JP2021197039A - バースト可能インスタンス推奨装置、方法、及びプログラム。 - Google Patents
バースト可能インスタンス推奨装置、方法、及びプログラム。 Download PDFInfo
- Publication number
- JP2021197039A JP2021197039A JP2020104878A JP2020104878A JP2021197039A JP 2021197039 A JP2021197039 A JP 2021197039A JP 2020104878 A JP2020104878 A JP 2020104878A JP 2020104878 A JP2020104878 A JP 2020104878A JP 2021197039 A JP2021197039 A JP 2021197039A
- Authority
- JP
- Japan
- Prior art keywords
- instance
- burstable
- series data
- candidate
- performance
- 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 description 46
- 238000010586 diagram Methods 0.000 description 20
- 238000013508 migration Methods 0.000 description 14
- 230000005012 migration Effects 0.000 description 14
- 230000007423 decrease Effects 0.000 description 10
- 238000012545 processing Methods 0.000 description 6
- 238000007781 pre-processing Methods 0.000 description 5
- 238000007726 management method Methods 0.000 description 2
- 239000002245 particle Substances 0.000 description 2
- 241000728173 Sarima Species 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 230000009172 bursting Effects 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000004590 computer program Methods 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 230000014759 maintenance of location Effects 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 230000001502 supplementing effect Effects 0.000 description 1
- 238000012549 training Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q30/00—Commerce
- G06Q30/02—Marketing; Price estimation or determination; Fundraising
- G06Q30/0283—Price estimation or determination
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0631—Resource planning, allocation, distributing or scheduling for enterprises or organisations
- G06Q10/06315—Needs-based resource requirements planning or analysis
Abstract
【課題】インスタンスを移行させる候補となるバースト可能インスタンスを適切に推奨することができるようにする。【解決手段】プロセッサを備え、所定の利用中インスタンスを移行させる候補となる、パブリッククラウド102が提供するバースト可能インスタンスに関する情報を提供するバースト可能インスタンス推奨サーバ103において、プロセッサを、利用中インスタンスの性能時系列データに基づいて、利用中インスタンスを移行可能なパブリッククラウド102が提供する第1候補バースト可能インスタンスを特定し、第1候補バースト可能インスタンスについて、性能時系列データよりも高い負荷の発生を推定した高負荷性能時系列データを算出し、高負荷性能時系列データの場合のペナルティを算出し、第1候補バースト可能インスタンスについてのコストと、ペナルティとを認識可能に表示させるように構成する。【選択図】図1
Description
本発明は、バースト可能インスタンスを推奨する技術に関する。
計算機で実行されるワークの中には、例えば、プロセッサ等のリソースのリソース利用率がほとんどの時間にわたって低く、時折増加するという特徴を有するワークが知られている。リソース需要の一時的な増加は、「バースト」として知られている。
このようなバーストに対して、例えば、オンプレミスのリソースではなくクラウド内のリソースを利用することによって、バースト中のリソースのスケールアップの問題に対処する技術が知られている(例えば、特許文献1参照)。特許文献1は、リソースおよびスケーリングポリシーに基づいて、バースト中にパブリッククラウドに移行される仮想マシンを選択するためのシステム、方法、およびコンピュータプログラムを提供している。
また、パブリッククラウドのベンダは、仮想マシン(VM)のインスタンスとして、バースト可能なインスタンス(バースト可能インスタンス)を提供することが行われている。バースト可能インスタンスは、より低いコストでCPU使用率の一部のみを保証しており、バーストが発生した場合の基準や価格の設定は、CPUクレジットを用いて管理されている場合がある。
従来においては、バースト可能インスタンスを適切に利用できるようにする推奨が行われていない。バースト可能インスタンスのCPUクレジットに従った価格モデルは複雑であり、更に、バースト可能インスタンスを提供するパブリッククラウドのベンダによってそれぞれ異なっており、複雑さをさらに増加させている。
また、将来的に有効なバースト可能インスタンスを推奨することが要請されている。
本発明は、上記事情に鑑みなされたものであり、その目的は、インスタンスを移行させる候補となるバースト可能インスタンスを適切に推奨することのできる技術を提供することにある。
上記目的を達成するため、一観点に係るバースト可能インスタンス推奨装置は、プロセッサを備え、所定の利用中インスタンスを移行させる候補となる、パブリッククラウドが提供するバースト可能インスタンスに関する情報を提供するバースト可能インスタンス推奨装置であって、前記プロセッサは、前記利用中インスタンスの性能時系列データに基づいて、前記利用中インスタンスを移行可能な前記パブリッククラウドが提供する第1候補バースト可能インスタンスを特定し、特定した第1前記候補バースト可能インスタンスについて、前記性能時系列データよりも高い負荷の発生を推定した高負荷性能時系列データを算出し、前記高負荷性能時系列データの場合のペナルティを算出し、前記第1候補バースト可能インスタンスについてのコストと、前記ペナルティとを認識可能に表示させる。
本発明によれば、インスタンスを移行させる候補となるバースト可能インスタンスを適切に推奨することができる。
実施形態について、図面を参照して説明する。なお、以下に説明する実施形態は特許請求の範囲に係る発明を限定するものではなく、また実施形態の中で説明されている諸要素及びその組み合わせの全てが発明の解決手段に必須であるとは限らない。
以下の説明では、「AAAテーブル」の表現にて情報を説明することがあるが、情報は、どのようなデータ構造で表現されていてもよい。すなわち、情報がデータ構造に依存しないことを示すために、「AAAテーブル」を「AAA情報」と呼ぶことができる。
