CN117667403A - 服务器资源占用情况的预测方法、装置、设备及介质 - Google Patents
服务器资源占用情况的预测方法、装置、设备及介质 Download PDFInfo
- Publication number
- CN117667403A CN117667403A CN202311662468.2A CN202311662468A CN117667403A CN 117667403 A CN117667403 A CN 117667403A CN 202311662468 A CN202311662468 A CN 202311662468A CN 117667403 A CN117667403 A CN 117667403A
- Authority
- CN
- China
- Prior art keywords
- server
- feature set
- original
- feature
- effective
- 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
- 238000000034 method Methods 0.000 title claims abstract description 73
- 239000013598 vector Substances 0.000 claims abstract description 70
- 230000009467 reduction Effects 0.000 claims description 22
- 238000012545 processing Methods 0.000 claims description 21
- 230000008569 process Effects 0.000 claims description 19
- 238000004590 computer program Methods 0.000 claims description 16
- 238000005265 energy consumption Methods 0.000 claims description 13
- 238000001514 detection method Methods 0.000 claims description 10
- 238000003062 neural network model Methods 0.000 claims description 5
- 238000012549 training Methods 0.000 claims description 5
- 238000012163 sequencing technique Methods 0.000 claims description 4
- 125000004122 cyclic group Chemical group 0.000 claims description 3
- 238000004891 communication Methods 0.000 description 8
- 238000010586 diagram Methods 0.000 description 5
- 230000005540 biological transmission Effects 0.000 description 4
- 230000006870 function Effects 0.000 description 4
- 230000003287 optical effect Effects 0.000 description 3
- 238000011946 reduction process Methods 0.000 description 3
- 238000013528 artificial neural network Methods 0.000 description 2
- 238000000354 decomposition reaction Methods 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000000306 recurrent effect Effects 0.000 description 2
- 241000288105 Grus Species 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 239000011521 glass Substances 0.000 description 1
- 238000011478 gradient descent method Methods 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 230000007087 memory ability Effects 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 238000013468 resource allocation Methods 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 230000001953 sensory effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000000007 visual effect Effects 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
本发明公开了一种服务器资源占用情况的预测方法、装置、设备及介质。该方法包括:获取多个服务器原始特征参数向量,并根据各服务器原始特征参数生成原始特征集;对原始特征集提取多个有效特征,并生成有效特征集;将有效特征集输入至预先训练的资源占用预测模型中,并获取资源占用预测模型输出的预测结果。采用上述技术方案,能够对服务器的资源占用情况进行精准预测,解决了现有技术中预测结果不精确的问题。
Description
技术领域
本发明涉及计算机技术领域,尤其涉及服务器资源占用情况的预测方法、装置、设备及介质。
背景技术
近年来随着大数据等服务的普及以及业务数据量的增大,各企业的服务器集群规模逐渐壮大,这些服务器的运行需要消耗大量能源,因此,提高服务器的能源效率以及降低服务器的能源消耗成为亟待解决的问题。
对服务器资源占用情况进行预测,能够为下游的服务器调度系统提供有效参考,进而能够更好的提升服务器资源分配的效率。
当前服务器的资源占用情况预测方法主要分为基于物理模型的方法和基于数据驱动方法两大类。基于物理模型的方法主要依赖于大量的先验知识来构建服务器资源与能耗的函数模型,然而面对实际复杂的工况,建立精确的模型是极其困难且不易标准化的;基于数据驱动方法一般输入的特征维度较低,且需要人为预设负载运行状态,预测准确度不高。
发明内容
本发明提供了一种服务器资源占用情况的预测方法、装置、设备及介质,能够对服务器的资源占用情况进行精准预测,解决了现有技术中预测结果不精确的问题。
根据本发明的一方面,提供了一种服务器资源占用情况的预测方法,包括:
获取多个服务器原始特征参数向量,并根据各服务器原始特征参数生成原始特征集;
对所述原始特征集提取多个有效特征,并生成有效特征集;
将所述有效特征集输入至预先训练的资源占用预测模型中,并获取所述资源占用预测模型输出的预测结果。
可选的,服务器原始特征参数包括CPU(Central Processing Unit,中央处理器)使用率、CPU频率、内存使用率、磁盘使用率、磁盘读写时间、进程数、网络带宽利用率以及网络报文传输量。
可选的,获取多个服务器原始特征参数向量,包括:
当接收到针对服务器资源占用情况的预测请求时,在服务器的能耗模块中采集当前记录的各服务器原始特征参数向量;
其中,服务器的能耗模块对服务器中的CPU、内存、磁盘、网络以及进程进行实时监测。
可选的,原始特征集中包含各服务器原始特征参数向量,且各服务器原始特征参数向量的维度相同。
可选的,对所述原始特征集提取多个有效特征,并生成有效特征集,包括:
对原始特征集进行降维处理以及中心化处理,生成降维特征集;
分别计算所述降维特征集中各特征向量的特征值,并根据各特征向量的特征值,在降维特征集中确定多个有效特征;
将所述各有效特征组合构成有效特征集。
可选的,根据各特征向量的特征值,在降维特征集中确定多个有效特征,包括:
将所述各特征向量按照特征值由大到小排序;
获取预先设置的有效特征数量,并从排序后的首个特征向量开始,选取与所述有效特征数量相匹配的多个特征向量作为有效特征。
可选的,还包括:
获取历史记录的多个服务器原始特征参数向量,并生成多个历史原始特征集;
获取与每个历史原始特征集相匹配的资源占用检测结果;
根据各历史原始特征集,生成与各历史原始特征集相匹配的历史有效特征集;
将各历史有效特征集作为输入样本,并将与各历史有效特征集相匹配的资源占用检测结果作为输出样本,对初始预测模型进行训练,获取训练后的资源占用预测模型;
其中,所述初始预测模型为门控循环神经网络模型。
根据本发明的另一方面,提供了一种服务器资源占用情况的预测装置,包括:
原始特征集生成模块,用于获取多个服务器原始特征参数向量,并根据各服务器原始特征参数生成原始特征集;
有效特征集生成模块,用于对所述原始特征集提取多个有效特征,并生成有效特征集;
预测结果获取模块,用于将所述有效特征集输入至预先训练的资源占用预测模型中,并获取所述资源占用预测模型输出的预测结果。
根据本发明的另一方面,提供了一种电子设备,所述电子设备包括:
至少一个处理器;以及
与所述至少一个处理器通信连接的存储器;其中,
所述存储器存储有可被所述至少一个处理器执行的计算机程序,所述计算机程序被所述至少一个处理器执行,以使所述至少一个处理器能够执行本发明任一实施例所述的服务器资源占用情况的预测方法。
根据本发明的另一方面,提供了一种计算机可读存储介质,所述计算机可读存储介质存储有计算机指令,所述计算机指令用于使处理器执行时实现本发明任一实施例所述的服务器资源占用情况的预测方法。
本发明实施例的技术方案,通过根据各服务器原始特征参数生成原始特征集,对原始特征集提取多个有效特征,生成有效特征集,将有效特征集输入至预先训练的资源占用预测模型中,并获取资源占用预测模型输出的预测结果的方式,能够对服务器的资源占用情况进行精准预测,解决了现有技术中预测结果不精确的问题。
应当理解,本部分所描述的内容并非旨在标识本发明的实施例的关键或重要特征,也不用于限制本发明的范围。本发明的其它特征将通过以下的说明书而变得容易理解。
附图说明
为了更清楚地说明本发明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发明的一些实施例,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是根据本发明实施例一提供的一种服务器资源占用情况的预测方法的流程图;
图2是根据本发明实施例二提供的另一种服务器资源占用情况的预测方法的流程图;
图3是根据本发明实施例三提供的一种服务器资源占用情况的预测装置的结构示意图;
图4是实现本发明实施例的服务器资源占用情况的预测方法的电子设备的结构示意图。
具体实施方式
为了使本技术领域的人员更好地理解本发明方案,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,显然,所描述的实施例仅仅是本发明一部分的实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都应当属于本发明保护的范围。
需要说明的是,本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象,而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换,以便这里描述的本发明的实施例能够以除了在这里图示或描述的那些以外的顺序实施。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、产品或设备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。
实施例一
图1为本发明实施例一提供的一种服务器资源占用情况的预测方法的流程图,本实施例可适用于根据服务器的当前能耗信息,对服务器的资源占用情况进行预测的情况,该方法可以由服务器资源占用情况的预测装置来执行,该服务器资源占用情况的预测装置可以采用硬件和/或软件的形式实现,并一般可配置于具备数据处理功能的计算机或处理器中。如图1所示,该方法包括:
S110、获取多个服务器原始特征参数向量,并根据各服务器原始特征参数生成原始特征集。
其中,服务器原始特征参数可以包括CPU使用率、CPU频率、内存使用率、磁盘使用率、磁盘读写时间、进程数、网络带宽利用率以及网络报文传输量。
其中,所述原始特征集中包含各服务器原始特征参数向量,且各服务器原始特征参数向量的维度相同。
可选的,能耗模块可以用于对CPU、内存、磁盘、网络以及进程这五个模块进行检测,上述五个模块为服务器中资源占用比重较大的模块,在CPU中可监测CPU使用率以及CPU频率,在内存中可监测内存使用率,在磁盘中可监控磁盘使用率以及磁盘读写时间,在网络中可监测网络带宽利用率以及网络报文传输量,在进程中可以监测进程数。
可选的,在确定对服务器的资源占用情况进行预测时,可在能耗模块中获取已采集的各服务器原始特征参数向量,从而根据各原始特征参数向量,获取原始特征集。
可选的,原始特征参数向量中可以包括原始特征参数在一定时间内的参数值。
可选的,原始特征集可通过X=[F1,F2,F3,...,Fn]表示,其中,F1-Fn为每个原始特征参数向量,X可以为一个p×n的矩阵,n为原始特征维度,p为单特征样本数量,单个原始特征参数向量可通过表示,当服务器原始特征参数包括CPU使用率、CPU频率、内存使用率、磁盘使用率、磁盘读写时间、进程数、网络带宽利用率以及网络报文传输量以上8个参数时,X=[F1,F2,F3,...,F8]。
S120、对原始特征集提取多个有效特征,并生成有效特征集。
可选的,各原始特征参数向量的维度均相等,对于一个原始特征维度为n维的原始特征参数向量,可先对其进行降维处理,并在降维处理之后,对降维处理后的各原始特征参数向量进行中心化处理。
可选的,降维处理可将n维的原始特征维度降低至k维,k小于n,经过降维处理后的单个原始特征参数向量可通过例如,k取值可以为4,即降低至4维向量。
可选的,在进行降维处理之后,可以进行中心化处理,中心化即将X中的每一位特征减去各自样本的平均值,使每一维度上的均值为0。
可选的,中心化处理后的特征集可通过S=[S1,S2,S3,...,Sn]表示,且在本发明的实施例中,当原始特征参数为8个时,S=[S1,S2,S3,...,S8],其中,中心化后的单个特征向量可表示为
可选的,中心化的公式可以为
可选的,通过中心化处理后,各个特征大小都在相同的范围内,这样可以防止过分捕捉数值大的特征,且有利于梯度下降法的收敛。
可选的,在获取中心化后的特征集S=[S1,S2,S3,...,Sn]之后,可以对特征集特征分解,从而确定各特征向量的特征值,其中,特征分解可根据公式Svi=λivi实现,λi为特征值,其中i=1,2,...,n,vi为相应的特征向量。
可以理解的是,根据λi,就可以确定特征集中各特征参数所对应的特征值。
可选的,根据各特征参数所对应的特征值,按照特征值从大到小的顺序,可以确定特征值较大的指定个数特征,作为有效特征,并将各有效特征进行组合生成有效特征集。
在一个可选的例子中,原始特征集中可以包括8个原始特征参数向量,且每个原始特征参数向量为n维向量,进而可对原始特征参数向量进行降维处理,将各原始特征参数向量转换为4维向量,并在降维处理之后,对原始参数特征向量进行中心化处理,获取中心化处理后的特征集S=[S1,S2,S3,...,S8],进而对S进行特征分解,确定S1-S8的特征值,若确定S1、S2、S6以及S7的特征值为较大的特征值,则可根据S1、S2、S6以及S7组成有效特征集T=[S1,S2,S6,S7]。
S130、将有效特征集输入至预先训练的资源占用预测模型中,并获取资源占用预测模型输出的预测结果。
可选的,资源占用预测模型可以为一个基于改进的门循环神经网络的模型,现有的门循环神经网络中仅存在一个GRU(Gated Recurrent Unit,门循环神经网络)层,而改进后的门循环神经网络模型中,通过两个GRU隐层堆叠的方式对网络进行加深,通过叠加双层GRU,能够增强网络的非线性学习能力以及记忆能力,从而保留历史数据中的大量信息,适用于浅层特征的时序数据预测。
可选的,资源占用预测模型输出的结果可以为指定时间下服务器的资源占用情况,例如,服务器的CPU使用率为70%等类似数据。
本发明实施例的技术方案,通过根据各服务器原始特征参数生成原始特征集,对原始特征集提取多个有效特征,生成有效特征集,将有效特征集输入至预先训练的资源占用预测模型中,并获取资源占用预测模型输出的预测结果的方式,能够对服务器的资源占用情况进行精准预测,解决了现有技术中预测结果不精确的问题。
实施例二
图2为本发明实施例二提供的一种服务器资源占用情况的预测方法的流程图,本实施例在上述实施例的基础上,具体说明了服务器资源占用情况的预测方法。如图2所示,该方法包括:
S210、获取历史记录的多个服务器原始特征参数向量,并生成多个历史原始特征集。
可选的,历史原始特征集可以与原始特征集中的特征向量数量、维度均相同。
S220、获取与每个历史原始特征集相匹配的资源占用检测结果。
可选的,资源占用检测结果为服务器的资源占用情况的真实检测结果,可以用于作为模型训练的输出样本。
S230、根据各历史原始特征集,生成与各历史原始特征集相匹配的历史有效特征集。
可选的,历史有效特征集的生成方法与实施例一中有效特征集的生成方法相同,在此处不进行赘述。
S240、将各历史有效特征集作为输入样本,并将与各历史有效特征集相匹配的资源占用检测结果作为输出样本,对初始预测模型进行训练,获取训练后的资源占用预测模型。
其中,所述初始预测模型可以为门控循环神经网络模型。
S250、当接收到针对服务器资源占用情况的预测请求时,在服务器的能耗模块中采集当前记录的各服务器原始特征参数向量。
其中,服务器的能耗模块对服务器中的CPU、内存、磁盘、网络以及进程进行实时监测。
S260、根据各服务器原始特征参数生成原始特征集。
S270、对原始特征集进行降维处理以及中心化处理,生成降维特征集。
S280、分别计算所述降维特征集中各特征向量的特征值,并根据各特征向量的特征值,在降维特征集中确定多个有效特征。
其中,根据各特征向量的特征值,在降维特征集中确定多个有效特征,可以包括:
将所述各特征向量按照特征值由大到小排序;
获取预先设置的有效特征数量,并从排序后的首个特征向量开始,选取与所述有效特征数量相匹配的多个特征向量作为有效特征。
S290、将各有效特征组合构成有效特征集。
S2100、将有效特征集输入至预先训练的资源占用预测模型中,并获取资源占用预测模型输出的预测结果。
本发明实施例的技术方案,通过根据各服务器原始特征参数生成原始特征集,对原始特征集提取多个有效特征,生成有效特征集,将有效特征集输入至预先训练的资源占用预测模型中,并获取资源占用预测模型输出的预测结果的方式,能够对服务器的资源占用情况进行精准预测,解决了现有技术中预测结果不精确的问题。
实施例三
图3为本发明实施例三提供的一种服务器资源占用情况的预测装置的结构示意图。如图3所示,该装置包括:原始特征集生成模块310、有效特征集生成模块320以及预测结果获取模块330。
原始特征集生成模块310,用于获取多个服务器原始特征参数向量,并根据各服务器原始特征参数生成原始特征集。
有效特征集生成模块320,用于对所述原始特征集提取多个有效特征,并生成有效特征集。
预测结果获取模块330,用于将所述有效特征集输入至预先训练的资源占用预测模型中,并获取所述资源占用预测模型输出的预测结果。
本发明实施例的技术方案,通过根据各服务器原始特征参数生成原始特征集,对原始特征集提取多个有效特征,生成有效特征集,将有效特征集输入至预先训练的资源占用预测模型中,并获取资源占用预测模型输出的预测结果的方式,能够对服务器的资源占用情况进行精准预测,解决了现有技术中预测结果不精确的问题。
在上述各实施例的基础上,服务器原始特征参数包括CPU使用率、CPU频率、内存使用率、磁盘使用率、磁盘读写时间、进程数、网络带宽利用率以及网络报文传输量。
在上述各实施例的基础上,原始特征集生成模块310,可以具体用于:
当接收到针对服务器资源占用情况的预测请求时,在服务器的能耗模块中采集当前记录的各服务器原始特征参数向量;
其中,服务器的能耗模块对服务器中的CPU、内存、磁盘、网络以及进程进行实时监测。
在上述各实施例的基础上,原始特征集中包含各服务器原始特征参数向量,且各服务器原始特征参数向量的维度相同。
在上述各实施例的基础上,有效特征集生成模块320,可以包括:
降维特征集生成单元,用于对原始特征集进行降维处理以及中心化处理,生成降维特征集;
有效特征确定单元,用于分别计算所述降维特征集中各特征向量的特征值,并根据各特征向量的特征值,在降维特征集中确定多个有效特征;
有效特征集生成单元,用于将所述各有效特征组合构成有效特征集。
在上述各实施例的基础上,有效特征确定单元,可以具体用于:
将所述各特征向量按照特征值由大到小排序;
获取预先设置的有效特征数量,并从排序后的首个特征向量开始,选取与所述有效特征数量相匹配的多个特征向量作为有效特征。
在上述各实施例的基础上,还可以包括预测模型生成模块,具体用于:
获取历史记录的多个服务器原始特征参数向量,并生成多个历史原始特征集;
获取与每个历史原始特征集相匹配的资源占用检测结果;
根据各历史原始特征集,生成与各历史原始特征集相匹配的历史有效特征集;
将各历史有效特征集作为输入样本,并将与各历史有效特征集相匹配的资源占用检测结果作为输出样本,对初始预测模型进行训练,获取训练后的资源占用预测模型;
其中,所述初始预测模型为门控循环神经网络模型。
本发明实施例所提供的服务器资源占用情况的预测装置可执行本发明任意实施例所提供的服务器资源占用情况的预测方法,具备执行方法相应的功能模块和有益效果。
实施例四
图4示出了可以用来实施本发明的实施例的电子设备10的结构示意图。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(如头盔、眼镜、手表等)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/或者要求的本发明的实现。
如图4所示,电子设备10包括至少一个处理器11,以及与至少一个处理器11通信连接的存储器,如只读存储器(ROM)12、随机访问存储器(RAM)13等,其中,存储器存储有可被至少一个处理器执行的计算机程序,处理器11可以根据存储在只读存储器(ROM)12中的计算机程序或者从存储单元18加载到随机访问存储器(RAM)13中的计算机程序,来执行各种适当的动作和处理。在RAM 13中,还可存储电子设备10操作所需的各种程序和数据。处理器11、ROM 12以及RAM 13通过总线14彼此相连。输入/输出(I/O)接口15也连接至总线14。
电子设备10中的多个部件连接至I/O接口15,包括:输入单元16,例如键盘、鼠标等;输出单元17,例如各种类型的显示器、扬声器等;存储单元18,例如磁盘、光盘等;以及通信单元19,例如网卡、调制解调器、无线通信收发机等。通信单元19允许电子设备10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。
处理器11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。处理器11的一些示例包括但不限于中央处理单元(CPU)、图形处理单元(GPU)、各种专用的人工智能(AI)计算芯片、各种运行机器学习模型算法的处理器、数字信号处理器(DSP)、以及任何适当的处理器、控制器、微控制器等。处理器11执行上文所描述的各个方法和处理,例如如本发明实施例所述的服务器资源占用情况的预测方法。也即:
获取多个服务器原始特征参数向量,并根据各服务器原始特征参数生成原始特征集;
对所述原始特征集提取多个有效特征,并生成有效特征集;
将所述有效特征集输入至预先训练的资源占用预测模型中,并获取所述资源占用预测模型输出的预测结果。
在一些实施例中,服务器资源占用情况的预测方法可被实现为计算机程序,其被有形地包含于计算机可读存储介质,例如存储单元18。在一些实施例中,计算机程序的部分或者全部可以经由ROM 12和/或通信单元19而被载入和/或安装到电子设备10上。当计算机程序加载到RAM 13并由处理器11执行时,可以执行上文描述的服务器资源占用情况的预测方法的一个或多个步骤。备选地,在其他实施例中,处理器11可以通过其他任何适当的方式(例如,借助于固件)而被配置为执行服务器资源占用情况的预测方法。
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(FPGA)、专用集成电路(ASIC)、专用标准产品(ASSP)、芯片上系统的系统(SOC)、负载可编程逻辑设备(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。
用于实施本发明的方法的计算机程序可以采用一个或多个编程语言的任何组合来编写。这些计算机程序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,使得计算机程序当由处理器执行时使流程图和/或框图中所规定的功能/操作被实施。计算机程序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。
在本发明的上下文中,计算机可读存储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计算机程序。计算机可读存储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。备选地,计算机可读存储介质可以是机器可读信号介质。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,可以在电子设备上实施此处描述的系统和技术,该电子设备具有: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电子设备。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)、区块链网络和互联网。
计算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,又称为云计算服务器或云主机,是云计算服务体系中的一项主机产品,以解决了传统物理主机与VPS服务中,存在的管理难度大,业务扩展性弱的缺陷。
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,本发明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,只要能够实现本发明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,并不构成对本发明保护范围的限制。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。任何在本发明的精神和原则之内所作的修改、等同替换和改进等,均应包含在本发明保护范围之内。
Claims (10)
1.一种服务器资源占用情况的预测方法,其特征在于,包括:
获取多个服务器原始特征参数向量,并根据各服务器原始特征参数生成原始特征集;
对所述原始特征集提取多个有效特征,并生成有效特征集;
将所述有效特征集输入至预先训练的资源占用预测模型中,并获取所述资源占用预测模型输出的预测结果。
2.根据权利要求1所述的方法,其特征在于,服务器原始特征参数包括中央处理器CPU使用率、CPU频率、内存使用率、磁盘使用率、磁盘读写时间、进程数、网络带宽利用率以及网络报文传输量。
3.根据权利要求2所述的方法,其特征在于,获取多个服务器原始特征参数向量,包括:
当接收到针对服务器资源占用情况的预测请求时,在服务器的能耗模块中采集当前记录的各服务器原始特征参数向量;
其中,服务器的能耗模块对服务器中的CPU、内存、磁盘、网络以及进程进行实时监测。
4.根据权利要求2所述的方法,其特征在于,所述原始特征集中包含各服务器原始特征参数向量,且各服务器原始特征参数向量的维度相同。
5.根据权利要求4所述的方法,其特征在于,对所述原始特征集提取多个有效特征,并生成有效特征集,包括:
对原始特征集进行降维处理以及中心化处理,生成降维特征集;
分别计算所述降维特征集中各特征向量的特征值,并根据各特征向量的特征值,在降维特征集中确定多个有效特征;
将所述各有效特征组合构成有效特征集。
6.根据权利要求5所述的方法,其特征在于,根据各特征向量的特征值,在降维特征集中确定多个有效特征,包括:
将所述各特征向量按照特征值由大到小排序;
获取预先设置的有效特征数量,并从排序后的首个特征向量开始,选取与所述有效特征数量相匹配的多个特征向量作为有效特征。
7.根据权利要求1-6任一项所述的方法,其特征在于,还包括:
获取历史记录的多个服务器原始特征参数向量,并生成多个历史原始特征集;
获取与每个历史原始特征集相匹配的资源占用检测结果;
根据各历史原始特征集,生成与各历史原始特征集相匹配的历史有效特征集;
将各历史有效特征集作为输入样本,并将与各历史有效特征集相匹配的资源占用检测结果作为输出样本,对初始预测模型进行训练,获取训练后的资源占用预测模型;
其中,所述初始预测模型为门控循环神经网络模型。
8.一种服务器资源占用情况的预测装置,其特征在于,包括:
原始特征集生成模块,用于获取多个服务器原始特征参数向量,并根据各服务器原始特征参数生成原始特征集;
有效特征集生成模块,用于对所述原始特征集提取多个有效特征,并生成有效特征集;
预测结果获取模块,用于将所述有效特征集输入至预先训练的资源占用预测模型中,并获取所述资源占用预测模型输出的预测结果。
9.一种电子设备,其特征在于,所述电子设备包括:
至少一个处理器;以及
与所述至少一个处理器通信连接的存储器;其中,
所述存储器存储有可被所述至少一个处理器执行的计算机程序,所述计算机程序被所述至少一个处理器执行,以使所述至少一个处理器能够执行本发明权利要求1-7中任一项所述的服务器资源占用情况的预测方法。
10.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质存储有计算机指令,所述计算机指令用于使处理器执行时实现权利要求1-7中任一项所述的服务器资源占用情况的预测方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311662468.2A CN117667403A (zh) | 2023-12-06 | 2023-12-06 | 服务器资源占用情况的预测方法、装置、设备及介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311662468.2A CN117667403A (zh) | 2023-12-06 | 2023-12-06 | 服务器资源占用情况的预测方法、装置、设备及介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117667403A true CN117667403A (zh) | 2024-03-08 |
Family
ID=90072863
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311662468.2A Pending CN117667403A (zh) | 2023-12-06 | 2023-12-06 | 服务器资源占用情况的预测方法、装置、设备及介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117667403A (zh) |
-
2023
- 2023-12-06 CN CN202311662468.2A patent/CN117667403A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN117032938B (zh) | 一种算子的并行调度方法、装置、电子设备及存储介质 | |
CN115329748B (zh) | 一种日志解析方法、装置、设备及存储介质 | |
CN117667403A (zh) | 服务器资源占用情况的预测方法、装置、设备及介质 | |
CN115907926A (zh) | 商品的推荐方法、装置、电子设备及存储介质 | |
CN115600607A (zh) | 一种日志检测方法、装置、电子设备及介质 | |
CN117251295B (zh) | 一种资源预测模型的训练方法、装置、设备及介质 | |
CN117454161A (zh) | 网络模型训练方法、装置、设备及存储介质 | |
CN116017401A (zh) | 一种驻留点确定方法、装置、电子设备及存储介质 | |
CN116455999A (zh) | 一种应用状态管理方法、装置、电子设备及存储介质 | |
CN117851598A (zh) | 一种大语言模型辅助分类方法、装置、设备及介质 | |
CN116205321A (zh) | 用碳量确定方法、装置、设备及存储介质 | |
CN116524959A (zh) | 一种语音情绪确定方法、装置、设备及介质 | |
CN117195118A (zh) | 一种数据的异常检测方法、装置、设备及介质 | |
CN116361008A (zh) | 基于电力物联网的任务均衡分配方法、装置、设备和介质 | |
CN118113916A (zh) | 数据处理方法、装置、电子设备及存储介质 | |
CN115622949A (zh) | 一种流量调度方法、装置、设备和介质 | |
CN115802438A (zh) | 一种数据处理方法、装置、设备及介质 | |
CN115858921A (zh) | 模型处理方法、装置、设备以及存储介质 | |
CN117993478A (zh) | 基于双向知识蒸馏和联邦学习的模型训练方法及装置 | |
CN115965276A (zh) | 指标集确定方法、装置、电子设备以及存储介质 | |
CN117076988A (zh) | 异常行为检测方法、装置、设备及介质 | |
CN117592618A (zh) | 一种活跃用户预测方法、装置、服务器和存储介质 | |
CN117406964A (zh) | 数据架构模型设计方法、装置、电子设备和存储介质 | |
CN115223177A (zh) | 一种文本识别方法、装置、设备及存储介质 | |
CN117992196A (zh) | 用于存算一体芯片的任务调度方法、装置、设备及介质 |
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 |