CN115629883A - 资源预测方法、装置、计算机设备及存储介质 - Google Patents
资源预测方法、装置、计算机设备及存储介质 Download PDFInfo
- Publication number
- CN115629883A CN115629883A CN202211348800.3A CN202211348800A CN115629883A CN 115629883 A CN115629883 A CN 115629883A CN 202211348800 A CN202211348800 A CN 202211348800A CN 115629883 A CN115629883 A CN 115629883A
- Authority
- CN
- China
- Prior art keywords
- target
- vector
- node
- resource
- determining
- 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
- 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]
- G06F9/5005—Allocation of resources, e.g. of the central processing unit [CPU] to service a request
- G06F9/5011—Allocation of resources, e.g. of the central processing unit [CPU] to service a request the resources being hardware resources other than CPUs, Servers and Terminals
- G06F9/5016—Allocation of resources, e.g. of the central processing unit [CPU] to service a request the resources being hardware resources other than CPUs, Servers and Terminals the resource being the memory
-
- 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]
- G06F9/5005—Allocation of resources, e.g. of the central processing unit [CPU] to service a request
- G06F9/5011—Allocation of resources, e.g. of the central processing unit [CPU] to service a request the resources being hardware resources other than CPUs, Servers and Terminals
-
- 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]
- G06F9/5005—Allocation of resources, e.g. of the central processing unit [CPU] to service a request
- G06F9/5027—Allocation of resources, e.g. of the central processing unit [CPU] to service a request the resource being a machine, e.g. CPUs, Servers, Terminals
-
- 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]
- G06F9/5083—Techniques for rebalancing the load in a distributed system
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Software Systems (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种资源预测方法、装置、计算机设备及存储介质,涉及计算机应用技术。该方法包括:获取目标平台的异质网络,异质网络用于表示目标平台中部署模块的拓扑关系;根据目标节点在异质网络中的拓扑关系确定节点向量,目标节点为异质网络中的任意一个节点;获取目标时间的资源向量,资源向量包括多个资源在目标时间的资源需求;根据节点向量和资源向量确定目标时间的目标向量;通过预测模型对多个时间的目标向量进行训练,得到用于预测资源需求的目标模型;根据目标模型对当前平台的资源需求进行预测,得到预测的资源需求。能够实现部署模块的快速配置,提高应用资源分配速度。
Description
技术领域
本发明实施例涉及计算机应用技术,尤其涉及一种资源预测方法、装置、计算机设备及存储介质。
背景技术
随着云计算的发展,越来越多的应用选择部署在平台即服务(PaaS),平台即服务用于动态调整资源来帮助运行在PaaS上的应用从而更好地应对突发流量。当应用负载提升时,平台即服务为应用增加相应的资源。
然而,当应用负载提升后,向平台请求资源,并获取平台分配的资源,该过程存在时间消耗,在该时间内应用负载无法获取资源。此外,平台运行的应用数量较多时,分别响应每个应用的资源请求将导致应用资源申请缓慢。
如何实现快速的为应用分配资源成为亟待解决的问题。
发明内容
本发明提供一种资源预测方法、装置、计算机设备及存储介质,以实现准确预测平台资源,进而提高应用资源分配速度。
第一方面,本发明实施例提供了一种资源预测方法,包括:
获取目标平台的异质网络,所述异质网络用于表示所述目标平台中部署模块的拓扑关系;
根据目标节点在所述异质网络中的拓扑关系确定节点向量,所述目标节点为所述异质网络中的任意一个节点;
获取目标时间的资源向量,所述资源向量包括多个资源在所述目标时间的资源需求;
根据所述节点向量和所述资源向量确定所述目标时间的目标向量;
通过预测模型对多个时间的目标向量进行训练,得到用于预测资源需求的目标模型;
根据所述目标模型对当前平台的资源需求进行预测,得到预测的资源需求。
第二方面,本发明实施例还提供了一种资源预测装置,包括:
异质网络获取模块,用于获取目标平台的异质网络,所述异质网络用于表示所述目标平台中部署模块的拓扑关系;
节点向量确定模块,用于根据目标节点在所述异质网络中的拓扑关系确定节点向量,所述目标节点为所述异质网络中的任意一个节点;
资源向量获取模块,用于获取目标时间的资源向量,所述资源向量包括多个资源在所述目标时间的资源需求;
目标向量确定模块,用于根据所述节点向量和所述资源向量确定所述目标时间的目标向量;
模型训练模块,用于通过预测模型对多个时间的目标向量进行训练,得到用于预测资源需求的目标模型;
预测模块,用于根据所述目标模型对当前平台的资源需求进行预测,得到预测的资源需求。
第三方面,本发明实施例还提供了一种计算机设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述程序时实现如本发明实施例所示的资源预测方法。
第四方面,本发明实施例还提供了一种包含计算机可执行指令的存储介质,所述计算机可执行指令在由计算机处理器执行时用于执行如本发明实施例所示的资源预测方法。
本发明实施例提供的资源预测方法,获取目标平台的异质网络,所述异质网络用于表示所述目标平台中部署模块的拓扑关系;根据目标节点在所述异质网络中的拓扑关系确定节点向量,所述目标节点为所述异质网络中的任意一个节点;获取目标时间的资源向量,所述资源向量包括多个资源在所述目标时间的资源需求;根据所述节点向量和所述资源向量确定所述目标时间的目标向量;通过预测模型对多个时间的目标向量进行训练,得到用于预测资源需求的目标模型;根据所述目标模型对当前平台的资源需求进行预测,得到预测的资源需求。以目标平台的异质网络为基础,确定每个目标节点的节点向量,节点向量表示节点执行过程中关联的其余部署模块,获取的资源向量可以表示目标时间目标平台上各种资源的需求情况,将资源向量与节点向量进行结合得到的目标向量能够将资源需求与部署模块相结合。通过预测模型对目标向量进行训练,可得到能够准确预测资源使用情况的目标模型。通过目标模型得到的目标平台的资源需求进行资源配置,能够实现部署模块的快速配置,提高应用资源分配速度。
附图说明
图1是本发明实施例一中的资源预测方法的流程图;
图2是本发明实施例一中的复杂网络示意图;
图3是本发明实施例一中异质网络示意图;
图4是本发明实施例二中的资源预测方法的流程图;
图5是本发明实施例三中的资源预测方法的流程图;
图6是本发明实施例四中的资源预测方法的流程图;
图7是本发明实施例五中的资源预测装置的结构示意图;
图8是本发明实施例六中的计算机设备的结构示意图。
具体实施方式
下面结合附图和实施例对本发明作进一步的详细说明。可以理解的是,此处所描述的具体实施例仅仅用于解释本发明,而非对本发明的限定。另外还需要说明的是,为了便于描述,附图中仅示出了与本发明相关的部分而非全部结构。
实施例一
图1为本发明实施例一提供的资源预测方法的流程图,本实施例可适用于平台即服务中为部署模块分配资源的情况,该方法可以由进行资源部署的计算机设备来执行,具体包括如下步骤:
步骤110、获取目标平台的异质网络,异质网络用于表示目标平台中部署模块的拓扑关系。
目标平台可以为平台即服务(PaaS)。复杂网络是一种利用网络拓扑结构性质对网络中的节点以及连边关系进行分析的一种方法。通过图论可以对复杂网络进行数学表示,如图2所示,复杂网络的正式定义如下:一个无向网络(有向网络)G=(V,E)包含了两个集合V和E,其中并且E是一个无序的(有序的)节点对,其中的节点都属于集合V。集合V中的元素V={v1,v2,...,vN}就是网络G的节点,集合E中的元素E={e1,e2,…,eM}就是网络G的连边。
