CN117278636A - 云服务器库存计算方法、装置、设备及存储介质 - Google Patents

云服务器库存计算方法、装置、设备及存储介质 Download PDF

Info

Publication number
CN117278636A
CN117278636A CN202311271239.8A CN202311271239A CN117278636A CN 117278636 A CN117278636 A CN 117278636A CN 202311271239 A CN202311271239 A CN 202311271239A CN 117278636 A CN117278636 A CN 117278636A
Authority
CN
China
Prior art keywords
inventory
cloud server
physical machine
task
inventory calculation
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
CN202311271239.8A
Other languages
English (en)
Inventor
黄晓
李德铠
郭志强
杨广知
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.)
Guangzhou Tencent Technology Co Ltd
Original Assignee
Guangzhou Tencent 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 Guangzhou Tencent Technology Co Ltd filed Critical Guangzhou Tencent Technology Co Ltd
Priority to CN202311271239.8A priority Critical patent/CN117278636A/zh
Publication of CN117278636A publication Critical patent/CN117278636A/zh
Pending legal-status Critical Current

Links

Classifications

    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L67/00—Network arrangements or protocols for supporting network services or applications
    • H04L67/50—Network services
    • H04L67/60—Scheduling or organising the servicing of application requests, e.g. requests for application data transmissions using the analysis and optimisation of the required network resources
    • H04L67/61—Scheduling or organising the servicing of application requests, e.g. requests for application data transmissions using the analysis and optimisation of the required network resources taking into account QoS or priority requirements
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L67/00—Network arrangements or protocols for supporting network services or applications
    • H04L67/01—Protocols
    • H04L67/10—Protocols in which an application is distributed across nodes in the network
    • H04L67/1097—Protocols in which an application is distributed across nodes in the network for distributed storage of data in networks, e.g. transport arrangements for network file system [NFS], storage area networks [SAN] or network attached storage [NAS]
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L67/00—Network arrangements or protocols for supporting network services or applications
    • H04L67/50—Network services
    • H04L67/60—Scheduling or organising the servicing of application requests, e.g. requests for application data transmissions using the analysis and optimisation of the required network resources

Landscapes

  • Engineering & Computer Science (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Signal Processing (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

提供了一种云服务器库存计算方法、装置、设备及存储介质，涉及云技术、人工智能、智慧交通、辅助驾驶等各种场景。其中，该方法包括：在云调度系统中的物理机资源发生变化时创建物理机粒度的库存计算任务，并存储于库存计算任务队列；按照触发云调度系统中的物理机资源变化的任务的优先级从高到低的顺序或云调度系统中的物理机资源的变化量从大到小的顺序，对库存计算任务队列中的库存计算任务进行排序；按顺序从库存计算任务队列中拉取至少一个库存计算任务；计算至少一个库存计算任务对应的各个物理机所支持的各个云服务器机型的云服务器库存。本申请能够将物理机资源变动与云服务器库存计算相结合，可以及时、高效地进行云服务器库存更新。

Description

云服务器库存计算方法、装置、设备及存储介质
技术领域
本申请实施例涉及云技术、人工智能、智慧交通、辅助驾驶等各种场景，更具体的涉及云服务器库存计算领域，尤其涉及一种云服务器库存计算方法、装置、设备及存储介质。
背景技术
随着云计算技术的快速发展，云服务提供商面临着日益增长的用户需求。为了满足不断增长的服务器需求并确保资源的高效利用，准确计算云服务器的库存显得尤为重要。
相关技术中，云服务器库存计算方式主要基于虚拟机的视角，云服务器创建和云服务器库存计算是完全解偶的，各自进行其单独逻辑。在该方案中，由于资源变动与库存计算相互独立，库存计算和同步不及时，导致使用方会有资源判断的延时。另外，基于虚拟机视角的云服务器库存计算仅能得到云服务器机型+可用区级别的库存数据，库存计算流程耗时较长且不够精确，影响了云服务器的整体性能及使用体验。
发明内容
本申请提供一种云服务器库存计算方法、装置、设备及存储介质，能够基于物理机的视角计算云服务器库存，将物理机资源变动与云服务器库存计算相结合，可以及时、高效地进行云服务器库存更新，提升了云服务器的整体性能及使用体验。
第一方面，本申请实施例提供一种云服务器库存计算方法，包括：
在云调度系统中的物理机资源发生变化时创建物理机粒度的库存计算任务，并存储于库存计算任务队列；
按照触发所述云调度系统中的物理机资源变化的任务的优先级从高到低的顺序或所述云调度系统中的物理机资源的变化量从大到小的顺序，对所述库存计算任务队列中的库存计算任务进行排序；
按顺序从所述库存计算任务队列中拉取至少一个库存计算任务；
计算所述至少一个库存计算任务对应的各个物理机所支持的各个云服务器机型的云服务器库存。
第二方面，本申请实施例提供一种云服务器库存计算装置，包括：
任务创建存储单元，用于在云调度系统中的物理机资源发生变化时创建物理机粒度的库存计算任务，并存储于库存计算任务队列；
任务排序单元，用于按照触发所述云调度系统中的物理机资源变化的任务的优先级从高到低的顺序或所述云调度系统中的物理机资源的变化量从大到小的顺序，对所述库存计算任务队列中的库存计算任务进行排序；
任务消费单元，用于按顺序从所述库存计算任务队列中拉取至少一个库存计算任务；
库存计算单元，用于计算所述至少一个库存计算任务对应的各个物理机所支持的各个云服务器机型的云服务器库存。
第三方面，本申请实施例提供一种电子设备，包括：处理器和存储器，该存储器用于存储计算机程序，该处理器用于调用并运行该存储器中存储的计算机程序，执行如第一方面中的方法。
第四方面，本申请实施例提供一种计算机可读存储介质，包括指令，当其在计算机上运行时使得计算机执行如第一方面中的方法。
第五方面，本申请实施例提供一种计算机程序产品，包括计算机程序指令，该计算机程序指令使得计算机执行如第一方面中的方法。
第六方面，本申请实施例提供一种计算机程序，计算机程序使得计算机执行如第一方面中的方法。
本申请实施例通过在云调度系统中的物理机资源发生变化时创建物理机粒度的库存计算任务，并存储于库存计算任务队列，接着按照触发云调度系统中的物理机资源变化的任务的优先级从高到低的顺序或云调度系统中的物理机资源的变化量从大到小的顺序，对库存计算任务队列中的库存计算任务进行排序，然后按顺序从库存计算任务队列中拉取至少一个库存计算任务，以及计算至少一个库存计算任务对应的各个物理机所支持的各个云服务器机型的云服务器库存。也即，基于物理机的视角计算云服务器库存，将云调度系统中的物理机资源变动与云服务器库存计算相结合，可以及时、高效地进行云服务器库存更新，提高了云服务器库存水位告警的敏感度，也解决了大部分因为云服务器库存计算延时导致的云服务器创建失败问题。另外，本申请实施例从物理机角度出发，能明确到每个底层物理机对应的云服务器库存水位还有多少，既能在运营资源调度上明确目标，也能更细致地进行调度策略调整，让云服务器库存水位的运营变得简单、灵活、明朗。
附图说明
为了更清楚地说明本申请实施例中的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中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为本申请提供的一种云服务器创建和库存计算的一个示意图；
图2为本申请提供的一种云服务器库存计算架构的一个示意图；
图3为本申请实施例的方案的应用场景的一个示意图；
图4为根据本申请实施例的一种云服务器库存计算方法的示意性流程图；
图5为根据本申请实施例的一种周期性拉取库存计算任务的示意性流程图；
图6为根据本申请实施例的一种云服务器库存计算的示意性流程图；
图7为根据本申请实施例的另一种云服务器库存计算的示意性流程图；
图8为根据本申请实施例的一种周期性全量消费的示意性流程图；
图9为根据本申请实施例的一种云服务器库存计算装置的示意性框图；
图10为根据本申请实施例的电子设备的示意性框图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述。
应理解，在本申请实施例中，“与A对应的B”表示B与A相关联。在一种实现方式中，可以根据A确定B。但还应理解，根据A确定B并不意味着仅仅根据A确定B，还可以根据A和/或其它信息确定B。
在本申请的描述中，除非另有说明，“至少一个”是指一个或多个，“多个”是指两个或多于两个。另外，“和/或”，描述关联对象的关联关系，表示可以存在三种关系，例如，A和/或B，可以表示：单独存在A，同时存在A和B，单独存在B的情况，其中A,B可以是单数或者复数。字符“/”一般表示前后关联对象是一种“或”的关系。“以下至少一项(个)”或其类似表达，是指的这些项中的任意组合，包括单项(个)或复数项(个)的任意组合。例如，a,b,或c中的至少一项(个)，可以表示：a,b,c,a-b,a-c,b-c,或a-b-c，其中a,b,c可以是单个，也可以是多个。
还应理解，本申请实施例中出现的第一、第二等描述，仅作示意与区分描述对象之用，没有次序之分，也不表示本申请实施例中对设备个数的特别限定，不能构成对本申请实施例的任何限制。
还应理解，说明书中与实施例有关的特定特征、结构或特性包括在本申请的至少一个实施例中。此外，这些特定的特征、结构或特性可以任意适合的方式结合在一个或多个实施例中。
此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或服务器不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
为便于更好的理解本申请实施例，对本申请相关的术语进行说明。
云服务器(Cloud Virtual Machine，CVM)是一种简单高效、安全可靠、处理能力可弹性伸缩的计算服务，为云计算提供的一种计算服务，表现为一台模拟的服务器，客户可以在其上安装和运行操作系统及应用。
物理机，也可以称之为物理服务器或宿主机，其可以由CPU、内存、硬盘等设备组成，云服务器可以部署在物理机上。
云调度系统，部署在云上，可以进行装箱调度，过滤掉一些待机的物理机，可以选择一些物理机部署云服务器，或者，选择一些物理机产生虚拟机。
虚拟机，是指基于虚拟化技术在物理服务器上创建的虚拟服务器，通过虚拟化技术，可以将一台物理服务器划分为多个相互隔离的虚拟服务器，每个虚拟服务器拥有自己的资源和独立的操作系统。其中，虚拟机可由物理机创建，一个物理机可创建至少一个虚拟机。
可用区：对应宿主机所在的机房，云服务器可以创建到可用区内的宿主机内。
应用程序编程接口(Application Programming Interface，API)，是操作系统留给应用程序的一个调用接口，应用程序通过调用操作系统的API而使操作系统去执行应用程序的命令。
本申请实施例可应用于各种场景，包括但不限于云技术、人工智能、智慧交通、辅助驾驶等。
示例性的，本申请实施例可以应用于云技术领域。
其中，云技术(Cloud technology)是指在广域网或局域网内将硬件、软件、网络等系列资源统一起来，实现数据的计算、储存、处理和共享的一种托管技术。
云技术(Cloud technology)基于云计算商业模式应用的网络技术、信息技术、整合技术、管理平台技术、应用技术等的总称，可以组成资源池，按需所用，灵活便利。云计算技术将变成重要支撑。技术网络系统的后台服务需要大量的计算、存储资源，如视频网站、图片类网站和更多的门户网站。伴随着互联网行业的高度发展和应用，将来每个物品都有可能存在自己的识别标志，都需要传输到后台系统进行逻辑处理，不同程度级别的数据将会分开处理，各类行业数据皆需要强大的系统后盾支撑，只能通过云计算来实现。
本申请实施例可以应用于云技术中的云计算领域，其中，云计算(cloudcomputing)指IT基础设施的交付和使用模式，指通过网络以按需、易扩展的方式获得所需资源；广义云计算指服务的交付和使用模式，指通过网络以按需、易扩展的方式获得所需服务。这种服务可以是IT和软件、互联网相关，也可是其他服务。云计算是网格计算(GridComputing)、分布式计算(DistributedComputing)、并行计算(Parallel Computing)、效用计算(Utility Computing)、网络存储(Network Storage Technologies)、虚拟化(Virtualization)、负载均衡(Load Balance)等传统计算机和网络技术发展融合的产物。
随着互联网、实时数据流、连接设备多样化的发展，以及搜索服务、社会网络、移动商务和开放协作等需求的推动，云计算迅速发展起来。不同于以往的并行分布式计算，云计算的产生从理念上将推动整个互联网模式、企业管理模式发生革命性的变革。
本申请实施例可以应用于云技术中的云存储领域，其中，云存储(cloud storage)是在云计算概念上延伸和发展出来的一个新的概念，分布式云存储系统(以下简称存储系统)是指通过集群应用、网格技术以及分布存储文件系统等功能，将网络中大量各种不同类型的存储设备(存储设备也称之为存储节点)通过应用软件或应用接口集合起来协同工作，共同对外提供数据存储和业务访问功能的一个存储系统。
目前，存储系统的存储方法为：创建逻辑卷，在创建逻辑卷时，就为每个逻辑卷分配物理存储空间，该物理存储空间可能是某个存储设备或者某几个存储设备的磁盘组成。客户端在某一逻辑卷上存储数据，也就是将数据存储在文件系统上，文件系统将数据分成许多部分，每一部分是一个对象，对象不仅包含数据而且还包含数据标识(ID，ID entity)等额外的信息，文件系统将每个对象分别写入该逻辑卷的物理存储空间，且文件系统会记录每个对象的存储位置信息，从而当客户端请求访问数据时，文件系统能够根据每个对象的存储位置信息让客户端对数据进行访问。
存储系统为逻辑卷分配物理存储空间的过程，具体为：按照对存储于逻辑卷的对象的容量估量(该估量往往相对于实际要存储的对象的容量有很大余量)和独立冗余磁盘阵列(RAID，Redundant Array of Independent Disk)的组别，预先将物理存储空间划分成分条，一个逻辑卷可以理解为一个分条，从而为逻辑卷分配了物理存储空间。
示例性的，本申请实施例也可以应用于人工智能技术领域。
其中，人工智能(Artificial Intelligence，AI)是利用数字计算机或者数字计算机控制的机器模拟、延伸和扩展人的智能，感知环境、获取知识并使用知识获得最佳结果的理论、方法、技术及应用系统。换句话说，人工智能是计算机科学的一个综合技术，它企图了解智能的实质，并生产出一种新的能以人类智能相似的方式做出反应的智能机器。人工智能也就是研究各种智能机器的设计原理与实现方法，使机器具有感知、推理与决策的功能。
人工智能技术是一门综合学科，涉及领域广泛，既有硬件层面的技术也有软件层面的技术。人工智能基础技术一般包括如传感器、专用人工智能芯片、云计算、分布式存储、大数据处理技术、操作/交互系统、机电一体化等技术。人工智能软件技术主要包括计算机视觉技术、语音处理技术、自然语言处理技术以及机器学习/深度学习等几大方向。
随着人工智能技术研究和进步，人工智能技术在多个领域展开研究和应用，例如常见的智能家居、智能穿戴设备、虚拟助理、智能音箱、智能营销、无人驾驶、自动驾驶、无人机、机器人、智能医疗、智能客服等，相信随着技术的发展，人工智能技术将在更多的领域得到应用，并发挥越来越重要的价值。
示例性的，本申请实施例也可以应用于智慧交通领域。
智能交通系统(Intelligent Traffic System，ITS)又称智能运输系统(Intelligent Transportation System)，是将先进的科学技术(信息技术、计算机技术、数据通信技术、传感器技术、电子控制技术、自动控制理论、运筹学、人工智能等)有效地综合运用于交通运输、服务控制和车辆制造，加强车辆、道路、使用者三者之间的联系，从而形成一种保障安全、提高效率、改善环境、节约能源的综合运输系统。或者；
智能车路协同系统(Intelligent Vehicle Infrastructure CooperativeSystems，IVICS)，简称车路协同系统，是智能交通系统(ITS)的一个发展方向。车路协同系统是采用先进的无线通信和新一代互联网等技术，全方位实施车车、车路动态实时信息交互，并在全时空动态交通信息采集与融合的基础上开展车辆主动安全控制和道路协同管理，充分实现人车路的有效协同，保证交通安全，提高通行效率，从而形成的安全、高效和环保的道路交通系统。
示例性的，本申请实施例也可以应用于辅助驾驶领域。
辅助驾驶是指车辆配备了一系列先进的技术和系统，可以辅助驾驶员完成驾驶过程，提高驾驶安全和舒适性。这些辅助系统可以帮助驾驶员控制车辆的速度、保持车道、自动停车、自适应巡航等功能。
当前，随着云计算技术的快速发展，云服务提供商面临着日益增长的用户需求。为了满足不断增长的服务器需求并确保资源的高效利用，准确计算云服务器的库存显得尤为重要。目前，相关技术的云服务器库存计算方式主要基于虚拟机的视角，忽略了物理机资源的实际利用情况，导致了资源的浪费和效率低下的问题。
具体的，相关技术中云服务器创建和库存计算架构可以如图1所示。
其中，云服务器创建：通过API入口后，云服务器创建任务到达调度系统，调度系统通过装箱算法(真实装箱)选择合适的物理机进行云服务器的创建，过程中会进行物理机资源数据的扣减，即该物理机的资源被部分占用(创建云服务器会占用该物理机的一部分资源)，其结果会影响到可用区+云服务器机型级别的库存变化。
其中，云服务器库存结构可以如图2所示，具体的，云服务器库存计算：单独的定时任务触发(即发送模拟装箱请求)，从可用区+云服务器机型角度出发，进行调度系统的模拟装箱处理，将模拟到的库存同步到数据库中，存储方式仍旧是可用区+云服务器机型级别。其中，定时任务可以是全量消费的，即计算调度系统内所有物理机所支持的各个云服务器机型的库存。
需要说明的是，真实装箱考虑了具体的装箱策略(即结合了用户真实需求)；模拟装箱是模拟真实装箱场景，其采用的是公共的装箱策略，且不会产生真实的资源扣减。
从图1和图2可知，目前云服务器创建和云服务器库存计算是完全解偶的，各自进行其单独逻辑。
相关技术中的云服务器库存计算存在如下缺陷：
1、物理机资源变动和云服务器库存计算没有直接关联和触发，由于云服务器库存计算是定时任务触发的，导致云服务器库存计算和同步不及时，也导致使用方会有资源判断的延时(可能导致云服务器创建失败)，即无法及时获知物理机资源变动，可能导致云服务器创建失败；
2、大量的模拟装箱请求会占用云计算后端服务的工作(worker)资源，影响服务整体性能；
3、模拟装箱因为要模拟真实创建场景，即模拟云服务器机型+可用区级别的创建场景，所以整个流程耗时较长；
4、只能得到云服务器机型+可用区级别的库存数据，无法结合装箱现状明确物理机的资源情况，无法做物理机级别的库存水位分析。
有鉴于此，本申请实施例提出了一种从物理机角度出发的云服务器库存计算方式，能够更清晰、更合理地展示不同配置云服务器库存水位。具体的，云服务器库存计算方式主要分为三个部分：任务存储、任务消费、库存计算；其中，任务存储是指每次物理机有资源变动之后，新增一个物理机级别的库存计算任务，存储到特定队列里；任务消费是指专门有一个组件来拉取队列任务来进行消费；库存计算是指专门设计一个库存计算的模块工具，进行物理机级别的云服务器库存计算。三个部分共同组成一个完整的云服务器库存计算系统，能够更及时、准确地计算云服务器库存数据。
具体而言，在云调度系统中的物理机资源发生变化时创建物理机粒度的库存计算任务，并存储于库存计算任务队列；按照触发云调度系统中的物理机资源变化的任务的优先级从高到低的顺序或云调度系统中的物理机资源的变化量从大到小的顺序，对库存计算任务队列中的库存计算任务进行排序；按顺序从库存计算任务队列中拉取至少一个库存计算任务；计算至少一个库存计算任务对应的各个物理机所支持的各个云服务器机型的云服务器库存。
本申请实施例通过在云调度系统中的物理机资源发生变化时创建物理机粒度的库存计算任务，并存储于库存计算任务队列，接着按照触发云调度系统中的物理机资源变化的任务的优先级从高到低的顺序或云调度系统中的物理机资源的变化量从大到小的顺序，对库存计算任务队列中的库存计算任务进行排序，然后按顺序从库存计算任务队列中拉取至少一个库存计算任务，以及计算至少一个库存计算任务对应的各个物理机所支持的各个云服务器机型的云服务器库存。也即，基于物理机的视角计算云服务器库存，将云调度系统中的物理机资源变动与云服务器库存计算相结合，可以及时、高效地进行云服务器库存更新，提高了云服务器库存水位告警的敏感度，也解决了大部分因为云服务器库存计算延时导致的云服务器创建失败问题。另外，本申请实施例从物理机角度出发，能明确到每个底层物理机对应的云服务器库存水位还有多少，既能在运营资源调度上明确目标，也能更细致地进行调度策略调整，让云服务器库存水位的运营变得简单、灵活、明朗。不论是现网的机器运营，还是后台的数据分析，本申请实施例都有着至关重要的作用。
在本申请实施例中，云调度系统中每次物理机有资源变动时，新增一个物理机级别的库存计算任务，从而将云服务器库存计算与物理机资源变动紧密结合到一起，并采用增量式的计算更新，及时、高效地进行云服务器库存更新，提高了云服务器库存水位告警的敏感度，也解决了大部分因为云服务器库存延时导致的云服务器创建失败问题。
图3示出了本申请实施例的应用场景的一个示意图。
如图3所示，该应用场景涉及API 110、云调度系统120、库存计算组件130、数据库140。其中，库存计算组件130可以包括：资源监测单元、任务创建存储单元、任务排序单元、任务消费单元和库存计算单元。示例性的，任务消费单元也可以称之为任务消费组件或任务(JOB)系统。
其中，云调度系统120可以通过API 110获取任务信息，云调度系统120可以对物理机集群中的物理机进行装箱调度。
其中，云调度系统120中的每次物理机有资源变动之后(由资源监测单元监测得到)，可以新增一个物理机级别的库存计算任务(即新增的每个库存计算任务均为物理机粒度的库存计算任务)，并存储在库存计算任务队列(由任务创建存储单元创建并存储)。示例性的，资源监测单元可以监测云调度系统120中的物理机的资源变动，任务创建存储单元可以在物理机资源发生变化时创建物理机粒度的库存计算任务并存储于库存计算任务队列。示例性的，无论是用户终端触发的创建任务、变配任务、销毁任务等，还是物理机后台主动触发的物理机逻辑区、健康度变化等，资源监测单元都会监测起来，每次发现物理机资源发生变动，任务创建存储单元就新增一个物理机级别的库存计算任务，并将其存入到库存计算任务队列中。
其中，任务排序单元可以按照触发云调度系统中的物理机资源变化的任务的优先级从高到低的顺序或云调度系统中的物理机资源的变化量从大到小的顺序，对库存计算任务队列中的库存计算任务进行排序。
其中，任务消费单元可以按顺序从库存计算任务队列中拉取至少一个库存计算任务，以及库存计算单元可以计算该至少一个库存计算任务对应的物理机所支持的各个云服务器机型的云服务器库存。示例性的，任务消费单元可以灵活配置任务消费策略。也即，任务消费单元可以合理控制云服务器的库存计算任务的周期以及数量。
可选地，任务消费策略包括以下至少之一：每次从库存计算任务队列中拉取的库存计算任务的数量、从库存计算任务队列中拉取库存计算任务的时间信息、从库存计算任务队列中拉取库存计算任务的周期。
示例性的，任务消费单元可以配置进行增量消费，即按顺序从库存计算任务队列中拉取至少一个库存计算任务。可选地，任务消费单元也可以配置每次从库存计算任务队列中拉取的库存计算任务的数量。可选地，任务消费单元也可以配置从库存计算任务队列中拉取库存计算任务的周期。
可选地，任务消费策略还包括全量消费周期，也即，可以根据全量消费周期，计算云调度系统120中的所有物理机所支持的各个云服务器机型的云服务器库存。示例性的，任务消费单元也可以配置进行全量消费，即触发计算云调度系统120中各个物理机所支持的云服务器库存。可选地，任务消费单元也可以配置全量消费的周期。
其中，库存计算单元可以计算从库存计算任务队列中拉取的至少一个库存计算任务对应的物理机所支持的各个云服务器机型的云服务器库存。具体的，库存计算单元可以首先获取云服务器的机型配置(例如，可以通过API 110获取云服务器的机型配置，即获取现网售卖的云服务器机型规格配置)；接着，库存计算单元确定从库存计算任务队列中拉取的至少一个库存计算任务对应的物理机，及各个物理机所支持的云服务器的机型；然后，库存计算单元可以通过模拟装箱算法，遍历从库存计算任务队列中拉取的至少一个库存计算任务对应的物理机及各个物理机所支持的云服务器的机型，计算得到该至少一个库存计算任务对应的各个物理机所支持的各个云服务器机型的云服务器库存；最后，库存计算单元可以过滤通过模拟装箱算法计算得到的至少一个库存计算任务对应的各个物理机所支持的各个云服务器机型的云服务器库存中资源不可用的库存。
示例性的，至少一个库存计算任务对应的各个物理机所支持的云服务器机型的遍历方式为云服务器的机型配置从小到大的顺序。也即，库存计算单元可以通过模拟装箱算法，遍历从库存计算任务队列中拉取的至少一个库存计算任务对应的物理机，以及按照云服务器的机型配置从小到大的顺序遍历各个物理机所支持的云服务器的机型，计算得到该至少一个库存计算任务对应的各个物理机所支持的各个云服务器机型的云服务器库存。具体的，按照云服务器的机型配置从小到大的顺序进行遍历，可以实现更为合理的模拟装箱，提升云服务器库存计算的准确性。
示例性的，至少一个库存计算任务对应的各个物理机所支持的云服务器的机型的遍历方式为并发遍历。也即，库存计算单元可以通过模拟装箱算法，遍历从库存计算任务队列中拉取的至少一个库存计算任务对应的物理机，以及并发遍历各个物理机所支持的云服务器机型，计算得到该至少一个库存计算任务对应的各个物理机所支持的各个云服务器机型的云服务器库存。具体的，采用并发方式进行遍历，可以提升遍历速率，降低模拟装箱的时延。
示例性的，至少一个库存计算任务对应的物理机的遍历方式为并发遍历。也即，库存计算单元可以通过模拟装箱算法，并发遍历从库存计算任务队列中拉取的至少一个库存计算任务对应的物理机，以及遍历各个物理机所支持的云服务器机型，计算得到该至少一个库存计算任务对应的各个物理机所支持的各个云服务器机型的云服务器库存。具体的，采用并发方式进行遍历，可以提升遍历速率，降低模拟装箱的时延。
示例性的，至少一个库存计算任务对应的物理机的遍历方式为并发遍历。也即，库存计算单元可以通过模拟装箱算法，并发遍历从库存计算任务队列中拉取的至少一个库存计算任务对应的物理机，以及并发遍历各个物理机所支持的云服务器机型，计算得到该至少一个库存计算任务对应的各个物理机所支持的各个云服务器机型的云服务器库存。具体的，采用并发方式进行遍历，可以提升遍历速率，降低模拟装箱的时延。
示例性的，模拟装箱算法适配至少一个库存计算任务对应的各个物理机的拓扑结构。从而，可以提升模拟装箱的准确性。
示例性的，库存计算单元可以将云服务器库存更新存入数据库140。也即，本申请实施例可以现实物理机级别的云服务器库存更新。
示例性的，云调度系统120中的物理机可以构成物理机集群或者Ceph集群或者分布式云存储系统，物理机上部署的云服务器可以提供云服务、云数据库、云计算、云函数、云存储、网络服务、云通信、中间件服务、域名服务、安全服务、内容分发网络(ContentDelivery Network，CDN)、以及大数据和人工智能平台等基础的云计算服务。
在本申请实施例中，用户终端可以通过API 110提供任务信息以及云服务器的机型配置。用户终端包括但不限于手机、电脑、智能语音交互设备、智能家电、车载终端、飞行器等。本申请实施例可应用于各种场景，包括但不限于云技术、人工智能、智慧交通、辅助驾驶等。
本申请对云调度系统120中的物理机的数量不作限定。
示例性的，库存计算组件130可以由任何具有云服务器库存计算能力的电子设备执行，例如，该电子设备可实施为云计算服务场景中的服务器或终端设备，本申请对此不做限定。
本申请的核心是将云计算底层资源数据的变动跟库存计算系统相结合，从物理机角度而非上层机型角度出发，来计算云服务器不同机型的库存数据。
应理解，图3仅是示例性说明，并不对本申请实施例的应用场景进行具体限定。
下面通过一些实施例对本申请实施例的技术方案进行详细说明。下面这几个实施例可以相互结合，对于相同或相似的概念或过程可能在某些实施例不再赘述。
图4为根据本申请实施例的云服务器库存计算方法200的示意性流程图，该云服务器库存计算方法200可以由任何具有云服务器库存计算能力的电子设备执行，例如，该电子设备可实施为服务器或终端设备，例如可实施为云计算服务场景中的服务器或终端设备，本申请对此不做限定。如图4所示，该云服务器库存计算方法200包括S210至S230中的部分或全部。应理解，图4所示的这些步骤或操作仅是示例，本申请实施例还可以执行其他操作或者图4中的各个操作的变形。
S210，在云调度系统中的物理机资源发生变化时创建物理机粒度的库存计算任务，并存储于库存计算任务队列。
具体而言，在云调度系统中，每次有物理机资源变动时或每次物理机有资源变动之后，可以新增物理机粒度的库存计算任务，并存储在库存计算任务队列中。
在一些实施例中，触发云调度系统中的物理机资源变化的任务包括以下至少之一：用户触发的任务，物理机后台触发的任务。也即，物理机资源发生变化可以由以下至少之一触发：用户，物理机后台。例如，无论是用户触发的创建任务、变配任务、销毁任务等，还是后台主动触发的物理机逻辑区、健康度变化等，资源监测单元都会监测起来，每次发现物理机资源发生变动，任务创建存储单元就新增物理机粒度的库存计算任务，并将其存入到库存计算任务队列中。
在一些实施例中，可以设计一个资源监测单元，用于监测调度系统中的物理机的资源变动。
在一些实施例中，库存计算任务队列中的库存计算任务也可以不是物理机粒度的库存计算任务。例如，库存计算任务队列中的一个或多个库存计算任务可以对应多个物理机，也即，在多个物理机的资源变动时新增一个库存计算任务，并存储在库存计算任务队列。
在本申请实施例中，每次物理机有资源变动之后，新增物理机级别的库存计算任务，从而将云服务器库存计算与物理机资源变动紧密结合到一起，并采用增量式的库存计算更新，能够及时、高效地进行云服务器库存更新，可以避免使用方产生物理机资源判断的时延，提高了库存水位告警的敏感度，也解决了大部分因为库存延时导致的创建失败问题。
S220，按照触发云调度系统中的物理机资源变化的任务的优先级从高到低的顺序或云调度系统中的物理机资源的变化量从大到小的顺序，对库存计算任务队列中的库存计算任务进行排序。
例如，用户创建的任务的优先级高于物理机后台创建的任务。
又例如，创建任务的优先级高于监测任务。
具体而言，按照触发云调度系统中的物理机资源变化的任务的优先级从高到低的顺序，对库存计算任务队列中的库存计算任务进行排序，从而可以优先拉取对应的任务的优先级更高的库存计算任务，可以更为合理地消费库存计算任务，进而可以更为合理地计算云服务器库存。
具体而言，按照云调度系统中的物理机资源的变化量从大到小的顺序，对库存计算任务队列中的库存计算任务进行排序，从而可以优先拉取物理机资源变化量大的库存计算任务，可以更为合理地消费库存计算任务，进而可以更为合理地计算云服务器库存。需要说明的是，物理机资源变化量大的库存计算任务对库存影响更为明显。
S230，按顺序从库存计算任务队列中拉取至少一个库存计算任务。
具体的，可以通过增量消费方式按顺序从库存计算任务队列中拉取库存计算任务，具体拉取库存计算任务的数量和时间可以根据需要灵活配置。
在一些实施例中，参见图5，可以通过以下S231至S232拉取库存计算任务。
S231，确定任务消费策略，其中，任务消费策略包括以下至少之一：每次从库存计算任务队列中拉取的库存计算任务的数量、从库存计算任务队列中拉取库存计算任务的时间信息、从库存计算任务队列中拉取库存计算任务的周期。
示例性的，可以单独设计一个任务消费单元，任务消费单元可以灵活配置任务消费策略，如配置任务消费方式(如增量消费、全量消费等)、数量、周期等，也即，可以合理控制云服务器的库存计算任务的周期以及数量。
示例性的，任务消费单元可以配置进行增量消费，即从库存计算任务队列中拉取至少一个库存计算任务。可选地，任务消费单元也可以配置每次从库存计算任务队列中拉取的库存计算任务的数量。可选地，任务消费单元也可以配置从库存计算任务队列中拉取库存计算任务的周期。
示例性的，可以周期性进行增量消费，即周期性从库存计算任务队列中拉取至少一个库存计算任务。例如，以第一周期按顺序从库存计算任务队列中拉取至少一个库存计算任务。
具体而言，任务消费单元可以配置第一周期。例如，第一周期为30秒，1分钟，10分钟，30分钟，1小时等。
S232，根据任务消费策略，按顺序从库存计算任务队列中拉取至少一个库存计算任务。
在本申请实施例中，通过增量消费方式按顺序从库存计算任务队列中拉取库存计算任务，由于库存计算任务是物理机级别的，也即，可以通过拉取一个或多个库存计算任务，计算一个或多个物理机所支持的各个云服务器机型的云服务器库存，相较于可用区+云服务器机型级别的云服务器库存方案，可以降低模拟装箱的时间。
在一些实施例中，在库存计算任务队列满足以下至少之一的情况下，更新任务消费策略：
库存计算任务队列中的库存计算任务的数量大于或等于第一阈值，库存计算任务队列中的库存计算任务的数量小于或等于第二阈值，库存计算任务队列中的库存计算任务的新增数量大于或等于第三阈值。
具体而言，基于库存计算任务队列动态更新任务消费策略，从而可以设置更为合理的任务消费策略。
S240，计算至少一个库存计算任务对应的各个物理机所支持的各个云服务器机型的云服务器库存。
具体而言，对于每个物理机，可以计算其所支持的各个云服务器机型的云服务器库存。例如，物理机1可以支持云服务器1和云服务器2，云服务器1的配置小于云服务器2，其中，物理机1的库存为4个云服务器1，物理机1的库存为2个云服务器2。
示例性的，可以设计一个库存计算单元，如物理机级别的库存计算单元，以计算至少一个库存计算任务对应的各个物理机所支持的各个云服务器机型的云服务器库存。
在一些实施例中，参见图6，可以通过以下S241至S244计算至少一个库存计算任务对应的各个物理机所支持的各个云服务器机型的云服务器库存。
S241，获取云服务器的机型配置。
具体的，可以通过API获取云服务器的机型配置，例如，获取现网售卖的云服务器机型规格配置，用于云服务器库存数据的计算。
示例性的，云服务器的机型可以为2核2G，2核4G，4核8G，8核16G等，具体配置可以包含存储能力(如50GB，60GB等)、带宽(4M，5M等)。
S242，确定至少一个库存计算任务对应的物理机，及各个物理机所支持的云服务器机型。
具体的，遍历至少一个库存计算任务，以确定至少一个库存计算任务对应的物理机。以及，遍历每个物理机，以确定各个物理机所支持的云服务器的机型。
S243，通过模拟装箱算法，遍历至少一个库存计算任务对应的物理机及各个物理机所支持的云服务器机型，计算得到至少一个库存计算任务对应的各个物理机所支持的各个云服务器机型的云服务器库存。
示例性的，至少一个库存计算任务对应的各个物理机所支持的云服务器的机型的遍历方式为云服务器的机型配置从小到大的顺序。也即，可以通过模拟装箱算法，遍历从库存计算任务队列中拉取的至少一个库存计算任务对应的物理机，以及按照云服务器的机型配置从小到大的顺序遍历各个物理机所支持的云服务器机型，计算得到该至少一个库存计算任务对应的各个物理机所支持的各个云服务器机型的云服务器库存。具体的，按照云服务器的机型配置从小到大的顺序进行遍历，可以实现更为合理的模拟装箱，提升云服务器库存计算的准确性。
示例性的，至少一个库存计算任务对应的各个物理机所支持的云服务器的机型的遍历方式为并发遍历。也即，可以通过模拟装箱算法，遍历从库存计算任务队列中拉取的至少一个库存计算任务对应的物理机，以及并发遍历各个物理机所支持的云服务器机型，计算得到该至少一个库存计算任务对应的各个物理机所支持的各个云服务器机型的云服务器库存。具体的，采用并发方式进行遍历，可以提升遍历速率，降低模拟装箱的时延。
示例性的，至少一个库存计算任务对应的物理机的遍历方式为并发遍历。也即，可以通过模拟装箱算法，并发遍历从库存计算任务队列中拉取的至少一个库存计算任务对应的物理机，以及遍历各个物理机所支持的云服务器机型，计算得到该至少一个库存计算任务对应的各个物理机所支持的各个云服务器机型的云服务器库存。具体的，采用并发方式进行遍历，可以提升遍历速率，降低模拟装箱的时延。
示例性的，至少一个库存计算任务对应的物理机的遍历方式为并发遍历。也即，可以通过模拟装箱算法，并发遍历从库存计算任务队列中拉取的至少一个库存计算任务对应的物理机，以及并发遍历各个物理机所支持的云服务器机型，计算得到该至少一个库存计算任务对应的各个物理机所支持的各个云服务器机型的云服务器库存。具体的，采用并发方式进行遍历，可以提升遍历速率，降低模拟装箱的时延。
示例性的，模拟装箱算法适配至少一个库存计算任务对应的各个物理机的拓扑结构。从而，可以提升模拟装箱的准确性。
S244，过滤通过模拟装箱算法计算得到的至少一个库存计算任务对应的各个物理机所支持的各个云服务器机型的云服务器库存中资源不可用的云服务器库存。
例如，物理机可能存在一些健康度较差的资源，可以过滤这些库存。
示例性的，可以设计一个装箱过滤单元，以过滤通过模拟装箱算法计算得到的至少一个库存计算任务对应的各个物理机所支持的各个云服务器机型的云服务器库存中资源不可用的库存。
示例性的，参见图7，可以通过S11至S16计算至少一个库存计算任务对应的各个物理机所支持的各个云服务器机型的云服务器库存。
S11，获取云服务器机型配置。
S12，遍历至少一个库存计算任务，以确定每个待计算的物理机，即确定至少一个库存计算任务对应的物理机。
S13，遍历至少一个库存计算任务对应的物理机，以确定每个物理机所支持的云服务器机型。
S14，通过模拟装箱算法计算至少一个库存计算任务对应的各个物理机所支持的各个云服务器机型的云服务器库存；示例性的，模拟装箱算法可以适配物理机拓扑结构；示例性的，在计算云服务器库存时，可以按照云服务器的机型配置从小到大的顺序遍历各个物理机所支持的云服务器的机型，也即，先计算小配置机型的云服务器，再计算大配置机型的云服务器；示例性的，在计算云服务器库存时，可以并发计算。
S15，装箱过滤模块判断资源的可用性，即装箱过滤模块过滤通过模拟装箱算法计算得到的至少一个库存计算任务对应的各个物理机所支持的各个云服务器机型的云服务器库存中资源不可用的云服务器库存。
S16，将物理机级别云服务器库存数据更新至数据库。
本申请实施例从物理机角度出发，能明确到每个底层物理机对应的云服务器库存水位还有多少，既能在运营资源调度上明确目标，也能更细致地进行调度策略调整，让云服务器库存水位的运营变得简单、灵活、明朗。不论是现网机器运营，还是后台的数据分析，本申请实施例都有着至关重要的作用。
在一些实施例中，任务消费策略还包括全量消费周期。参见图8，云服务器库存计算方法200还可以进一步包括S250，以进行全量消费，即触发计算调度系统中所有物理机所支持的各个云服务器机型的云服务器库存。
S250，根据全量消费周期，计算云调度系统中的所有物理机所支持的各个云服务器机型的云服务器库存。
具体而言，可以配置进行全量消费，即触发计算调度系统中各个物理机所支持的云服务器库存。可选地，任务消费单元可以配置全量消费的周期，如第二周期。例如，第二周期为10分钟，30分钟，1小时，5小时等。
在本申请实施例中，通过全量消费方式确定调度系统中各个物理机所支持的云服务器库存，从而可以全局掌握调度系统中各个物理机所支持的云服务器库存。
本申请实施例提出了一种从物理机角度出发的云服务器库存计算方式，能够更清晰、更合理地展示不同配置云服务器库存水位。该云服务器库存计算方式主要分为三个部分：任务存储、任务消费、库存计算。任务存储是指每次物理机有资源变动之后，新增一个物理机级别的库存计算任务，存储到特定队列里；任务消费是指专门有一个组件来拉取队列任务来进行消费；库存计算是指专门设计一个库存计算的模块工具，进行物理机级别的云服务器库存计算。三个部分共同组成一个完整的云服务器库存计算系统，能够更及时、准确地计算云服务器库存数据。
具体而言，在物理机资源发生变化时创建一个库存计算任务，并存储于库存计算任务队列；从该库存计算任务队列中拉取至少一个库存计算任务；计算该至少一个库存计算任务对应的各个物理机所支持的云服务器库存。
本申请实施例通过在云调度系统中的物理机资源发生变化时创建物理机粒度的库存计算任务，并存储于库存计算任务队列，接着按照触发云调度系统中的物理机资源变化的任务的优先级从高到低的顺序或云调度系统中的物理机资源的变化量从大到小的顺序，对库存计算任务队列中的库存计算任务进行排序，然后按顺序从库存计算任务队列中拉取至少一个库存计算任务，以及计算至少一个库存计算任务对应的各个物理机所支持的各个云服务器机型的云服务器库存。也即，基于物理机的视角计算云服务器库存，将云调度系统中的物理机资源变动与云服务器库存计算相结合，可以及时、高效地进行云服务器库存更新，提高了云服务器库存水位告警的敏感度，也解决了大部分因为云服务器库存计算延时导致的云服务器创建失败问题。另外，本申请实施例从物理机角度出发，能明确到每个底层物理机对应的云服务器库存水位还有多少，既能在运营资源调度上明确目标，也能更细致地进行调度策略调整，让云服务器库存水位的运营变得简单、灵活、明朗。不论是现网的机器运营，还是物理机后台的数据分析，本申请实施例都有着至关重要的作用。
在本申请实施例中，每次物理机有资源变动之后，新增一个物理机级别的库存计算任务，从而将云服务器库存计算与物理机资源变动紧密结合到一起，并采用增量式的计算更新，及时、高效地进行云服务器库存更新，提高了库存水位告警的敏感度，也解决了大部分因为库存延时导致的创建失败问题。
以上结合附图详细描述了本申请的具体实施方式，但是，本申请并不限于上述实施方式中的具体细节，在本申请的技术构思范围内，可以对本申请的技术方案进行多种简单变型，这些简单变型均属于本申请的保护范围。例如，在上述具体实施方式中所描述的各个具体技术特征，在不矛盾的情况下，可以通过任何合适的方式进行组合，为了避免不必要的重复，本申请对各种可能的组合方式不再另行说明。又例如，本申请的各种不同的实施方式之间也可以进行任意组合，只要其不违背本申请的思想，其同样应当视为本申请所公开的内容。
还应理解，在本申请的各种方法实施例中，上述各过程的序号的大小并不意味着执行顺序的先后，各过程的执行顺序应以其功能和内在逻辑确定，而不应对本申请实施例的实施过程构成任何限定。应理解这些序号在适当情况下可以互换，以便描述的本申请的实施例能够以除了在图示或描述的那些以外的顺序实施。
上文详细描述了本申请的方法实施例，下文结合图9至图10，详细描述本申请的装置实施例。
图9是本申请实施例的云服务器库存计算装置300的示意性框图。如图9所示，所述云服务器库存计算装置300可包括：任务创建存储单元310、任务排序单元320、任务消费单元330和库存计算单元340。
任务创建存储单元310，用于在云调度系统中的物理机资源发生变化时创建物理机粒度的库存计算任务，并存储于库存计算任务队列；
任务排序单元320，用于按照触发所述云调度系统中的物理机资源变化的任务的优先级从高到低的顺序或所述云调度系统中的物理机资源的变化量从大到小的顺序，对所述库存计算任务队列中的库存计算任务进行排序；
任务消费单元330，用于按顺序从所述库存计算任务队列中拉取至少一个库存计算任务；
库存计算单元340，用于计算所述至少一个库存计算任务对应的各个物理机所支持的各个云服务器机型的云服务器库存。
在一些实施例中，其中，所述任务排序单元320具体用于：
确定任务消费策略，其中，所述任务消费策略包括以下至少之一：每次从所述库存计算任务队列中拉取的库存计算任务的数量、从所述库存计算任务队列中拉取库存计算任务的时间信息、从所述库存计算任务队列中拉取库存计算任务的周期；
根据所述任务消费策略，按顺序从所述库存计算任务队列中拉取所述至少一个库存计算任务。
在一些实施例中，其中，所述任务消费策略还包括全量消费周期；
所述任务消费单元330还用于根据所述全量消费周期，计算所述云调度系统中的所有物理机所支持的各个云服务器机型的云服务器库存。
在一些实施例中，云服务器库存计算装置300还包括：
策略更新单元350，用于在所述库存计算任务队列满足以下至少之一的情况下，更新所述任务消费策略：
所述库存计算任务队列中的库存计算任务的数量大于或等于第一阈值，所述库存计算任务队列中的库存计算任务的数量小于或等于第二阈值，所述库存计算任务队列中的库存计算任务的新增数量大于或等于第三阈值。
在一些实施例中，其中，所述库存计算单元340具体用于：
获取云服务器的机型配置；
确定所述至少一个库存计算任务对应的物理机，及各个物理机所支持的云服务器的机型；
通过模拟装箱算法，遍历所述至少一个库存计算任务对应的物理机及各个物理机所支持的云服务器机型，计算得到所述至少一个库存计算任务对应的各个物理机所支持的各个云服务器机型的云服务器库存；
过滤通过所述模拟装箱算法计算得到的所述至少一个库存计算任务对应的各个物理机所支持的各个云服务器机型的云服务器库存中资源不可用的云服务器库存。
在一些实施例中，其中，所述库存计算单元340具体用于：
通过模拟装箱算法，遍历所述至少一个库存计算任务对应的物理机，以及按照云服务器的机型配置从小到大的顺序遍历各个物理机所支持的云服务器机型，计算得到所述至少一个库存计算任务对应的各个物理机所支持的各个云服务器机型的云服务器库存。
在一些实施例中，其中，所述库存计算单元340具体用于：
通过模拟装箱算法，遍历所述至少一个库存计算任务对应的物理机，以及并发遍历各个物理机所支持的云服务器机型，计算得到所述至少一个库存计算任务对应的各个物理机所支持的各个云服务器机型的云服务器库存；
或者，
通过模拟装箱算法，并发遍历所述至少一个库存计算任务对应的物理机，以及遍历各个物理机所支持的云服务器机型，计算得到所述至少一个库存计算任务对应的各个物理机所支持的各个云服务器机型的云服务器库存；
或者，
通过模拟装箱算法，并发遍历所述至少一个库存计算任务对应的物理机，以及并发遍历各个物理机所支持的云服务器机型，计算得到所述至少一个库存计算任务对应的各个物理机所支持的各个云服务器机型的云服务器库存。
在一些实施例中，其中，所述模拟装箱算法适配所述至少一个库存计算任务对应的各个物理机的拓扑结构。
在一些实施例中，触发所述云调度系统中的物理机资源变化的任务包括以下至少之一：用户触发的任务，物理机后台触发的任务。
应理解的是，装置实施例与方法实施例可以相互对应，类似的描述可以参照方法实施例。为避免重复，此处不再赘述。具体地，图9所示的云服务器库存计算装置300可以执行上述方法实施例，并且云服务器库存计算装置300中的各个模块的前述和其它操作和/或功能分别为了实现上述云服务器库存计算方法200中的相应流程，为了简洁，在此不再赘述。
上文中结合附图从功能模块的角度描述了本申请实施例的装置。应理解，该功能模块可以通过硬件形式实现，也可以通过软件形式的指令实现，还可以通过硬件和软件模块组合实现。具体地，本申请实施例中的方法实施例的各步骤可以通过处理器中的硬件的集成逻辑电路和/或软件形式的指令完成，结合本申请实施例公开的方法的步骤可以直接体现为硬件译码处理器执行完成，或者用译码处理器中的硬件及软件模块组合执行完成。可选地，软件模块可以位于随机存储器，闪存、只读存储器、可编程只读存储器、电可擦写可编程存储器、寄存器等本领域的成熟的存储介质中。该存储介质位于存储器，处理器读取存储器中的信息，结合其硬件完成上述方法实施例中的步骤。
图10是本申请实施例提供的电子设备400的示意性框图。
如图10所示，该电子设备400可包括：
存储器410和处理器420，该存储器410用于存储计算机程序，并将该程序代码传输给该处理器420。换言之，该处理器420可以从存储器410中调用并运行计算机程序，以实现本申请实施例中的方法。
例如，该处理器420可用于根据该计算机程序中的指令执行上述方法实施例。
在本申请的一些实施例中，该处理器420可以包括但不限于：
通用处理器、数字信号处理器(Digital Signal Processor，DSP)、专用集成电路(Application Specific Integrated Circuit，ASIC)、现场可编程门阵列(FieldProgrammable Gate Array，FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等等。
在本申请的一些实施例中，该存储器410包括但不限于：
易失性存储器和/或非易失性存储器。其中，非易失性存储器可以是只读存储器(Read-Only Memory，ROM)、可编程只读存储器(Programmable ROM，PROM)、可擦除可编程只读存储器(Erasable PROM，EPROM)、电可擦除可编程只读存储器(Electrically EPROM，EEPROM)或闪存。易失性存储器可以是随机存取存储器(Random Access Memory，RAM)，其用作外部高速缓存。通过示例性但不是限制性说明，许多形式的RAM可用，例如静态随机存取存储器(Static RAM，SRAM)、动态随机存取存储器(Dynamic RAM，DRAM)、同步动态随机存取存储器(Synchronous DRAM，SDRAM)、双倍数据速率同步动态随机存取存储器(Double DataRate SDRAM，DDR SDRAM)、增强型同步动态随机存取存储器(Enhanced SDRAM，ESDRAM)、同步连接动态随机存取存储器(synch link DRAM，SLDRAM)和直接内存总线随机存取存储器(Direct Rambus RAM，DR RAM)。
在本申请的一些实施例中，该计算机程序可以被分割成一个或多个模块，该一个或者多个模块被存储在该存储器410中，并由该处理器420执行，以完成本申请提供的方法。该一个或多个模块可以是能够完成特定功能的一系列计算机程序指令段，该指令段用于描述该计算机程序在该电子设备中的执行过程。
如图10所示，该电子设备400还可包括：
收发器430，该收发器430可连接至该处理器420或存储器410。
其中，处理器420可以控制该收发器430与其他设备进行通信，具体地，可以向其他设备发送信息或数据，或接收其他设备发送的信息或数据。收发器430可以包括发射机和接收机。收发器430还可以进一步包括天线，天线的数量可以为一个或多个。
应当理解，该电子设备中的各个组件通过总线系统相连，其中，总线系统除包括数据总线之外，还包括电源总线、控制总线和状态信号总线。
本申请还提供了一种计算机存储介质，其上存储有计算机程序，该计算机程序被计算机执行时使得该计算机能够执行上述方法实施例的方法。或者说，本申请实施例还提供一种包含指令的计算机程序产品，该指令被计算机执行时使得计算机执行上述方法实施例的方法。
当使用软件实现时，可以全部或部分地以计算机程序产品的形式实现。该计算机程序产品包括一个或多个计算机指令。在计算机上加载和执行该计算机程序指令时，全部或部分地产生按照本申请实施例该的流程或功能。该计算机可以是通用计算机、专用计算机、计算机网络、或者其他可编程装置。该计算机指令可以存储在计算机可读存储介质中，或者从一个计算机可读存储介质向另一个计算机可读存储介质传输，例如，该计算机指令可以从一个网站站点、计算机、服务器或数据中心通过有线(例如同轴电缆、光纤、数字用户线(digital subscriber line，DSL))或无线(例如红外、无线、微波等)方式向另一个网站站点、计算机、服务器或数据中心进行传输。该计算机可读存储介质可以是计算机能够存取的任何可用介质或者是包含一个或多个可用介质集成的服务器、数据中心等数据存储设备。该可用介质可以是磁性介质(例如，软盘、硬盘、磁带)、光介质(例如数字视频光盘(digital video disc，DVD))、或者半导体介质(例如固态硬盘(solid state disk，SSD))等。
可以理解的是，在本申请的具体实施方式中，当本申请以上实施例运用到具体产品或技术中并涉及到用户信息等相关的数据时，需要获得用户许可或者同意，且相关数据的收集、使用和处理需要遵守相关法律法规和标准。
本领域普通技术人员可以意识到，结合本文中所公开的实施例描述的各示例的模块及算法步骤，能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本申请的范围。
在本申请所提供的几个实施例中，应该理解到，所揭露的系统、装置和方法，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，该模块的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个模块或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，装置或模块的间接耦合或通信连接，可以是电性，机械或其它的形式。
作为分离部件说明的模块可以是或者也可以不是物理上分开的，作为模块显示的部件可以是或者也可以不是物理模块，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。例如，在本申请各个实施例中的各功能模块可以集成在一个处理模块中，也可以是各个模块单独物理存在，也可以两个或两个以上模块集成在一个模块中。
以上仅为本申请的具体实施方式，但本申请的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本申请揭露的技术范围内，可轻易想到变化或替换，都应涵盖在本申请的保护范围之内。因此，本申请的保护范围应以该权利要求的保护范围为准。

Claims (12)

1.一种云服务器库存计算方法，其特征在于，包括：
在云调度系统中的物理机资源发生变化时创建物理机粒度的库存计算任务，并存储于库存计算任务队列；
按照触发所述云调度系统中的物理机资源变化的任务的优先级从高到低的顺序或所述云调度系统中的物理机资源的变化量从大到小的顺序，对所述库存计算任务队列中的库存计算任务进行排序；
按顺序从所述库存计算任务队列中拉取至少一个库存计算任务；
计算所述至少一个库存计算任务对应的各个物理机所支持的各个云服务器机型的云服务器库存。
2.根据权利要求1所述的方法，其特征在于，其中，所述按顺序从所述库存计算任务队列中拉取至少一个库存计算任务，包括：
确定任务消费策略，其中，所述任务消费策略包括以下至少之一：每次从所述库存计算任务队列中拉取的库存计算任务的数量、从所述库存计算任务队列中拉取库存计算任务的时间信息、从所述库存计算任务队列中拉取库存计算任务的周期；
根据所述任务消费策略，按顺序从所述库存计算任务队列中拉取所述至少一个库存计算任务。
3.根据权利要求2所述的方法，其特征在于，
其中，所述任务消费策略还包括全量消费周期；
所述方法还包括：
根据所述全量消费周期，计算所述云调度系统中的所有物理机所支持的各个云服务器机型的云服务器库存。
4.根据权利要求2或3所述的方法，其特征在于，还包括：
在所述库存计算任务队列满足以下至少之一的情况下，更新所述任务消费策略：
所述库存计算任务队列中的库存计算任务的数量大于或等于第一阈值，所述库存计算任务队列中的库存计算任务的数量小于或等于第二阈值，所述库存计算任务队列中的库存计算任务的新增数量大于或等于第三阈值。
5.根据权利要求1所述的方法，其特征在于，
其中，所述计算所述至少一个库存计算任务对应的各个物理机所支持的各个云服务器机型的云服务器库存，包括：
获取云服务器的机型配置；
确定所述至少一个库存计算任务对应的物理机，及各个物理机所支持的云服务器的机型；
通过模拟装箱算法，遍历所述至少一个库存计算任务对应的物理机及各个物理机所支持的云服务器机型，计算得到所述至少一个库存计算任务对应的各个物理机所支持的各个云服务器机型的云服务器库存；
过滤通过所述模拟装箱算法计算得到的所述至少一个库存计算任务对应的各个物理机所支持的各个云服务器机型的云服务器库存中资源不可用的云服务器库存。
6.根据权利要求5所述的方法，其特征在于，
其中，所述通过模拟装箱算法，遍历所述至少一个库存计算任务对应的物理机及各个物理机所支持的云服务器机型，计算得到所述至少一个库存计算任务对应的各个物理机所支持的各个云服务器机型的云服务器库存，包括：
通过模拟装箱算法，遍历所述至少一个库存计算任务对应的物理机，以及按照云服务器的机型配置从小到大的顺序遍历各个物理机所支持的云服务器机型，计算得到所述至少一个库存计算任务对应的各个物理机所支持的各个云服务器机型的云服务器库存。
7.根据权利要求5所述的方法，其特征在于，
其中，所述通过模拟装箱算法，遍历所述至少一个库存计算任务对应的物理机及各个物理机所支持的云服务器机型，计算得到所述至少一个库存计算任务对应的各个物理机所支持的各个云服务器机型的云服务器库存，包括：
通过模拟装箱算法，遍历所述至少一个库存计算任务对应的物理机，以及并发遍历各个物理机所支持的云服务器机型，计算得到所述至少一个库存计算任务对应的各个物理机所支持的各个云服务器机型的云服务器库存；
或者，
通过模拟装箱算法，并发遍历所述至少一个库存计算任务对应的物理机，以及遍历各个物理机所支持的云服务器机型，计算得到所述至少一个库存计算任务对应的各个物理机所支持的各个云服务器机型的云服务器库存；
或者，
通过模拟装箱算法，并发遍历所述至少一个库存计算任务对应的物理机，以及并发遍历各个物理机所支持的云服务器机型，计算得到所述至少一个库存计算任务对应的各个物理机所支持的各个云服务器机型的云服务器库存。
8.根据权利要求5所述的方法，其特征在于，
其中，所述模拟装箱算法适配所述至少一个库存计算任务对应的各个物理机的拓扑结构。
9.根据权利要求1所述的方法，其特征在于，
触发所述云调度系统中的物理机资源变化的任务包括以下至少之一：用户触发的任务，物理机后台触发的任务。
10.一种云服务器库存计算装置，其特征在于，包括：
任务创建存储单元，用于在云调度系统中的物理机资源发生变化时创建物理机粒度的库存计算任务，并存储于库存计算任务队列；
任务排序单元，用于按照触发所述云调度系统中的物理机资源变化的任务的优先级从高到低的顺序或所述云调度系统中的物理机资源的变化量从大到小的顺序，对所述库存计算任务队列中的库存计算任务进行排序；
任务消费单元，用于按顺序从所述库存计算任务队列中拉取至少一个库存计算任务；
库存计算单元，用于计算所述至少一个库存计算任务对应的各个物理机所支持的各个云服务器机型的云服务器库存。
11.一种电子设备，其特征在于，包括处理器和存储器，所述存储器中存储有指令，所述处理器执行所述指令时，使得所述处理器执行权利要求1-9任一项所述的方法。
12.一种计算机存储介质，其特征在于，用于存储计算机程序，所述计算机程序包括用于执行权利要求1-9中任一项所述的方法。
CN202311271239.8A 2023-09-27 2023-09-27 云服务器库存计算方法、装置、设备及存储介质 Pending CN117278636A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202311271239.8A CN117278636A (zh) 2023-09-27 2023-09-27 云服务器库存计算方法、装置、设备及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202311271239.8A CN117278636A (zh) 2023-09-27 2023-09-27 云服务器库存计算方法、装置、设备及存储介质

Publications (1)

Publication Number Publication Date
CN117278636A true CN117278636A (zh) 2023-12-22

Family

ID=89217427

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202311271239.8A Pending CN117278636A (zh) 2023-09-27 2023-09-27 云服务器库存计算方法、装置、设备及存储介质

Country Status (1)

Country Link
CN (1) CN117278636A (zh)

Similar Documents

Publication Publication Date Title
Mahmud et al. Latency-aware application module management for fog computing environments
Shakarami et al. An autonomous computation offloading strategy in Mobile Edge Computing: A deep learning-based hybrid approach
US20220121455A1 (en) Intent-based cluster administration
US20200364608A1 (en) Communicating in a federated learning environment
US10671445B2 (en) Cost-optimal cluster configuration analytics package
CN108431796B (zh) 分布式资源管理系统和方法
Chaurasia et al. Comprehensive survey on energy-aware server consolidation techniques in cloud computing
DE102021209145A1 (de) Verfahren und vorrichtung zum koordinieren von edge-plattformen
Memari et al. A latency-aware task scheduling algorithm for allocating virtual machines in a cost-effective and time-sensitive fog-cloud architecture
Kaur et al. A systematic review on task scheduling in Fog computing: Taxonomy, tools, challenges, and future directions
Douch et al. Edge computing technology enablers: A systematic lecture study
Ayoubi et al. An autonomous IoT service placement methodology in fog computing
KR20220044717A (ko) 작업 스케줄링 효율을 향상시키기 위한 방법, 시스템, 제품 및 장치
Mirmohseni et al. Using Markov learning utilization model for resource allocation in cloud of thing network
US10785297B2 (en) Intelligent dataset migration and delivery to mobile internet of things devices using fifth-generation networks
Mishra et al. Nature-inspired cost optimisation for enterprise cloud systems using joint allocation of resources
Taghizadeh et al. An efficient data replica placement mechanism using biogeography-based optimization technique in the fog computing environment
Kaur et al. A systematic review on resource provisioning in fog computing
Dimitrios et al. Simulation and performance evaluation of a fog system
Li et al. A new fuzzy-based method for energy-aware resource allocation in vehicular cloud computing using a nature-inspired algorithm
Tekiyehband et al. An efficient dynamic service provisioning mechanism in fog computing environment: A learning automata approach
Tang et al. A survey on scheduling techniques in computing and network convergence
Hashemi et al. Gwo-sa: Gray wolf optimization algorithm for service activation management in fog computing
Zare et al. Imperialist competitive based approach for efficient deployment of IoT services in fog computing
Devagnanam et al. Design and development of exponential lion algorithm for optimal allocation of cluster resources in cloud

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication