JP6756048B2 - 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
- JP6756048B2 JP6756048B2 JP2019534881A JP2019534881A JP6756048B2 JP 6756048 B2 JP6756048 B2 JP 6756048B2 JP 2019534881 A JP2019534881 A JP 2019534881A JP 2019534881 A JP2019534881 A JP 2019534881A JP 6756048 B2 JP6756048 B2 JP 6756048B2
- Authority
- JP
- Japan
- Prior art keywords
- computer system
- network servers
- performance
- variables
- time
- 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.)
- Active
Links
Images
Classifications
-
- 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
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/24—Querying
- G06F16/245—Query processing
- G06F16/2458—Special types of queries, e.g. statistical queries, fuzzy queries or distributed queries
- G06F16/2474—Sequence data queries, e.g. querying versioned data
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/28—Databases characterised by their database models, e.g. relational or object models
- G06F16/284—Relational databases
- G06F16/285—Clustering or classification
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/14—Fourier, Walsh or analogous domain transformations, e.g. Laplace, Hilbert, Karhunen-Loeve, transforms
- G06F17/141—Discrete Fourier transforms
- G06F17/142—Fast Fourier transforms, e.g. using a Cooley-Tukey type algorithm
-
- 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
- G06Q10/06313—Resource planning in a project environment
-
- 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
- G06F2209/5019—Workload prediction
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L12/00—Data switching networks
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Data Mining & Analysis (AREA)
- Databases & Information Systems (AREA)
- General Engineering & Computer Science (AREA)
- Software Systems (AREA)
- Economics (AREA)
- Entrepreneurship & Innovation (AREA)
- Computational Linguistics (AREA)
- Computational Mathematics (AREA)
- Mathematical Analysis (AREA)
- Mathematical Optimization (AREA)
- Pure & Applied Mathematics (AREA)
- Strategic Management (AREA)
- Life Sciences & Earth Sciences (AREA)
- Operations Research (AREA)
- Biodiversity & Conservation Biology (AREA)
- Discrete Mathematics (AREA)
- Development Economics (AREA)
- Computing Systems (AREA)
- Educational Administration (AREA)
- Evolutionary Computation (AREA)
- Game Theory and Decision Science (AREA)
- Artificial Intelligence (AREA)
- Marketing (AREA)
- Algebra (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Fuzzy Systems (AREA)
- Probability & Statistics with Applications (AREA)
- Debugging And Monitoring (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Computer And Data Communications (AREA)
- Complex Calculations (AREA)
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 (12)
- 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性能データを含む多変量時系列(MTS)を受信することであって、前記性能データが、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個の性能変数を含む、受信することと、
前記d個の性能変数の各々が性能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、前記性能データの前記d個の性能変数の各々を2つ以上の性能変数グループへとグループ化することであって、
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依存度を表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、前記依存度に基づいて、前記2つ以上の性能変数グループを決定することと、を含む、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において前記d個の性能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複数の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つ以上の性能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用いて、前記性能データの基準状態を表す変数のベクトルに対する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、前記企業コンピュータシステムによって必要とされる前記複数のネットワークサーバにおけ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d個の性能変数が、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。 - 前記相関行列が、スピアマン(Spearman)相関行列を含む、請求項1に記載の方法。