图2给出一个复杂网络G=(V,E),其中节点类型映射为边类型映射为ψ:E→R。对于复杂网络中的任意一个节点v∈V的类型都属于集合任意一条边的e∈E的类型属于集合R:ψ(e)∈R。如果节点类型的数量|A|>1或者连边类型的数量|R|>1,那么这个复杂网络就是一个异质信息网络,简称异质网络。
可选的,目标平台中部署模块包括:前端应用、后端应用、移动端应用、关系型数据库、非关系型数据库、负载均衡或缓存应用。
PaaS应用关系拓扑结构的提取与生成。部署在PaaS平台的各应用模块往往不是独立存在的,不同应用之间进行交互和通信,从而共同为用户提供优质的服务。可以通过PaaS管理平台、应用间网络连通性以及应用部署架构图等方式,获得应用之间的关联关系,这些关联关系可以作为构建PaaS应用关系网络的基础。目标平台包含了不同的部署模块,包括但不限于前端应用、后端应用、移动端应用、关系型数据库、非关系型数据库、负载均衡或缓存应用。这些模块部署往往具有不同的资源消耗特性,比如后端应用往往对cpu计算资源要求较高,而关系型数据库通常对I/O资源有着更大的需求。因此可以根据不同的应用模块类型,建立独立的异质网络节点。
示例性的,如图3所示,图3所示的异质网络包含三种节点类型的异质网络。前端应用可能会访问不同的后端应用,这些连接关系构成了网络的异质连边,后端应用之间也可能存在交互。相同类型的节点之间的连接关系可以构成网络的同质连边。通过这种建模方式,可以将PaaS平台部署的所有应用模块抽象在异质网络模型中,通过该模型可以清晰的表达出各应用模块之间的拓扑关系。
由于应用之间存在拓扑关系,应用对于资源的需求也存在关联性。比如:某PaaS平台部署了一个电商应用系统和一个支付应用系统以及一个用户认证系统,电商应用系统需要调用用户认证系统,对卖家和买家进行登录控制,同时需要调用支付系统完成付款。假设电商应用系统要举办一场大型秒杀活动,于是该应用系统的访问流量将会在秒杀开始时迅速激增,因此会对上下游系统(用户认证系统、支付应用系统)的资源要求也有显著提高。因此,本发明实施例提出的异质网络模型可以准确的反映出资源需求关系,从而指导PaaS平台进行合理的资源分配与回收。将生成的异质网络表示为G=(V,E)。其中节点类型Vtype根据应用系统部署资源的情况,分为多种类型。
步骤120、根据目标节点在异质网络中的拓扑关系确定节点向量,目标节点为异质网络中的任意一个节点。
基于异质网络的拓扑结构,可以采用node2vec方法将其拓扑结构生成特征向量,用于预测算法进行分类。在复杂网络研究领域,从某一初始节点Vi随机向相邻节点进行移动,重复m次后可以形成一个游走路径,如下述公式所示。
Vi={v1,v2…vm}
步骤130、获取目标时间的资源向量,资源向量包括多个资源在目标时间的资源需求。
步骤140、根据节点向量和资源向量确定目标时间的目标向量。
步骤150、通过预测模型对多个时间的目标向量进行训练,得到用于预测资源需求的目标模型。
步骤160、根据目标模型对当前平台的资源需求进行预测,得到预测的资源需求。
本发明实施例提供的资源预测方法,获取目标平台的异质网络,异质网络用于表示目标平台中部署模块的拓扑关系;根据目标节点在异质网络中的拓扑关系确定节点向量,目标节点为异质网络中的任意一个节点;获取目标时间的资源向量,资源向量包括多个资源在目标时间的资源需求;根据节点向量和资源向量确定目标时间的目标向量;通过预测模型对多个时间的目标向量进行训练,得到用于预测资源需求的目标模型;根据目标模型对当前平台的资源需求进行预测,得到预测的资源需求。以目标平台的异质网络为基础,确定每个目标节点的节点向量,节点向量表示节点执行过程中关联的其余部署模块,获取的资源向量可以表示目标时间目标平台上各种资源的需求情况,将资源向量与节点向量进行结合得到的目标向量能够将资源需求与部署模块相结合。通过预测模型对目标向量进行训练,可得到能够准确预测资源使用情况的目标模型。通过目标模型得到的目标平台的资源需求进行资源配置,能够实现部署模块的快速配置,提高应用资源分配速度。
实施例二
图4为本发明实施例提供的资源预测方法的流程图,作为对上述实施例的进一步说明,在根据目标节点在异质网络中的拓扑关系确定节点向量之后,还包括:根据预设优先搜索算法确定节点之间转移函数的概率;根据转移函数的概率优化随机游走路径;根据优化后的随机游走路径,确定优化节点向量;相应的,根据节点向量和资源向量确定目标时间的目标向量,包括:根据优化节点向量和资源向量确定目标时间的目标向量。上述方法包括:
步骤201、获取目标平台的异质网络,异质网络用于表示目标平台中部署模块的拓扑关系;
步骤202、根据目标节点在异质网络中的拓扑关系确定节点向量,目标节点为异质网络中的任意一个节点;
步骤203、根据预设优先搜索算法确定节点之间转移函数的概率。
其中,预设优选搜索算法包括广度优先搜索(BFS)和深度优先搜索(DFS)。
步骤204、根据转移函数的概率优化随机游走路径。
步骤205、根据优化后的随机游走路径,确定优化节点向量。
node2vec方法结合了广度优先搜索(BFS)和深度优先搜索(DFS)的特点,通过对参数的控制改变节点之间转移函数的概率,从而优化随机游走路径,最终得到一组特征向量W,如下述公式所示。
W={w1,w2…wn}
步骤206、获取目标时间的资源向量,资源向量包括多个资源在目标时间的资源需求;
