CN115543577A - 基于协变量的Kubernetes资源调度优化方法、存储介质及设备 - Google Patents
基于协变量的Kubernetes资源调度优化方法、存储介质及设备 Download PDFInfo
- Publication number
- CN115543577A CN115543577A CN202211272717.2A CN202211272717A CN115543577A CN 115543577 A CN115543577 A CN 115543577A CN 202211272717 A CN202211272717 A CN 202211272717A CN 115543577 A CN115543577 A CN 115543577A
- Authority
- CN
- China
- Prior art keywords
- data
- node
- task
- optimization method
- performance
- 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.)
- Granted
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
-
- 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
-
- 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
-
- 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
- Y02D10/00—Energy efficient computing, e.g. low power processors, power management or thermal management
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Software Systems (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Biophysics (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Health & Medical Sciences (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Debugging And Monitoring (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本申请涉及一种基于协变量的Kubernetes资源调度优化方法、存储介质及设备,方法包括:选用预选策略对节点过滤;采集过滤出的节点的指标时序数据,分析容器任务的通用卷积神经网络,得到分析数据,将分析数据输入CNN执行时间及性能消耗预测模型,得到待调度任务的预计执行时间、预计性能;将得到的指标时序数据、预计执行时间、预计性能输入给预测模型进行训练;根据预测模型得出结果对节点打分,将容器任务调度到得分最高的Node节点上完成任务调度。本申请通过将集群节点性能指标时序数据、待调度任务的预计执行时间、预计性能消耗传入预测模型进行训练,预测未来一段时间内最适合的调度目标节点,实现对节点进行动态分析,提高了Kubernetes集群的资源利用率。
Description
技术领域
本发明涉及计算机技术领域,具体涉及一种基于协变量的Kubernetes资源调度优化方法、存储介质及设备。
背景技术
Kubernetes由于其稳健性、成熟性和丰富的功能,已经成为容器编排技术的标准。Kubernetes是一个管理容器化工作负载和服务的开源平台,主要目的是帮助用户自动化工作负载协调计算、网络和存储等操作。它已被广泛用于工业生产系统。许多深度学习服务平台,包括Kubeflow、RiseML、微软OpenPAI、IBM FfDL,也都建立在Kubernetes之上,帮助用户在Kubernetes上轻松部署和启动深度学习作业。Kubernetes采用微服务架构,由多个独立的模块组成,而调度模块则是平台资源调度的核心。
默认的调度策略虽然考虑到了节点CPU和内存的资源使用率的均衡情况等问题,但该算法的CPU和内存利用率是根据调度策略打分时刻的性能数据来衡量调度优先级的,并不能很好地反应节点的实际资源使用情况,导致节点的CPU和内存资源的均衡性有待提高。其次,由于不同的应用实际上对资源的消耗程度是不一样的,有的应用对CPU比较敏感,有的应用对内存比较敏感,有的应用对IO比较敏感,有的应用对网络带宽比较敏感。从以上对调度策略的分析可以看出,不管是预选阶段还是优选阶段的所有策略都是静态的过滤操作,都只是针对调度时刻当下的节点资源情况作为决策因素,然而节点是动态的实时的,现有默认的调度策略并不能够对节点进行动态分析,也无法估测节点未来一段时间的性能。所以我们有必要对调度决策进行动态分析,把任务调度到更合适的节点上,从而使得任务执行更高效,计算资源的利用率更高。
