过方法400的其他步骤来继续操作。然而,当不再需要或期望使用方法400时,方法400结束。
尽管图4描述了可由IHS 100执行来增强目标应用程序以及提供到应用程序108的服务106的性能水平的过程的一个实例,但是在不偏离本公开的精神和范围的情况下,可以其他特定形式体现所公开的过程的特征。例如,所公开的过程的某些步骤可顺序地执行,或者可选地,这些步骤可同时执行。作为另一个实例,方法400可执行比如当前实例中所描述的那些操作更多、更少或不同的操作。作为又一个实例,本文描述的过程的步骤可由不同于客户端IHS 102的计算系统,诸如存在于云网络中与客户端IHS 102通信的另一个云服务来执行以实现上文描述的ML增强特征。
应理解,本文描述的各种操作可在由处理电路执行的软件、硬件或其组合中实现。可改变执行给定方法的每个操作的次序,并且可对各种操作进行添加、重新排序、组合、省略、修改等。本文描述的一个或多个发明意图包涵所有此类修改和变化,并且因此上文描述应被视为具有说明性而非限制性意义。
如本文所使用的术语“有形”和“非暂时性”意图描述将传播的电磁信号排除在外的计算机可读存储介质(或“存储器”);但是并不意图以其他方式限制由短语计算机可读介质或存储器涵盖的物理计算机可读存储装置的类型。例如,术语“非暂时性计算机可读介质”或“有形存储器”意图涵盖不一定永久地存储信息的存储装置的类型,包括例如RAM。以非暂时性形式存储在有形计算机可访问存储介质上的程序指令和数据随后可通过传输介质或诸如电信号、电磁信号或数字信号的信号来传输,所述信号可经由诸如网络和/或无线链路的通信介质来传送。
尽管本文参考特定实施方案描述了一个或多个发明,但是在不脱离如以下权利要求中所阐述的本发明的范围的情况下,可进行各种修改和改变。因此,说明书和附图被视为具有说明性而非限制性意义,并且所有此类修改意图被包括在本发明的范围内。本文相对于特定实施方案描述的任何益处、优点或问题的解决方案都不意图被解释为任何或所有权利要求的关键、必需、或必要的特征或要素。
除非另有说明,否则诸如“第一”和“第二”的术语用于任意地区分此类术语描述的要素。因此,这些术语不一定意图指示此类要素的时间或其他优先次序。术语“联接”或“可操作地联接”被定义为连接,但是不一定直接地,并且不一定机械地连接。除非另有说明,否则术语“一个/种(a/an)”被定义为一个或多个/种。术语“包含(comprise)”(以及包含的任何形式,诸如“包含(comprises)”和“包含(comprising)”)、“具有(have)”(以及具有的任何形式,诸如“具有(has)”和“具有(having)”)、“包括(include)”(以及包括的任何形式,诸如“包括(includes)”和“包括(including)”),以及“含有(contain)”(以及含有的任何形式,诸如“含有(contains)”和“含有(containing)”)为开放式的连系动词。因此,“包含”、“具有”、“包括”或“含有”一个或多个要素的系统、装置或设备拥有那一个或多个要素,但是不限于仅拥有那一个或多个要素。类似地,“包含”、“具有”、“包括”或“含有”一个或多个操作的方法或过程拥有那一个或多个操作,但不限于仅拥有那一个或多个操作。
Claims (20)
1.一种信息处置系统IHS,所述IHS包括:
至少一个处理器;以及
联接到所述至少一个处理器的至少一个存储器,所述至少一个存储器上存储有程序指令,所述程序指令在由所述至少一个处理器执行时致使所述IHS进行以下操作:
使用应用程序机器学习ML引擎来确定目标应用程序的一个或多个应用程序性能特征;
根据所述确定的应用程序性能特征而为所述目标应用程序生成一个或多个应用程序配置文件建议;
根据所述目标应用程序的所述一个或多个应用程序性能特征,调整所述IHS的一个或多个设定以优化所述目标应用程序的性能;以及
向云服务器传输所述一个或多个应用程序配置文件建议,所述云服务器被配置为对所述目标应用程序提供云服务,其中所述服务器使用所述一个或多个应用程序配置文件建议来提供所述服务以供所述目标应用程序使用。
2.如权利要求1所述的IHS,其中所述指令还被执行来根据所述应用程序配置文件建议而在所述IHS与所述服务器之间提供通信链路。
3.如权利要求2所述的IHS,其中所述通信链路包括第五代5G技术蜂窝网络的切片。
4.如权利要求2所述的IHS,其中所述指令还被执行来通过生成包括一个或多个网络功能NF的容器来提供所述通信链路。
5.如权利要求1所述的IHS,其中所述服务器被配置为通过以下方式来提供所述服务:
使用服务ML引擎来确定所述服务的一个或多个服务性能特征;
根据所述确定的服务性能特征而为所述服务生成一个或多个服务配置文件建议;以及
使用所述服务配置文件建议来调整所述服务的一个或多个设定以优化所述服务的性能。
6.如权利要求5所述的IHS,其中所述服务器还被配置为:
将所述服务配置文件建议存储在服务器存储器中;以及
在先删除,然后重新建立所述IHS与所述服务器之间的通信链路的稍后的时间点,使用所述服务配置文件建议来调整所述服务的一个或多个设定以优化所述服务的所述性能。
7.如权利要求5所述的IHS,其中所述指令还被执行来进行以下操作:
从所述服务器接收所述服务配置文件建议;
根据所述接收的服务配置文件建议而加强所述应用程序配置文件建议;以及
调整所述IHS的所述设定以进一步优化所述目标应用程序的所述性能。
8.如权利要求1所述的IHS,其中所述指令还被执行来进行以下操作:
在持续的间隔处重复以下动作:确定所述应用程序配置文件建议,生成所述配置文件建议,调整所述设定,以及向所述服务器传输所述应用程序配置文件建议。
9.如权利要求1所述的IHS,其中所述指令还被执行来进行以下操作:
在已经越过所述应用程序性能特征遥测数据元素中的至少一者的指定阈值时重复以下动作:确定所述应用程序配置文件建议,生成所述配置文件建议,调整所述设定,以及向所述服务器传输所述应用程序配置文件建议。
10.如权利要求1所述的IHS,其中所述指令还被执行来使用ML提示技术来向所述服务器传输所述应用程序配置文件建议。
11.一种用于对由信息处置系统执行的应用程序进行远程协助优化的方法,所述方法包括:
使用存储在至少一个存储器中并由至少一个处理器执行的指令,使用应用程序机器学习ML引擎来确定目标应用程序的一个或多个应用程序性能特征;
使用所述指令根据所述确定的应用程序性能特征而为所述目标应用程序生成一个或多个应用程序配置文件建议;
