CN117827358A - 基于工作负载和硬件的虚拟机部署 - Google Patents
基于工作负载和硬件的虚拟机部署 Download PDFInfo
- Publication number
- CN117827358A CN117827358A CN202211186420.4A CN202211186420A CN117827358A CN 117827358 A CN117827358 A CN 117827358A CN 202211186420 A CN202211186420 A CN 202211186420A CN 117827358 A CN117827358 A CN 117827358A
- Authority
- CN
- China
- Prior art keywords
- type
- workload
- resources
- information handling
- metrics
- 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 claims abstract description 30
- 230000010365 information processing Effects 0.000 claims abstract description 19
- 230000015654 memory Effects 0.000 claims abstract description 17
- 230000006855 networking Effects 0.000 claims description 6
- 238000012545 processing Methods 0.000 claims description 5
- 238000012512 characterization method Methods 0.000 abstract description 2
- 238000010801 machine learning Methods 0.000 description 12
- 238000004891 communication Methods 0.000 description 9
- 238000007726 management method Methods 0.000 description 6
- 238000012549 training Methods 0.000 description 6
- 230000008901 benefit Effects 0.000 description 5
- 230000005012 migration Effects 0.000 description 5
- 238000013508 migration Methods 0.000 description 5
- 230000008569 process Effects 0.000 description 5
- 238000005516 engineering process Methods 0.000 description 4
- 230000006870 function Effects 0.000 description 4
- 230000004075 alteration Effects 0.000 description 3
- 238000007781 pre-processing Methods 0.000 description 3
- 238000006467 substitution reaction Methods 0.000 description 3
- 238000013500 data storage Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 206010003591 Ataxia Diseases 0.000 description 1
- 206010010947 Coordination abnormal Diseases 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 239000000969 carrier Substances 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- 239000012530 fluid Substances 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 238000012804 iterative process Methods 0.000 description 1
- 208000028756 lack of coordination Diseases 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F9/00—Arrangements for program control, e.g. control units
- G06F9/06—Arrangements for program control, e.g. control units using stored programs, i.e. using an internal store of processing equipment to receive or retain programs