发明内容
为了克服上述技术缺陷,本发明提供一种基于协变量的Kubernetes资源调度优化方法,其能对调度决策进行动态分析,提高资源的利用率。
为了解决上述问题,本发明按以下技术方案予以实现:
第一方面,本发明提供一种基于协变量的Kubernetes资源调度优化方法,包括步骤:
选择合适的预选策略给调度器对Node节点进行过滤得到集群节点;
对过滤得到的集群节点进行性能指标时序数据采集,对容器任务中的通用卷积神经网络进行分析,得到分析数据,将分析数据输入CNN执行时间及性能消耗预测模型,以得到待调度任务的预计执行时间、预计性能;
将集群节点采集的性能指标时序数据作为数据输入,待调度任务的预计执行时间、预计性能消耗作为未来已知的协变量,并传入性能指标时序数据预测模型进行训练,以得出各个节点的性能指标预测数据;
根据各个节点的性能指标预测数据对Node节点打分,将容器任务调度到得分最高的 Node节点上完成任务调度。
进一步的,所述预选策略包括:HostName策略、PodFitsHostPorts策略、MatchNodeSeletctor策略、PodFitsResources策略和NoDiskConfict策略。
进一步的,所述将集群节点采集的性能指标时序数据作为数据输入前,还包括如下步骤:将采集的时序数据进行预处理并转换成Pandas DataFrame。
进一步的,所述分析数据包括:对模型解析获得的特征提取和数据集大小数据、对超参数解析获得的神经元数量和隐藏层数量、以及对参数解析获得迭代次数。
进一步的,所述性能指标时序数据预测模型为Transformer模型。
进一步的,所述性能指标时序数据包括:输入/输出和传输速率统计、CPU统计数据、内存、大页面和交换空间使用统计、虚拟内存、分页和故障统计、中断统计、网络接口活动、套接字统计、运行队列和系统负载统计、文件系统利用率。
进一步的,所述对Node节点打分表示为:
总分=(权重1*打分函数1)+(权重2*打分函数2)+…+(权重n*打分函数 n),
其中权重为指标在整体评价中的相对重要程度,打分函数为指标的评分标准。
第二方面,本发明提供一种计算机可读存储介质,所述计算机可读存储介质中存储有至少一条指令、至少一段程序、代码集或指令集,所述至少一条指令、至少一段程序、代码集或指令集由处理器加载并执行以实现如第一方面所述的基于协变量的Kubernetes资源调度优化方法。
第三方面,本发明提供一种设备,所述设备包括处理器和存储器,所述存储器中存储有至少一条指令、至少一段程序、代码集或指令集,所述至少一条指令、至少一段程序、代码集或指令集由所述处理器加载并执行以实现如第一方面所述的基于协变量的Kubernetes资源调度优化方法。
与现有技术相比,本发明具有以下有益效果:
本申请将周期性采集的集群节点数据、待调度任务的预计执行时间、预计性能消耗作为未来已知的协变量,通过传入预测模型进行训练,预测未来一段时间内最适合的调度目标节点,实现对节点进行动态分析,提高了Kubernetes集群的资源利用率。通过融合待调度的任务(执行时间、性能消耗)作为预测的协变量,使任务调度具有准确性、前瞻性。
附图说明
下面结合附图对本发明的具体实施方式作进一步详细的说明,其中:
图1为本实施例1中基于协变量Kubernetes的架构图;
图2为本实施1中基于协变量的Kubernetes资源调度优化方法的步骤流程图;
图3为本实施1中基于协变量的Kubernetes资源调度优化方法的流程图。
具体实施方式
以下结合附图对本发明的优选实施例进行说明,应当理解,此处所描述的优选实施例仅用于说明和解释本发明,并不用于限定本发明。
需要注意的是,本文中所提及的序号,如S1、S2……,该些序号仅仅是作为步骤与步骤之间的区分,并不代表该些步骤必须要按照序号的顺序严格执行。
实施例1
本实施例提供基于协变量的Kubernetes资源调度优化方法,可应用于自动化运维平台的构建,如图1所示,为本发明基于协变量Kubernetes的架构图,其中,KubernetesMaster为集群主控节点,Kubernetes Master包括主要的核心组件有Api server:提供资源操作的唯一入口,并提供认证、授权、访问控制、API注册和发现等机制;Scheduler:负责资源的调度,按照预定的调度策略将Pod调度到相应的机器上;Controller:为控制器,维护Kubernetes资源对象(CRUD:添加、删除、更新、修改);etcd:负责服务发现和Node信息存储。一个主控节点Kubernetes Master对应一群Node节点,用户通过 kubectl向KubernetesMaster发出指令,kubernetes Master主从Node节点获取Node的资源信息,并发出调度任务,并根据节点情况,把Pod调度到合适的Node节点上。
第一方面,本发明提供的基于协变量的Kubernetes资源调度优化方法,如图2所示,包括步骤:
S1:选择合适的预选策略给调度器对Node节点进行过滤得到集群节点;
S2:对过滤得到的集群节点进行性能指标时序数据采集,对容器任务中的通用卷积神经网络进行分析,得到分析数据,将分析数据输入CNN执行时间及性能消耗预测模型,以得到待调度任务的预计执行时间、预计性能;