步骤207、根据优化节点向量和资源向量确定目标时间的目标向量。
步骤208、通过预测模型对多个时间的目标向量进行训练,得到用于预测资源需求的目标模型;
步骤209、根据目标模型对当前平台的资源需求进行预测,得到预测的资源需求。
本发明实施例提供的资源预测方法,能够通过node2vec方法与深度优先或广度优先对目标几点的游走路径进行优化,使得优化后的优化节点向量能够更加准确的体现节点运行或资源关联情况,提高准确性。
实施例三
图5为本发明实施例提供的资源预测方法的流程图,作为对上述实施例的进一步说明,在确定优化节点向量之后,还包括:获取目标节点的多个节点特征;根据多个节点特征确定节点特征向量;相应的,根据优化节点向量和资源向量确定目标时间的目标向量,包括:根据优化节点向量、节点特征向量和资源向量确定目标时间的目标向量。上述方法包括:
步骤301、获取目标平台的异质网络,异质网络用于表示目标平台中部署模块的拓扑关系;
步骤302、根据目标节点在异质网络中的拓扑关系确定节点向量,目标节点为异质网络中的任意一个节点。
可选的,根据目标节点在异质网络中的拓扑关系确定节点向量,可实施为:
根据目标节点在异质网络中的拓扑关系,随机向相邻节点移动;
通过多次的相邻节点移动,得到游走路径;
根据游走路径确定节点向量。
基于异质网络的拓扑结构,可以采用node2vec方法将其拓扑结构生成特征向量,用于预测算法进行分类。在复杂网络研究领域,从某一初始节点Vi随机向相邻节点进行移动,重复m次后可以形成一个游走路径,如下述公式所示。
Vi={v1,v2…vm}
步骤303、根据预设优先搜索算法确定节点之间转移函数的概率;
步骤304、根据转移函数的概率优化随机游走路径;
步骤305、根据优化后的随机游走路径,确定优化节点向量。
node2vec结合了广度优先搜索(BFS)和深度优先搜索(DFS)的特点,通过对参数的控制改变节点之间转移函数的概率,从而优化随机游走路径,最终得到一组特征向量W,如公式6-2所示。
W={w1,w2…wn}
步骤306、获取目标节点的多个节点特征。
步骤307、根据多个节点特征确定节点特征向量。
除了node2vec方法生成的特征,还可以补充一些基础特征,用于完善模型。通过PaaS平台监控各应用对不同资源的占用情况,构成时间序列。此外,可以增加应用类别、用户规模、用户年龄以及高峰时段等应用基础特征及用户特征。将这些特征进行收集,构建特征向量,用于DeepAR预测模型的输入。其中t时刻的特征向量,如下述公式所示。
Ut={u1,u2…up}
步骤308、获取目标时间的资源向量,资源向量包括多个资源在目标时间的资源需求。
步骤309、根据优化节点向量、节点特征向量和资源向量确定目标时间的目标向量。
结合基础特征与节点关系特征,作为模型的输入特征,如下述公式所示。
Xt={u1,u2…up,w1,w2…wn}
步骤310、通过预测模型对多个时间的目标向量进行训练,得到用于预测资源需求的目标模型。
步骤311、根据目标模型对当前平台的资源需求进行预测,得到预测的资源需求。
本发明实施例提供的资源预测方法,能够将目标节点的基础特征形成节点特征向量,将节点特征向量与优化节点向量相结合,提高预测模型输入的多元性。
实施例四
图6为本发明实施例提供的资源预测方法的流程图,作为对上述实施例的进一步说明,通过预测模型对多个时间的目标向量进行训练,得到用于预测资源需求的目标模型,包括:根据多个时间的目标向量确定训练集和测试集;通过预测模型对训练集中的目标向量进行训练;根据测试集对训练得到的初始模型进行优化,得到用于预测资源需求的目标模型。上述方法包括:
步骤401、获取目标平台的异质网络,异质网络用于表示目标平台中部署模块的拓扑关系;
步骤402、根据目标节点在异质网络中的拓扑关系确定节点向量,目标节点为异质网络中的任意一个节点;
步骤403、获取目标时间的资源向量,资源向量包括多个资源在目标时间的资源需求;
步骤404、根据节点向量和资源向量确定目标时间的目标向量;
步骤405、根据多个时间的目标向量确定训练集和测试集;
步骤406、通过预测模型对训练集中的目标向量进行训练;
步骤407、根据测试集对训练得到的初始模型进行优化,得到用于预测资源需求的目标模型。
可选的,预测模型为DeepAR模型。
将t时刻部署应用的资源需求,如cpu计算资源、内存资源,I/O资源,网络资源作为t时刻的标签。
Yt={y1,y2…ym}
预测模型的构建。由于PaaS资源在不同时刻的变化具有一定的相关性,因此选用DeepAR预测模型。特征包括基础特征和系统关联性特征。可以构建时间序列,根据T时刻之前的特征来预测t+T时刻的情况。采用滑动窗口对数据进行分割,窗口大小为T。将z时刻之前的数据作为训练集,z时刻之后作为测试集,如下述公式所示。
Xtrain={Xt+1,Xt+2…Xt+T}
Ytrain={Yt+T}
Xtest={Xt+z+1,Xt+z+2…Xt+z+T}
Ytest={Yt+z+T}
DeepAR模型会根据当前序列和前一个序列的隐藏状态生成新隐藏状态,如公式6-10所示。
Ht=DeepAR(Xt,Ht-1) (6-10)