- G06F9/44—Arrangements for executing specific programs
- G06F9/455—Emulation; Interpretation; Software simulation, e.g. virtualisation or emulation of application or operating system execution engines
- G06F9/45533—Hypervisors; Virtual machine monitors
- G06F9/45558—Hypervisor-specific management and integration aspects
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F9/00—Arrangements for program control, e.g. control units
- G06F9/06—Arrangements for program control, e.g. control units using stored programs, i.e. using an internal store of processing equipment to receive or retain programs
- G06F9/44—Arrangements for executing specific programs
- G06F9/455—Emulation; Interpretation; Software simulation, e.g. virtualisation or emulation of application or operating system execution engines
- G06F9/45533—Hypervisors; Virtual machine monitors
- G06F9/45558—Hypervisor-specific management and integration aspects
- G06F2009/4557—Distribution of virtual machine instances; Migration and load balancing
Landscapes
- Engineering & Computer Science (AREA)
- Software Systems (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Debugging And Monitoring (AREA)
Abstract
所公开的系统和方法基于VM的特性类型的确定而使VM与基于HCI的硬件结对。每个集群节点可以置备有特定的硬件组合。在一些实施方案中,所公开的方法包括针对多个节点中的每一者,至少部分地基于每个节点上所置备的信息处理资源的组合而确定目标工作负载类型。所公开的方法可以基于一个或多个因素而管理VM在集群节点当中的部署,所述一个或多个因素包括根据每个VM的工作负载类型和每个节点的目标工作负载类型而确定的工作负载兼容性因素。作为非限制性示例,集群的特征可为一个节点配置有密集存储,而另一个节点配置有大量计算资源,例如CPU和/或GPU。对VM的表征可以确定VM是存储密集型程序。
Description
技术领域
本公开涉及信息处理系统管理,并且更具体地,涉及管理虚拟化的信息处理资源的部署。
背景技术
随着信息的价值和使用不断增加,个体和企业寻求另外的方式来处理和存储信息。用户可用的一个选项是信息处理系统。信息处理系统通常处理、编译、存储和/或传达用于商业、个人或其他目的的信息或数据,从而允许用户利用这些信息的价值。由于技术和信息处理需求和要求在不同的用户或应用之间有所不同,因此信息处理系统也可能在以下方面有所不同:处理什么信息,如何处理信息,处理、存储或传达多少信息,以及可多快速且多高效地处理、存储或传达信息。信息处理系统的变化允许信息处理系统是通用的或者针对特定用户或特定用途(诸如财务事务处理、航班预定、企业数据存储或全球通信)进行配置。另外,信息处理系统可以包括可以被配置为处理、存储和传达信息的各种硬件和软件部件,并且可以包括一个或多个计算机系统、数据存储系统以及联网系统。
信息处理系统可以用超融合基础架构(HCI)实施,所述HCI的特征为虚拟化的计算、存储和网络资源以及集中化和自动化的管理。原始设备制造商(OEM)可以提供基于HCI的产品和系统,诸如来自戴尔科技(Dell Technologies)的VxRail HCI设备,并且这些产品可以以不同的配置提供。作为一个示例,一些HCI设备配置可能强调计算资源,而其他配置可能强调存储/存储器资源。在HCI设备上运行的虚拟机(VM)和其他虚拟化资源可能具有强调特定类型的信息处理资源的独特的工作负载。例如,一些VM可能将重点主要放在硬件的存储资源上,而其他VM可能强调计算资源。然而,典型地,虚拟化工作负载与硬件之间几乎没有协调或没有协调。
发明内容
商业上发行的解决方案使得虚拟环境能够跨集群中的管理程序自动地平衡自身以减少资源冲突。参见例如来自VMware的vSphere分布式资源调度器(DRS)。如果DRS集群变得失衡,则DRS可以将VM从被过度利用的资源主机迁移到未被充分利用的资源。然而,DRS在进行平衡确定时不会考虑到硬件平台。