S3:将集群节点采集的性能指标时序数据作为数据输入,待调度任务的预计执行时间、预计性能消耗作为未来已知的协变量,并传入性能指标时序数据预测模型进行训练,以得出各个节点的性能指标预测数据;
S4:根据各个节点的性能指标预测数据对Node节点打分,将容器任务调度到得分最高的Node节点上完成任务调度。
在本实施例中,如图3所示,为基于协变量的Kubernetes资源调度优化方法的流程图。当主控节点Kubernetes Master获取到kubectl任务调度指令时,由API Server进行组件间的调度任务指令传送,API Server将任务调度指令发送到Scheduler,由Scheduler负责资源的调度。Scheduler调度器监视Pod,并根据预选策略对Node节点进行一个预选。预选策略调度决策考虑的因素包括单个Pod和Pod集合的资源需求、硬件/软件/策略约束、亲和性和反亲和性规范、数据位置、工作负载间的干扰等;
接着,会通过开发脚本对预选策略筛选得到节点进行性能指标时序数据采集,同时对预选得到的Node节点中,容器任务通用的卷积神经网络进行分析,会的得到容器的分析数据,通过将分析数据输入至CNN执行时间及性能消耗预测模型,由预测模型进行模拟训练会输出一个待调度任务的预计执行时间以及待调度任务的预计性能;
然后,将集群中节点采集的性能指标时序数据作为输入,待调度任务的预计执行时间、预计性能消耗作为未来已知的协变量。通过传入性能指标时序数据预测模型进行训练,来得到未来一段时间内各个节点的性能指标预测数据。
最后,根据对各个节点的性能指标预测数据进行打分,打分标准为性能指标越均衡的得分越高,目的为通过对节点实时任务情况分析,实现对节点进行动态分析,提高了Kubernetes集群的资源利用率,通过采用性能指标均衡的打分策略,能够得到综合情况最高、性能最全面的节点,最终将容器任务调度到得分最高的Node节点上,完成任务调度。
在其中一个实施例中,预选策略包括:
HostName策略:这种是判断Pod是否定义了pod.spec.hostname属性,若定义了,就在预选时,看看这些Node上是否存在相同主机名的Pod,若有,就排除该Node;
PodFitsHostPorts策略:此预选策略是判断pods.spec.containers.ports.hostPort 属性是否定义了,若定义了就表示该Pod要绑定到Node上指定的Port上,这时在进行预选时,就要判断这个端口是否被占用了,若占用就会排除该Node;
MatchNodeSeletctor策略:该预选策略会判断pods.spec.nodeSelector属性是否定义了,若定义了就根据Pod所定义的NodeSelector来选出匹配指定标签的Node;
PodFitsResources策略:该预选策略会判断Node上是否符合运行Pod所需的最小空闲资源;
NoDiskConfict策略:该预选策略用于判断若Pod定义了存储卷,则要检查该存储卷在该Node上是否可用,若Node能满足Pod存储卷的使用需求,则表示此Node可用。
在其中一个实施例中,在集群节点采集的性能指标时序数据作为数据输入之前前,会将将采集的时序数据进行预处理并转换成Pandas DataFrame。
在其中一个实施例中,对容器任务通用的卷积神经网络进行分析得到容器的分析数据包括:对模型解析获得的特征提取和数据集大小数据、对超参数解析获得的神经元数量和隐藏层数量、以及对参数解析获得迭代次数。
在其中一个实施例中,性能指标时序数据预测模型采用Transformer模型,将集群节点采集的性能指标时序数据作为数据输入,待调度任务的预计执行时间、预计性能消耗作为未来已知的协变量,并传入Temporal Fusion Transformer模型进行训练,这种针对多步预测任务的Transformer模型,具有很好的可解释性。
在其中一个实施例中,采集的性能指标时序数据包含了输入/输出和传输速率统计、 CPU统计数据、内存、大页面和交换空间使用统计、虚拟内存、分页和故障统计、中断统计、网络接口活动(每秒接收和传输的数据包数量和大小等)、套接字统计、运行队列和系统负载统计、文件系统利用率(索引节点和块)等五十五项性能指标时序数据。
在其中一个实施例中,根据各个节点的性能指标预测数据进行打分,节点得分表示为:
总分=(权重1*打分函数1)+(权重2*打分函数2)+…+(权重n*打分函数 n),
其中,权重为指标在整体评价中的相对重要程度,打分函数为指标的评分标准。
在任一节点中,一项性能指标对应一个权重,同时该项性能指标的打分对应一个打分函数,不同性能指标的权重及打分函数不一定相同。
通过周期性地采集Kubernetes集群节点的历史性能数据,将集群中节点采集的性能指标时序数据作为输入,待调度任务的预计执行时间、预计性能消耗作为未来已知的协变量。通过传入Temporal Fusion Transformer模型进行训练,预测未来一段时间内最适合的调度目标节点。本发明提供的技术方案,提高了Kubernetes集群的资源利用率,该预测结果相比Kubernetes的默认调度策略(只参考了CPU、内存、磁盘、亲和性等一些简单的指标)更精准更全面,并且还融合待调度的任务(执行时间、性能消耗)作为预测的协变量,使得调度具有准确性、前瞻性。
