CN117014312A - 容量管理方法及相关设备 - Google Patents

容量管理方法及相关设备 Download PDF

Info

Publication number
CN117014312A
CN117014312A CN202310975641.8A CN202310975641A CN117014312A CN 117014312 A CN117014312 A CN 117014312A CN 202310975641 A CN202310975641 A CN 202310975641A CN 117014312 A CN117014312 A CN 117014312A
Authority
CN
China
Prior art keywords
cluster
resource amount
time
amount
resource
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
CN202310975641.8A
Other languages
English (en)
Inventor
徐海辉
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 Mobile Communications Group Co Ltd
China Mobile Suzhou Software Technology Co Ltd
Original Assignee
China Mobile Communications Group Co Ltd
China Mobile Suzhou Software Technology 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 Mobile Communications Group Co Ltd, China Mobile Suzhou Software Technology Co Ltd filed Critical China Mobile Communications Group Co Ltd
Priority to CN202310975641.8A priority Critical patent/CN117014312A/zh
Publication of CN117014312A publication Critical patent/CN117014312A/zh
Pending legal-status Critical Current

Links

Classifications

    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L41/00—Arrangements for maintenance, administration or management of data switching networks, e.g. of packet switching networks
    • H04L41/08—Configuration management of networks or network elements
    • H04L41/0803—Configuration setting
    • H04L41/0823—Configuration setting characterised by the purposes of a change of settings, e.g. optimising configuration for enhancing reliability
    • 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
    • G06N3/04—Architecture, e.g. interconnection topology
    • 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
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L41/00—Arrangements for maintenance, administration or management of data switching networks, e.g. of packet switching networks
    • H04L41/06—Management of faults, events, alarms or notifications
    • H04L41/0631—Management of faults, events, alarms or notifications using root cause analysis; using analysis of correlation between notifications, alarms or events based on decision criteria, e.g. hierarchy, tree or time analysis
    • 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)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • General Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Signal Processing (AREA)
  • Evolutionary Computation (AREA)
  • Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Debugging And Monitoring (AREA)

Abstract

本公开提供一种容量管理方法及相关设备，涉及大数据的技术领域，所述方法包括：获取第一集群的已使用资源量、第一集群的最大资源量、以及对应第二集群的历史信息，第一集群和第二集群为对应同一用户的不同服务器集群；根据多个资源量数据，预测第一集群的资源量增长速率；根据已使用资源量、最大资源量以及资源量增长速率，确定第一集群的剩余可用时间，剩余可用时间为资源量差值和资源量增长速率之比，资源量差值为最大资源量与已使用资源量之差；在剩余可用时间小于警戒时间的情况下，输出报警信息。本公开能规避因限制用户写入操作而带来的业务干扰问题，使运行于当前的服务器集群中的服务的鲁棒性得到提升。

Description

容量管理方法及相关设备
技术领域
本公开涉及大数据的技术领域，具体涉及一种容量管理方法及相关设备。
背景技术
基于相关技术管理HBase集群容量过程中，在为用户创建对应的集群时，会为集群相应设置容量阈值，当集群已使用的容量超过该容量阈值后，服务器会发出提示信息，以提醒用户对当前集群进行扩容处理，而在集群扩容过程中，集群的对外服务会相应中止，这会导致用户在集群内运行的业务受阻，也就是说，基于相关技术管理HBase集群时，集群上所运行的服务的鲁棒性较低。
发明内容
本公开的目的在于提供一种容量管理方法及相关设备，用于解决相关技术管理HBase集群时，集群上所运行服务存在的鲁棒性低的技术问题。
第一方面，本公开提供一种容量管理方法，包括：
获取第一集群的已使用资源量、所述第一集群的最大资源量、以及对应第二集群的历史信息，所述第一集群和所述第二集群为对应同一用户的不同服务器集群，所述第一集群的启用时刻晚于所述第二集群的启用时刻，所述历史信息包括多个资源量数据，所述资源量数据用于指示所述第二集群在对应的历史时段内使用的资源量；
根据所述多个资源量数据，预测所述第一集群的资源量增长速率；
根据所述已使用资源量、所述最大资源量以及所述资源量增长速率，确定所述第一集群的剩余可用时间，所述剩余可用时间为资源量差值和所述资源量增长速率之比，所述资源量差值为所述最大资源量与所述已使用资源量之差；
在所述剩余可用时间小于警戒时间的情况下，输出报警信息，所述报警信息用于提醒所述用户对所述第一集群进行扩容处理。
在一个实施例中，所述根据所述多个资源量数据，预测所述第一集群的资源量增长速率，包括：
根据预先获取的目标回归模型对所述多个资源量数据进行分析，得到所述资源量增长速率，其中，所述目标回归模型为神经网络模型。
在一个实施例中，所述根据所述多个资源量数据，预测所述第一集群的资源量增长速率之前，所述方法还包括：
获取多组训练数据，其中，每组训练数据包括一个第一参数和多个第二参数，所述第一参数指示对应集群使用的资源量的增长速率，所述第二参数指示对应集群在历史时段内使用的资源量，每组训练数据内的不同第二参数对应的历史时段不同；
根据所述多个训练数据对初始回归模型进行训练，得到所述目标回归模型。
在一个实施例中，所述获取第一集群的已使用资源量、所述第一集群的最大资源量、以及对应第二集群的历史信息之前，所述方法还包括：
部署用于存储数据的第一子集群、以及用于容器化集群组件的第二子集群；
在所述第二子集群中构建多个组件容器；
根据所述第一子集群和所述多个组件容器生成所述第一集群。
在一个实施例中，所述历史信息还包括多个扩容等待时间，其中，所述扩容等待时间为第一时间和第二时间之差，所述第二时间为所述第二集群的容量警告信息的生成时间，所述第一时间为响应于所述容量警告信息的扩容信息的生成时间；
所述获取第一集群的已使用资源量、所述第一集群的最大资源量、以及对应第二集群的历史信息之后，所述方法还包括：
将所述多个扩容等待时间的均值确定为目标等待时间；
根据所述目标等待时间和预设的扩容时间，确定所述警戒时间，其中，所述扩容时间为对所述第一集群进行扩容处理的耗时。
在一个实施例中，所述输出报警信息之后，所述方法还包括：
获取对应所述报警信息的扩容指令；
根据所述扩容指令，对所述第一集群进行扩容处理，以使所述第一集群的最大资源量增加。
在一个实施例中，所述根据所述扩容指令，对所述第一集群进行扩容处理，包括：
根据所述扩容指令，增加所述第一集群的最大计算资源量，和/或，增加所述第一集群的最大存储资源量。
第二方面，本公开还提供一种容量管理装置，包括：
获取模块，用于获取第一集群的已使用资源量、所述第一集群的最大资源量、以及对应第二集群的历史信息，所述第一集群和所述第二集群为对应同一用户的不同服务器集群，所述第一集群的启用时刻晚于所述第二集群的启用时刻，所述历史信息包括多个资源量数据，所述资源量数据用于指示所述第二集群在对应的历史时段内使用的资源量；
预测模块，用于根据所述多个资源量数据，预测所述第一集群的资源量增长速率；
确定模块，用于根据所述已使用资源量、所述最大资源量以及所述资源量增长速率，确定所述第一集群的剩余可用时间，所述剩余可用时间为资源量差值和所述资源量增长速率之比，所述资源量差值为所述最大资源量与所述已使用资源量之差；
输出模块，用于在所述剩余可用时间小于警戒时间的情况下，输出报警信息，所述报警信息用于提醒所述用户对所述第一集群进行扩容处理。
第三方面，本公开还提供一种电子设备，包括处理器、存储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，所述计算机程序被所述处理器执行时实现上述容量管理方法的步骤。
第四方面，本公开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时实现上述容量管理方法的步骤。
在本公开中，基于用户在历史时段内的服务器集群的资源量使用数据，预测用户当前的服务器集群的资源量增长速率，并结合用户当前的服务器集群的已使用量和最大资源量，计算用户当前的服务器集群的剩余可用时间，当剩余可用时间不足时，通过输出报警信息的方式，提醒用户及时对当前使用的服务器集群进行扩容，由于上述报警信息输出时，用户当前的服务器集群的剩余可用资源量较为充裕，因此可在不限制用户写入操作的情况，支持对服务器集群的扩容操作，这能规避因限制用户写入操作而带来的业务干扰问题，使运行于当前的服务器集群中的服务的鲁棒性得到提升。
附图说明
图1是本公开实施例提供的一种容量管理方法的示意图；
图2是本公开实施例提供的一种回归模型的示意图；
图3是本公开实施例提供的一种集群部署流程的示意图；
图4是本公开实施例提供的一种容量管理装置的示意图；
图5是本公开实施例提供的一种电子设备的示意图。
具体实施方式
下面将结合本公开实施例中的附图，对本公开实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本公开一部分实施例，而不是全部的实施例。基于本公开中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本公开保护的范围。
本公开实施例提供一种容量管理方法，如图1所示，所述容量管理方法包括：
步骤101、获取第一集群的已使用资源量、所述第一集群的最大资源量、以及对应第二集群的历史信息。
其中，所述第一集群和所述第二集群为对应同一用户的不同服务器集群，所述第一集群的启用时刻晚于所述第二集群的启用时刻，所述历史信息包括多个资源量数据，所述资源量数据用于指示所述第二集群在对应的历史时段内使用的资源量。
本公开所述方法应用于云服务平台中，云服务平台会为接入平台的每个用户(也称租户)分配一个命名空间，随后对该命名空间的容量(如：计算资源量、存储资源量等)进行管理，通过在该命名空间内部署服务器集群，以供对应用户使用，即用户可在命名空间内的服务器集群中运行所需的业务服务。
对于平台的多个用户来说，不同用户对应的命名空间不同；而对于同一个用户来说，用户每次接入平台并租用平台的云服务资源时对应的命名空间可以相同，也可以不同，即在一次租用过程中，平台即会为用户分配一个命名空间，当用户取消本次云服务器资源租用时，平台即回收之前所分配的命名空间，当该用户再次接入平台并租用云服务资源时，平台会为用户重新分配一个命名空间，两次分配的命名空间可能相同，也可能不同。
其中，上述第一集群可理解为目标用户当前接入平台时所租用的服务器集群，而第二集群则为目标用户之前接入平台时所租用的服务器集群，所述目标用户为接入平台且租用过服务器集群的多个用户中的一个用户。
需要指出的是，在本公开中，所述历史信息对应的第二集群可以为一个，也可以为两个或两个以上，并且，历史信息所对应的第二集群的数量越多，预测的所述第一集群的资源量增长速率更加准确。
其中，所述历史信息包括的多个资源量数据分别对应连续的多个历史时段，例如，所述历史信息包括的多个资源量数据可以为：目标用户在上一周的周一租用第二集群时所使用的资源量、目标用户在上一周的周二租用第二集群时所使用的资源量、目标用户在上一周的周三租用第二集群时所使用的资源量、目标用户在上一周的周四租用第二集群时所使用的资源量、目标用户在上一周的周五租用第二集群时所使用的资源量、目标用户在上一周的周六租用第二集群时所使用的资源量、目标用户在上一周的周天租用第二集群时所使用的资源量。
步骤102、根据所述多个资源量数据，预测所述第一集群的资源量增长速率。
通过分析目标用户在连续的多个历史时段内的服务器集群的资源量使用情况，以预测目标用户租用服务器集群时的资源量增长速率；
示例性，可以应用曲线拟合的方式对所述多个资源量数据进行处理，以预测所述第一集群的资源量增长速率；也可以应用模型学习的方式对所述多个资源量数据进行处理，以预测所述第一集群的资源量增长速率。
步骤103、根据所述已使用资源量、所述最大资源量以及所述资源量增长速率，确定所述第一集群的剩余可用时间。
其中，所述剩余可用时间为资源量差值和所述资源量增长速率之比，所述资源量差值为所述最大资源量与所述已使用资源量之差。
步骤104、在所述剩余可用时间小于警戒时间的情况下，输出报警信息。
其中，所述报警信息用于提醒所述用户对所述第一集群进行扩容处理。
在相关技术中，在为目标用户分配命名空间，并在命名空间内部署服务器集群后，会相应设置一个容量阈值，当服务器集群已使用的资源量超过该容量阈值后，平台会向目标用户输出报警信息，此时，若用户响应该报警信息并指示平台对服务器集群进行扩容，则平台会对服务器集群进行扩容，在扩容过程中，为避免服务器集群使用的资源量因超限而宕机，平台会限制目标用户对服务器集群的写入操作，这使得目标用户运行于服务器集群上的业务服务无法进行数据写入，故而会导致业务服务存在较大的故障风险。
而在本公开中，基于用户在历史时段内的服务器集群的资源量使用数据，预测用户当前的服务器集群的资源量增长速率，并结合用户当前的服务器集群的已使用量和最大资源量，计算用户当前的服务器集群的剩余可用时间，当剩余可用时间不足时，通过输出报警信息的方式，提醒用户及时对当前使用的服务器集群进行扩容，由于上述报警信息输出时，用户当前的服务器集群的剩余可用资源量较为充裕，因此可在不限制用户写入操作的情况，支持对服务器集群的扩容操作，这能规避因限制用户写入操作而带来的业务故障风险，使运行于当前的服务器集群中的服务的鲁棒性得到提升。
需要说明的是，报警信息仅用于提醒目标用户，基于目标用户历史的服务器集群的资源量使用情况分析，第一集群当前剩余资源量的可用时间不足；
当目标用户收到报警信息后，可选择响应该报警信息，并指示平台对第一集群进行扩容处理，以规避第一集群当前剩余资源量的可用时间不足的问题；也可以选择不响应所述报警信息。
在一个实施例中，所述根据所述多个资源量数据，预测所述第一集群的资源量增长速率，包括：
根据预先获取的目标回归模型对所述多个资源量数据进行分析，得到所述资源量增长速率，其中，所述目标回归模型为神经网络模型。
该实施例中，通过应用训练好的目标回归模型对多个资源量数据进行分析，可适配实际中多变的资源量使用情况，这能提升所得到的资源量增长速率得准确性，进而保障基于资源量增长速率计算的剩余可用时间的可靠性，使报警信息的输出更加及时有效。
示例性的，所述目标回归模型可以为keras回归模型。
在一个实施例中，所述根据所述多个资源量数据，预测所述第一集群的资源量增长速率之前，所述方法还包括：
获取多组训练数据，其中，每组训练数据包括一个第一参数和多个第二参数，所述第一参数指示对应集群使用的资源量的增长速率，所述第二参数指示对应集群在历史时段内使用的资源量，每组训练数据内的不同第二参数对应的历史时段不同；
根据所述多个训练数据对初始回归模型进行训练，得到所述目标回归模型。
示例性的，所述第二集群可以包括训练用户在历史时间中使用服务器集群时，对应的表数量、Region数、命名空间容量及命名空间ID；其中，所述训练用户为接入平台且租用过服务器集群的多个用户中的一个用户，所述多组训练数据分别对应多个不同的训练用户。
如图2所示，所述目标回归模型包括多个隐藏层，目标回归模型的模型输入为一个数据点，数据点包括表数量、Region数、命名空间容量及命名空间ID，目标回归模型将数据点转换为具有线性激活函数的单个神经元，单个神经元指示所对应服务器使用的资源量的增长速率。
在一个实施例中，所述获取第一集群的已使用资源量、所述第一集群的最大资源量、以及对应第二集群的历史信息之前，所述方法还包括：
部署用于存储数据的第一子集群、以及用于容器化集群组件的第二子集群；
在所述第二子集群中构建多个组件容器；
根据所述第一子集群和所述多个组件容器生成所述第一集群。
该实施例中，通过基于容器的服务器集群部署方式，以省去第一集群扩容时的参数配置流程，这能缩短第一集群的扩容操作的耗时，降低服务器集群在扩容时的宕机风险，令运行于第一集群中的服务的鲁棒性得到进一步提升。
示例性的，如图3所示，第一集群的部署过程可以为：
先部署分布式存储集群(可理解为前述第一子集群)，即部署对象存储或完全分布式Hadoop集群，具体部署在Kubernetes集群外部的物理机上，用于提供数据存储服务，并由平台中的所有HBase集群共同使用；
再部署Kubernetes集群(可理解为前述第二子集群)，以用于编排HBase集群服务，使HBase集群服务容器化；
最后通过Kubernetes集群将HMaster、RegionServer、Zookeeper组件(可理解为前述多个组件容器)部署在容器中，在容器中部署需构建对应组件的镜像，具体包括：HBase镜像和Zookeeper镜像；其中，HBase镜像用于启动HMaster服务和Regionserver服务，Zookeeper镜像用于启动Zookeeper服务；
当目标用户申请创建集群时，平台会对计算资源及存储资源进行预分配，然后创建各项集群资源，接着创建命名空间，创建网络策略等；待创建完毕后，上述集群资源会位于kubernetes集群中，之后创建Zookeeper集群，当Zookeeper集群正常后，同步创建HMaster和Regionserver服务，至此完成第一集群的创建工作。
在一个实施例中，所述历史信息还包括多个扩容等待时间，其中，所述扩容等待时间为第一时间和第二时间之差，所述第二时间为所述第二集群的容量警告信息的生成时间，所述第一时间为响应于所述容量警告信息的扩容信息的生成时间；
所述获取第一集群的已使用资源量、所述第一集群的最大资源量、以及对应第二集群的历史信息之后，所述方法还包括：
将所述多个扩容等待时间的均值确定为目标等待时间；
根据所述目标等待时间和预设的扩容时间，确定所述警戒时间，其中，所述扩容时间为对所述第一集群进行扩容处理的耗时。
该实施例中，通过统计多个第二集群在历史时段内的多个扩容等待时间的均值，以预测目标用户对报警信息的重视程度，以及在接收到报警信息至最终发出扩容指令过程的耗时，并最终通过汇总目标等待时间和预设的扩容时间，来确定目标用户所对应的警戒时间，能适配每个用户的平台使用习惯，输出更加准确的警戒时间。
其中，根据所述目标等待时间和预设的扩容时间，确定所述警戒时间可理解为：将目标等待时间和预设的扩容时间之和确定为所述警戒时间。
应用中，可以通过监控集群Maste集群请求数，重启拆分WAL的时间及服务端执行RPC消耗的时间，结合用户扩容集群的复杂度、节点数来综合确定所述扩容时间；
对于接入平台的多个用户来说，不同用户对应的目标等待时间和预设的扩容时间均不相同。
前述第二集群的容量警告信息确定流程可以为：第二集群在对应的历史时段内的资源量的剩余可用时间低于警戒时间，或者，第二集群在对应的历史时段内的已使用的资源量超过预设的资源量阈值。
示例性的，若目标用户的第二集群的容量警告信息的生成时间为一月一日(可理解为第二时间)，目标用户的响应于所述容量警告信息的扩容信息的生成时间为一月三日(可理解为第一时间)，则对应的扩容等待时间为2天。
在一个实施例中，所述输出报警信息之后，所述方法还包括：
获取对应所述报警信息的扩容指令；
根据所述扩容指令，对所述第一集群进行扩容处理，以使所述第一集群的最大资源量增加。
该实施例中，当目标用响应该报警信息并向平台发出扩容指令后，平台即响应所述扩容指令，并对目标用户对应的第一集群进行扩容处理，以增加所述第一集群的最大资源量，待扩容完成后，即基于扩容后的第一集群的最大资源量重新计算扩容后的第一集群的剩余可用时间，以实现对第一集群的资源量使用情况的动态预警。
在一个实施例中，所述根据所述扩容指令，对所述第一集群进行扩容处理，包括：
根据所述扩容指令，增加所述第一集群的最大计算资源量，和/或，增加所述第一集群的最大存储资源量。
该实施例中，在响应扩容指令的过程中，通过适应性增加第一集群的最大计算资源量，和/或，增加第一集群的最大存储资源量，以适配实际应用多变的扩容需求，同时避免第一集群所占用的资源量的无序扩张，提升平台所支配的多个计算机资源的资源利用率。
该实施例中，最大资源量可以包括所述第一集群的最大计算资源量，以及增加所述第一集群的最大存储资源量，相应地，资源量差值也可以包括对应计算资源的第一差值和对应存储资源的第二差值，资源量增长速率可以包括对应计算资源的第一速率和对应存储资源的第二速率，当基于第一差值和第一速率计算的剩余可用时间和/或基于第二差值和第二速率计算的剩余可用时间小于警戒时间，则输出前述报警信息。
示例性的，其中计算资源包括中央处理器(Central Processing Unit，CPU)、内存资源，所述存储资源包括固态硬盘(Solid State Disk，SSD)，机械硬盘(Hard Disk Drive，HDD)两种资源。
参见图4，图4是本公开实施例提供的一种容量管理装置，如图4所示，所述容量管理装置400包括：
获取模块401，用于获取第一集群的已使用资源量、所述第一集群的最大资源量、以及对应第二集群的历史信息，所述第一集群和所述第二集群为对应同一用户的不同服务器集群，所述第一集群的启用时刻晚于所述第二集群的启用时刻，所述历史信息包括多个资源量数据，所述资源量数据用于指示所述第二集群在对应的历史时段内使用的资源量；
预测模块402，用于根据所述多个资源量数据，预测所述第一集群的资源量增长速率；
确定模块403，用于根据所述已使用资源量、所述最大资源量以及所述资源量增长速率，确定所述第一集群的剩余可用时间，所述剩余可用时间为资源量差值和所述资源量增长速率之比，所述资源量差值为所述最大资源量与所述已使用资源量之差；
输出模块404，用于在所述剩余可用时间小于警戒时间的情况下，输出报警信息，所述报警信息用于提醒所述用户对所述第一集群进行扩容处理。
在一个实施例中，所述预测模块402具体用于：
根据预先获取的目标回归模型对所述多个资源量数据进行分析，得到所述资源量增长速率，其中，所述目标回归模型为神经网络模型。
在一个实施例中，所述装置400还包括：
训练模块，用于获取多组训练数据，并根据所述多个训练数据对初始回归模型进行训练，得到所述目标回归模型，其中，每组训练数据包括一个第一参数和多个第二参数，所述第一参数指示对应集群使用的资源量的增长速率，所述第二参数指示对应集群在历史时段内使用的资源量，每组训练数据内的不同第二参数对应的历史时段不同。
在一个实施例中，所述装置400还包括集群部署模块，所述集群部署模块具体用于：
部署用于存储数据的第一子集群、以及用于容器化集群组件的第二子集群；
在所述第二子集群中构建多个组件容器；
根据所述第一子集群和所述多个组件容器生成所述第一集群。
在一个实施例中，所述历史信息还包括多个扩容等待时间，其中，所述扩容等待时间为第一时间和第二时间之差，所述第二时间为所述第二集群的容量警告信息的生成时间，所述第一时间为响应于所述容量警告信息的扩容信息的生成时间；
所述装置400还包括：
时间计算模块，用于将所述多个扩容等待时间的均值确定为目标等待时间，根据所述目标等待时间和预设的扩容时间，确定所述警戒时间，其中，所述扩容时间为对所述第一集群进行扩容处理的耗时。
在一个实施例中，所述装置400还包括：
扩容模块，用于获取对应所述报警信息的扩容指令，并根据所述扩容指令，对所述第一集群进行扩容处理，以使所述第一集群的最大资源量增加。
在一个实施例中，所述扩容模块具体用于：
根据所述扩容指令，增加所述第一集群的最大计算资源量，和/或，增加所述第一集群的最大存储资源量。
本公开实施例提供的容量管理装置400能够实现上述容量管理方法实施例中的各个过程，为避免重复，这里不再赘述。
根据本公开的实施例，本公开还提供了一种电子设备、一种可读存储介质。
图5示出了可以用来实施本公开的实施例的示例电子设备500的示意性框图。电子设备旨在表示各种形式的数字计算机，诸如，膝上型计算机、台式计算机、工作台、个人数字助理、服务器、刀片式服务器、大型计算机、和其它适合的计算机。电子设备还可以表示各种形式的移动装置，诸如，个人数字处理、蜂窝电话、智能电话、可穿戴设备和其它类似的计算装置。本文所示的部件、它们的连接和关系、以及它们的功能仅仅作为示例，并且不意在限制本文中描述的和/或者要求的本公开的实现。
如图5所示，设备500包括计算单元501，其可以根据存储在只读存储器(Read-OnlyMemory，ROM)502中的计算机程序或者从存储单元508加载到随机访问存储器(RandomAccess Memory，RAM)503中的计算机程序，来执行各种适当的动作和处理。在RAM 503中，还可存储设备500操作所需的各种程序和数据。计算单元501、ROM 502以及RAM 503通过总线504彼此相连。输入/输出(I/O)接口505也连接至总线504。
设备500中的多个部件连接至I/O接口505，包括：输入单元506，例如键盘、鼠标等；输出单元507，例如各种类型的显示器、扬声器等；存储单元508，例如磁盘、光盘等；以及通信单元509，例如网卡、调制解调器、无线通信收发机等。通信单元509允许设备500通过诸如因特网的计算机网络和/或各种电信网络与其他设备交换信息/数据。
计算单元501可以是各种具有处理和计算能力的通用和/或专用处理组件。计算单元501的一些示例包括但不限于中央处理单元(Central Processing Unit，CPU)、图形处理单元(Graphic Process Unit，GPU)、各种专用的人工智能(Artificial Intelligence，AI)计算芯片、各种运行机器学习模型算法的计算单元、数字信号处理器(Digital SignalProcessing，DSP)、以及任何适当的处理器、控制器、微控制器等。计算单元501执行上文所描述的各个方法和处理，例如容量管理方法。例如，在一些实施例中，容量管理方法可被实现为计算机软件程序，其被有形地包含于机器可读介质，例如存储单元508。在一些实施例中，计算机程序的部分或者全部可以经由ROM 502和/或通信单元509而被载入和/或安装到设备500上。当计算机程序加载到RAM 503并由计算单元501执行时，可以执行上文描述的容量管理方法的一个或多个步骤。备选地，在其他实施例中，计算单元501可以通过其他任何适当的方式(例如，借助于固件)而被配置为执行容量管理方法。
本文中以上描述的系统和技术的各种实施方式可以在数字电子电路系统、集成电路系统、场可编程门阵列(Field－Programmable Gate Array，FPGA)、专用集成电路(Application Specific Integrated Circuit，ASIC)、专用标准产品(ApplicationSpecific Standard Product，ASSP)、芯片上系统的系统(System on Chip，SOC)、复杂可编程逻辑设备(Complex Programmable Logic Device，CPLD)、计算机硬件、固件、软件、和/或它们的组合中实现。这些各种实施方式可以包括：实施在一个或者多个计算机程序中，该一个或者多个计算机程序可在包括至少一个可编程处理器的可编程系统上执行和/或解释，该可编程处理器可以是专用或者通用可编程处理器，可以从存储系统、至少一个输入装置、和至少一个输出装置接收数据和指令，并且将数据和指令传输至该存储系统、该至少一个输入装置、和该至少一个输出装置。
用于实施本公开的方法的程序代码可以采用一个或多个编程语言的任何组合来编写。这些程序代码可以提供给通用计算机、专用计算机或其他可编程数据处理装置的处理器或控制器，使得程序代码当由处理器或控制器执行时使流程图和/或框图中所规定的功能/操作被实施。程序代码可以完全在机器上执行、部分地在机器上执行，作为独立软件包部分地在机器上执行且部分地在远程机器上执行或完全在远程机器或服务器上执行。
在本公开的上下文中，机器可读介质可以是有形的介质，其可以包含或存储以供指令执行系统、装置或设备使用或与指令执行系统、装置或设备结合地使用的程序。机器可读介质可以是机器可读信号介质或机器可读储存介质。机器可读介质可以包括但不限于电子的、磁性的、光学的、电磁的、红外的、或半导体系统、装置或设备，或者上述内容的任何合适组合。机器可读存储介质的更具体示例会包括基于一个或多个线的电气连接、便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦除可编程只读存储器(EPROM或快闪存储器)、光纤、便捷式紧凑盘只读存储器(CD-ROM)、光学储存设备、磁储存设备、或上述内容的任何合适组合。
为了提供与用户的交互，可以在计算机上实施此处描述的系统和技术，该计算机具有：用于向用户显示信息的显示装置(例如，CRT(阴极射线管)或者LCD(液晶显示器)监视器)；以及键盘和指向装置(例如，鼠标或者轨迹球)，用户可以通过该键盘和该指向装置来将输入提供给计算机。其它种类的装置还可以用于提供与用户的交互；例如，提供给用户的反馈可以是任何形式的传感反馈(例如，视觉反馈、听觉反馈、或者触觉反馈)；并且可以用任何形式(包括声输入、语音输入或者、触觉输入)来接收来自用户的输入。
可以将此处描述的系统和技术实施在包括后台部件的计算系统(例如，作为数据服务器)、或者包括中间件部件的计算系统(例如，应用服务器)、或者包括前端部件的计算系统(例如，具有图形用户界面或者网络浏览器的用户计算机，用户可以通过该图形用户界面或者该网络浏览器来与此处描述的系统和技术的实施方式交互)、或者包括这种后台部件、中间件部件、或者前端部件的任何组合的计算系统中。可以通过任何形式或者介质的数字数据通信(例如，通信网络)来将系统的部件相互连接。通信网络的示例包括：局域网(LAN)、广域网(WAN)和互联网。
计算机系统可以包括客户端和服务器。客户端和服务器一般远离彼此并且通常通过通信网络进行交互。通过在相应的计算机上运行并且彼此具有客户端-服务器关系的计算机程序来产生客户端和服务器的关系。服务器可以是云服务器，也可以为分布式系统的服务器，或者是结合了区块链的服务器。
应该理解，可以使用上面所示的各种形式的流程，重新排序、增加或删除步骤。例如，本公开中记载的各步骤可以并行地执行也可以顺序地执行也可以不同的次序执行，只要能够实现本公开公开的技术方案所期望的结果，本文在此不进行限制。
上述具体实施方式，并不构成对本公开保护范围的限制。本领域技术人员应该明白的是，根据设计要求和其他因素，可以进行各种修改、组合、子组合和替代。任何在本公开的精神和原则之内所作的修改、等同替换和改进等，均应包含在本公开保护范围之内。

Claims (10)

1.一种容量管理方法，其特征在于，所述方法包括：
获取第一集群的已使用资源量、所述第一集群的最大资源量、以及对应第二集群的历史信息，所述第一集群和所述第二集群为对应同一用户的不同服务器集群，所述第一集群的启用时刻晚于所述第二集群的启用时刻，所述历史信息包括多个资源量数据，所述资源量数据用于指示所述第二集群在对应的历史时段内使用的资源量；
根据所述多个资源量数据，预测所述第一集群的资源量增长速率；
根据所述已使用资源量、所述最大资源量以及所述资源量增长速率，确定所述第一集群的剩余可用时间，所述剩余可用时间为资源量差值和所述资源量增长速率之比，所述资源量差值为所述最大资源量与所述已使用资源量之差；
在所述剩余可用时间小于警戒时间的情况下，输出报警信息，所述报警信息用于提醒所述用户对所述第一集群进行扩容处理。
2.根据权利要求1所述的方法，其特征在于，所述根据所述多个资源量数据，预测所述第一集群的资源量增长速率，包括：
根据预先获取的目标回归模型对所述多个资源量数据进行分析，得到所述资源量增长速率，其中，所述目标回归模型为神经网络模型。
3.根据权利要求2所述的方法，其特征在于，所述根据所述多个资源量数据，预测所述第一集群的资源量增长速率之前，所述方法还包括：
获取多组训练数据，其中，每组训练数据包括一个第一参数和多个第二参数，所述第一参数指示对应集群使用的资源量的增长速率，所述第二参数指示对应集群在历史时段内使用的资源量，每组训练数据内的不同第二参数对应的历史时段不同；
根据所述多个训练数据对初始回归模型进行训练，得到所述目标回归模型。
4.根据权利要求1所述的方法，其特征在于，所述获取第一集群的已使用资源量、所述第一集群的最大资源量、以及对应第二集群的历史信息之前，所述方法还包括：
部署用于存储数据的第一子集群、以及用于容器化集群组件的第二子集群；
在所述第二子集群中构建多个组件容器；
根据所述第一子集群和所述多个组件容器生成所述第一集群。
5.根据权利要求1所述的方法，其特征在于，所述历史信息还包括多个扩容等待时间，其中，所述扩容等待时间为第一时间和第二时间之差，所述第二时间为所述第二集群的容量警告信息的生成时间，所述第一时间为响应于所述容量警告信息的扩容信息的生成时间；
所述获取第一集群的已使用资源量、所述第一集群的最大资源量、以及对应第二集群的历史信息之后，所述方法还包括：
将所述多个扩容等待时间的均值确定为目标等待时间；
根据所述目标等待时间和预设的扩容时间，确定所述警戒时间，其中，所述扩容时间为对所述第一集群进行扩容处理的耗时。
6.根据权利要求1所述的方法，其特征在于，所述输出报警信息之后，所述方法还包括：
获取对应所述报警信息的扩容指令；
根据所述扩容指令，对所述第一集群进行扩容处理，以使所述第一集群的最大资源量增加。
7.根据权利要求6所述的方法，其特征在于，所述根据所述扩容指令，对所述第一集群进行扩容处理，包括：
根据所述扩容指令，增加所述第一集群的最大计算资源量，和/或，增加所述第一集群的最大存储资源量。
8.一种容量管理装置，其特征在于，所述装置包括：
获取模块，用于获取第一集群的已使用资源量、所述第一集群的最大资源量、以及对应第二集群的历史信息，所述第一集群和所述第二集群为对应同一用户的不同服务器集群，所述第一集群的启用时刻晚于所述第二集群的启用时刻，所述历史信息包括多个资源量数据，所述资源量数据用于指示所述第二集群在对应的历史时段内使用的资源量；
预测模块，用于根据所述多个资源量数据，预测所述第一集群的资源量增长速率；
确定模块，用于根据所述已使用资源量、所述最大资源量以及所述资源量增长速率，确定所述第一集群的剩余可用时间，所述剩余可用时间为资源量差值和所述资源量增长速率之比，所述资源量差值为所述最大资源量与所述已使用资源量之差；
输出模块，用于在所述剩余可用时间小于警戒时间的情况下，输出报警信息，所述报警信息用于提醒所述用户对所述第一集群进行扩容处理。
9.一种电子设备，其特征在于，包括处理器、存储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，所述计算机程序被所述处理器执行时实现如权利要求1至7中任一项所述方法的步骤。
10.一种可读存储介质，其特征在于，所述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至7中任一项所述方法的步骤。
CN202310975641.8A 2023-08-04 2023-08-04 容量管理方法及相关设备 Pending CN117014312A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310975641.8A CN117014312A (zh) 2023-08-04 2023-08-04 容量管理方法及相关设备

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310975641.8A CN117014312A (zh) 2023-08-04 2023-08-04 容量管理方法及相关设备

Publications (1)

Publication Number Publication Date
CN117014312A true CN117014312A (zh) 2023-11-07

Family

ID=88568632

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310975641.8A Pending CN117014312A (zh) 2023-08-04 2023-08-04 容量管理方法及相关设备

Country Status (1)

Country Link
CN (1) CN117014312A (zh)

Similar Documents

Publication Publication Date Title
CN112559182B (zh) 资源分配方法、装置、设备及存储介质
CN108052384B (zh) 一种任务处理方法、服务平台及电子设备
US20160366246A1 (en) Computing resource deployment system
US10949116B2 (en) Storage resource capacity prediction utilizing a plurality of time series forecasting models
CN113220420B (zh) 服务监控方法、装置、设备、存储介质及计算机程序产品
CN111324471B (zh) 服务调整方法、装置、设备及存储介质
CN111143039B (zh) 一种虚拟机的调度方法、装置及计算机存储介质
CN105308553B (zh) 动态提供存储
US11418606B2 (en) Computing resource management system
TWI671708B (zh) 一種流速控制方法及裝置
CN108415765B (zh) 任务调度方法、装置及智能终端
WO2020206699A1 (en) Predicting virtual machine allocation failures on server node clusters
CN113986497A (zh) 基于多租户技术的队列调度方法、装置及系统
CN112615795A (zh) 流量控制方法、装置、电子设备、存储介质及产品
CN117149382A (zh) 虚拟机调度方法、装置、计算机设备和存储介质
CN116594563A (zh) 分布式存储扩容方法、装置、电子设备和存储介质
CN117014312A (zh) 容量管理方法及相关设备
CN114995914A (zh) 图片数据的处理方法、装置、计算机设备及存储介质
CN116010067A (zh) 模型推理方法、云平台、设备和存储介质
CN111722986A (zh) 软件性能监测方法及装置
CN114610575B (zh) 应用于计算分支的更新峰值的方法、装置、设备和介质
CN116860459B (zh) 一种云平台中资源池的监测方法、装置、设备及介质
CN116909757B (zh) 集群管理的控制系统、方法、电子设备和存储介质
US20240338254A1 (en) Proactive adjustment of resource allocation to information technology assets based on predicted resource utilization
CN115617454A (zh) 一种容器化服务部署方法、装置、设备及存储介质

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