CN116126488A - 一种服务器无感知计算自适应资源调度方法、系统及计算机设备 - Google Patents
一种服务器无感知计算自适应资源调度方法、系统及计算机设备 Download PDFInfo
- Publication number
- CN116126488A CN116126488A CN202211538349.1A CN202211538349A CN116126488A CN 116126488 A CN116126488 A CN 116126488A CN 202211538349 A CN202211538349 A CN 202211538349A CN 116126488 A CN116126488 A CN 116126488A
- Authority
- CN
- China
- Prior art keywords
- function
- server
- computing
- resource scheduling
- memory
- 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
- G06F9/48—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
- G06F9/4881—Scheduling strategies for dispatcher, e.g. round robin, multi-level priority queues
-
- 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
- G06F9/5027—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
- G06F9/505—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 considering the load
-
- 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)
- Software Systems (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Debugging And Monitoring (AREA)
- Multi Processors (AREA)
- Stored Programmes (AREA)
Abstract
本申请提供的服务器无感知计算自适应资源调度方法、系统及计算机设备,通过获取服务器无感知计算函数的工作负载日志数据,获取所述工作负载日志数据的特征指标分析,根据所述特征指标判定所述函数的阈值范围θ,确定函数的类型,根据所述函数的阈值范围θ选择相应的调度策略,本申请提供的服务器无感知计算自适应资源调度方法、系统及计算机设备,对实际生成环境下的工作负载进行分析,并根据多项特征指标通过多目标阈值机制设置阈值,使其在不同阈值情况下都能自动选择其合适的资源调度机制,从而实现细粒度的服务器无感知计算的资源管理,为服务器无感知函数资源调度提供更加优化的解决方案,从而提高复杂的函数调用模式下服务器无感知应用的性能。
Description
技术领域
本申请涉及云计算技术领域,特别涉及一种服务器无感知计算自适应资源调度方法、系统及计算机设备。
背景技术
随着信息技术的快速发展,人类进入了一个万物智能互联、智能交互的时代。云计算(Cloud computing)作为新一代的信息技术服务模式,也在不断更新迭代,在社会中发挥着越来越大的作用。云原生(Cloud native)是近些年来新兴起的技术,云原生其本质上是一系列云计算技术和管理方法的集合。云原生应用,顾名思义指的是适合于在诸如私有云、公有云或混合云等云环境下运行的应用。与传统的软件应用相比,云原生应用具有耦合度低、扩展能力强、高可用性等诸多优势。服务器无感知(Serverless)是云原生发展的高级阶段,也是云计算一种新的发展趋势,近些年来,随着服务器无感知计算(Serverlesscomputing)的快速发展,其在降低成本、减少延迟、提高可扩展性和消除服务器端管理等诸多方面具有较大的优势,云服务提供商以透明、自动伸缩的方式管理服务,开发人员无需管理底层服务配置并能够通过函数快速部署应用程序,使其得到深受欢迎并得到快速发展。
随着服务器无感知技术在互联网、交通、教育等诸多领域得到广泛的应用,服务器无感知计算平台上部署着各种各样不同类型的应用程序,其应用大致可以分为CPU密集型、I/O密集型、内存密集型、网络密集型等类型。不同类型的应用程序对于资源网络有着不同的要求,这对服务器无感知计算性能造成了巨大的挑战。如何对服务器无感知应用函数进行性能优化是提升服务器无感知计算利用率的关键。对服务器无感知应用函数性能造成影响的因素有很多,包括冷启动、性能隔离、调度策略、成本等诸多因素。
Müller等人在《Lambada:Interactive data analytics on cold data usingserverless cloud infrastructure》中设计了一种服务器无感知函数的性能框架,贝叶斯优化用于统计学习serverless函数运行时的成本和配置之间的关系,为服务器无感知函数选择最佳配置。Kaffes等人在《Centralized core-granular scheduling for serverlessfunctions》中提出了一种集群级集中式核心粒度的Serverless函数调度器,通过维护集群资源的全局视图,消除队列不平衡,减少核心粒度的干扰。Mohan等人在《SAND:TowardsHigh-Performance Serverless Computing》中提出通过预先分配网络接口,然后将其绑定到新的函数容器,可以显著减少冷启动启动时间。SOCK则是通过智能缓存库集和对函数使用轻量级隔离机制来优化OpenLambda中Python函数的加载。
服务器无感知计算现有的服务器无感知计算资源调度管理策略有以下几种:
(1)基于预测的资源调度;(2)优化内存和成本,在能耗与性能之间进行折中的调度;(3)降低冷启动对服务器无感知应用性能的影响。上述几种策略都是从不同的方面考虑,但单一的调度策略无法妥善解决服务器无感知计算平台中复杂的动态函数调用模型下多种类型应用程序并行的情况。
发明内容
鉴于此,有必要针对现有技术中存在的缺陷提供一种可提升服务器无感知计算函数的资源利用率,提高在复杂的函数调用模式下服务器无感知应用的性能的服务器无感知计算自适应资源调度方法、系统及计算机设备。
为解决上述问题,本申请采用下述技术方案:
本申请目的之一,提供了一种服务器无感知计算自适应资源调度方法,包括下述步骤:
获取服务器无感知计算函数的工作负载日志数据;
获取所述工作负载日志数据的特征指标分析;
根据所述特征指标判定所述函数的阈值范围θ,确定函数的类型;
根据所述函数的阈值范围θ选择相应的调度策略。
在其中一些实施例中,在获取服务器无感知计算函数的工作负载日志数据的步骤中,具体包括:获取云服务提供商所开源的服务器无感知计算函数的工作负载日志数据,所述工作负载日志数据包括请求量及函数大小。
在其中一些实施例中,在获取所述工作负载日志数据的特征指标分析的步骤中,具体包括下述步骤:
利用Kmean聚类算法根据所述请求量和所述函数大小两项特征对工作负载进行聚类分析,并根据聚类结果对云提供商实际生产环境中的工作负载进行性能表征建模与画像分析,以获取相应的特征指标,并对新出现的函数类型进行相似性分析,所述特征指标包括CPU利用率、内存利用率及网络带宽利用率。
在其中一些实施例中,在根据所述特征指标判定所述函数的阈值范围θ,确定函数的类型的步骤中,具体包括下述步骤:
根据所述特征指标通过多目标阈值机制判定函数的阈值范围θ,确定函数的类型,通过其算法,计算每个节点函数的得分,其公式如下所示:
θ(x)=(1-|C(x)-M(x)|)×10
其中,M(x)为节点函数x的内存利用率,C(x)为节点函数x的CPU利用率,θ(x)表示节点函数x的得分,其范围为[0,10]。
在其中一些实施例中,在根据所述函数的阈值范围θ选择相应的调度策略的步骤中,具体包括下述步骤:
当θ(x)小于等于5时,选择Fixed CPU策略,即为每一个函数实例分配与所选内存量成比例的CPU份额,其公式表示如下所示:
其中:ci为函数应用i分配的CPU份额,mi为函数应用i的内存大小,cputotal为服务器无感知平台中所有机器的CPU单元总和,memtotal服务器无感知平台中所有机器的总内存;
分配给应用函数的总CPU与内存不超用可用的总容量,即
∑imi≤memtotal;
当θ(x)大于5时,则选择Decoupled策略,即将每个函数实例的CPU与内存分配解耦,解耦后的函数将具有更大的搜索空间,并采用时间序列预测SVR算法,根据前期函数所消耗的资源,通过时间序列预测对函数实例进行资源分配。
在其中一些实施例中,在采用时间序列预测SVR算法,根据前期函数所消耗的资源,通过时间序列预测对函数实例进行资源分配的步骤中,具体包括下述步骤:
根据上一阶段函数所消耗的内存与网络资源作为输入数据,对输入数据进行预处理,其中:SVR算法可表示为:
K(xi,xj)=(xi q·xj)q
其中:q表示该核函数为q阶多项式核函数;
确定核函数参数后利用PSO算法对核函数进行寻优,获取最佳参数,PSO算法公式如下所示:
vi=vi+c1×rand()×(pbesti-xi)+c2×rand()×(gbesti-xi)
xi=xi+vi
其中,i=1,2,…,N,N为种群中粒子的综述,xi为粒子的当前位置,vi为粒子的速度,c1和c2是学习因子;
利用SVR模型对选取的资源数据进行预测,得到的预测结果用于下一阶段的资源调度。
本申请目的之二,提供了一种所述的服务器无感知计算自适应资源调度系统,包括:
数据采集单元:用于获取服务器无感知计算函数的工作负载日志数据;
分析单元:用于获取所述工作负载日志数据的特征指标分析;
判定单元:用于根据所述特征指标判定所述函数的阈值范围θ,确定函数的类型;
选择单元,用于根据所述函数的阈值范围θ选择相应的调度策略。
本申请目的之三,提供了一种计算机设备,包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序,所述处理器执行所述计算机程序时,实现任一所述的方法。
本申请采用上述技术方案,其有益效果如下:
本申请提供的服务器无感知计算自适应资源调度方法、系统及计算机设备,通过获取服务器无感知计算函数的工作负载日志数据,获取所述工作负载日志数据的特征指标分析,根据所述特征指标判定所述函数的阈值范围θ,确定函数的类型,根据所述函数的阈值范围θ选择相应的调度策略,本申请提供的服务器无感知计算自适应资源调度方法、系统及计算机设备,对实际生成环境下的工作负载进行分析,并根据多项特征指标通过多目标阈值机制设置阈值,使其在不同阈值情况下都能自动选择其合适的资源调度机制,从而实现细粒度的服务器无感知计算的资源管理,为服务器无感知函数资源调度提供更加优化的解决方案,从而提高复杂的函数调用模式下服务器无感知应用的性能。
附图说明
为了更清楚地说明本申请实施例的技术方案,下面将对本申请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,下面所描述的附图仅仅是本申请的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1为本申请实施例1提供的服务器无感知计算自适应资源调度方法的步骤流程图。
图2为本申请实施例1提供的采用时间序列预测SVR算法,根据前期函数所消耗的资源,通过时间序列预测对函数实例进行资源分配的步骤流程图。
图3为本申请实施例2提供的服务器无感知计算自适应资源调度系统的结构示意图。
图4为本申请实施例3提供的计算机设备的结构示意图。
具体实施方式
下面详细描述本申请的实施例,所述实施例的示例在附图中示出,其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的,旨在用于解释本申请,而不能理解为对本申请的限制。
在本申请的描述中,需要理解的是,术语“上”、“下”、“水平”、“内”、“外”等指示的方位或位置关系为基于附图所示的方位或位置关系,仅是为了便于描述本申请和简化描述,而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作,因此不能理解为对本申请的限制。
此外,术语“第一”、“第二”仅用于描述目的,而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此,限定有“第一”、“第二”的特征可以明示或者隐含地包括一个或者更多个该特征。在本申请的描述中,“多个”的含义是两个或两个以上,除非另有明确具体的限定。
为了使本申请的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本申请进行进一步详细说明。
实施例1
请参阅图1,为本实施例1提供的一种服务器无感知计算自适应资源调度方法的步骤流程图,包括下述步骤:
步骤S110:获取服务器无感知计算函数的工作负载日志数据。
在其中一些实施例中,在获取服务器无感知计算函数的工作负载日志数据的步骤中,具体包括:获取云服务提供商所开源的服务器无感知计算函数的工作负载日志数据,所述工作负载日志数据包括请求量及函数大小。
步骤S120:获取所述工作负载日志数据的特征指标分析。
在其中一些实施例中,在获取所述工作负载日志数据的特征指标分析的步骤中,具体包括下述步骤:
利用Kmean聚类算法根据所述请求量和所述函数大小两项特征对工作负载进行聚类分析,并根据聚类结果对云提供商实际生产环境中的工作负载进行性能表征建模与画像分析,以获取相应的特征指标,并对新出现的函数类型进行相似性分析,所述特征指标包括CPU利用率、内存利用率及网络带宽利用率。
步骤S130:根据所述特征指标判定所述函数的阈值范围θ,确定函数的类型。
在其中一些实施例中,在根据所述特征指标判定所述函数的阈值范围θ,确定函数的类型的步骤中,具体包括下述步骤:
根据所述特征指标通过多目标阈值机制判定函数的阈值范围θ,确定函数的类型,通过其算法,计算每个节点函数的得分,其公式如下所示:
θ(x)=(1-|C(x)-M(x)|)×10
其中,M(x)为节点函数x的内存利用率,C(x)为节点函数x的CPU利用率,θ(x)表示节点函数x的得分,其范围为[0,10]。
步骤S140:根据所述函数的阈值范围θ选择相应的调度策略。
在其中一些实施例中,在根据所述函数的阈值范围θ选择相应的调度策略的步骤中,具体包括下述步骤:
当θ(x)小于等于5时,选择Fixed CPU策略,即为每一个函数实例分配与所选内存量成比例的CPU份额,其公式表示如下所示:
其中:ci为函数应用i分配的CPU份额,mi为函数应用i的内存大小,cputotal为服务器无感知平台中所有机器的CPU单元总和,memtotal服务器无感知平台中所有机器的总内存;
分配给应用函数的总CPU与内存不超用可用的总容量,即
∑imi≤memtotal;
当θ(x)大于5时,则选择Decoupled策略,即将每个函数实例的CPU与内存分配解耦,解耦后的函数将具有更大的搜索空间,并采用时间序列预测SVR算法,根据前期函数所消耗的资源,通过时间序列预测对函数实例进行资源分配。
请参阅图2,在采用时间序列预测SVR算法,根据前期函数所消耗的资源,通过时间序列预测对函数实例进行资源分配的步骤中,具体包括下述步骤:
步骤S141:根据上一阶段函数所消耗的内存与网络资源作为输入数据,对输入数据进行预处理,其中:SVR算法可表示为:
其中:q表示该核函数为q阶多项式核函数;
步骤S142:确定核函数参数后利用PSO算法对核函数进行寻优,获取最佳参数,PSO算法公式如下所示:
vi=vi+c1×rand()×(pbesti-xi)+c2×rand()×(gbesti-xi)
xi=xi+vi
其中,i=1,2,…,N,N为种群中粒子的综述,xi为粒子的当前位置,vi为粒子的速度,c1和c2是学习因子;
步骤S143:利用SVR模型对选取的资源数据进行预测,得到的预测结果用于下一阶段的资源调度。
本申请上述实施例1提供的服务器无感知计算自适应资源调度方法,对实际生成环境下的工作负载进行分析,并根据多项特征指标通过多目标阈值机制设置阈值,使其在不同阈值情况下都能自动选择其合适的资源调度机制,从而实现细粒度的服务器无感知计算的资源管理,为服务器无感知函数资源调度提供更加优化的解决方案,从而提高复杂的函数调用模式下服务器无感知应用的性能。
实施例2
请参阅图3,为本实施例2提供的一种服务器无感知计算自适应资源调度系统的结构示意图,包括数据采集单元110:用于获取服务器无感知计算函数的工作负载日志数据;分析单元120:用于获取所述工作负载日志数据的特征指标分析;判定单元130:用于根据所述特征指标判定所述函数的阈值范围θ,确定函数的类型;选择单元140,用于根据所述函数的阈值范围θ选择相应的调度策略。
本申请实施例2提供的服务器无感知计算自适应资源调度系统,其详细的工作方式可参考实施例1,这里不再赘述。
本申请上述实施例1提供的服务器无感知计算自适应资源调度方法,对实际生成环境下的工作负载进行分析,并根据多项特征指标通过多目标阈值机制设置阈值,使其在不同阈值情况下都能自动选择其合适的资源调度机制,从而实现细粒度的服务器无感知计算的资源管理,为服务器无感知函数资源调度提供更加优化的解决方案,从而提高复杂的函数调用模式下服务器无感知应用的性能。
实施例3
请参阅图4,为本申请实施例的计算机设备结构示意图。该计算机设备50包括处理器51、与处理器51耦接的存储器52。
存储器52存储有用于实现服务器无感知计算自适应资源调度方法的程序指令。
处理器51用于执行存储器52存储的程序指令以实现服务器无感知计算自适应资源调度方法。
其中,处理器51还可以称为CPU(Central Processing Unit,中央处理单元)。处理器51可能是一种集成电路芯片,具有信号的处理能力。处理器51还可以是通用处理器、数字信号处理器(DSP)、专用集成电路(ASIC)、现成可编程门阵列(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。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。
可以理解,以上所述实施例的各技术特征可以进行任意的组合,为使描述简洁,未对上述实施例中的各个技术特征所有可能的组合都进行描述,然而,只要这些技术特征的组合不存在矛盾,都应当认为是本说明书记载的范围。
以上仅为本申请的较佳实施例而已,仅具体描述了本申请的技术原理,这些描述只是为了解释本申请的原理,不能以任何方式解释为对本申请保护范围的限制。基于此处解释,凡在本申请的精神和原则之内所作的任何修改、等同替换和改进,及本领域的技术人员不需要付出创造性的劳动即可联想到本申请的其他具体实施方式,均应包含在本申请的保护范围之内。
Claims (8)
1.一种服务器无感知计算自适应资源调度方法,其特征在于,包括下述步骤:
获取服务器无感知计算函数的工作负载日志数据;
获取所述工作负载日志数据的特征指标分析;
根据所述特征指标判定所述函数的阈值范围θ,确定函数的类型;
根据所述函数的阈值范围θ选择相应的调度策略。
2.如权利要求1所述的服务器无感知计算自适应资源调度方法,其特征在于,在获取服务器无感知计算函数的工作负载日志数据的步骤中,具体包括:获取云服务提供商所开源的服务器无感知计算函数的工作负载日志数据,所述工作负载日志数据包括请求量及函数大小。
3.如权利要求2所述的服务器无感知计算自适应资源调度方法,其特征在于,在获取所述工作负载日志数据的特征指标分析的步骤中,具体包括下述步骤:
利用Kmean聚类算法根据所述请求量和所述函数大小两项特征对工作负载进行聚类分析,并根据聚类结果对云提供商实际生产环境中的工作负载进行性能表征建模与画像分析,以获取相应的特征指标,并对新出现的函数类型进行相似性分析,所述特征指标包括CPU利用率、内存利用率及网络带宽利用率。
4.如权利要求1或3所述的服务器无感知计算自适应资源调度方法,其特征在于,在根据所述特征指标判定所述函数的阈值范围θ,确定函数的类型的步骤中,具体包括下述步骤:
根据所述特征指标通过多目标阈值机制判定函数的阈值范围θ,确定函数的类型,通过其算法,计算每个节点函数的得分,其公式如下所示:
θ(x)=(1-|C(x)-M(x)|)×10
其中,M(x)为节点函数x的内存利用率,C(x)为节点函数x的CPU利用率,θ(x)表示节点函数x的得分,其范围为[0,10]。
5.如权利要求4所述的服务器无感知计算自适应资源调度方法,其特征在于,在根据所述函数的阈值范围θ选择相应的调度策略的步骤中,具体包括下述步骤:
当θ(x)小于等于5时,选择Fixed CPU策略,即为每一个函数实例分配与所选内存量成比例的CPU份额,其公式表示如下所示:
其中:ci为函数应用i分配的CPU份额,mi为函数应用i的内存大小,cputotal为服务器无感知平台中所有机器的CPU单元总和,memtotal服务器无感知平台中所有机器的总内存;
分配给应用函数的总CPU与内存不超用可用的总容量,即
∑imi≤memtotal;
当θ(x)大于5时,则选择Decoupled策略,即将每个函数实例的CPU与内存分配解耦,解耦后的函数将具有更大的搜索空间,并采用时间序列预测SVR算法,根据前期函数所消耗的资源,通过时间序列预测对函数实例进行资源分配。
6.如权利要求5所述的服务器无感知计算自适应资源调度方法,其特征在于,在采用时间序列预测SVR算法,根据前期函数所消耗的资源,通过时间序列预测对函数实例进行资源分配的步骤中,具体包括下述步骤:
使用SVR模型算法进行资源预测分配流程如下:
根据上一阶段函数所消耗的内存与网络资源作为输入数据,对输入数据进行预处理,其中:SVR算法可表示为:
K(xi,xj)=(xi q·xj)q
其中:q表示该核函数为q阶多项式核函数;
确定核函数参数后利用PSO算法对核函数进行寻优,获取最佳参数,PSO算法公式如下所示:
vi=vi+c1×rand()×(pbesti-xi)+c2×rand()×(gbesti-xi)
xi=xi+vi
其中,i=1,2,…,N,N为种群中粒子的综述,xi为粒子的当前位置,vi为粒子的速度,c1和c2是学习因子;
利用SVR模型对选取的资源数据进行预测,得到的预测结果用于下一阶段的资源调度。
7.一种所述的服务器无感知计算自适应资源调度系统,其特征在于,包括:
数据采集单元:用于获取服务器无感知计算函数的工作负载日志数据;
分析单元:用于获取所述工作负载日志数据的特征指标分析;
判定单元:用于根据所述特征指标判定所述函数的阈值范围θ,确定函数的类型;
选择单元,用于根据所述函数的阈值范围θ选择相应的调度策略。
8.一种计算机设备,其特征在于,包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序,所述处理器执行所述计算机程序时,实现如权利要求1-6中任一所述的方法。
Priority Applications (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211538349.1A CN116126488A (zh) | 2022-12-02 | 2022-12-02 | 一种服务器无感知计算自适应资源调度方法、系统及计算机设备 |
PCT/CN2023/133465 WO2024114484A1 (zh) | 2022-12-02 | 2023-11-22 | 一种服务器无感知计算自适应资源调度方法、系统及计算机设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211538349.1A CN116126488A (zh) | 2022-12-02 | 2022-12-02 | 一种服务器无感知计算自适应资源调度方法、系统及计算机设备 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116126488A true CN116126488A (zh) | 2023-05-16 |
Family
ID=86301793
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211538349.1A Pending CN116126488A (zh) | 2022-12-02 | 2022-12-02 | 一种服务器无感知计算自适应资源调度方法、系统及计算机设备 |
Country Status (2)
Country | Link |
---|---|
CN (1) | CN116126488A (zh) |
WO (1) | WO2024114484A1 (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116662290A (zh) * | 2023-07-24 | 2023-08-29 | 北京大学 | 有状态的服务器无感知函数的读优化方法和装置 |
CN117519954A (zh) * | 2024-01-08 | 2024-02-06 | 北京大学 | 一种面向服务器无感知计算的多资源函数任务调度系统 |
CN117573374A (zh) * | 2024-01-15 | 2024-02-20 | 北京大学 | 一种服务器无感知资源配置的系统及方法 |
WO2024114484A1 (zh) * | 2022-12-02 | 2024-06-06 | 中国科学院深圳先进技术研究院 | 一种服务器无感知计算自适应资源调度方法、系统及计算机设备 |
Family Cites Families (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US10268513B2 (en) * | 2016-12-23 | 2019-04-23 | Nice Ltd. | Computing resource allocation optimization |
CN113238853B (zh) * | 2021-06-15 | 2021-11-12 | 上海交通大学 | 基于函数中间表达的无服务器计算调度系统及方法 |
CN113656179B (zh) * | 2021-08-19 | 2023-10-20 | 北京百度网讯科技有限公司 | 云计算资源的调度方法及装置、电子设备和存储介质 |
CN114461538A (zh) * | 2022-01-26 | 2022-05-10 | 北京广通优云科技股份有限公司 | 一种基于实时内容预测与历史资源占用的云计算应用内存管理方法 |
CN115086189B (zh) * | 2022-05-20 | 2023-11-07 | 中国科学院软件研究所 | 一种面向无服务器计算的服务资源弹性伸缩方法和系统 |
CN116126488A (zh) * | 2022-12-02 | 2023-05-16 | 中国科学院深圳先进技术研究院 | 一种服务器无感知计算自适应资源调度方法、系统及计算机设备 |
-
2022
- 2022-12-02 CN CN202211538349.1A patent/CN116126488A/zh active Pending
-
2023
- 2023-11-22 WO PCT/CN2023/133465 patent/WO2024114484A1/zh unknown
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2024114484A1 (zh) * | 2022-12-02 | 2024-06-06 | 中国科学院深圳先进技术研究院 | 一种服务器无感知计算自适应资源调度方法、系统及计算机设备 |
CN116662290A (zh) * | 2023-07-24 | 2023-08-29 | 北京大学 | 有状态的服务器无感知函数的读优化方法和装置 |
CN116662290B (zh) * | 2023-07-24 | 2023-09-29 | 北京大学 | 有状态的服务器无感知函数的读优化方法和装置 |