根据所述目标应用程序的所述一个或多个应用程序性能特征,使用所述指令调整信息处置系统IHS的一个或多个设定以优化所述目标应用程序的性能;以及
使用所述指令向服务器传输所述一个或多个应用程序配置文件建议,所述服务器被配置为对所述目标应用程序提供服务,其中所述服务器使用所述一个或多个应用程序配置文件建议来提供所述服务以供所述目标应用程序使用。
12.如权利要求11所述的方法,所述方法还包括根据所述应用程序配置文件建议而在所述IHS与所述服务器之间提供通信链路。
13.如权利要求12所述的方法,所述方法还包括通过生成包括一个或多个网络功能NF的容器来提供所述通信链路。
14.如权利要求11所述的方法,所述方法还包括:
使用服务ML引擎来确定所述服务的一个或多个服务性能特征;
根据所述确定的服务性能特征而为所述服务生成一个或多个服务配置文件建议;以及
使用所述服务配置文件建议来调整所述服务的一个或多个设定以优化所述服务的性能。
15.如权利要求14所述的方法,所述方法还包括:
将所述服务配置文件建议存储在服务器存储器中;以及
在先删除,然后重新建立所述IHS与所述服务器之间的通信链路的稍后的时间点,使用所述服务配置文件建议来调整所述服务的一个或多个设定以优化所述服务的性能。
16.如权利要求14所述的方法,所述方法还包括:
从所述服务器接收所述服务配置文件建议;
根据所述接收的服务配置文件建议而加强所述应用程序配置文件建议;以及
调整所述IHS的所述设定以进一步优化所述目标应用程序的所述性能。
17.如权利要求11所述的方法,所述方法还包括:
在持续的间隔处重复以下动作:确定所述应用程序配置文件建议,生成所述配置文件建议,调整所述设定,以及向所述服务器传输所述应用程序配置文件建议。
18.如权利要求11所述的方法,所述方法还包括:
在已经越过所述应用程序性能特征遥测数据元素中的至少一者的指定阈值时重复以下动作:确定所述应用程序配置文件建议,生成所述配置文件建议,调整所述设定,以及向所述服务器传输所述应用程序配置文件建议。
19.如权利要求11所述的方法,所述方法还包括使用ML提示技术来向所述服务器传输所述应用程序配置文件建议。
20.一种存储器存储装置,所述存储器存储装置上存储有程序指令,所述程序指令在由信息处置系统IHS的一个或多个处理器执行时致使所述IHS进行以下操作:
使用应用程序机器学习ML引擎来确定目标应用程序的一个或多个应用程序性能特征;
根据所述确定的应用程序性能特征而为所述目标应用程序生成一个或多个应用程序配置文件建议;
根据所述目标应用程序的所述一个或多个应用程序性能特征,调整所述IHS的一个或多个设定以优化所述目标应用程序的性能;以及
向服务器传输所述一个或多个应用程序配置文件建议,所述服务器被配置为对所述目标应用程序提供服务,其中所述服务器使用所述一个或多个应用程序配置文件建议来提供所述服务以供所述目标应用程序使用。
Applications Claiming Priority (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
US17/146,266 | 2021-01-11 | ||
US17/146,266 US11729279B2 (en) | 2021-01-11 | 2021-01-11 | System and method for remote assisted optimization of native services |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114756312A CN114756312A (zh) | 2022-07-15 |
CN114756312B true CN114756312B (zh) | 2024-03-22 |
Family
ID=82116207
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111317546.6A Active CN114756312B (zh) | 2021-01-11 | 2021-11-08 | 用于对本地服务进行远程协助优化的系统和方法 |
Country Status (3)
Country | Link |
---|---|
US (1) | US11729279B2 (zh) |
CN (1) | CN114756312B (zh) |
DE (1) | DE102022200071A1 (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US11922074B1 (en) | 2020-10-11 | 2024-03-05 | Edjx, Inc. | Systems and methods for a content-addressable peer-to-peer storage network |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6362836B1 (en) * | 1998-04-06 | 2002-03-26 | The Santa Cruz Operation, Inc. | Universal application server for providing applications on a variety of client devices in a client/server network |
CN1662901A (zh) * | 2002-06-25 | 2005-08-31 | 国际商业机器公司 | 用于在分布式环境中监视应用性能的方法和系统 |
CN101334741A (zh) * | 2007-06-27 | 2008-12-31 | 国际商业机器公司 | 对应用进行建模的方法及对应用进行部署的系统 |
CN107209696A (zh) * | 2015-02-03 | 2017-09-26 | 戴尔产品有限公司 | 由应用动态控制的工作负载执行 |
CN110135575A (zh) * | 2017-12-29 | 2019-08-16 | 英特尔公司 | 用于分布式机器学习的通信优化 |
CN110427263A (zh) * | 2018-04-28 | 2019-11-08 | 深圳先进技术研究院 | 一种面向Docker容器的Spark大数据应用程序性能建模方法、设备及存储设备 |