与在HCI环境中运行的虚拟化资源与支持HCI环境的硬件平台之间缺乏协调相关联的常见问题,所公开的教导支持用于将VM工作负载与基于HCI的硬件结对的系统和方法。作为一个示例,所公开的方法可以识别部署在多节点HCI集群上的一个或多个虚拟机(VM)中的每一者的工作负载类型。每个集群节点可以置备有硬件和/或其他类型的信息处理资源的特定组合。例如,一些节点的特征可为大量计算资源,而其他节点可能强调大量存储资源。在一些实施方案中,所公开的方法包括针对多个节点中的每一者,至少部分地基于每个节点上所置备的信息处理资源的组合而确定目标工作负载类型。所公开的方法可以基于一个或多个因素而管理VM在集群节点当中的部署,所述一个或多个因素包括根据每个VM的工作负载类型和每个节点的目标工作负载类型而确定的工作负载兼容性因素。作为非限制性示例,集群的特征可为一个节点配置有密集的存储,而另一个节点配置有大量计算资源,例如CPU和/或GPU。在此示例中,对VM的表征可以确定VM是存储密集型程序。基于此确定,所公开的方法可以向置备有存储的主机分派存储密集型应用程序。
所公开的教导的示例性实施方式可能涵盖的信息处理资源类型包括计算资源、存储资源、联网资源等。一些实施方案可以将计算资源与性能资源区分开来,这具体地可以指图形处理单元(GPU)硬件。在一些实施方案中,VM的工作负载类型可以基于最有可能被最大限度地利用的信息处理资源的类型而确定。每个VM的工作负载类型可以选自计算密集类型、存储密集类型、网络密集类型和性能密集类型等。识别VM的工作负载类型可以包括基于机器学习的方法,其中收集对应于各种计算、存储、网络和其他度量的原始数据。ML资源可以包括特征工程资源,所述特征工程资源用于从原始数据中识别各种特征并且为ML资源提供训练集。根据训练数据,ML资源可以操作来创建预测模型并且使用预测模型来识别每个VM的工作负载类型。
因此,所公开的系统和方法可以采用机器学习来对VM工作负载进行分类并且优化VM部署,使得具有特定工作负载类型的VM在类似置备的节点(即,具有相同或相似工作负载类型的节点)上执行。通过建立VM-主机的密切关系,来最充分地利用硬件的能力。
从本文所包括的附图、描述和权利要求中,本公开的技术优点对于本领域技术人员来说可能容易变得显而易见。实施方案的目的和优点将至少通过权利要求中特别指出的要素、特征和组合来达成和实现。
应当理解,前述一般描述和以下详细描述都是示例并且是解释性的,而不是对本公开中阐述的权利要求的限制。
附图说明
通过参考以下结合附图进行的描述,可以获得对本发明实施方案及其优点的更全面的理解,在附图中,相同的附图标记指示相同的特征,并且在附图中:
图1示出了适合于实施所公开的用于管理HCI环境中的VM部署的方法的HCI平台;
图2示出了根据所公开的教导的用于将VM与主机结对的示例性工作负载分类架构;
图3示出了用于管理HCI环境中的VM部署的方法300的流程图;以及
图4示出了适合于与图1至图3结合使用的示例性信息处理系统。
具体实施方式
通过参考图1至图4可以最好地理解示例性实施方案以及其优点,其中除非另有明确指示,否则相似的附图标记用于指示相似且对应的部分。
出于本公开的目的,信息处理系统可以包括任何工具或工具的集合,它们出于商业、科学、控制、娱乐或其他目的可操作来计算、分类、处理、传输、接收、检索、产生、切换、存储、显示、显现、检测、记录、再现、处置或利用任何形式的信息、情报或数据。例如,信息处理系统可以是个人计算机、个人数字助理(PDA)、消费型电子装置、网络存储装置或任何其他合适的装置,并且可以在大小、形状、性能、功能性和价格方面有所不同。信息处理系统可以包括存储器、一个或多个处理资源(诸如中央处理单元(“CPU”))、微控制器或者硬件或软件控制逻辑。信息处理系统的附加部件可以包括一个或多个存储装置、用于与外部装置通信的一个或多个通信端口以及各种输入/输出(“I/O”)装置(诸如键盘、鼠标和视频显示器)。信息处理系统还可以包括可操作来在各种硬件部件之间传输通信的一条或多条总线。
另外,信息处理系统可以包括用于控制例如硬盘驱动器、网络电路、存储器装置、I/O装置和其他外围装置和/或与它们通信的固件。例如,管理程序和/或其他部件可以包括硬件。如本公开中所使用,固件包括嵌入信息处理系统部件中用于执行预定义任务的软件。固件通常存储在非易失性存储器或者在断电之后不会丢失所存储的数据的存储器中。在某些实施方案中,与信息处理系统部件相关联的固件存储在一个或多个信息处理系统部件可访问的非易失性存储器中。在相同或替代的实施方案中,与信息处理系统部件相关联的固件存储在专用于所述部件且构成所述部件的一部分的非易失性存储器中。
出于本公开的目的,计算机可读介质可以包括可以将数据和/或指令保留一段时间的任何工具或工具的集合。计算机可读介质可以包括但不限于:存储介质,诸如直接存取存储装置(例如,硬盘驱动器或软盘)、顺序存取存储装置(例如,磁带磁盘驱动器)、光盘、CD-ROM、DVD、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)和/或闪存存储器;以及通信介质,诸如导线、光纤、微波、无线电波以及其他电磁和/或光学载波;和/或以上各项的任何组合。
