JP2021530067A - データセンターハードウェアインスタンスネットワークのトレーニング - Google Patents
データセンターハードウェアインスタンスネットワークのトレーニング Download PDFInfo
- Publication number
- JP2021530067A JP2021530067A JP2021520085A JP2021520085A JP2021530067A JP 2021530067 A JP2021530067 A JP 2021530067A JP 2021520085 A JP2021520085 A JP 2021520085A JP 2021520085 A JP2021520085 A JP 2021520085A JP 2021530067 A JP2021530067 A JP 2021530067A
- Authority
- JP
- Japan
- Prior art keywords
- probe
- data element
- data
- dch
- time increment
- 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.)
- Revoked
Links
- 238000012549 training Methods 0.000 title claims abstract description 111
- 239000000523 sample Substances 0.000 claims abstract description 256
- 239000013598 vector Substances 0.000 claims abstract description 211
- 238000000034 method Methods 0.000 claims abstract description 35
- 230000009471 action Effects 0.000 claims description 10
- 238000002372 labelling Methods 0.000 claims description 10
- 230000001052 transient effect Effects 0.000 claims 2
- 238000010586 diagram Methods 0.000 description 25
- 238000003860 storage Methods 0.000 description 23
- 230000006870 function Effects 0.000 description 18
- 238000010801 machine learning Methods 0.000 description 17
- 230000008569 process Effects 0.000 description 13
- 238000007726 management method Methods 0.000 description 11
- 239000003550 marker Substances 0.000 description 8
- 230000004044 response Effects 0.000 description 8
- 238000009826 distribution Methods 0.000 description 6
- 238000012544 monitoring process Methods 0.000 description 5
- 238000001514 detection method Methods 0.000 description 4
- 238000012546 transfer Methods 0.000 description 4
- 230000008859 change Effects 0.000 description 3
- 239000003795 chemical substances by application Substances 0.000 description 3
- 238000013500 data storage Methods 0.000 description 3
- 238000000638 solvent extraction Methods 0.000 description 3
- 230000002776 aggregation Effects 0.000 description 2
- 238000004220 aggregation Methods 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 238000013480 data collection Methods 0.000 description 2
- 239000006185 dispersion Substances 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 239000004744 fabric Substances 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 238000013468 resource allocation Methods 0.000 description 2
- 238000013459 approach Methods 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000001364 causal effect Effects 0.000 description 1
- 230000000052 comparative effect Effects 0.000 description 1
- 238000013481 data capture Methods 0.000 description 1
- 238000003066 decision tree Methods 0.000 description 1
- 230000001934 delay Effects 0.000 description 1
- 238000002224 dissection Methods 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 238000002955 isolation Methods 0.000 description 1
- 230000000670 limiting effect Effects 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 230000005055 memory storage Effects 0.000 description 1
- 230000000116 mitigating effect Effects 0.000 description 1
- 238000003012 network analysis Methods 0.000 description 1
- 230000036961 partial effect Effects 0.000 description 1
- 238000005192 partition Methods 0.000 description 1
- 230000035515 penetration Effects 0.000 description 1
- 230000002085 persistent effect Effects 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 230000003449 preventive effect Effects 0.000 description 1
- 230000002829 reductive effect Effects 0.000 description 1
- 230000010076 replication Effects 0.000 description 1
- 238000005096 rolling process Methods 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 230000002123 temporal effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- 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]
- G06F9/5061—Partitioning or combining of resources
- G06F9/5072—Grid computing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F3/00—Input arrangements for transferring data to be processed into a form capable of being handled by the computer; Output arrangements for transferring data from processing unit to output unit, e.g. interface arrangements
- G06F3/06—Digital input from, or digital output to, record carriers, e.g. RAID, emulated record carriers or networked record carriers
- G06F3/0601—Interfaces specially adapted for storage systems