CN111045925A (zh) * | 2019-11-04 | 2020-04-21 | 深圳传音控股股份有限公司 | 应用程序性能参数优化方法、装置及计算机可读存储介质 |
US11397658B1 (en) * | 2020-11-25 | 2022-07-26 | Amazon Technologies, Inc. | Testing recommended compute platforms for a workload |
Family Cites Families (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US10635146B2 (en) * | 2016-01-28 | 2020-04-28 | Dell Products, L.P. | Power monitoring calibration to a target performance level |
US20180218276A1 (en) * | 2017-01-30 | 2018-08-02 | Bank Of America Corporation | Optimizing Application Performance Using Finite State Machine Model and Machine Learning |
US10853093B2 (en) * | 2017-09-29 | 2020-12-01 | Dell Products L.P. | Application profiling via loopback methods |
US10282237B1 (en) * | 2017-10-30 | 2019-05-07 | SigOpt, Inc. | Systems and methods for implementing an intelligent application program interface for an intelligent optimization platform |
US10810502B2 (en) * | 2017-12-01 | 2020-10-20 | Sap Se | Computing architecture deployment configuration recommendation using machine learning |
US11507430B2 (en) * | 2018-09-27 | 2022-11-22 | Intel Corporation | Accelerated resource allocation techniques |
US11029972B2 (en) * | 2019-02-01 | 2021-06-08 | Dell Products, Lp | Method and system for profile learning window optimization |
US11443132B2 (en) * | 2019-03-06 | 2022-09-13 | International Business Machines Corporation | Continuously improve recognition or prediction accuracy using a machine learning model to train and manage an edge application |
US10904109B2 (en) * | 2019-06-04 | 2021-01-26 | Sap Portals Israel Ltd. | Real-time cloud-based resource reallocation recommendation generation |
US11762670B2 (en) * | 2020-02-26 | 2023-09-19 | Red Hat, Inc. | Testing and selection of efficient application configurations |
US20210014133A1 (en) * | 2020-09-25 | 2021-01-14 | Intel Corporation | Methods and apparatus to coordinate edge platforms |
-
2021
- 2021-01-11 US US17/146,266 patent/US11729279B2/en active Active
- 2021-11-08 CN CN202111317546.6A patent/CN114756312B/zh active Active
-
2022
- 2022-01-05 DE DE102022200071.4A patent/DE102022200071A1/de active Pending
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6362836B1 (en) * | 1998-04-06 | 2002-03-26 | The Santa Cruz Operation, Inc. | Universal application server for providing applications on a variety of client devices in a client/server network |
CN1662901A (zh) * | 2002-06-25 | 2005-08-31 | 国际商业机器公司 | 用于在分布式环境中监视应用性能的方法和系统 |
CN101334741A (zh) * | 2007-06-27 | 2008-12-31 | 国际商业机器公司 | 对应用进行建模的方法及对应用进行部署的系统 |
CN107209696A (zh) * | 2015-02-03 | 2017-09-26 | 戴尔产品有限公司 | 由应用动态控制的工作负载执行 |
CN110135575A (zh) * | 2017-12-29 | 2019-08-16 | 英特尔公司 | 用于分布式机器学习的通信优化 |
CN110427263A (zh) * | 2018-04-28 | 2019-11-08 | 深圳先进技术研究院 | 一种面向Docker容器的Spark大数据应用程序性能建模方法、设备及存储设备 |
