CN117931453A - 基于云平台负载预测的云平台功能调整方法、装置及设备 - Google Patents
基于云平台负载预测的云平台功能调整方法、装置及设备 Download PDFInfo
- Publication number
- CN117931453A CN117931453A CN202410178521.XA CN202410178521A CN117931453A CN 117931453 A CN117931453 A CN 117931453A CN 202410178521 A CN202410178521 A CN 202410178521A CN 117931453 A CN117931453 A CN 117931453A
- Authority
- CN
- China
- Prior art keywords
- load
- cloud platform
- data
- load data
- prediction
- 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 91
- 230000006870 function Effects 0.000 claims abstract description 101
- 238000012549 training Methods 0.000 claims abstract description 91
- 230000015654 memory Effects 0.000 claims description 39
- 230000008569 process Effects 0.000 claims description 34
- 238000012360 testing method Methods 0.000 claims description 22
- 238000004891 communication Methods 0.000 claims 1
- 238000010586 diagram Methods 0.000 description 12
- 238000013528 artificial neural network Methods 0.000 description 11
- 238000004364 calculation method Methods 0.000 description 11
- 238000012545 processing Methods 0.000 description 9
- 238000012544 monitoring process Methods 0.000 description 7
- 230000000306 recurrent effect Effects 0.000 description 7
- 238000011084 recovery Methods 0.000 description 6
- 125000004122 cyclic group Chemical group 0.000 description 4
- 230000008859 change Effects 0.000 description 2
- 238000001514 detection method Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000006855 networking Effects 0.000 description 2
- 239000007787 solid Substances 0.000 description 2
- 239000003153 chemical reaction reagent Substances 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000003631 expected effect Effects 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000010295 mobile communication Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000007781 pre-processing Methods 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
- G06F9/46—Multiprogramming arrangements
- G06F9/50—Allocation of resources, e.g. of the central processing unit [CPU]
- G06F9/5083—Techniques for rebalancing the load in a distributed system
-
- 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
- G06F9/46—Multiprogramming arrangements
- G06F9/50—Allocation of resources, e.g. of the central processing unit [CPU]
- G06F9/5005—Allocation of resources, e.g. of the central processing unit [CPU] to service a request
- G06F9/5027—Allocation of resources, e.g. of the central processing unit [CPU] to service a request the resource being a machine, e.g. CPUs, Servers, Terminals
- G06F9/505—Allocation of resources, e.g. of the central processing unit [CPU] to service a request the resource being a machine, e.g. CPUs, Servers, Terminals considering the load
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/044—Recurrent networks, e.g. Hopfield networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Software Systems (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Biomedical Technology (AREA)
- Artificial Intelligence (AREA)
- Mathematical Physics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明涉及计算机技术领域,公开了基于云平台负载预测的云平台功能调整方法、装置及设备,该方法包括:获取云平台运行至当前时间点时的云平台实际负载数据;将实际负载数据输入到预训练负载预测模型中,得到云平台在预设时间点的第一预测负载数据;利用第一预测负载数据判断负载预测模型是否存在预测偏差;若负载预测模型存在预测偏差,则利用实际负载数据对云平台上功能的开闭进行调整;或者,若负载预测模型不存在预测偏差,则利用实际负载数据和第一预测负载数据对云平台上功能的开闭进行调整。根据预测负载数据判断云平台是否存在负载过高的情况,及时对云平台中运行的高可用功能进行关闭,避免云平台的稳定性受到影响。
Description
技术领域
本发明涉及计算机技术领域,具体涉及基于云平台负载预测的云平台功能调整方法、装置及设备。
背景技术
云计算平台也称为云平台,是指基于硬件资源和软件资源的服务,提供计算、网络和存储的能力。云平台通过硬件虚拟化的技术管理各种物理,实现对用户按需分配资源。为了实现云平台的稳定运行并提供服务,云平台需要具备必要的故障检测能力及一定的自我恢复能力。
在云平台的使用过程中,当云平台负载较高时,云平台会处于一种极不稳定的状态。此时如果物理主机发生故障,平台内没有足够的资源进行用户业务的恢复,并且如果盲目进行恢复反而会造成云平台的更加不稳定,导致出现问题时极难进行修复的情况。因此需要一种对云平台负载预测的方法,对云平台在未来时刻的负载进行预测,从而根据预测结果及时对云平台进行调整,避免因为云平台负载过高而出现的云平台不稳定的问题。
发明内容
有鉴于此,本发明提供了一种基于云平台负载预测的云平台功能调整方法、装置及设备,以解决因为云平台负载过高,导致云平台不稳定,容易出现故障和错误的问题。
第一方面,本发明提供了一种基于云平台负载预测的云平台功能调整方法,该方法包括:
获取云平台运行至当前时间点时的云平台实际负载数据;
将实际负载数据输入到预训练负载预测模型中,得到云平台在预设时间点的第一预测负载数据,其中预设时间点包含当前时间点以及多个未来的时间点;
利用第一预测负载数据判断负载预测模型是否存在预测偏差;
若负载预测模型存在预测偏差,则利用实际负载数据对云平台上功能的开闭进行调整;
或者,若负载预测模型不存在预测偏差,则利用实际负载数据和第一预测负载数据对云平台上功能的开闭进行调整。
本发明提供的基于云平台负载预测的云平台功能调整方法,具有如下优点:
本发明利用预训练负载预测模型对云平台在预设时间点的负载进行预测,得到相应的预测负载数据,然后根据预测负载数据判断云平台是否存在负载过高的情况,及时对云平台中运行的高可用功能进行关闭,避免云平台的稳定性受到影响。另外,利用预测负载数据对预训练负载预测模型的预测过程的准确性进行验证,验证其是否存在预测偏差,从而保证负载预测模型对云平台负载预测的准确性,进而保证对云平台功能调整的准确性。
在一种可选的实施方式中,获取云平台运行至当前时间点时的云平台负载数据,包括:
分别获取当前时间点下云平台在各个负载类型下的负载数据;
将不同负载类型的负载数据进行加权求和,得到云平台负载数据,其中负载类型包括CPU负载和内存负载。
具体的,在进行云平台负载的获取时,本发明从各个不同的负载类型出发,通过对不同负载类型的负载进行计算,然后进行加权求和,最后得到云平台在当前时间点的实际负载数据。本发明能够对云平台中各种不同的负载均进行考虑,同时通过加权求和运算,简化负载数据,加快运算速度。
在一种可选的实施方式中,分别获取云平台在各个负载类型下的负载数据,包括:
获取每一个负载类型在云平台中各个节点的节点负载数据;
对每一个负载类型下的各个节点负载数据进行加权求和,得到该负载类型对应的负载数据。
具体的,针对每个负载类型的负载数据,通过对云平台中相关节点的节点负载数据进行获取,并进行加权求和,最后求得该负载类型的负载数据。本发明能够对负载数据进行充分全面地计算,利用加权求和的方法降低计算的复杂度。
在一种可选的实施方式中,预训练负载预测模型的训练过程包括:
获取云平台在每一个负载类型下的各个节点的节点负载数据;
对每一个负载类型下的各个节点负载数据进行加权求和,得到该负载类型对应的第一负载数据;
对不同负载类型的第一负载数据进行加权求和,得到云平台的第二负载数据;
根据时间先后将多个时间点对应的第二负载数据进行分类,得到训练数据样本和测试数据样本,其中训练数据样本对应的时间点早于测试数据样本对应的时间点;
利用训练数据样本对负载预测模型进行训练,输出预测数据;
利用测试数据样本对预测数据进行比对,并对负载预测模型的内部权重进行调整,得到预训练负载预测模型。
具体的,本申请利用预训练负载预测模型进行云平台负载数据的预测。其中在负载预测模型的训练过程中,首先进行云平台中不同负载类型在各个节点上的负载数据的获取,然后进行加权求和运算,确定该负载类型的负载数据;然后将不同负载类型的数据进行加权求和,得到云平台的负载数据。在进行模型训练时,通过对获取的云平台数据按照时间先后进行分类,利用训练数据样本进行模型的训练;利用测试数据样本进行训练后模型的测试,保证模型的训练结果。
在一种可选的实施方式中,利用预测负载数据判断负载预测模型是否存在预测偏差,包括:
计算当前时间点对应的第二预测负载数据与实际负载数据之间的偏差;
若偏差小于或等于第一预设阈值,则负载预测模型不存在预测偏差;
若偏差大于第一预设阈值,则负载预测模型存在预测偏差。
具体的,利用当前时间点的实际负载数据和第二预测负载数据进行对模型的预测结果是否存在预测偏差的判断,能够有效避免模型出现的预测偏差对云平台负载调整的影响,提高云平台负载调整的准确性。
在一种可选的实施方式中,若负载预测模型存在预测偏差,则利用实际负载数据对云平台上功能的开闭进行调整,包括:
判断实际负载数据与第二预设阈值的关系,其中
若实际负载数据大于第二预设阈值,则表示云平台负载过高,进行云平台中对应功能的关闭;
或者,若实际负载数据小于或等于第二预设阈值,则表示云平台负载属于正常水平,保持云平台中对应功能的开启。
在一种可选的实施方式中,若负载预测模型不存在预测偏差,则利用实际负载数据和第一预测负载数据对云平台上功能的开闭进行调整,包括:
计算实际负载数据和预设时间点对应的第一预测负载数据的负载平均值;判断负载平均值与第三预设阈值的关系,其中
若负载平均值大于第三预设阈值,则表示云平台负载过高,进行云平台中对应功能的关闭;
或者,若负载平均值小于或等于第三预设阈值,则表示云平台负载属于正常水平,保持云平台中对应功能的开启;
或者,从实际负载数据和预设时间点对应的第一预测负载数据中选择负载最大值;
判断负载最大值与第四预设阈值的关系,其中
若负载最大值大于第四预设阈值,则表示云平台负载过高,进行云平台中对应功能的关闭;
或者,若负载最大值小于或等于第四预设阈值,则表示云平台负载属于正常水平,保持云平台中对应功能的开启。
具体的,若负载预测模型不存在偏差,本发明会利用当前时间点对应的实际负载数据和预设时间点的第一预测负载数据进行云平台负载高低的判断。通过上述数据的平均值或最大值与相应的预设阈值进行比较,提高云平台负载判断的准确性。
第二方面,本发明提供了一种基于云平台负载预测的云平台功能调整装置,该装置包括:
