CN117667415A - 资源分配方法、装置、设备、存储介质和程序产品 - Google Patents
资源分配方法、装置、设备、存储介质和程序产品 Download PDFInfo
- Publication number
- CN117667415A CN117667415A CN202311685757.4A CN202311685757A CN117667415A CN 117667415 A CN117667415 A CN 117667415A CN 202311685757 A CN202311685757 A CN 202311685757A CN 117667415 A CN117667415 A CN 117667415A
- Authority
- CN
- China
- Prior art keywords
- value
- resource value
- resource
- predicted
- system cluster
- 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 81
- 238000013468 resource allocation Methods 0.000 title claims abstract description 58
- 238000004590 computer program Methods 0.000 claims description 39
- 238000004364 calculation method Methods 0.000 claims description 27
- 230000008569 process Effects 0.000 claims description 17
- 238000004422 calculation algorithm Methods 0.000 description 15
- 238000004458 analytical method Methods 0.000 description 10
- 238000012417 linear regression Methods 0.000 description 10
- 238000011156 evaluation Methods 0.000 description 7
- 230000008859 change Effects 0.000 description 6
- 238000007726 management method Methods 0.000 description 6
- 238000012795 verification Methods 0.000 description 5
- 238000012545 processing Methods 0.000 description 4
- 230000003442 weekly effect Effects 0.000 description 4
- 238000004891 communication Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 230000010354 integration Effects 0.000 description 3
- 230000003068 static effect Effects 0.000 description 3
- 239000002699 waste material Substances 0.000 description 3
- 230000002159 abnormal effect Effects 0.000 description 2
- 235000013339 cereals Nutrition 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 238000012731 temporal analysis Methods 0.000 description 2
- 238000000700 time series analysis Methods 0.000 description 2
- 238000012935 Averaging Methods 0.000 description 1
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 238000012550 audit Methods 0.000 description 1
- 238000007630 basic procedure Methods 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 238000003066 decision tree Methods 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 229910021389 graphene Inorganic materials 0.000 description 1
- 238000009499 grossing Methods 0.000 description 1
- 238000003064 k means clustering Methods 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000005192 partition Methods 0.000 description 1
- 230000000737 periodic effect Effects 0.000 description 1
- 238000013105 post hoc analysis Methods 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 238000013139 quantization Methods 0.000 description 1
- 238000007637 random forest analysis Methods 0.000 description 1
- 238000011867 re-evaluation Methods 0.000 description 1
- 238000000611 regression analysis Methods 0.000 description 1
- 238000012163 sequencing technique Methods 0.000 description 1
- 238000012706 support-vector machine Methods 0.000 description 1
- 238000012549 training Methods 0.000 description 1
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本申请涉及一种资源分配方法、装置、设备、存储介质和程序产品。所述方法包括:对资源池中各个系统集群的资源值进行预测,得到各所述系统集群的预测资源值;对于各所述系统集群,在所述预测资源值与所述系统集群的原始资源值不匹配的情况下,基于所述预测资源值和所述系统集群对应的保障级别对所述系统集群进行资源分配。采用本方法能够提高资源分配合理性。
Description
技术领域
本申请涉及云计算技术领域,特别是涉及一种资源分配方法、装置、设备、存储介质和程序产品。
背景技术
在现代企业运营中,资源整合和集约化运营已经成为提高效能的关键方法之一。特别是在计算机领域,越来越多的企业意识到服务器资源整合的重要性,并通过虚拟化技术将分散的服务器资源整合为一个统一的资源池。这种整合不仅提高了服务器资源的利用率,还显著提升了系统运维的能力,成为各个数据中心服务器资源管理的主导趋势。
当前容量伸缩技术的主要判断依赖于预设容量阈值的设定,这使得系统在判断资源需求变化时过于依赖人工的评定准确度和对阈值的及时调整。
然而,如果阈值的评定不合理或者调整滞后,就容易引发资源分配不合理的问题,包括资源浪费或频繁出现资源耗尽情况。
发明内容
基于此,有必要针对上述技术问题,提供一种能够提高资源分配合理性的资源分配方法、装置、设备、存储介质和程序产品。
第一方面,本申请提供了一种资源分配方法,包括:
对资源池中各个系统集群的资源值进行预测,得到各系统集群的预测资源值;
对于各系统集群,在预测资源值与系统集群的原始资源值不匹配的情况下,基于预测资源值和系统集群对应的保障级别对系统集群进行资源分配。
在其中一个实施例中,上述对资源池中各个系统集群的资源值进行预测,得到各系统集群的预测资源值,包括:
对于各系统集群,根据使用频率确定各历史数据的时间段对应的聚类类别;其中,不同使用频率对应不同聚类类别;
根据各历史数据的时间段对应的聚类类别,确定预测日期的第一候选资源值;
根据预测日期之前预设时段的性能使用值确定预测日期的第二候选资源值;
根据第一候选资源值和第二候选资源值确定预测资源值。
在其中一个实施例中,上述根据各历史数据的时间段对应的聚类类别,确定预测日期的第一候选资源值,包括:
从多个历史数据对应的时间段中确定预测日期对应的目标时间段,并根据目标时间段对应的聚类类别确定预测日期的第一候选资源值。
根据第一候选资源值和第二候选资源值确定预测资源值,包括:
将第一候选资源值和第二候选资源值代入预设计算公式进行计算,得到预测资源值;预设计算公式包括第一候选资源值的需求值权重系数和第二候选资源值的需求值权重系数。
需求值权重系数的计算过程,包括:
针对每一历史日期,确定历史日期对应的第一候选资源值和实际资源值的差值;
基于差值计算多个历史日期对应的平均偏差值;
采用线性插值法对平均偏差值进行计算,得到需求权重系数。
在其中一个实施例中,上述历史数据的获取过程,包括:
获取系统集群的多个历史性能数据,并对多个历史性能数据进行简化处理,得到简化数据;
将简化数据量化为可比较绝对值数据,并以周为时间跨度计算各个历史性能数据对应的平均值,并将平均值确定为历史数据。
在其中一个实施例中,上述在预测资源值与系统集群的原始资源值不匹配的情况下,基于预测资源值和系统集群对应的保障级别对系统集群进行资源分配,包括:
在系统集群的原始资源值小于预测资源的情况下,根据保障级别从高到低扩展系统集群的原始资源值;
在系统集群的原始资源值大于预测资源的情况下,根据保障级别从低到高释放系统集群的原始资源值。
第二方面,本申请还提供了一种资源分配装置,包括:
预测模块,对资源池中各个系统集群的资源值进行预测,得到各系统集群的预测资源值;
分配模块,用于对于各系统集群,在预测资源值与系统集群的原始资源值不匹配的情况下,基于预测资源值和系统集群对应的保障级别对系统集群进行资源分配。
第三方面,本申请还提供了一种计算机设备,包括存储器和处理器,存储器存储有计算机程序,处理器执行计算机程序时实现以下步骤:
对资源池中各个系统集群的资源值进行预测,得到各系统集群的预测资源值;
对于各系统集群,在预测资源值与系统集群的原始资源值不匹配的情况下,基于预测资源值和系统集群对应的保障级别对系统集群进行资源分配。
第四方面,本申请还提供了一种计算机可读存储介质,其上存储有计算机程序,计算机程序被处理器执行时实现以下步骤:
对资源池中各个系统集群的资源值进行预测,得到各系统集群的预测资源值;
对于各系统集群,在预测资源值与系统集群的原始资源值不匹配的情况下,基于预测资源值和系统集群对应的保障级别对系统集群进行资源分配。
第五方面,本申请还提供了一种计算机程序产品,包括计算机程序,该计算机程序被处理器执行时实现以下步骤:
对资源池中各个系统集群的资源值进行预测,得到各系统集群的预测资源值;
对于各系统集群,在预测资源值与系统集群的原始资源值不匹配的情况下,基于预测资源值和系统集群对应的保障级别对系统集群进行资源分配。
上述资源分配方法、装置、设备、存储介质和程序产品,先对资源池中各个系统集群的资源值进行预测,得到各系统集群的预测资源值;接着针对各系统集群,在预测资源值与系统集群的原始资源值不匹配的情况下,基于预测资源值和系统集群对应的保障级别对系统集群进行资源分配;该方法中,通过对预测资源值和原始资源值的差值进行分析,系统能够自主进行资源分配,无需依赖人工评定准确度和阈值调整。这一特点降低了人工干预的需求,减少了潜在的评估误差,提高了资源分配决策的自动化程度,进而提高了资源分配合理性。
附图说明
为了更清楚地说明本申请实施例或相关技术中的技术方案,下面将对实施例或相关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为一个实施例中计算机设备的内部结构图;
图2为一个实施例中资源分配方法的流程示意图;
图3为另一个实施例中资源分配方法的流程示意图;
图4为另一个实施例中资源分配方法的流程示意图;
图5为另一个实施例中资源分配方法的流程示意图;
图6为另一个实施例中资源分配方法的流程示意图;
图7为一个实施例中资源分配装置的结构框图。
具体实施方式
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。应当理解,此处描述的具体实施例仅仅用以解释本申请,并不用于限定本申请。
在一个示例性的实施例中,提供了一种计算机设备,该计算机设备可以是服务器,其内部结构图可以如图1所示。该计算机设备包括处理器、存储器、输入/输出接口(Input/Output,简称I/O)和通信接口。其中,处理器、存储器和输入/输出接口通过系统总线连接,通信接口通过输入/输出接口连接到系统总线。其中,该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质和内存储器。该非易失性存储介质存储有操作系统、计算机程序和数据库。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的数据库用于存储资源分配过程中的数据。该计算机设备的输入/输出接口用于处理器与外部设备之间交换信息。该计算机设备的通信接口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执行时以实现一种资源分配方法。
在一个示例性的实施例中,如图2所示,提供了一种资源分配方法,以该方法应用于图1中的计算机设备为例进行说明,包括以下S202至S204。其中:
S202,对资源池中各个系统集群的资源值进行预测,得到各系统集群的预测资源值。
其中,资源池指的是一个集中管理和分配计算机资源的系统,它可以包含硬件资源和软件资源,旨在提高资源的利用率和灵活性。资源池的主要目标是优化资源分配,使得不同的系统或应用程序可以共享和充分利用可用的资源。
系统集群是一组相互连接并协同工作的计算机系统或服务器,它们被组织成一个整体以提供更高的性能、可用性和可扩展性。集群中的各个系统被设计成能够协同工作,以实现共同的任务或服务。
在本申请实施例中,服务器可以对资源池中各个系统集群的资源值进行预测,从而得到各系统集群的预测资源值。
可选的,服务器可以收集过去一段时间内各个系统集群的资源使用数据,包括CPU、内存、磁盘、网卡等。接着,执行数据完整性检查,处理任何缺失值和异常值。对时间序列数据按照一定的时间粒度进行聚合(例如按天、按周)。接着,服务器选择适当的时间序列预测模型,考虑系统集群的特性和数据的性质。使用服务器上的资源管理工具来评估系统集群的负载和性能。在服务器上使用历史数据对选定的预测模型进行训练,获取模型参数。在训练过程中,服务器可以调整模型的超参数以提高预测性能。使用服务器上保留的部分历史数据验证模型的准确性。服务器执行模型的性能评估,比较模型的预测值与实际观测值。在服务器上使用已训练的模型对未来一段时间内各个系统集群的资源使用情况进行预测。服务器得到预测结果的置信区间,以提供决策者了解预测的不确定性。如果服务器上的模型的预测性能不足够理想,可以通过调整模型参数、尝试其他模型,或者改进数据预处理方法来提高模型的准确性。在服务器上执行反复验证、调整和优化,以逐步提高模型的性能。服务器根据预测模型的输出,得到未来时间点各个系统集群的预测资源使用值。结果可能包括CPU使用率、内存利用率、磁盘空间利用率等。通过将这些步骤整合到服务器资源管理流程中,可以更好地进行系统集群资源的预测和管理。
可选的,还可以利用机器学习算法,如回归、决策树、随机森林、支持向量机等,通过学习历史数据中的模式来预测未来的资源使用情况。
S204,对于各系统集群,在预测资源值与系统集群的原始资源值不匹配的情况下,基于预测资源值和系统集群对应的保障级别对系统集群进行资源分配。
其中,根据业务重要程度,将系统集群性能容量保障级别定义为高、中、低三个级别,每个级别内再按具体分值具体排序。集群级别越高分值越高,则越优先分配服务器资源,越迟回收服务器资源,反之亦然。
在本申请实施例中,对于各系统集群,在预测资源值与系统集群的原始资源值不匹配的情况下,基于预测资源值和系统集群对应的保障级别对系统集群进行资源分配。可选的,对于每个系统集群,服务器进行异常检测和差异分析,以确定预测资源值与原始资源值之间的不匹配情况。根据业务重要程度,为每个系统集群定义性能容量保障级别。例如,将保障级别分为高、中、低三个级别。在每个级别内,按具体分值具体排序,分值越高表示对应级别的业务重要性越高。根据预测资源值和系统集群对应的保障级别,制定资源分配决策策略。设定一个分值阈值,例如,高于某一阈值的系统集群被视为高保障级别,中等范围的为中保障级别,低于阈值的为低保障级别。执行资源分配策略,将计算、存储、网络等资源分配给各个系统集群,根据其保障级别和分值进行排序。分配服务器资源时,高级别的系统集群优先获得资源,分值越高的越先分配,反之亦然。服务器可以利用自动化工具或云服务平台的资源管理功能来实现资源的动态调整。
需要说明的是,在资源分配执行后,服务器需要持续监控系统集群的性能和资源使用情况,确保资源分配的有效性。如果在实际运行中发现了性能问题,可能需要及时进行调整,考虑重新评估保障级别和分值。记录资源分配的决策过程和执行结果,以便进行事后分析和审计。
上述资源分配方法中,先对资源池中各个系统集群的资源值进行预测,得到各系统集群的预测资源值;接着针对各系统集群,在预测资源值与系统集群的原始资源值不匹配的情况下,基于预测资源值和系统集群对应的保障级别对系统集群进行资源分配;该方法中,通过对预测资源值和原始资源值的差值进行分析,系统能够自主进行资源分配,无需依赖人工评定准确度和阈值调整。这一特点降低了人工干预的需求,减少了潜在的评估误差,提高了资源分配决策的自动化程度,进而提高了资源分配合理性。其次,相较于传统技术的静态阈值设定,该方法更具动态性。系统能够即时感知到资源需求的变化,无需周期性的调整阈值,从而更迅速地适应不断变化的业务负载。这增强了服务器对于动态环境的适应性。此外,通过智能预测和自适应调整,该方法更精确地匹配实际需求,最大化了资源的利用率。与传统技术相比,避免了过度分配和资源浪费,使得资源分配更加经济高效。
在一个示例性的实施例中,如图3所示,S202包括S302至S308。其中:
S302,对于各系统集群,根据使用频率确定各历史数据的时间段对应的聚类类别;其中,不同使用频率对应不同聚类类别。
在本申请实施例中,对于各系统集群,使用频率不同可能反映了系统在不同时间段内的活跃程度。通过聚类算法将历史数据划分为不同的类别,每个类别代表一种使用频率。这样,系统集群在不同时间段内就被划分为不同的聚类类别。可选的,聚类算法可以选择Bi-kmeans算法,Bi-kmeans算法是一种k均值聚类的变种,它通过迭代的方式将数据集划分成k个簇。在这个情况下,将历史数据按性能指标使用的绝对值进行聚类,并分为高峰类、中高类、平峰类、中低类、低谷类,其中k值为5。步骤如下:(1)选择K值:在这里,K值为5,将数据分成5个簇。(2)初始化质心:随机选择5个数据点作为初始质心。(3)迭代过程:进行多次迭代,每次迭代的步骤包括:分配数据点:将每个数据点分配到离它最近的质心所在的簇。更新质心计算每个簇中所有数据点的均值,将均值作为新的质心。收敛:当簇的分配不再发生变化,或者变化很小时,算法收敛,得到最终的聚类结果。(4)分类:将聚类结果分为高峰类、中高类、平峰类、中低类、低谷类,可以根据每个簇的性能指标使用的绝对值的大小进行分类。(5)时间坐标和质心坐标:在进行聚类后,需要记录每个聚类簇的两个重要信息:周粒度的时间坐标:对于每个聚类簇,需要知道这个簇内包含哪些具体的数据点,以及这些数据点对应的时间。这可以帮助了解每个簇的形成和持续时间。周粒度表示时间单位是按周计算的,可能是数据集中记录的时间间隔,比如每周一次。质心坐标:对于每个簇,计算它在各个维度上的均值,这些均值构成了这个簇的质心。在这个上下文中,"各维度"指的是性能指标,比如CPU使用率、内存利用率、磁盘利用率、网卡带宽利用率等。质心坐标即为这些维度上的均值,反映了该簇在性能指标上的平均表现。
为了记录每个聚类簇的时空信息。时间坐标帮助理解这个簇形成和存在的时间范围,而质心坐标则提供了该簇性能指标的平均表现。这些信息有助于后续的分析和优化决策。
S304,根据各历史数据的时间段对应的聚类类别,确定预测日期的第一候选资源值。
在本申请实施例中,针对预测日期,根据其历史数据所属的聚类类别,确定对应的第一候选资源值。不同聚类类别可能对应不同的资源使用模式,因此通过历史数据的聚类类别可以推断出预测日期的第一候选资源值。
S306,根据预测日期之前预设时段的性能使用值确定预测日期的第二候选资源值。
在本申请实施例中,根据预测日期之前的预设时段,获取性能使用值。这一时段的数据用于确定预测日期的第二候选资源值。这样做的目的是考虑历史性能使用趋势,使得预测更具有参考性。
例如,预设时段选择过去7日,预测日期选择下一日,则基于过去7日的性能容量使用值来预测下一日的第二候选资源值,可以使用简单的时间序列分析方法,如线性回归。下面是一个基本的步骤:(1)收集过去7日的性能容量使用值:获取过去7日的CPU、内存、磁盘、网卡等性能指标的使用值。(2)计算每日的平均性能容量使用值:对每一天的性能容量使用值求平均,得到一个7天的平均值序列。(3)进行线性回归:使用线性回归模型拟合平均值序列,以获得一个线性关系。回归分析可以得到过去性能容量使用值的增长趋势。(4)预测下一日的第二候选资源值:基于线性回归的结果,得到下一日的第二候选资源值。线性回归模型的方程可以表示为y=mx+b,其中y是第二候选资源值,x是时间,m是斜率,b是截距。通过插入下一日的时间值,可以计算得到相应的第二候选资源值。
预测值是根据过去的数据和线性关系得到的,因此需要验证预测值与实际观测值的一致性。如果模型的表现良好,那么得到的预测值可以作为第二候选资源值。
具体数值的计算会涉及到具体的数据和回归模型的参数。通常,这种预测是基于统计学原理,它提供了一种基于过去观测值的未来趋势的估计。需要注意的是,线性回归模型是一种简单的模型,实际情况可能更加复杂,可能需要更复杂的时间序列分析方法来提高预测的准确性。例如:假设有过去7天的每日性能容量使用值,如下所示:
[Day1:100,Day2:110,Day3:120,Day4:115,Day5:130,Day6:140,Day7:150]
首先计算每日的平均性能容量使用值:
(100+110+120+115+130+140+150)/7≈125.71
接下来,使用线性回归模型来拟合这个平均值序列。线性回归模型的方程为y=mx+b,其中y是性能容量使用值,x是时间,m是斜率,b是截距。
可以使用统计工具或编程语言来进行线性回归分析,得到模型的参数。得到了一个简化的模型:y=2.5x+100这里的2.5是斜率,100是截距。
现在,希望预测第8天的第二候选资源值。使用下一天的时间值x=8插入到回归方程中:
Q2=2.5*8+100=120
所以,根据这个简单的线性回归模型,预测第8天的第二候选资源值为120。
S308,根据第一候选资源值和第二候选资源值确定预测资源值。
在本申请实施例中,结合第一候选资源值和第二候选资源值,系统可以综合考虑使用频率、历史聚类类别以及性能使用趋势等因素,最终确定预测日期的资源值。这可以通过一定的算法或权衡机制来实现,确保综合各方面因素得出的资源值更为准确和可靠。
上述实施例中,通过使用频率将历史数据聚类,然后根据聚类类别确定预测日期的第一候选资源值。接着,结合预设时段的性能使用值,确定第二候选资源值。最后,通过综合考虑第一和第二候选资源值,得出最终的预测资源值。这个过程充分考虑了历史数据、使用频率和性能趋势,使得资源值的预测更为全面和准确。
在一个示例性的实施例中,S304具体包括:从多个历史数据对应的时间段中确定预测日期对应的目标时间段,并根据目标时间段对应的聚类类别确定预测日期的第一候选资源值。
在本申请实施例中,首先,收集多个历史数据的时间段,这些时间段涵盖了系统集群的不同运行状态和使用情况。这可能包括过去几周或几个月的时间范围,以确保涵盖系统的多样性。
对于预测日期,从历史数据中选择与之相对应的目标时间段。这个目标时间段可能根据相似的运行状态、负载模式或其他关键特征来确定。这一步骤的目标是找到历史数据中与预测日期相似情境的时间段。
通过聚类算法,将目标时间段的历史数据划分为不同的聚类类别。这一步骤旨在识别目标时间段内系统的特定运行模式或使用频率,从而更好地理解系统在预测日期可能的运行状态。
通过目标时间段的聚类类别,确定预测日期的第一候选资源值。不同的聚类类别可能对应不同的系统行为,因此通过历史数据的聚类信息可以推测出预测日期的资源需求趋势。
上述实施例中,通过从多个所述历史数据对应的时间段中确定预测日期对应的目标时间段,并根据目标时间段对应的聚类类别确定所述预测日期的第一候选资源值,使得预测更为精准,从而有助于提高预测的可信度。
在一个示例性的实施例中,S308具体包括:将第一候选资源值和第二候选资源值代入预设计算公式进行计算,得到预测资源值;预设计算公式包括第一候选资源值的需求值权重系数和第二候选资源值的需求值权重系数。
在本申请实施例中,在算法的开头或前面,明确定义预设计算公式,包括第一候选资源值的需求值权重系数和第二候选资源值的需求值权重系数。这可以是一个数学表达式,例如:预测资源值=(第一候选资源值×需求权重系数)+(第二候选资源值×(1-需求权重系数)),在算法中明确说明如何确定需求权重系数。这可以基于系统的特定需求、历史数据分析,或者通过数据驱动的方法。权重系数反映了每个候选资源值对于最终预测的贡献程度,因此需要根据实际情况进行精心调整。将第一候选资源值和第二候选资源值代入预设计算公式,按照权重系数计算得到最终的预测资源值。这一步骤可以通过一个明确的计算过程或数学表达式展示。
需要说明的是,在计算预测资源值后,考虑加入结果解释和验证的步骤。解释结果可以包括对权重系数的解释,以及为什么选择了特定的候选资源值。验证可以通过与实际数据的比较来完成,以确保预测的准确性和可靠性。考虑算法对于异常情况的处理,例如当某个候选资源值的数据缺失时,如何进行计算。在算法中加入对异常情况的处理逻辑,增加了算法的健壮性和可靠性。
上述实施例中,定义明确的预设计算公式,包括权重系数的设定,使算法的运作更加透明和易于理解。相关人员能够清晰了解每个候选资源值对最终预测结果的影响程度。引入权重系数的明确设定,使得算法更具可控性。权重系数的调整可以根据实际需求进行灵活的调整,从而更好地满足系统性能和业务变化的要求。在计算过程中考虑结果解释,通过权重系数的解释和对候选资源值选择的解释,帮助用户理解模型的决策依据。这提高了结果的可解释性,使得业务决策更具可信度。通过引入验证步骤,将预测结果与实际数据进行比较,增强了对算法准确性的验证。这有助于评估模型的性能,发现潜在的问题,并在必要时进行调整,以确保预测结果的可靠性。
在一个示例性的实施例中,如图4所示,需求值权重系数的计算过程,可以包括:
S402,针对每一历史日期,确定历史日期对应的第一候选资源值和实际资源值的差值。
S404,基于差值计算多个历史日期对应的平均偏差值。
S406,采用线性插值法对平均偏差值进行计算,得到需求权重系数。
在本申请实施例中,对于每个历史日期,计算第一候选资源值和实际资源值之间的差值。这个差值反映了预测值与实际值之间的偏差,是评估预测准确性的关键指标。对多个历史日期的差值进行求平均,得到平均偏差值。这一步旨在获取整体的偏差趋势,从而更全面地反映预测模型的整体性能。采用线性插值法对平均偏差值进行计算,得到需求权重系数。线性插值是一种通过已知数据点推断出在两个数据点之间的值的方法。在这里,它被用于确定需求权重系数,以便更精确地调整第一候选资源值对最终预测结果的贡献度。对计算得到的需求权重系数进行分析。这可能涉及权重系数的范围、趋势、与实际偏差的关系等方面的观察。通过这一分析,可以更好地理解权重系数的影响,为后续的权重调整提供参考。在进行线性插值和分析时,考虑灵活性和实际情况。确保线性插值的方法是合适的,且结果对系统需求的灵活性和变化具有敏感性。在整个过程完成后,可以考虑通过将计算得到的需求权重系数应用于一部分历史数据,然后将其与实际结果进行比较,以验证该方法是否在实际应用中有效。
可选的,需求值权重系数的计算过程可以如下:需求值权重系数的取值范围在[0.5,1]之间波动。具体取值由评估系统自动根据过去10次第一候选资源值与实际性能容量使用值的偏差确定。
对于过去10次的第一候选资源值和实际性能容量使用值,计算每次的偏差。接着计算这10次偏差的平均值,即平均偏差度。最后根据平均偏差度确定需求值权重系数:(1)如果平均偏差度超过100%,则将需求值权重系数设为0.5。(2)如果平均偏差度为0,则将需求值权重系数设为1。(3)如果平均偏差度在0和100%之间,则可以使用一个线性插值或其他适当的规则确定需求值权重系数的值。
上述实施例中,通过考虑历史偏差值的平均趋势,并采用线性插值法,灵活地计算需求权重系数。这些权重系数反映了历史模型的性能,可以用于动态调整第一候选资源值在预测模型中的影响力,以更好地适应系统和业务的变化。
在一个示例性的实施例中,如图5所示,S302中历史数据的获取过程,可以包括:
S502,获取系统集群的多个历史性能数据,并对多个历史性能数据进行简化处理,得到简化数据。
S504,将简化数据量化为可比较绝对值数据,并以周为时间跨度计算各个历史性能数据对应的平均值,并将平均值确定为历史数据。
在本申请实施例中,从系统集群中收集多个历史性能数据。这些数据可以包括CPU使用率、内存使用情况、磁盘空间利用率、网络流量等方面的性能指标。这些数据可以通过监测工具、日志文件等方式获得。对收集到的历史性能数据进行简化处理,可能包括去除异常值、平滑曲线、降采样等操作。简化处理有助于减少数据的复杂性,提高后续分析的效率。将简化后的历史性能数据量化为可比较的绝对值数据。这可以涉及将性能指标转换为统一的度量单位,以确保不同性能指标之间的可比性。例如,将所有性能数据转换为百分比或标准化的单位。将量化后的绝对值数据以周为时间跨度进行计算,计算每周的平均值。这样的时间跨度选择有助于对性能数据进行周期性的分析,例如查看每周的变化趋势。将每周的平均值确定为系统集群的历史数据。这些历史数据反映了系统在不同时间段内的平均性能状况,为后续的分析提供了基础。
例如,可以提取历史3年的性能容量使用数据,包括CPU、内存、磁盘、网卡等指标。接下来,将这些指标进行简化处理,将它们转换为量化可比较的绝对值。量化可比较的绝对值举例:(1)CPU使用情况:将CPU使用率转换为百分比,例如,如果某周CPU平均使用率为80%,那么量化后的值为0.8。(2)内存使用情况:将内存利用率转换为百分比,同样,如果某周内存平均利用率为70%,那么量化后的值为0.7。(3)磁盘使用情况:将磁盘利用率也转换为百分比,以示例为例,如果某周磁盘平均利用率为60%,那么量化后的值为0.6。(4)网卡使用情况:网卡带宽利用率同样转换为百分比,例如,如果某周网卡平均带宽利用率为90%,那么量化后的值为0.9。(5)计算平均值:将每个指标在自然年内第1周到第52周的所有值相加,然后除以周数,即可得到在该年内的平均值。这样,就可以得到CPU、内存、磁盘、网卡在每年内的平均使用情况的绝对值,便于比较和分析。
上述实施例中,过程通过获取、简化、量化和统计性能数据,得到了以周为单位的平均历史性能数据。这些数据可用于性能评估、趋势分析和预测,为系统资源管理提供了基础信息。
在一个示例性的实施例中,如图6所示,S204可以包括S602至S604。其中:
S602,在系统集群的原始资源值小于预测资源的情况下,根据保障级别从高到低扩展系统集群的原始资源值。
在本申请实施例中,在系统集群的原始资源值小于预测资源的情况下,系统集群的原始资源值不足以满足预测资源需求,需要进行扩展以满足业务需求。采用从高到低的顺序,根据保障级别扩展系统集群的原始资源值。高保障级别的系统集群首先获得额外的资源,以确保关键业务能够得到优先满足。
S604,在系统集群的原始资源值大于预测资源的情况下,根据保障级别从低到高释放系统集群的原始资源值。
在本申请实施例中,在系统集群的原始资源值大于预测资源的情况下,系统集群的原始资源值超过了当前的预测资源需求,存在资源浪费。采用从低到高的顺序,根据保障级别释放系统集群的原始资源值。低保障级别的系统集群首先释放多余的资源,以便将这些资源用于其他需要的地方,提高资源利用率。
保障级别的排序决定了资源分配和释放的优先级。高保障级别的系统集群通常对业务更为关键,因此在资源不足时,它们优先获得资源。相反,低保障级别的系统集群在资源超过需求时首先释放资源。
需要说明的是,S602和S604之间没有先后顺序,本实施例只描述了先执行S602,再执行S604的情况。在实际执行时,还可以先执行S604,再执行S602;或者S602和S604可以并行执行,这里不做具体限定。
上述实施例中,考虑到了保障级别的重要性,确保关键业务得到优先保障。通过根据实际需求情况动态调整资源,系统能够更有效地利用资源,提高整体性能和效率。
以下给出一个详细实施例来对本申请实施例中资源分配方法的过程进行说明,在上述实施例的基础上,该方法的实现过程可以包括以下内容:
S1,对于各系统集群,根据使用频率确定各历史数据的时间段对应的聚类类别;其中,不同使用频率对应不同聚类类别;历史数据的获取过程,包括:获取系统集群的多个历史性能数据,并对多个历史性能数据进行简化处理,得到简化数据;将简化数据量化为可比较绝对值数据,并以周为时间跨度计算各个历史性能数据对应的平均值,并将平均值确定为历史数据。
S2,从多个历史数据对应的时间段中确定预测日期对应的目标时间段,并根据目标时间段对应的聚类类别确定预测日期的第一候选资源值;
S3,根据预测日期之前预设时段的性能使用值确定预测日期的第二候选资源值;
S4,将第一候选资源值和第二候选资源值代入预设计算公式进行计算,得到预测资源值;预设计算公式包括第一候选资源值的需求值权重系数和第二候选资源值的需求值权重系数;需求值权重系数的计算过程,包括:针对每一历史日期,确定历史日期对应的第一候选资源值和实际资源值的差值;基于差值计算多个历史日期对应的平均偏差值;采用线性插值法对平均偏差值进行计算,得到需求权重系数。
S5,在系统集群的原始资源值小于预测资源的情况下,根据保障级别从高到低扩展系统集群的原始资源值;在系统集群的原始资源值大于预测资源的情况下,根据保障级别从低到高释放系统集群的原始资源值。
应该理解的是,虽然如上的各实施例所涉及的流程图中的各个步骤按照箭头的指示依次显示,但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明,这些步骤的执行并没有严格的顺序限制,这些步骤可以以其它的顺序执行。而且,如上的各实施例所涉及的流程图中的至少一部分步骤可以包括多个步骤或者多个阶段,这些步骤或者阶段并不必然是在同一时刻执行完成,而是可以在不同的时刻执行,这些步骤或者阶段的执行顺序也不必然是依次进行,而是可以与其它步骤或者其它步骤中的步骤或者阶段的至少一部分轮流或者交替地执行。
基于同样的发明构思,本申请实施例还提供了一种用于实现上述所涉及的资源分配方法的资源分配装置。该装置所提供的解决问题的实现方案与上述方法中所记载的实现方案相似,故下面所提供的一个或多个资源分配装置实施例中的具体限定可以参见上文中对于资源分配方法的限定,在此不再赘述。
在一个示例性的实施例中,如图7所示,提供了一种资源分配装置,包括:预测模块11和分配模块12,其中:
预测模块11,用于对资源池中各个系统集群的资源值进行预测,得到各系统集群的预测资源值;
分配模块12,用于对于各系统集群,在预测资源值与系统集群的原始资源值不匹配的情况下,基于预测资源值和系统集群对应的保障级别对系统集群进行资源分配。
在另一个实施例中,提供了另一种资源分配装置,在上述实施例的基础上,上述预测模块11可以包括:
类别确定单元,用于对于各系统集群,根据使用频率确定各历史数据的时间段对应的聚类类别;其中,不同使用频率对应不同聚类类别;
第一候选资源值确定单元,用于根据各历史数据的时间段对应的聚类类别,确定预测日期的第一候选资源值;
第二候选资源值确定单元,用于根据预测日期之前预设时段的性能使用值确定预测日期的第二候选资源值;
预测资源值确定单元,用于根据第一候选资源值和第二候选资源值确定预测资源值。
在另一个实施例中,提供了另一种资源分配装置,在上述实施例的基础上,上述第一候选资源值确定单元具体用于:从多个历史数据对应的时间段中确定预测日期对应的目标时间段,并根据目标时间段对应的聚类类别确定预测日期的第一候选资源值。
在另一个实施例中,提供了另一种资源分配装置,在上述实施例的基础上,上述预测资源值确定单元具体用于:将第一候选资源值和第二候选资源值代入预设计算公式进行计算,得到预测资源值;预设计算公式包括第一候选资源值的需求值权重系数和第二候选资源值的需求值权重系数。
在另一个实施例中,提供了另一种资源分配装置,在上述实施例的基础上,上述预测资源值确定单元还具体用于:针对每一历史日期,确定历史日期对应的第一候选资源值和实际资源值的差值;基于差值计算多个历史日期对应的平均偏差值;采用线性插值法对平均偏差值进行计算,得到需求权重系数。
在另一个实施例中,提供了另一种资源分配装置,在上述实施例的基础上,上述类别确定单元具体用于:获取系统集群的多个历史性能数据,并对多个历史性能数据进行简化处理,得到简化数据;将简化数据量化为可比较绝对值数据,并以周为时间跨度计算各个历史性能数据对应的平均值,并将平均值确定为历史数据。
在另一个实施例中,提供了另一种资源分配装置,在上述实施例的基础上,上述分配模块12可以包括:
第一分配单元,用于在系统集群的原始资源值小于预测资源的情况下,根据保障级别从高到低扩展系统集群的原始资源值;
第二分配单元,用于在系统集群的原始资源值大于预测资源的情况下,根据保障级别从低到高释放系统集群的原始资源值。
上述资源分配装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中,也可以以软件形式存储于计算机设备中的存储器中,以便于处理器调用执行以上各个模块对应的操作。
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。
在一个示例性的实施例中,提供了一种计算机设备,包括存储器和处理器,存储器中存储有计算机程序,该处理器执行计算机程序时实现以下步骤:
对资源池中各个系统集群的资源值进行预测,得到各系统集群的预测资源值;
对于各系统集群,在预测资源值与系统集群的原始资源值不匹配的情况下,基于预测资源值和系统集群对应的保障级别对系统集群进行资源分配。
在一个实施例中,处理器执行计算机程序时还实现以下步骤:
对于各系统集群,根据使用频率确定各历史数据的时间段对应的聚类类别;其中,不同使用频率对应不同聚类类别;
根据各历史数据的时间段对应的聚类类别,确定预测日期的第一候选资源值;
根据预测日期之前预设时段的性能使用值确定预测日期的第二候选资源值;
根据第一候选资源值和第二候选资源值确定预测资源值。
在一个实施例中,处理器执行计算机程序时还实现以下步骤:
从多个历史数据对应的时间段中确定预测日期对应的目标时间段,并根据目标时间段对应的聚类类别确定预测日期的第一候选资源值。
在一个实施例中,处理器执行计算机程序时还实现以下步骤:
将第一候选资源值和第二候选资源值代入预设计算公式进行计算,得到预测资源值;预设计算公式包括第一候选资源值的需求值权重系数和第二候选资源值的需求值权重系数。
在一个实施例中,处理器执行计算机程序时还实现以下步骤:
针对每一历史日期,确定历史日期对应的第一候选资源值和实际资源值的差值;
基于差值计算多个历史日期对应的平均偏差值;
采用线性插值法对平均偏差值进行计算,得到需求权重系数。
在一个实施例中,处理器执行计算机程序时还实现以下步骤:
获取系统集群的多个历史性能数据,并对多个历史性能数据进行简化处理,得到简化数据;
将简化数据量化为可比较绝对值数据,并以周为时间跨度计算各个历史性能数据对应的平均值,并将平均值确定为历史数据。
在一个实施例中,处理器执行计算机程序时还实现以下步骤:
在系统集群的原始资源值小于预测资源的情况下,根据保障级别从高到低扩展系统集群的原始资源值;
在系统集群的原始资源值大于预测资源的情况下,根据保障级别从低到高释放系统集群的原始资源值。
在一个实施例中,提供了一种计算机可读存储介质,其上存储有计算机程序,计算机程序被处理器执行时实现以下步骤:
对资源池中各个系统集群的资源值进行预测,得到各系统集群的预测资源值;
对于各系统集群,在预测资源值与系统集群的原始资源值不匹配的情况下,基于预测资源值和系统集群对应的保障级别对系统集群进行资源分配。
在一个实施例中,计算机程序被处理器执行时还实现以下步骤:
对于各系统集群,根据使用频率确定各历史数据的时间段对应的聚类类别;其中,不同使用频率对应不同聚类类别;
根据各历史数据的时间段对应的聚类类别,确定预测日期的第一候选资源值;
根据预测日期之前预设时段的性能使用值确定预测日期的第二候选资源值;
根据第一候选资源值和第二候选资源值确定预测资源值。
在一个实施例中,计算机程序被处理器执行时还实现以下步骤:
从多个历史数据对应的时间段中确定预测日期对应的目标时间段,并根据目标时间段对应的聚类类别确定预测日期的第一候选资源值。
在一个实施例中,计算机程序被处理器执行时还实现以下步骤:
将第一候选资源值和第二候选资源值代入预设计算公式进行计算,得到预测资源值;预设计算公式包括第一候选资源值的需求值权重系数和第二候选资源值的需求值权重系数。
在一个实施例中,计算机程序被处理器执行时还实现以下步骤:
针对每一历史日期,确定历史日期对应的第一候选资源值和实际资源值的差值;
基于差值计算多个历史日期对应的平均偏差值;
采用线性插值法对平均偏差值进行计算,得到需求权重系数。
在一个实施例中,计算机程序被处理器执行时还实现以下步骤:
获取系统集群的多个历史性能数据,并对多个历史性能数据进行简化处理,得到简化数据;
将简化数据量化为可比较绝对值数据,并以周为时间跨度计算各个历史性能数据对应的平均值,并将平均值确定为历史数据。
在一个实施例中,计算机程序被处理器执行时还实现以下步骤:
在系统集群的原始资源值小于预测资源的情况下,根据保障级别从高到低扩展系统集群的原始资源值;
在系统集群的原始资源值大于预测资源的情况下,根据保障级别从低到高释放系统集群的原始资源值。
在一个实施例中,提供了一种计算机程序产品,包括计算机程序,该计算机程序被处理器执行时实现以下步骤:
对资源池中各个系统集群的资源值进行预测,得到各系统集群的预测资源值;
对于各系统集群,在预测资源值与系统集群的原始资源值不匹配的情况下,基于预测资源值和系统集群对应的保障级别对系统集群进行资源分配。
在一个实施例中,计算机程序被处理器执行时还实现以下步骤:
对于各系统集群,根据使用频率确定各历史数据的时间段对应的聚类类别;其中,不同使用频率对应不同聚类类别;
根据各历史数据的时间段对应的聚类类别,确定预测日期的第一候选资源值;
根据预测日期之前预设时段的性能使用值确定预测日期的第二候选资源值;
根据第一候选资源值和第二候选资源值确定预测资源值。
在一个实施例中,计算机程序被处理器执行时还实现以下步骤:
从多个历史数据对应的时间段中确定预测日期对应的目标时间段,并根据目标时间段对应的聚类类别确定预测日期的第一候选资源值。
在一个实施例中,计算机程序被处理器执行时还实现以下步骤:
将第一候选资源值和第二候选资源值代入预设计算公式进行计算,得到预测资源值;预设计算公式包括第一候选资源值的需求值权重系数和第二候选资源值的需求值权重系数。
在一个实施例中,计算机程序被处理器执行时还实现以下步骤:
针对每一历史日期,确定历史日期对应的第一候选资源值和实际资源值的差值;
基于差值计算多个历史日期对应的平均偏差值;
采用线性插值法对平均偏差值进行计算,得到需求权重系数。
在一个实施例中,计算机程序被处理器执行时还实现以下步骤:
获取系统集群的多个历史性能数据,并对多个历史性能数据进行简化处理,得到简化数据;
将简化数据量化为可比较绝对值数据,并以周为时间跨度计算各个历史性能数据对应的平均值,并将平均值确定为历史数据。
在一个实施例中,计算机程序被处理器执行时还实现以下步骤:
在系统集群的原始资源值小于预测资源的情况下,根据保障级别从高到低扩展系统集群的原始资源值;
在系统集群的原始资源值大于预测资源的情况下,根据保障级别从低到高释放系统集群的原始资源值。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程,是可以通过计算机程序来指令相关的硬件来完成,所述的计算机程序可存储于一非易失性计算机可读取存储介质中,该计算机程序在执行时,可包括如上述各方法的实施例的流程。其中,本申请所提供的各实施例中所使用的对存储器、数据库或其它介质的任何引用,均可包括非易失性和易失性存储器中的至少一种。非易失性存储器可包括只读存储器(Read-OnlyMemory,ROM)、磁带、软盘、闪存、光存储器、高密度嵌入式非易失性存储器、阻变存储器(ReRAM)、磁变存储器(Magnetoresistive Random Access Memory,MRAM)、铁电存储器(Ferroelectric Random Access Memory,FRAM)、相变存储器(Phase Change Memory,PCM)、石墨烯存储器等。易失性存储器可包括随机存取存储器(Random Access Memory,RAM)或外部高速缓冲存储器等。作为说明而非局限,RAM可以是多种形式,比如静态随机存取存储器(Static Random Access Memory,SRAM)或动态随机存取存储器(Dynamic RandomAccess Memory,DRAM)等。本申请所提供的各实施例中所涉及的数据库可包括关系型数据库和非关系型数据库中至少一种。非关系型数据库可包括基于区块链的分布式数据库等,不限于此。本申请所提供的各实施例中所涉及的处理器可为通用处理器、中央处理器、图形处理器、数字信号处理器、可编程逻辑器、基于量子计算的数据处理逻辑器等,不限于此。
以上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。
以上所述实施例仅表达了本申请的几种实施方式,其描述较为具体和详细,但并不能因此而理解为对本申请专利范围的限制。应当指出的是,对于本领域的普通技术人员来说,在不脱离本申请构思的前提下,还可以做出若干变形和改进,这些都属于本申请的保护范围。因此,本申请的保护范围应以所附权利要求为准。
Claims (11)
1.一种资源分配方法,其特征在于,所述方法包括:
对资源池中各个系统集群的资源值进行预测,得到各所述系统集群的预测资源值;
对于各所述系统集群,在所述预测资源值与所述系统集群的原始资源值不匹配的情况下,基于所述预测资源值和所述系统集群对应的保障级别对所述系统集群进行资源分配。
2.根据权利要求1所述的方法,其特征在于,所述对资源池中各个系统集群的资源值进行预测,得到各所述系统集群的预测资源值,包括:
对于各所述系统集群,根据使用频率确定各历史数据的时间段对应的聚类类别;其中,不同使用频率对应不同聚类类别;
根据各所述历史数据的时间段对应的聚类类别,确定预测日期的第一候选资源值;
根据所述预测日期之前预设时段的性能使用值确定所述预测日期的第二候选资源值;
根据所述第一候选资源值和所述第二候选资源值确定所述预测资源值。
3.根据权利要求2所述的方法,其特征在于,所述根据各所述历史数据的时间段对应的聚类类别,确定预测日期的第一候选资源值,包括:
从多个所述历史数据对应的时间段中确定预测日期对应的目标时间段,并根据所述目标时间段对应的聚类类别确定所述预测日期的第一候选资源值。
4.根据权利要求2所述的方法,其特征在于,所述根据所述第一候选资源值和所述第二候选资源值确定所述预测资源值,包括:
将所述第一候选资源值和所述第二候选资源值代入预设计算公式进行计算,得到所述预测资源值;所述预设计算公式包括所述第一候选资源值的需求值权重系数和所述第二候选资源值的需求值权重系数。
5.根据权利要求4所述的方法,其特征在于,所述需求值权重系数的计算过程,包括:
针对每一所述历史日期,确定所述历史日期对应的第一候选资源值和实际资源值的差值;
基于所述差值计算多个所述历史日期对应的平均偏差值;
采用线性插值法对所述平均偏差值进行计算,得到所述需求权重系数。
6.根据权利要求2所述的方法,其特征在于,所述历史数据的获取过程,包括:
获取所述系统集群的多个历史性能数据,并对多个所述历史性能数据进行简化处理,得到简化数据;
将所述简化数据量化为可比较绝对值数据,并以周为时间跨度计算各个所述历史性能数据对应的平均值,并将所述平均值确定为所述历史数据。
7.根据权利要求1所述的方法,其特征在于,所述在所述预测资源值与所述系统集群的原始资源值不匹配的情况下,基于所述预测资源值和所述系统集群对应的保障级别对所述系统集群进行资源分配,包括:
在所述系统集群的原始资源值小于所述预测资源的情况下,根据所述保障级别从高到低扩展所述系统集群的原始资源值;
在所述系统集群的原始资源值大于所述预测资源的情况下,根据所述保障级别从低到高释放所述系统集群的原始资源值。
8.一种资源分配装置,其特征在于,所述装置包括:
预测模块,对资源池中各个系统集群的资源值进行预测,得到各所述系统集群的预测资源值;
分配模块,用于对于各所述系统集群,在所述预测资源值与所述系统集群的原始资源值不匹配的情况下,基于所述预测资源值和所述系统集群对应的保障级别对所述系统集群进行资源分配。
9.一种计算机设备,包括存储器和处理器,所述存储器存储有计算机程序,其特征在于,所述处理器执行所述计算机程序时实现权利要求1至7中任一项所述的方法的步骤。
10.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现权利要求1至7中任一项所述的方法的步骤。
11.一种计算机程序产品,包括计算机程序,其特征在于,该计算机程序被处理器执行时实现权利要求1至7中任一项所述的方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311685757.4A CN117667415A (zh) | 2023-12-08 | 2023-12-08 | 资源分配方法、装置、设备、存储介质和程序产品 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311685757.4A CN117667415A (zh) | 2023-12-08 | 2023-12-08 | 资源分配方法、装置、设备、存储介质和程序产品 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117667415A true CN117667415A (zh) | 2024-03-08 |
Family
ID=90076786
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311685757.4A Pending CN117667415A (zh) | 2023-12-08 | 2023-12-08 | 资源分配方法、装置、设备、存储介质和程序产品 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117667415A (zh) |
-
2023
- 2023-12-08 CN CN202311685757.4A patent/CN117667415A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US20230216914A1 (en) | Automated server workload management using machine learning | |
Seeger et al. | Bayesian intermittent demand forecasting for large inventories | |
CN113099729B (zh) | 生产调度的深度强化学习 | |
US7509337B2 (en) | System and method for selecting parameters for data mining modeling algorithms in data mining applications | |
US10748072B1 (en) | Intermittent demand forecasting for large inventories | |
US10902324B2 (en) | Dynamic data snapshot management using predictive modeling | |
Lee et al. | Cost-aware Bayesian optimization | |
US20070011188A1 (en) | System and method for selecting a data mining modeling algorithm for data mining applications | |
CN109683806A (zh) | 存储装置及其操作方法以及包括存储装置的计算系统 | |
US11726836B2 (en) | Predicting expansion failures and defragmenting cluster resources | |
US20120191661A1 (en) | Optimization and staging | |
CN103778474A (zh) | 资源负载量预测方法、分析预测系统及业务运营监控系统 | |
CN112181659B (zh) | 云仿真内存资源预测模型构建方法与内存资源预测方法 | |
Al-Qawasmeh et al. | Statistical measures for quantifying task and machine heterogeneities | |
CN109460301B (zh) | 一种流数据负载的弹性资源配置方法及系统 | |
CN117236656B (zh) | 工程项目的信息化管理方法及系统 | |
US20230267007A1 (en) | System and method to simulate demand and optimize control parameters for a technology platform | |
EP3365787B1 (en) | Data storage device monitoring | |
CN117667415A (zh) | 资源分配方法、装置、设备、存储介质和程序产品 | |
CN116737373A (zh) | 负载均衡方法、装置、计算机设备、存储介质 | |
CN114398235A (zh) | 基于融合学习和假设检验的内存回收趋势预警装置及方法 | |
CN114581220A (zh) | 数据处理方法、设备及分布式计算系统 | |
CN112632615A (zh) | 基于混合云环境的科学工作流数据布局方法 | |
WO2021040810A1 (en) | Device lifetime prediction | |
US11656887B2 (en) | System and method to simulate demand and optimize control parameters for a technology platform |
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 |