采用最大化DeepAR对数似然函数的方法来训练神经网络参数。
根据训练出的预测模型可以对PaaS平台中各应用资源使用情况进行预测。同时,由于PaaS平台可以定期收集当前数据,因此可以通过获取样例之后不断更新预测模型,提高模型的精确率。
步骤408、根据目标模型对当前平台的资源需求进行预测,得到预测的资源需求。
本发明采用异质网络对PaaS平台各应用进行建模,绘制应用关系图,而后通过node2vec方法将抽象的应用关系网络进行向量化,形成应用关系特征,基于这些应用关系特征以及不同时间序列中各应用的资源使用特征,采用DeepAR算法建立预测模型,对下一时刻的应用所需资源情况进行预测,从而指导PaaS平台进行资源的分配和回收,既要能够保障部署在平台上的应用稳定运行,在面对峰值流量时能够得到适当的资源扩充,又要在流量降低时及时回收剩余资源,达到低碳节能的效果。
实施例五
图7为本发明实施例五提供的资源预测装置的结构示意图,本实施例可适用于平台即服务中为部署模块分配资源的情况,该装置可以由进行资源部署的计算机设备来执行,具体包括:异质网络获取模块51、节点向量确定模块52、资源向量获取模块53、目标向量确定模块54、模型训练模块55以及预测模块56。
异质网络获取模块51,用于获取目标平台的异质网络,所述异质网络用于表示所述目标平台中部署模块的拓扑关系;
节点向量确定模块52,用于根据目标节点在所述异质网络中的拓扑关系确定节点向量,所述目标节点为所述异质网络中的任意一个节点;
资源向量获取模块53,用于获取目标时间的资源向量,所述资源向量包括多个资源在所述目标时间的资源需求;
目标向量确定模块54,用于根据所述节点向量和所述资源向量确定所述目标时间的目标向量;
模型训练模块55,用于通过预测模型对多个时间的目标向量进行训练,得到用于预测资源需求的目标模型;
预测模块56,用于根据所述目标模型对当前平台的资源需求进行预测,得到预测的资源需求。
在上述实施方式的基础上,还包括节点优化模块,节点优化模块用于:
根据预设优先搜索算法确定节点之间转移函数的概率;
根据所述转移函数的概率优化随机游走路径;
根据优化后的随机游走路径,确定优化节点向量;
相应的,目标向量确定模块54用于:
根据所述优化节点向量和所述资源向量确定所述目标时间的目标向量。
在上述实施方式的基础上,还包括节点特征确定模块,节点特征确定模块用于:
获取目标节点的多个节点特征;
根据所述多个节点特征确定节点特征向量;
相应的,目标向量确定模块54用于:
根据所述优化节点向量、所述节点特征向量和所述资源向量确定所述目标时间的目标向量。
在上述实施方式的基础上,节点向量确定模块52用于:
根据目标节点在所述异质网络中的拓扑关系,随机向相邻节点移动;
通过多次的相邻节点移动,得到游走路径;
根据所述游走路径确定节点向量。
在上述实施方式的基础上,模型训练模块55用于:
根据多个时间的目标向量确定训练集和测试集;
通过预测模型对所述训练集中的目标向量进行训练;
根据所述测试集对训练得到的初始模型进行优化,得到用于预测资源需求的目标模型。
在上述实施方式的基础上,所述预测模型为DeepAR模型。
在上述实施方式的基础上,所述目标平台中部署模块包括:前端应用、后端应用、移动端应用、关系型数据库、非关系型数据库、负载均衡或缓存应用。
本发明实施例提供的资源预测装置,异质网络获取模块51,用于获取目标平台的异质网络,所述异质网络用于表示所述目标平台中部署模块的拓扑关系;节点向量确定模块52,用于根据目标节点在所述异质网络中的拓扑关系确定节点向量,所述目标节点为所述异质网络中的任意一个节点;资源向量获取模块53,用于获取目标时间的资源向量,所述资源向量包括多个资源在所述目标时间的资源需求;目标向量确定模块54,用于根据所述节点向量和所述资源向量确定所述目标时间的目标向量;模型训练模块55,用于通过预测模型对多个时间的目标向量进行训练,得到用于预测资源需求的目标模型;预测模块56,用于根据所述目标模型对当前平台的资源需求进行预测,得到预测的资源需求。以目标平台的异质网络为基础,确定每个目标节点的节点向量,节点向量表示节点执行过程中关联的其余部署模块,获取的资源向量可以表示目标时间目标平台上各种资源的需求情况,将资源向量与节点向量进行结合得到的目标向量能够将资源需求与部署模块相结合。通过预测模型对目标向量进行训练,可得到能够准确预测资源使用情况的目标模型。通过目标模型得到的目标平台的资源需求进行资源配置,能够实现部署模块的快速配置,提高应用资源分配速度。
本发明实施例所提供的资源预测装置可执行本发明任意实施例所提供的资源预测方法,具备执行方法相应的功能模块和有益效果。
实施例六
图8为本发明实施例六提供的一种计算机设备的结构示意图,如图8所示,该计算机设备包括处理器70、存储器71、输入装置72和输出装置73;计算机设备中处理器70的数量可以是一个或多个,图8中以一个处理器70为例;计算机设备中的处理器70、存储器71、输入装置72和输出装置73可以通过总线或其他方式连接,图8中以通过总线连接为例。