- G06F3/0602—Interfaces specially adapted for storage systems specifically adapted to achieve a particular effect
- G06F3/0614—Improving the reliability of storage systems
- G06F3/0619—Improving the reliability of storage systems in relation to data integrity, e.g. data losses, bit errors
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F3/00—Input arrangements for transferring data to be processed into a form capable of being handled by the computer; Output arrangements for transferring data from processing unit to output unit, e.g. interface arrangements
- G06F3/06—Digital input from, or digital output to, record carriers, e.g. RAID, emulated record carriers or networked record carriers
- G06F3/0601—Interfaces specially adapted for storage systems
- G06F3/0628—Interfaces specially adapted for storage systems making use of a particular technique
- G06F3/0646—Horizontal data movement in storage systems, i.e. moving data in between storage devices or systems
- G06F3/065—Replication mechanisms
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F3/00—Input arrangements for transferring data to be processed into a form capable of being handled by the computer; Output arrangements for transferring data from processing unit to output unit, e.g. interface arrangements
- G06F3/06—Digital input from, or digital output to, record carriers, e.g. RAID, emulated record carriers or networked record carriers
- G06F3/0601—Interfaces specially adapted for storage systems
- G06F3/0668—Interfaces specially adapted for storage systems adopting a particular infrastructure
- G06F3/067—Distributed or networked storage systems, e.g. storage area networks [SAN], network attached storage [NAS]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N5/00—Computing arrangements using knowledge-based models
- G06N5/04—Inference or reasoning models
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2209/00—Indexing scheme relating to G06F9/00
- G06F2209/50—Indexing scheme relating to G06F9/50
- G06F2209/508—Monitor
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N5/00—Computing arrangements using knowledge-based models
- G06N5/01—Dynamic search techniques; Heuristics; Dynamic trees; Branch-and-bound
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N7/00—Computing arrangements based on specific mathematical models
- G06N7/01—Probabilistic graphical models, e.g. probabilistic networks
Abstract
Description
データセンターは、どのような規模であっても、構築、運用、保守が複雑である。さまざまなタイプのテクノロジーとスキルセット、チーム、ツール、相互運用性を組み合わせることは、論理的に困難である。データセンターを完全に機能させるには、時間の経過とともに段階的な改善が必要になる場合がある。データセンターが完全に機能するまでには、すべての要素を理解している人がほとんどいないほど複雑になり、ビジネスニーズに合わせた再構成又は新しいテクノロジーの導入は、最初の構築と同等以上に拡張することが困難になる可能性がある。
いくつかの実施形態では、データセンターネットワーク(data center network : DCN)200は、データセンターハードウェア(data center hardware : DCH)インスタンス200a〜200fとして具体化され得る機能的に同一の物理演算インスタンスを増分的に構築することができ、各インスタンスは、サーバー102、ネットワーク回路104、および記憶ボリューム106を含む。複数の個別ハードウェアインスタンス200b〜200gの複数のネットワーク回路は、DCN200への自身のオンボーディング(onboarding)を個別に管理するように構成され得る。データセンターハードウェアインスタンスの複数のクラスターによって提供されるサーバーレベルの複数のサービスとネットワークレベルの複数のサービスの両方を定義するために、複数のコンテナ化されたアプリケーション(Containerized applications)がデプロイ(deploy)、管理、および拡張され、これにより、データセンターの管理を簡略化することができる。複数のDCHノードインスタンスのネットワーク回路104は、複数のノードのクラスターとして機能して、コンテナ化されたネットワークレベルアプリケーションをデプロイおよび管理して複数のネットワーク関連タスクを共有し得る。各ネットワーク回路は、共通のホストオペレーティングシステム上でコンテナ化されたアプリケーションインスタンスをホストする。したがって、DCN200は、一般的に複数のデータセンターで標準となっている複数の層の抽象化の上の典型的な複数の層を除去して、データセンター管理を簡略化する。
図1は、いくつかの実施形態によるデータセンターハードウェア(data center hardware : DCH)インスタンス100の例示的なブロック図である。DCHインスタンス100は、ホストサーバー(S)102と、ネットワークスイッチ/ルータ回路(以下「ネットワーク回路」という)(X)104と、永続的記憶ボリューム(persistent storage volume)(V)106と、これらを相互接続する通信バス107とを含む。ホストサーバー102は1つまたは複数のホストCPU110と、バス107を介して通信するように接続されたホストサーバーメモリ112と、を含み得るホストプロセッサシステム108を含む。ホストメモリ112は、例えば、複数のアプリケーションワークフローサービスを提供するようにホストCPU110を設定するために使用される実行可能な複数の命令およびデータを含み得る。ネットワーク回路104は、スイッチファブリック(switch fabric)118の複数の入力キュー117Iおよび複数の出力キュー117Oを含む複数の物理インタフェースポート116間での複数のパケットのスイッチングを決定するように構成可能なスイッチロジック114Sを含み、ネットワーク上に送信される複数のパケットのルーティングを決定するように構成可能なルータロジック114Rを含み、パケットフローを監視し、複数のネットワークイベントの発生をプローブするように構成可能なプローブロジック114Pを含み、複数のDCHインスタンスのクラスター内に、いくつかの実施形態では、複数のDCHインスタンスのクラスターに結合された複数の汎用マシン内にデプロイされた複数のコンテナを管理するためのコンテナデプロイメント及び管理ロジック114D(「コンテナロジック114D」)を含むネットワークコントローラ114を含む。いくつかの実施形態では、ネットワークコントローラ114は、記憶デバイス122内に、スイッチロジック114S、ルータロジック114R、プローブロジック114P、およびコンテナロジック114Dの機能を具体化するように設定する複数の命令を含み得る。プローブロジック114Pは、複数のプローブロジックインスタンス114Piをインスタンス化して、対応する複数のプローブベクトルを生成し得る。いくつかの実施形態では、ネットワークコントローラ114は、スイッチング、ルーティング、監視、および複数のコンテナ関連機能のうちの1つ以上を実行する1つ以上のハードウェアCPU(図示せず)を含み得る。代替的には、ネットワークコントローラ114は、ホストサーバー102から利用可能な複数の計算リソースに常駐するソフトウェアアプリケーションを含み得る。ネットワーク回路104はまた、ネットワーク性能関連情報を記憶するように接続されたネットワークデータ記憶メモリ122を含む。いくつかの実施形態では、ネットワーク回路104は、1つ以上の特定用途向け集積回路(ASIC)として具体化されてもよい。記憶ボリューム106は、例えば、ディスクストレージ124および/またはフラッシュストレージ126を含み得る。
図2は、いくつかの実施形態による、DCHインスタンスのネットワークを含む例示的なデータセンターネットワーク(data center network : DCN)200の例示的な説明図である。DCN200は、パケット交換またはルーティングネットワーク内の複数のネットワーク接続299を介して結合された複数のDCHインスタンス200a〜200fを含む。図5を参照してより完全に以下に説明するように、DCHインスタンス200a〜200fのネットワーク回路104の部分は、「複数のノード」の「クラスター」として機能するように構成されて、複数のDCHインスタンスは、本明細書では「複数のノード」とも呼称されてもよい。各DCHインスタンス200a〜200fは、図1に記載されているように、サーバー(S)、ネットワーク回路(X)、および記憶ボリューム(V)を含むように構成され得る。スイッチ/ルーター(X)は、イーサネットパケット交換および/またはIPルーティングネットワークプロトコルを実装するように構成され得る。スイッチ/ルーター(X)は、MPLSプロトコルまたはVXLANプロトコルをサポートするように構成され得る。ネットワーク接続295を介してサーバー203aに結合された管理者コンピューティングデバイス228は、例えば、DCN動作を監視し、アプリケーションワークフローの複数の要求の変化に応じてDCN200の複数のコンポーネントを再設定するための管理ユーザインタフェース(user interface : UI)229を含む。以下でより完全に説明されるように、いくつかの実施形態では、サーバー(S)およびスイッチ/ルーター(X)の両方の再設定は、コンテナ化されたサービスの配布および管理を通じて達成され得る。さまざまなDCHインスタンスは、さまざまなレベルのコンピューティング、ストレージ、およびスイッチ/ルータ機能を有するように構成され得る。
図3は、ホストオペレーティングシステム304で実行されている例示的なコンテナ302を示す説明図である。コンテナ302は、複数のアプリケーションサービスインスタンス306に加えて、ホストオペレーティングシステム304上で複数のアプリケーションサービスを実行するために必要な複数のコンピュータリソース(例えば、CPUおよびRAM)にアクセスするための複数のバイナリおよび複数のライブラリ(binaries and libraries)308を含む。より具体的には、例示的なコンテナ302は、オペレーティングシステム304のカーネル内でインスタンス化された複数のアプリケーションサービス302の仮想化されたインスタンスを含む。コンテナ302は、複数のアプリケーションサービス306を、オペレーティングシステム304およびそれがネットワークに接続するために使用する物理インフラストラクチャ(図示せず)から分離する。コンテナ304内で実行されている複数のアプリケーションインスタンス306は、それらに割り当てられた複数のオペレーティングシステムリソースのみを監視することができる。いくつかの実施形態によれば、割り当てられた複数のオペレーティングシステムリソースは、複数の仮想リソースのみにアクセスするのではなく、複数のコンテナが複数の物理ネットワークリソースにアクセスすることを可能にし得る。
図4は、複数のコンテナをデプロイおよび管理するシステムを示す例示的なブロック図である。以下の説明は、例として複数のコンテナ処理を自動化するための「kubernetes」プラットフォームを説明するために典型的に使用される用語を使用するが、複数のコンテナをデプロイおよび管理するための他のスタイルのコンテナ自動化プラットフォームは、明細書において開示された原則に従って使用され得る。Kubernetesは、複数のホスト間でコンテナ化された複数のアプリケーションを管理するためのオープンソースシステムであり、複数のアプリケーションのデプロイメント、メンテナンス、スケーリングのための基本的なメカニズムを提供する。(https://kubernetes.io/docs/homeを参照されたい。)kubernetesプラットフォームは、「複数のノード」と呼称される複数のマシンのクラスターを調整して、単一のユニットとして機能する。コンテナ化された複数のアプリケーションは、複数の個別ノードに特に結び付けることなく、クラスターにデプロイされる。複数のアプリケーションは、複数の個別ホストから切り離すために複数のコンテナとしてパッケージ化されてもよい。Kubernetesは、複数のノードのクラスター全体での複数のアプリケーションコンテナの分散、スケジューリング、スケーリングを自動化する。
図5は、いくつかの実施形態による、複数のコンテナ化されたアプリケーションを有する複数のノードのクラスターとして構成された図2の例示的なDCN200の例示的な説明図である。DCHインスタンス200a〜200fのサーバー(S)は、例示的なクライアント214、224、234のうちの1つまたは複数に複数のアプリケーションサービスを提供するために複数のコンテナを用いて設定される。コンテナA、B、Cは、1つまたは複数のDCHインスタンスの物理サーバー(S)102のCPU108上で直接または仮想マシン(図示せず)上のいずれかで実行し得る。複数のコンテナNは、複数のDCHインスタンスのスイッチ/複数のルータの回路(X)104の複数のネットワークコントローラ114上で実行し得る。
DCN200のDCHインスタンス200a〜200fのネットワーク回路(X)104は、データセンタートラフィックの複数のネットワークパスに配置されている。また、DCH200eに接続された汎用サーバー203a〜203cは、データセンタートラフィックの複数のネットワークパスに配置されている。複数の個別DCHインスタンスのプローブロジック(probe logic)114Pは、対象とする複数のイベントの発生についてネットワークトラフィックを監視および記録する。複数のプローブロジックインスタンス114Piはネットワーク回路104内に作成されて、例えば、任意のDCH上で実行する異なるハードウェア要素または(マイクロサービスを含む)異なるアプリケーションプログラムなどの複数の異なるコンポーネントをプローブし得る。コンテナ化されたアプリケーションNは、定義Nに従ってマスターデバイス203aによって分配され、複数の個別ネットワーク回路104を設定してプローブロジック114Pを具体化し得る。以下により完全に説明されるように、ネットワーク定義Nは、クラスタデータにアクセスするためだけでなく、データを解析、キュレート(curate)、集約および記憶するためにもプローブロジック114Pを含むようにDCHを設定し得る。例えば、複数の個別プローブロジックインスタンス114Piは、複数のパケットをサンプリングして複数のパケットヘッダーから統計データを収集し、すなわち、DCHインスタンス200a〜200fに何が流れているかを決定し得る。対象とする複数のイベントをプローブするプローブロジックは、管理者によって設定され得る。いくつかの実施形態では、各DCNのネットワーク回路は、毎秒約15,000のデータポイントにアクセスできる。
DCN200のDCHインスタンス200a〜200fのネットワーク回路(X)104は、それぞれのプローブベクトルP1〜PXをマスターデバイス203aに公開するように構成されている。いくつかの実施形態では、プローブデータの収集に使用されるマスターデバイスは、複数のサーバーまたはDCHにまたがるサービスであり得る。さらに、データ収集に使用されるマスターは、複数のコンテナの調整に使用されるマスターと同じである必要はない。上記で説明したように、kubernetes環境では、複数のコンテナ410は、複数のポッド408内の複数のコンテナ410に関するステータス情報をマスターデバイス/コンピュータ203aに報告するために、複数のエージェント414を含む複数のポッド408内でグループ化され得る。より具体的には、マスター203aがDCHインスタンス200a〜200fのクラスターを設定して、プローブロジック114Pを実装するコンテナ化されたアプリケーション「N」(コンテナN)をホストするいくつかの実施形態では、各スイッチ/ルータ104のエージェント410は、プローブベクトルP1−PXをマスターデバイス203に報告する。さらに、いくつかの実施形態によれば、汎用サーバー203a〜203cはまた、例示的な事例ではDCH200e等の最も近いDCHにネットワークデータを報告するように構成されてもよく、プロセス600を使用してメトリックを含み且つ複数の汎用サーバーによって報告されたデータに対応するイベントを識別する複数のプローブベクトルを生成し得る。
複数のプローブベクトル702は、複数の物理ハードウェアDCHインスタンスのコンポーネントに対応する。複数の個別DCHインスタンス200a〜200fは、ポート、キュー、テーブル、パイプラインなどのハードウェアコンポーネントを含む。複数の個別DCHは、たとえば、DCHのホストされた複数のコンポーネントであるポート、キュー、テーブル、パイプラインなどの複数の仮想コンポーネントを含む複数の仮想マシンをホストし得る。複数の個別DCHインスタンス200a〜200fは、例えば、複数のアプリケーションサブ機能または複数のマイクロサービスを実装し得る複数のアプリケーションプログラムまたは複数のコンテナなどの複数のソフトウェアコンポーネントを含む。複数の個別DCHの複数のプローブロジックインスタンス114Piは、複数の個別DCHでのネットワーク関連動作を示す複数のプローブベクトルをローカルで生成する。複数の個別DCHから収集された複数のプローブベクトルの集合800は、データを集合的に含む複数のディメンションのデータを提供して、複数のノードのクラスターとして動作する複数の物理ハードウェアDCH内または複数の物理ハードウェアDCH間で発生する複数のネットワーク関連機能、例えば、キュー廃棄、ロードバランシング、キュー廃棄率、プロトコルヘルスチェック(protocol heath check)、およびパケット遅延時間を示す複数の値を提供する。
図10Aは、いくつかの実施形態による、自己ラベリングされたトレーニングデータ(self-labeled training data)を生成するようにコンピュータシステムを設定する方法を示す例示的な第4のフロー図1000である。DCHまたはサーバーは、図10Aのプロセスに従って自己ラベルリングされたトレーニングデータを生成するように、複数のプログラム命令に従って設定され得る。以下で図13を参照してより完全に説明されるように、機械学習エンジン1402は、自己ラベリングされたトレーニングデータに基づいて推論エンジン1404をトレーニングして、すでに発生した後ではなく事前にネットワーク状態を予測するように構成され得る。第1のブロック1002は、プローブベクトルを受け取る。例えば、第1の1002は、図7のプローブベクトルP1を受け取る。第2の判定ブロック1004は、現在受け取っているプローブベクトル内の1つまたは複数の値が、イベント等の対象とする状態の発生を示しているかどうかを判定する。対象とする状態が発生していないという判定に応答して、制御は、例えば、プローブベクトルP2等の次のプローブベクトルを受け取る、複数のプローブベクトルスナップショット1002をトレーニングする第1のブロック1002に戻る。しかしながら、対象とする状態の発生の判定に応答して、制御は、第3のブロック1006に進み、識別された状態の名前を挙げる(name)ために、受け取ったベクトルにラベルを関連付ける。いくつかの実施形態によれば、ラベルは、イベントの発生を識別する。例えば、現在受け取っているプローブベクトルが例示的なプローブベクトルP5である場合、第2の判定ブロック1004は、現在受け取っているプローブベクトルP5が時刻t14におけるキュー廃棄イベントを示していると判定し、第3の自己ラベル付けブロック(self-label block)1006は、ラベル「キュー廃棄」を現在受け取っているプローブベクトルの時系列データ要素(P5、t14)に関連付ける。ラベルはまた、イベントに関連付けられたコンポーネント、例えば、どのキュー、およびイベントに関連付けられたノード、例えば、どのDCHまたは他のサーバーを示し得る。第4のブロック1008は、タイムスタンプマーカーを現在受け取ったベクトルに関連付ける。例えば、プローブベクトルP5を「キュー廃棄」ラベルでラベリングする例示的な事例を続けると、第4のブロック1008は、時間増分t14を示す時間マーカーでプローブベクトルP5をラベル付けする。第4の自己ラベル付けブロック1008はまた、現在受け取ったベクトルを、予測された状態の深刻度および/または対象とする範囲等の他の識別データでラベル付けしてもよい。対象とする範囲は、例えば、時間の範囲、複数のノードの範囲、および/または複数のプローブベクトルの範囲(例えば、対象とする他の複数の列)を包含し得る。
図14は、いくつかの実施形態による、複数のラベル付きトレーニングプローブベクトルスナップショットに基づいて複数のネットワーク状態を予測するために推論エンジン1404をトレーニングするように構成された教師あり学習システム1402を示す例示的な説明図である。1ノードあたり毎秒数万を含み得る多くのプローブベクトルが生成される場合、ネットワーク状態の発生を識別するために、人的時間(human time)でリアルタイムネットワーク解析を実行することは不可能である。また、マシンが、現在利用可能なモニターおよびプローブ時系列データセットに基づくネットワーク状態に対して、定型的に提案されたアクション(例えば、アラーム、警告、予測、動作)を有するリアルタイム(例えば、ミリ秒の時間スケール)で到達することは不可能である。いくつかの実施形態によれば、機械学習が適用されて、複数のプローブベクトル内に含まれる履歴データから学習し、そのようなデータに基づいてネットワーク状態の発生を予測するための推論モデルを生成し得る。いくつかの実施形態では、推論モデルは、入力として複数のディメンションのベクトルを受け取り、出力としてネットワーク状態の指標を提供し得る伝達関数を含み得る。
Claims (28)
- データセンター内の複数のイベントを予測する推論エンジンをトレーニングするためのトレーニングデータを生成するように構成されたシステムであって、
少なくとも1つのプロセッサと、
該少なくとも1つのプロセッサに動作可能に接続された少なくとも1つの非一時的なコンピュータ可読媒体であって、前記少なくとも1つのプロセッサにアクセス可能であり且つ前記少なくとも1つのプロセッサによって実行可能である前記非一時的なコンピュータ可読媒体に関連付けられて格納された複数の命令を含む前記非一時的なコンピュータ可読媒体と、を備え、
前記複数の命令は、
実行された場合、少なくとも1つのデータセンターハードウェア(DCH)インスタンスの複数のそれぞれのコンポーネントに対応する複数のプローブベクトルを生成する複数の第1の命令であって、各プローブベクトルは、複数のデータ要素からなる時系列シーケンスを含み、各データ要素は、対応する複数の時間増分からなるシーケンスにおけるそれぞれのプローブベクトルに対応するコンポーネントの状態を示し、前記複数のプローブベクトルは、1つ以上のプローブベクトルに対応する1つ以上のそれぞれのコンポーネントにおける1つ以上のイベントの発生を示し且つ前記1つ以上のイベントに対応する1つ以上の発生時刻を示す、前記複数の第1の命令と、
実行された場合、複数のトレーニングスナップショットを含むデータ構造を生成する複数の第2の命令と、を含み、
各トレーニングスナップショットは、前記複数のプローブベクトルのうちの1つ以上からの複数のデータ要素からなる対応するサブシーケンスを含み、前記複数のプローブベクトルのうちの1つ以上からの複数のデータ要素からなる対応するサブシーケンスは、前記1つ以上のイベントのうちの少なくとも1つに対応する指定された発生時刻よりも遅くないそれぞれの時間増分に対応するそれぞれの最終データ要素を含む、システム。 - 前記複数のデータ要素からなる対応するサブシーケンスのうちの少なくとも1つは、前記複数のデータ要素からなる対応するサブシーケンスのうちの他の少なくとも1つのそれぞれの最終データ要素に対応するそれぞれの時間増分よりも遅い時間増分に対応するそれぞれの最終データ要素を含む、請求項1に記載のシステム。
- 前記複数の第2の命令は、実行された場合、前記複数のトレーニングスナップショットにラベルを付けて、前記イベントが発生した各コンポーネントを識別する、請求項1に記載のシステム。
- 前記複数の第2の命令は、実行された場合、前記複数のトレーニングスナップショットにラベルを付けて、前記イベントを識別する、請求項1に記載のシステム。
- 前記複数のデータ要素からなるサブシーケンスのうちの少なくとも1つは、前記複数のデータ要素からなるサブシーケンスのうちの他の少なくとも2つの最終データ要素に対応する時間増分よりも遅い時間増分に対応する最終データ要素を含む、請求項1に記載のシステム。
- 前記複数のデータ要素からなるサブシーケンスのうちの少なくとも1つは、前記複数のデータ要素からなるサブシーケンスのうちの他の少なくとも2つの最終データ要素に対応する時間増分よりも遅い時間増分に対応する最終データ要素を含み、
前記複数のデータ要素からなるサブシーケンスのうちの少なくとも1つは、前記複数のデータ要素からなるサブシーケンスのうちの他の少なくとも3つの最終データ要素に対応する時間増分よりも遅い時間増分に対応する最終データ要素を含む、請求項1に記載のシステム。 - 前記複数のデータ要素からなるサブシーケンスのうちの少なくとも1つは、前記複数のデータ要素からなるサブシーケンスのうちの他の少なくとも2つの最終データ要素に対応する時間増分よりも遅い時間増分に対応する最終データ要素を含み、
前記複数のデータ要素のサブシーケンスのうちの少なくとも1つは、前記複数のデータ要素のサブシーケンスのうちの他の少なくとも3つの最終データ要素に対応する時間増分よりも遅い時間増分に対応する最終データ要素を含み、
前記複数のデータ要素からなるサブシーケンスのうちの少なくとも1つは、前記複数のデータ要素からなるサブシーケンスのうちの他の少なくとも4つの最終データ要素に対応する時間増分よりも遅い時間増分に対応する最終データ要素を含む、請求項1に記載のシステム。 - 前記複数の第1の命令は、実行された場合、データセンターネットワーク(DCN)内で結合された少なくとも2つのDCHインスタンスの複数のそれぞれのコンポーネントに対応する複数のプローブベクトルを生成する、請求項1に記載のシステム。
- 前記複数の第1の命令は、実行された場合、データセンターネットワーク(DCN)内で結合された少なくとも2つのDCHインスタンスの複数のそれぞれのコンポーネントに対応する複数のプローブベクトルを生成し、
各それぞれのトレーニングスナップショットは、前記DCNの少なくとも2つのDCHの各々の1つ以上のプローブベクトルの各々からの複数のデータ要素からなるサブシーケンスを含む、請求項1に記載のシステム。 - 前記複数の第1の命令は、実行された場合、DCNの第1のDCHを設定して、前記第1のDCHの複数のそれぞれのコンポーネントに対応する複数のプローブベクトルを生成し、
前記複数の第1の命令は、実行された場合、前記DCNの第2のDCHを設定して、前記第2のDCHの複数のそれぞれのコンポーネントに対応する複数のプローブベクトルを生成し、
各トレーニングスナップショットは、前記第1のDCHおよび前記第2のDCHの各々の1つ以上のプローブベクトルの各々からの複数のデータ要素からなるサブシーケンスを含む、請求項1に記載のシステム。 - 前記複数の第1の命令は、実行された場合、DCNの第1のDCHを設定して、前記第1のDCHの複数のそれぞれのコンポーネントに対応する複数のプローブベクトルを生成し、
前記複数の第1の命令は、実行された場合、DCNの第2のDCHを設定して、前記第2のDCHの複数のそれぞれのコンポーネントに対応する複数のプローブベクトルを生成し、
前記複数の第2の命令は、実行された場合、前記各トレーニングスナップショットを生成するようにマスターデバイスを設定し、
実行された場合、前記第1のDCHによって生成された複数のプローブベクトルをネットワークを介してマスターデバイスに報告し、前記第2のDCHによって生成された複数のプローブベクトルを前記ネットワークを介して前記マスターデバイスに報告する複数の第3の命令をさらに含む請求項1に記載のシステム。 - 前記複数の第1の命令は、実行された場合、データセンターネットワーク(DCN)内で結合された少なくとも2つのDCHインスタンスの複数のそれぞれのコンポーネントに対応する複数のプローブベクトルを生成し、
各トレーニングスナップショットは、前記DCNの少なくとも2つのDCHの各々の1つ以上のプローブベクトルの各々からの複数のデータ要素からなるサブシーケンスを含み、
前記複数のデータ要素からなるサブシーケンスのうちの少なくとも1つは、前記複数のデータ要素からなるサブシーケンスのうちの他の少なくとも2つの最終データ要素に対応する時間増分よりも遅い時間増分に対応する最終データ要素を含み、
前記複数のデータ要素からなるサブシーケンスのうちの少なくとも1つは、前記複数のデータ要素からなるサブシーケンスのうちの他の少なくとも3つの最終データ要素に対応する時間増分よりも遅い時間増分に対応する最終データ要素を含み、
前記複数のデータ要素からなるサブシーケンスのうちの少なくとも1つは、前記複数のデータ要素からなるサブシーケンスのうちの他の少なくとも4つの最終データ要素に対応する時間増分よりも遅い時間増分に対応する最終データ要素を含む、請求項1に記載のシステム。 - データセンター内の複数のイベントを予測する推論エンジンをトレーニングするためのトレーニングデータを生成する方法であって、
少なくとも1つのデータセンターハードウェア(DCH)インスタンスにおいて複数のプローブロジックインスタンスによって、前記少なくとも1つのDCHインスタンスの複数のそれぞれのコンポーネントに対応する複数のプローブベクトルを生成することであって、各プローブベクトルは、複数のデータ要素からなる時系列シーケンスを含み、各データ要素は、対応する複数の時間増分からなるシーケンスにおけるそれぞれのプローブベクトルに対応するコンポーネントの状態を示し、前記複数のプローブベクトルは、1つ以上のプローブベクトルに対応する1つ以上のそれぞれのコンポーネントにおける1つ以上のイベントの発生を示し且つ前記1つ以上のイベントに対応する1つ以上の発生時刻を示す、前記複数のプローブベクトルを生成すること、
マスターデバイスにおいて、複数のトレーニングスナップショットを含む対応するデータ構造を生成すること、を備え、
各トレーニングスナップショットは、前記複数のプローブベクトルのうちの1つ以上からの複数のデータ要素からなる対応するサブシーケンスを含み、前記複数のプローブベクトルのうちの1つ以上からの複数のデータ要素からなる対応するサブシーケンスは、前記1つ以上のイベントのうちの少なくとも1つに対応する指定された発生時刻よりも遅くないそれぞれの時間増分に対応するそれぞれの最終データ要素を含む、方法。 - 前記複数のデータ要素からなる対応するサブシーケンスのうちの少なくとも1つは、前記複数のデータ要素からなる対応するサブシーケンスのうちの他の少なくとも1つのそれぞれの最終データ要素に対応するそれぞれの時間増分よりも遅い時間増分に対応するそれぞれの最終データ要素を含む、請求項13に記載の方法。
- 前記複数のトレーニングスナップショットにラベルを付けて、前記イベントが発生した各コンポーネントを識別することをさらに含む請求項13に記載の方法。
- 前記複数のトレーニングスナップショットにラベルを付けて、前記イベントを識別することをさらに含む請求項13に記載の方法。
- 前記複数のデータ要素からなるサブシーケンスのうちの少なくとも1つは、前記複数のデータ要素からなるサブシーケンスのうちの他の少なくとも2つの最終データ要素に対応する時間増分よりも遅い時間増分に対応する最終データ要素を含む、請求項13に記載の方法。
- 前記複数のデータ要素からなるサブシーケンスのうちの少なくとも1つは、前記複数のデータ要素からなるサブシーケンスのうちの他の少なくとも2つの最終データ要素に対応する時間増分よりも遅い時間増分に対応する最終データ要素を含み、
前記複数のデータ要素からなるサブシーケンスのうちの少なくとも1つは、前記データ要素からなるサブシーケンスのうちの他の少なくとも3つの最終データ要素に対応する時間増分よりも遅い時間増分に対応する最終データ要素を含む、請求項13に記載の方法。 - 前記複数のデータ要素からなるサブシーケンスのうちの少なくとも1つは、前記複数のデータ要素からなるサブシーケンスのうちの他の少なくとも2つの最終データ要素に対応する時間増分よりも遅い時間増分に対応する最終データ要素を含み、
前記複数のデータ要素からなるサブシーケンスのうちの少なくとも1つは、前記複数のデータ要素からなるサブシーケンスのうちの他の少なくとも3つの最終データ要素に対応する時間増分よりも遅い時間増分に対応する最終データ要素を含み、
前記複数のデータ要素からなるサブシーケンスのうちの少なくとも1つは、前記データ要素からなるサブシーケンスのうちの他の少なくとも4つの最終データ要素に対応する時間増分よりも遅い時間増分に対応する最終データ要素を含む、請求項13に記載の方法。 - 前記少なくとも1つのDCHインスタンスにおいて前記複数のプローブロジックインスタンスによって生成することは、
データセンターネットワーク(DCN)内で結合された少なくとも2つのDCHインスタンスの複数のそれぞれのコンポーネントに対応する複数のプローブベクトルを生成すること、を含む、請求項13に記載の方法。 - 前記少なくとも1つのDCHインスタンスにおいて前記複数のプローブロジックインスタンスによって生成することは、
データセンターネットワーク(DCN)内で結合された少なくとも2つのDCHインスタンスの複数のそれぞれのコンポーネントに対応する複数のプローブベクトルを生成すること、を含み、
前記マスターデバイスにおいて複数のトレーニングスナップショットを含む前記データ構造を生成することは、
各それぞれのトレーニングスナップショットが前記DCNの少なくとも2つのDCHの各々の1つ以上のプローブベクトルの各々からの複数のデータ要素からなるサブシーケンスを含む前記複数のトレーニングスナップショットを生成すること、を含む、請求項13に記載の方法。 - DCNの第1のDCHを設定して、前記第1のDCHの複数のそれぞれのコンポーネントに対応する複数のプローブベクトルを生成すること、
前記DCNの第2のDCHを設定して、前記第2のDCHの複数のそれぞれのコンポーネントに対応する複数のプローブベクトルを生成すること、をさらに含み、
前記マスターデバイスにおいて複数のトレーニングスナップショットを含む前記データ構造を生成することは、
各それぞれのトレーニングスナップショットが前記第1のDCH及び第2のDCHの各々の1つ以上のプローブベクトルの各々からの複数のデータ要素からなるサブシーケンスを含む前記複数のトレーニングスナップショットを生成すること、を含む、請求項13に記載の方法。 - DCNの第1のDCHを設定して、前記第1のDCHの複数のそれぞれのコンポーネントに対応する複数のプローブベクトルを生成すること、
前記DCNの第2のDCHを設定して、前記第2のDCHの複数のそれぞれのコンポーネントに対応する複数のプローブベクトルを生成すること、
前記複数のトレーニングスナップショットを含むデータ構造を生成するようにマスターデバイスを設定すること、
前記第1のDCHによって生成された複数のプローブベクトルをネットワークを介してマスターデバイスに報告し、前記第2のDCHによって生成された複数のプローブベクトルを前記ネットワークを介して前記マスターデバイスに報告すること、をさらに含む請求項13に記載の方法。 - 前記少なくとも1つのDCHインスタンスにおいて前記複数のプローブロジックインスタンスによって生成することは、
データセンターネットワーク(DCN)内で結合された少なくとも2つのDCHインスタンスの複数のそれぞれのコンポーネントに対応する複数のプローブベクトルを生成すること、を含み、
前記マスターデバイスにおいて複数のトレーニングスナップショットを含む前記データ構造を生成することは、
各それぞれのトレーニングスナップショットが前記DCNの少なくとも2つのDCHの各々の1つ以上のプローブベクトルの各々からの複数のデータ要素からなるサブシーケンスを含む前記複数のトレーニングスナップショットを生成すること、を含み、
前記複数のデータ要素からなるサブシーケンスのうちの少なくとも1つは、前記複数のデータ要素からなるサブシーケンスのうちの他の少なくとも2つの最終データ要素に対応する時間増分よりも遅い時間増分に対応する最終データ要素を含み、
前記複数のデータ要素からなるサブシーケンスのうちの少なくとも1つは、前記複数のデータ要素からなるサブシーケンスのうちの他の少なくとも3つの最終データ要素に対応する時間増分よりも遅い時間増分に対応する最終データ要素を含み、
前記複数のデータ要素からなるサブシーケンスのうちの少なくとも1つは、前記複数のデータ要素からなるサブシーケンスのうちの他の少なくとも4つの最終データ要素に対応する時間増分よりも遅い時間増分に対応する最終データ要素を含む、請求項13に記載の方法。 - 複数の命令を記憶する非一時的なコンピュータ可読媒体であって、前記複数の命令は、方法に従って生成された非一時的なコンピュータ可読媒体に記憶された情報構造を含み、前記方法は、
少なくとも1つのDCHインスタンスの複数のそれぞれのコンポーネントに対応する複数のプローブベクトルを生成することであって、各プローブベクトルは、複数のデータ要素からなる時系列シーケンスを含み、各データ要素は、対応する複数の時間増分からなるシーケンスにおける前記プローブベクトルに対応するそれぞれのコンポーネントの状態を示し、前記複数のプローブベクトルは、1つ以上のプローブベクトルに対応する1つ以上のそれぞれのコンポーネントにおける1つ以上のイベントの発生を示し、前記1つ以上のイベントに対応する1つ以上の発生時刻を示す、前記複数のプローブベクトルを生成すること、
複数のトレーニングスナップショットを含むデータ構造を生成すること、を含み、
各トレーニングスナップショットは、前記複数のプローブベクトルのうちの1つ以上からの複数のデータ要素からなる対応するサブシーケンスを含み、前記複数のプローブベクトルのうちの1つ以上からの複数のデータ要素からなる対応するサブシーケンスは、前記1つ以上のイベントのうちの少なくとも1つに対応する指定された発生時刻よりも遅くない各時間増分に対応するそれぞれの最終データ要素を含む、非一時的なコンピュータ可読媒体。 - 前記複数のデータ要素からなる対応するサブシーケンスのうちの少なくとも1つは、前記複数のデータ要素からなるそれぞれのサブシーケンスのうちの他の少なくとも1つのそれぞれの最終データ要素に対応するそれぞれの時間増分よりも遅い時間増分に対応するそれぞれの最終データ要素を含む、請求項25に記載の非一時的なコンピュータ可読媒体。
- 複数の命令を記憶する非一時的なコンピュータ可読媒体であって、前記複数の命令は、コンピューティングシステムの1つまたは複数のコンピュータプロセッサによって実行されると、前記コンピューティングシステムに、
少なくとも1つのDCHインスタンスの複数のそれぞれのコンポーネントに対応する複数のプローブベクトルを生成することであって、各プローブベクトルは、複数のデータ要素からなる時系列シーケンスを含み、各データ要素は、対応する複数の時間増分からなるシーケンスにおける前記プローブベクトルに対応するそれぞれのコンポーネントの状態を示し、前記複数のプローブベクトルは、1つ以上のプローブベクトルに対応する1つ以上のそれぞれのコンポーネントにおける1つ以上のイベントの発生を示し、前記1つ以上のイベントに対応する1つ以上の発生時刻を示す、前記複数のプローブベクトルを生成すること、
複数のトレーニングスナップショットを含むデータ構造を生成すること、を含む複数の動作を実行させ、
各トレーニングスナップショットは、前記複数のプローブベクトルのうちの1つ以上からの複数のデータ要素からなるそれぞれのサブシーケンスを含み、前記複数のプローブベクトルのうちの1つ以上からの複数のデータ要素からなるそれぞれのサブシーケンスは、前記1つ以上のイベントのうちの少なくとも1つに対応する指定された発生時刻よりも遅くない各時間増分に対応するそれぞれの最終データ要素を含む、非一時的なコンピュータ可読媒体。 - 前記複数のデータ要素からなるそれぞれのサブシーケンスのうちの少なくとも1つは、前記複数のデータ要素からなるそれぞれのサブシーケンスのうちの他の少なくとも1つのそれぞれの最終データ要素に対応するそれぞれの時間増分よりも遅い時間増分に対応するそれぞれの最終データ要素を含む、請求項27に記載の非一時的なコンピュータ可読媒体。
Applications Claiming Priority (3)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
US16/016,362 | 2018-06-22 | ||
US16/016,362 US10956832B2 (en) | 2018-06-22 | 2018-06-22 | Training a data center hardware instance network |
PCT/US2019/036974 WO2019245850A1 (en) | 2018-06-22 | 2019-06-13 | Training a data center hardware instance network |
Publications (1)
Publication Number | Publication Date |
---|---|
JP2021530067A true JP2021530067A (ja) | 2021-11-04 |
Family
ID=67108205
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2021520085A Revoked JP2021530067A (ja) | 2018-06-22 | 2019-06-13 | データセンターハードウェアインスタンスネットワークのトレーニング |
Country Status (4)
Country | Link |
---|---|
US (1) | US10956832B2 (ja) |
JP (1) | JP2021530067A (ja) |
CN (1) | CN112513815A (ja) |
WO (1) | WO2019245850A1 (ja) |
Families Citing this family (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US10956832B2 (en) | 2018-06-22 | 2021-03-23 | Platina Systems Corporation | Training a data center hardware instance network |
US20200184043A1 (en) * | 2018-12-11 | 2020-06-11 | Avago Technologies International Sales Pte. Limited | Multimedia content recognition with local and cloud-assisted machine learning |
US20200196011A1 (en) * | 2018-12-15 | 2020-06-18 | Activision Publishing, Inc. | Systems and Methods for Receiving Digital Media and Classifying, Labeling and Searching Offensive Content Within Digital Media |
US11188696B1 (en) | 2019-04-15 | 2021-11-30 | Cadence Design Systems, Inc. | Method, system, and product for deferred merge based method for graph based analysis pessimism reduction |
CN110460488B (zh) * | 2019-07-01 | 2022-10-18 | 华为技术有限公司 | 业务流识别方法和装置、模型生成方法和装置 |
US11258659B2 (en) * | 2019-07-12 | 2022-02-22 | Nokia Solutions And Networks Oy | Management and control for IP and fixed networking |
US11803510B2 (en) * | 2020-02-10 | 2023-10-31 | International Business Machines Corporation | Labeling software applications running on nodes of a data center |
CN111651866B (zh) * | 2020-05-12 | 2023-03-17 | 北京华如科技股份有限公司 | 一种基于动态负载迁移及时间同步的仿真执行方法及系统 |
US11343310B2 (en) * | 2020-09-25 | 2022-05-24 | Vmware, Inc. | Detecting anomalies in a distributed application |
CN113364888B (zh) * | 2021-06-30 | 2022-05-31 | 重庆紫光华山智安科技有限公司 | 服务调度方法、系统、电子设备及计算机可读存储介质 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2012188027A (ja) * | 2011-03-11 | 2012-10-04 | Omron Automotive Electronics Co Ltd | 情報処理装置、情報処理方法、およびプログラム |
JP2016058027A (ja) * | 2014-09-12 | 2016-04-21 | インターナショナル・ビジネス・マシーンズ・コーポレーションInternational Business Machines Corporation | データ処理装置、データ処理方法、およびプログラム |
JP2016062544A (ja) * | 2014-09-22 | 2016-04-25 | インターナショナル・ビジネス・マシーンズ・コーポレーションInternational Business Machines Corporation | 情報処理装置、プログラム、及び情報処理方法 |
JP2016173782A (ja) * | 2015-03-18 | 2016-09-29 | エヌ・ティ・ティ・コミュニケーションズ株式会社 | 故障予測システム、故障予測方法、故障予測装置、学習装置、故障予測プログラム及び学習プログラム |
Family Cites Families (38)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5357395A (en) | 1992-06-25 | 1994-10-18 | Schlumberger Technology Corporation | Undervoltage protection circuit, system and method of operating same |
EP0663634B1 (en) | 1994-01-14 | 2003-05-14 | Sun Microsystems, Inc. | Smart switch |
US6334219B1 (en) | 1994-09-26 | 2001-12-25 | Adc Telecommunications Inc. | Channel selection for a hybrid fiber coax network |
US7657706B2 (en) | 2003-12-18 | 2010-02-02 | Cisco Technology, Inc. | High speed memory and input/output processor subsystem for efficiently allocating and using high-speed memory and slower-speed memory |
US20080012603A1 (en) | 2006-07-17 | 2008-01-17 | Wadhwa Sanjay K | Brown out detector |
US8907520B2 (en) | 2007-03-14 | 2014-12-09 | Zonit Structured Solutions, Llc | Parallel redundant power distribution |
US7583674B2 (en) | 2006-11-20 | 2009-09-01 | Alcatel Lucent | Switch and method for supporting internet protocol (IP) network tunnels |
US7925081B2 (en) * | 2007-12-12 | 2011-04-12 | Fuji Xerox Co., Ltd. | Systems and methods for human body pose estimation |
US8077726B1 (en) | 2008-12-10 | 2011-12-13 | Juniper Networks, Inc. | Fast reroute for multiple label switched paths sharing a single interface |
US9077654B2 (en) | 2009-10-30 | 2015-07-07 | Iii Holdings 2, Llc | System and method for data center security enhancements leveraging managed server SOCs |
US8228100B2 (en) | 2010-01-26 | 2012-07-24 | Freescale Semiconductor, Inc. | Data processing system having brown-out detection circuit |
US9106527B1 (en) | 2010-12-22 | 2015-08-11 | Juniper Networks, Inc. | Hierarchical resource groups for providing segregated management access to a distributed switch |
US9442876B2 (en) | 2012-05-18 | 2016-09-13 | Dell Products, Lp | System and method for providing network access for a processing node |
US9092223B1 (en) | 2012-05-31 | 2015-07-28 | Google Inc. | Systems and methods to save power in data-center networks |
US8989192B2 (en) | 2012-08-15 | 2015-03-24 | Futurewei Technologies, Inc. | Method and system for creating software defined ordered service patterns in a communications network |
US9485276B2 (en) | 2012-09-28 | 2016-11-01 | Juniper Networks, Inc. | Dynamic service handling using a honeypot |
US9507586B2 (en) | 2012-10-05 | 2016-11-29 | Lenovo Enterprise Solutions (Singapore) Pte. Ltd. | Virtual machine based controller and upgrade mechanism |
US8924619B2 (en) | 2013-03-15 | 2014-12-30 | Seagate Technology Llc | Unified message-based communications |
US9136624B1 (en) | 2013-03-28 | 2015-09-15 | Juniper Networks, Inc. | Orthogonal cross-connecting of printed circuit boards without a midplane board |
US9755960B2 (en) | 2013-09-30 | 2017-09-05 | Juniper Networks, Inc. | Session-aware service chaining within computer networks |
US9017087B1 (en) | 2013-10-18 | 2015-04-28 | Tyco Electronics Corporation | Cable connector assembly and cable tray having a floatable cable connector |
US9235245B2 (en) | 2013-12-04 | 2016-01-12 | Sandisk Enterprise Ip Llc | Startup performance and power isolation |
US9223734B2 (en) | 2013-12-13 | 2015-12-29 | Avago Technologies General Ip (Singapore) Pte. Ltd. | Switch with synthetic device capability |
US9722926B2 (en) | 2014-01-23 | 2017-08-01 | InMon Corp. | Method and system of large flow control in communication networks |
US20160154756A1 (en) | 2014-03-31 | 2016-06-02 | Avago Technologies General Ip (Singapore) Pte. Ltd | Unordered multi-path routing in a pcie express fabric environment |
US9870410B2 (en) * | 2014-09-15 | 2018-01-16 | Microsoft Technology Licensing, Llc | Constructed data stream for enhanced event processing |
US10261851B2 (en) * | 2015-01-23 | 2019-04-16 | Lightbend, Inc. | Anomaly detection using circumstance-specific detectors |
US10191527B2 (en) | 2015-05-14 | 2019-01-29 | Arm Limited | Brown-out detector |
US10097017B2 (en) | 2015-06-24 | 2018-10-09 | Apple Inc. | Systems and methods for bidirectional two-port battery charging with boost functionality |
US10038650B2 (en) | 2015-08-25 | 2018-07-31 | Futurewei Technologies, Inc. | System and method for tunnel stitching transport |
US10038572B1 (en) | 2015-09-11 | 2018-07-31 | Amazon Technologies, Inc. | Programmable tunnel creation for hardware-based packet processing |
US10116521B2 (en) * | 2015-10-15 | 2018-10-30 | Citrix Systems, Inc. | Systems and methods for determining network configurations using historical real-time network metrics data |
US9985903B2 (en) | 2015-12-29 | 2018-05-29 | Amazon Technologies, Inc. | Reliable, out-of-order receipt of packets |
US20170269959A1 (en) | 2016-03-15 | 2017-09-21 | Intel Corporation | Method, apparatus and system to send transactions without tracking |
US9898069B1 (en) | 2016-03-31 | 2018-02-20 | Amazon Technologies, Inc. | Power reduction methods for variable sized tables |
US10386913B2 (en) | 2016-04-01 | 2019-08-20 | Platina Systems Corporation | Priority based power-off during partial power loss |
CN107273262A (zh) * | 2017-05-23 | 2017-10-20 | 深圳先进技术研究院 | 一种硬件事件的预测方法及系统 |
US10956832B2 (en) | 2018-06-22 | 2021-03-23 | Platina Systems Corporation | Training a data center hardware instance network |
-
2018
- 2018-06-22 US US16/016,362 patent/US10956832B2/en active Active
-
2019
- 2019-06-13 CN CN201980049359.9A patent/CN112513815A/zh active Pending
- 2019-06-13 JP JP2021520085A patent/JP2021530067A/ja not_active Revoked
- 2019-06-13 WO PCT/US2019/036974 patent/WO2019245850A1/en active Application Filing
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2012188027A (ja) * | 2011-03-11 | 2012-10-04 | Omron Automotive Electronics Co Ltd | 情報処理装置、情報処理方法、およびプログラム |
JP2016058027A (ja) * | 2014-09-12 | 2016-04-21 | インターナショナル・ビジネス・マシーンズ・コーポレーションInternational Business Machines Corporation | データ処理装置、データ処理方法、およびプログラム |
JP2016062544A (ja) * | 2014-09-22 | 2016-04-25 | インターナショナル・ビジネス・マシーンズ・コーポレーションInternational Business Machines Corporation | 情報処理装置、プログラム、及び情報処理方法 |
JP2016173782A (ja) * | 2015-03-18 | 2016-09-29 | エヌ・ティ・ティ・コミュニケーションズ株式会社 | 故障予測システム、故障予測方法、故障予測装置、学習装置、故障予測プログラム及び学習プログラム |
Non-Patent Citations (1)
Title |
---|
近藤喜芳 ほか: "時間付きマルコフモデルを用いた障害検知手法の提案", 電子情報通信学会技術研究報告, vol. 第115巻, JPN6023032415, 12 April 2016 (2016-04-12), JP, pages 109 - 112, ISSN: 0005124707 * |
Also Published As
Publication number | Publication date |
---|---|
US20190392354A1 (en) | 2019-12-26 |
US10956832B2 (en) | 2021-03-23 |
CN112513815A (zh) | 2021-03-16 |
WO2019245850A1 (en) | 2019-12-26 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
JP2021530067A (ja) | データセンターハードウェアインスタンスネットワークのトレーニング | |
US11115466B2 (en) | Distributed network services | |
US11165631B1 (en) | Identifying a root cause of alerts within virtualized computing environment monitoring system | |
EP2672668B1 (en) | Facilitating the operation of a virtual network by predicting a failure | |
US11438214B2 (en) | Operational analytics in managed networks | |
US9606896B2 (en) | Creating searchable and global database of user visible process traces | |
US10924329B2 (en) | Self-healing Telco network function virtualization cloud | |
CN110011869B (zh) | 控制器装置、方法及计算机可读存储介质 | |
US20200401936A1 (en) | Self-aware service assurance in a 5g telco network | |
JP6575949B2 (ja) | Mtcイベント管理方法およびシステム | |
US10083051B1 (en) | System, method, and code for classifying resources of a virtual computing environment | |
US11916721B2 (en) | Self-healing telco network function virtualization cloud | |
JP2022515994A (ja) | ネットワーククラウド内で動作するエンティティの活動のオーケストレーション | |
Moghaddam et al. | Performance-aware management of cloud resources: a taxonomy and future directions | |
US20220060369A1 (en) | Intent-based distributed alarm service | |
GB2564863A (en) | Containerized application platform | |
Pisa et al. | VNEXT: Virtual network management for Xen-based testbeds | |
Perez-Espinoza et al. | A distributed architecture for monitoring private clouds | |
Vuong et al. | Distributed Event Monitoring for Software Defined Networks | |
US11570260B1 (en) | Data collection configuration file generation | |
EP4184880A1 (en) | Cloud network failure auto-correlator |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20220610 |
|
A977 | Report on retrieval |
Free format text: JAPANESE INTERMEDIATE CODE: A971007 Effective date: 20230428 |
|
A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20230516 |
|
AA91 | Notification that invitation to amend document was cancelled |
Free format text: JAPANESE INTERMEDIATE CODE: A971091 Effective date: 20230801 |
|
A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20230808 |
|
A02 | Decision of refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A02 Effective date: 20240305 |