实施例2
本发明实施例提供一种计算机可读存储介质,所述计算机可读存储介质存储有计算机程序,所述计算机程序被处理器执行时,使所述处理器实现本发明实施例1提供的基于协变量的Kubernetes资源调度优化方法。
本领域普通技术人员可以理解,上文中所公开方法中的全部或某些步骤、系统、装置中的功能模块/单元可以被实施为软件、固件、硬件及其适当的组合。在硬件实施方式中,在以上描述中提及的功能模块/单元之间的划分不一定对应于物理组件的划分;例如,一个物理组件可以具有多个功能,或者一个功能或步骤可以由若干物理组件合作执行。某些物理组件或所有物理组件可以被实施为由处理器,如中央处理器、数字信号处理器或微处理器执行的软件,或者被实施为硬件,或者被实施为集成电路,如专用集成电路。这样的软件可以分布在计算机可读存储介质上,计算机可读存储介质可以包括计算机可读存储介质(或非暂时性介质)和通信介质(或暂时性介质)。
如本领域普通技术人员公知的,术语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、程序模块或其他数据)的任何方法或技术中实施的易失性和非易失性、可移除和不可移除介质。计算机可读存储介质包括但不限于RAM、ROM、EEPROM、闪存或其他存储器技术、CD-ROM、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。此外,本领域普通技术人员公知的是,通信介质通常包含计算机可读指令、数据结构、程序模块或者诸如载波或其他传输机制之类的调制数据信号中的其他数据,并且可包括任何信息递送介质。
示例性的,所述计算机可读存储介质可以是前述实施例所述的网管设备的内部存储单元,例如所述网管设备的硬盘或内存。所述计算机可读存储介质也可以是所述网管设备的外部存储设备,例如所述网管设备上配备的插接式硬盘,智能存储卡(Smart MediaCard, SMC),安全数字(Secure Digital,SD)卡,闪存卡(Flash Card)等。
实施例3
本发明实施例提供一种设备,包括处理器与存储器,所述存储器用于存储计算机程序;所述处理器,用于执行所述计算机程序并在执行所述计算机程序时实现本发明实施例1提供的基于协变量的Kubernetes资源调度优化方法。
应当理解的是,处理器可以是中央处理单元(Central Processing Unit,CPU),该处理器还可以是其他通用处理器、数字信号处理器(Digital Signal Processor,DSP)、专用集成电路(Application Specific Integrated Circuit,ASIC)、现场可编程门阵列(Field-Programmable Gate Array,FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。其中,通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
以上所述,仅为本发明的具体实施方式,但本发明的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本发明揭露的技术范围内,可轻易想到各种等效的修改或替换,这些修改或替换都应涵盖在本发明的保护范围之内。因此,本发明的保护范围应以权利要求的保护范围为准。
Claims (9)
1.基于协变量的Kubernetes资源调度优化方法,其特征在于,包括以下步骤:
选择合适的预选策略给调度器对Node节点进行过滤得到集群节点;
对过滤得到的集群节点进行性能指标时序数据采集,对容器任务中的通用卷积神经网络进行分析,得到分析数据,将分析数据输入CNN执行时间及性能消耗预测模型,以得到待调度任务的预计执行时间、预计性能;
将集群节点采集的性能指标时序数据作为数据输入,待调度任务的预计执行时间、预计性能消耗作为未来已知的协变量,并传入性能指标时序数据预测模型进行训练,以得出各个节点的性能指标预测数据;
根据各个节点的性能指标预测数据对Node节点打分,将容器任务调度到得分最高的Node节点上完成任务调度。
2.根据权利要求1所述的基于协变量的Kubernetes资源调度优化方法,其特征在于,所述预选策略包括:HostName策略、PodFitsHostPorts策略、MatchNodeSeletctor策略、PodFitsResources策略和NoDiskConfict策略。
3.根据权利要求1所述的基于协变量的Kubernetes资源调度优化方法,其特征在于,所述将集群节点采集的性能指标时序数据作为数据输入前,还包括如下步骤:将采集的时序数据进行预处理并转换成Pandas DataFrame。
4.根据权利要求1所述的基于协变量的Kubernetes资源调度优化方法,其特征在于,所述分析数据包括:对模型解析获得的特征提取和数据集大小数据、对超参数解析获得的神经元数量和隐藏层数量、以及对参数解析获得迭代次数。