存储器71作为一种计算机可读存储介质,可用于存储软件程序、计算机可执行程序以及模块,如本发明实施例中的资源预测方法对应的程序指令/模块(例如,资源预测装置中的异质网络获取模块51、节点向量确定模块52、资源向量获取模块53、目标向量确定模块54、模型训练模块55以及预测模块56)。处理器70通过运行存储在存储器71中的软件程序、指令以及模块,从而执行计算机设备的各种功能应用以及数据处理,即实现上述的资源预测方法。
存储器71可主要包括存储程序区和存储数据区,其中,存储程序区可存储操作系统、至少一个功能所需的应用程序;存储数据区可存储根据终端的使用所创建的数据等。此外,存储器71可以包括高速随机存取存储器,还可以包括非易失性存储器,例如至少一个磁盘存储器件、闪存器件、或其他非易失性固态存储器件。在一些实例中,存储器71可进一步包括相对于处理器70远程设置的存储器,这些远程存储器可以通过网络连接至计算机设备。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
输入装置72可用于接收输入的数字或字符信息,以及产生与计算机设备的用户设置以及功能控制有关的键信号输入。输出装置73可包括显示屏等显示设备。
实施例七
本发明实施例七还提供一种包含计算机可执行指令的存储介质,所述计算机可执行指令在由计算机处理器执行时用于执行一种资源预测方法,该方法包括:
获取目标平台的异质网络,所述异质网络用于表示所述目标平台中部署模块的拓扑关系;
根据目标节点在所述异质网络中的拓扑关系确定节点向量,所述目标节点为所述异质网络中的任意一个节点;
获取目标时间的资源向量,所述资源向量包括多个资源在所述目标时间的资源需求;
根据所述节点向量和所述资源向量确定所述目标时间的目标向量;
通过预测模型对多个时间的目标向量进行训练,得到用于预测资源需求的目标模型;
根据所述目标模型对当前平台的资源需求进行预测,得到预测的资源需求。
在上述实施方式的基础上,在根据目标节点在所述异质网络中的拓扑关系确定节点向量之后,还包括:
根据预设优先搜索算法确定节点之间转移函数的概率;
根据所述转移函数的概率优化随机游走路径;
根据优化后的随机游走路径,确定优化节点向量;
相应的,根据所述节点向量和所述资源向量确定所述目标时间的目标向量,包括:
根据所述优化节点向量和所述资源向量确定所述目标时间的目标向量。
在上述实施方式的基础上,在确定优化节点向量之后,还包括:
获取目标节点的多个节点特征;
根据所述多个节点特征确定节点特征向量;
相应的,根据所述优化节点向量和所述资源向量确定所述目标时间的目标向量,包括:
根据所述优化节点向量、所述节点特征向量和所述资源向量确定所述目标时间的目标向量。
在上述实施方式的基础上,所述根据目标节点在所述异质网络中的拓扑关系确定节点向量,包括:
根据目标节点在所述异质网络中的拓扑关系,随机向相邻节点移动;
通过多次的相邻节点移动,得到游走路径;
根据所述游走路径确定节点向量。
在上述实施方式的基础上,通过预测模型对多个时间的目标向量进行训练,得到用于预测资源需求的目标模型,包括:
根据多个时间的目标向量确定训练集和测试集;
通过预测模型对所述训练集中的目标向量进行训练;
根据所述测试集对训练得到的初始模型进行优化,得到用于预测资源需求的目标模型。
在上述实施方式的基础上,所述预测模型为DeepAR模型。
在上述实施方式的基础上,所述目标平台中部署模块包括:前端应用、后端应用、移动端应用、关系型数据库、非关系型数据库、负载均衡或缓存应用。
当然,本发明实施例所提供的一种包含计算机可执行指令的存储介质,其计算机可执行指令不限于如上所述的方法操作,还可以执行本发明任意实施例所提供的资源预测方法中的相关操作。
通过以上关于实施方式的描述,所属领域的技术人员可以清楚地了解到,本发明可借助软件及必需的通用硬件来实现,当然也可以通过硬件实现,但很多情况下前者是更佳的实施方式。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来,该计算机软件产品可以存储在计算机可读存储介质中,如计算机的软盘、只读存储器(Read-Only Memory,ROM)、随机存取存储器(RandomAccess Memory,RAM)、闪存(FLASH)、硬盘或光盘等,包括若干指令用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)执行本发明各个实施例所述的方法。
值得注意的是,上述资源预测装置的实施例中,所包括的各个单元和模块只是按照功能逻辑进行划分的,但并不局限于上述的划分,只要能够实现相应的功能即可;另外,各功能单元的具体名称也只是为了便于相互区分,并不用于限制本发明的保护范围。
注意,上述仅为本发明的较佳实施例及所运用技术原理。本领域技术人员会理解,本发明不限于这里所述的特定实施例,对本领域技术人员来说能够进行各种明显的变化、重新调整和替代而不会脱离本发明的保护范围。因此,虽然通过以上实施例对本发明进行了较为详细的说明,但是本发明不仅仅限于以上实施例,在不脱离本发明构思的情况下,还可以包括更多其他等效实施例,而本发明的范围由所附的权利要求范围决定。
Claims (10)
1.一种资源预测方法,其特征在于,包括:
获取目标平台的异质网络,所述异质网络用于表示所述目标平台中部署模块的拓扑关系;