出于本公开的目的,信息处理资源可广义地指代信息处理系统的任何部件系统、装置或设备,包括但不限于:处理器、服务处理器、基本输入/输出系统(BIOS)、总线、存储器、I/O装置和/或接口、存储资源、网络接口、主板和/或信息处理系统的任何其他部件和/或元件。
在以下描述中,通过示例阐述了细节以便于讨论所公开的主题。然而,对于本领域普通技术人员来说应当显而易见的是,所公开的实施方案是示例性的并且未详尽所有可能的实施方案。
贯穿本公开,附图标记的带有连字符的形式指代元件的特定实例,并且附图标记的未带连字符的形式泛指元件。因此,例如,装置“12-1”指代某一装置类别的实例,所述装置类别可以统称为“装置12”,并且其中任何一个装置都可以泛称为“装置12”。
如本文所使用,当两个或更多个元件称为彼此“联接”时,此类术语指示这两个或更多个元件在适用的情况下处于电子通信、机械连通,包括热和流体连通、热连通或机械连通,无论是间接还是直接连接,具有还是不具有中间元件都是如此。
现在参考附图,图1示出了示例性HCI平台100,所述HCI平台适合于实施所公开的特征以基于对每个VM的工作负载类型和HCI环境中的集群节点中的每一者的目标平台的确定而管理VM到集群节点的部署。所示的平台100包括多个(N个)主机系统102,其中N在典型情况下大于或等于3,并且可以大至数十、数百或更大,其中图1描绘了主机系统102-1、102-2和102-N。在至少一些实施方案中,每个主机102表示集群节点,所述集群节点可以对应于物理装置,诸如来自戴尔科技的VxRail HCI设备。在至少一些此类实施方案中,主机102可以包括一组各种各样的或多样化的硬件配置。在用VxRail设备实施主机102的情况下,例如,可能可获得多种不同的VxRail配置,并且每个主机102可以代表所述VxRail配置中的一种。
例如,HCI设备的VxRail系列至少包括以下项:
VxRail E系列——具成本效益的一般平台,
VxRail P系列——性能密集型平台或针对包括但不限于数据库的重型工作负载进行优化的性能平台,
VxRail V系列——虚拟化-扩展图形即用平台,
VxRail G系列——用于大范围的HCI用例的通用平台,
VxRail S系列——适合于存储存储器密集型的存储和存储器密集型平台。
图1还示出了多个(M个)VM 101,其中图1示出了VM1 101-1、VM2 101–2和VM-M。每个VM可以负责一个或多个特定功能和/或服务,并且每个VM可以具有与其相关联的独特的工作负载。例如,特定解决方案可以辨别的VM工作负载的类型可以包括计算密集型工作负载,例如web服务器,诸如Nginx;存储/存储器密集型工作负载,诸如Redis工作;以及性能密集型工作负载,包括例如数据库工作负载。
一般而言,所公开的教导基于与主机102匹配的VM以及其独特的工作负载而管理VM部署和迁移,所述主机置备有最适于可应用的VM工作负载的硬件和其他资源。例如,向存储密集型主机102分派或迁移存储密集型VM 101。
图1所示的HCI平台100可以包括度量收集器104,所述度量收集器适合于在VM 101的所分派的主机上运行时从所述VM获得原始数据,包括计算度量、存储度量、网络度量等。度量收集器104还被示出为通信地耦合到机器学习(ML)引擎110,所述ML引擎可以在云中或在本地实施。图1的所示的ML引擎110包括特征工程资源112和训练资源114。
如其名称所暗示,特征工程资源112可以分析原始数据并且将原始数据转换为特征,所述特征可以用于使用诸如统计建模、深度学习等技术来创建预测模型。工程资源112可以从原始数据中提取特征并且向训练模型114提供训练数据,所述训练模型可以开发可以应用的预测模型。
图1的工作负载分类器106可以从度量收集器104接收数据并且与ML模型114通信以对每个VM 101进行工作负载类型确定。工作负载分类器106可以与耦合到部署/迁移模块120的调度器130通信。所示的调度器130还可以确定或接收与每个主机102相关联的硬件资源和规范的指示。调度器130之后可以与部署/迁移资源120结合来执行配对操作以使VM101与最合适的主机102结对。作为一个示例,如果存储密集型VM 101当前在计算密集型主机102上执行,则部署/迁移资源120可以与调度器130结合来发起VM从其现有的次优资源的迁移。
现在参考图2,描绘了根据所公开的教导的工作负载分类解决方案200的要素。所示的解决方案200包括以下这样的迭代过程:收集度量(操作202),预处理数据(操作204),以及基于预处理和机器学习模型,关于VM工作负载和硬件节点目标工作负载的分类作出决策(操作206)。在工作负载和节点已经被如此分类之后,所示的方法200包括工作负载专业化208,在此期间,对工作负载进行部署和迁移以实现VM工作负载类型与适当的集群节点之间的至少一定程度的关联。所示的方法200特别适合于以下这样的用例:虚拟机资源对信息处理资源具有多样的敏感性,并且节点硬件具有类似的多样性。在此类部署中,有能力识别VM在执行期间可能强调的资源类型并对所述资源类型进行表征,并且将那些资源与类似配置的硬件进行匹配以实现目标性能,在此期间,集群节点可能执行特别适合于集群节点中所实施的硬件的任务和应用程序。