- 前記プログラムされたコンピュータシステムによって、前記依存度に基づいて、前記2つ以上の性能変数グループを決定することは、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用いて前記2つ以上の性能変数グループを決定することを含む、請求項1に記載の方法。
- 前記性能データの前記基準状態を表す変数のベクトルに対する前記k個の最近傍を見つけることが、
前記基準状態を表す変数のベクトルと、過去のサンプリング時間における前記性能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、
前記基準状態を表す前記変数の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5に記載の方法。
- 前記1つ以上の未来の時間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、前記企業コンピュータシステムによって必要とされる前記複数のネットワークサーバにおけ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、前記複数のネットワークサーバにおける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、前記複数の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性能データを含む多変量時系列(MTS)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d個の性能変数の各々が変数グループに属するように、前記性能データの前記d個の性能変数の各々を2つ以上の性能変数グループにグループ化することであって、
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依存度を表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、前記依存度に基づいて、前記2つ以上の性能変数グループを決定することと、を含む、グループ化することと、
前記複数の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における前記d個の性能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つ以上の性能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用いて、前記性能データの基準状態を表す変数のベクトルに対して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、
によって計算される、予測を計算することと、
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、前記企業コンピュータシステム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、
によって、前記企業コンピュータシステムの前記複数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1つ以上の未来の時間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、前記企業コンピュータシステムによって必要とされる前記複数のネットワークサーバにおけ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
前記複数のネットワークサーバにおける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、前記複数の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d個の性能変数が、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8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8に記載のシステム。
- 前記プログラムされたコンピュータシステムによって、前記依存度に基づいて、前記2つ以上の性能変数グループを決定することは、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用いて前記2つ以上の性能変数グループを決定することを含む、請求項8に記載のシステム。
- 前記性能データの前記基準状態を表す変数のベクトルに対する前記k個の最近傍を見つけることが、
前記基準状態を表す変数のベクトルと、過去のサンプリング時間における前記性能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、
前記基準状態を表す前記変数の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8に記載のシステム。
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
PCT/CN2016/112086 WO2018119568A1 (en) | 2016-12-26 | 2016-12-26 | Predictive asset optimization for computer resources |
Related Child Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2020142203A Division 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 |
Publications (2)
Publication Number | Publication Date |
---|---|
JP2020504382A JP2020504382A (ja) | 2020-02-06 |
JP6756048B2 true JP6756048B2 (ja) | 2020-09-16 |
Family
ID=62706540
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2019534881A Active 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 |
Country Status (4)
Country | Link |
---|---|
US (2) | US11113612B2 (ja) |
EP (1) | EP3560146B1 (ja) |
JP (1) | JP6756048B2 (ja) |
WO (1) | WO2018119568A1 (ja) |
Families Citing this family (20)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP6756048B2 (ja) | 2016-12-26 | 2020-09-16 | モルガン スタンレー サービシーズ グループ,インコーポレイテッドMorgan Stanley Services Group,Inc. | コンピュータリソースのための予測的資産最適化 |
EP3583505A4 (en) * | 2017-02-17 | 2020-01-08 | Visa International Service Association | UNIFIED INTELLIGENT CONNECTOR |
US11640617B2 (en) * | 2017-03-21 | 2023-05-02 | Adobe Inc. | Metric forecasting employing a similarity determination in a digital medium environment |
WO2020045925A1 (en) | 2018-08-27 | 2020-03-05 | Samsung Electronics Co., Ltd. | Methods and systems for managing an electronic device |
US11343155B2 (en) * | 2018-09-13 | 2022-05-24 | Cable Television Laboratories, Inc. | Machine learning algorithms for quality of service assurance in network traffic |
