CN117931592A - Hci工作负载模拟 - Google Patents
Hci工作负载模拟 Download PDFInfo
- Publication number
- CN117931592A CN117931592A CN202211264701.7A CN202211264701A CN117931592A CN 117931592 A CN117931592 A CN 117931592A CN 202211264701 A CN202211264701 A CN 202211264701A CN 117931592 A CN117931592 A CN 117931592A
- Authority
- CN
- China
- Prior art keywords
- workload
- information
- model
- handling system
- information handling
- 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
- 238000004088 simulation Methods 0.000 title claims abstract description 20
- 238000013473 artificial intelligence Methods 0.000 claims abstract description 40
- 230000015654 memory Effects 0.000 claims abstract description 27
- 238000012360 testing method Methods 0.000 claims abstract description 16
- 230000010365 information processing Effects 0.000 claims abstract description 8
- 238000012549 training Methods 0.000 claims abstract description 8
- 238000000034 method Methods 0.000 claims description 34
- 238000004519 manufacturing process Methods 0.000 claims description 7
- 230000006403 short-term memory Effects 0.000 claims 1
- 238000007726 management method Methods 0.000 description 21
- 238000004891 communication Methods 0.000 description 7
- 230000008569 process Effects 0.000 description 7
- 230000008901 benefit Effects 0.000 description 6
- 230000006870 function Effects 0.000 description 4
- 238000012545 processing Methods 0.000 description 4
- 239000008186 active pharmaceutical agent Substances 0.000 description 3
- 230000004075 alteration Effects 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 238000010801 machine learning Methods 0.000 description 3
- 230000006855 networking Effects 0.000 description 3
- 238000006467 substitution reaction Methods 0.000 description 3
- 230000005540 biological transmission Effects 0.000 description 2
- 238000013500 data storage Methods 0.000 description 2
- 238000013135 deep learning Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000004927 fusion Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000003058 natural language processing Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 208000025174 PANDAS Diseases 0.000 description 1
- 208000021155 Paediatric autoimmune neuropsychiatric disorders associated with streptococcal infection Diseases 0.000 description 1
- 240000000220 Panda oleosa Species 0.000 description 1
- 235000016496 Panda oleosa Nutrition 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 239000000969 carrier Substances 0.000 description 1
- 230000008878 coupling Effects 0.000 description 1
- 238000010168 coupling process Methods 0.000 description 1
- 238000005859 coupling reaction Methods 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F11/00—Error detection; Error correction; Monitoring
- G06F11/30—Monitoring
- G06F11/34—Recording or statistical evaluation of computer activity, e.g. of down time, of input/output operation ; Recording or statistical evaluation of user activity, e.g. usability assessment
- G06F11/3409—Recording or statistical evaluation of computer activity, e.g. of down time, of input/output operation ; Recording or statistical evaluation of user activity, e.g. usability assessment for performance assessment
- G06F11/3414—Workload generation, e.g. scripts, playback
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F11/00—Error detection; Error correction; Monitoring
- G06F11/30—Monitoring
- G06F11/34—Recording or statistical evaluation of computer activity, e.g. of down time, of input/output operation ; Recording or statistical evaluation of user activity, e.g. usability assessment
- G06F11/3409—Recording or statistical evaluation of computer activity, e.g. of down time, of input/output operation ; Recording or statistical evaluation of user activity, e.g. usability assessment for performance assessment
- G06F11/3428—Benchmarking
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F11/00—Error detection; Error correction; Monitoring
- G06F11/30—Monitoring
- G06F11/3003—Monitoring arrangements specially adapted to the computing system or computing system component being monitored
- G06F11/3006—Monitoring arrangements specially adapted to the computing system or computing system component being monitored where the computing system is distributed, e.g. networked systems, clusters, multiprocessor systems
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- General Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Quality & Reliability (AREA)
- Computing Systems (AREA)
- Computer Hardware Design (AREA)
- Mathematical Physics (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Debugging And Monitoring (AREA)
Abstract
一种信息处理系统可包括至少一个处理器和存储器。所述信息处理系统可被配置为:接收关于目标工作负载的遥测信息;接收关于将执行目标工作负载的模拟的计算集群的配置数据;基于遥测信息和配置数据来训练工作负载人工智能(AI)模型以创建目标工作负载的模拟;基于工作负载AI模型来生成基准测试配置文件;以及将基准测试配置文件部署到计算集群以供执行。
Description
技术领域
本公开总体上涉及信息处理系统,并且更具体地涉及用于模拟信息处理系统中的工作负载的技术。
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。由于技术以及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(诸如财务交易处理、航班预定、企业数据存储或全球通信)进行配置。此外,信息处理系统可包括可被配置为处理、存储和传达信息的各种硬件和软件部件,并且可包括一个或多个计算机系统、数据存储系统以及联网系统。
超融合基础架构(HCI)是为了降低数据中心复杂性并提高可扩展性而将存储、计算和联网组合到单个系统中的IT框架。超融合平台可包括用于虚拟化计算、软件定义存储和虚拟化联网的管理程序,并且它们通常在标准的现成服务器上运行。一种类型的HCI解决方案是Dell EMC VxRailTM系统。HCI系统的一些示例可在各种环境(例如,诸如ESXiTM环境的HCI管理系统,或任何其他HCI管理系统)中操作。HCI系统的一些示例可操作为软件定义存储(SDS)集群系统(例如,诸如/>vSANTM系统的SDS集群系统、或任何其他SDS集群系统)。
在HCI背景(以及其他背景)下,信息处理系统可出于各种目的而执行虚拟机(VM)。VM通常可包括可执行指令的任何程序或可执行指令的程序集合,所述程序或程序集合被配置为在管理程序或主机操作系统上执行客户操作系统,以便通过或结合管理程序/主机操作系统起作用来管理和/或控制诸如存储器、中央处理单元时间、磁盘空间以及输入和输出装置等硬件资源的分配和使用,并且提供此类硬件资源与由客户操作系统托管的应用程序之间的接口。
客户环境和工作负载在各客户之间可能会有很大不同(例如,网络配置;存储使用;以及I/O模式,诸如IOPS、I/O速率、读写比等)。能够在HCI系统的测试期间模拟客户的环境和工作负载是有用的,但是环境和工作负载之间的可变性限制了现有方法的有效性。因此,本公开的实施方案提供了改进的技术。
本公开的一些实施方案可采用人工智能(AI)技术,诸如机器学习、深度学习、自然语言处理(NLP)等。一般而言,机器学习涵盖强调使得信息处理系统能够构建分析模型的方法的数据科学分支,所述分析模型使用交互地从数据中学习的算法。应当注意,尽管可能在特定AI范例的背景下说明和/或描述了所公开的主题,但是此类系统、方法、架构或应用不限于那些特定技术并且可涵盖一个或多个其他AI解决方案。
应当注意,在本公开的背景技术部分中对技术的讨论并不构成对现有技术状况的承认。除非明确无误地指出,否则本文不作出此类承认。
发明内容
根据本公开的教导,可减少或消除与信息处理系统中的工作负载模拟相关联的缺点和问题。
根据本公开的实施方案,一种信息处理系统可包括至少一个处理器和存储器。所述信息处理系统可被配置为:接收关于目标工作负载的遥测信息;接收关于将执行目标工作负载的模拟的计算集群的配置数据;基于遥测信息和配置数据来训练工作负载人工智能(AI)模型以创建目标工作负载的模拟;基于工作负载AI模型来生成基准测试配置文件;以及将基准测试配置文件部署到计算集群以供执行。
根据本公开的这些和其他实施方案,一种方法可包括:信息处理系统接收关于目标工作负载的遥测信息;信息处理系统接收关于将执行目标工作负载的模拟的计算集群的配置数据;信息处理系统基于遥测信息和配置数据来训练工作负载人工智能(AI)模型以创建目标工作负载的模拟;信息处理系统基于工作负载AI模型来生成基准测试配置文件;以及信息处理系统将基准测试配置文件部署到计算集群以供执行。
根据本公开的这些和其他实施方案,一种制品可包括非暂时性计算机可读介质,所述非暂时性计算机可读介质上具有计算机可执行指令,所述计算机可执行指令可由信息处理系统的处理器执行以进行以下操作:接收关于目标工作负载的遥测信息;接收关于将执行目标工作负载的模拟的计算集群的配置数据;基于遥测信息和配置数据来训练工作负载人工智能(AI)模型以创建目标工作负载的模拟;基于工作负载AI模型来生成基准测试配置文件;以及将基准测试配置文件部署到计算集群以供执行。
根据本文所包括的附图、描述和权利要求,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地指出的要素、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示出了根据本公开的实施方案的示例性信息处理系统的框图;
图2示出了根据本公开的实施方案的示例性架构的框图;
图3示出了根据本公开的实施方案的示例性方法;以及
图4示出了根据本公开的实施方案的示例性方法。
具体实施方式
通过参考图1至图4将最佳地理解优选的实施方案及其优点,其中相似的编号用于指示相似和对应的部分。
出于本公开的目的,术语“信息处理系统”可包括可操作来计算、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、情报或数据以用于商业、科学、控制、娱乐或其他目的的任何工具或工具集合。例如,信息处理系统可为个人计算机、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。信息处理系统可包括存储器、一个或多个处理资源(诸如中央处理单元(“CPU”))或者硬件或软件控制逻辑。信息处理系统的附加部件可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。
出于本公开的目的,当两个或更多个元件被称为彼此“耦合”时,该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或机械连通,无论是直接还是间接连接、是具有还是不具有中间元件都是如此。
当两个或更多个元件被称为彼此“可耦合”时,该术语指示它们能够耦合在一起。
出于本公开的目的,术语“计算机可读介质”(例如,暂时性或非暂时性计算机可读介质)可包括可将数据和/或指令保留一段时间的任何工具或工具集合。计算机可读介质可包括但不限于: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/或快闪存储器;通信介质,诸如电线、光纤、微波、无线电波和其他电磁和/或光学载波;和/或前述项的任何组合。
出于本公开的目的,术语“信息处理资源”可广义地指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、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。
出于本公开的目的,术语“管理控制器”可广义地指向一个或多个其他信息处理系统提供管理功能性(通常是带外管理功能性)的信息处理系统。在一些实施方案中,管理控制器可为服务处理器、基板管理控制器(BMC)、机箱管理控制器(CMC)或远程访问控制器(例如,戴尔远程访问控制器(DRAC)或集成式戴尔远程访问控制器(iDRAC))(或可为它们的组成部分)。
图1示出了根据本公开的实施方案的示例性信息处理系统102的框图。在一些实施方案中,信息处理系统102可包括被配置为容纳多个服务器或“刀片”的服务器机箱。在其他实施方案中,信息处理系统102可包括个人计算机(例如,台式计算机、膝上型计算机、移动计算机和/或笔记本计算机)。在再一些其他实施方案中,信息处理系统102可包括被配置为容纳多个物理磁盘驱动器和/或用于存储数据的其他计算机可读介质的存储机柜(其通常可被称为“物理存储资源”)。如图1所示,信息处理系统102可包括处理器103、通信地耦合到处理器103的存储器104、通信地耦合到处理器103的BIOS 105(例如,UEFI BIOS)、通信地耦合到处理器103的网络接口108以及通信地耦合到处理器103的管理控制器112。