数据采集模块,用于获取云平台运行至当前时间点时的云平台实际负载数据;
负载数据确定模块,用于将实际负载数据输入到预训练负载预测模型中,得到云平台在预设时间点的第一预测负载数据,其中预设时间点包含当前时间点以及多个未来的时间点;
偏差判断模块,用于利用第一预测负载数据判断负载预测模型是否存在预测偏差;
调整模块,用于若负载预测模型存在预测偏差,则利用实际负载数据对云平台上功能的开闭进行调整;或若负载预测模型不存在预测偏差,则利用实际负载数据和第一预测负载数据对云平台上功能的开闭进行调整。
本发明提供的基于云平台负载预测的云平台功能调整装置具有如下优点:
本发明利用预训练负载预测模型对云平台在预设时间段内的负载进行预测,得到相应的预测负载数据,然后根据预测负载数据判断云平台是否存在负载过高的情况,及时对云平台中运行的高可用功能进行关闭,避免云平台的稳定性受到影响。另外,利用预测负载数据对预训练负载预测模型工作的准确性进行验证,保证负载预测模型对云平台负载预测的准确性,从而保证对云平台功能调整的准确性。
第三方面,本发明提供了一种计算机设备,包括:存储器和处理器,存储器和处理器之间互相通信连接,存储器中存储有计算机指令,处理器通过执行计算机指令,从而执行上述第一方面或其对应的任一实施方式的基于云平台负载预测的云平台功能调整方法。
第四方面,本发明提供了一种计算机可读存储介质,该计算机可读存储介质上存储有计算机指令,计算机指令用于使计算机执行上述第一方面或其对应的任一实施方式的基于云平台负载预测的云平台功能调整方法。
附图说明
图1是本发明提供的基于云平台负载预测的云平台功能调整方法的流程示意图;
图2是本发明实施例提供的另一种基于云平台负载预测的云平台功能调整方法流程示意图;
图3是本发明实施例提供的预训练负载预测模型的训练过程示意图;
图4是本发明实施例提供的循环神经网络主体结构示意图;
图5是本发明实施例提供的负载预测模型的结构示意图;
图6是本发明实施例提供的云平台功能调整方法的流程示意图;
图7是本发明实施例提供的云平台功能调整过程的示意图;
图8是本发明提供的基于云平台负载预测的云平台功能调整装置的结构示意图;
图9是本发明实施例的计算机设备的硬件结构示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚,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,所描述的实施例是本发明一部分实施例,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,都属于本发明保护的范围。
云计算平台也称为云平台,是指基于硬件资源和软件资源的服务,提供计算、网络和存储的能力。云平台通过硬件虚拟化的技术管理各种物理,实现对用户按需分配资源。为了实现云平台的稳定运行并提供服务,云平台需要具备必要的故障检测能力及一定的自我恢复能力。
在云平台的使用过程中,当云平台负载较高时,云平台会处于一种极不稳定的状态。此时如果物理主机发生故障,平台内没有足够的资源进行用户业务的恢复,并且如果盲目进行恢复反而会造成云平台的更加不稳定,导致出现问题时极难进行修复。因此需要一种对云平台负载预测的方法,对云平台在未来时刻的负载进行预测,从而根据预测结果及时对云平台进行调整,避免因为云平台负载过高而出现的云平台不稳定的问题。
为解决上述问题,本发明实施例,提供了一种基于云平台负载预测的云平台功能调整方法的分配实施例,需要说明的是,在附图的流程图示出的步骤可以在包括诸如一组计算机可执行指令的计算机系统(计算机设备)中执行,并且,虽然在流程图中示出了逻辑顺序,但是在某些情况下,可以以不同于此处的顺序执行所示出或描述的步骤。
在本实施例中提供了一种基于云平台负载预测的云平台功能调整方法,可用于上述的终端机设备,如手机、平板电脑等,图1是根据本发明提供的基于云平台负载预测的云平台功能调整方法的流程示意图,如图1所示,该流程包括如下步骤:
步骤S101,获取云平台运行至当前时间点时的云平台实际负载数据。
具体的,在该实施例中,本申请采用云平台负载模型进行云平台负载的预测,因此需要对云平台运行时的负载数据进行采集获取。本申请在云平台运行时,获取当前时间点的云平台实际负载数据,作为后续数据处理的基础。用以进行云平台负载的预测和后续云平台负载高低的判断过程。其中,所获取的负载数据可以包括多种类型负载的数据,例如,负载类型可以包括CPU负载和内存负载。通过获取不同类型负载的负载数据,来保证预测的全面性和准确性。而在进行云平台负载数据的获取时,可通过监控服务采集云平台在各种负载类型下的负载数据。
步骤S102,将实际负载数据输入到预训练负载预测模型中,得到云平台在预设时间点的第一预测负载数据。
其中预设时间点包含当前时间点以及多个未来的时间点。
在该实施例中,在获取到云平台在当前时间点的实际负载数据后,将云平台负载数据输入到预训练负载预测模型中进行处理,然后负载预测模型输出预设时间点的预测负载数据。该预设时间点包含当前时间点以及未来的多个时间点。
具体的,在负载数据的获取和负载数据的预测时,可根据经验进行获取负载数据的采集周期的合理设置,和预测负载数据的时间点的合理设置。例如可设置监控服务数据采集及实际负载计算为5分钟一次,负载预测30分钟一次,预测时间长度为30分钟。需要说明的是,采集周期,预测时间等可根据具体实际情况进行合理的调整。
利用预训练负载预测模型对云平台在当前时间点的实际负载数据进行处理,预测得到多个预设时间点对应的第一预测负载数据,用于进行后续云平台负载高低的判断。
步骤S103,利用第一预测负载数据判断负载预测模型是否存在预测偏差。
具体的,在利用预训练负载预测模型进行云平台负载预测时,输入当前时间点获取的云平台实际负载数据后,负载预测模型会输出当前时间点以及后续多个时间点的预测负载数据。在负载预测模型使用过程中,会发生模型中参数改变,导致模型预测出错;或者云平台在使用过程中,可能会出现负载数据的变化规律发生改变,最终导致负载预测模型预测不准的情况。因此本发明在根据负载预测模型得到预设时间点的预测负载数据后,并非直接根据预测负载数据进行云平台负载是否过高的判断,而是先进行负载预测模型的预测结果是否准确的判断。通过对负载预测模型的预测结果的判断,从而保证模型预测的准确性,进而保证云平台负载判断的准确性。
而在判断负载预测模型是否存在预测偏差时,可以直接将负载预设模型预测的与当前时间点对应的第二预测负载数据,与当期时间点的实际负载数据进行比较确定。如果存在预设偏差则执行步骤S104。否则,则执行步骤S105。
步骤S104,若负载预测模型存在预测偏差,则利用实际负载数据对云平台上功能的开闭进行调整。
或者,
步骤S105,若负载预测模型不存在预测偏差,则利用实际负载数据和第一预测负载数据对云平台上功能的开闭进行调整。
具体的,在负载预测模型存在预测偏差时,会利用当前时间点的实际负载数据进行云平台负载高低的判断。
反之,如果负载预测模型不存在预测偏差时,利用当前时间点的实际负载数据和预设时间点的第一预测负载数据共同进行云平台负载高低的判断。进而保证对云平台负载高低判断的准确性。