また、以下の説明では、「プログラム」を動作主体として処理を説明する場合があるが、プログラムは、プロセッサによって実行されることで、定められた処理を、適宜に記憶部及びインターフェース部のうちの少なくとも1つを用いながら行うため、処理の主語が、プロセッサ(或いは、プロセッサを有する計算機又は計算機システム)とされてもよい。プログラムは、プログラムソースから計算機にインストールされてもよい。プログラムソースは、例えば、プログラム配布サーバ又は計算機が読み取り可能な記憶メディア(例えば可搬型の記憶メディア)であってもよい。また、以下の説明において、2以上のプログラムが1つのプログラムとして実現されてもよいし、1つのプログラムが2以上のプログラムとして実現されてもよい。また、プログラムが実行されることによって実現される処理のうちの少なくとも一部が、ハードウェア回路(例えばASIC(Application Specific Integrated Circuit)又はFPGA(Field-Programmable Gate Array))によって実現されてもよい。
一実施形態においては、VMを構成するオンプレミスのインスタンス(オンプレミスインスタンス)を移行(マイグレート)するのに適したパブリッククラウドにおける、1以上の安価なバースト可能インスタンスの候補を選択する。バースト可能インスタンスの候補の選択は、オンプレミスインスタンスのCPU使用率の時系列データの予測に基づいている。また、本実施形態においては、マイグレーション先となるバースト可能インスタンスにおいて発生するコストおよびペナルティを可視化する。
図1は、一実施形態に係る計算機システムの全体構成図である。
計算機システム100は、1以上のオンプレミスデータセンタ101と、バースト可能インスタンス推奨装置の一例としてのバースト可能インスタンス推奨サーバ103と、パブリッククラウド102とを備える。
オンプレミスデータセンタ101と、バースト可能インスタンス推奨サーバ103とは、ネットワーク104を介して接続されている。ネットワーク104は、例えば、有線LAN(Local Area Network)や無線LANなどである。また、バースト可能インスタンス推奨サーバ103は、インターネット105を介してパブリッククラウド102と接続されている。
オンプレミスデータセンタ101は、VMを構成するインスタンス(オンプレミスインスタンス)を提供する。また、パブリッククラウド102は、VMを構成するインスタンスを提供可能である。パブリッククラウド102が提供可能なインスタンスとしては、CPUの使用率として固定のパフォーマンスを提供可能なインスタンス(固定パフォーマンスインスタンス)と、CPUの使用率の基準(ベースライン)が設定され、所定の条件を満たせば(例えば、後述するCPUクレジットの残高があれば)、ベースラインをバーストして使用可能なバースト可能インスタンスとがある。また、このようなバースト可能インスタンスには、所定の条件を満たさない場合(CPUクレジットの残高がない場合)には、ペナルティとして、ベースライン以上のパフォーマンスが制限される標準モードと、所定の条件を満たさない場合(CPUクレジットの残高がない場合)にもパフォーマンスが制限されず、ペナルティとして追加コストが発生する無制限モードとがある。
次に、バースト可能インスタンス推奨サーバ103について詳細に説明する。
図2は、一実施形態に係るバースト可能インスタンス推奨サーバの構成図である。
バースト可能インスタンス推奨サーバ103は、例えば、典型的なコンピュータで構成され、ネットワークインターフェース(ネットワークI/F)201と、プロセッサ202と、入出力デバイスインターフェース(入出力デバイスI/F)203と、メモリ204と、ローカルディスク205と、を備える。
ネットワークI/F201は、例えば、有線LANカードや無線LANカードなどのインターフェースであり、ネットワーク104や、インターネット105を介して他の装置(例えば、オンプレミスデータセンタ101やパブリッククラウド102の装置)と通信する。
プロセッサ202は、メモリ204及び/又ローカルディスク205に格納されているプログラムに従って各種処理を実行する。
入出力デバイスI/F203は、例えば、タッチパネル、ディスプレイ、キーボード、マウス等の入力装置や出力装置と接続するためのインターフェースである。
メモリ204は、例えば、RAM(RANDOM ACCESS MEMORY)を含み、プロセッサ202で実行されるプログラムや、必要な情報を記憶する。
ローカルディスク205は、例えば、HDD(ハードディスクドライブ)やSSD(ソリッドステートドライブ)などであり、プロセッサ202で実行されるプログラムや、プロセッサ202に利用されるデータを記憶する。本実施形態では、ローカルディスク205は、プログラムとしてオンプレミスデータ収集プログラム2055と、バースト可能インスタンス推奨プログラム2054とを記憶し、データとしてインスタンス設定データテーブル2051と、CPU使用率時系列データテーブル2052と、インスタンス構成及び価格データテーブル2053とを記憶する。
バースト可能インスタンス推奨プログラム2054は、プロセッサ202に実行されることにより、オンプレミスデータセンタ101で使用しているオンプレミスインスタンス(利用中インスタンスの一例)を移動させるのに適したパブリッククラウド102のバースト可能インスタンスを推奨する処理を行う。
オンプレミスデータ収集プログラム2055は、プロセッサ202に実行されることにより、オンプレミスデータセンタ101からオンプレミスインスタンスの構成データを収集してインスタンス設定データテーブル2051に格納し、CPU使用率の時系列データ(性能時系列データ)を収集してCPU使用率時系列データテーブル2052に登録する。インスタンス設定データテーブル2051と、CPU使用率時系列データテーブル2052とに格納される情報は、例えば、パブリッククラウド102のクラウドコンピューティングプラットフォームによって提供されるAPI(Application Programming Inteface)を使用して収集することができる。なお、情報の収集方法はこれに限定されない。
次に、インスタンス設定データテーブル2051について説明する。
図3は、一実施形態に係るインスタンス設定データテーブルの構成図である。
インスタンス設定データテーブル2051は、オンプレミスデータセンタ101におけるマイグレーションが考慮される対象(検討対象)となるオンプレミスインスタンス毎の行(レコード)を格納する。インスタンス設定データテーブル2051には、マイグレーションが考慮されるオンプレミスインスタンスの数と同じ数のレコードがある。各レコードは、インスタンスID301と、仮想CPU数(vCPU数)302と、RAMサイズ303と、ネットワークスループット304との列(カラム)を含む。
インスタンスID301は、レコードに対応するオンプレミスインスタンスを識別するIDであり、他の関連するテーブル(例えば、CPU使用率時系列データテーブル2052等)に接続するためのキーとして使用される。他の列は、レコードに対応するオンプレミスインスタンスの設定パラメータである。vCPU数302は、レコードに対応するオンプレミスインスタンスに割り当てられているvCPUの数を示す。RAMサイズ303は、レコードに対応するオンプレミスインスタンスに割り当てられているRAMのサイズを示す。RAMのサイズは、例えば、[GiB]の単位となっている。ネットワークスループット304は、レコードに対応するオンプレミスインスタンスに割り当てられているネットワークスループットを示す。ネットワークスループットは、例えば、[Mbps]の単位となっている。なお、レコードにおけるオンプレミスインスタンスの設定パラメータは、上記に限られず、必要性に応じて、例えば、一次記憶装置のサイズ、ストレージI/O等の他の設定パラメータを含めてもよい。
例えば、レコード2051Aは、インスタンスIDがvm1のオンプレミスインスタンスには、2個のvCPUと、4GiBのRAMと、100Mbpsのネットワークスループットがあることを示している。
次に、CPU使用率時系列データテーブル2052について説明する。
図4は、一実施形態に係るCPU使用率時系列データテーブルの構成図である。
CPU使用率時系列データテーブル2052は、各オンプレミスインスタンスのCPU利用率の時系列データを格納しており、各オンプレミスインスタンスにおける各時点毎のレコードを格納する。CPU使用率時系列データテーブル2052には、1つのオンプレミスインスタンスのレコード数に、移行の検討対象と見なされるオンプレミスインスタンスの総数を乗算した数のレコードが存在する。