根据目标节点在所述异质网络中的拓扑关系确定节点向量,所述目标节点为所述异质网络中的任意一个节点;
获取目标时间的资源向量,所述资源向量包括多个资源在所述目标时间的资源需求;
根据所述节点向量和所述资源向量确定所述目标时间的目标向量;
通过预测模型对多个时间的目标向量进行训练,得到用于预测资源需求的目标模型;
根据所述目标模型对当前平台的资源需求进行预测,得到预测的资源需求。
2.根据权利要求1所述的方法,其特征在于,在根据目标节点在所述异质网络中的拓扑关系确定节点向量之后,还包括:
根据预设优先搜索算法确定节点之间转移函数的概率;
根据所述转移函数的概率优化随机游走路径;
根据优化后的随机游走路径,确定优化节点向量;
相应的,根据所述节点向量和所述资源向量确定所述目标时间的目标向量,包括:
根据所述优化节点向量和所述资源向量确定所述目标时间的目标向量。
3.根据权利要求2所述的方法,其特征在于,在确定优化节点向量之后,还包括:
获取目标节点的多个节点特征;
根据所述多个节点特征确定节点特征向量;
相应的,根据所述优化节点向量和所述资源向量确定所述目标时间的目标向量,包括:
根据所述优化节点向量、所述节点特征向量和所述资源向量确定所述目标时间的目标向量。
4.根据权利要求3所述的方法,其特征在于,所述根据目标节点在所述异质网络中的拓扑关系确定节点向量,包括:
根据目标节点在所述异质网络中的拓扑关系,随机向相邻节点移动;
通过多次的相邻节点移动,得到游走路径;
根据所述游走路径确定节点向量。
5.根据权利要求1所述的方法,其特征在于,通过预测模型对多个时间的目标向量进行训练,得到用于预测资源需求的目标模型,包括:
根据多个时间的目标向量确定训练集和测试集;
通过预测模型对所述训练集中的目标向量进行训练;
根据所述测试集对训练得到的初始模型进行优化,得到用于预测资源需求的目标模型。
6.根据权利要求5所述的方法,其特征在于,所述预测模型为DeepAR模型。
7.根据权利要求1所述的方法,其特征在于,所述目标平台中部署模块包括:前端应用、后端应用、移动端应用、关系型数据库、非关系型数据库、负载均衡或缓存应用。
8.一种资源预测装置,其特征在于,包括:
异质网络获取模块,用于获取目标平台的异质网络,所述异质网络用于表示所述目标平台中部署模块的拓扑关系;
节点向量确定模块,用于根据目标节点在所述异质网络中的拓扑关系确定节点向量,所述目标节点为所述异质网络中的任意一个节点;
资源向量获取模块,用于获取目标时间的资源向量,所述资源向量包括多个资源在所述目标时间的资源需求;
目标向量确定模块,用于根据所述节点向量和所述资源向量确定所述目标时间的目标向量;
模型训练模块,用于通过预测模型对多个时间的目标向量进行训练,得到用于预测资源需求的目标模型;
预测模块,用于根据所述目标模型对当前平台的资源需求进行预测,得到预测的资源需求。
9.一种计算机设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,其特征在于,所述处理器执行所述程序时实现如权利要求1-7中任一所述的资源预测方法。
10.一种包含计算机可执行指令的存储介质,所述计算机可执行指令在由计算机处理器执行时用于执行如权利要求1-7中任一所述的资源预测方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211348800.3A CN115629883A (zh) | 2022-10-31 | 2022-10-31 | 资源预测方法、装置、计算机设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211348800.3A CN115629883A (zh) | 2022-10-31 | 2022-10-31 | 资源预测方法、装置、计算机设备及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115629883A true CN115629883A (zh) | 2023-01-20 |
Family
ID=84909534
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211348800.3A Pending CN115629883A (zh) | 2022-10-31 | 2022-10-31 | 资源预测方法、装置、计算机设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115629883A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116662010A (zh) * | 2023-06-14 | 2023-08-29 | 肇庆学院 | 基于分布式系统环境下的动态资源分配方法及系统 |
-
2022
- 2022-10-31 CN CN202211348800.3A patent/CN115629883A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116662010A (zh) * | 2023-06-14 | 2023-08-29 | 肇庆学院 | 基于分布式系统环境下的动态资源分配方法及系统 |