本申请利用预训练负载预测模型对云平台在预设时间段内的负载进行预测,得到相应的预测负载数据,然后根据预测负载数据判断云平台是否存在负载过高的情况,及时对云平台中运行的高可用功能进行关闭,避免云平台的稳定性受到影响。另外,利用预测负载数据对预训练负载预测模型工作的准确性进行验证,保证负载预测模型对云平台负载预测的准确性,从而保证对云平台功能调整的准确性。
在本实施例中提供了一种基于云平台负载预测的云平台功能调整方法的流程示意图,可用于上述的移动终端,如手机、平板电脑等,图2是本发明实施例提供的另一种基于云平台负载预测的云平台功能调整方法流程示意图,如图2所示,该流程包括如下步骤:
步骤S201,获取云平台运行至当前时间点时的云平台实际负载数据。
具体的,在一种可选的实施方式中,获取云平台实际负载数据的方法步骤,还可以通过如下方式实现,包括:
步骤S2011,分别获取当前时间点下云平台在各个负载类型下的负载数据。
具体的,如前文所介绍的,各个负载类型下的负载数据,可以通过监控服务器采集得到。而负载类型可以包括但不限于CPU和内存等。
步骤S2012,将不同负载类型的负载数据进行加权求和,得到云平台负载数据,其中负载类型包括CPU负载和内存负载。
具体的,之所以将获取到的各种不同类型的负载数据进行加权求和,得到云平台在当前时间点下的实际负载数据。是考虑到不同负载类型的负载数据对于云平台的整体性能影响并不是完全一致的。所以,在获取云平台的负载数据时,首先要考虑全面性,再者还要考虑准确性。因此,可以针对不同类型的负载数据,进行一个综合汇总,也即是将不同负载类型的负载数据进行加权求和,然后得到云平台负载数据。
在一种可选的实施方式中,在获取云平台在各个负载类型下的负载数据时,可以通过如下方式实现,例如包括:
步骤a1,获取每一个负载类型在云平台中各个节点的节点负载数据。
具体的,云平台中包括有多个节点,每个节点上均设置有CPU、内存等资源。因此,每一个节点上都可以获取到对应资源的负载,也即是不同负载类型的负载数据。
步骤a2,对每一个负载类型下的各个节点负载数据进行加权求和,得到该负载类型对应的负载数据。
具体的,除了对各个负载类型的负载数据进行加权求和运算外,还可以对同一类型负载在各节点所获取的负载数据进行加权求和运算,从而计算得到各个负载类型对应的加权处理后的负载数据。通过对获取的负载数据进行加权求和的预处理过程,提高云平台对负载数据的处理速度。通过对各个节点的负载数据的获取和计算,保证云平台负载计算的全面性。也保证后续进行云平台负载高低判断的准确性。
具体的,以云平台CPU负载cloud_mem_load为例,计算过程如下:
cloud_cpu_load=sum(host_cpu_weight*host_cpu_load)
其中,上述公式的说明如下:云平台CPU负载cloud_cpu_load为各主机节点CPU负载host_cpu_load的加权求和。主机节点CPU权重host_cpu_weight为该主机节点CPU数目与云计算平台全部CPU数目的比值。主机节点CPU负载host_cpu_load可通过监控获取,若监控没有主机节点CPU负载的监控能力,可按照以下方式计算求出:
host_cpu_load=sum(vm_cpu_weight*vm_cpu_load)
该公式说明如下:各主机节点CPU负载host_cpu_load为该主机节点上所有云主机CPU负载vm_cpu_load的加权求和。云主机CPU权重vm_cpu_weight为该云主机CPU数目与所在计算节点云计算全部CPU数目的比值。云主机CPU负载vm_cpu_load即云主机CPU使用率可通过监控直接获取。
采用上述同样的方法可以计算得到云平台内存负载cloud_mem_load。然后将计算得到的云平台CPU负载和云平台内存负载进行加权计算,得到云平台负载cloud_load,具体公式如下:
cloud_load=cloud_cpu_load*cpu_load_weight+cloud_mem_load*mem_load_weight
其中,cpu_load_weight和mem_load_weight分别为CPU负载和内存负载的权重,0<=cpu_load_weight<=1,0<=mem_load_weight<=1,cpu_load_weight+mem_load_weigh=1。可根据云平台业务特点调整云平台CPU负载和内存负载的计算比重。
步骤S202,将实际负载数据输入到预训练负载预测模型中,得到云平台在预设时间点的第一预测负载数据。
步骤S203,利用第一预测负载数据判断负载预测模型是否存在预测偏差。
步骤S204,若负载预测模型存在预测偏差,则利用实际负载数据对云平台上功能的开闭进行调整。
或者,
步骤S205,若负载预测模型不存在预测偏差,则利用实际负载数据和第一预测负载数据对云平台上功能的开闭进行调整。
其中,步骤S202至步骤S205的具体实现过程参见步骤S102至步骤S105,这里不在赘述。在一种可选的实施方式中,预训练负载预测模型的训练过程包括如下方法步骤,具体参见图3所示,包括:
步骤S301,获取云平台在每一个负载类型下的各个节点的节点负载数据。
具体的,获取云平台在每一个负载类型下的各个节点的节点负载数据的过程已经在前文中做了详细介绍,因此这里不再过多赘述。
步骤S302,对每一个负载类型下的各个节点负载数据进行加权求和,得到该负载类型对应的第一负载数据。
具体的实现过程,类似于前文对各个节点负载数据进行加权求和的过程,这里不在过多赘述。
步骤S303,对不同负载类型的第一负载数据进行加权求和,得到云平台的第二负载数据。
具体的实现过程,类似于前文中对不同类型的数据进行加权求和的过程,例如前文中描述的对CPU负载和内存负载进行加权求和的过程,这里不再过多赘述。
步骤S304,根据时间先后将多个时间点对应的第二负载数据进行分类,得到训练数据样本和测试数据样本。
具体的,训练数据样本对应的时间点早于测试数据样本对应的时间点。
步骤S305,利用训练数据样本对负载预测模型进行训练,输出预测数据。
步骤S306,利用测试数据样本对预测数据进行比对,并对负载预测模型的内部权重进行调整,得到预训练负载预测模型。
具体的,本发明的负载预测模型能够根据当前时间点输入的实际负载数据,输出当前时间点以及后续多个时间点的预测负载数据,因此在进行模型训练时,将获取的数据样本划分为训练数据样本和测试数据样本,对模型进行对应的训练过程。例如,获取的负载数据包括十个时间点,其中第一时间点到第十时间点之间按照时间先后顺序排列,负载预测模型能够预测包括当前时间内的五个时间点的负载数据。因此,在模型训练过程中,可将第一时间点至第六时间点作为训练数据样本。
在进行模型训练时,将第一时间点对应的负载数据输入到模型中进行处理,经过处理后,输出第一时间点至第五时间点对应的预测负载数据。此时将第一时间点至第五时间点对应的负载数据样本与模型输出的第一时间点至第五时间点对应的预测负载数据进行对比,对模型中的内部权重进行调整,使得模型的输出结果与实际数据更接近。在模型训练中还可将第二时间点至第六时间点对应的负载数据分别输入到模型中进行模型训练,其中过程与前文说明类似,在此不再进行赘述。
通过上述训练过程,能够不断提高模型负载预测的准确性。需要说明的是,上述的举例仅仅是示例性说明,在实际的模型训练过程中,训练数据更为庞大。在实际训练过程中,可根据模型训练的目的,准确性要求等进行对应的调整。