CPU使用率時系列データテーブル2052のレコードは、インスタンスID401と、日時402と、CPU使用率403との列を含む。
インスタンスID401は、レコードに対応するオンプレミスインスタンスを識別するIDであり、他の関連するテーブル(例えば、インスタンス設定データテーブル2051等)に接続するためのキーとして使用される。日時402は、レコードに対応する情報の日時を示す。CPU使用率403は、レコードに対応するオンプレミスインスタンスでのCPU使用率(例えば、%)を示す。ここで、CPU使用率は、オンプレミスインスタンス内の使用可能なすべてのvCPUの平均CPU使用率である。例えば、オンプレミスインスタンスに2つのvCPUがあり、CPU使用率が20%である場合には、1つのCPUの使用率としては、2×20=40%であることを意味する。
例えば、レコード2052A1は、インスタンスIDがvm1のオンプレミスインスタンスにおける2020−03−01 00:00:00の日時におけるCPU使用率が20%であることを示している。
ここで、単一のオンプレミスインスタンスに対応するレコードの数は、(i)粒度及び(ii)データ保持ポリシーに依存する。本実施形態では、例えば、1分間の粒度とし、90日間のデータ保持をポリシーとしているが、データの性質及び可用性に基づいて他の設定としてもよい。
次に、インスタンス構成及び価格データテーブル2053について説明する。
図5は、一実施形態に係るインスタンス構成及び価格データテーブルの構成図である。
インスタンス構成及び価格データテーブル2053は、パブリッククラウド102で提供されるインスタンス(パブリッククラウドインスタンス)についての構成及び価格データを格納しており、各パブリッククラウドインスタンス毎のレコードを格納する。
インスタンス構成及び価格データテーブル2053のレコードは、パブリッククラウドインスタンスタイプ501と、vCPU数502と、RAMサイズ503と、ネットワークスループット504と、コスト505と、ベースライン506との列を含む。
パブリッククラウドインスタンスタイプ501は、レコードに対応するパブリッククラウドインスタンスの名前である。vCPU数502は、レコードに対応するパブリッククラウドインスタンスに割り当てられているvCPUの数を示す。RAMサイズ503は、レコードに対応するパブリッククラウドインスタンスに割り当てられているRAMのサイズを示す。RAMのサイズは、例えば、[GiB]の単位となっている。ネットワークスループット504は、レコードに対応するパブリッククラウドインスタンスに割り当てられているネットワークスループットを示す。ネットワークスループットは、例えば、[Gbps]の単位となっている。列502〜504は、レコードに対応するパブリッククラウドインスタンスの設定パラメータである。なお、レコードにおけるパブリッククラウドインスタンスの設定パラメータは、上記に限られず、必要性に応じて、例えば、一次記憶装置のサイズ、ストレージI/O等の他の設定パラメータを含めてもよい。
コスト505は、レコードに対応するパブリッククラウドインスタンスの時間当たりのコストである。コストは、例えば、[$/hr]の単位となっている。ベースライン506は、パブリッククラウドインスタンスがバースト可能インスタンスである場合におけるvCPU当たりのCPU使用率の基準(ベースライン)を示す。なお、レコードに対応するパブリッククラウドインスタンスがバースト可能インスタンスでない場合、すなわち、固定パフォーマンスインスタンスの場合には、ベースライン506は、「NA」に設定される。
例えば、レコード2053Aは、名前がt3a.mediumであるパブリッククラウドインスタンスには、2個のvCPU、4GiBのRAMと、1Gbpsのネットワークスループットがあることを示している。また、このパブリッククラウドインスタンスには、0.049000[$/hr]の費用がかかり、20%のベースライン、すなわち、全体として、2×20=40%のベースラインとなっていることを示している。
同様に、レコード2053Dは、名前がa1.largeであるパブリッククラウドインスタンスには、2個のvCPU、4GiBのRAMと、10Gbpsのネットワークスループットがあることを示している。また、このパブリッククラウドインスタンスには、0.0642000[$/hr]の費用がかかり、このパブリッククラウドインスタンスは、固定パフォーマンスインスタンスであることを示している。
次に、バースト可能インスタンス推奨サーバ103による処理動作について説明する。
まず、バースト可能インスタンス推奨処理について説明する。
図6は、一実施形態に係るバースト可能インスタンス推奨処理のフローチャートである。
バースト可能インスタンス推奨処理は、マイグレーションの検討対象となるオンプレミスインスタンスのそれぞれを対象として、バースト可能インスタンス推奨プログラム2054を実行するプロセッサ202により実行される。この処理の説明において、処理対象となるオンプレミスインスタンスを対象オンプレミスインスタンスということとする。
バースト可能インスタンス推奨プログラム2054(明確には、バースト可能インスタンス推奨プログラム2054を実行するプロセッサ202)は、CPU使用率時系列データテーブル2052の対象オンプレミスインスタンスの時系列データ(履歴時系列データ)に対して所定の前処理を実行する(ステップ602)。前処理としては時系列データに応じて種々の前処理を行うことができる。本実施形態では、例えば、VMのサイズの違いによるCPUの利用率を統一化するための前処理を行う。VMを構成するインスタンスにおいて備えられているvCPUの数が異なるので、CPU使用率時系列データテーブル2052のCPU使用率403の値をそのまま利用することができない。そこで、vCPUの数と、CPU使用率403の値とで、統一したCPU使用率とするスケーリングを行う。スケーリングの方法としては、例えば、線形スケーリング等の種々の方法を使うことができる。具体的には、4個のvCPUを持つインスタンスのCPU使用率が20%である場合には、2個のvCPUのCPU使用率は40%となる。なお、前処理としては上記に限られず、例えば、CPU使用率時系列データテーブル2052の時系列データとして不足している時間のデータを補完する処理を行ってもよい。
次に、バースト可能インスタンス推奨プログラム2054は、履歴時系列データに基づいて、対象オンプレミスインスタンスについての、将来のCPU使用率の時系列データ(予測性能時系列データ)を予測する(ステップ603)。履歴時系列データから将来の時系列データを予測する方法としては、任意の時系列予測アルゴリズムまたは予測モデルを使用することができる。本実施形態では、例えば、微調整SARIMAモデル(予測モデル)を作成して時系列データを予測している。本実施形態では、バースト可能インスタンス推奨プログラム2054は、履歴時系列データから予測した予測時系列データ(予測シリーズ701:図7参照)と、予測シリーズ701に対してCPU使用率の増加や減少の変動幅(予測間隔704)を考慮した、CPU使用率が増加する側の予測時系列データ(上側シリーズ702:高負荷性能時系列データ)と、CPU使用率が減少する側の予測時系列データ(下側シリーズ703)とを生成する。なお、予測シリーズ701、上側シリーズ702、下側シリーズ703、予測間隔704については、図7を参照して後述する。
次いで、バースト可能インスタンス推奨プログラム2054は、予測シリーズ701を予測する予測モデルの予測精度を特定し、予測精度が所定のしきい値(予測正確性閾値)より大きいか否かを判定する(ステップ604)。
ここで、予測シリーズ701を予測する予測モデルの予測精度を測定するためのメトリックとしては、種々のメトリックを使用することができるが、例えば、平均絶対誤差を使用してもよい。例えば、履歴時系列データのうちの所定割合(例えば、66%)のデータを予測モデルの学習に使用し、残りのデータによって予測モデルを評価するようにしてもよい。
この結果、予測精度が所定の閾値よりも大きくない場合(ステップ604:No)には、予測シリーズ701等を用いてバースト可能インスタンスのコストやペナルティを算出する精度が低い可能性があることを示しているので、バースト可能インスタンス推奨プログラム2054は、対象オンプレミスインスタンスのマイグレーション候補として固定パフォーマンスインスタンスを推奨する固定パフォーマンスインスタンス推奨処理を実行し(ステップ609)、処理を終了する。ここで、固定パフォーマンスインスタンス推奨処理においては、バースト可能インスタンス推奨プログラム2054は、対象オンプレミスインスタンスの構成を包含する固定パフォーマンスインスタンスを特定し、特定した固定パフォーマンスインスタンスをマイグレーション候補として推奨する。
一方、予測精度が所定の閾値よりも大きい場合(ステップ604:Yes)には、予測シリーズ701等を用いてバースト可能インスタンスのコストやペナルティを算出する精度が高く、推奨することが有効であることを示しているので、バースト可能インスタンス推奨プログラム2054は、パブリッククラウド102からパブリッククラウトインスタンスの設定及び価格データを収集し、インスタンス構成及び価格データテーブル2053に登録する(ステップ605)。ここで、パブリッククラウド102からパブリッククラウトインスタンスの設定及び価格データを収集する方法としてはパブリッククラウド102を提供している各パブリッククラウドベンダによって提供されるAPIを使用するようにしてもよい。なお、パブリッククラウトインスタンスの設定及び価格データをこの時点で収集することにより、パブリッククラウトインスタンスの最新のデータを用いて、バースト可能インスタンスを推奨することができる。
次いで、バースト可能インスタンス推奨プログラム2054は、インスタンス構成及び価格データテーブル2053に対して、対象オンプレミスインスタンスの構成を包含する構成を有するパブリッククラウドインスタンスを選択するフィルタリングを行う(ステップ606)。なお、この処理によって選択されたパブリッククラウドインスタンスのレコードのリストを候補リストということとする。
ここで、例えば、対象オンプレミスインスタンスが、インスタンス設定データテーブル2051のレコード2051Aに対応するインスタンスIDがvm1のインスタンスである場合には、対象オンプレミスインスタンスは、2個のvCPUを有し、RAMのサイズが4GiBdあり、ネットワークスループットが100Mbpsである構成を包含する構成のパブリッククラウドインスタンスのみとなるようにフィルタリングする。このフィルタリングにより、対象オンプレミスインスタンスをマイグレートすることができる候補となるパブリッククラウドインスタンスとして、レコード2053A、2053B、2053C、2053D、及び2053Fに対応するパブリッククラウドインスタンスの候補リストが得られる。これらパブリッククラウドインスタンスの中、レコード2053A、2053B、及び2053Cに対応するパブリッククラウドインスタンスは、バースト可能インスタンスであり、レコード2053D、2053Fに対応するパブリッククラウドインスタンスは、固定パフォーマンスインスタンスである。なお、この処理により、バースト可能インスタンスのみにフィルタリングしてもよい。
次いで、バースト可能インスタンス推奨プログラム2054は、候補リストの中から移行に適した1以上のバースト可能インスタンスについてのコストやペナルティを計算するバースト可能インスタンス特定処理(図8参照)を実行し(ステップ607)、バースト可能インスタンス特定処理により特定されたバースト可能インスタンスのコストやペナルティを可視化する、すなわち、バースト可能インスタンスのコストやペナルティを含む画面(例えば、図9のバースト可能インスタンス推奨画面407)を表示させる(ステップ608)。
ここで、CPU使用率の履歴時系列データ及び予測時系列データについて説明する。
図7は、一実施形態に係るCPU使用率の履歴時系列データ及び予測時系列データを説明する図である。図7は、例えば、インスタンスIDがvm1のオンプレミスインスタンスについてのCPU使用率の時系列データの履歴及び予測を示している。
グラフ700における履歴時系列データ(履歴データ)は、CPU使用率時系列データテーブル2052におけるオンプレミスインスタンスに対応するレコードから得られる。一方、予測時系列データ(予測データ)については、履歴データに基づいて生成された予測モデルから得られる。図7においては、履歴データの保存日数Tpastは、90日とし、予測データの予測期間Tfutureを30日としている。なお、保存期間と予測期間はこれに限定されない。
ここで、予測シリーズ701は、予測モデルから出力される予測データである。予測間隔704は、例えば、所定の確率(例えば、95%)で実際のデータが含まれる間隔を示している。上位シリーズ702は、予測間隔704の上側、すなわち、高負荷側の時系列データであり、下位シリーズ703は、予測間隔704の下側、すなわち、低負荷側の時系列データである。本実施形態では、バースト可能インスタンス推奨プログラム2054は、履歴時系列データに基づいて、予測シリーズ701を求め、更に、予測間隔704を算出して、上位シリーズ702と、下位シリーズ703とを算出している。
次に、バースト可能インスタンス特定処理(ステップ607)について詳細に説明する。
図8は、一実施形態に係るバースト可能インスタンス特定処理のフローチャートである。
バースト可能インスタンス推奨プログラム2054は、候補リストから(a)標準モードと、(b)無制限モードとのそれぞれについてのパブリッククラウドインスタンスのベースラインのみのリスト(候補ベースラインリスト)を作成し、候補ベースラインリストから、(a)標準モード及び(b)無制限モードのそれぞれの最小のベースライン(対象ベースラインという)を取得する(ステップ801)。
次いで、バースト可能インスタンス推奨プログラム2054は、(a)標準モードと、(b)無制限モードとのそれぞれに対して、対象ベースラインが予測シリーズ701に有効であるか、すなわち、予測シリーズ701についてペナルティが発生しない範囲で収まるか否かを判定する(ステップ802)。
この結果、ベースラインが予測シリーズ701に有効でない場合(ステップ802:No)には、モードに対応する候補ベースラインリストが空か否かを判定する(ステップ803)。この結果、モードに対応する候補ベースラインリストが空である場合(ステップ803:Yes)には、バースト可能インスタンス推奨プログラム2054は、このモードでの推奨対象となるバースト可能インスタンスがないことを意味しているので、固定パフォーマンスインスタンスを推奨する固定パフォーマンスインスタンス推奨処理を実行する(ステップ804)。この固定パフォーマンスインスタンス推奨処理は、ステップ609と同様な処理である。
一方、モードに対応する候補ベースラインリストが空でない場合(ステップ803:No)には、バースト可能インスタンス推奨プログラム2054は、候補ベースラインリストから次に小さいベースラインを対象ベースラインとして取得し(ステップ805)、ステップ802に処理を進めて、同様な処理を行う。
一方、ベースラインが予測シリーズ701に有効である場合(ステップ802:Yes)には、バースト可能インスタンス推奨プログラム2054は、有効であると判定されたベースラインに対応するそれぞれのモードのバースト可能インスタンス(第1候補バースト可能インスタンス)について、予測コストを計算する。ここで、予測コストは、有効であると判定された対象ベースラインに対応するパブリッククラウドインスタンスのレコードのコスト505から取得されるコストに基づいて計算することができる。
次いで、バースト可能インスタンス推奨プログラム2054は、ステップ802で有効であると判定された対象ベースラインと、上位シリーズ702とを用いて、ステップ802で有効であると判定された対象ベースラインに対応するそれぞれのモードのバースト可能インスタンスについてのペナルティを計算する(ステップ807)。例えば、ステップ802で標準モードのバースト可能インスタンスの対象ベースラインが有効であると判定された場合には、標準モードのバースト可能インスタンスにおけるパフォーマンスペナルティを計算し、ステップ802で無制限モードのバースト可能インスタンスの対象ベースラインが有効であると判定された場合には、無制限モードのバースト可能インスタンスにおけるコストペナルティを計算する。この処理によると、バースト可能インスタンスのCPU使用率が上位シリーズ702のように高負荷である場合におけるペナルティを適切に予測することができる。
次いで、バースト可能インスタンス推奨プログラム2054は、(a)標準モードと、(b)無制限モードのそれぞれに対して、対象ベースラインが上位シリーズ702に有効であるか、すなわち、上位シリーズ702についてペナルティが発生しない範囲内で収まるか否かを判定する(ステップ808)。
この結果、ベースラインが上位シリーズ702に有効でない場合(ステップ808:No)には、バースト可能インスタンス推奨プログラム2054は、モードに対応する候補ベースラインリストが空か否かを判定する(ステップ809)。この結果、モードに対応する候補ベースラインリストが空である場合(ステップ809:Yes)には、他に推奨するバースト可能インスタンスがないことを意味しているので、バースト可能インスタンス推奨プログラム2054は、処理を終了する。
一方、モードに対応する候補ベースラインリストが空でない場合(ステップ809:No)には、バースト可能インスタンス推奨プログラム2054は、候補ベースラインリストから次に小さいベースラインを対象ベースラインとして取得し(ステップ810)、ステップ808に処理を進めて、同様な処理を行う。
一方、ベースラインが上位シリーズ702に有効である場合(ステップ808:Yes)には、バースト可能インスタンス推奨プログラム2054は、有効であると判定されたベースラインに対応するそれぞれのモードのバースト可能インスタンス(第2候補バースト可能インスタンス)について、予測コストを計算し、処理を終了する。ここで、予測コストは、有効であると判定された対象ベースラインに対応するパブリッククラウドインスタンスのインスタンス構成及び価格データテーブル2053のレコードのコスト505から取得されるコストに基づいて計算することができる。
上記したバースト可能インスタンス特定処理によると、例えば、標準モードの中で予測シリーズ701に有効であってベースラインが最小なバースト可能インスタンスと、標準モードの中で上位シリーズ702に有効であってベースラインが最小なバースト可能インスタンスと、無制限モードの中で予測シリーズ701に有効であってベースラインが最小なバースト可能インスタンスと、無制限モードの中で上位シリーズ702に有効であってベースラインが最小なバースト可能インスタンスとの4つのバースト可能インスタンスが特定される。
次に、バースト可能インスタンス推奨画面407について詳細に説明する。
図9は、一実施形態に係るバースト可能インスタンス推奨画面の一例を示す図である。
バースト可能インスタンス推奨画面は、或る1つのマイグレーション対象のオンプレミスインスタンスに対してマイグレーション先として推奨される候補のバースト可能インスタンスの情報を表示する画面である。バースト可能インスタンス推奨画面には、推奨される候補のバースト可能インスタンスを示すボックスが表示される。各ボックス内には対応するバースト可能インスタンスの名称が表示されている。各ボックスは、縦の長さが、それぞれが示すバースト可能インスタンスの通常のコストを示している。
図9に示すバースト可能インスタンス推奨画面407では、4つのバースト可能インスタンスを示すボックス901,902,903,904が表示されている。画面左側の2つのボックス901,902は、標準モードのバースト可能インスタンスを示すボックスであり、画面右側の2つのボックス903,904は、無制限モードのバースト可能インスタンスを示すボックスである。
ボックス901は、図8のステップ802で有効であると判定された通常モードのバースト可能インスタンス、すなわち、予測シリーズ701にベースラインが有効であると判定された通常モードのバースト可能インスタンスに対応するボックスである。ボックス901は、図8のステップ807で算出された上位シリーズ702におけるパフォーマンスペナルティを認識可能な色濃度で表示される。本実施形態では、色濃度は、パフォーマンスペナルティがゼロの場合には、白となり、パフォーマンスペナルティが100%に近づくほど黒に近づくようになっている。このボックス901によると、通常モードにおけるベースラインが低いバースト可能インスタンスにおける通常のコストを把握できるとともに、必要なCPU使用率が高い場合において、CPU使用率をベースライン以上に上げられないことによるパフォーマンスペナルティの状況を把握できる。
ボックス902は、ステップ808で有効であると判定された通常モードのバースト可能インスタンス、すなわち、上位シリーズ702にベースラインが有効であると判定された通常モードのバースト可能インスタンスに対応するボックスである。ボックス901とボックス902とによると、ベースラインが低いバースト可能インスタンスと、パフォーマンスペナルティを受けないバースト可能インスタンスとのコストを容易に比較することができる。
ボックス903は、ステップ802で有効であると判定された無制限モードのバースト可能インスタンス、すなわち、予測シリーズ701にベースラインが有効であると判定された無制限モードのバースト可能インスタンスに対応するボックスである。ボックス903は、図8のステップ807で算出された上位シリーズ702におけるコストペナルティがひげ905によって表示される。このボックス903によると、無制限モードにおけるベースラインが低いバースト可能インスタンスにおける通常のコストを把握できるとともに、必要なCPU使用率が高い場合において、CPU使用率をベースライン以上に上げることにより発生するコストペナルティを把握できる。
ボックス904は、ステップ808で有効であると判定された無制限モードのバースト可能インスタンス、すなわち、上位シリーズ702にベースラインが有効であると判定された無制限モードのバースト可能インスタンスに対応するボックスである。ボックス903とボックス904とによると、ベースラインが低いバースト可能インスタンスと、コストペナルティを受けないバースト可能インスタンスとのコストを容易に比較することができ、また、ベースラインが低いバースト可能インスタンスにコストペナルティが発生した場合のコストと、コストペナルティを受けないバースト可能インスタンスとのコストを容易に比較することができる。
また、ボックス901,902,903,904によって、標準モードと無制限モードとのコストや、ペナルティを容易に把握して比較することができる。
また、バースト可能インスタンス推奨画面407には、マイグレーション対象のオンプレミスインスタンスをマイグレーション可能な固定パフォーマンスインスタンスに移行した場合のコストを示す線906が表示される。線906によると、マイグレーション先を固定パフォーマンスインスタンスとした場合と、バースト可能インスタンスとした場合とのコストを容易に比較して、いずれのインスタンスが適切であるかを容易に判断することができる。
図10は、一実施形態に係るCPUクレジットの管理を説明する図である。
CPUクレジットバケット1000は、バースト可能インスタンスに割り当てられているCPUクレジットを管理する。ユーザは、CPUクレジットバケット1000のCPUクレジットの残高(CPUクレジット残高)1004がある場合に、コストの追加なしで、バースト可能インスタンスにおいてバースト可能、すなわち、ベースラインを超えた使用率でCPUを使用することができる。CPUクレジットバケット1000には、蓄積可能なCPUクレジットの最大クレジット1002が設定されている。したがって、CPUクレジットバケット1000には、最大クレジット1002を超えたCPUクレジットを蓄積することができなくなっている。最大クレジット1002は、例えば、バースト可能インスタンスを提供するパブリッククラウドベンダによって設定されている。
CPUクレジットは、ベースラインに比例する収益率に従ってCPUクレジットバケット1000に蓄積することができる一方、CPU使用率に比例した支出率に従って消費される。
次に、CPU使用率の変化と、CPUクレジット残高の変化について説明する。
図11Aは、一実施形態に係るバースト可能インスタンスについてのCPU使用率の変化とCPUクレジット残高の変化の一例を説明する図である。図11Aにおいて、上側のグラフは、時間経過に対する要求されるCPU使用率の変化を示し、下側のグラフは、上側のグラフに示すCPU使用率の変化があった場合のベースラインの異なるバースト可能インスタンスについてのCPUクレジット残高の変化を示している。
下側のグラフにおいては、ベースラインが10%であるバースト可能インスタンスに対するCPUクレジット残高の変化を線11A03で示し、ベースラインが15%であるバースト可能インスタンスに対するCPUクレジット残高の変化を線11A06で示している。ここで、それぞれのバースト可能インスタンスに対する時間0におけるCPUクレジット残高は6であるものとする。
まず、ベースラインが10%であるバースト可能インスタンスのCPUクレジット残高の変化について説明する。
0〜1時間においてCPU使用率が20%であり、ベースラインを超えているので、CPUクレジット残高は減少する。1〜2時間においてCPU使用率が5%であり、ベースラインよりも下であるので、CPUクレジット残高は増加する。2〜3時間においては、CPU使用率が20%であり、ベースラインを超えているので、CPUクレジット残高は減少していき、CPUクレジット残高が0となる。3〜4時間においてCPU使用率が5%であり、ベースラインよりも下であるので、CPUクレジット残高は増加する。4〜5時間においては、CPU使用率が20%であり、ベースラインを超えているので、CPUクレジット残高は減少していき、CPUクレジット残高が0となる。5〜6時間においては、CPU使用率が20%であり、ベースラインを超えているので、CPUクレジット残高は0のままとなる。ここで、ベースラインが10%であるバースト可能インスタンスのCPUクレジット残高については、時間11A04において、CPUクレジット残高が0となっている。この場合においては、通常モードのバースト可能インスタンスであれば、CPU使用率がベースライン以上とならないように制限される、すなわち、パフォーマンスペナルティが発生する。一方、無制限モードのバースト可能インスタンスであれば、コストペナルティが発生する。
次に、ベースラインが15%であるバースト可能インスタンスのCPUクレジット残高の変化について説明する。
0〜1時間においてCPU使用率が20%であり、ベースラインを超えているので、CPUクレジット残高は減少する。なお、CPUクレジットの収益率は、ベースラインが大きいほど大きいので、CPUクレジットの減少量は、ベースラインが10%のインスタンスよりも少なくなる。1〜2時間においてCPU使用率が5%であり、ベースラインよりも下であるので、CPUクレジット残高は増加する。前述のようにCPUクレジットの収益率は、ベースラインが大きいほど大きいので、CPUクレジットの増加量は、ベースラインが10%のインスタンスよりも多い。2〜3時間においては、CPU使用率が20%であり、ベースラインを超えているので、CPUクレジット残高は減少していくもののCPUクレジット残高が0となはならない。3〜4時間においてCPU使用率が5%であり、ベースラインよりも下であるので、CPUクレジット残高は増加する。4〜5時間においては、CPU使用率が20%であり、ベースラインを超えているので、CPUクレジット残高は減少していく。5〜6時間においては、CPU使用率が20%であり、ベースラインを超えているので、CPUクレジット残高は減少していくが、CPUクレジット残高は0とならない。
次に、図11Aに示す状況における、図8のステップ807におけるパフォーマンスペナルティの算出方法の一例について説明する。
図11Bは、一実施形態に係るパフォーマンスペナルティの算出方法の一例を説明する図である。
パフォーマンスペナルティは、式11B01に示すように、例えば、所定の時点からの期間において、CPU使用率がベースラインに制限されてしまっている時間の合計(キャップ時間合計)を、所定の時点からの経過時間の合計(経過時間合計)で除算することにより算出してもよく、単位を%としてもよい。
図11Aに示す状況においては、それぞれのバースト可能インスタンスに対して、ステップ807で、バースト可能インスタンス推奨プログラム2054は、ベースラインが10%であるバースト可能インスタンスに対しては、レコード11B02に示すように、パフォーマンスペナルティを33.33%と算出し、ベースラインが15%であるバースト可能インスタンスについては、レコード11B03に示すように、パフォーマンスペナルティを0%と算出する。なお、このように算出されたパフォーマンスペナルティについては、バースト可能インスタンス推奨画面407により認識可能に表示される。
例えば、パフォーマンスペナルティが望ましくない場合には、マイグレーション先のバースト可能インスタンスとしては、ベースラインが15%を超えるバースト可能インスタンスを選択すればよいことが把握できる。
なお、本発明は、上述の実施形態に限定されるものではなく、本発明の趣旨を逸脱しない範囲で、適宜変形して実施することが可能である。
例えば、上記実施形態では、履歴時系列データから予測シリーズ701を推定するとともに、上位シリーズ702を特定するようにしていたが、本発明はこれに限られず、以下のようにしてもよい。すなわち、履歴時系列データそのものを予測シリーズ701に代えて使用し、上位シリーズ702に代えて、履歴時系列データに対して所定のエラー範囲(例えば、5%)だけ上位の時系列データを使用するようにしてもよい。この場合においては、ステップ603に代えて、履歴時系列データから上位の時系列データを生成するようにし、ステップ604の処理を省略するようにすればよい。これにより、必要な処理の負荷を低減することができる。
100…計算機システム、101…オンプレミスデータセンタ、102…パブリッククラウド、103…バースト可能インスタンス推奨サーバ、201…ネットワーク I/F、202…プロセッサ、203…入出力デバイス I/F、204…メモリ、205…ローカルディスク
Claims (11)
- プロセッサを備え、所定の利用中インスタンスを移行させる候補となる、パブリッククラウドが提供するバースト可能インスタンスに関する情報を提供するバースト可能インスタンス推奨装置であって、
前記プロセッサは、
前記利用中インスタンスの性能時系列データに基づいて、前記利用中インスタンスを移行可能な前記パブリッククラウドが提供する第1候補バースト可能インスタンスを特定し、特定した前記第1候補バースト可能インスタンスについて、前記性能時系列データよりも高い負荷の発生を推定した高負荷性能時系列データを算出し、前記高負荷性能時系列データの場合のペナルティを算出し、
前記第1候補バースト可能インスタンスについてのコストと、前記ペナルティとを認識可能に表示させる
バースト可能インスタンス推奨装置。 - 前記プロセッサは、
前記性能時系列データに基づいて将来の性能時系列データを推定した予測性能時系列データを算出し、前記予測性能時系列データを満足するバースト可能インスタンスを前記第1候補バースト可能インスタンスとする
請求項1に記載のバースト可能インスタンス推奨装置。 - 前記プロセッサは、
前記予測性能時系列データに基づいて、前記高負荷性能時系列データを算出する
請求項2に記載のバースト可能インスタンス推奨装置。 - 前記プロセッサは、
前記高負荷性能時系列データを満足する第2候補バースト可能インスタンスを特定し、
前記第2候補バースト可能インスタンスのコストを認識可能に表示させる
請求項1に記載のバースト可能インスタンス推奨装置。 - 前記ペナルティは、
前記候補バースト可能インスタンスが、所定の条件を満たせば、基準性能を超えて性能を提供可能であって、前記所定の条件が満たされなくなった場合であってもコストペナルティによって前記基準性能を超えて性能を提供可能なモードである場合における前記基準性能を超えて性能が提供されたことによるコストペナルティ、又は、所定の条件を満たせば、基準性能を超えて性能を提供可能であって、前記所定の条件が満たされなくなった場合には前記基準性能を超えて性能を提供不可なモードである場合における前記基準性能を超えた性能が提供されないことによるパフォーマンスペナルティである
請求項1に記載のバースト可能インスタンス推奨装置。 - 前記プロセッサは、
前記利用中インスタンスの前記予測性能時系列データを推定する予測モデルの有効性を判定し、有効性が所定の基準以上の予測モデルにより推定される予測性能時系列データが得られる利用中インスタンスを、前記第1候補バースト可能インスタンスを特定する対象とする
請求項2に記載のバースト可能インスタンス推奨装置。 - 所定の利用中インスタンスを移行させる候補となる、パブリッククラウドが提供するバースト可能インスタンスに関する情報を提供するバースト可能インスタンス推奨装置によるバースト可能インスタンス推奨方法であって、
前記バースト可能インスタンス推奨装置は、
前記利用中インスタンスの性能時系列データに基づいて、前記利用中インスタンスを移行可能な前記パブリッククラウドが提供する第1候補バースト可能インスタンスを特定し、特定した前記第1候補バースト可能インスタンスについて、前記性能時系列データよりも高い負荷の発生を推定した高負荷性能時系列データを算出し、前記高負荷性能時系列データの場合のペナルティを算出し、
前記第1候補バースト可能インスタンスについての基本コストと、前記ペナルティとを認識可能に表示させる
バースト可能インスタンス推奨方法。 - 前記バースト可能インスタンス推奨装置は、
前記性能時系列データに基づいて将来の性能時系列データを推定した予測性能時系列データを算出し、前記予測性能時系列データを満足するバースト可能インスタンスを前記第1候補バースト可能インスタンスとする
請求項7に記載のバースト可能インスタンス推奨方法。 - 前記バースト可能インスタンス推奨装置は、
前記予測性能時系列データに基づいて、前記高負荷性能時系列データを算出する
請求項8に記載のバースト可能インスタンス推奨方法。 - 前記バースト可能インスタンス推奨装置は、
前記高負荷性能時系列データを満足する第2候補バースト可能インスタンスを特定し、
前記第2候補バースト可能インスタンスのコストを認識可能に表示させる
請求項7に記載のバースト可能インスタンス推奨方法。 - 所定の利用中インスタンスを移行させる候補となる、パブリッククラウドが提供するバースト可能インスタンスに関する情報を提供するコンピュータに実行させるためのバースト可能インスタンス推奨プログラムであって、
前記バースト可能インスタンス推奨プログラムは、
前記コンピュータに、
前記利用中インスタンスの性能時系列データに基づいて、前記利用中インスタンスを移行可能な前記パブリッククラウドが提供する第1候補バースト可能インスタンスを特定させ、特定された前記候補バースト可能インスタンスについて、前記性能時系列データよりも高い負荷の発生を推定した高負荷性能時系列データを算出させ、前記高負荷性能時系列データの場合のペナルティを算出させ、
前記第1候補バースト可能インスタンスについての基本コストと、前記ペナルティとを認識可能に表示させる
バースト可能インスタンス推奨プログラム。
Priority Applications (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2020104878A JP2021197039A (ja) | 2020-06-17 | 2020-06-17 | バースト可能インスタンス推奨装置、方法、及びプログラム。 |
US17/192,025 US20210398176A1 (en) | 2020-06-17 | 2021-03-04 | Apparatus, method, and storage medium for burstable instance recommendation |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2020104878A JP2021197039A (ja) | 2020-06-17 | 2020-06-17 | バースト可能インスタンス推奨装置、方法、及びプログラム。 |
Publications (1)
Publication Number | Publication Date |
---|---|
JP2021197039A true JP2021197039A (ja) | 2021-12-27 |
Family
ID=79022370
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2020104878A Pending JP2021197039A (ja) | 2020-06-17 | 2020-06-17 | バースト可能インスタンス推奨装置、方法、及びプログラム。 |
Country Status (2)
Country | Link |
---|---|
US (1) | US20210398176A1 (ja) |
JP (1) | JP2021197039A (ja) |
Family Cites Families (23)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5343465A (en) * | 1993-06-11 | 1994-08-30 | Bell Communications Research, Inc. | Method and system for real-time burstiness analysis of network traffic |
US7174379B2 (en) * | 2001-08-03 | 2007-02-06 | International Business Machines Corporation | Managing server resources for hosted applications |
US7478085B2 (en) * | 2005-04-01 | 2009-01-13 | Microsoft Corporation | Ability for developers to easily find or extend well known locations on a system |
US7743366B2 (en) * | 2005-10-03 | 2010-06-22 | Arm Limited | System and method for compiling a computer program |
US8291411B2 (en) * | 2007-05-21 | 2012-10-16 | International Business Machines Corporation | Dynamic placement of virtual machines for managing violations of service level agreements (SLAs) |
US8769534B2 (en) * | 2010-09-23 | 2014-07-01 | Accenture Global Services Limited | Measuring CPU utilization in a cloud computing infrastructure by artificially executing a bursting application on a virtual machine |
US8862738B2 (en) * | 2010-10-18 | 2014-10-14 | International Business Machines Corporation | Reallocating resource capacity among resource pools in a cloud computing environment |
US8601483B2 (en) * | 2011-03-22 | 2013-12-03 | International Business Machines Corporation | Forecasting based service for virtual machine reassignment in computing environment |
US20130339136A1 (en) * | 2012-06-18 | 2013-12-19 | Ebay Inc. | Detection of events from bursts of activity indicators |
US20140019415A1 (en) * | 2012-07-11 | 2014-01-16 | Nec Laboratories America, Inc. | Method and System for Database Cloud Bursting |
US9417923B2 (en) * | 2013-12-17 | 2016-08-16 | International Business Machines Corporation | Optimization of workload placement |
US9451473B2 (en) * | 2014-04-08 | 2016-09-20 | Cellco Partnership | Analyzing and forecasting network traffic |
US9606826B2 (en) * | 2014-08-21 | 2017-03-28 | International Business Machines Corporation | Selecting virtual machines to be migrated to public cloud during cloud bursting based on resource usage and scaling policies |
US9569249B1 (en) * | 2015-09-08 | 2017-02-14 | International Business Machines Corporation | Pattern design for heterogeneous environments |
US10122793B2 (en) * | 2015-10-27 | 2018-11-06 | International Business Machines Corporation | On-demand workload management in cloud bursting |
US10205677B2 (en) * | 2015-11-24 | 2019-02-12 | Cisco Technology, Inc. | Cloud resource placement optimization and migration execution in federated clouds |
US11715025B2 (en) * | 2015-12-30 | 2023-08-01 | Nutanix, Inc. | Method for forecasting distributed resource utilization in a virtualization environment |
US20180097744A1 (en) * | 2016-10-05 | 2018-04-05 | Futurewei Technologies, Inc. | Cloud Resource Provisioning for Large-Scale Big Data Platform |
US10795715B2 (en) * | 2018-06-28 | 2020-10-06 | At&T Intellectual Property I, L.P. | Cloud oversubscription system |
US10942769B2 (en) * | 2018-11-28 | 2021-03-09 | International Business Machines Corporation | Elastic load balancing prioritization |
US11620493B2 (en) * | 2019-10-07 | 2023-04-04 | International Business Machines Corporation | Intelligent selection of time series models |
US11038755B1 (en) * | 2019-11-21 | 2021-06-15 | International Business Machines Corporation | Computing and implementing a remaining available budget in a cloud bursting environment |
US20210160162A1 (en) * | 2019-11-27 | 2021-05-27 | Here Global B.V. | Method and apparatus for estimating cloud utilization and recommending instance type |
-
2020
- 2020-06-17 JP JP2020104878A patent/JP2021197039A/ja active Pending
-
2021
- 2021-03-04 US US17/192,025 patent/US20210398176A1/en not_active Abandoned
Also Published As
Publication number | Publication date |
---|---|
US20210398176A1 (en) | 2021-12-23 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US10896055B2 (en) | Capacity risk management for virtual machines | |
US10691647B2 (en) | Distributed file system metering and hardware resource usage | |
US8661438B2 (en) | Virtualization planning system that models performance of virtual machines allocated on computer systems | |
JP5218390B2 (ja) | 自律制御サーバ、仮想サーバの制御方法及びプログラム | |
US8180604B2 (en) | Optimizing a prediction of resource usage of multiple applications in a virtual environment | |
Joseph et al. | IntMA: Dynamic interaction-aware resource allocation for containerized microservices in cloud environments | |
JP7040319B2 (ja) | 運用管理装置、移動先推奨方法及び移動先推奨プログラム | |
US20160269239A1 (en) | Selecting resources for automatic modeling using forecast thresholds | |
US20120221373A1 (en) | Estimating Business Service Responsiveness | |
JP6891611B2 (ja) | 管理装置、情報処理システムの制御方法、および管理装置の管理プログラム | |
JP6842447B2 (ja) | リソース割当ての最適化を支援するシステム及び方法 | |
CN112000460A (zh) | 一种基于改进贝叶斯算法的服务扩缩容的方法及相关设备 | |
CN113168398A (zh) | 基于遥测数据的设备的升级确定 | |
JP6265871B2 (ja) | 営業業務支援システム、及び営業業務支援方法 | |
Elprince | Autonomous resource provision in virtual data centers | |
Everman et al. | Evaluating and reducing cloud waste and cost—A data-driven case study from Azure workloads | |
JPWO2018207225A1 (ja) | 時系列データの分析制御方法および分析制御装置 | |
JP2021197039A (ja) | バースト可能インスタンス推奨装置、方法、及びプログラム。 | |
US11157348B1 (en) | Cognitive control of runtime resource monitoring scope | |
US20220147380A1 (en) | Optimizing Hybrid Cloud Usage | |
JP5685995B2 (ja) | シミュレーション用データ生成システム、方法およびプログラム | |
US20240064068A1 (en) | Risk mitigation in service level agreements | |
US20220050718A1 (en) | Scalability advisor | |
Kübler et al. | Towards Cross-layer Monitoring of Cloud Workflows. | |
Sabharwal et al. | Capacity Management Design |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20230306 |
|
A977 | Report on retrieval |
Free format text: JAPANESE INTERMEDIATE CODE: A971007 Effective date: 20240329 |
|
A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20240402 |