KR20210029073A - Virtual machine workload prediction method based on multiple prediction models - Google Patents
Virtual machine workload prediction method based on multiple prediction models Download PDFInfo
- Publication number
- KR20210029073A KR20210029073A KR1020200053253A KR20200053253A KR20210029073A KR 20210029073 A KR20210029073 A KR 20210029073A KR 1020200053253 A KR1020200053253 A KR 1020200053253A KR 20200053253 A KR20200053253 A KR 20200053253A KR 20210029073 A KR20210029073 A KR 20210029073A
- Authority
- KR
- South Korea
- Prior art keywords
- load
- virtual machine
- prediction
- storage
- target
- Prior art date
Links
Images
Classifications
-
- 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
- G06F9/44—Arrangements for executing specific programs
- G06F9/455—Emulation; Interpretation; Software simulation, e.g. virtualisation or emulation of application or operating system execution engines
- G06F9/45533—Hypervisors; Virtual machine monitors
- G06F9/45558—Hypervisor-specific management and integration aspects
-
- 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]
- G06F9/5005—Allocation of resources, e.g. of the central processing unit [CPU] to service a request
- G06F9/5027—Allocation of resources, e.g. of the central processing unit [CPU] to service a request the resource being a machine, e.g. CPUs, Servers, Terminals
- G06F9/505—Allocation of resources, e.g. of the central processing unit [CPU] to service a request the resource being a machine, e.g. CPUs, Servers, Terminals considering the load
-
- 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
- G06F9/44—Arrangements for executing specific programs
- G06F9/455—Emulation; Interpretation; Software simulation, e.g. virtualisation or emulation of application or operating system execution engines
- G06F9/45533—Hypervisors; Virtual machine monitors
- G06F9/45558—Hypervisor-specific management and integration aspects
- G06F2009/4557—Distribution of virtual machine instances; Migration and load balancing
Abstract
Description
본 발명은 복수의 예측 모델을 기초로 가상 머신 워크 로드 예측 방법 및 이를 구현하는 예측 장치에 관한 것으로서, 물리 서버 상에서 가상 머신의 배치를 변경하기 위한 전 단계로서 미래의 가상 머신에 의해 발생되는 물리 서버의 부하를 예측하는, 복수의 예측 모델을 기초로 가상 머신 워크 로드 예측 방법 및 이를 구현하는 예측 장치에 관한 것이다.The present invention relates to a method for predicting a virtual machine workload based on a plurality of predictive models and a prediction apparatus for implementing the same, and a physical server generated by a future virtual machine as a pre-step for changing the arrangement of virtual machines on a physical server. A method for predicting a virtual machine workload based on a plurality of predictive models that predicts the load of, and a prediction apparatus implementing the same.
전 세계 전력사용량의 약 2%를 차지하는 데이터센터는 단일 건물 중 전력을 가장 많이 사용하는 고밀도 에너지 다소비 건물이지만, 안정성을 최우선시하는 보수적인 운영을 고수하여 비효율적인 운영 현황을 보이고 있다. 향후 사물인터넷, 빅 데이터, 클라우드 기술 등의 확산으로 인해 소규모의 데이터센터는 대규모의 데이터센터인 '하이퍼스케일', '메가' 데이터센터로 통합될 것으로 전망되는바, 인프라 확대에 따른 데이터센터 운영관리의 복잡성 또한 심화될 것으로 전망된다. 이에 불필요한 서버는 유휴 혹은 절전모드로 전환하고, 가용되는 서버를 최대한 안정적으로 운영함으로써 데이터센터 운영의 효율성을 극대화하며, 전력소비량을 줄여 운영비용 절감에 기여하기 위하여, 데이터센터에 배치된 수많은 가상 머신들의 배치를 적절하게 하는 것이 매우 중요하다.The data center, which accounts for about 2% of the world's electricity use, is a high-density energy-intensive building that uses the most electricity among single buildings, but it is showing inefficient operation by sticking to conservative operation that prioritizes stability. Due to the proliferation of IoT, big data, and cloud technologies in the future, small data centers are expected to be integrated into large data centers such as'Hyperscale' and'Mega' data centers. It is expected that the complexity of the company will also increase. Accordingly, unnecessary servers are switched to idle or power-saving mode, and the available servers are operated in a stable manner to maximize the efficiency of data center operation, and to contribute to operating cost reduction by reducing power consumption, a number of virtual machines deployed in the data center It is very important to properly arrange them.
물리적 자원(Physical Machine, PM, 물리 서버)들을 논리적 자원(Virtual Machine, VM, 가상 머신)들로 구성하는 가상화 환경에서는 구동 중인 가상 머신을 다른 물리 서버로 이동시킬 수 있는데, 이를 라이브 마이그레이션이라고 한다. 이는 효율적인 데이터센터를 관리하는데 필수적인 관리 방법이다. 여기서, 데이터센터를 효율적으로 관리하기 위하여 가상 머신들을 마이그레이션하여 데이터 센터를 운영하는 것과 관련된 기술(일본특허공보 특허 제5827594, 2015. 10. 23, 등록)이 개발되고 출시되어 있다.In a virtualization environment in which physical resources (Physical Machine, PM, physical server) are composed of logical resources (Virtual Machine, VM, virtual machine), a running virtual machine can be moved to another physical server, which is called live migration. This is an essential management method for managing an efficient data center. Here, in order to efficiently manage the data center, a technology related to operating a data center by migrating virtual machines (Japanese Patent Publication No. 5827594, registered on October 23, 2015) has been developed and released.
다만, 기존의 출시되어 있는 기술들은 실제적으로 데이터센터를 운영하는 것에 대한 것으로서, 데이터센터에 운영프로그램을 적용하기 전에 미리 결과를 예측하지 못한다는 불편함이 존재하였다.However, the existing technologies that have been released are for actually operating the data center, and there was an inconvenience that the results could not be predicted in advance before applying the operating program to the data center.
이를 해결하기 위해, 가상 머신에 의해 발생되는 물리 서버의 부하를 미리 예측을 하고, 예측된 가상 머신의 워크 로드를 기초로 가상 머신을 재 배치하는 발명을 고안하였고 앞서 출원(한국특허출원번호 제10-2019-0049976호, 2019.04.29, 출원)을 하였다. In order to solve this, an invention was devised for predicting the load of the physical server generated by the virtual machine in advance, and relocating the virtual machine based on the predicted workload of the virtual machine. -2019-0049976, 2019.04.29, filed).
다만, 단순하게 모든 데이터들을 기초로 하나의 예측 모델을 생성할 경우, 모든 패턴의 데이터들을 포용하는 예측 모델로서 형성되기 때문에, 예측의 정확도가 다소 떨어지며, 예측 모델을 생성하는데 긴 시간이 소요되는 문제를 발생시켰다.However, if a single prediction model is simply generated based on all data, it is formed as a prediction model that embraces data of all patterns, so the accuracy of prediction is somewhat inferior, and it takes a long time to generate the prediction model. Occurred.
본 발명의 목적은 상기 문제점을 해결하기 위해서, 빠른 시간 동안 정확하게 미래의 가상 머신 워크 로드를 예측할 수 있는 가상 머신 예측 워크 로드 산출 방법 및 이를 구현하는 예측 장치를 제공하는 것이다.In order to solve the above problem, an object of the present invention is to provide a virtual machine prediction workload calculation method capable of accurately predicting a future virtual machine workload for a short period of time, and a prediction apparatus implementing the same.
본 발명이 해결하고자 하는 과제가 상술한 과제로 제한되는 것은 아니며, 언급되지 아니한 과제들은 본 명세서 및 첨부된 도면으로부터 본 발명이 속하는 기술분야에서 통상의 지식을 가진 자에게 명확하게 이해될 수 있을 것이다.The problem to be solved by the present invention is not limited to the above-described problems, and problems that are not mentioned will be clearly understood by those of ordinary skill in the art from the present specification and the accompanying drawings. .
본 발명의 일 실시예에 따른 가상 머신 예측 워크 로드 산출 방법은, 예측 장치에 의해 구현되며, 물리 서버 상에 설치된 가상 머신에 의해 부과될 것으로 예측되는 물리 서버의 부하인 예측 부하가 산출되는 방법인 가상 머신 예측 워크 로드 산출 방법에 있어서, 상기 물리 서버에 설치된 상기 가상 머신에 의해 발생되었던 상기 물리 서버의 부하인 저장 부하와 관련된 정보인 저장 부하 정보가 수집되는 단계; 미리 정해진 분류 방법에 의해 복수의 가상 머신에 대한 저장 부하들이 그룹 단위로 분류되는 단계; 복수의 가상 머신에 대한 상기 저장 부하들이 미리 정해진 분류 방법에 의해 분류되는 단계; 상기 저장 부하가 소정의 기준인 정렬 기준으로 정렬될 경우, 동일한 그룹으로 분류된 상기 저장 부하들 단위로 상기 예측 부하를 산출할 수 있는 예측 모델이 형성되는 단계; 분석 대상 가상 머신인 타겟 가상 머신에 의해 발생될 것으로 예측되는 상기 물리 서버의 부하인 타겟 예측 부하에 대한 예측도를 상승시키기 위하여, 미리 정해진 선정 방법에 의해 복수의 예측 모델 중에서 적어도 하나의 예측 모델이 선정되는 단계; 및 상기 타겟 가상 머신에 의해 발생되었던 상기 물리 서버의 부하인 타겟 저장 부하와 관련된 정보인 타겟 저장 부하 정보와 선정된 예측 모델인 선정 모델을 기초로 미리 정해진 산출 방법에 의해 상기 타겟 예측 부하와 관련된 정보인 타겟 예측 부하 정보가 산출되는 단계;를 포함할 수 있다.The virtual machine prediction workload calculation method according to an embodiment of the present invention is implemented by a prediction device, and is a method of calculating a predicted load, which is a load of a physical server that is predicted to be imposed by a virtual machine installed on the physical server. A method of calculating a virtual machine prediction workload, the method comprising: collecting storage load information, which is information related to a storage load, which is a load of the physical server generated by the virtual machine installed in the physical server; Classifying storage loads for a plurality of virtual machines into groups by a predetermined classification method; Classifying the storage loads for a plurality of virtual machines according to a predetermined classification method; Forming a prediction model capable of calculating the predicted load in units of the storage loads classified into the same group when the storage loads are arranged according to a predetermined sorting criterion; In order to increase the predictive degree of the target predicted load, which is the load of the physical server, which is predicted to be generated by the target virtual machine, which is an analysis target virtual machine, at least one predictive model is selected from among a plurality of predictive models by a predetermined selection method. Selected step; And information related to the target prediction load by a predetermined calculation method based on target storage load information, which is information related to the target storage load, which is a load of the physical server generated by the target virtual machine, and a selection model that is a selected prediction model. It may include; calculating the in-target predicted load information.
또한, 상기 미리 정해진 선정 방법은, 상기 타겟 저장 부하가 상기 정렬 기준으로 정렬될 때 상기 타겟 저장 부하가 상기 저장 부하의 일 그룹에 위치되는 경우, 상기 타겟 저장 부하가 위치되는 그룹으로 분류된 상기 저장 부하들을 기초로 산출된 예측 모델이 상기 선정 모델로서 선정되는 방법인 미리 정해진 제1 선정 방법을 구비할 수 있다.In addition, the predetermined selection method is, when the target storage load is located in a group of the storage load when the target storage load is arranged according to the sorting criterion, the storage classified into a group in which the target storage load is located. A first predetermined selection method, which is a method in which a prediction model calculated based on loads is selected as the selection model may be provided.
또한, 상기 미리 정해진 선정 방법은, 상기 타겟 저장 부하가 상기 정렬 기준으로 정렬될 때 상기 타겟 저장 부하가 상기 저장 부하의 어느 그룹 내에도 위치되지 않는 경우, 미리 정해진 조건이 만족되는 상기 저장 부하의 그룹에 대응되는 예측 모델들이 상기 선정 모델로서 선정되는 방법인 미리 정해진 제2 선정 방법을 구비할 수 있다.In addition, the predetermined selection method is a group of the storage loads in which a predetermined condition is satisfied when the target storage load is not located in any group of the storage loads when the target storage load is aligned according to the sorting criterion. The prediction models corresponding to may be provided with a second predetermined selection method, which is a method for selecting as the selection model.
또한, 상기 미리 정해진 조건은, 상기 타겟 저장 부하가 상기 정렬 기준으로 정렬될 때 상기 타겟 저장 부하로부터 소정 거리 이내에 위치되는 조건일 수 있다.In addition, the predetermined condition may be a condition that is located within a predetermined distance from the target storage load when the target storage load is aligned according to the alignment criteria.
또한, 상기 미리 정해진 조건은, 상기 타겟 저장 부하가 상기 정렬 기준으로 정렬될 때, 상기 타겟 저장 부하에서 상기 저장 부하의 그룹과의 거리 중 가장 짧은 거리인 기준 거리를 기준으로 기준 범위 내에 위치되는 조건일 수 있다.In addition, the predetermined condition is a condition that is located within a reference range based on a reference distance, which is the shortest distance from the target storage load to the group of storage loads, when the target storage load is aligned according to the alignment criteria. Can be
또한, 상기 미리 정해진 산출 방법은, 상기 선정 모델이 단수 혹은 복수 인지에 따라 다른 방법으로 상기 타겟 예측 부하 정보를 산출하는 방법일 수 있다.In addition, the predetermined calculation method may be a method of calculating the target prediction load information in a different way according to whether the selection model is singular or plural.
또한, 상기 미리 정해진 산출 방법은, 상기 선정 모델이 단수일 경우, 상기 선정 모델에 상기 타겟 저장 부하 정보를 입력하여 상기 타겟 예측 부하 정보가 산출되는 방법일 수 있다.In addition, the predetermined calculation method may be a method of calculating the target predicted load information by inputting the target storage load information to the selection model when the selection model is a singular number.
또한, 상기 미리 정해진 산출 방법은, 상기 선정 모델이 복수 일 경우, 상기 타겟 저장 부하가 상기 정렬 기준으로 정렬될 때, 상기 타겟 저장 부하와 상기 선정 모델과 대응되는 상기 저장 부하의 그룹들의 이격 거리들의 비율을 근거로 하여 산출되는 가중치가 고려되어, 상기 타겟 예측 부하 정보가 산출되는 방법일 수 있다.In addition, the predetermined calculation method, when the selection model is plural, when the target storage load is aligned according to the sorting criterion, the target storage load and the separation distances of the groups of the storage load corresponding to the selection model The weight calculated based on the ratio may be considered, and the target prediction load information may be calculated.
또한, 상기 미리 정해진 산출 방법은, 소정 기간 동안의 상기 타겟 예측 부하 정보를 산출하는 방법일 수 있다.In addition, the predetermined calculation method may be a method of calculating the target prediction load information for a predetermined period.
본 발명에 따른 가상 머신 예측 워크 로드 산출 방법 및 이를 구현하는 예측 장치에 따르면, 미래의 가상 머신 워크로드를 높은 정확도로 예측할 있다.According to the virtual machine prediction workload calculation method and the prediction apparatus implementing the same according to the present invention, a future virtual machine workload can be predicted with high accuracy.
또한, 빠른 시간 내에 미래의 가상 머신 워크로드를 예측할 수 있다.It can also predict future virtual machine workloads in a fraction of the time.
또한, 사용자의 목적을 정확하게 반영할 수 있다.In addition, it can accurately reflect the user's purpose.
또한, 데이터센터를 안정적으로 관리할 수 있다.In addition, it is possible to stably manage the data center.
본 발명의 효과가 상술한 효과들로 제한되는 것은 아니며, 언급되지 아니한 효과들은 본 명세서 및 첨부된 도면으로부터 본 발명이 속하는 기술분야에서 통상의 지식을 가진 자에게 명확히 이해될 수 있을 것이다.The effects of the present invention are not limited to the above-described effects, and effects that are not mentioned will be clearly understood by those of ordinary skill in the art from the present specification and the accompanying drawings.
도 1은 본 발명의 일 실시예에 따른 예측 장치의 개념도 및 예측 장치와 복수의 물리 서버와의 관계를 도시한 도면
도 2는 본 발명의 일 실시예에 따른 가상 머신 예측 워크 로드 산출 방법에 대한 개략적인 개념도
도 3은 본 발명의 일 실시예에 따른 가상 머신 예측 워크 로드 산출 방법의 순서도
도 4는 본 발명의 일 실시예에 따른 가상 머신 예측 워크 로드 산출 방법 중에서 저장 부하 분류 단계 및 예측 모델 선정 단계를 설명하기 위한 도면
도 5는 본 발명의 일 실시예에 따른 가상 머신 예측 워크 로드 산출 방법 중에서 예측 모델 선정 단계를 설명하기 위한 도면
도 6은 본 발명의 일 실시예에 따른 가상 머신 예측 워크 로드 산출 방법 중에서 타겟 예측 부하 정보 산출 단계를 설명하기 위한 도면1 is a conceptual diagram of a prediction device according to an embodiment of the present invention and a diagram showing a relationship between the prediction device and a plurality of physical servers
2 is a schematic conceptual diagram of a method of calculating a virtual machine prediction workload according to an embodiment of the present invention
3 is a flowchart of a method of calculating a virtual machine prediction workload according to an embodiment of the present invention
4 is a diagram for explaining a storage load classification step and a prediction model selection step in a method for calculating a virtual machine prediction workload according to an embodiment of the present invention;
5 is a diagram for explaining a prediction model selection step in a method of calculating a virtual machine prediction workload according to an embodiment of the present invention
6 is a diagram for explaining a step of calculating target predicted load information in a method of calculating a virtual machine predictive workload according to an embodiment of the present invention;
이하에서는 도면을 참조하여 본 발명의 구체적인 실시예를 상세하게 설명한다. 다만, 본 발명의 사상은 제시되는 실시예에 제한되지 아니하고, 본 발명의 사상을 이해하는 당업자는 동일한 사상의 범위 내에서 다른 구성요소를 추가, 변경, 삭제 등을 통하여, 퇴보적인 다른 발명이나 본 발명 사상의 범위 내에 포함되는 다른 실시예를 용이하게 제안할 수 있을 것이나, 이 또한 본원 발명 사상 범위 내에 포함된다고 할 것이다. Hereinafter, specific embodiments of the present invention will be described in detail with reference to the drawings. However, the spirit of the present invention is not limited to the presented embodiments, and those skilled in the art who understand the spirit of the present invention can add, change, or delete other elements within the scope of the same idea. Other embodiments included within the scope of the inventive concept may be easily proposed, but this will also be said to be included within the scope of the inventive concept.