在该可选实施方式中,本发明需要提前进行预训练负载预测模型的训练。在模型训练时,首先要进行云平台负载数据样本的获取,作为训练用数据样本。其中为了保证模型训练的准确性,提高模型训练效果,在进行训练用数据样本的获取时,要保证云平台在稳定运行的状态,同时要保证一定的数据采集时间长度,例如两周以上。在云平台负载数据的获取时,按照负载类型的不同,在各个节点上获取相应负载类型的节点负载数据。然后按照加权求和的方式进行给负载类型的负载数据的计算;然后对不同负载类型的负载数据再次进行加权求和计算,得到云平台对应的负载数据。其中关于负载数据的具体加权求和过程如上述所示,在此不再赘述。按照上述得到多个时间点的云平台负载数据进行负载预测模型的训练。在模型训练过程中,将负载数据按照时间顺序进行划分,其中顺序在前的部分作为训练数据样本,进行模型的训练;顺序在后的作为测试数据样本,进行模型训练结果的测试。或者说以测试数据样本为训练目标,进行模型的训练。
在一种可选的实施方式中,预训练负载预测模型的训练过程还包括:预先基于循环神经网络构建得到负载预测模型;将训练数据样本输入到负载预测模型中,通过调整负载预测模型中的权重值,调整负载预测模型输出的预测结果;若预测结果与测试数据样本之间的误差在预设范围内,则固定权重值,完成负载预测模型的训练。
在该可选实施例中,本申请基于循环神经网络构建负载预测模型。在模型的训练过程中,将训练样本中不同时间点的云平台的实时负载数据依次传入循环神经网络的输入层,输出下一个时刻或后续一段时间内的预测负载数据。使用测试数据样本对负载预测模型的训练结果进行测试评估。通过不断训练调整模型的隐藏层权重,直到预测结果达到预期效果,完成模型的训练。
图4是本实施例提供的循环神经网络主体结构示意图。
循环神经网络(RNN)是一类以序列数据为输入,在序列的演进方向进行递归且所有节点(循环单元)按链式连接的递归神经网络。云平台负载是随时间变化的序列化数据,而循环神经网络主要用于处理序列数据,对序列化数据的特征学习具有一定优势。如图4所示,主体结构A部分输入外部输入层数据Xt,也就是训练数据样本和上一次训练后的隐藏权重Ht-1,然后循环神经网络读取了Xt和Ht-1之后会生成新的隐藏权重Ht,并产生本时刻的输出Yt,也就是预测的负载数据。然后通过将预测的负载数据与测试数据样本进行比对,不断对循环神经网络进行训练以及隐藏权重H的调整,最终得到预训练负载预测模型。
图5是本实施例提供的负载预测模型的结构示意图。
如图5所示,依次输入X0~Xt-1云平台的实际负载时,隐藏层权重H0~Ht-1由模型训练学习得到,通过不断对模型进行训练,对权重值不断优化,最终当满足训练条件时,固定下此时确定的权重值Ht,用过后续负载预测模型进行负载预测时的权重值。在实际预测阶段,向模型输入当前时间点的实际负载数据Xt,此时根据负载预测模型的处理,得到Yt~Yt+i的输出值,也就是未来一些时间点的负载预测值。
在一种可选的实施方式中,利用预测负载数据判断负载预测模型是否存在预测偏差,可以通过如下方式实现,包括:
步骤b1,计算当前时间点对应的第二预测负载数据与实际负载数据之间的偏差。
具体的,当前时间点的预测负载数据Yt与实际负载数据Xt的偏差计算如下:
Et=abs((Yt-Xt)/Xt*100%),其中abs为取绝对值运算。
其中,若计算的偏差小于或等于第一预设阈值,则说明负载预测模型工作正常;若计算的偏差大于第一预设阈值,则说明负载预测模型的计算结果有误。其中第一预设阈值可选择3%,需要说明的是,第一预设阈值可根据经验值进行合理的设置,根据不同判断要求进行合理的调整。
步骤b2,若偏差小于或等于第一预设阈值,则负载预测模型不存在预测偏差。
或者,步骤b3,若偏差大于第一预设阈值,则负载预测模型存在预测偏差。
在该可选实施方式中,本发明在利用负载预测模型进行云平台的负载预测时,根据当前时间点的实际负载数据输出包含当前时间点以及多个未来的时间点的预测负载数据。本发明的采集的实际负载数据和预测负载数据中均包含当前时间点,此设计的目的就是利用当前时间点的实际负载数据和预测负载数据进行负载预测模型是否存在预测偏差的判断。在具体判断过程中,计算当前时间点对应的预测负载数据和实际负载数据之间的偏差。若偏差小于或等于第一预设阈值,则负载预测模型不存在预测偏差;若偏差大于第一预设阈值,则负载预测模型存在预测偏差。
在一种可选的实施方式中,若负载预测模型存在预测偏差,则利用实际负载数据对云平台上功能的开闭进行调整时,可以通过如下方式实现,包括:
判断实际负载数据与第二预设阈值的关系。
其中,若实际负载数据大于第二预设阈值,则表示云平台负载过高,进行云平台中对应功能的关闭。或者,若实际负载数据小于或等于第二预设阈值,则表示云平台负载属于正常水平,保持云平台中对应功能的开启。
具体的,第二预设阈值可根据云平台负载的经验值进行合理的设置和调整,例如云平台出现不稳定情况时,此时的云平台负载记为负载限值。将负载限值的90%,作为第二预设阈值。
在该可选实施方式中,在负载预测模型存在预测偏差的情况下,说明云平台出现了随机的负载扰动,此时由负载预测模型输出的预测负载数据有较大的波动,其准确性得不到保证,因此此时选择当前时间点的实际负载数据进行云平台过高或正常的判断。其中,将当前时间点的实际负载数据与第二预设阈值进行比较,若当前时间点的实际负载数据小于或等于第二预设阈值,则表示云平台负载属于正常水平,不需要进行云平台相应功能的调整,可保持高可用功能的开启;若当前时间点的实际负载数据大于第二预设阈值,则表示云平台负载过高,需要对云平台中的相应功能进行关闭,以降低负载,避免因为云平台负载过高,导致云平台不稳定的情况出现。
在一种可选的实施方式中,若负载预测模型不存在预测偏差,则利用实际负载数据和第一预测负载数据对云平台上功能的开闭进行调整时,可以通过如下方式实现,包括:
计算实际负载数据和预设时间点对应的第一预测负载数据的负载平均值。
具体的,平均值的计算如以下公式表示:
Yavg=(Xt+Yt+…Yt+i)/(i+1)
其中,Xt表示当前时间点的实际负载数据,Yt+…Yt+i分别表示预设时间点对应的多个预测负载数据。
判断负载平均值与第三预设阈值的关系;其中,第三预设阈值为与负载平均值进行大小判断的设定阈值,其中,第三预设阈值的取值可根据经验值进行确定。
其中,若负载平均值大于第三预设阈值,则表示云平台负载过高,进行云平台中对应功能的关闭;
或者,若负载平均值小于或等于第三预设阈值,则表示云平台负载属于正常水平,保持云平台中对应功能的开启。
具体的,例如,云平台出现不稳定情况时,此时的云平台负载记为负载限值。将负载限值的90%,作为第三预设阈值。需要说明的是,第三预设阈值可根据实际判断情况进行合理的调整。
在该可选实施方式中,在负载预测模型不存在预测偏差时,通过模型输出的预测负载数据与当前时间点的试剂负载数据共同进行云平台负载的判断。其中计算预设时间点的多个预测负载数据和当前时间点的实际负载数据的平均值,然后将该平均值与第三预设阈值进行比较,其中若平均值大于第三预设阈值,则表示云平台负载过高,进行云平台中对应功能的关闭;若平均值小于或等于第三预设阈值,则表示云平台负载属于正常水平。
