JP2021005387A - コンピュータリソースのための予測的資産最適化 - Google Patents
コンピュータリソースのための予測的資産最適化 Download PDFInfo
- Publication number
- JP2021005387A JP2021005387A JP2020142203A JP2020142203A JP2021005387A JP 2021005387 A JP2021005387 A JP 2021005387A JP 2020142203 A JP2020142203 A JP 2020142203A JP 2020142203 A JP2020142203 A JP 2020142203A JP 2021005387 A JP2021005387 A JP 2021005387A
- Authority
- JP
- Japan
- Prior art keywords
- computer system
- period
- future
- request
- resource request
- 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.)
- Granted
Links
Images
Landscapes
- Debugging And Monitoring (AREA)
Abstract
Description
−リソースを要求しているユーザのユーザ名
−要求の開始時間
−要求の終了時間
−要求の合計時間
−要求の動作時間
−要求されたプロセスまたはリソース
−要求に対処したネットワークサーバのID
−要求に対処したネットワークサーバの地理的位置
−CPU利用率−ネットワークサーバの一次メモリ(例えば、RAM)利用率
−ネットワークサーバのディスクIO(ディスクメモリまたは他の二次コンピュータメモリへの読み書き動作の合計)
・CPU/メモリ/ディスクの過負荷率および不足負荷率。これらのメトリクスの計算は、CPU、メモリ、およびディスクの過負荷値および不足負荷値(それぞれの過負荷閾値および不足負荷閾値を上回るまたは下回る)を平均することによって実行することができる。閾値は、例えば、過負荷の場合は90%、不足負荷の場合は10%とすることができる。
・CPU/メモリ/ディスクの過負荷時間率および不足負荷時間率。これらのメトリクスは、全体の期間と比較した、CPU/メモリ/ディスクが過負荷になっている(過負荷閾値を上回った)または不足負荷となっている(不足負荷閾値を下回った)時間の長さの比率に基づいて計算することができる。
・全体的な過負荷時間率および不足負荷時間率。この計算では、サーバのためのCPU/メモリ/ディスクメトリクスのいずれかが過負荷または不足負荷の場合、場合によっては、サーバが過負荷または不足負荷になっているとみなされる。
これらのメトリクスは、上述のk−NN予測されたCPU/メモリ/ディスクの負荷に基づいて、リソース予測コンピュータシステム20によって、未来の時間ステップのために予測することができる(ステップ56参照)。
a.相関分析。要求の異なる属性に対して相関分析を実行することができる。2つの属性が相関している場合、それらは互いに依存するが、一方で相関していない2つの属性は互いに影響しない。
b.分類要求。関連性の高い属性で要求を分類することによって、要求を、内部記憶コストの低い短期間の要求、内部記憶コストの低い長期間の要求、内部記憶コストの高い長期間の要求などの、異なるタイプへと分割することができる。
c.周期分析。周期的な要素によってもたらされるマイナスの影響は、取り除かれるべきである。要求は、勤務時間と非勤務時間との間に著しい違いを示している。要求をサンプリングすることが望まれる場合、同様の周期的時間内の要求がサンプリングのために選択されるべきである。
tunit=tactual−kT、k=0,1,2,・・・
未来の要求シーケンスのシミュレーション中に、実際の要求時間は、tpredict=tunit+tperiodとして表すことができる。
上記の方法により、未来のワークロードトレースを生成することができる。また、未来のワークロードトレースに基づいて、予想されるワークロードに基づいて企業のユーザのニーズを満たすことができるように未来の期間についてサーバ数推奨を行うことができる(図2のステップ58参照)。
(i)2つ以上の変数グループに適用されるk最近傍探索アルゴリズムを使用して、MTS性能データの基準状態に対するk個の最近傍を見つけること、および
(ii)k個の最近傍の加重平均を計算すること。次いで、プログラムされたコンピュータシステムは、計算された予測に基づいて、1つ以上の未来の時間範囲ステップの各々において、企業コンピュータシステムのユーザによるリソース要求に対処するために、企業が動作モードにあるために必要な推奨ネットワークサーバ数を決定することができる。
Claims (52)
- 企業コンピュータシステムに対するネットワークリソースのニーズを予想するコンピュータ実装される方法であって、前記企業コンピュータシステムは、前記企業コンピュータシステムのユーザのためのコンピュータリソースをホストする複数のネットワークサーバを備え、前記方法は、
コンピュータデータベースシステムによって、前記複数のネットワークサーバに対する多変量時系列(MTS)性能データを受信することであって、前記MTS性能データが、一連の過去のサンプリング時間に対する前記複数のネットワークサーバに対する複数のd個の性能変数に関するデータを含む、受信することと、
前記MTS性能データ内の性能変数の各々が変数グループに属するように、前記コンピュータデータベースシステムと通信するプログラムされたコンピュータシステムによって、前記MTS性能データ内の変数を2つ以上の変数グループへとグループ化することと、
プログラムされたコンピュータシステムによって、1つ以上の未来の時間範囲ステップにおいて変数に対する予測を計算することによって、前記企業コンピュータシステムの前記ネットワークサーバの未来のワークロードの予測を計算することであって、
前記2つ以上の変数グループに適用されるk最近傍探索アルゴリズムを使用して、前記MTS性能データの基準状態に対するk個の最近傍を見つけることと、
前記k個の最近傍の加重平均を計算することと、を含む、計算することと、
プログラムされたコンピュータシステムによって、前記計算された予測に基づいた前記1つ以上の未来の時間範囲ステップの各々において、前記企業コンピュータシステムの前記ユーザによるリソース要求に対処するための動作モードにあるために、前記企業によって必要とされる推奨ネットワークサーバ数を決定することと、を含む、方法。 - 前記複数のネットワークサーバに対する前記性能変数が、少なくとも以下の:
CPU負荷と、
一次コンピュータメモリ使用と、
単位期間あたりの二次コンピュータストレージ入力/出力(IO)動作と、を示す変数を含む、請求項1に記載の方法。 - 前記変数をグループ化する前記ステップが、
前記プログラムされたコンピュータシステムによって、性能変数の各対間の相関を示す相関行列を計算することと、
前記プログラムされたコンピュータシステムによって、クラスタリングアルゴリズムを使用して、前記相関行列に基づいて、前記変数グループを決定することと、を含む、請求項1に記載の方法。 - 前記相関行列が、スピアマン(Spearman)相関行列を含む、請求項3に記載の方法。
- 前記クラスタリングアルゴリズムが、アフィニティプロパゲーション(Affinity Propagation)クラスタリングアルゴリズムを含む、請求項4に記載の方法。
- 前記MTS性能データの前記基準状態に対する前記k個の最近傍を見つける前記ステップが、
前記MTSの前記基準状態を表すベクトルと、過去のサンプリング時間における前記MTSデータを表す複数のベクトルの各々との間の距離をそれぞれ計算することと、
前記MTSの前記基準状態を表す前記ベクトルまでの最小距離を有する過去のサンプリング時間に対するk個のベクトルを決定することと、を含む、請求項1に記載の方法。 - 距離を計算することが、ユークリッド(Euclidean)距離を計算することを含む、請求項6に記載の方法。
- 前記未来の時間範囲ステップのうちの少なくとも1つについて、前記企業コンピュータシステムの前記ユーザによる前記リソース要求に対処するための動作モードにするために、前記企業によって必要とされる前記推奨ネットワークサーバ数を示すデータを、前記プログラムされたコンピュータシステムによって送信することと、
前記プログラムされたコンピュータシステムと通信している1つ以上のブローカコンピュータシステムによって、前記推奨ネットワークサーバ数が、前記少なくとも1つの未来の時間範囲ステップについて前記ユーザによる前記リソース要求に対処するための動作モードにあるように、前記ネットワークサーバに命令することと、をさらに含む、請求項1に記載の方法。 - 企業コンピュータシステムに対するネットワークリソースのニーズを予想するためのシステムであって、前記企業コンピュータシステムが、前記企業コンピュータシステムのユーザのためにコンピュータリソースをホストする複数のネットワークサーバを備え、前記システムが、
前記複数のネットワークサーバに対する多変量時系列(MTS)性能データを格納するために、前記複数のネットワークサーバと通信するコンピュータデータベースシステムであって、前記MTS性能データが、一連の過去のサンプリング時間についての前記複数のネットワークサーバに対する複数のd個の性能変数に関するデータを含む、コンピュータデータベースシステムと、
前記コンピュータデータベースシステムと通信するプログラムされたコンピュータシステムであって、前記プログラムされたコンピュータシステムが、
前記MTS性能データ内の前記性能変数の各々が変数グループに属するように、前記MTS性能データ内の変数を2つ以上の変数グループにグループ化することと、
前記ネットワークサーバのワークロードを示す1つ以上の未来の時間範囲ステップにおける前記変数に対する予測を計算することであって、前記予測が、
前記2つ以上の変数グループに適用されるk最近傍探索アルゴリズムを使用して、前記MTS性能データの基準状態に対してk個の最近傍を見つけることと、
前記k個の最近傍の加重平均を計算することと、を含むステップによって計算される、計算することと、
前記計算された予測に基づいて、前記1つ以上の未来の時間範囲ステップの各々において、前記企業コンピュータシステムの前記ユーザによるリソース要求に対処するための動作モードにするために、前記企業によって必要とされるネットワークサーバ数を決定することと、を含むステップを実行することによって、前記企業コンピュータシステムの前記ネットワークサーバの未来のワークロードを予測するようにプログラムされている、プログラムされたコンピュータシステムと、
前記プログラムされたコンピュータシステムおよび前記複数のネットワークサーバと通信する、少なくとも1つのブローカコンピュータシステムであって、
前記未来の時間範囲ステップのうちの少なくとも1つに対する、前記企業コンピュータシステムの前記ユーザによる前記リソース要求に対処するように、動作モードにするために、前記企業によって必要とされる推奨ネットワークサーバ数を示すデータを、前記プログラムされたコンピュータシステムから受信するため、および
前記推奨ネットワークサーバ数が、前記少なくとも1つの未来の時間範囲ステップに対する、前記ユーザによる前記リソース要求に対処するための動作モードになるように、前記ネットワークサーバに命令するための、ブローカコンピュータシステムと、を備える、システム。 - 前記複数のネットワークサーバに対する前記性能変数が、少なくとも以下の:
CPU負荷と、
一次コンピュータメモリ使用と、
単位時間当たりの二次コンピュータストレージ入力/出力(IO)操作と、示す変数を含む、請求項9に記載のシステム。 - 前記変数をグループ化する前記ステップが、
前記プログラムされたコンピュータシステムによって、性能変数の各対間の相関を示す相関行列を計算することと、
前記プログラムされたコンピュータシステムによって、クラスタリングアルゴリズムを使用して前記相関行列に基づいて前記変数グループを決定することと、を含む、請求項9に記載のシステム。 - 前記相関行列が、スピアマン相関行列を含む、請求項11に記載のシステム。
- 前記クラスタリングアルゴリズムが、アフィニティプロパゲーションクラスタリングアルゴリズムを含む、請求項11に記載のシステム。
- 前記MTS性能データの前記基準状態に対する前記k個の最近傍を見つける前記ステップが、
前記MTSの前記基準状態を表すベクトルと、過去のサンプリング時間における前記MTSデータを表す複数のベクトルの各々との間の距離をそれぞれ計算することと、
前記MTSの前記基準状態を表す前記ベクトルまでの最小距離を有する過去のサンプリング時間に対するk個のベクトルを決定することと、を含む、請求項9に記載のシステム。 - 未来の期間にわたる企業コンピュータシステムのネットワークサーバの未来のワークロードを予測するためのコンピュータ実装方法であって、前記企業コンピュータシステムが、前記企業コンピュータシステムのユーザのためのコンピュータリソースをホストする複数のネットワークサーバを備え、前記方法が、
プログラムされたコンピュータシステムによって、単位時間T当たりの前記企業コンピュータシステムの前記ユーザによる前記ネットワークサーバへの要求数が最近の期間の現在のサブシーケンスと最も類似する期間のk個の最も最近のサブシーケンスのソートに基づいて、前記未来の期間の間の前記要求数pを予測することと、
プログラムされたコンピュータシステムによって、前記要求の属性に基づいて、履歴要求を2つ以上の要求タイプクラスに分類することと、
プログラムされたコンピュータシステムによって、前記2つ以上の要求タイプクラスの各々における履歴要求の比率に基づいて、前記2つ以上の要求タイプクラスの各々に対する前記未来の期間内の要求の比率を予測することと、
プログラムされたコンピュータシステムによって、前記要求タイプクラスに対する前記1つ以上の要求属性に対する周期性を決定することと、
プログラムされたコンピュータシステムによって、p個のサンプルが、前記2つ以上の要求タイプクラスの各々の前記予測された比率を有するように、かつ前記p個のサンプルが、前記要求タイプクラスの前記周期性に基づいて、前記未来の期間と同じ要求サイクルポイントからのものであるように、前記p個の履歴要求をサンプリングすることと、
プログラムされたコンピュータシステムによって、前記p個のサンプリングされた履歴要求を合成して、前記未来の期間についての前記ネットワークサーバに対するワークロードトレースを取得することと、を含む、方法。 - 前記予測された未来のワークロードに基づいて、前記未来の期間において前記ネットワークサーバの前記状態を調整すること、をさらに含む、請求項15に記載の方法。
- 前記要求の属性に基づいて前記履歴要求を前記2つ以上の要求タイプクラスに分類する前記ステップが、
前記プログラムされたコンピュータシステムによって、前記履歴要求の前記属性の相関分析を実行することと、
前記プログラムされたコンピュータシステムによって、前記相関分析に基づいて、前記履歴要求を前記2つ以上のクラスに分類することと、を含む、請求項15に記載の方法。 - 前記相関分析を実行することが、前記要求の属性の対の間でピアソン相関係数を計算することを含む、請求項17に記載の方法。
- 前記履歴要求を分類することが、前記プログラムされたコンピュータシステムによって、前記要求の前記要求属性に基づいて前記要求を前記2つ以上の要求に分割するためのクラスタリングアルゴリズムを使用することを含む、請求項18に記載の方法。
- 前記要求タイプクラスの前記1つ以上の要求属性に対する前記周期性を決定することが、前記2つ以上のクラスの前記1つ以上の要求属性のサイクル長を計算するために高速フーリエ変換を使用することを含む、請求項15に記載の方法。
- 未来の期間にわたる企業コンピュータシステムのネットワークサーバの未来のワークロードを予測するためのシステムであって、前記企業コンピュータシステムが、前記企業コンピュータシステムのユーザのためのコンピュータリソースをホストする複数のネットワークサーバを備え、前記システムが、
前記複数のネットワークサーバに対する前記ユーザによる履歴要求に関するデータを格納するために前記複数のネットワークサーバと通信する、コンピュータデータベースシステムと、
前記コンピュータデータベースシステムと通信する予測コンピュータシステムであって、前記プログラムされたコンピュータシステムが、
期間のk個の最も最近のサブシーケンスのソートに基づいて未来の期間に対する要求数pを予測することであって、単位時間T当たりの前記企業コンピュータシステムの前記ユーザによる前記ネットワークサーバへの前記要求数が、最近の期間の現在のサブシーケンスと最も類似している、予測することと、
前記要求の属性に基づいて履歴要求を2つ以上の要求タイプクラスに分類することと、
前記2つ以上の要求タイプクラスの各々における履歴要求の比率に基づいて、前記2つ以上の要求タイプクラスの各々に対する前記未来の期間における要求の比率を予測することと、
前記要求タイプクラスに対する前記1つ以上の要求属性に対する周期性を決定することと、
p個のサンプルが、前記2つ以上の要求タイプクラスの各々の前記予測された比率を有するように、かつ前記p個のサンプルが、前記要求タイプクラスの前記周期性に基づいて、前記未来の期間と同じ要求サイクルポイントからのものであるように、前記p個の履歴要求をサンプリングすることと、
前記p個のサンプリングされた履歴要求を合成して、前記未来の期間に対する前記ネットワークサーバについてのワークロードトレースを取得することと、を含むステップを実行することによって前記ネットワークサーバの前記未来のワークロードを予測するようにプログラムされている、予測コンピュータシステムと、を備える、システム。 - 前記予測コンピュータシステムと通信するブローカコンピュータシステムをさらに含み、前記ブローカコンピュータシステムが、前記予測された未来のワークロードに基づいて、前記未来の期間において前記ネットワークサーバの状態を調整するためのものである、請求項21に記載のシステム。
- 前記予測コンピュータシステムが、
前記履歴要求の前記属性の相関分析を実行することと、
前記相関分析に基づいて、前記履歴要求を前記2つ以上のクラスへと分類することと、を含むステップを実行することによって、前記要求の属性に基づいて、前記履歴要求を前記2つ以上の要求タイプクラスへと分類するようにプログラムされている、請求項21に記載のシステム。 - 前記予測コンピュータシステムが、前記要求の属性の対の間のピアソン相関係数を計算することを含むステップを実行することによって、前記相関分析を実行するようにプログラムされている、請求項23に記載のシステム。
- 前記予測コンピュータシステムが、前記要求の前記要求属性に基づいて前記要求を前記2つ以上の要求へと分割するためにクラスタリングアルゴリズムを使用することを含むステップを実行することによって、前記履歴要求を分類するようにプログラムされている、請求項24に記載のシステム。
- 前記予測コンピュータシステムが、前記2つ以上のクラスの前記1つ以上の要求属性のサイクル長を計算するために高速フーリエ変換を使用することを含むステップを実行することによって、前記要求タイプクラスの前記1つ以上の要求属性に対する前記周期性を決定するようにプログラムされている、請求項21に記載のシステム。
- 企業コンピュータシステムに対するネットワークリソースのニーズを予想するコンピュータ実装方法であって、前記企業コンピュータシステムが、前記企業コンピュータシステムのユーザのためのコンピュータリソースをホストする複数のネットワークサーバを備え、前記方法が、
プログラムされたコンピュータシステムによって、履歴期間に対するユーザリソース要求パターンに基づいて前記履歴期間を分類することであって、前記履歴期間を分類することが、前記履歴期間の各々を少なくとも2つの未来のユーザリソース要求パターン分類のうちの1つへと分類することを含む、分類することと、
前記プログラムされたコンピュータシステムによって、次の時間範囲に対するユーザリソース要求パターン分類を予測することであって、
前記ユーザリソース要求に関して最近の履歴期間と最も類似している、前記最近の履歴期間と同様の周期的な時間を有するk個の履歴期間を特定することと、
前記k個の履歴期間の各々に続く履歴期間の前記ユーザリソース要求パターン分類を識別することと、
前記k個の履歴期間に続く前記履歴期間の最も頻繁なユーザリソース要求パターン分類を決定することであって、前記最も一般的なユーザリソース要求パターン分類が次の期間の予測されたユーザリソース要求パターン分類である、決定することと、によって予測することと、
前記プログラムされたコンピュータシステムと通信している仲介コンピュータシステムによって、前記次の期間についての前記予測されたユーザリソース要求パターン分類に基づいて、前記次の期間についてのユーザリソース要求に対して利用可能な前記企業コンピュータシステムの多数のネットワークサーバを適応的にスケジューリングすることと、を含む、方法。 - 前記次の期間の間に前記ネットワークリソース数を適応的にスケジューリングすることが、
比例定数Kを有する第1の式を使用して、一連の未来の期間に対する前記予測されたユーザリソース要求パターン分類が増加しているとき、前記次の期間に対する推奨サーバ数を計算することと、
前記比例定数Kを有する第2の式を使用して、一連の未来の期間に対する前記予測されたユーザリソース要求パターン分類が減少しているとき、前記次の期間に対する推奨サーバ数を計算することと、
前記プログラムされたコンピュータシステムによって、単位期間内の単位ネットワークサーバの効率に基づいて前記比例定数Kをオンラインで調整することと、を含む、請求項51に記載の方法。 - 前記少なくとも2つの未来的なユーザリソース要求パターン分類が、前記一連の未来の期間に対する前記予測されたユーザリソース要求パターン分類が増加または減少していないときに対する変動するユーザリソース要求パターン分類を含み、
前記次の期間に対する前記ネットワークリソース数を適応的にスケジュールすることが、前記比例定数Kを有する第3の式を使用して、前記一連の未来の期間に対する前記予測されたユーザリソース要求パターン分類が変動しているとき、前記次の期間に対する前記推奨サーバ数を計算することを含む、請求項28に記載の方法。 - (削除)
- 履歴期間が、1つ以上の条件が満たされたときに増加として分類され、前記1つ以上の条件が、要求数が連続した時間範囲ステップの第1の閾値数(N1)を超えて増加したという第1の条件を含む、請求項51に記載の方法。
- 前記増加分類のための前記1つ以上の条件が、前記要求数が、連続した時間範囲ステップの第2の閾値数(N2)を第1の閾値パーセントより多く超えて増加したという第2の条件を含む、請求項31に記載の方法。
- 前記増加分類のための前記1つ以上の条件が、(i)直前の時間範囲ステップが増加として分類され、かつ(ii)後続の時間範囲ステップが減少として分類されないという第3の条件を含む、請求項32に記載の方法。
- 履歴期間が、1つ以上の条件が満たされたときに減少として分類され、前記1つ以上の条件が、前記要求数が連続した時間範囲ステップの第3の閾値数(N3)を超えて減少したという第1の条件を含む、請求項33に記載の方法。
- 減少分類のための前記1つ以上の条件が、前記要求数が連続した時間範囲ステップの第4の閾値数(N4)を第2の閾値パーセントより多く超えて減少したという第2の条件を含む、請求項34に記載の方法。
- 減少分類のための前記1つ以上の条件が、(i)直前の時間範囲ステップが減少として分類され、かつ(ii)後続の時間範囲ステップが増加として分類されないという第3の条件を含む、請求項35に記載の方法。
- (削除)
- 前記次の期間の間に前記企業によって必要とされるサーバ数を適応的にスケジュールすることが、現在使用されていない利用可能なネットワークサーバの容量を補償することを含む、請求項27に記載の方法。
- 企業コンピュータシステムに対するネットワークリソースのニーズを予想するためのシステムであって、前記企業コンピュータシステムが、前記企業コンピュータシステムのユーザのためにコンピュータリソースをホストする複数のネットワークサーバを備え、前記システムが、
前記複数のネットワークサーバに対する多変量時系列(MTS)性能データを格納するために、前記複数のネットワークサーバと通信するコンピュータデータベースシステムと、
前記コンピュータデータベースシステムと通信するプログラムされたコンピュータシステムであって、前記プログラムされたコンピュータシステムが、
プログラムされたコンピュータシステムによって、履歴期間に対するユーザリソース要求パターンに基づいて前記履歴期間を分類することであって、前記履歴期間を分類することが、前記履歴期間の各々を少なくとも2つの未来のユーザリソース要求パターン分類のうちの1つへと分類することを含む、分類することと、
前記プログラムされたコンピュータシステムによって、次の時間範囲に対するユーザリソース要求パターン分類を予測することであって、
前記ユーザリソース要求に関して最近の履歴期間と最も類似している前記最近の履歴期間と同様の周期的な時間を有するk個の履歴期間を特定することと、
前記k個の履歴期間の各々に続く前記履歴期間の前記ユーザリソース要求パターン分類を識別することと、
前記k個の履歴期間に続く前記履歴期間の最も頻繁なユーザリソース要求パターン分類を決定することであって、前記最も一般的なユーザリソース要求パターン分類が、次の期間の予測されたユーザリソース要求パターン分類である、決定することと、を含む、予測することと、
前記プログラムされたコンピュータシステムと通信している仲介コンピュータシステムによって、前記次の期間についての前記予測されたユーザリソース要求パターン分類に基づいて、前記次の期間に対するユーザリソース要求のために利用可能な前記企業コンピュータシステムの多数のネットワークサーバを適応的にスケジューリングすることと、を含むステップを実行することによって、前記企業コンピュータシステムの前記ネットワークサーバの未来のワークロードを予測するようにプログラムされている、プログラムされたコンピュータシステムと、を備える、システム。 - 前記次の期間のために前記ネットワークリソース数を適応的にスケジューリングすることが、
比例定数Kを有する第1の式を使用して、一連の未来の期間に対する前記予測されたユーザリソース要求パターン分類が増加しているとき、前記次の期間に対する推奨サーバ数を計算することと、
前記比例定数Kを有する第2の式を使用して、一連の未来の期間に対する前記予測されたユーザリソース要求パターン分類が減少しているとき、前記次の期間に対する前記推奨サーバ数を計算することと、
前記プログラムされたコンピュータシステムによって、単位期間内の単位ネットワークサーバの効率に基づいて前記比例定数Kをオンラインで調整することと、を含む、請求項52に記載のシステム。 - 前記少なくとも2つの未来的なユーザリソース要求パターン分類が、一連の未来の期間に対する予測されたユーザリソース要求パターン分類が増加または減少していないときのための変動するユーザリソース要求パターン分類を含み、かつ
前記次の期間に対する前記ネットワークリソース数を適応的にスケジュールすることが、前記比例定数Kを有する第3の式を使用して、一連の未来の期間に対する前記予測されたユーザリソース要求パターン分類が変動しているとき、前記次の期間に対する前記推奨サーバ数を計算することを含む、請求項40に記載のシステム。 - (削除)
- 履歴期間が、1つ以上の条件が満たされたときに増加として分類され、前記1つ以上の条件が、前記要求数が連続した時間範囲ステップの第1の閾値数(N1)を超えて増加したという第1の条件を含む、請求項52に記載のシステム。
- 増加分類のための前記1つ以上の条件が、前記要求数が連続した時間範囲ステップの第2の閾値数(N2)を第1の閾値パーセントより多く超えて増加したという第2の条件を含む、請求項43に記載のシステム。
- 増加分類のための前記1つ以上の条件が、(i)直前の時間範囲ステップが増加として分類され、かつ(ii)後続の時間範囲ステップが減少として分類されないという第3の条件を含む、請求項44に記載のシステム。
- 履歴期間が、1つ以上の条件が満たされたときに減少として分類され、前記1つ以上の条件が、前記要求数が連続した時間範囲ステップの第3の閾値数(N3)を超えて減少したという第1の条件を含む、請求項45に記載のシステム。
- 減少分類のための前記1つ以上の条件が、前記要求数が連続した時間範囲ステップの第4の閾値数(N4)を超えて第2の閾値パーセントより多く超えて減少したという第2の条件を含む、請求項46に記載のシステム。
- 減少分類のための前記1つ以上の条件が、(i)直前の時間範囲ステップが減少として分類され、かつ(ii)後続の時間範囲ステップが増加として分類されないという第3の条件を含む、請求項47に記載のシステム。
- (削除)
- 前記プログラムされたコンピュータシステムが、前記次の期間の間に前記企業によって必要とされる前記サーバ数を適応的にスケジュールすることにおいて現在使用されていない利用可能なネットワークサーバの容量を補償するようにプログラムされている、請求項39のシステム。
- 少なくとも2つのユーザリソース要求パターン分類が、増加するユーザリソース要求パターン分類と、減少するユーザリソース要求パターン分類と、を含み、かつ
前記次の期間に利用可能なネットワークサーバ数を適応的にスケジューリングすることが、
前記次の期間に対する前記予測されたユーザリソース要求パターン分類が増加しているときに、ネットワークサーバを追加することと、
前記次の期間に対する前記予測されたユーザリソース要求パターン分類が減少しているときに、ネットワークサーバを低減することと、のうちの1つを含む、請求項27に記載の方法。 - 少なくとも2つのユーザリソース要求パターン分類が、増加するユーザリソース要求パターン分類と、減少するユーザリソース要求パターン分類と、を含み、
前記次の期間に利用可能な前記ネットワークサーバ数を適応的にスケジューリングすることが、
前記次の期間に対する前記予測されたユーザリソース要求パターン分類が増加しているときに、ネットワークサーバを追加すること、および、
前記次の期間に対する前記予測されたユーザリソース要求パターン分類が減少しているときに、ネットワークサーバを低減すること、のうちの1つを含む、請求項39に記載のシステム。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2020142203A JP7111779B2 (ja) | 2020-08-26 | 2020-08-26 | コンピュータリソースのための予測的資産最適化 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2020142203A JP7111779B2 (ja) | 2020-08-26 | 2020-08-26 | コンピュータリソースのための予測的資産最適化 |
Related Parent Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2019534881A Division JP6756048B2 (ja) | 2016-12-26 | 2016-12-26 | コンピュータリソースのための予測的資産最適化 |
Publications (3)
Publication Number | Publication Date |
---|---|
JP2021005387A true JP2021005387A (ja) | 2021-01-14 |
JP2021005387A5 JP2021005387A5 (ja) | 2022-04-01 |
JP7111779B2 JP7111779B2 (ja) | 2022-08-02 |
Family
ID=74097234
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2020142203A Active JP7111779B2 (ja) | 2020-08-26 | 2020-08-26 | コンピュータリソースのための予測的資産最適化 |
Country Status (1)
Country | Link |
---|---|
JP (1) | JP7111779B2 (ja) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113673822A (zh) * | 2021-07-15 | 2021-11-19 | 微梦创科网络科技(中国)有限公司 | 一种弹性调度方法及系统 |
CN116912202A (zh) * | 2023-07-13 | 2023-10-20 | 中国中医科学院眼科医院 | 一种医用高值耗材管理方法和系统 |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2011258119A (ja) * | 2010-06-11 | 2011-12-22 | Hitachi Ltd | クラスタ構成管理方法、管理装置及びプログラム |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP6349264B2 (ja) | 2015-01-19 | 2018-06-27 | 株式会社日立製作所 | 計算資源割当て方法およびシステム |
-
2020
- 2020-08-26 JP JP2020142203A patent/JP7111779B2/ja active Active
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2011258119A (ja) * | 2010-06-11 | 2011-12-22 | Hitachi Ltd | クラスタ構成管理方法、管理装置及びプログラム |
Non-Patent Citations (1)
Title |
---|
小出 洋(外3名): "「資源情報サーバにおける資源情報予測の評価」", 情報処理学会論文誌:プログラミング, vol. Vol. 42, No. SIG 3 (PRO 10), JPN6021042758, 15 March 2001 (2001-03-15), JP, pages 65 - 73, ISSN: 0004631876 * |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113673822A (zh) * | 2021-07-15 | 2021-11-19 | 微梦创科网络科技(中国)有限公司 | 一种弹性调度方法及系统 |
CN113673822B (zh) * | 2021-07-15 | 2023-08-11 | 微梦创科网络科技(中国)有限公司 | 一种弹性调度方法及系统 |
CN116912202A (zh) * | 2023-07-13 | 2023-10-20 | 中国中医科学院眼科医院 | 一种医用高值耗材管理方法和系统 |
CN116912202B (zh) * | 2023-07-13 | 2024-01-30 | 中国中医科学院眼科医院 | 一种医用高值耗材管理方法和系统 |
Also Published As
Publication number | Publication date |
---|---|
JP7111779B2 (ja) | 2022-08-02 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
JP6756048B2 (ja) | コンピュータリソースのための予測的資産最適化 | |
Garí et al. | Reinforcement learning-based application autoscaling in the cloud: A survey | |
CN111124689B (zh) | 一种集群中容器资源动态分配方法 | |
Thakkar et al. | MUVINE: Multi-stage virtual network embedding in cloud data centers using reinforcement learning-based predictions | |
Mondal et al. | Scheduling of time-varying workloads using reinforcement learning | |
CN113938488A (zh) | 一种基于动静态加权轮询的负载均衡方法 | |
JP7111779B2 (ja) | コンピュータリソースのための予測的資産最適化 | |
CN114500578B (zh) | 分布式存储系统负载均衡调度方法、装置及存储介质 | |
Banerjee et al. | Efficient resource utilization using multi-step-ahead workload prediction technique in cloud | |
JP2021005387A5 (ja) | ||
Li et al. | Efficient response time predictions by exploiting application and resource state similarities | |
CN108241526B (zh) | 基于模式预测的自适应控制策略 | |
Liao et al. | Adaptive resource prediction in the cloud using linear stacking model | |
CN108241864A (zh) | 基于多变量分组的服务器性能预测方法 | |
Kalai Arasan et al. | Energy‐efficient task scheduling and resource management in a cloud environment using optimized hybrid technology | |
Horn et al. | Multi-objective hybrid autoscaling of microservices in Kubernetes clusters | |
CN108241533B (zh) | 一种基于预测和分层抽样的资源池未来负载生成方法 | |
Lili et al. | A Markov chain based resource prediction in computational grid | |
Fakhartousi et al. | Autonomic Dominant Resource Fairness (A-DRF) in Cloud Computing | |
Sugan | PredictOptiCloud: A hybrid framework for predictive optimization in hybrid workload cloud task scheduling | |
Tairin et al. | Embracing Uncertainty for Equity in Resource Allocation in ML Training | |
Huang et al. | Accurate Prediction of Required Virtual Resources via Deep Reinforcement Learning | |
Ye et al. | Nostop: A novel configuration optimization scheme for Spark Streaming | |
Yu et al. | Integrating clustering and regression for workload estimation in the cloud | |
Gupta et al. | Workload prediction for SLA performance in cloud environment: ESANN approach |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20200909 |
|
A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20200909 |
|
A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20211102 |
|
A601 | Written request for extension of time |
Free format text: JAPANESE INTERMEDIATE CODE: A601 Effective date: 20220201 |
|
A524 | Written submission of copy of amendment under article 19 pct |
Free format text: JAPANESE INTERMEDIATE CODE: A524 Effective date: 20220324 |
|
A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A821 Effective date: 20220324 |
|
TRDD | Decision of grant or rejection written | ||
A01 | Written decision to grant a patent or to grant a registration (utility model) |
Free format text: JAPANESE INTERMEDIATE CODE: A01 Effective date: 20220712 |
|
A61 | First payment of annual fees (during grant procedure) |
Free format text: JAPANESE INTERMEDIATE CODE: A61 Effective date: 20220721 |
|
R150 | Certificate of patent or registration of utility model |
Ref document number: 7111779 Country of ref document: JP Free format text: JAPANESE INTERMEDIATE CODE: R150 |