CN116662010B (zh) * | 2023-06-14 | 2024-05-07 | 肇庆学院 | 基于分布式系统环境下的动态资源分配方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US8005654B2 (en) | Method, apparatus and computer program product for intelligent workload control of distributed storage | |
CN110348526B (zh) | 一种基于半监督聚类算法的设备类型识别方法和装置 | |
CN111867049B (zh) | 定位方法、装置及存储介质 | |
Huang et al. | DeePar: A hybrid device-edge-cloud execution framework for mobile deep learning applications | |
CN103838803A (zh) | 一种基于节点Jaccard相似度的社交网络社团发现方法 | |
WO2022001918A1 (zh) | 构建预测模型的方法、装置、计算设备和存储介质 | |
CN105574541A (zh) | 一种基于紧密度排序的网络社区发现方法 | |
Mao et al. | A comprehensive algorithm for evaluating node influences in social networks based on preference analysis and random walk | |
CN113128143B (zh) | Ai处理器的仿真方法、装置、计算机设备及存储介质 | |
CN114915630A (zh) | 基于物联网设备的任务分配方法、网络训练方法及装置 | |
CN110851662A (zh) | 基于元路径的异质信息网络链路预测方法 | |
CN113688490A (zh) | 网络共建共享处理方法、装置、设备及存储介质 | |
CN113282409A (zh) | 边缘计算任务的处理方法、装置和计算机设备 | |
CN115629883A (zh) | 资源预测方法、装置、计算机设备及存储介质 | |
CN110199278A (zh) | 计算机网络中的高效数据传播 | |
CN117156442A (zh) | 基于5g网络的云数据安全保护方法及系统 | |
Gao et al. | A deep learning framework with spatial-temporal attention mechanism for cellular traffic prediction | |
Liu et al. | A SDN-based intelligent prediction approach to power traffic identification and monitoring for smart network access | |
Xiao et al. | ORHRC: Optimized recommendations of heterogeneous resource configurations in cloud-fog orchestrated computing environments | |
Anoop et al. | Exploitation whale optimization based optimal offloading approach and topology optimization in a mobile ad hoc cloud environment | |
Lv et al. | Analyzing the service availability of mobile cloud computing systems by fluid-flow approximation | |
Ferdosian et al. | Autonomous Intelligent VNF Profiling for Future Intelligent Network Orchestration | |
CN114565105A (zh) | 处理数据的方法和深度学习模型的训练方法、装置 | |
Zhang et al. | Deploying GIS services into the edge: A study from performance evaluation and optimization viewpoint | |
Han et al. | Opportunistic coded distributed computing: An evolutionary game approach |
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 |