除了上述方式以外,还可以包括:从实际负载数据和预设时间点对应的第一预测负载数据中选择负载最大值。并且判断负载最大值与第四预设阈值的关系。其中,第四预设阈值是与负载最大值进行大小判断的设定阈值,其中,第四预设阈值的取值可根据经验值进行确定。
具体的,最大值的计算如下:
Ymax=Max{Xt,Yt,…Yt+i}
具体的,例如,云平台出现不稳定情况时,此时的云平台负载记为负载限值。将负载限值的95%,作为第四预设阈值。需要说明的是,第三预设阈值可根据实际判断情况进行合理的调整。
其中,若负载最大值大于第四预设阈值,则表示云平台负载过高,进行云平台中对应功能的关闭;
或者,若负载最大值小于或等于第四预设阈值,则表示云平台负载属于正常水平,保持云平台中对应功能的开启。
在该可选实施方式中,还可利用当前时间点对应的实际负载数据和预设时间点对应的预测负载数据中的最大值与第四预设阈值的关系,进行云平台负载高低的判断。将确定的最大值与第四预设阈值进行比较,其中若最大值大于第四预设阈值,则表示云平台负载过高,进行云平台中对应功能的关闭;若最大值小于或等于第四预设阈值,则表示云平台负载属于正常水平。
图6是本发明实施例提供的云平台功能调整方法的流程示意图。
如图6所示,首先采集并计算出当前时间点的实际负载数据Xt;将该实际负载数据Xt输入到云平台负载预测模型中,得到包含当前时间点的预设时间段内的多个时间点的预测负载数据Yt~Yt+i;然后根据当前时间点的实际负载数据Xt和预测负载数据Yt判断负载预测模型是否存在偏差;若存在偏差,则判断当前时间点的实际负载数据Xt是否超过设定阈值。如果超过,说明此是云平台的负载过高,关闭云平台中的高可用功能以降低负载;如果没有超过,说明此时云平台负载属于正常水平,此时认可开启云平台中的高可用功能,不需要关闭。如果判断负载预测模型不存在偏差,则计算当前时间点的实际负载数据和预设时间段内多个时间点的预测负载数据的平均值Yavg;如果平均值Yavg超过对应的设定阈值,则表示云平台的负载过高或即将进入高负载状态,此时需要将云平台中的高可用功能进行关闭;如果平均值Yavg没有超过对应的设定阈值,则表示云平台的负载处于正常水平,此时认可开启云平台中的高可用功能。
图7是本发明实施例提供的云平台功能调整过程的示意图。
如图7所示,通过监控服务进行云平台的数据的采集,并计算得到云平台的实时负载数据。利用控制单元将实时负载数据输入到父子预测模型中,得到预设时间点的预测负载数据。在进行负载预测模型是否存在偏差的判断后,利用控制单元和预测负载数据进行云平台负载高低的判断,然后根据判断结果进行云平台中高可用服务的开启或关闭。
本发明利用预训练负载预测模型对云平台在预设时间段内的负载进行预测,得到相应的预测负载数据,然后根据预测负载数据判断云平台是否存在负载过高的情况,及时对云平台中运行的高可用功能进行关闭,避免云平台的稳定性受到影响。另外,利用预测负载数据对预训练负载预测模型工作的准确性进行验证,保证负载预测模型对云平台负载预测的准确性,从而保证对云平台功能调整的准确性。本发明基于循环神经网络建立云平台的负载预测模型;通过实时采集并计算的云平台负载数据对云平台的负载模型进行训练;基于云平台的实时负载数据及云平台负载预测模型的预测负载数据,自动停止或者启用云平台高可用功能。
在本实施例中还提供了一种基于云平台负载预测的云平台功能调整装置,该装置用于实现上述实施例及优选实施方式,已经进行过说明的不再赘述。如以下所使用的,术语“模块”可以实现预定功能的软件和/或硬件的组合。尽管以下实施例所描述的装置较佳地以软件来实现,但是硬件,或者软件和硬件的组合的实现也是可能并被构想的。
图8是本发明提供的基于云平台负载预测的云平台功能调整装置的结构示意图。如图8所示,该装置包括:
数据采集模块801,用于获取云平台运行至当前时间点时的云平台实际负载数据;
负载数据确定模块802,用于将实际负载数据输入到预训练负载预测模型中,得到云平台在预设时间点的第一预测负载数据,其中预设时间点包含当前时间点以及多个未来的时间点;
偏差判断模块803,用于利用第一预测负载数据判断负载预测模型是否存在预测偏差;
调整模块804,用于若负载预测模型存在预测偏差,则利用实际负载数据对云平台上功能的开闭进行调整;或若负载预测模型不存在预测偏差,则利用实际负载数据和第一预测负载数据对云平台上功能的开闭进行调整。
在一种可选的实施方式中,数据采集模块801,具体用于分别获取当前时间点下云平台在各个负载类型下的负载数据;
将不同负载类型的负载数据进行加权求和,得到云平台负载数据,其中负载类型包括CPU负载和内存负载。
在一种可选的实施方式中,数据采集模块801,具体用于获取每一个负载类型在云平台中各个节点的节点负载数据;
对每一个负载类型下的各个节点负载数据进行加权求和,得到该负载类型对应的负载数据。
在一种可选的实施方式中,预训练负载预测模型的具体训练过程包括:
获取云平台在每一个负载类型下的各个节点的节点负载数据;
对每一个负载类型下的各个节点负载数据进行加权求和,得到该负载类型对应的第一负载数据;
对不同负载类型的第一负载数据进行加权求和,得到云平台的第二负载数据;
根据时间先后将多个时间点对应的第二负载数据进行分类,得到训练数据样本和测试数据样本,其中训练数据样本对应的时间点早于测试数据样本对应的时间点;
利用训练数据样本对负载预测模型进行训练,输出预测数据;
利用测试数据样本对预测数据进行比对,并对负载预测模型的内部权重进行调整,得到预训练负载预测模型。
在一种可选的实施方式中,偏差判断模块803,具体用于计算当前时间点对应的第二预测负载数据与实际负载数据之间的偏差;
若偏差小于或等于第一预设阈值,则负载预测模型不存在预测偏差;
或者,若偏差大于第一预设阈值,则负载预测模型存在预测偏差。
在一种可选的实施方式中,调整模块804,具体用于判断实际负载数据与第二预设阈值的关系,其中
若实际负载数据大于第二预设阈值,则表示云平台负载过高,进行云平台中对应功能的关闭;
或者,若实际负载数据小于或等于第二预设阈值,则表示云平台负载属于正常水平,保持云平台中对应功能的开启。
在一种可选的实施方式中,调整模块804,具体用于计算实际负载数据和预设时间点对应的第一预测负载数据的负载平均值;
判断负载平均值与第三预设阈值的关系,其中
若负载平均值大于第三预设阈值,则表示云平台负载过高,进行云平台中对应功能的关闭;
或者,若负载平均值小于或等于第三预设阈值,则表示云平台负载属于正常水平,保持云平台中对应功能的开启;或者,
从实际负载数据和预设时间点对应的第一预测负载数据中选择负载最大值;判断负载最大值与第四预设阈值的关系,其中
若负载最大值大于第四预设阈值,则表示云平台负载过高,进行云平台中对应功能的关闭;
或者,若负载最大值小于或等于第四预设阈值,则表示云平台负载属于正常水平,保持云平台中对应功能的开启。
本发明利用预训练负载预测模型对云平台在预设时间段内的负载进行预测,得到相应的预测负载数据,然后根据预测负载数据判断云平台是否存在负载过高的情况,及时对云平台中运行的高可用功能进行关闭,避免云平台的稳定性受到影响。另外,利用预测负载数据对预训练负载预测模型工作的准确性进行验证,保证负载预测模型对云平台负载预测的准确性,从而保证对云平台功能调整的准确性。
