CN117170881A - 一种资源调控的方法、装置及存储介质、处理器 - Google Patents
一种资源调控的方法、装置及存储介质、处理器 Download PDFInfo
- Publication number
- CN117170881A CN117170881A CN202311446241.4A CN202311446241A CN117170881A CN 117170881 A CN117170881 A CN 117170881A CN 202311446241 A CN202311446241 A CN 202311446241A CN 117170881 A CN117170881 A CN 117170881A
- Authority
- CN
- China
- Prior art keywords
- cloud application
- resource
- cloud
- model
- running
- 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
- 238000000034 method Methods 0.000 title claims abstract description 68
- 238000003860 storage Methods 0.000 title claims abstract description 19
- 238000005457 optimization Methods 0.000 claims abstract description 31
- 230000001105 regulatory effect Effects 0.000 claims abstract description 13
- 238000013468 resource allocation Methods 0.000 claims abstract description 12
- 230000001276 controlling effect Effects 0.000 claims abstract description 11
- 238000012545 processing Methods 0.000 claims description 24
- 238000005516 engineering process Methods 0.000 claims description 23
- 238000004590 computer program Methods 0.000 claims description 16
- 230000008569 process Effects 0.000 claims description 13
- 238000012549 training Methods 0.000 claims description 11
- 238000010276 construction Methods 0.000 claims description 2
- 239000000758 substrate Substances 0.000 claims 1
- 238000010586 diagram Methods 0.000 description 9
- YHXISWVBGDMDLQ-UHFFFAOYSA-N moclobemide Chemical compound C1=CC(Cl)=CC=C1C(=O)NCCN1CCOCC1 YHXISWVBGDMDLQ-UHFFFAOYSA-N 0.000 description 7
- 210000004556 brain Anatomy 0.000 description 6
- 230000003993 interaction Effects 0.000 description 6
- 230000006870 function Effects 0.000 description 5
- 238000004458 analytical method Methods 0.000 description 4
- 235000012054 meals Nutrition 0.000 description 4
- 238000012384 transportation and delivery Methods 0.000 description 3
- 238000012795 verification Methods 0.000 description 3
- 238000012300 Sequence Analysis Methods 0.000 description 2
- 230000005540 biological transmission Effects 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 238000011156 evaluation Methods 0.000 description 2
- 230000002452 interceptive effect Effects 0.000 description 2
- 238000007726 management method Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 230000001360 synchronised effect Effects 0.000 description 2
- 238000013473 artificial intelligence Methods 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 230000008094 contradictory effect Effects 0.000 description 1
- 238000013480 data collection Methods 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000002360 preparation method Methods 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 239000002699 waste material Substances 0.000 description 1
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
本申请实施例提供一种资源调控的方法、装置及存储介质、处理器。所述资源调控的方法，应用于云端，该方法包括：对上云应用进行初始资源分配；接收上云应用的运行和资源情况；将所述上云应用的运行和资源情况带入AI模型得到资源优化方案；通过所述资源优化方案对所述上云应用的资源进行动态分配。本申请可以实现云资源的预测及动态调控，从而保障了云资源的合理利用。
Description
技术领域
本申请涉及计算机技术领域，具体涉及一种资源调控的方法、装置及存储介质、处理器。
背景技术
目前云平台基本上都是由用户来确定云端应用的工作负载需要多少资源，比如送餐软件在一天之中，工作负载高的时候是在进餐时间，其他时间负载则很低。而在该送餐服务上云后，分配给这个应用的资源量一段时间内是固定的，除非人工进行调整。因此在非送餐时间，送餐应用负载低的时候，云资源有闲置浪费；而工作负载过高的时候，资源又不能快速的动态调整以满足资源量增加的需求。
发明内容
本申请实施例的目的是提供一种资源调控的方法、装置及存储介质、处理器。该方法实现了云资源的合理利用。
为了实现上述目的，本申请第一方面提供一种资源调控的方法，应用于云端，该方法包括：
对上云应用进行初始资源分配；
接收上云应用的运行和资源情况；
将所述上云应用的运行和资源情况带入AI模型得到资源优化方案；
通过所述资源优化方案对所述上云应用的资源进行动态分配。
可选的，所述上云应用的运行和资源情况至少包括：
上云应用运行期间CPU使用率、内存使用率、磁盘使用率、交易量及并发用户数。
可选的，所述AI模型通过以下过程构建而成：
获取上云应用的历史运行和资源情况；
根据上云应用的历史运行和资源情况对上云应用进行分类；
通过AI技术对同一类上云应用的运行和资源情况进行分析处理得到该类上云应用的AI模型。
可选的，所述通过AI技术对同一类上云应用的运行和资源情况进行分析处理得到该类上云应用的AI模型，包括：
获取同一类上云应用的运行和资源情况的数据自相关性，
根据所述数据自相关性确定所述上云应用的时间序列模式；
通过所述时间序列模式确定所述上云应用的预测数据；
对所述预测数据进行训练和调优得到该类上云应用的AI模型。
可选的，所述初始资源为所述上云应用的最大运行资源。
本申请第二方面提供一种资源调控的方法，应用于上云应用，该方法包括：
发送运行和资源情况至云端；
接收资源优化方案，并根据所述资源优化方案进行资源使用。
可选的，所述运行和资源情况至少包括：
上云应用运行期间CPU使用率、内存使用率、磁盘使用率、交易量及并发用户数。
可选的，所述资源优化方案通过AI模型获得，所述AI模型通过以下过程构建而成：
获取上云应用的历史运行和资源情况；
根据上云应用的历史运行和资源情况对上云应用进行分类 ；
通过AI技术对同一类上云应用的运行和资源情况进行分析处理得到该类上云应用的AI模型。
可选的，所述通过AI技术对同一类上云应用的运行和资源情况进行分析处理得到该类上云应用的AI模型，包括：
获取同一类上云应用的运行和资源情况的数据自相关性，
根据所述数据自相关性确定所述上云应用的时间序列模式；
通过所述时间序列模式确定所述上云应用的预测数据；
对所述预测数据进行训练和调优得到该类上云应用的AI模型。
本申请第三方面提供一种资源调控的装置，应用于云端，该装置包括：
初始化模块，用于对上云应用进行初始资源分配；
第一接收模块，用于接收上云应用的运行和资源情况；
优化模块，用于将所述上云应用的运行和资源情况带入AI模型得到资源优化方案；
处理模块，用于通过所述资源优化方案对所述上云应用的资源进行重新分配。
可选的，所述上云应用的运行和资源情况至少包括：
上云应用运行期间CPU使用率、内存使用率、磁盘使用率、交易量及并发用户数。
可选的，所述AI模型的构建方法包括：
获取上云应用运行和资源情况；
根据上云应用运行和资源情况对上云应用进行分类；
通过AI技术对同一类上云应用的运行和资源情况进行分析处理得到相应的AI模型。
本申请第四方面提供一种资源调控的装置，应用于上云应用，该装置包括：
发送模块，用于发送运行和资源情况至云端；
第二接收模块，用于接收资源优化方案，并根据所述资源优化方案进行资源使用。
可选的，所述运行和资源情况至少包括：
上云应用运行期间CPU使用率、内存使用率、磁盘使用率、交易量及并发用户数。
可选的，所述AI模型通过以下过程构建而成：
获取上云应用的历史运行和资源情况；
根据上云应用的历史运行和资源情况对上云应用进行分类 ；
通过AI技术对同一类上云应用的运行和资源情况进行分析处理得到该类上云应用的AI模型。
本申请第五方面提供一种机器可读存储介质，所述机器可读存储介质上存储有指令，该指令用于使得机器执行：根据上述所述的资源调控的方法。
本申请第六方面提供一种处理器，用于运行程序，其中，所述程序被运行时用于执行：根据上述所述的资源调控的方法。
本申请第六方面提供一种计算机程序产品，包括计算机程序，所述计算机程序在被处理器执行时实现：根据上述所述的资源调控的方法。
本申请提供的一种应用于云端的资源调控的方法包括：对上云应用进行初始资源分配；接收上云应用的运行和资源情况；将所述上云应用的运行和资源情况带入AI模型得到资源优化方案；通过所述资源优化方案对所述上云应用的资源进行动态分配。本申请可以实现云资源的预测及动态调控，从而保障了云资源的合理利用。
本申请实施例的其它特征和优点将在随后的具体实施方式部分予以详细说明。
附图说明
附图是用来提供对本申请实施例的进一步理解，并且构成说明书的一部分，与下面的具体实施方式一起用于解释本申请实施例，但并不构成对本申请实施例的限制。在附图中：
图1示意性示出了根据本申请实施例的一种应用于云端的资源调控的方法的流程示意图；
图2示意性示出了根据本申请实施例的一种应用于上云应用的资源调控的方法的流程示意图；
图3示意性示出了根据本申请实施例的一种应用于云端的资源调控的装置示意图；
图4示意性示出了根据本申请实施例的一种应用于上云应用的资源调控的装置示意图；
图5示意性示出了根据本申请的一种资源调控的方法的框架图；
图6示意性示出了根据本申请的资源调控的方法实施例示意图；
图7示意性示出了根据本申请实施例的计算机设备的内部结构图。
具体实施方式
为使本申请实施例的目的、技术方案和优点更加清楚，下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，应当理解的是，此处所描述的具体实施方式仅用于说明和解释本申请实施例，并不用于限制本申请实施例。基于本申请中的实施例，本领域普通技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例，都属于本申请保护的范围。
需要说明，若本申请实施例中有涉及方向性指示（诸如上、下、左、右、前、后……），则该方向性指示仅用于解释在某一特定姿态（如附图所示）下各部件之间的相对位置关系、运动情况等，如果该特定姿态发生改变时，则该方向性指示也相应地随之改变。
另外，若本申请实施例中有涉及“第一”、“第二”等的描述，则该“第一”、“第二”等的描述仅用于描述目的，而不能理解为指示或暗示其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至少一个该特征。另外，各个实施例之间的技术方案可以相互结合，但是必须是以本领域普通技术人员能够实现为基础，当技术方案的结合出现相互矛盾或无法实现时应当认为这种技术方案的结合不存在，也不在本申请要求的保护范围之内。
图1示意性示出了根据本申请实施例的一种应用于云端的资源调控的方法的流程示意图，如图1所示，步骤S101为对上云应用进行初始资源分配。所述初始资源为所述上云应用的最大运行资源。所述上云应用为在云端运行的API（应用），对所有上云应用进行初始资源分配。例如获取所有上云应用的最大运行资源，根据所述最大运行资源进行云端资源划分，并对该资源进行初始化。
步骤S102为接收上云应用的运行和资源情况。按照一种具体的实施方式，云端实时接收上云应用的运行和资源情况，所述上云应用的运行和资源情况至少包括：上云应用运行期间CPU使用率、内存使用率、磁盘使用率、交易量及并发用户数。
步骤S103为将所述上云应用的运行和资源情况带入AI模型得到资源优化方案。所述AI模型通过以下过程构建而成：获取上云应用的历史运行和资源情况；根据上云应用的历史运行和资源情况对上云应用进行分类；通过AI技术对同一类上云应用的运行和资源情况进行分析处理得到该类上云应用的AI模型。
具体的，所述通过AI技术对同一类上云应用的运行和资源情况进行分析处理得到该类上云应用的AI模型，包括：获取同一类上云应用的运行和资源情况的数据自相关性，根据所述数据自相关性确定所述上云应用的时间序列模式；通过所述时间序列模式确定所述上云应用的预测数据；对所述预测数据进行训练和调优得到该类上云应用的AI模型。
步骤S104为通过所述资源优化方案对所述上云应用的资源进行动态分配。
本发明还提出一种应用于上云应用的资源调控的方法，如图2所示，步骤S201为发送运行和资源情况至云端。所述运行和资源情况至少包括：上云应用运行期间CPU使用率、内存使用率、磁盘使用率、交易量及并发用户数。
步骤S202为接收资源优化方案，并根据所述资源优化方案进行资源使用。所述资源优化方案通过AI模型获得，所述AI模型通过以下过程构建而成：获取上云应用的历史运行和资源情况；根据上云应用的历史运行和资源情况对上云应用进行分类 ；通过AI技术对同一类上云应用的运行和资源情况进行分析处理得到该类上云应用的AI模型。
具体的，所述通过AI技术对同一类上云应用的运行和资源情况进行分析处理得到该类上云应用的AI模型，包括：获取同一类上云应用的运行和资源情况的数据自相关性，根据所述数据自相关性确定所述上云应用的时间序列模式；通过所述时间序列模式确定所述上云应用的预测数据；对所述预测数据进行训练和调优得到该类上云应用的AI模型。
本发明还提出一种资源调控的装置，应用于云端，如图3所示，该装置包括：初始化模块，用于对上云应用进行初始资源分配；第一接收模块，用于接收上云应用的运行和资源情况；优化模块，用于将所述上云应用的运行和资源情况带入AI模型得到资源优化方案；处理模块，用于通过所述资源优化方案对所述上云应用的资源进行重新分配。
按照一种具体的实施方式，所述上云应用的运行和资源情况至少包括：上云应用运行期间CPU使用率、内存使用率、磁盘使用率、交易量及并发用户数。所述AI模型的构建方法包括：获取上云应用运行和资源情况；根据上云应用运行和资源情况对上云应用进行分类；通过AI技术对同一类上云应用的运行和资源情况进行分析处理得到相应的AI模型。
本发明还提出一种资源调控的装置，应用于上云应用，如图4所示，该装置包括：发送模块，用于发送运行和资源情况至云端；第二接收模块，用于接收资源优化方案，并根据所述资源优化方案进行资源使用。所述运行和资源情况至少包括：上云应用运行期间CPU使用率、内存使用率、磁盘使用率、交易量及并发用户数。所述AI模型通过以下过程构建而成：获取上云应用的历史运行和资源情况；根据上云应用的历史运行和资源情况对上云应用进行分类 ；通过AI技术对同一类上云应用的运行和资源情况进行分析处理得到该类上云应用的AI模型。
按照一种具体的实施方式，如图5所示，本申请由AI智能预测和调控模块、交互API、AI大脑、调度组件及数据库组成。具体的，交互AI为其他模块和云端进行数据交互和通讯的枢纽，交互API能和云端API联通交互，获取云端API数据后同步到其他模块。同时，交互API发送来自调度组件的资源调控命令给云端API,云端API根据指令调控应用的资源量。
其中，AI大脑作为管理控制中心，负责资源预测与控制。通过不断的收集应用的工作负载、资源使用情况数据进行模型训练，预测各应用在不同时段的资源需求，并通过调度组件动态调整资源分配。具体的预测过程包括：
数据收集和准备：在进行预测之前，先收集并准备数据，以这些数据为基础来预测未来情况。数据来自资源使用情况数据库中收集到的数据（工作负载、资源使用情况及不同时刻应用访问量数据等）。然后对数据并进行必要的数据清洗和处理。
特征指标选择和数据转换：选择合适的特征指标来描述和表示数据。对数据进行特征提炼和总结，是否选择合适的特征指标可以影响预测模型的性能和准确度。资源预测选取的指标包括：资源使用率（cpu使用率，内存使用率，磁盘使用率，网络带宽使用率）、应用吞吐量TPS（单位时间内应用处理请求的数量）、请求响应时间RT（应用对请求做出响应的时间）、并发用户数TPU(单位时间内同时发请求的用户数),以上特征指标都是随时间变化而变化的，对这些指标进行分析、数据拟合后转化成标准的时间函数。
选择合适的预测模型：根据人工智能技术中的时间序列分析方法进行模型的构建，通过数据的自相关性，提取出隐藏在数据背后的时间序列模式，然后用这些模式来预测未来的数据，选取模型后用数据对模型进行训练和必要的调优。（根据数据的类型和问题的性质，可以选择不同的预测模型，用于找到合适的AI模型）。
模型评估和验证：在模型训练之后进行模型的评估和验证。通过使用未被训练的数据评估模型的性能和准确度。如果模型的性能和准确度不符合要求，则需不断调整特征指标、参数，或者选择其他模型。
预测和应用：在完成模型的验证之后，使用模型进行预测和应用。同时通过收集新的数据和更新模型来验证并提高预测的准确度。
调控组件接收并执行AI大脑的资源调控命令。资源使用情况数据库存储云端各应用的工作负载及资源使用情况数据，为AI大脑进行大模型训练提供数据。
本申请通过数据的自相关性提取出隐藏在数据背后的时间序列模式，然后用这些模式来预测未来的数据，选取模型后用数据对模型进行训练和必要的调优。
对于交易类的应用，资源需求的变动情况取决于相同的一组特征指标：CPU使用率、内存使用率、磁盘使用率、交易量及并发用户数。将这些指标用时间序列的分析方法ARIMA模型进行预测，得出下一个时间点的CPU、内存、磁盘的使用量。
ARIMA模型的是利用数据本身的历史信息来预测未来。一个时间点上的标签值既受过去一段时间内的标签值影响，也受过去一段时间内的偶然事件的影响。 ARIMA模型假设：标签值围绕着时间的大趋势而波动，其趋势受历史标签影响，波动受一段时间内的偶然事件影响，且大趋势本身不一定是稳定的。ARIMA模型是试图通过数据的自相关性和差分的方式提取隐藏在数据背后的时间序列模式，然后用这些模式来预测未来的数据。
ARIMA模型的公式可以表示为：
其中，Yt为时间序列数据，到/>是AR模型的参数，这些参数用来描述当前值与过去p个时间点值之间的关系。/>到/>是ARIMA模型的参数，用来描述当前值与过去q个时间点的误差之间的关系。/>是在t时间点的误差项，c是常数项。
将ARIMA模型应用在交易类应用的资源预测中,，/>分别代表t时间点的CPU使用率，内存使用率，磁盘使用率，交易量和并发用户数。各特征指标的具体预测值为：
根据以上预测值动态调整CPU、内存、磁盘的用量，以满足云上应用动态的资源需求。
具体的，如图6所示，应用上云前先评估基准资源量，根据以往应用运行的特征，同时考虑一定的缓存，给出该应用需要的资源基准，确保该资源配置下应用的正常运行，将该资源配置作为该模型的一个输入起点。云端API不断获取不同时刻的该应用的工作负载数据及资源使用情况数据。云端API将这些数据传输给交互API,交互API将数据存储到数据库。数据库中的工作负载数据同步到AI大脑，AI大脑对大量数据进行分析，预测不同时段应用的资源需求。此过程进行AI大模型训练和精确化。AI大脑将分析预测的结果以指令的形式发送给调控组件，调控组件作为执行组件，将指令同步给交互API。交互API传输调控指令给云端API, 云端API进行资源的动态调控。
本申请提供的一种应用于云端资源调控的方法包括：对上云应用进行初始资源分配；接收上云应用的运行和资源情况；将所述上云应用的运行和资源情况带入AI模型得到资源优化方案；通过所述资源优化方案对所述上云应用的资源进行动态分配。本申请实现了云资源的预测及动态调控，能快速动态响应资源需求的变化，动态调控资源配置，从而避免了资源的浪费，保障了云资源的合理利用。
本申请实施例提供了一种存储介质，其上存储有程序，该程序被处理器执行时实现上述管理服务器的方法。
本申请实施例提供了一种处理器，所述处理器用于运行程序，其中，所述程序运行时执行上述管理服务器的方法。
在一个实施例中，提供了一种计算机设备，该计算机设备可以是终端，其内部结构图可以如图7所示。该计算机设备包括通过系统总线连接的处理器A01、网络接口A02、显示屏A04、输入装置A05和存储器（图中未示出）。其中，该计算机设备的处理器A01用于提供计算和控制能力。该计算机设备的存储器包括内存储器A03和非易失性存储介质A06。该非易失性存储介质A06存储有操作系统B01和计算机程序B02。该内存储器A03为非易失性存储介质A06中的操作系统B01和计算机程序B02的运行提供环境。该计算机设备的网络接口A02用于与外部的终端通过网络连接通信。该计算机程序被处理器A01执行时以实现一种管理服务器的方法。该计算机设备的显示屏A04可以是液晶显示屏或者电子墨水显示屏，该计算机设备的输入装置A05可以是显示屏上覆盖的触摸层，也可以是计算机设备外壳上设置的按键、轨迹球或触控板，还可以是外接的键盘、触控板或鼠标等。
本领域技术人员可以理解，图7中示出的结构，仅仅是与本申请方案相关的部分结构的框图，并不构成对本申请方案所应用于其上的计算机设备的限定，具体的计算机设备可以包括比图中所示更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。
本申请实施例提供了一种设备，设备包括处理器、存储器及存储在存储器上并可在处理器上运行的程序，处理器执行程序时根据本发明任意实施例所述的管理服务器的方法。
本申请还提供了一种计算机程序产品，当在数据处理设备上执行时，适于执行初始化有根据本发明任意实施例所述的管理服务器的方法如下方法步骤的程序。
本领域内的技术人员应明白，本申请的实施例可提供为方法、系统、或计算机程序产品。因此，本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质（包括但不限于磁盘存储器、CD-ROM、光学存储器等）上实施的计算机程序产品的形式。
本申请是参照根据本申请实施例的方法、设备（系统）、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和／或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和／或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
在一个典型的配置中，计算设备包括一个或多个处理器 (CPU)、输入/输出接口、网络接口和内存。
存储器可能包括计算机可读介质中的非永久性存储器，随机存取存储器(RAM)和/或非易失性内存等形式，如只读存储器(ROM)或闪存(flash RAM)。存储器是计算机可读介质的示例。
计算机可读介质包括永久性和非永久性、可移动和非可移动媒体，可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括，但不限于相变内存 (PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器 (DRAM)、其他类型的随机存取存储器 (RAM)、只读存储器(ROM)、电可擦除可编程只读存储器 (EEPROM)、快闪记忆体或其他内存技术、只读光盘只读存储器 (CD-ROM)、数字多功能光盘 (DVD) 或其他光学存储、磁盒式磁带，磁带磁磁盘存储或其他磁性存储设备或任何其他非传输介质，可用于存储可以被计算设备访问的信息。按照本文中的界定，计算机可读介质不包括暂存电脑可读媒体 (transitory media)，如调制的数据信号和载波。
还需要说明的是，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、商品或者设备不仅包括那些要素，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、商品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括要素的过程、方法、商品或者设备中还存在另外的相同要素。
以上仅为本申请的实施例而已，并不用于限制本申请。对于本领域技术人员来说，本申请可以有各种更改和变化。凡在本申请的精神和原理之内所作的任何修改、等同替换、改进等，均应包含在本申请的权利要求范围之内。
Claims (12)
1.一种资源调控的方法，应用于云端，其特征在于，该方法包括：
对上云应用进行初始资源分配；
接收上云应用的运行和资源情况；
将所述上云应用的运行和资源情况带入AI模型得到资源优化方案；
通过所述资源优化方案对所述上云应用的资源进行动态分配；
所述AI模型通过以下过程构建而成：
获取上云应用的历史运行和资源情况；
根据上云应用的历史运行和资源情况对上云应用进行分类；
通过AI技术对同一类上云应用的运行和资源情况进行分析处理得到该类上云应用的AI模型；
所述通过AI技术对同一类上云应用的运行和资源情况进行分析处理得到该类上云应用的AI模型，包括：
获取同一类上云应用的运行和资源情况的数据自相关性，
根据所述数据自相关性确定所述上云应用的时间序列模式；
通过所述时间序列模式确定所述上云应用的预测数据；
对所述预测数据进行训练和调优得到该类上云应用的AI模型。
2.根据权利要求1所述的方法，其特征在于，所述上云应用的运行和资源情况至少包括：
上云应用运行期间CPU使用率、内存使用率、磁盘使用率、交易量及并发用户数。
3.根据权利要求1所述的方法，其特征在于，
所述初始资源为所述上云应用的最大运行资源。
4.一种资源调控的方法，应用于上云应用，其特征在于，该方法包括：
发送运行和资源情况至云端；
接收资源优化方案，并根据所述资源优化方案进行资源使用；
所述资源优化方案通过AI模型获得，所述AI模型通过以下过程构建而成：
获取上云应用的历史运行和资源情况；
根据上云应用的历史运行和资源情况对上云应用进行分类 ；
通过AI技术对同一类上云应用的运行和资源情况进行分析处理得到该类上云应用的AI模型；
所述通过AI技术对同一类上云应用的运行和资源情况进行分析处理得到该类上云应用的AI模型，包括：
获取同一类上云应用的运行和资源情况的数据自相关性，
根据所述数据自相关性确定所述上云应用的时间序列模式；
通过所述时间序列模式确定所述上云应用的预测数据；
对所述预测数据进行训练和调优得到该类上云应用的AI模型。
5.根据权利要求4所述的方法，其特征在于，所述运行和资源情况至少包括：
上云应用运行期间CPU使用率、内存使用率、磁盘使用率、交易量及并发用户数。
6.一种资源调控的装置，应用于云端，其特征在于，该装置包括：
初始化模块，用于对上云应用进行初始资源分配；
第一接收模块，用于接收上云应用的运行和资源情况；
优化模块，用于将所述上云应用的运行和资源情况带入AI模型得到资源优化方案；
处理模块，用于通过所述资源优化方案对所述上云应用的资源进行重新分配；
所述AI模型的构建方法包括：
获取上云应用运行和资源情况；
根据上云应用运行和资源情况对上云应用进行分类；
通过AI技术对同一类上云应用的运行和资源情况进行分析处理得到相应的AI模型；
所述通过AI技术对同一类上云应用的运行和资源情况进行分析处理得到相应的AI模型，包括：
获取同一类上云应用的运行和资源情况的数据自相关性，
根据所述数据自相关性确定所述上云应用的时间序列模式；
通过所述时间序列模式确定所述上云应用的预测数据；
对所述预测数据进行训练和调优得到该类上云应用的AI模型。
7.根据权利要求6所述的装置，其特征在于，所述上云应用的运行和资源情况至少包括：
上云应用运行期间CPU使用率、内存使用率、磁盘使用率、交易量及并发用户数。
8.一种资源调控的装置，应用于上云应用，其特征在于，该装置包括：
发送模块，用于发送运行和资源情况至云端；
第二接收模块，用于接收资源优化方案，并根据所述资源优化方案进行资源使用；
所述资源优化方案通过AI模型获得，所述AI模型通过以下过程构建而成：
获取上云应用的历史运行和资源情况；
根据上云应用的历史运行和资源情况对上云应用进行分类 ；
通过AI技术对同一类上云应用的运行和资源情况进行分析处理得到该类上云应用的AI模型；
所述通过AI技术对同一类上云应用的运行和资源情况进行分析处理得到该类上云应用的AI模型，包括：
获取同一类上云应用的运行和资源情况的数据自相关性，
根据所述数据自相关性确定所述上云应用的时间序列模式；
通过所述时间序列模式确定所述上云应用的预测数据；
对所述预测数据进行训练和调优得到该类上云应用的AI模型。
9.根据权利要求8所述的装置，其特征在于，所述运行和资源情况至少包括：
上云应用运行期间CPU使用率、内存使用率、磁盘使用率、交易量及并发用户数。
10.一种机器可读存储介质，其特征在于，所述机器可读存储介质上存储有指令，该指令用于使得机器执行：根据权利要求1-3中任一项所述的资源调控的方法；和/或根据权利要求4-5中任一项所述的一种资源调控的方法。
11.一种处理器，其特征在于，用于运行程序，其中，所述程序被运行时用于执行：根据权利要求1-3中任一项所述的资源调控的方法；和/或根据权利要求4-5中任一项所述的资源调控的方法。
12.一种计算机程序产品，包括计算机程序，其特征在于，所述计算机程序在被处理器执行时实现：根据权利要求1-3中任一项所述的资源调控的方法；和/或根据权利要求4-5中任一项所述的资源调控的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311446241.4A CN117170881B (zh) | 2023-11-02 | 2023-11-02 | 一种资源调控的方法、装置及存储介质、处理器 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311446241.4A CN117170881B (zh) | 2023-11-02 | 2023-11-02 | 一种资源调控的方法、装置及存储介质、处理器 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117170881A true CN117170881A (zh) | 2023-12-05 |
| CN117170881B CN117170881B (zh) | 2024-02-02 |
Family
ID=88947229
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311446241.4A Active CN117170881B (zh) | 2023-11-02 | 2023-11-02 | 一种资源调控的方法、装置及存储介质、处理器 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117170881B (zh) |
Citations (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107784440A (zh) * | 2017-10-23 | 2018-03-09 | 国网辽宁省电力有限公司 | 一种电力信息系统资源调配系统及方法 |
| US20180302340A1 (en) * | 2017-04-17 | 2018-10-18 | Microsoft Technology Licensing, Llc | Systems and methods for proactively and reactively allocating resources in cloud-based networks |
| CN111399986A (zh) * | 2020-03-24 | 2020-07-10 | 中国建设银行股份有限公司 | Pod资源配额配置方法及装置 |
| US20210319306A1 (en) * | 2020-04-10 | 2021-10-14 | Microsoft Technology Licensing, Llc | Prefetching and/or computing resource allocation based on predicting classification labels with temporal data |
| US20220171653A1 (en) * | 2020-12-01 | 2022-06-02 | Sap Se | Cloud Native Adaptive Job Scheduler Framework for Dynamic Workloads |
| US20220210028A1 (en) * | 2019-05-15 | 2022-06-30 | Fu Zhou University | Cloud software service resource allocation method based on qos model self-correctio |
| US11550635B1 (en) * | 2019-03-28 | 2023-01-10 | Amazon Technologies, Inc. | Using delayed autocorrelation to improve the predictive scaling of computing resources |
| CN116149839A (zh) * | 2022-11-10 | 2023-05-23 | 中通服网盈科技有限公司 | 一种基于云端资源调度方法、存储介质及设备 |
| CN116643949A (zh) * | 2023-06-20 | 2023-08-25 | 派欧云计算(上海)有限公司 | 基于VaDE聚类的多模型边缘云负载预测方法及装置 |
| CN116827950A (zh) * | 2023-06-28 | 2023-09-29 | 浙江吉利控股集团有限公司 | 云资源的处理方法、装置、设备及存储介质 |
-
2023
- 2023-11-02 CN CN202311446241.4A patent/CN117170881B/zh active Active
Patent Citations (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20180302340A1 (en) * | 2017-04-17 | 2018-10-18 | Microsoft Technology Licensing, Llc | Systems and methods for proactively and reactively allocating resources in cloud-based networks |
| CN107784440A (zh) * | 2017-10-23 | 2018-03-09 | 国网辽宁省电力有限公司 | 一种电力信息系统资源调配系统及方法 |
| US11550635B1 (en) * | 2019-03-28 | 2023-01-10 | Amazon Technologies, Inc. | Using delayed autocorrelation to improve the predictive scaling of computing resources |
| US20220210028A1 (en) * | 2019-05-15 | 2022-06-30 | Fu Zhou University | Cloud software service resource allocation method based on qos model self-correctio |
| CN111399986A (zh) * | 2020-03-24 | 2020-07-10 | 中国建设银行股份有限公司 | Pod资源配额配置方法及装置 |
| US20210319306A1 (en) * | 2020-04-10 | 2021-10-14 | Microsoft Technology Licensing, Llc | Prefetching and/or computing resource allocation based on predicting classification labels with temporal data |
| US20220171653A1 (en) * | 2020-12-01 | 2022-06-02 | Sap Se | Cloud Native Adaptive Job Scheduler Framework for Dynamic Workloads |
| CN116149839A (zh) * | 2022-11-10 | 2023-05-23 | 中通服网盈科技有限公司 | 一种基于云端资源调度方法、存储介质及设备 |
| CN116643949A (zh) * | 2023-06-20 | 2023-08-25 | 派欧云计算(上海)有限公司 | 基于VaDE聚类的多模型边缘云负载预测方法及装置 |
| CN116827950A (zh) * | 2023-06-28 | 2023-09-29 | 浙江吉利控股集团有限公司 | 云资源的处理方法、装置、设备及存储介质 |
Non-Patent Citations (2)
| Title |
|---|
| 杨冬菊;邓崇彬;: "基于ARIMA模型的虚拟资源动态调度方法", 计算机科学, no. 10, pages 14 - 18 * |
| 熊辉;王川;: "云应用分类与基于预测的细粒度云资源提供", 计算机应用, no. 06, pages 1534 - 1539 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN117170881B (zh) | 2024-02-02 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US11184236B2 (en) | Methods and apparatus to control processing of telemetry data at an edge platform | |
| US8751659B2 (en) | Data center batch job quality of service control | |
| US11204811B2 (en) | Methods and systems for estimating time remaining and right sizing usable capacities of resources of a distributed computing system | |
| JP5400482B2 (ja) | 管理計算機、リソース管理方法、リソース管理プログラム、記録媒体および情報処理システム | |
| US7552152B2 (en) | Risk-modulated proactive data migration for maximizing utility in storage systems | |
| US8863127B2 (en) | Virtual machine utility computing method and system | |
| US8209695B1 (en) | Reserving resources in a resource-on-demand system for user desktop utility demand | |
| US9590875B2 (en) | Content delivery infrastructure with non-intentional feedback parameter provisioning | |
| JP2018514018A (ja) | リソース配置を最適化するための適時性リソース移行 | |
| CN111480145A (zh) | 用于根据基于信用的机制来调度工作负载的系统和方法 | |
| US11579933B2 (en) | Method for establishing system resource prediction and resource management model through multi-layer correlations | |
| US10705873B2 (en) | Predictive virtual server scheduling and optimization of dynamic consumable resources to achieve priority-based workload performance objectives | |
| CN103401938A (zh) | 分布式云架构下基于业务特性的资源分配系统及其方法 | |
| WO2020134364A1 (zh) | 一种虚拟机迁移方法、云计算管理平台和存储介质 | |
| CN110636388A (zh) | 一种业务请求分配方法、系统、电子设备及存储介质 | |
| Wang et al. | Application-aware cross-layer virtual machine resource management | |
| US10635501B2 (en) | Adaptive scaling of workloads in a distributed computing environment | |
| Yadav et al. | Maintaining container sustainability through machine learning | |
| CN117170881B (zh) | 一种资源调控的方法、装置及存储介质、处理器 | |
| US11336519B1 (en) | Evaluating placement configurations for distributed resource placement | |
| CN101390056A (zh) | 应用系统智能优化器 | |
| Bernardi et al. | Exploiting an I-IP for in-field SoC test | |
| CN110704159B (zh) | 一种基于OpenStack的一体化云操作系统 | |
| CN114090201A (zh) | 资源调度方法、装置、设备及存储介质 | |
| US10893000B2 (en) | Diagonal scaling of resource allocations and application instances in a distributed computing environment |
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 |