US11553047B2 (en) * | 2018-11-30 | 2023-01-10 | International Business Machines Corporation | Dynamic connection capacity management |
US11138047B2 (en) * | 2018-12-05 | 2021-10-05 | Vmware, Inc. | Efficient network services with performance lag prediction and prevention |
US10956839B2 (en) * | 2019-02-05 | 2021-03-23 | Bank Of America Corporation | Server tool |
CN111755106A (zh) * | 2019-03-28 | 2020-10-09 | 株式会社日立制作所 | 一种门诊量的预测方法及装置 |
US10999403B2 (en) | 2019-09-27 | 2021-05-04 | Red Hat, Inc. | Composable infrastructure provisioning and balancing |
CN111598390B (zh) * | 2019-10-16 | 2023-12-01 | 中国南方电网有限责任公司 | 服务器高可用性评估方法、装置、设备和可读存储介质 |
US11263049B2 (en) * | 2020-04-29 | 2022-03-01 | Bank Of America Corporation | System for pattern recognition to customized resource usage |
CN111800514B (zh) * | 2020-07-13 | 2022-04-15 | 华侨大学 | 一种基于应用和位置感知的云管理系统 |
JP6950911B1 (ja) * | 2020-07-31 | 2021-10-13 | 株式会社アイデミ— | 需要予測プログラム、需要予測装置、需要予測方法、需要予測通知プログラム、需要予測通知装置及び需要予測通知方法 |
CN111985726B (zh) * | 2020-08-31 | 2023-04-18 | 重庆紫光华山智安科技有限公司 | 资源数量预测方法、装置、电子设备及存储介质 |
CN112650971B (zh) * | 2020-12-31 | 2024-03-05 | 新奥数能科技有限公司 | 一种公式计算的实现方法、装置、设备及存储介质 |
CN113076196A (zh) * | 2021-04-08 | 2021-07-06 | 上海电力大学 | 结合注意力机制和门控循环单元的云计算主机负载预测法 |
US11252036B1 (en) * | 2021-06-10 | 2022-02-15 | Bank Of America Corporation | System for evaluating and tuning resources for anticipated demands |
CN113722094A (zh) * | 2021-08-09 | 2021-11-30 | 国网福建省电力有限公司 | 基于神经网络算法的应用主机资源预测方法 |
CN117519956A (zh) | 2022-07-26 | 2024-02-06 | 北京穿杨科技有限公司 | 资源配额确定方法、装置、计算设备及介质 |
Family Cites Families (20)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP4071668B2 (ja) | 2003-04-16 | 2008-04-02 | 富士通株式会社 | システムの使用資源を調整する装置および方法 |
JP2005018304A (ja) | 2003-06-25 | 2005-01-20 | Nippon Telegr & Teleph Corp <Ntt> | 時系列データ予測方法、装置、時系列データ予測プログラム及びその記録媒体 |
JP4298581B2 (ja) | 2004-05-17 | 2009-07-22 | 中国電力株式会社 | 電力需要予測装置、電力需要予測システム、電力需要予測プログラム、記録媒体、及び電力需要予測方法 |
JP2006209276A (ja) | 2005-01-26 | 2006-08-10 | Hitachi Ltd | 生体試料分類システム及びその方法 |
US20100082507A1 (en) * | 2008-09-30 | 2010-04-01 | Archana Sulochana Ganapathi | Predicting Performance Of Executing A Query In Isolation In A Database |
US8572746B2 (en) * | 2010-01-21 | 2013-10-29 | The Regents Of The University Of California | Predictive blacklisting using implicit recommendation |
US9075665B2 (en) * | 2010-06-29 | 2015-07-07 | International Business Machines Corporation | Smoothing peak system load via behavior prediction in collaborative systems with temporal data access patterns |
US8818787B2 (en) * | 2011-01-31 | 2014-08-26 | Yahoo! Inc. | Method and system for predicting performance of software applications on prospective hardware architecture |
CN102104509B (zh) | 2011-02-17 | 2013-06-19 | 浪潮(北京)电子信息产业有限公司 | 云操作系统中服务器负载预测的方法及装置 |
US8805648B2 (en) | 2011-10-05 | 2014-08-12 | Ats Group (Ip Holdings) Limited | Data fusion in high computational load environments |
US8826277B2 (en) | 2011-11-29 | 2014-09-02 | International Business Machines Corporation | Cloud provisioning accelerator |
CN102664812B (zh) | 2012-05-14 | 2015-05-20 | 山东大学 | 融合业务预测与实时负载的两阶段服务系统负载预测与均衡方法 |
US9235801B2 (en) * | 2013-03-15 | 2016-01-12 | Citrix Systems, Inc. | Managing computer server capacity |
CN103490956A (zh) * | 2013-09-22 | 2014-01-01 | 杭州华为数字技术有限公司 | 基于业务量预测的自适应节能控制方法及设备、系统 |
US10552745B2 (en) * | 2013-10-18 | 2020-02-04 | Netflix, Inc. | Predictive auto scaling engine |
JP2016014990A (ja) | 2014-07-01 | 2016-01-28 | 学校法人早稲田大学 | 動画像検索方法、動画像検索装置及びそのプログラム |
US20170034720A1 (en) * | 2015-07-28 | 2017-02-02 | Futurewei Technologies, Inc. | Predicting Network Performance |
US10412155B2 (en) * | 2015-10-29 | 2019-09-10 | Capital One Services, Llc | Automated server workload management using machine learning |