如图2所示,度量收集操作202可以检索与各种硬件或信息处理资源类型相关的度量,包括例如CPU度量211、存储器/存储度量212、I/O度量213和网络度量214。图2所示的决策过程206包括确定在集群上执行的每个VM的特定类别,以及确定集群物理节点中的每一者的目标工作负载。在图2所描绘的实施方案中,工作负载专业化操作208可以在有限且相对少量的资源类型的背景下执行。例如,图2示出了五种硬件类型的集合,包括CPU密集类型231、存储器密集类型232、I/O敏感密集操作234、网络密集型工作负载236、性能密集型工作负载238以及先前提及的混合密集型工作负载239。图3与数据预处理204结合来进一步示出可以由上文关于图1所示和所述的机器学习资源适当执行的一系列步骤。在至少一些实施方案中,所示的数据预处理可以实现从度量采集221以来的进展、用于去除虚假和错误数据的数据归一化、用于为训练数据和/或预测模型定义特征的特征提取和选择操作224、以及期间可以进行时间序列分类的操作226。时间序列分类使用监督式机器学习来分析时间序列数据的多个标记类别,然后预测新的数据集所属的类别或对所述类别进行分类。
现在参考图3,流程图示出了根据本文公开的教导的用于管理HCI环境中的VM的方法300。所示的方法300包括识别(操作302)部署在HCI平台中的多节点集群上的一个或多个VM中的每一者的工作负载类型,其中每个集群节点可以置备有可发现的信息处理资源部件和其他资源的组合。图3所示的方法300还包括至少部分地基于信息处理资源的组合而针对多个节点中的每一者确定(操作304)目标工作负载类型。所示的方法仍然还包括基于一个或多个因素而管理(操作306)VM在集群节点当中的部署,所述一个或多个因素包括根据每个VM的工作负载类型和每个节点的目标工作负载类型而确定的工作负载兼容性因素。当集群中的节点硬件用多样的配置实施时,所公开的系统和方法可能是特别有价值和有用的。
现在参考图4,图1至图3所示的元件中的任一者或多者可以被实施为由图4所示的信息处理系统400例示的信息处理系统或实施在所述信息处理系统内。所示的信息处理系统包括通信地耦合到存储器资源410和输入/输出集线器420的一个或多个通用处理器或中央处理单元(CPU)401,各种I/O资源和/或部件通信地耦合到所述输入/输出集线器。图4中明确描绘的I/O资源包括网络接口440(通常被称为NIC(网络接口卡))、存储资源430以及附加的I/O装置、部件或资源450,作为非限制性示例,所述附加的I/O装置、部件或资源包括键盘、鼠标、显示器、打印机、扬声器、传声器等。所示的信息处理系统400包括基板管理控制器(BMC)460,所述BMC提供可以耦合到管理服务器(未示出)的带外管理资源以及其他特征和服务。在至少一些实施方案中,BMC 460可以管理信息处理系统400,甚至在信息处理系统400断电或通电至待机状态时也是如此。BMC 460可以包括处理器、存储器、与信息处理系统400的带内网络接口分开且物理地隔离的带外网络接口,和/或其他嵌入式信息处理资源。在某些实施方案中,BMC 460可以包括远程访问控制器(例如,戴尔远程访问控制器或集成式戴尔远程访问控制器)或者机箱管理控制器或者可以是它们的组成部分。
本公开涵盖本领域普通技术人员将理解的对本文的示例性实施方案的所有改变、替换、变化、变更和修改。类似地,在适当的情况下,所附权利要求涵盖本领域普通技术人员将理解的对本文的示例性实施方案的所有改变、替换、变化、变更和修改。此外,在所附权利要求中对被适配成、被布置为、能够、被配置为、使得能够、可操作来或操作来执行特定功能的设备或系统或者该设备或系统的部件的引用涵盖所述设备、系统或部件,无论是否激活、开启或解锁所述设备、系统、部件或者所述特定功能,只要所述设备、系统或部件被适配成、被布置为、能够、被配置为、使得能够、可操作来或操作来执行所述特定功能即可。
本文叙述的所有示例和条件语言都意图用于教学目的以协助读者理解本公开以及发明人为了深化该技术而提出的概念,并且应被解释为不受限于此类明确叙述的示例和条件。尽管已经详细地描述了本公开的实施方案,但是应当理解,在不脱离本公开的精神和范围的情况下,可以对其进行各种改变、替换和变更。
Claims (15)
1.一种方法,所述方法包括:
识别部署在超融合基础架构(HCI)平台中的一个或多个HCI集群上的一个或多个虚拟机(VM)中的每一者的工作负载类型,其中每个集群包括多个节点并且其中每个节点置备有可发现的信息处理资源类型的组合;
针对所述多个节点中的每一者,至少部分地基于所述信息处理资源的组合而确定目标工作负载类型;以及
基于一个或多个因素而管理所述VM在所述节点当中的部署,所述一个或多个因素包括根据每个VM的工作负载类型和每个节点的目标工作负载类型而确定的工作负载兼容性因素。
2.如权利要求1所述的方法,其中所述信息处理资源类型包括计算资源、存储资源和联网资源。
3.如权利要求1所述的方法,其中VM的所述工作负载类型基于所述VM最强调的信息处理资源类型而确定。
4.如权利要求3所述的方法,其中每个VM的所述工作负载类型选自计算密集类型、存储密集类型、网络密集类型和性能密集类型。
5.如权利要求1所述的方法,其中识别VM的所述工作负载类型包括:
收集指示分配给所述VM的信息处理系统资源的度量;
分析所述度量以从所述度量中提取一个或多个特征;
基于所述度量而定义模型。
6.一种信息处理系统,所述信息处理系统包括:
中央处理单元(CPU);以及
存储器,所述存储器能够被所述CPU访问,并且包括处理器可执行指令,所述处理器可执行指令在由所述CPU执行时致使所述CPU执行操作,所述操作包括:
识别部署在超融合基础架构(HCI)平台中的一个或多个HCI集群上的一个或多个虚拟机(VM)中的每一者的工作负载类型,其中每个集群包括多个节点并且其中每个节点置备有可发现的信息处理资源类型的组合;
针对所述多个节点中的每一者,至少部分地基于所述信息处理资源的组合而确定目标工作负载类型;以及
基于一个或多个因素而管理所述VM在所述节点当中的部署,所述一个或多个因素包括根据每个VM的工作负载类型和每个节点的目标工作负载类型而确定的工作负载兼容性因素。
7.如权利要求6所述的信息处理系统,其中所述信息处理资源类型包括计算资源、存储资源和联网资源。
8.如权利要求6所述的信息处理系统,其中VM的所述工作负载类型基于所述VM最强调的信息处理资源类型而确定。
9.如权利要求8所述的信息处理系统,其中每个VM的所述工作负载类型选自计算密集类型、存储密集类型、网络密集类型和性能密集类型。
10.如权利要求6所述的信息处理系统,其中识别VM的所述工作负载类型包括:
收集指示分配给所述VM的信息处理系统资源的度量;
分析所述度量以从所述度量中提取一个或多个特征;以及
基于所述度量而定义模型。
11.一种非暂时性计算机可读介质,所述非暂时性计算机可读介质包括处理器可执行指令,所述处理器可执行指令在由处理器执行时致使所述处理器执行各操作,所述操作包括:
识别部署在超融合基础架构(HCI)平台中的一个或多个HCI集群上的一个或多个虚拟机(VM)中的每一者的工作负载类型,其中每个集群包括多个节点并且其中每个节点置备有可发现的信息处理资源类型的组合;
针对所述多个节点中的每一者,至少部分地基于所述信息处理资源的组合而确定目标工作负载类型;以及
基于一个或多个因素而管理所述VM在所述节点当中的部署,所述一个或多个因素包括根据每个VM的工作负载类型和每个节点的目标工作负载类型而确定的工作负载兼容性因素。
12.如权利要求11所述的非暂时性计算机可读介质,其中所述信息处理资源类型包括计算资源、存储资源和联网资源。
13.如权利要求11所述的非暂时性计算机可读介质,其中VM的所述工作负载类型基于所述VM最强调的信息处理资源类型而确定。
14.如权利要求13所述的非暂时性计算机可读介质,其中每个VM的所述工作负载类型选自计算密集类型、存储密集类型、网络密集类型和性能密集类型。
15.如权利要求11所述的非暂时性计算机可读介质,其中识别VM的所述工作负载类型包括:
收集指示分配给所述VM的信息处理系统资源的度量;
分析所述度量以从所述度量中提取一个或多个特征;
基于所述度量而定义模型。
Priority Applications (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211186420.4A CN117827358A (zh) | 2022-09-27 | 2022-09-27 | 基于工作负载和硬件的虚拟机部署 |
US17/965,458 US20240103899A1 (en) | 2022-09-27 | 2022-10-13 | Virtual machine deployment based on workload and hardware in a hyper-converged infrastructure (hci) environment |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211186420.4A CN117827358A (zh) | 2022-09-27 | 2022-09-27 | 基于工作负载和硬件的虚拟机部署 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117827358A true CN117827358A (zh) | 2024-04-05 |
Family
ID=90360524
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211186420.4A Pending CN117827358A (zh) | 2022-09-27 | 2022-09-27 | 基于工作负载和硬件的虚拟机部署 |
Country Status (2)
Country | Link |
---|---|
US (1) | US20240103899A1 (zh) |
CN (1) | CN117827358A (zh) |
-
2022
- 2022-09-27 CN CN202211186420.4A patent/CN117827358A/zh active Pending
- 2022-10-13 US US17/965,458 patent/US20240103899A1/en active Pending
Also Published As
Publication number | Publication date |
---|---|
US20240103899A1 (en) | 2024-03-28 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11392843B2 (en) | Utilizing a machine learning model to predict a quantity of cloud resources to allocate to a customer | |