5.根据权利要求1所述的基于协变量的Kubernetes资源调度优化方法,其特征在于,所述性能指标时序数据预测模型为Transformer模型。
6.根据权利要求1所述的基于协变量的Kubernetes资源调度优化方法,其特征在于,所述性能指标时序数据包括:输入/输出和传输速率统计、CPU统计数据、内存、大页面和交换空间使用统计、虚拟内存、分页和故障统计、中断统计、网络接口活动、套接字统计、运行队列和系统负载统计、文件系统利用率。
7.根据权利要求1所述的基于协变量的Kubernetes资源调度优化方法,其特征在于,所述对Node节点打分表示为:
总分=(权重1*打分函数1)+(权重2*打分函数2)+…+(权重n*打分函数n),其中权重为指标在整体评价中的相对重要程度,打分函数为指标的评分标准。
8.一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中存储有至少一条指令、至少一段程序、代码集或指令集,所述至少一条指令、至少一段程序、代码集或指令集由处理器加载并执行以实现如权利要求1至7任一所述的基于协变量的Kubernetes资源调度优化方法。
9.一种设备,其特征在于,所述设备包括处理器和存储器,所述存储器中存储有至少一条指令、至少一段程序、代码集或指令集,所述至少一条指令、至少一段程序、代码集或指令集由所述处理器加载并执行以实现如权利要求1至7任一所述的基于协变量的Kubernetes资源调度优化方法。
Applications Claiming Priority (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN2022109427859 | 2022-08-08 | ||
CN202210942785 | 2022-08-08 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115543577A true CN115543577A (zh) | 2022-12-30 |
CN115543577B CN115543577B (zh) | 2023-08-04 |
Family
ID=84734665
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211272717.2A Active CN115543577B (zh) | 2022-08-08 | 2022-10-18 | 基于协变量的Kubernetes资源调度优化方法、存储介质及设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115543577B (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116489709A (zh) * | 2023-06-20 | 2023-07-25 | 中电科新型智慧城市研究院有限公司 | 节点调度策略确定方法、终端设备及存储介质 |
CN117251286A (zh) * | 2023-09-28 | 2023-12-19 | 中电云计算技术有限公司 | 一种为云原生应用动态分配大页的方法及装置 |
CN117729204A (zh) * | 2024-02-06 | 2024-03-19 | 山东大学 | 一种基于监控感知的k8s容器调度方法及系统 |
CN117724858A (zh) * | 2024-02-18 | 2024-03-19 | 天津先进技术研究院 | 地理空间分析模型调度方法、装置、设备及介质 |
Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20170373955A1 (en) * | 2016-06-24 | 2017-12-28 | Advanced Micro Devices, Inc. | Achieving balanced execution through runtime detection of performance variation |
US20190253490A1 (en) * | 2016-10-31 | 2019-08-15 | Huawei Technologies Co., Ltd. | Resource load balancing control method and cluster scheduler |
CN110784487A (zh) * | 2019-11-07 | 2020-02-11 | 广东技术师范大学 | 一种基于数据包抽检模型的sdn节点防御方法 |
CN110990159A (zh) * | 2019-12-25 | 2020-04-10 | 浙江大学 | 一种基于历史数据分析的容器云平台资源配额预测方法 |
CN111045820A (zh) * | 2019-12-03 | 2020-04-21 | 浩鲸云计算科技股份有限公司 | 一种基于时序预测的容器调度方法 |
CN111522639A (zh) * | 2020-04-16 | 2020-08-11 | 南京邮电大学 | Kubernetes集群架构系统下多维资源调度方法 |
CN113806018A (zh) * | 2021-09-13 | 2021-12-17 | 北京计算机技术及应用研究所 | 基于神经网络和分布式缓存的Kubernetes集群资源混合调度方法 |
CN114327881A (zh) * | 2021-12-23 | 2022-04-12 | 北京达佳互联信息技术有限公司 | 任务调度方法及装置 |
WO2022073585A1 (en) * | 2020-10-06 | 2022-04-14 | Siemens Aktiengesellschaft | Managing containers on a computing cluster and training a predication model |
CN114637586A (zh) * | 2022-03-17 | 2022-06-17 | 浪潮云信息技术股份公司 | 一种数据驱动的在线预测和实现k8s资源超售的方法 |
-
2022
- 2022-10-18 CN CN202211272717.2A patent/CN115543577B/zh active Active
Patent Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20170373955A1 (en) * | 2016-06-24 | 2017-12-28 | Advanced Micro Devices, Inc. | Achieving balanced execution through runtime detection of performance variation |
US20190253490A1 (en) * | 2016-10-31 | 2019-08-15 | Huawei Technologies Co., Ltd. | Resource load balancing control method and cluster scheduler |
CN110784487A (zh) * | 2019-11-07 | 2020-02-11 | 广东技术师范大学 | 一种基于数据包抽检模型的sdn节点防御方法 |
CN111045820A (zh) * | 2019-12-03 | 2020-04-21 | 浩鲸云计算科技股份有限公司 | 一种基于时序预测的容器调度方法 |
CN110990159A (zh) * | 2019-12-25 | 2020-04-10 | 浙江大学 | 一种基于历史数据分析的容器云平台资源配额预测方法 |
CN111522639A (zh) * | 2020-04-16 | 2020-08-11 | 南京邮电大学 | Kubernetes集群架构系统下多维资源调度方法 |
WO2022073585A1 (en) * | 2020-10-06 | 2022-04-14 | Siemens Aktiengesellschaft | Managing containers on a computing cluster and training a predication model |
CN113806018A (zh) * | 2021-09-13 | 2021-12-17 | 北京计算机技术及应用研究所 | 基于神经网络和分布式缓存的Kubernetes集群资源混合调度方法 |
CN114327881A (zh) * | 2021-12-23 | 2022-04-12 | 北京达佳互联信息技术有限公司 | 任务调度方法及装置 |
CN114637586A (zh) * | 2022-03-17 | 2022-06-17 | 浪潮云信息技术股份公司 | 一种数据驱动的在线预测和实现k8s资源超售的方法 |
Non-Patent Citations (4)
Title |
---|
S.SCHNEIDER等: "Distributed Online Service Coordination Using Deep Reinforcement Learning", 《2021 IEEE 41ST INTERNATIONAL CONFERENCE ON DISTRIBUTED COMPUTING SYSTEMS(ICDCS)》, pages 539 - 549 * |
周荣富等: "基于Mininet的SDN网络拓扑带宽性能分析", 《信息通信》, pages 203 - 205 * |
王仪: "基于Kubernetes的容器云平台资源调度策略研究", 《中国优秀硕士学位论文全文数据库 信息科技辑》, no. 01, pages 139 - 351 * |
谢晓兰等: "基于三次指数平滑法和时间卷积网络的云资源预测模型", 《通信学报》, vol. 40, no. 08, pages 143 - 150 * |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116489709A (zh) * | 2023-06-20 | 2023-07-25 | 中电科新型智慧城市研究院有限公司 | 节点调度策略确定方法、终端设备及存储介质 |