US20170372224A1 (en) * | 2016-06-28 | 2017-12-28 | General Electric Company | Deep learning for imputation of industrial multivariate time-series |
JP6756048B2 (ja) | 2016-12-26 | 2020-09-16 | モルガン スタンレー サービシーズ グループ,インコーポレイテッドMorgan Stanley Services Group,Inc. | コンピュータリソースのための予測的資産最適化 |
-
2016
- 2016-12-26 JP JP2019534881A patent/JP6756048B2/ja active Active
- 2016-12-26 WO PCT/CN2016/112086 patent/WO2018119568A1/en active Application Filing
- 2016-12-26 EP EP16925229.3A patent/EP3560146B1/en active Active
- 2016-12-26 US US16/472,916 patent/US11113612B2/en active Active
-
2021
- 2021-08-11 US US17/399,671 patent/US11481653B2/en active Active
Also Published As
Publication number | Publication date |
---|---|
EP3560146A1 (en) | 2019-10-30 |
JP2020504382A (ja) | 2020-02-06 |
US11481653B2 (en) | 2022-10-25 |
WO2018119568A1 (en) | 2018-07-05 |
EP3560146B1 (en) | 2022-03-02 |
US20220215275A1 (en) | 2022-07-07 |
US20200074323A1 (en) | 2020-03-05 |
EP3560146A4 (en) | 2020-01-01 |
US11113612B2 (en) | 2021-09-07 |
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 | |
Cao et al. | CPU load prediction for cloud environment based on a dynamic ensemble model | |
US20100030896A1 (en) | Estimating latencies for query optimization in distributed stream processing | |
Hamrouni et al. | A survey of dynamic replication and replica selection strategies based on data mining techniques in data grids | |
Thakkar et al. | MUVINE: Multi-stage virtual network embedding in cloud data centers using reinforcement learning-based predictions | |
CN111124689A (zh) | 一种集群中容器资源动态分配方法 | |
Mondal et al. | Scheduling of time-varying workloads using reinforcement learning | |
Liu et al. | Workload forecasting based elastic resource management in edge cloud | |
JP7111779B2 (ja) | コンピュータリソースのための予測的資産最適化 | |
Banerjee et al. | Efficient resource utilization using multi-step-ahead workload prediction technique in cloud | |
JP2021005387A5 (ja) | ||
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 | |
Li et al. | Batch Jobs Load Balancing Scheduling in Cloud Computing Using Distributional Reinforcement Learning | |
Setayesh et al. | An efficient online prediction of host workloads using pruned GRU neural nets | |
Jayalakshmi | Predictive scaling for elastic compute resources on public cloud utilizing deep learning based long short-term memory | |
Fakhartousi et al. | Autonomic Dominant Resource Fairness (A-DRF) in Cloud Computing | |
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 | |
Bansal et al. | Deep Learning-based Workload Prediction in Cloud Computing to Enhance the Performance | |
Yu et al. | Integrating clustering and regression for workload estimation in the cloud |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20190819 |
|
A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20190819 |
|
A871 | Explanation of circumstances concerning accelerated examination |
Free format text: JAPANESE INTERMEDIATE CODE: A871 Effective date: 20190819 |
|
A975 | Report on accelerated examination |
Free format text: JAPANESE INTERMEDIATE CODE: A971005 Effective date: 20191227 |
|
A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20200121 |
|
A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20200420 |
|
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: 20200728 |
|
A61 | First payment of annual fees (during grant procedure) |
Free format text: JAPANESE INTERMEDIATE CODE: A61 Effective date: 20200826 |
|
R150 | Certificate of patent or registration of utility model |
Ref document number: 6756048 Country of ref document: JP Free format text: JAPANESE INTERMEDIATE CODE: R150 |
|
R250 | Receipt of annual fees |
Free format text: JAPANESE INTERMEDIATE CODE: R250 |