CN114942824A - FaaS平台函数预热方法、系统、电子设备及存储介质 - Google Patents

FaaS平台函数预热方法、系统、电子设备及存储介质 Download PDF

Info

Publication number
CN114942824A
CN114942824A CN202210391421.6A CN202210391421A CN114942824A CN 114942824 A CN114942824 A CN 114942824A CN 202210391421 A CN202210391421 A CN 202210391421A CN 114942824 A CN114942824 A CN 114942824A
Authority
CN
China
Prior art keywords
period
time
time period
container
preset
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
CN202210391421.6A
Other languages
English (en)
Inventor
刘畅
毋涛
贾智宇
赵鹏
卢莹
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 United Network Communications Group Co Ltd
Original Assignee
China United Network Communications Group 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 China United Network Communications Group Co Ltd filed Critical China United Network Communications Group Co Ltd
Priority to CN202210391421.6A priority Critical patent/CN114942824A/zh
Publication of CN114942824A publication Critical patent/CN114942824A/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
    • G06F9/44—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
    • G06F2009/45575—Starting, stopping, suspending or resuming virtual machine instances
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
    • Y02D30/00—Reducing energy consumption in communication networks
    • Y02D30/70—Reducing energy consumption in communication networks in wireless communication networks

Landscapes

  • Engineering & Computer Science (AREA)
  • Software Systems (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本公开提供一种FaaS平台函数预热方法、系统、电子设备及计算机可读存储介质，以解决现有技术中FaaS平台中容器要经过从无到有的一个冷启动过程，增加了函数运行的时延的问题，所述方法包括：统计预设周期内划分的各个时间段容器启动事件的触发数据；根据所述触发数据，预测后续若干周期内各个相同时间段容器需要启动的预测值；根据当前时间所处时间段及该时间段对应的预测值进行容器的启动。本公开技术方案能够实现在事件发生前预先启动函数运行时的容器，从而消除冷启动所带来的时延。

Description

FaaS平台函数预热方法、系统、电子设备及存储介质
技术领域
本公开涉及云计算技术领域，具体涉及一种FaaS平台函数预热方法，一种FaaS平台函数预热系统，一种电子设备以及一种计算机可读存储介质。
背景技术
FaaS(Function as a service，函数即服务)函数计算平台是一种新的无服务器云计算模型，自动扩缩容是其最大的优势，在没有事件触发时，容器的实例规模可以缩容到0，因此可以最大程度的节省云端的资源，但是也不可避免的带来了一个问题，那就是冷启动，当一段时间后再次有事件触发要运行函数时，容器要经过从无到有的一个冷启动过程，这就增加了函数运行的时延。
现有的解决FaaS冷启动的方法主要是在现有情况的基础上进行改善，比如加大内存、使用脚本语言、减小代码包大小等等，但这些方式都对函数开发提出了一定的限制和要求，而且也只是在已有情况的基础上做了有限的改善，并不能彻底解决冷启动问题。
发明内容
为了至少解决现有技术中FaaS平台中容器要经过从无到有的一个冷启动过程，增加了函数运行的时延的技术问题，本公开提供一种FaaS平台函数预热方法、FaaS平台函数预热系统、电子设备以及一种计算机可读存储介质，能够实现在事件发生前预先启动函数运行时的容器，从而消除冷启动所带来的时延。
第一方面，本公开提供一种FaaS平台函数预热方法，所述方法包括：
统计预设周期内划分的各个时间段容器启动事件的触发数据；
根据所述触发数据，预测后续若干周期内各个相同时间段容器需要启动的预测值；
根据当前时间所处时间段及该时间段对应的预测值进行容器的启动。
进一步的，所述统计预设周期内划分的各个时间段容器启动事件的触发数据，包括：
根据FaaS平台中容器的运行和等待时间，将预设周期按第一预设时长划分为多个时间段，并且将预设周期内每个时间段按第二预设时长划分为多个子时间段；以及，
记录预设周期内每个时间段中各子时间段容器启动事件实际触发的次数。
进一步的，所述根据所述触发数据，预测后续若干周期内各个相同时间段容器需要启动的预测值，包括：
计算预设周期内每个时间段中全部子时间段容器启动事件实际触发次数的平均值，作为该时间段的周期因子；
将预设周期内每个时间段中各子时间段容器启动事件实际触发次数分别除以对应时间段的周期因子，得到预设周期内每个时间段中各子时间段容器启动事件实际触发次数的对应比值；
分别计算在预设周期全部时间段内的各子时间段的容器启动事件实际触发次数的对应比值的中位数；以及，
根据所述中位数与预设周期内各个时间段的周期因子的乘积，预测后续若干周期内在相同时间段的各个相同子时间段容器需要启动的预测值。
进一步的，所述根据当前时间所处时间段及该时间段对应的预测值进行容器的启动，包括：
根据当前时间所处的时间段得到对应时间段内容器需要启动的预测值；
根据所述需要启动的预测值启动对应数量的容器。
进一步的，所述预设周期为3天-3个月。
进一步的，所述将预设周期按第一预设时长划分为多个时间段，并且将预设周期内每个时间段按第二预设时长划分为多个子时间段包括：
将预设周期按每一天划分为多个时间段；
再将预设周期内的每一天按10-30分钟均分为多个子时间段。
第二方面，本公开提供一种FaaS平台函数预热系统，包括：
统计模块，其设置为统计预设周期内划分的各个时间段容器启动事件的触发数据；
预测模块，其设置为根据所述触发数据，预测后续若干周期内各个相同时间段容器需要启动的预测值；
启动模块，其设置为根据当前时间所处时间段及该时间段对应的预测值进行容器的启动。
进一步的，所述统计模块包括：
划分单元，其设置为根据FaaS平台中容器的运行和等待时间，将预设周期按第一预设时长划分为多个时间段，并且将预设周期内每个时间段按第二预设时长划分为多个子时间段；
记录单元，其设置为记录预设周期内每个时间段中各子时间段容器启动事件实际触发的次数；
所述预测模块包括：
第一计算单元，其设置为计算预设周期内每个时间段中全部子时间段容器启动事件实际触发次数的平均值，作为该时间段的周期因子；
第二计算单元，其设置为将预设周期内每个时间段中各子时间段容器启动事件实际触发次数分别除以对应时间段的周期因子，得到预设周期内每个时间段中各子时间段容器启动事件实际触发次数的对应比值；
第三计算单元，其设置为分别计算在预设周期的全部时间段内的各子时间段的容器启动事件实际触发次数的对应比值的中位数；
预测单元，其设置为根据所述中位数与预设周期内各个时间段的周期因子的乘积，预测后续若干周期内在相同时间段的各个相同子时间段容器需要启动的预测值。
进一步的，所述划分单元具体设置为：
将预设周期按每一天划分为多个时间段；以及，
再将预设周期内的每一天按10-30分钟均分为多个子时间段。
第三方面，本公开提供一种电子设备，包括存储器和处理器，所述存储器中存储有计算机程序，当所述处理器运行所述存储器存储的计算机程序时，所述处理器执行如第一方面中任一所述的FaaS平台函数预热方法。
第四方面，本公开提供一种计算机可读存储介质，所述计算机可读存储介质上存储有计算机程序，所述计算机程序被处理器执行时实现上述第一方面中任一所述的FaaS平台函数预热方法。
有益效果：
本公开提供的FaaS平台函数预热方法、FaaS平台函数预热系统、电子设备及计算机可读存储介质，通过统计预设周期内划分的各个时间段容器启动事件的触发数据；根据所述触发数据，预测后续若干周期内各个相同时间段容器需要启动的预测值；根据当前时间所处时间段及该时间段对应的预测值进行容器的启动。本公开技术方案基于周期因子的分析方法对函数的运行周期进行预测，进而实现在事件发生前预先启动函数运行时的容器，从而消除冷启动所带来的时延，时间预测的准确性越高，则越能消除冷启动时延。
附图说明
图1为本公开实施例一提供的一种FaaS平台函数预热方法的流程示意图；
图2为本公开实施例二提供的一种FaaS平台函数预热系统的架构图；
图3为本公开实施例三提供的一种电子设备的架构图。
具体实施方式
为使本领域技术人员更好地理解本公开的技术方案，下面结合附图和实施例对本公开作进一步详细描述。应当理解的是，此处描述的具体实施例和附图仅仅用于解释本发明，而非对本发明的限定。
需要说明的是，本公开的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序；并且，在不冲突的情况下，本公开中的实施例及实施例中的特征可以相互任意组合。
其中，在本公开实施例中使用的术语是仅仅出于描述特定实施例的目的，而非旨在限制本公开。在本公开实施例和所附权利要求书中所使用的单数形式的“一种”、“所述”和“该”也旨在包括多数形式，除非上下文清楚地表示其他含义。
在后续的描述中，使用用于表示元件的诸如“模块”、“部件”或“单元”的后缀仅为了有利于本公开的说明，其本身没有特定的意义。因此，“模块”、“部件”或“单元”可以混合地使用。
下面以具体地实施例对本公开的技术方案以及本公开的技术方案如何解决FaaS平台中容器要经过从无到有的一个冷启动过程，增加了函数运行的时延的问题进行详细说明。下面这几个具体的实施例可以相互结合，对于相同或相似的概念或过程可能在某些实施例中不再赘述。
图1为本公开实施例一提供的一种FaaS平台函数预热方法的流程示意图，如图1所示，所述方法包括：
步骤S101：统计预设周期内划分的各个时间段容器启动事件的触发数据；
步骤S102：根据所述触发数据，预测后续若干周期内各个相同时间段容器需要启动的预测值；
步骤S103：根据当前时间所处时间段及该时间段对应的预测值进行容器的启动。
目前FaaS主要是面向物联网场景，物联网与消费相关并具有很强的周期性特征，而FaaS平台中容器的运行时间一般为几分钟，即函数运行完成后，运行时的容器也不会马上销毁，而是等一段时间，以防马上会有新的请求到来，这个等待的时间根据平台的不同会有所差异，从几分钟到几十分钟不等。当容器从“冷态”开始启动时，函数需要：从外部持久化存储中获取代码包，逐步启动(Spin up)容器，在内存中加载程序包代码，运行函数的处理程序(handler)方法/函数。保持容器处于活动状态将能节省启动资源并加快后续的请求速度，但会增加空闲的时间成本。因此，一定时间内若无新的请求则会将容器销毁，但再次有请求到来时要经过从无到有的一个冷启动过程，增加了函数运行的时延，因此本实施例采用基于周期因子的时间序列分析方法，预测下一次事件触发的时间，进而与FaaS平台联动，预先拉起容器，实现冷启动的消除。通过统计一个预设周期内的划分的各个时间段容器启动事件的触发数据，预设周期与FaaS主要面向的场景相关，划分的各个时间段可以是按平台的使用场景进行规划。然后根据预设周期内每一个时间段容器的触发使用情况，预测后续周期各个同样时间段内容器需要启动的预测值，在后续根据执行时所处的时间段及其对应的预测值进行容器的启动，即对应相同时间段里事件是否会触发及触发的数量，也就是FaaS需要在哪个时间段预先拉起函数运行时的容器。实现在事件发生前预先启动函数运行时的容器，从而消除冷启动所带来的时延，时间预测的准确性越高，则越能消除冷启动时延。
进一步的，所述统计预设周期内划分的各个时间段容器启动事件的触发数据，包括：
根据FaaS平台中容器的运行和等待时间，将预设周期按第一预设时长划分为多个时间段，并且将预设周期内每个时间段按第二预设时长划分为多个子时间段；以及，
记录预设周期内每个时间段中各子时间段容器启动事件实际触发的次数。
根据FaaS平台中容器的运行和等待时间，将预设周期按第一预设时长划分为多个时间段，如将周期按每一天划分为多个天数，再将每个时间段按第二预设时长划分为多个子时间段，如将一天按预设时长划分为多个子时间段候，如周期内第一天、第二天……各自的子时间段T1、T2……Tn；按子时间段首先记录周期内每天中每个时间区间(即子时间段)事件实际触发的次数；记录数据可以如下表1所示：
表1：每一天中每个子时间段容器启动事件实际触发的次数
时间段 T1 T2 T3 T4 T5 …… Tn
第一天 a1 a2 a3 a4 a5 an
第二天 b1 b2 b3 b4 b5 bn
第三天 c1 c2 c3 c4 c5 cn
第四天 d1 d2 d3 d4 d5 dn
第五天 e1 e2 e3 e4 e5 en
…… …… …… …… …… …… ……
通过经验可以确定预设周期，如一个星期或一个月等，然后详细记录周期内每一个时间段的每一个子时间段的启动事件实际触发的次数，为后续进行数据分析打好基础，使后续的预测值与实际值更加相符，在不浪费资源的情况下尽可能的消除冷启动时延。
进一步的，所述根据所述触发数据，预测后续若干周期内各个相同时间段容器需要启动的预测值，包括：
计算预设周期内每个时间段中全部子时间段容器启动事件实际触发次数的平均值，作为该时间段的周期因子；
将预设周期内每个时间段中各子时间段容器启动事件实际触发次数分别除以对应时间段的周期因子，得到预设周期内每个时间段中各子时间段容器启动事件实际触发次数的对应比值；
分别计算在预设周期全部时间段内的各子时间段的容器启动事件实际触发次数的对应比值的中位数；以及，
根据所述中位数与预设周期内各个时间段的周期因子的乘积，预测后续若干周期内在相同时间段的各个相同子时间段容器需要启动的预测值。
得到实际的统计数据后，进行数据分析。如在预设周期的时间段为一天时，计算每一个时间段(每一天)各子时间段容器启动事件触发的次数均值，作为这一天数据的周期因子；其中，周期因子
Figure BDA0003597079790000081
i取1到n，n为每天所分的子时间段的段数，xi对应于每一天第i个子时间段的容器启动事件次数数值，如第一天中的mean取xi为ai，第二天中的mean取xi为bi……；
再将每一天每个子时间段的容器启动事件的次数除以当天的周期因子，得到每一天每个子时间段容器启动事件次数的对应比值，然后计算预设周期内全部天数在每个子时间段的启动事件次数的对应比值的中位数；如T1子时间段在所有天数的中位数为b1/mean，该mean为第二天的周期因子，对应计算后得到如下表2所述的数据：
表2：每一天每个子时间段容器启动事件次数的对应比值
时间段 T1 T2 T3 T4 T5 …… Tn
第一天 a1/mean a2/mean a3/mean a4/mean a5/mean an/mean
第二天 b1/mean b2/mean b3/mean b4/mean b5/mean bn/mean
第三天 c1/mean c2/mean c3/mean c4/mean c5/mean cn/mean
第四天 d1/mean d2/mean d3/mean d4/mean d5/mean dn/mean
第五天 e1/mean e2/mean e3/mean e4/mean e5/mean en/mean
…… …… …… …… …… …… ……
中位数 b1/mean c2/mean a3/mean a4/mean d5/mean …… en/mean
上表中，每一天的周期因子mean都与该天对应，得到各个子时间段的中位数后，根据预设周期内每个时间段的每个子时间段的启动事件次数的对应比值的中位数乘以该时间段对应的周期因子得到后续周期内该时间段各个同样子时间段内容器需要启动的预测值。
通过统计计算得到每一天对应的周期因子，可以获知对应于那一天的容器的启动情况，而通过各个时间段的中位数又可以消除数据额外的抖动，如某一天中不正常情况下数据过大或者过小的影响，将每一天的数据在同一尺度下进行预测，通过启动事件次数的对应比值的中位数与当天对应的周期因子相乘可以使预测值既与当天的日期相关，又与所处的子时间段相关，使预测值更准确，更接近实际情况，能够尽可能的消除冷启动时延，又不会造成容器拉起过多造成浪费。
进一步的，所述根据当前时间所处时间段及该时间段对应的预测值进行容器的启动，包括：
根据当前时间所处的时间段得到对应时间段内容器需要启动的预测值；
根据所述需要启动的预测值启动对应数量的容器。
根据当前时间所处的时间段得到对应时间段内容器需要启动的预测值，每个时间段对应的预测值为与其子时间段相关的一系列的数值，即得到对应时间段内各个子时间段内容器需要启动的预测值，如以周为周期时，时间段为一天，选择与要预测日期在一周中处于统计的周期内相同天数的周期因子，比如我们要预测的下一天是星期三，则我们选择统计周期的星期三的天均值作为周期因子，记为P，利用P乘以统计周期的星期三的各子时间段的中位数即得到预测值。再根据预测的结果(预测值)进行容器的拉起，比如结果是0，则这个子时间段不用预先拉起容器；如果结果是1则预先拉起1个，如果是2则预先拉起2个，以此类推，从而达到改善冷启动的目的。
进一步的，所述预设周期为3天-3个月。
预设周期可以自主设置，如3-7天、7天-1个月或者1个月-3个月中的任意值，根据FaaS平台所应用的场景相关，由于很多周期性事件在一周或一个月中有很强的周期性，所以优选采用按周或按月的周期因子，以周为周期时，选择与要预测日期在一周中处于相同位置的上一个日期的周期因子，比如我们要预测的下一天是星期三，则我们选择上一个星期三的天均值作为周期因子，记为P，利用P乘以各时间段的中位数即得到预测值。将预设周期设为一周或者一个月可以更好的进行数据统计，并且与实际的周期性特征更相关，使预测的数据更准确，当然预设周期也可以是其他周期，可以根据实际情况设置。
进一步的，所述将预设周期按第一预设时长划分为多个时间段，并且将预设周期内每个时间段按第二预设时长划分为多个子时间段包括：
将预设周期按每一天划分为多个时间段；
再将预设周期内的每一天按10-30分钟均分为多个子时间段。
由于人们的作息是按天进行，按每一天划分为多个时间段统计可以更好的进行数据的统计和分析，子时间段的划分可以根据容器的启动和运行时间进行，本实施例可以选择10-30分钟内的任意值，优选以一刻钟即15分钟进行，以15分钟为一个时间单位进行分析，00:00-00:15记为t1，00:15-00:30记为t2，……，01:00-01:15记为t5，……，23:45-24:00记为t96，使时间段划分与容器的启动到销毁的相关，即将一个容器从启动到销毁的平均时间作为划分的周期，实际操作时可以根据平台的容器的使用特点进行划分，然后对每天的这96个时间区间进行周期因子的时间序列分析，进而预测接下来的一天里事件会在哪个子时间段触发，也就是FaaS需要在哪个子时间段预先拉起函数运行时的容器。
本实施例基于周期因子的分析方法对函数的运行周期进行预测，进而实现在事件发生前预先启动函数运行时的容器，并且使预测值与实际情况相关，得到更准确的预测情况，从而尽可能的消除冷启动所带来的时延，并且不会产生容器拉起过多造成额外的浪费。
图2为本公开实施例二提供的一种FaaS平台函数预热系统的架构图，如图2所示，包括：
统计模块11，其设置为统计预设周期内划分的各个时间段容器启动事件的触发数据；
预测模块12，其设置为根据所述触发数据，预测后续若干周期内各个相同时间段容器需要启动的预测值；
启动模块13，其设置为根据当前时间所处时间段及该时间段对应的预测值进行容器的启动。
进一步的，所述统计模块11包括：
划分单元，其设置为根据FaaS平台中容器的运行和等待时间，将预设周期按第一预设时长划分为多个时间段，并且将预设周期内每个时间段按第二预设时长划分为多个子时间段；
记录单元，其设置为记录预设周期内每个时间段中各子时间段容器启动事件实际触发的次数；
进一步的，所述预测模块12包括：
第一计算单元，其设置为计算预设周期内每个时间段中全部子时间段容器启动事件实际触发次数的平均值，作为该时间段的周期因子；
第二计算单元，其设置为将预设周期内每个时间段中各子时间段容器启动事件实际触发次数分别除以对应时间段的周期因子，得到预设周期内每个时间段中各子时间段容器启动事件实际触发次数的对应比值；
第三计算单元，其设置为分别计算在预设周期的全部时间段内的各子时间段的容器启动事件实际触发次数的对应比值的中位数；
预测单元，其设置为根据所述中位数与预设周期内各个时间段的周期因子的乘积，预测后续若干周期内在相同时间段的各个相同子时间段容器需要启动的预测值。
进一步的，所述启动模块13具体设置为：
根据当前时间所处的时间段得到对应时间段内容器需要启动的预测值；
根据所述需要启动的预测值启动对应数量的容器。
进一步的，所述预设周期为3天-3个月；
进一步的，所述划分单元具体设置为：
将预设周期按每一天划分为多个时间段；以及，
再将预设周期内的每一天按10-30分钟均分为多个子时间段。
本公开实施例的FaaS平台函数预热系统用于实施方法实施例一的FaaS平台函数预热方法，所以描述的较为简单，具体可以参见前面方法实施例一中的相关描述，此处不再赘述。
此外，如图3所示，本公开实施例三还提供一种电子设备，包括存储器10和处理器20，所述存储器10中存储有计算机程序，当所述处理器20运行所述存储器10存储的计算机程序时，所述处理器20执行上述各种可能的方法。
其中，存储器10与处理器20连接，存储器10可采用闪存或只读存储器或其他存储器，处理器20可采用中央处理器或单片机。
此外，本公开实施例还提供一种计算机可读存储介质，所述计算机可读存储介质上存储有计算机程序，所述计算机程序被处理器执行上述各种可能的方法。
该计算机可读存储介质包括在用于存储信息(诸如计算机可读指令、数据结构、计算机程序模块或其他数据)的任何方法或技术中实施的易失性或非易失性、可移除或不可移除的介质。计算机可读存储介质包括但不限于RAM(Random Access Memory，随机存取存储器)，ROM(Read-Only Memory，只读存储器)，EEPROM(Electrically ErasableProgrammable read only memory，带电可擦可编程只读存储器)、闪存或其他存储器技术、CD-ROM(Compact Disc Read-Only Memory，光盘只读存储器)，数字多功能盘(DVD)或其他光盘存储、磁盒、磁带、磁盘存储或其他磁存储装置、或者可以用于存储期望的信息并且可以被计算机访问的任何其他的介质。
可以理解的是，以上实施方式仅仅是为了说明本公开的原理而采用的示例性实施方式，然而本公开并不局限于此。对于本领域内的普通技术人员而言，在不脱离本公开的精神和实质的情况下，可以做出各种变型和改进，这些变型和改进也视为本公开的保护范围。

Claims (10)

1.一种函数即服务FaaS平台函数预热方法，其特征在于，所述方法包括：
统计预设周期内划分的各个时间段容器启动事件的触发数据；
根据所述触发数据，预测后续若干周期内各个相同时间段容器需要启动的预测值；
根据当前时间所处时间段及该时间段对应的预测值进行容器的启动。
2.根据权利要求1所述的方法，其特征在于，所述统计预设周期内划分的各个时间段容器启动事件的触发数据，包括：
根据FaaS平台中容器的运行和等待时间，将预设周期按第一预设时长划分为多个时间段，并且将预设周期内每个时间段按第二预设时长划分为多个子时间段；以及，
记录预设周期内每个时间段中各子时间段容器启动事件实际触发的次数。
3.根据权利要求2所述的方法，其特征在于，所述根据所述触发数据，预测后续若干周期内各个相同时间段容器需要启动的预测值，包括：
计算预设周期内每个时间段中全部子时间段容器启动事件实际触发次数的平均值，作为该时间段的周期因子；
将预设周期内每个时间段中各子时间段容器启动事件实际触发次数分别除以对应时间段的周期因子，得到预设周期内每个时间段中各子时间段容器启动事件实际触发次数的对应比值；
分别计算在预设周期全部时间段内的各子时间段的容器启动事件实际触发次数的对应比值的中位数；以及，
根据所述中位数与预设周期内各个时间段的周期因子的乘积，预测后续若干周期内在相同时间段的各个相同子时间段容器需要启动的预测值。
4.根据权利要求1-3中任一项所述的方法，其特征在于，所述根据当前时间所处时间段及该时间段对应的预测值进行容器的启动，包括：
根据当前时间所处的时间段得到对应时间段内容器需要启动的预测值；
根据所述需要启动的预测值启动对应数量的容器。
5.根据权利要求1-3中任一项所述的方法，其特征在于，所述预设周期为3天-3个月。
6.根据权利要求2所述的方法，其特征在于，所述将预设周期按第一预设时长划分为多个时间段，并且将预设周期内每个时间段按第二预设时长划分为多个子时间段包括：
将预设周期按每一天划分为多个时间段；
再将预设周期内的每一天按10-30分钟均分为多个子时间段。
7.一种函数即服务FaaS平台函数预热系统，其特征在于，包括：
统计模块，其设置为统计预设周期内划分的各个时间段容器启动事件的触发数据；
预测模块，其设置为根据所述触发数据，预测后续若干周期内各个相同时间段容器需要启动的预测值；
启动模块，其设置为根据当前时间所处时间段及该时间段对应的预测值进行容器的启动。
8.根据权利要求7所述的系统，其特征在于，
所述统计模块包括：
划分单元，其设置为根据FaaS平台中容器的运行和等待时间，将预设周期按第一预设时长划分为多个时间段，并且将预设周期内每个时间段按第二预设时长划分为多个子时间段；
记录单元，其设置为记录预设周期内每个时间段中各子时间段容器启动事件实际触发的次数；
所述预测模块包括：
第一计算单元，其设置为计算预设周期内每个时间段中全部子时间段容器启动事件实际触发次数的平均值，作为该时间段的周期因子；
第二计算单元，其设置为将预设周期内每个时间段中各子时间段容器启动事件实际触发次数分别除以对应时间段的周期因子，得到预设周期内每个时间段中各子时间段容器启动事件实际触发次数的对应比值；
第三计算单元，其设置为分别计算在预设周期的全部时间段内的各子时间段的容器启动事件实际触发次数的对应比值的中位数；
预测单元，其设置为根据所述中位数与预设周期内各个时间段的周期因子的乘积，预测后续若干周期内在相同时间段的各个相同子时间段容器需要启动的预测值。
9.一种电子设备，其特征在于，包括存储器和处理器，所述存储器中存储有计算机程序，当所述处理器运行所述存储器存储的计算机程序时，所述处理器执行如权利要求1-6中任一项所述的函数即服务FaaS平台函数预热方法。
10.一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上存储有计算机程序，所述计算机程序被处理器执行时实现如权利要求1-6中任一项所述的函数即服务FaaS平台函数预热方法。
CN202210391421.6A 2022-04-14 2022-04-14 FaaS平台函数预热方法、系统、电子设备及存储介质 Pending CN114942824A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210391421.6A CN114942824A (zh) 2022-04-14 2022-04-14 FaaS平台函数预热方法、系统、电子设备及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210391421.6A CN114942824A (zh) 2022-04-14 2022-04-14 FaaS平台函数预热方法、系统、电子设备及存储介质

Publications (1)

Publication Number Publication Date
CN114942824A true CN114942824A (zh) 2022-08-26

Family

ID=82908018

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210391421.6A Pending CN114942824A (zh) 2022-04-14 2022-04-14 FaaS平台函数预热方法、系统、电子设备及存储介质

Country Status (1)

Country Link
CN (1) CN114942824A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116643950A (zh) * 2023-07-19 2023-08-25 浩鲸云计算科技股份有限公司 一种基于FaaS的云原生应用自动化运维方法

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116643950A (zh) * 2023-07-19 2023-08-25 浩鲸云计算科技股份有限公司 一种基于FaaS的云原生应用自动化运维方法
CN116643950B (zh) * 2023-07-19 2023-10-20 浩鲸云计算科技股份有限公司 一种基于FaaS的云原生应用自动化运维方法

Similar Documents

Publication Publication Date Title
US20190034223A1 (en) Task resource scheduling method and apparatus
CN110166282B (zh) 资源分配方法、装置、计算机设备和存储介质
CN111858065B (zh) 数据处理方法、设备、存储介质及装置
CN102439577B (zh) 一种构建内存访问模型的方法及装置
CN107273195A (zh) 一种大数据的批处理方法、装置及计算机系统
CN114942824A (zh) FaaS平台函数预热方法、系统、电子设备及存储介质
CN109284193B (zh) 一种基于多线程的分布式数据处理方法及服务器
CN109325266B (zh) 面向在线云服务的响应时间分布预测方法
CN109597680B (zh) 任务排队响应参数估算方法及装置
CN111192123A (zh) 一种基于混合云计算平台的对账系统及其对账方法
CN108874375B (zh) 一种定时器的实现方法及装置
CN112416534A (zh) 一种基于Agent的任务管理方法及装置
US20230394307A1 (en) Data caching method and apparatus for multiple concurrent deep learning training tasks
CN116820729A (zh) 离线任务调度方法、装置及电子设备
CN106020333A (zh) 多核定时器实现方法和多核系统
CN108664322A (zh) 数据处理方法及系统
CN112019398B (zh) 网络流量的预测方法和装置
CN112131005B (zh) 一种资源调整策略确定方法和装置
US11675536B2 (en) Intelligent scheduling for garbage collection
CN117666926A (zh) 数据存储方法、装置和电子设备
CN115294778A (zh) 一种区域车辆进出统计方法和系统
CN111414295B (zh) 一种cpu占用率的统计方法、装置、设备及介质
CN111666535B (zh) 确定用户活跃时长的方法、装置、电子设备及存储介质
CN111400368A (zh) 一种分布式服务器系统的日志查找方法及装置
CN114676127A (zh) 一种服务器业务的分析方法、装置、介质及电子设备

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