CN111045925A (zh) * | 2019-11-04 | 2020-04-21 | 深圳传音控股股份有限公司 | 应用程序性能参数优化方法、装置及计算机可读存储介质 |
US11397658B1 (en) * | 2020-11-25 | 2022-07-26 | Amazon Technologies, Inc. | Testing recommended compute platforms for a workload |
Non-Patent Citations (2)
Title |
---|
一种运算和数据协同优化的深度学习编译框架;吴林阳;高技术通讯;第30卷(第02期);120-125 * |
基于J2EE的Web应用程序性能优化;李春奇;科技信息(第12期);255-256 * |
Also Published As
Publication number | Publication date |
---|---|
US20220224759A1 (en) | 2022-07-14 |
DE102022200071A1 (de) | 2022-07-14 |
CN114756312A (zh) | 2022-07-15 |
US11729279B2 (en) | 2023-08-15 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107590001B (zh) | 负载均衡方法及装置、存储介质、电子设备 | |
US11431817B2 (en) | Method and apparatus for management of network based media processing functions | |
US9531775B2 (en) | Mobile application migration to cloud computing platform | |
CN109690512B (zh) | 具有触发操作的gpu远程通信 | |
US8725800B1 (en) | Mobile photo application migration to cloud computing platform | |
US9021120B2 (en) | Optimized video streaming using cloud computing platform | |
US20210021883A1 (en) | Method and apparatus for an enhanced data pipeline | |
CN110058937B (zh) | 用于调度专用处理资源的方法、设备和介质 | |
US11564063B2 (en) | Intelligent dynamic communication handoff for mobile applications | |
WO2022103575A1 (en) | Techniques for modifying cluster computing environments | |
US20210295522A1 (en) | Method for accelerating three-dimensional object segmentation with point cloud simplifications | |
US20220179706A1 (en) | Adaptive resource allocation system and method for a target application executed in an information handling system (ihs) | |
CN112600761A (zh) | 一种资源分配的方法、装置及存储介质 | |
CN110764892A (zh) | 任务处理方法、设备及计算机可读存储介质 | |
CN114756312B (zh) | 用于对本地服务进行远程协助优化的系统和方法 | |
US20230379763A1 (en) | Dynamic continuous quality of service adjustment system | |
US11347615B2 (en) | System and method for context-based performance optimization of an information handling system | |
CN118368287A (zh) | 客户端驱动的云网络访问系统和方法 | |
AU2018303583A1 (en) | Method to set up and tear down cloud environments based on a schedule obtained from one or more hosted calendars | |
US11537440B2 (en) | Infrastructure adaptive consistency level mechanism | |
WO2022240590A1 (en) | Application-centric design for 5g and edge computing applications | |
US11593178B2 (en) | ML-to-ML orchestration system and method for system wide information handling system (IHS) optimization | |
US20210240626A1 (en) | Cache update prediction mechanism | |
US20230034196A1 (en) | Techniques for providing synchronous and asynchronous data processing | |
US20240129353A1 (en) | Systems, apparatus, and methods to improve webservers using dynamic load balancers |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |