CN115794360A - 租户计算资源的自适应优化方法、装置、设备及存储介质 - Google Patents
租户计算资源的自适应优化方法、装置、设备及存储介质 Download PDFInfo
- Publication number
- CN115794360A CN115794360A CN202111055961.9A CN202111055961A CN115794360A CN 115794360 A CN115794360 A CN 115794360A CN 202111055961 A CN202111055961 A CN 202111055961A CN 115794360 A CN115794360 A CN 115794360A
- Authority
- CN
- China
- Prior art keywords
- resource
- utilization rate
- tenant
- data
- 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
-
- 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
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本申请公开了一种租户计算资源的自适应优化方法、装置、设备及存储介质,该方法包括:获取租户的历史计算资源数据,确定所述历史计算资源数据的资源使用率;确定所述资源使用率的目标数据波型,根据所述目标数据波型自适应确定目标算法模型;根据所述目标算法模型,预测所述资源使用率对应的趋势类型;根据所述趋势类型,对所述租户的计算资源进行优化。不同资源使用率,动态自适应地匹配到针对性的目标算法模型,即不同类型的资源使用率适配到相应的目标算法模型,进而根据目标算法模型,准确预测所述资源使用率对应的趋势类型;以基于趋势类型准确对所述租户的计算资源进行优化,避免计算资源的浪费。
Description
技术领域
本申请涉及通信计算机技术领域,尤其涉及一种租户计算资源的自适应优化方法、装置、设备及存储介质。
背景技术
计算资源成本优化是缩减成本预算的关键环节,而面对复杂的网络结构、巨量的资源节点以及海量的运行指标,目前公司优化计算资源成本的方式是:由专业组以人工的方式抽样租户,在抽样租户后,通过单一的算法模型分析租户对计算资源的使用情况,进而根据分析情况对租户进行资源回收或者增加(即优化成本的过程),由于所有租户资源使用数据的复杂性,通过单一算法模型的分析租户对计算资源的使用情况,很显然,会导致难以准确对计算资源成本进行优化,造成计算资源的浪费。
发明内容
本申请的主要目的在于提供一种租户计算资源的自适应优化方法、装置、设备及存储介质,旨在解决现有计算资源浪费多的技术问题。
为实现上述目的,本申请提供一种租户计算资源的自适应优化方法,所述租户计算资源的自适应优化方法包括:
获取租户的历史计算资源数据,确定所述历史计算资源数据的资源使用率;
确定所述资源使用率的目标数据波型,根据所述目标数据波型自适应确定目标算法模型;
根据所述目标算法模型,预测所述资源使用率对应的趋势类型;
根据所述趋势类型,对所述租户的计算资源进行优化。
可选地,所述确定所述历史计算资源数据的资源使用率的步骤,包括:
确定所述租户的计算时间窗口,并确定所述租户在所述计算时间窗口内的最大份申请资源;
根据所述最大份申请资源和所述计算时间窗口,确定所述租户的配额资源面积;
基于所述历史计算资源数据,通过积分方式确定所述租户资源使用量的面积;
通过所述资源使用量的面积以及配额资源面积,计算所述历史计算资源数据在所述计算时间窗口下的资源使用率,并得到所述历史计算资源数据的资源使用率。
可选地,所述确定所述资源使用率的目标数据波型,根据所述目标数据波型自适应确定目标算法模型的步骤,包括:
确定所述资源使用率的数据波动形态,基于所述数据波动形态以及预设的各类型的波型模板,确定所述资源使用率的目标数据波型;
若所述目标数据波型具有周期性特征,则自适应确定目标算法模型为周期性算法模型;
若所述目标数据波型不具有周期性特征,则自适应确定目标算法模型为非周期性算法模型,所述非周期性算法模型包括滑动时间窗口算法模型。
可选地,所述目标算法模型包括滑动时间窗口算法模型,所述根据所述目标算法模型,预测所述资源使用率对应的趋势类型的步骤,包括:
确定所述资源使用率的滑动时间窗口以及预设移动方式;
基于所述滑动时间窗口、所述预设移动方式以及所述资源使用率,确定每一个预设滑动时间段的局部平均使用率;
基于所述局部平均使用率,计算得到所述租户资源使用率的时序数据;
基于所述时序数据,确定所述资源使用率的分布趋势;
根据所述资源使用率的分布趋势,预测所述资源使用率对应的趋势类型。
可选地,所述目标算法模型包括周期性模型,所述根据所述目标算法模型,预测所述资源使用率对应的趋势类型的步骤,包括:
确定所述周期性模型对应的趋势周期;
根据所述趋势周期,确定所述租户当前的周期属性;
根据所述周期属性,预测所述资源使用率对应的趋势类型。
可选地,所述根据所述趋势类型,对所述租户的计算资源进行优化的步骤,包括:
若所述资源使用率对应趋势为低效使用率趋势时,减少所述租户的计算资源;
若所述资源使用率对应趋势为高效使用率趋势时,增多所述租户的计算资源。
可选地,所述获取租户的历史计算资源数据,确定所述历史计算资源数据的资源使用率的步骤,包括:
获取租户的历史计算资源数据,对所述历史计算资源数据进行重复值过滤、异常值剔除以及数据归一化处理,得到处理数据;
基于所述处理数据,确定所述历史计算资源数据的资源使用率。
本申请还提供一种租户计算资源的自适应优化装置,所述租户计算资源的自适应优化装置包括:
第一确定模块,用于获取租户的历史计算资源数据,确定所述历史计算资源数据的资源使用率;
第二确定模块,用于确定所述资源使用率的目标数据波型,根据所述目标数据波型自适应确定目标算法模型;
预测模块,用于根据所述目标算法模型,预测所述资源使用率对应趋势是否为低效使用率趋势;
优化模块,用于若所述资源使用率对应趋势为低效使用率趋势时,对所述租户的计算资源进行优化。
可选地,所述第一确定模块包括:
第一确定单元,用于确定所述租户的计算时间窗口,并确定所述租户在所述计算时间窗口内的最大份申请资源;
第二确定单元,用于根据所述最大份申请资源和所述计算时间窗口,确定所述租户的配额资源面积;
第三确定单元,用于基于所述历史计算资源数据,通过积分方式确定所述租户资源使用量的面积;
第一计算单元,用于通过所述资源使用量的面积以及配额资源面积,计算所述历史计算资源数据在所述计算时间窗口下的资源使用率,并得到所述历史计算资源数据的资源使用率。
可选地,所述第二确定模块包括:
第四确定单元,用于确定所述资源使用率的数据波动形态,基于所述数据波动形态以及预设的各类型的波型模板,确定所述资源使用率的目标数据波型;
第一自适应单元,用于若所述目标数据波型具有周期性特征,则自适应确定目标算法模型为周期性算法模型;
第二自适应单元,用于若所述目标数据波型不具有周期性特征,则自适应确定目标算法模型为非周期性算法模型,所述非周期性算法模型包括滑动时间窗口算法模型。
可选地,所述预测模块包括:
第五确定单元,用于确定所述资源使用率的滑动时间窗口以及预设移动方式;
第六确定单元,用于基于所述滑动时间窗口、所述预设移动方式以及所述资源使用率,确定每一个预设滑动时间段的局部平均使用率;
第二计算单元,用于基于所述局部平均使用率,计算得到所述租户资源使用率的时序数据;
第七确定单元,用于基于所述时序数据,确定所述资源使用率的分布趋势;
第一预测单元,用于根据所述资源使用率的分布趋势,预测所述资源使用率对应的趋势类型。
可选地,所述预测模块还包括:
第八确定单元,用于确定所述周期性模型对应的趋势周期;
第九确定单元,用于根据所述趋势周期,确定所述租户当前的周期属性;
第二预测确定单元,用于根据所述周期属性,预测所述资源使用率对应的趋势类型。
可选地,所述优化模块包括:
资源减少单元,用于若所述资源使用率对应趋势为低效使用率趋势时,减少所述租户的计算资源;
资源增加单元,用于若所述资源使用率对应趋势为高效使用率趋势时,增多所述租户的计算资源。
可选地,所述第一确定模块包括:
获取单元,用于获取租户的历史计算资源数据,对所述历史计算资源数据进行重复值过滤、异常值剔除以及数据归一化处理,得到处理数据;
第十确定单元,用于基于所述处理数据,确定所述历史计算资源数据的资源使用率。
本申请还提供一种租户计算资源的自适应优化设备,所述租户计算资源的自适应优化设备为实体节点设备,所述租户计算资源的自适应优化设备包括:存储器、处理器以及存储在所述存储器上并可在所述处理器上运行的所述租户计算资源的自适应优化方法的程序,所述租户计算资源的自适应优化方法的程序被处理器执行时可实现如上述所述租户计算资源的自适应优化方法的步骤。
本申请还提供一种存储介质,所述存储介质上存储有实现上述租户计算资源的自适应优化方法的程序,所述租户计算资源的自适应优化方法的程序被处理器执行时实现如上述所述租户计算资源的自适应优化方法的步骤。
本申请还提供一种计算机程序产品、包括计算机程序,该计算机程序被处理器执行时实现上述所述租户计算资源的自适应优化方法的步骤。
本申请提供一种租户计算资源的自适应优化方法、装置、设备及存储介质,与现有技术中基于单一模型对计算资源成本进行优化,造成计算资源浪费过多相比,在本申请中,获取租户的历史计算资源数据,确定所述历史计算资源数据的资源使用率;确定所述资源使用率的目标数据波型,根据所述目标数据波型自适应确定目标算法模型;根据所述目标算法模型,预测所述资源使用率对应的趋势类型;根据所述趋势类型,对所述租户的计算资源进行优化。在本申请中,根据租户的历史计算资源数据,确定租户的资源使用率,在确定租户的资源使用率后,根据所述资源使用率的目标数据波型,自适应地确定目标算法模型,可以理解,不同资源使用率,动态自适应地匹配到针对性的目标算法模型,即不同类型的资源使用率适配到相应的目标算法模型,进而根据目标算法模型,准确预测所述资源使用率对应的趋势类型;以基于趋势类型准确对所述租户的计算资源进行优化,避免计算资源的浪费。
附图说明
此处的附图被并入说明书中并构成本说明书的一部分,示出了符合本申请的实施例,并与说明书一起用于解释本申请的原理。
为了更清楚地说明本申请实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,对于本领域普通技术人员而言,在不付出创造性劳动性的前提下,还可以根据这些附图获得其他的附图。
图1为本申请租户计算资源的自适应优化方法第一实施例的流程示意图;
图2为本申请租户计算资源的自适应优化方法第二实施例的流程示意图;
图3为本申请实施例方案涉及的硬件运行环境的设备结构示意图;
图4为本申请租户计算资源的自适应优化方法涉及的第一场景示意图;
图5为本申请租户计算资源的自适应优化方法涉及的第二场景示意图;
图6为本申请租户计算资源的自适应优化方法涉及的整体流程示意图;
图7为本申请租户计算资源的自适应优化方法涉及的架构示意图。
本申请目的实现、功能特点及优点将结合实施例,参照附图做进一步说明。
具体实施方式
应当理解,此处所描述的具体实施例仅仅用以解释本申请,并不用于限定本申请。
本申请实施例提供一种租户计算资源的自适应优化方法,在本申请租户计算资源的自适应优化方法的第一实施例中,参照图1,所述租户计算资源的自适应优化方法包括:
步骤S10,获取租户的历史计算资源数据,确定所述历史计算资源数据的资源使用率;
步骤S20,确定所述资源使用率的目标数据波型,根据所述目标数据波型自适应确定目标算法模型;
步骤S30,根据所述目标算法模型,预测所述资源使用率对应的趋势类型;
步骤S40,根据所述趋势类型,对所述租户的计算资源进行优化。
具体步骤如下:
步骤S10,获取租户的历史计算资源数据,确定所述历史计算资源数据的资源使用率;
在本实施例中,需要说明的是,租户计算资源的自适应优化方法可以应用于租户计算资源的自适应优化装置,该租户计算资源的自适应优化装置属于租户计算资源的自适应优化系统,该租户计算资源的自适应优化系统从属于租户计算资源的自适应优化设备。
在本实施例中,针对的应用场景可以是:
第一,计算资源成本优化是缩减成本预算的关键环节,而面对复杂的网络结构、巨量的资源节点以及海量的运行指标,目前公司优化计算资源成本的方式是:由专业组以人工的方式抽样租户,在抽样租户后,通过单一的算法模型分析租户对计算资源的使用情况,进而根据分析情况对租户进行资源回收或者增加(即优化成本的过程),由于所有租户资源使用数据的复杂性,通过单一算法模型的分析租户对计算资源的使用情况,很显然,会导致难以准确对计算资源成本进行优化,造成计算资源的浪费。
第二、计算资源成本优化是缩减成本预算的关键环节,而面对复杂的网络结构、巨量的资源节点以及海量的运行指标,目前公司优化计算资源成本的方式是:由专业组以人工的方式抽样租户,在抽样租户后,由专业组以人工的方式分析租户对计算资源的使用情况,进而根据分析情况对租户进行资源回收,或者向租户发起资源回收的告警(即优化成本的过程),由于人力资源的有限性和人为误差的客观存在,以人工的方式分析,很显然,会导致难以准确对计算资源成本进行优化,造成计算资源的浪费。
第三、计算资源成本优化是缩减成本预算的关键环节,而面对复杂的网络结构、巨量的资源节点以及海量的运行指标,目前公司优化计算资源成本的方式是:接收各个租户的待执行任务所需的资源的调度请求;根据所需的资源的调度请求对该各个租户的待执行任务进行评估,将待执行任务按照其所需资源的大小分成大任务和小任务,并根据每个租户分配到的资源总量调整该租户的待执行任务中同时运行的大任务和小任务的占比情况;根据调整后的同时运行的大任务和小任务的占比情况对各个租户的大任务和小任务进行虚拟资源配置,由于大任务和小任务的占比分配没有人工智能算法的支撑,且缺乏动态自适应的能力,很显然,会导致难以准确对计算资源成本进行优化,造成计算资源的浪费。
在本实施例中,首先获取租户的历史计算资源数据,然后确定所述历史计算资源数据的资源使用率。
在本实施例中,需要明确租户的概念,租户即是使用或者租用网络计算资源的主体,或者使用或者租用公司计算资源的主体。
其中,获取租户的历史计算资源数据的方式包括:
方式一:获取过去预设时间段内(历史时间段)租户的历史计算资源数据;
方式二:获取过去全部时间段内(历史时间段)租户的历史计算资源数据。
其中,获取租户的历史计算资源数据,确定所述历史计算资源数据的资源使用率的方式包括:
方式一:获取租户的历史计算资源数据,通过模型对历史计算资源数据进行数据特征分析,进而确定所述历史计算资源数据的资源使用率;
方式二:获取租户的历史计算资源数据,通过模型对历史计算资源数据进行统计分析,进而确定所述历史计算资源数据的资源使用率。
其中,所述获取租户的历史计算资源数据,确定所述历史计算资源数据的资源使用率的步骤,包括:
步骤S11,获取租户的历史计算资源数据,对所述历史计算资源数据进行重复值过滤、异常值剔除以及数据归一化处理,得到处理数据;
在本实施例中,是对历史计算资源数据进行预设的数据特征工程处理,并得到处理数据的过程,其中,预设的数据特征工程处理过程可以包括时间对齐处理、缺失数据补充处理、重复数据合并处理、数据接入量判断处理、数据特征分析处理等过程。
具体地,在本实施例中,首先对所述历史计算资源数据进行重复值过滤处理,重复值过滤处理的方式为:确定租户资源型号、时间和指标均重复的各字段,对于租户资源型号、时间和指标均重复的字段进行剔除,对于只有租户资源型号、时间字段重复的数据进行指标字段的数据合并(求和或取求均值处理),进而确保得到租户资源使用数据在时空上的唯一性(租户资源型号、时间的唯一性)。
在本实施例中,在对所述历史计算资源数据进行重复值过滤处理后,继续对重复值过滤处理后的历史计算资源数据进行异常值剔除处理,即对于由采集误差、系统网络问题等造成的大幅度偏离数据中心的异常值,在进行预测过程中会影响预测性能,因而,需要剔除,异常值剔除的方式为:确定历史计算资源数据的分布类型,对呈现正态分布的历史计算资源数据通过 k-sigma方法进行异常的剔除处理,在不能明确历史计算资源数据的分布类型时,可通过KDE核密度估计算法进行异常值的剔除。
在对所述历史计算资源数据进行重复值过滤处理和异常值剔除处理后,还可以继续进行数据归一化的处理过程,在本实施例中,即由于不同租户资源上数据会出现量纲不一致的情况,不利于数据的统一化预测工作,因而进行数据的归一化处理,归一化处理可采用最大最小归一化处理,具体计算公式如下:(xmax,xmin分别为某一量纲如某一具体指标的最大值和最小值),基于该公式可以可得到归一化后的数据。
步骤S12,基于所述处理数据,确定所述历史计算资源数据的资源使用率。
在本实施例中,在得到处理数据后,确定所述历史计算资源数据的资源使用率。
其中,所述确定所述历史计算资源数据的资源使用率的步骤,包括:
步骤A1,确定所述租户的计算时间窗口,并确定所述租户在所述计算时间窗口内的最大份申请资源;
在本实施例中,首先确定所述租户的计算时间窗口,其中,该计算时间窗口是可配置的,该历史计算资源数据对应的历史时间段是包括多个计算时间窗口的,因而,确定所述历史计算资源数据的资源使用率,需要首先确定在每个可计算时间窗口(时间窗口window)内,所述历史计算资源数据的资源使用率。在本实施例中,在确定计算时间窗口后,直接获取或者采集所述租户在所述计算时间窗口内的最大份申请资源(专业组给定每个租户申请资源的最大份数)。
步骤A2,根据所述最大份申请资源和所述计算时间窗口,确定所述租户的配额资源面积;
在本实施例中,根据所述最大份申请资源和所述计算时间窗口,确定所述租户的配额资源面积,具体地,所述租户的配额资源面积S1为最大份申请资源和所述计算时间窗口的乘积,即当最大份申请资源与时间窗口window已知,则S1面积已知。
步骤A3,基于所述历史计算资源数据,通过积分方式确定所述租户资源使用量的面积;
在本实施例中,基于所述历史计算资源数据,通过积分方式确定所述租户资源使用量的面积,具体如图4所示,通过积分算法求导实时动态计算不规则曲线面积S2(租户资源使用量的面积)。
步骤A4,通过所述资源使用量的面积以及配额资源面积,计算所述历史计算资源数据在所述计算时间窗口下的资源使用率,并得到所述历史计算资源数据的资源使用率。
通过所述资源使用量的面积以及配额资源面积,计算所述历史计算资源数据在所述计算时间窗口下的资源使用率,具体地,如图4所示,实时计算 S1与S2比值得到使用率use_rate(计算时间窗口下的资源使用率),根据各个计算时间窗口下的资源使用率,得到所述历史计算资源数据的资源使用率。
步骤S20,确定所述资源使用率的目标数据波型,根据所述目标数据波型自适应确定目标算法模型;
在本实施例中,在确定各个计算时间串口下的所述资源使用率后,确定所述资源使用率的目标数据波型,根据所述目标数据波型自适应确定目标算法模型。
在本实施例中,由于述资源使用率的目标数据波型是与资源使用率的变化趋势关联的,因而,根据所述目标数据波型自适应确定目标算法模型后,可以准确预测趋势。
在本实施例中,需要说明的是,目标算法模型可以是不同类型的模型,该不同类型的模型要准确进行预测,必然是经过训练和/或者经过验证后,有一定的准确率后才能够使用的。
其中,所述确定所述资源使用率的目标数据波型,根据所述目标数据波型自适应确定目标算法模型的步骤,包括:
步骤S21,确定所述资源使用率的数据波动形态,基于所述数据波动形态以及预设的各类型的波型模板,确定所述资源使用率的目标数据波型;
在本实施例中,阐述了如何确定目标数据波型。
具体地,首先确定所述资源使用率的数据波动形态,然后对数据波动形态进行初始分类,在初始分类后,根据初始分类的类型从预设的各类型的波型模板中选择目标波型模板,若数据波动形态与目标波型模板匹配时,则目标波型模板对应的数据波型即是所述资源使用率的目标数据波型。
在本实施例中,在确定所述资源使用率的数据波动形态的过程中,涉及波动形态的拟合过程。
在本实施例中,确定数据波动形态与目标波型模板是否匹配的方式是:
确定数据波动形态与目标波型模板(波动形态)的趋势变化吻合度,波大小以及波动幅度的吻合度,若趋势变化吻合度,波大小以及波动幅度的吻合度在一定范围内时,两者匹配。
步骤S22,若所述目标数据波型具有周期性特征,则自适应确定目标算法模型为周期性算法模型;
在本实施例中,如图6,图7所示,在确定目标数据波型后,若所述目标数据波型具有周期性特征(呈规律变化),则自适应确定目标算法模型为周期性算法模型,如若所述目标数据波型具有正弦波周期性特征(呈规律变化),则自适应确定目标算法模型为周期性算法模型。
在本实施例中,周期性算法模型可以为Holt-Winters算法,也即,针对周期性特征波型,动态适配Holt-Winters等周期算法模型对租户资源使用率趋势进行预测。
在本实施例中,Holt-Winters是一种时间序列分析和预报算法,该算法适用含有线性趋势的数据以及周期波动的非平稳序列数据,具体地,在本实施例中,利用指数平滑法(EMA)可以让Holt-Winters模型的参数不断适应非平稳序列的变化,以对未来趋势进行短期预报。
也即,在本实施例中,Holt-Winters等周期算法模型的周期算法参数可以自定义,即在进行租户资源使用趋势预测的基础上,同时支持用户自定义配置对应周期算法模型的参数如数据的趋势参数、数据的周期参数等,以便提升模型的应用广度。
步骤S23,若所述目标数据波型不具有周期性特征,则自适应确定目标算法模型为非周期性算法模型,所述非周期性算法模型包括滑动时间窗口算法模型。
若所述目标数据波型不具有周期性特征(如随机波型),则自适应确定目标算法模型为非周期性算法模型,所述非周期性算法模型包括滑动时间窗口算法模型。在本实施例中,滑动时间窗口算法模型能够根据指定的单位长度来框住时间序列(也即,相当于一个长度指定的滑块正在刻度尺上面滑动,每滑动一个单位即可反馈滑块内的数据),从而计算框内的统计指标,从而计算整体的指标。
步骤S30,根据所述目标算法模型,预测所述资源使用率对应的趋势类型;
在本实施例中,在确定目标算法模型后,根据所述目标算法模型,预测所述资源使用率对应的趋势类型,该趋势类型可以是减少的趋势,也可以是增加的趋势。
其中,所述目标算法模型包括周期性模型,所述目标算法模型包括周期性模型,所述根据所述目标算法模型,预测所述资源使用率对应的趋势类型的步骤,包括:
步骤S31,确定所述周期性模型对应的趋势周期;
在本实施例中,具体阐述周期性模型如何预测所述资源使用率对应的趋势类型,具体地,在本实施例中,首先确定所述周期性模型对应的趋势周期,其中趋势周期指的是:呈现同一个趋势的周期。
步骤S32,根据所述趋势周期,确定所述租户当前的周期属性;
根据所述趋势周期,确定所述租户当前的周期属性,该租户的周期属性具体可以是具有向上趋势的周期属性或者向下趋势的周期属性等。
步骤S33,根据所述周期属性,预测所述资源使用率对应的趋势类型。
在本实施例中,根据所述周期属性(向上趋势的周期属性或者向下趋势的周期属性),预测所述资源使用率对应的趋势类型(资源使用率是偏向更低的资源使用率还是偏向更高的资源使用率)。
步骤S40,根据所述趋势类型,对所述租户的计算资源进行优化。
根据所述趋势类型,对所述租户的计算资源进行优化,具体地,在本实施例中,根据所述趋势类型中的向下趋势类型,按照预设的低效阈值判断资源使用率是否属于低效情况,并输出租户资源优化分析结果,对所述租户的计算资源进行优化,或者根据所述趋势类型中的向上趋势类型,按照预设的高效阈值判断资源使用率是否属于高效情况,并输出租户资源优化分析结果,对所述租户的计算资源进行优化。
对所述租户的计算资源进行优化,其中,该优化包括正向优化,也包括反向优化。
所述根据所述趋势类型,对所述租户的计算资源进行优化的步骤,包括:
步骤S41,若所述资源使用率对应趋势为低效使用率趋势时,减少所述租户的计算资源;
步骤S42,若所述资源使用率对应趋势为高效使用率趋势时,增多所述租户的计算资源。
在本实施例中,若所述资源使用率对应趋势为低效使用率趋势时,减少所述租户的计算资源;若所述资源使用率对应趋势为高效使用率趋势时,增多所述租户的计算资源。
本申请提供一种租户计算资源的自适应优化方法、装置、设备及存储介质,与现有技术中基于单一模型对计算资源成本进行优化,造成计算资源浪费过多相比,在本申请中,获取租户的历史计算资源数据,确定所述历史计算资源数据的资源使用率;确定所述资源使用率的目标数据波型,根据所述目标数据波型自适应确定目标算法模型;根据所述目标算法模型,预测所述资源使用率对应的趋势类型;根据所述趋势类型,对所述租户的计算资源进行优化。在本申请中,根据租户的历史计算资源数据,确定租户的资源使用率,在确定租户的资源使用率后,根据所述资源使用率的目标数据波型,自适应地确定目标算法模型,可以理解,不同资源使用率,动态自适应地匹配到针对性的目标算法模型,即不同类型的资源使用率适配到相应的目标算法模型,进而根据目标算法模型,准确预测所述资源使用率对应的趋势类型;以基于趋势类型准确对所述租户的计算资源进行优化,避免计算资源的浪费。
进一步地,基于本申请中第一实施例,提供本申请的另一实施例,在该实施例中,所述目标算法模型包括滑动时间窗口算法模型,所述根据所述目标算法模型,预测所述资源使用率对应的趋势类型的步骤,包括:
步骤S34,确定所述资源使用率的滑动时间窗口以及预设移动方式;
整体地,在本实施例中,针对非周期型数据类型,动态自适应滑动时间窗口算法模型,通过滑动时间窗口算法模型,流式计算实时的租户资源使用率信息,从而形成一条资源使用率的时序数据。
在本实施例中,确定所述资源使用率的滑动时间窗口(大小)以及预设移动方式,其中,预设移动方式可以是按照预设步长进行移动。
步骤S35,基于所述滑动时间窗口、所述预设移动方式以及所述资源使用率,确定每一个预设滑动时间段的局部平均使用率;
在本实施例中,基于所述滑动时间窗口、所述预设移动方式以及所述资源使用率,确定每一个预设滑动时间段的局部平均使用率,具体地,如图5 所示,确定滑动时间窗口对应时间和资源使用率构成的面积,基于该面积以及对应时间,确定局部平均使用率,根据局部平均使用率确定偏离程度,基于该偏离程度平滑资源使用率的短期波动并突出长期波动。
步骤S36,基于所述局部平均使用率,计算得到所述租户资源使用率的时序数据;
在本实施例中,在确定每一个预设滑动时间段(包括多个滑动时间窗口) 的局部平均使用率的过程中,若下一个预设滑动时间段的使用率未知,则把前n个的历史数据(局部平均使用率)的平均值作为下一个的预测值,具体公式如下:
Ft=(xt-1+xt-2+…+xt-n)/n
进一步地,也可以通过对局部平均使用率进行加权处理后再进行预测,具体公式如下:
Ft=w1*xt-1+w2*xt-2+…+wn*xt-n
在本实施例中,在得到所述局部平均使用率后,计算得到所述租户资源使用率的时序数据,其中,时序数据包括每一个预设滑动时间段的资源使用率use_rate。
步骤S37,基于所述时序数据,确定所述资源使用率的分布趋势;
在本实施例中,基于分位数计算方法进行时序数据的统计,得到数据的分布情况和分布比例(所述资源使用率的分布趋势)。
步骤S38,根据所述资源使用率的分布趋势,预测所述资源使用率对应的趋势类型。
在本实施例中,根据所述资源使用率的分布趋势,预测所述资源使用率对应的趋势类型,如资源使用率是偏向更低的资源使用率(偏向更低的资源使用率时,与低阈值进行比对)还是偏向更高的资源使用率(偏向更高的资源使用率时,与高阈值进行比对)。
在本实施例中,通过确定所述资源使用率的滑动时间窗口以及预设移动方式;基于所述滑动时间窗口、所述预设移动方式以及所述资源使用率,确定每一个预设滑动时间段的局部平均使用率;基于所述局部平均使用率,计算得到所述租户资源使用率的时序数据;基于所述时序数据,确定所述资源使用率的分布趋势;根据所述资源使用率的分布趋势,预测所述资源使用率对应的趋势类型。在本实施例中,基于滑动时间窗口算法模型,准确预测所述资源使用率对应的趋势类型,为准确优化计算资源奠定基础。
参照图3,图3是本申请实施例方案涉及的硬件运行环境的设备结构示意图。
如图3所示,该租户计算资源的自适应优化设备可以包括:处理器1001,例如CPU,存储器1005,通信总线1002。其中,通信总线1002用于实现处理器1001和存储器1005之间的连接通信。存储器1005可以是高速RAM存储器,也可以是稳定的存储器(non-volatilememory),例如磁盘存储器。存储器 1005可选的还可以是独立于前述处理器1001的存储设备。
可选地,该租户计算资源的自适应优化设备还可以包括矩形用户接口、网络接口、摄像头、RF(Radio Frequency,射频)电路,传感器、音频电路、 WiFi模块等等。矩形用户接口可以包括显示屏(Display)、输入子模块比如键盘(Keyboard),可选矩形用户接口还可以包括标准的有线接口、无线接口。网络接口可选的可以包括标准的有线接口、无线接口(如WI-FI接口)。
本领域技术人员可以理解,图3中示出的租户计算资源的自适应优化设备结构并不构成对租户计算资源的自适应优化设备的限定,可以包括比图示更多或更少的部件,或者组合某些部件,或者不同的部件布置。
如图3所示,作为一种存储介质的存储器1005中可以包括操作系统、网络通信模块以及租户计算资源的自适应优化程序。操作系统是管理和控制租户计算资源的自适应优化设备硬件和软件资源的程序,支持租户计算资源的自适应优化程序以及其它软件和/或程序的运行。网络通信模块用于实现存储器 1005内部各组件之间的通信,以及与租户计算资源的自适应优化系统中其它硬件和软件之间通信。
在图3所示的租户计算资源的自适应优化设备中,处理器1001用于执行存储器1005中存储的租户计算资源的自适应优化程序,实现上述任一项所述的租户计算资源的自适应优化方法的步骤。
本申请租户计算资源的自适应优化设备具体实施方式与上述租户计算资源的自适应优化方法各实施例基本相同,在此不再赘述。
本申请还提供一种租户计算资源的自适应优化装置,所述租户计算资源的自适应优化装置包括:
第一确定模块,用于获取租户的历史计算资源数据,确定所述历史计算资源数据的资源使用率;
第二确定模块,用于确定所述资源使用率的目标数据波型,根据所述目标数据波型自适应确定目标算法模型;
预测模块,用于根据所述目标算法模型,预测所述资源使用率对应趋势是否为低效使用率趋势;
优化模块,用于若所述资源使用率对应趋势为低效使用率趋势时,对所述租户的计算资源进行优化。
可选地,所述第一确定模块包括:
第一确定单元,用于确定所述租户的计算时间窗口,并确定所述租户在所述计算时间窗口内的最大份申请资源;
第二确定单元,用于根据所述最大份申请资源和所述计算时间窗口,确定所述租户的配额资源面积;
第三确定单元,用于基于所述历史计算资源数据,通过积分方式确定所述租户资源使用量的面积;
第一计算单元,用于通过所述资源使用量的面积以及配额资源面积,计算所述历史计算资源数据在所述计算时间窗口下的资源使用率,并得到所述历史计算资源数据的资源使用率。
可选地,所述第二确定模块包括:
第四确定单元,用于确定所述资源使用率的数据波动形态,基于所述数据波动形态以及预设的各类型的波型模板,确定所述资源使用率的目标数据波型;
第一自适应单元,用于若所述目标数据波型具有周期性特征,则自适应确定目标算法模型为周期性算法模型;
第二自适应单元,用于若所述目标数据波型不具有周期性特征,则自适应确定目标算法模型为非周期性算法模型,所述非周期性算法模型包括滑动时间窗口算法模型。
可选地,所述预测模块包括:
第五确定单元,用于确定所述资源使用率的滑动时间窗口以及预设移动方式;
第六确定单元,用于基于所述滑动时间窗口、所述预设移动方式以及所述资源使用率,确定每一个预设滑动时间段的局部平均使用率;
第二计算单元,用于基于所述局部平均使用率,计算得到所述租户资源使用率的时序数据;
第七确定单元,用于基于所述时序数据,确定所述资源使用率的分布趋势;
第一预测单元,用于根据所述资源使用率的分布趋势,预测所述资源使用率对应的趋势类型。
可选地,所述预测模块还包括:
第八确定单元,用于确定所述周期性模型对应的趋势周期;
第九确定单元,用于根据所述趋势周期,确定所述租户当前的周期属性;
第二预测确定单元,用于根据所述周期属性,预测所述资源使用率对应的趋势类型。
可选地,所述优化模块包括:
资源减少单元,用于若所述资源使用率对应趋势为低效使用率趋势时,减少所述租户的计算资源;
资源增加单元,用于若所述资源使用率对应趋势为高效使用率趋势时,增多所述租户的计算资源。
可选地,所述第一确定模块包括:
获取单元,用于获取租户的历史计算资源数据,对所述历史计算资源数据进行重复值过滤、异常值剔除以及数据归一化处理,得到处理数据;
第十确定单元,用于基于所述处理数据,确定所述历史计算资源数据的资源使用率。
本申请租户计算资源的自适应优化装置的具体实施方式与上述所述租户计算资源的自适应优化方法各实施例基本相同,在此不再赘述。
本申请实施例提供了一种存储介质,且所述存储介质存储有一个或者一个以上程序,所述一个或者一个以上程序还可被一个或者一个以上的处理器执行以用于实现上述所述租户计算资源的自适应优化方法的步骤。
本申请存储介质具体实施方式与上述所述租户计算资源的自适应优化方法各实施例基本相同,在此不再赘述。
本申请还提供一种计算机程序产品、包括计算机程序,该计算机程序被处理器执行时实现上述所述租户计算资源的自适应优化方法的步骤。
本申请计算机程序产品的具体实施方式与上述所述租户计算资源的自适应优化方法各实施例基本相同,在此不再赘述。
需要说明的是,在本文中,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者装置不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者装置所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括该要素的过程、方法、物品或者装置中还存在另外的相同要素。
上述本发明实施例序号仅仅为了描述,不代表实施例的优劣。