CN117519954A (zh) * | 2024-01-08 | 2024-02-06 | 北京大学 | 一种面向服务器无感知计算的多资源函数任务调度系统 |
CN117573374A (zh) * | 2024-01-15 | 2024-02-20 | 北京大学 | 一种服务器无感知资源配置的系统及方法 |
CN117573374B (zh) * | 2024-01-15 | 2024-04-05 | 北京大学 | 一种服务器无感知资源配置的系统及方法 |
Also Published As
Publication number | Publication date |
---|---|
WO2024114484A1 (zh) | 2024-06-06 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN116126488A (zh) | 一种服务器无感知计算自适应资源调度方法、系统及计算机设备 | |
CN109684083B (zh) | 一种面向边缘-云异构下的多级事务调度分配策略 | |
Tang et al. | An offloading method using decentralized P2P-enabled mobile edge servers in edge computing | |
CN103279392B (zh) | 一种云计算环境下虚拟机上运行的负载分类方法 | |
CN113037877B (zh) | 云边端架构下时空数据及资源调度的优化方法 | |
CN103701886A (zh) | 一种云计算环境下的服务及资源分层调度方法 | |
CN108920153A (zh) | 一种基于负载预测的Docker容器动态调度方法 | |
CN111381928B (zh) | 一种虚拟机迁移方法、云计算管理平台和存储介质 | |
CN113157421B (zh) | 一种基于用户作业流程的分布式集群资源调度方法 | |
CN115408152A (zh) | 一种自适应资源匹配获取方法及系统 | |
Feng et al. | Optimizing computation offloading strategy in mobile edge computing based on swarm intelligence algorithms | |
Lu et al. | Dynamic offloading for energy-aware scheduling in a mobile cloud | |
CN115967990A (zh) | 一种基于分类和预测的边端协同业务卸载方法 | |
CN112130927B (zh) | 一种可靠性增强的移动边缘计算任务卸载方法 | |
CN114064294A (zh) | 移动边缘计算环境下的动态资源分配方法和系统 | |
Xu et al. | A meta reinforcement learning-based virtual machine placement algorithm in mobile edge computing | |
CN112882805A (zh) | 一种任务资源约束的利润优化调度方法 | |
CN113360245A (zh) | 基于移动云计算深度强化学习的物联网设备任务下载方法 | |
CN112398917A (zh) | 面向多站融合架构的实时任务调度方法和装置 | |
Ghebleh et al. | A multi-criteria method for resource discovery in distributed systems using deductive fuzzy system | |
Wu et al. | The research of multimedia cloud computing platform data dynamic task scheduling optimization method in multi core environment | |
CN113010296B (zh) | 基于形式化模型的任务解析与资源分配方法及系统 | |
CN110580192B (zh) | 一种基于服务特征的混部场景中容器i/o隔离性优化方法 | |
CN115016911A (zh) | 面向大规模联邦学习的任务编排方法、装置、设备和介质 | |
CN114610758A (zh) | 基于数据仓库的数据处理方法、装置、可读介质及设备 |
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 |