在操作中,处理器103、存储器104、BIOS 105和网络接口108可构成信息处理系统102的主机系统98的至少一部分。除了明确示出和描述的元件之外,信息处理系统102还可包括一个或多个其他信息处理资源。
处理器103可包括被配置为解译和/或执行程序指令和/或处理数据的任何系统、装置或设备,并且可包括但不限于:微处理器、微控制器、数字信号处理器(DSP)、专用集成电路(ASIC),或被配置为解译和/或执行程序指令和/或处理数据的任何其他数字或模拟电路。在一些实施方案中,处理器103可解译和/或执行存储在存储器104和/或信息处理系统102的另一个部件中的程序指令和/或处理数据。
存储器104可通信地耦合到处理器103,并且可包括被配置为将程序指令和/或数据保留一段时间的任何系统、装置或设备(例如,计算机可读介质)。存储器104可包括RAM、EEPROM、PCMCIA卡、快闪存储器、磁存储装置、光磁存储装置或者易失性存储器或在信息处理系统102断电之后保留数据的非易失性存储器的任何合适的选择和/或阵列。
如图1所示,存储器104上可存储有操作系统106。操作系统106可包括可执行指令的任何程序(或可执行指令的程序集合),所述程序被配置为管理和/或控制诸如存储器、处理器时间、磁盘空间以及输入和输出装置等硬件资源的分配和使用,并且提供此类硬件资源与由操作系统106托管的应用程序之间的接口。此外,操作系统106可包括用于经由网络接口(例如,用于在数据网络上通信的网络接口108)进行网络通信的网络堆栈的全部或一部分。尽管操作系统106在图1中被示出为存储在存储器104中,但是在一些实施方案中,操作系统106可存储在处理器103可访问的存储介质中,并且操作系统106的有效部分可从此类存储介质传送到存储器104以供处理器103执行。
网络接口108可包括可经由带内网络操作来用作信息处理系统102与一个或多个其他信息处理系统之间的接口的一个或多个合适的系统、设备或装置。网络接口108可使得信息处理系统102能够使用任何合适的传输协议和/或标准来通信。在这些和其他实施方案中,网络接口108可包括网络接口卡、或“NIC”。在这些和其他实施方案中,网络接口108可被启用为主板自带局域网(LAN)(LOM)卡。
管理控制器112可被配置为提供用于管理信息处理系统102的管理功能性。此类管理可由管理控制器112进行,即便信息处理系统102和/或主机系统98被断电或加电为待机状态也会进行此类管理。管理控制器112可包括处理器113、存储器以及与网络接口108分开且物理地隔离的网络接口118。
如图1所示,管理控制器112的处理器113可通信地耦合到处理器103。这种耦合可经由通用串行总线(USB)、系统管理总线(SMBus)和/或一个或多个其他通信信道进行。
网络接口118可耦合到管理网络,所述管理网络可与所示的数据网络分开且物理地隔离。管理控制器112的网络接口118可包括可经由带外管理网络操作来用作管理控制器112与一个或多个其他信息处理系统之间的接口的任何合适的系统、设备或装置。网络接口118可使得管理控制器112能够使用任何合适的传输协议和/或标准来通信。在这些和其他实施方案中,网络接口118可包括网络接口卡、或“NIC”。网络接口118可为与网络接口108类型相同的装置,或者在其他实施方案中,所述网络接口可为不同类型的装置。
如上文所讨论,本公开的实施方案提供了模拟客户的环境和工作负载领域的改进。关于客户的工作负载数据和系统配置的信息可通过由HCI云智能系统访问的遥测装置来收集,并且实施方案可采用深度学习技术来基于收集到的信息而创建工作负载AI模型。
现在转向图2,示例性架构200被示出为用于在HCI系统中执行工作负载的这种模拟。架构200在此实施方案中使用AI技术。在一些实施方案中,架构200可在所讨论的HCI系统上运行(例如,被实施为一个或多个微服务)。在其他实施方案中,架构200可在另一个信息处理系统上运行。
在高层级上,架构200通过使工作负载发生器202在实验室中的测试HCI集群上执行工作负载模拟来操作。工作负载发生器202可被配置为调用工作负载AI发生器服务204的API。工作负载AI发生器服务204可在步骤1处从实验室HCI集群中获取配置信息。在步骤2处,工作负载AI发生器服务204可调用工作负载AI模型206以基于实验室集群的配置,并进一步基于真实客户的工作负载和配置数据208来提供推荐的工作负载配置文件。因此,考虑到实验室HCI集群的将在上面执行的配置,所生成的工作负载可能非常类似于客户的实际工作负载。
在步骤3处,工作负载AI发生器服务204可启动诸如HCIBENCH的基准测试工具以在实验室HCI集群上生成、部署AI生成的工作负载,并且对所述工作负载进行基准测试。
对于工作负载AI训练数据集,可利用关于客户的工作负载的各种信息。例如,客户的每个主机的VM的典型数量、I/O模式、读写比以及诸如CPU模型和速度、存储器、存储类型和大小等硬件配置信息都可被结合。
根据收集到的数据中的不同的关键特征,可生成若干不同的配置文件。例如,每个配置文件可具有不同数量的VM、不同数量的数据磁盘、不同的数据磁盘大小、不同数量的CPU、针对每个VM的CPU和存储器的不同利用率、不同的I/O模式等。在一些实施方案中,所生成的配置文件可包括为基准测试工具创建配置文件所需的信息,如下文更详细地讨论的。
现在转向图3,示出了根据一些实施方案的用于创建工作负载AI模型的示例性方法300。
在步骤302处,由HCI云智能系统收集客户工作负载和配置数据集。在步骤304处,处理收集到的数据(例如,使用诸如Pandas的数据分析工具处理为数据帧)。在步骤306处,对数据执行特征选择(例如,使用诸如Keras和/或Tensorflow的AI工具)。
在步骤308处,生成训练数据集(例如,再次使用诸如Keras和/或Tensorflow的AI工具)。在步骤310处,将诸如长短期记忆(LSTM)的一种或多种机器学习算法应用于训练数据集。在步骤312处,评估结果,并且在步骤314处,生成AI模型。
一旦构建了工作负载AI模型,就可将工作负载AI模型和引擎包封到暴露出RESTAPI的AI微服务中。然后可将这个API集成到其他性能测试/监测解决方案中。
现在转向图4,示出了根据一些实施方案的用于对客户的目标系统执行HCI工作负载模拟的示例性方法400。
在步骤402和404处,用户可登录到HCI性能平台并且运行工作负载生成服务。工作负载生成服务可基于如图所示的目标HCI系统的各种参数而生成工作负载AI模型,所述各种参数可经由HCI云智能系统来获取。
步骤406、408和410说明了工作负载AI模型和引擎的操作,这会产生配置文件,所述配置文件可由诸如HCIBENCH的基准测试工具使用来运行模拟的工作负载并且对所述模拟的工作负载进行基准测试。步骤412、414和416说明了基准测试工具的操作,所述操作从HCIBENCH配置文件加载模拟的工作负载,将所述模拟的工作负载部署到HCI集群,并且测试工作负载。
受益于本公开的本领域普通技术人员应当理解,用于图3至图4所描绘的方法的优选初始化点和构成那些方法的步骤的顺序可取决于所选择的实施方式。在这些和其他实施方案中,所述方法可被实施为硬件、固件、软件、应用程序、函数、库或其他指令。另外,尽管图3至图4公开了关于所公开的方法要采取的特定数量的步骤,但是所述方法可以比所示的步骤更多或更少的步骤来执行。所述方法可使用本文所公开的各种部件(诸如图1的部件)中的任一者和/或可操作来实施所述方法的任何其他系统来实施。
本公开涵盖本领域普通技术人员将设想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设想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,以帮助读者理解发明人为了推进本技术而贡献的发明和构思,并且被解释为不限于此类具体地叙述的示例和条件。尽管已经详细地描述本发明的实施方案,但应理解,在不脱离本公开的精神和范围的情况下,可对本公开进行各种改变、替换和变更。
Claims (18)
1.一种信息处理系统,所述信息处理系统包括:
至少一个处理器;以及
存储器;
其中所述信息处理系统被配置为:
接收关于目标工作负载的遥测信息;
接收关于将执行所述目标工作负载的模拟的计算集群的配置数据;
基于所述遥测信息和所述配置数据来训练工作负载人工智能(AI)模型以创建所述目标工作负载的所述模拟;
基于所述工作负载AI模型来生成基准测试配置文件;以及
将所述基准测试配置文件部署到所述计算集群以供执行。
2.如权利要求1所述的信息处理系统,其中所述计算集群是超融合基础架构(HCI)集群。
3.如权利要求1所述的信息处理系统,其中所述AI模型是长短期记忆(LSTM)模型。
4.如权利要求1所述的信息处理系统,其中所述工作负载AI模型经由微服务架构来实施。
5.如权利要求1所述的信息处理系统,其中所述遥测信息是从云智能系统接收。
6.如权利要求1所述的信息处理系统,其中所述遥测信息还包括关于被配置为执行所述目标工作负载的目标信息处理系统的信息。
7.一种方法,所述方法包括:
信息处理系统接收关于目标工作负载的遥测信息;
所述信息处理系统接收关于将执行所述目标工作负载的模拟的计算集群的配置数据;
所述信息处理系统基于所述遥测信息和所述配置数据来训练工作负载人工智能(AI)模型以创建所述目标工作负载的所述模拟;
所述信息处理系统基于所述工作负载AI模型来生成基准测试配置文件;以及
所述信息处理系统将所述基准测试配置文件部署到所述计算集群以供执行。
8.如权利要求7所述的方法,其中所述计算集群是超融合基础架构(HCI)集群。
9.如权利要求7所述的方法,其中所述AI模型是长短期记忆(LSTM)模型。
10.如权利要求7所述的方法,其中所述工作负载AI模型经由微服务架构来实施。
11.如权利要求7所述的方法,其中所述遥测信息是从云智能系统接收。
12.如权利要求7所述的方法,其中所述遥测信息还包括关于被配置为执行所述目标工作负载的目标信息处理系统的信息。
13.一种制品,所述制品包括非暂时性计算机可读介质,所述非暂时性计算机可读介质上具有计算机可执行指令,所述计算机可执行指令能够由信息处理系统的处理器执行以进行以下操作:
接收关于目标工作负载的遥测信息;
接收关于将执行所述目标工作负载的模拟的计算集群的配置数据;
基于所述遥测信息和所述配置数据来训练工作负载人工智能(AI)模型以创建所述目标工作负载的所述模拟;
基于所述工作负载AI模型来生成基准测试配置文件;以及
将所述基准测试配置文件部署到所述计算集群以供执行。
14.如权利要求13所述的制品,其中所述计算集群是超融合基础架构(HCI)集群。
15.如权利要求13所述的制品,其中所述AI模型是长短期记忆(LSTM)模型。
16.如权利要求13所述的制品,其中所述工作负载AI模型经由微服务架构来实施。
17.如权利要求13所述的制品,其中所述遥测信息是从云智能系统接收。
18.如权利要求13所述的制品,其中所述遥测信息还包括关于被配置为执行所述目标工作负载的目标信息处理系统的信息。
Priority Applications (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211264701.7A CN117931592A (zh) | 2022-10-14 | 2022-10-14 | Hci工作负载模拟 |
US17/980,394 US20240126672A1 (en) | 2022-10-14 | 2022-11-03 | Hci workload simulation |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211264701.7A CN117931592A (zh) | 2022-10-14 | 2022-10-14 | Hci工作负载模拟 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117931592A true CN117931592A (zh) | 2024-04-26 |
Family
ID=90626358
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211264701.7A Pending CN117931592A (zh) | 2022-10-14 | 2022-10-14 | Hci工作负载模拟 |
Country Status (2)
Country | Link |
---|---|
US (1) | US20240126672A1 (zh) |
CN (1) | CN117931592A (zh) |
-
2022
- 2022-10-14 CN CN202211264701.7A patent/CN117931592A/zh active Pending
- 2022-11-03 US US17/980,394 patent/US20240126672A1/en active Pending
Also Published As
Publication number | Publication date |
---|---|
US20240126672A1 (en) | 2024-04-18 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN105556478B (zh) | 用于保护虚拟机数据的系统和方法 | |
US9880858B2 (en) | Systems and methods for reducing BIOS reboots | |
US11429371B2 (en) | Life cycle management acceleration | |
US20190004816A1 (en) | Systems and methods for heterogeneous system on a chip servers | |
US11805338B2 (en) | Systems and methods for enabling smart network interface card as an advanced telemetry appliance | |
US11507865B2 (en) | Machine learning data cleaning | |
US9870246B2 (en) | Systems and methods for defining virtual machine dependency mapping | |
US11922159B2 (en) | Systems and methods for cloning firmware updates from existing cluster for cluster expansion | |
US9292396B2 (en) | System and method for secure remote diagnostics | |
US20240126672A1 (en) | Hci workload simulation | |
US11221858B1 (en) | System control processor (SCP) boot system | |
US20240103991A1 (en) | Hci performance capability evaluation | |
US20220036233A1 (en) | Machine learning orchestrator | |
US20220043697A1 (en) | Systems and methods for enabling internal accelerator subsystem for data analytics via management controller telemetry data | |
US20240126903A1 (en) | Simulation of edge computing nodes for hci performance testing | |
US20230325198A1 (en) | Coordinated boot synchronization and startup of information handling system subsystems | |
US20240134632A1 (en) | Maintenance mode in hci environment | |
US20220046080A1 (en) | Systems and methods for shared access among host information handling system and multiple client information handling systems via management controller | |
US20240103927A1 (en) | Node assessment in hci environment | |
US11991058B2 (en) | Containerized service with embedded script tool for monitoring health state of hyper-converged infrastructure resources | |
US11836500B2 (en) | Systems and methods for basic input/output system driver offline protocol | |
US20240143992A1 (en) | Hyperparameter tuning with dynamic principal component analysis | |
US20210286629A1 (en) | Dynamically determined bios profiles | |
US20230222087A1 (en) | Systems and methods for end-to-end workload modeling for servers | |
US20230236862A1 (en) | Management through on-premises and off-premises systems |
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 |