CN116489709B (zh) * | 2023-06-20 | 2023-11-17 | 中电科新型智慧城市研究院有限公司 | 节点调度策略确定方法、终端设备及存储介质 |
CN117251286A (zh) * | 2023-09-28 | 2023-12-19 | 中电云计算技术有限公司 | 一种为云原生应用动态分配大页的方法及装置 |
CN117729204A (zh) * | 2024-02-06 | 2024-03-19 | 山东大学 | 一种基于监控感知的k8s容器调度方法及系统 |
CN117729204B (zh) * | 2024-02-06 | 2024-05-10 | 山东大学 | 一种基于监控感知的k8s容器调度方法及系统 |
CN117724858A (zh) * | 2024-02-18 | 2024-03-19 | 天津先进技术研究院 | 地理空间分析模型调度方法、装置、设备及介质 |
CN117724858B (zh) * | 2024-02-18 | 2024-05-28 | 天津先进技术研究院 | 地理空间分析模型调度方法、装置、设备及介质 |
Also Published As
Publication number | Publication date |
---|---|
CN115543577B (zh) | 2023-08-04 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
EP3847549B1 (en) | Minimizing impact of migrating virtual services | |
CN115543577B (zh) | 基于协变量的Kubernetes资源调度优化方法、存储介质及设备 | |
CN106776005B (zh) | 一种面向容器化应用的资源管理系统及方法 | |
US20210034407A1 (en) | Virtual Machine Scheduling Method and Apparatus | |
US8375228B2 (en) | Multiple-node system power utilization management | |
CN112685170B (zh) | 备份策略的动态优化 | |
CN110308980A (zh) | 数据的批量处理方法、装置、设备及存储介质 | |
CN101341468A (zh) | 信息处理装置、计算机、资源分配方法及资源分配程序 | |
CN113467944B (zh) | 面向复杂软件系统的资源部署装置及方法 | |
US20140023185A1 (en) | Characterizing Time-Bounded Incident Management Systems | |
CN113228574A (zh) | 计算资源调度方法、调度器、物联网系统和计算机可读介质 | |
WO2014194704A1 (en) | A grouping processing method and system | |
CN111767145A (zh) | 容器调度系统、方法、装置和设备 | |
CN110262878A (zh) | 定时任务处理方法、装置、设备及计算机可读存储介质 | |
US20050089063A1 (en) | Computer system and control method thereof | |
Cunha et al. | Context-aware execution migration tool for data science Jupyter Notebooks on hybrid clouds | |
US20220035665A1 (en) | Sharing of compute resources between the virtualized radio access network (vran) and other workloads | |
CN117311973A (zh) | 计算设备调度方法、装置、非易失性存储介质及电子设备 | |
CN110188258B (zh) | 使用爬虫获取外部数据的方法及装置 | |
CN115994029A (zh) | 容器资源调度方法及装置 | |
CN115495231A (zh) | 一种高并发任务复杂场景下的动态资源调度方法及系统 | |
CN114356712A (zh) | 数据处理方法、装置、设备、可读存储介质及程序产品 | |
US20140359104A1 (en) | Grouping processing method and system | |
CN112527486A (zh) | 调度优化方法及装置 | |
CN106027685A (zh) | 一种基于云计算机系统的高峰访问的方法 |
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 |