通过以上的实施方式的描述,本领域的技术人员可以清楚地了解到上述实施例方法可借助软件加必需的通用硬件平台的方式来实现,当然也可以通过硬件,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,该计算机软件产品存储在一个存储介质(如ROM/RAM、磁碟、光盘) 中,包括若干指令用以使得一台终端设备(可以是手机,计算机,服务器,空调器,或者网络设备等)执行本发明各个实施例所述的方法。
以上仅为本发明的优选实施例,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 (10)
1.一种租户计算资源的自适应优化方法,其特征在于,所述租户计算资源的自适应优化方法包括:
获取租户的历史计算资源数据,确定所述历史计算资源数据的资源使用率;
确定所述资源使用率的目标数据波型,根据所述目标数据波型自适应确定目标算法模型;
根据所述目标算法模型,预测所述资源使用率对应的趋势类型;
根据所述趋势类型,对所述租户的计算资源进行优化。
2.根据权利要求1所述的租户计算资源的自适应优化方法,其特征在于,所述确定所述历史计算资源数据的资源使用率的步骤,包括:
确定所述租户的计算时间窗口,并确定所述租户在所述计算时间窗口内的最大份申请资源;
根据所述最大份申请资源和所述计算时间窗口,确定所述租户的配额资源面积;
基于所述历史计算资源数据,通过积分方式确定所述租户资源使用量的面积;
通过所述资源使用量的面积以及配额资源面积,计算所述历史计算资源数据在所述计算时间窗口下的资源使用率,并得到所述历史计算资源数据的资源使用率。
3.如权利要求1所述的租户计算资源的自适应优化方法,其特征在于,所述确定所述资源使用率的目标数据波型,根据所述目标数据波型自适应确定目标算法模型的步骤,包括:
确定所述资源使用率的数据波动形态,基于所述数据波动形态以及预设的各类型的波型模板,确定所述资源使用率的目标数据波型;
若所述目标数据波型具有周期性特征,则自适应确定目标算法模型为周期性算法模型;
若所述目标数据波型不具有周期性特征,则自适应确定目标算法模型为非周期性算法模型,所述非周期性算法模型包括滑动时间窗口算法模型。
4.如权利要求1所述的租户计算资源的自适应优化方法,其特征在于,所述目标算法模型包括滑动时间窗口算法模型,所述根据所述目标算法模型,预测所述资源使用率对应的趋势类型的步骤,包括:
确定所述资源使用率的滑动时间窗口以及预设移动方式;
基于所述滑动时间窗口、所述预设移动方式以及所述资源使用率,确定每一个预设滑动时间段的局部平均使用率;
基于所述局部平均使用率,计算得到所述租户资源使用率的时序数据;
基于所述时序数据,确定所述资源使用率的分布趋势;
根据所述资源使用率的分布趋势,预测所述资源使用率对应的趋势类型。
5.如权利要求1所述的租户计算资源的自适应优化方法,其特征在于,所述目标算法模型包括周期性模型,所述根据所述目标算法模型,预测所述资源使用率对应的趋势类型的步骤,包括:
确定所述周期性模型对应的趋势周期;
根据所述趋势周期,确定所述租户当前的周期属性;
根据所述周期属性,预测所述资源使用率对应的趋势类型。
6.如权利要求1所述的租户计算资源的自适应优化方法,其特征在于,所述根据所述趋势类型,对所述租户的计算资源进行优化的步骤,包括:
若所述资源使用率对应趋势为低效使用率趋势时,减少所述租户的计算资源;
若所述资源使用率对应趋势为高效使用率趋势时,增多所述租户的计算资源。
7.如权利要求1所述的租户计算资源的自适应优化方法,其特征在于,所述获取租户的历史计算资源数据,确定所述历史计算资源数据的资源使用率的步骤,包括:
获取租户的历史计算资源数据,对所述历史计算资源数据进行重复值过滤、异常值剔除以及数据归一化处理,得到处理数据;
基于所述处理数据,确定所述历史计算资源数据的资源使用率。
8.一种租户计算资源的自适应优化装置,其特征在于,所述租户计算资源的自适应优化装置包括:
第一确定模块,用于获取租户的历史计算资源数据,确定所述历史计算资源数据的资源使用率;
第二确定模块,用于确定所述资源使用率的目标数据波型,根据所述目标数据波型自适应确定目标算法模型;
预测模块,用于根据所述目标算法模型,预测所述资源使用率对应趋势是否为低效使用率趋势;
优化模块,用于若所述资源使用率对应趋势为低效使用率趋势时,对所述租户的计算资源进行优化。
9.一种租户计算资源的自适应优化设备,其特征在于,所述租户计算资源的自适应优化设备包括:存储器、处理器以及存储在存储器上的用于实现所述租户计算资源的自适应优化方法的程序,
所述存储器用于存储实现租户计算资源的自适应优化方法的程序;
所述处理器用于执行实现所述租户计算资源的自适应优化方法的程序,以实现如权利要求1至7中任一项所述租户计算资源的自适应优化方法的步骤。
10.一种存储介质,其特征在于,所述存储介质上存储有实现租户计算资源的自适应优化方法的程序,所述实现租户计算资源的自适应优化方法的程序被处理器执行以实现如权利要求1至7中任一项所述租户计算资源的自适应优化方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111055961.9A CN115794360A (zh) | 2021-09-09 | 2021-09-09 | 租户计算资源的自适应优化方法、装置、设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111055961.9A CN115794360A (zh) | 2021-09-09 | 2021-09-09 | 租户计算资源的自适应优化方法、装置、设备及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115794360A true CN115794360A (zh) | 2023-03-14 |
Family
ID=85473479