US11423327B2 (en) | Out of band server utilization estimation and server workload characterization for datacenter resource optimization and forecasting | |
US10474488B2 (en) | Configuration of a cluster of hosts in virtualized computing environments | |
US20200117508A1 (en) | Determining an allocation of computing resources for a job | |
KR101432838B1 (ko) | 작업 부하 특징화에 기초한 호스트에의 가상 머신 배치를 위한 방법 | |
US8108855B2 (en) | Method and apparatus for deploying a set of virtual software resource templates to a set of nodes | |
TWI493331B (zh) | 經由虛擬化機會之電力最佳化 | |
CN104854563B (zh) | 资源使用的自动分析 | |
US20120330700A1 (en) | Application placement among a set of consolidation servers utilizing license cost and application workload profiles as factors | |
US11755385B2 (en) | Cross-cluster load balancer | |
US20170357533A1 (en) | Method and system for workload recommendations on information handling systems | |
EP3948537B1 (en) | Compute platform optimization over the life of a workload in a distributed computing environment | |
US11442763B2 (en) | Virtual machine deployment system using configurable communication couplings | |
US10938655B2 (en) | Enterprise cloud garbage collector | |
US11677680B2 (en) | Dynamic allocation of bandwidth to virtual network ports | |
CA3132644C (en) | System and method of detecting application affinity using network telemetry | |
EP4115286A1 (en) | Automated runtime configuration for dataflows | |
US20230222012A1 (en) | Method for scaling up microservices based on api call tracing history | |
US20230029380A1 (en) | System and method of multilateral computer resource reallocation and asset transaction migration and management | |
US20240103899A1 (en) | Virtual machine deployment based on workload and hardware in a hyper-converged infrastructure (hci) environment | |
US11979455B2 (en) | Intelligent resource balancing for virtualized, distributed applications | |
US20230236861A1 (en) | Scorecard Driven Framework for Migrating VM-Based Applications to Container-Based Microservices | |
US20240103991A1 (en) | Hci performance capability evaluation | |
Ahmed et al. | Estimation of cloud node acquisition | |
US20230195983A1 (en) | Hyper-converged infrastructure (hci) platform development with smartnic-based hardware simulation |
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 |