本实施例中的基于云平台负载预测的云平台功能调整方法的分配装置是以功能模块的形式来呈现,这里的模块是指专用集成电路(Application Specific IntegratedCircuit,简称ASIC),执行一个或多个软件或固定程序的处理器和存储器,和/或其他可以提供上述功能的器件。
上述各个模块和单元的更进一步的功能描述与上述对应实施例相同,在此不再赘述。
本发明实施例还提供一种计算机设备,具有上述图8所示的基于云平台负载预测的云平台功能调整方法的分配装置。
请参阅图9,图9是本发明可选实施例提供的一种计算机设备的结构示意图,如图9所示,该计算机设备包括:一个或多个处理器10、存储器20,以及用于连接各部件的接口,包括高速接口和低速接口。各个部件利用不同的总线互相通信连接,并且可以被安装在公共主板上或者根据需要以其它方式安装。处理器可以对在计算机设备内执行的指令进行处理,包括存储在存储器中或者存储器上以在外部输入/输出装置(诸如,耦合至接口的显示设备)上显示GUI的图形信息的指令。在一些可选的实施方式中,若需要,可以将多个处理器和/或多条总线与多个存储器和多个存储器一起使用。同样,可以连接多个计算机设备,各个设备提供部分必要的操作(例如,作为服务器阵列、一组刀片式服务器、或者多处理器系统)。图9中以一个处理器10为例。
处理器10可以是中央处理器,网络处理器或其组合。其中,处理器10还可以进一步包括硬件芯片。上述硬件芯片可以是专用集成电路,可编程逻辑器件或其组合。上述可编程逻辑器件可以是复杂可编程逻辑器件,现场可编程逻辑门阵列,通用阵列逻辑或其任意组合。
其中,存储器20存储有可由至少一个处理器10执行的指令,以使至少一个处理器10执行实现上述实施例示出的方法。
存储器20可以包括存储程序区和存储数据区,其中,存储程序区可存储操作系统、至少一个功能所需要的应用程序;存储数据区可存储根据一种小程序落地页的展现的计算机设备的使用所创建的数据等。此外,存储器20可以包括高速随机存取存储器,还可以包括非瞬时存储器,例如至少一个磁盘存储器件、闪存器件、或其他非瞬时固态存储器件。在一些可选的实施方式中,存储器20可选包括相对于处理器10远程设置的存储器,这些远程存储器可以通过网络连接至该计算机设备。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
存储器20可以包括易失性存储器,例如,随机存取存储器;存储器也可以包括非易失性存储器,例如,快闪存储器,硬盘或固态硬盘;存储器20还可以包括上述种类的存储器的组合。
该计算机设备还包括输入装置30和输出装置40。处理器10、存储器20、输入装置30和输出装置40可以通过总线或者其他方式连接,图9中以通过总线连接为例。
输入装置30可接收输入的数字或字符信息,以及产生与该计算机设备的用户设置以及功能控制有关的键信号输入,例如触摸屏、小键盘、鼠标、轨迹板、触摸板、指示杆、一个或者多个鼠标按钮、轨迹球、操纵杆等。输出装置40可以包括显示设备、辅助照明装置(例如,LED)和触觉反馈装置(例如,振动电机)等。上述显示设备包括但不限于液晶显示器,发光二极管,显示器和等离子体显示器。在一些可选的实施方式中,显示设备可以是触摸屏。
本发明实施例还提供了一种计算机可读存储介质,上述根据本发明实施例的方法可在硬件、固件中实现,或者被实现为可记录在存储介质,或者被实现通过网络下载的原始存储在远程存储介质或非暂时机器可读存储介质中并将被存储在本地存储介质中的计算机代码,从而在此描述的方法可被存储在使用通用计算机、专用处理器或者可编程或专用硬件的存储介质上的这样的软件处理。其中,存储介质可为磁碟、光盘、只读存储记忆体、随机存储记忆体、快闪存储器、硬盘或固态硬盘等;进一步地,存储介质还可以包括上述种类的存储器的组合。可以理解,计算机、处理器、微处理器控制器或可编程硬件包括可存储或接收软件或计算机代码的存储组件,当软件或计算机代码被计算机、处理器或硬件访问且执行时,实现上述实施例示出的方法。
虽然结合附图描述了本发明的实施例,但是本领域技术人员可以在不脱离本发明的精神和范围的情况下做出各种修改和变型,这样的修改和变型均落入由所附权利要求所限定的范围之内。
Claims (10)
1.一种基于云平台负载预测的云平台功能调整方法,其特征在于,所述方法包括:
获取云平台运行至当前时间点时的云平台实际负载数据;
将所述实际负载数据输入到预训练负载预测模型中,得到所述云平台在预设时间点的第一预测负载数据,其中所述预设时间点包含所述当前时间点以及多个未来的时间点;
利用所述第一预测负载数据判断所述负载预测模型是否存在预测偏差;
若所述负载预测模型存在预测偏差,则利用所述实际负载数据对所述云平台上功能的开闭进行调整;
或者,若所述负载预测模型不存在预测偏差,则利用所述实际负载数据和所述第一预测负载数据对所述云平台上功能的开闭进行调整。
2.根据权利要求1所述的方法,其特征在于,所述获取云平台运行至当前时间点时的云平台负载数据,包括:
分别获取当前时间点下所述云平台在各个负载类型下的负载数据;
将不同负载类型的所述负载数据进行加权求和,得到所述云平台负载数据,其中所述负载类型包括CPU负载和内存负载。
3.根据权利要求2所述的方法,其特征在于,所述分别获取所述云平台在各个负载类型下的负载数据,包括:
获取每一个负载类型在云平台中各个节点的节点负载数据;
对每一个负载类型下的各个所述节点负载数据进行加权求和,得到该负载类型对应的负载数据。
4.根据权利要求1所述的方法,其特征在于,所述预训练负载预测模型的训练过程包括:
获取所述云平台在每一个负载类型下的各个节点的节点负载数据;
对每一个负载类型下的各个所述节点负载数据进行加权求和,得到该负载类型对应的第一负载数据;
对不同负载类型的所述第一负载数据进行加权求和,得到所述云平台的第二负载数据;
根据时间先后将多个时间点对应的所述第二负载数据进行分类,得到训练数据样本和测试数据样本,其中所述训练数据样本对应的时间点早于所述测试数据样本对应的时间点;
利用所述训练数据样本对负载预测模型进行训练,输出预测数据;
利用所述测试数据样本对所述预测数据进行比对,并对所述负载预测模型的内部权重进行调整,得到所述预训练负载预测模型。
5.根据权利要求1所述的方法,其特征在于,所述利用所述预测负载数据判断所述负载预测模型是否存在预测偏差,包括:
计算所述当前时间点对应的第二预测负载数据与所述实际负载数据之间的偏差;
若所述偏差小于或等于第一预设阈值,则所述负载预测模型不存在预测偏差;
若所述偏差大于所述第一预设阈值,则所述负载预测模型存在预测偏差。
6.根据权利要求1所述的方法,其特征在于,所述若所述负载预测模型存在预测偏差,则利用所述实际负载数据对所述云平台上功能的开闭进行调整,包括:
判断所述实际负载数据与第二预设阈值的关系,其中
若所述实际负载数据大于所述第二预设阈值,则表示所述云平台负载过高,进行所述云平台中对应功能的关闭;
或者,若所述实际负载数据小于或等于所述第二预设阈值,则表示所述云平台负载属于正常水平,保持所述云平台中对应功能的开启。
7.根据权利要求1所述的方法,其特征在于,所述若所述负载预测模型不存在预测偏差,则利用所述实际负载数据和所述第一预测负载数据对所述云平台上功能的开闭进行调整,包括:
计算所述实际负载数据和所述预设时间点对应的所述第一预测负载数据的负载平均值;
判断所述负载平均值与第三预设阈值的关系,其中
若所述负载平均值大于所述第三预设阈值,则表示所述云平台负载过高,进行所述云平台中对应功能的关闭;
或者,若所述负载平均值小于或等于所述第三预设阈值,则表示所述云平台负载属于正常水平,保持所述云平台中对应功能的开启;
或者,从所述实际负载数据和所述预设时间点对应的所述第一预测负载数据中选取负载最大值;
判断所述负载最大值与第四预设阈值的关系,其中
若所述负载最大值大于所述第四预设阈值,则表示所述云平台负载过高,进行所述云平台中对应功能的关闭;
或者,若所述负载最大值小于或等于所述第四预设阈值,则表示所述云平台负载属于正常水平,保持所述云平台中对应功能的开启。
8.一种基于云平台负载预测的云平台功能调整装置,其特征在于,包括:
数据采集模块,用于获取云平台运行至当前时间点时的云平台实际负载数据;
负载数据确定模块,用于将所述实际负载数据输入到预训练负载预测模型中,得到所述云平台在预设时间点的第一预测负载数据,其中所述预设时间点包含所述当前时间点以及多个未来的时间点;
偏差判断模块,用于利用所述第一预测负载数据判断所述负载预测模型是否存在预测偏差;
调整模块,用于若所述负载预测模型存在预测偏差,则利用所述实际负载数据对所述云平台上功能的开闭进行调整;或若所述负载预测模型不存在预测偏差,则利用所述实际负载数据和所述第一预测负载数据对所述云平台上功能的开闭进行调整。
9.一种电子设备,其特征在于,包括:存储器和处理器,所述存储器和所述处理器之间互相通信连接,所述存储器中存储有计算机指令,所述处理器通过执行所述计算机指令,从而执行权利要求1至7中任一项所述的基于云平台负载预测的云平台功能调整方法。
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上存储有计算机指令,所述计算机指令用于使计算机执行权利要求1至7中任一项所述的基于云平台负载预测的云平台功能调整方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410178521.XA CN117931453A (zh) | 2024-02-09 | 2024-02-09 | 基于云平台负载预测的云平台功能调整方法、装置及设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410178521.XA CN117931453A (zh) | 2024-02-09 | 2024-02-09 | 基于云平台负载预测的云平台功能调整方法、装置及设备 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117931453A true CN117931453A (zh) | 2024-04-26 |
Family
ID=90764714
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202410178521.XA Pending CN117931453A (zh) | 2024-02-09 | 2024-02-09 | 基于云平台负载预测的云平台功能调整方法、装置及设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117931453A (zh) |
-
2024
- 2024-02-09 CN CN202410178521.XA patent/CN117931453A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
KR102522005B1 (ko) | 가상 네트워크 관리를 위한 머신 러닝 기반 vnf 이상 탐지 시스템 및 방법 | |
US20090044173A1 (en) | Automatic computing system, execution environment control | |
US20120060167A1 (en) | Method and system of simulating a data center | |
JP7223048B2 (ja) | タスク計算量決定方法、装置、電子機器及びコンピュータプログラム製品 | |
CN111881023A (zh) | 一种基于多模型对比的软件老化预测方法及装置 | |
CN110083518B (zh) | 一种基于AdaBoost-Elman的虚拟机软件老化预测方法 | |
US8832839B2 (en) | Assessing system performance impact of security attacks | |
CN114564374A (zh) | 算子性能评估方法、装置、电子设备及存储介质 | |
CN113420792A (zh) | 图像模型的训练方法、电子设备、路侧设备及云控平台 | |
CN111814106A (zh) | 时序数据滞后性处理方法、装置、电子设备及存储介质 | |
US9645873B2 (en) | Integrated configuration management and monitoring for computer systems | |
CN115113528A (zh) | 神经网络模型的运行控制方法、装置、设备及介质 | |
CN114297008A (zh) | 一种云主机性能预测方法、装置、终端及存储介质 | |
CN112508191B (zh) | 训练深度学习模型的方法及装置、电子设备及存储介质 | |
CN117933350A (zh) | 多智能体强化学习系统、方法、电子设备及存储介质 | |
CN113742069A (zh) | 基于人工智能的容量预测方法、装置及存储介质 | |
CN116360990B (zh) | 分布式计算任务合理性预判方法、系统、设备和存储介质 | |
CN113313304A (zh) | 一种基于大数据决策树的电网事故异常分析方法及系统 | |
CN117931453A (zh) | 基于云平台负载预测的云平台功能调整方法、装置及设备 | |
CN111815442B (zh) | 一种链接预测的方法、装置和电子设备 | |
CN114490405A (zh) | 资源需求量确定方法、装置、设备及存储介质 | |
CN113656313A (zh) | 自动化测试处理方法及装置 | |
Araujo et al. | Software aging issues in streaming video player. | |
Boguhn | Benchmarking the scalability of distributed stream processing engines in case of load peaks | |
CN109495297A (zh) | 基于启发式强化学习的韧性云环境故障注入方法 |
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 |