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111055961.9A Pending CN115794360A (zh) | 2021-09-09 | 2021-09-09 | 租户计算资源的自适应优化方法、装置、设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115794360A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116578426A (zh) * | 2023-07-12 | 2023-08-11 | 工业富联(佛山)创新中心有限公司 | 基于容器化技术的云平台多租户资源分配方法及相关装置 |
-
2021
- 2021-09-09 CN CN202111055961.9A patent/CN115794360A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116578426A (zh) * | 2023-07-12 | 2023-08-11 | 工业富联(佛山)创新中心有限公司 | 基于容器化技术的云平台多租户资源分配方法及相关装置 |
CN116578426B (zh) * | 2023-07-12 | 2024-04-09 | 工业富联(佛山)创新中心有限公司 | 基于容器化技术的云平台多租户资源分配方法及相关装置 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US9286354B2 (en) | Systems and/or methods for forecasting future behavior of event streams in complex event processing (CEP) environments | |
EP3091537B1 (en) | Noise cancellation for voice activation | |
CN112529301B (zh) | 用电量预测方法、设备及存储介质 | |
CN110417607B (zh) | 一种流量预测方法、装置及设备 | |
US20120060172A1 (en) | Dynamically Tuning A Server Multiprogramming Level | |
CN104396188A (zh) | 用于对移动网络性能问题进行根本原因分析的系统和方法 | |
Xu et al. | Learning-based dynamic resource provisioning for network slicing with ensured end-to-end performance bound | |
WO2016033969A1 (zh) | 业务数据量和/或资源数据量的预测方法及预测系统 | |
CN111026548A (zh) | 一种逆向深度强化学习的电力通信设备测试资源调度方法 | |
Dalmazo et al. | Performance analysis of network traffic predictors in the cloud | |
CN112907062A (zh) | 融合温度特征的电网电量预测方法、装置、介质及终端 | |
CN112732738B (zh) | 基于多目标优化的自适应网络数据采集方法及相关设备 | |
CN115794360A (zh) | 租户计算资源的自适应优化方法、装置、设备及存储介质 | |
CN112907064A (zh) | 基于自适应窗的电量预测方法、装置、存储介质及终端 | |
CN114254800A (zh) | 用于电力负荷预测的方法、终端及存储介质 | |
CN116521344B (zh) | 一种基于资源总线的ai算法调度方法及系统 | |
CN111291883A (zh) | 数据处理方法及数据处理装置 | |
CN116647507A (zh) | 基于负载自适应的物联网数据处理方法及系统 | |
Mastelic et al. | Data velocity scaling via dynamic monitoring frequency on ultrascale infrastructures | |
US11669762B2 (en) | Apparatus and method for forecasted performance level adjustment and modification | |
CN113190429B (zh) | 服务器性能预测方法、装置及终端设备 | |
Martinez-Julia et al. | Using the total cost of ownership to decide resource adjustment in virtual networks | |
CN115018124A (zh) | 数据预测方法、系统、设备及存储介质 | |
Sun et al. | Optimizing task-specific timeliness with edge-assisted scheduling for status update | |
Gomes et al. | Capturing rare network conditions to dimension resources for ultra-reliable communication |
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 |