또한, 각 실시예의 도면에 나타나는 동일한 사상의 범위 내의 기능이 동일한 구성요소는 동일한 참조부호를 사용하여 설명한다.In addition, components having the same function within the scope of the same idea shown in the drawings of each embodiment will be described using the same reference numerals.
본 명세서에서 본 발명에 관련된 공지의 구성 또는 기능에 대한 구체적인 설명이 본 발명의 요지를 흐릴 수 있다고 판단되는 경우에 이에 관한 자세한 설명은 생략하기로 한다.In the present specification, when it is determined that a detailed description of a known configuration or function related to the present invention may obscure the subject matter of the present invention, a detailed description thereof will be omitted.
도 1은 본 발명의 일 실시예에 따른 예측 장치의 개념도 및 예측 장치와 복수의 물리 서버와의 관계를 도시한 도면이다.1 is a conceptual diagram of a prediction device according to an embodiment of the present invention and a diagram illustrating a relationship between the prediction device and a plurality of physical servers.
도 1을 참조하면, 본 발명의 일 실시예에 따른 예측 장치(10)는 가상 머신 예측 워크 로드 산출 방법이 구현되는데 필요한 정보(일례로, 데이터를)를 연산, 산출 및/또는 처리하는 제어부(11), 상기 가상 머신 예측 워크 로드 산출 방법이 구현되는데 필요한 정보가 저장되는 저장부(12), 소정의 정보를 수신하는 수신부(13) 및 소정의 정보를 송신하는 송신부(14)를 포함할 수 있다.Referring to FIG. 1, a
또한, 상기 예측 장치(10)는 상기 제어부(11)에 의한 제어에 의해 이미지를 표시하는 표시부(16) 및 외부로부터 입력되는 것에 발생되는 소정의 신호를 상기 연산부, 상기 저장부(12), 상기 송신부(14), 상기 수신부(13) 및/또는 제어부(11)로 전달하는 입력부(15)를 더 포함할 수 있다.In addition, the
제어부(11)는 상기 저장부(12)에 저장되어 있는 정보를 기초로 상기 가상 머신 예측 워크 로드 산출 방법이 구현되는데 필요한 모든 정보 처리 연산을 수행할 수 있다.The
일례로, 상기 제어부(11)는 중앙처리장치(CPU)를 의미할 수 있다.For example, the
다만, 이에 한정하지 않고, 상기 제어부(11)는 상기 가상 머신 예측 워크 로드 산출 방법이 구현되는데 필요한 연산을 수행할 수 있는 모든 장치 혹은 부품을 포함할 수 있다.However, the present invention is not limited thereto, and the
저장부(12)는 상기 가상 머신 예측 워크 로드 산출 방법이 구현되는데 필요한 정보(데이터)가 저장되어 있을 수 있다.The
일례로, 상기 저장부(12)에는 후술하는 저장 부하 정보가 저장되어 있을 수 있다.For example, storage load information to be described later may be stored in the
상기 저장부(12)에는 상기 가상 머신 예측 워크 로드 산출 방법을 수행하는 프로그램이 저장되어 있을 수 있다.A program that performs the virtual machine prediction workload calculation method may be stored in the
일례로, 상기 저장부(12)는 보조기업장치로서 하드디스크일 수 있다.For example, the
다만, 이에 한정하지 않고, 상기 저장부(12)는 상기 가상 머신 예측 워크 로드 산출 방법이 구현되는데 필요한 정보가 저장될 수 있는 모든 요소를 포함할 수 있다.However, the present invention is not limited thereto, and the
수신부(13)는 소정의 정보를 전달 받아 상기 제어부(11), 상기 저장부(12), 입력부(15), 상기 표시부(16) 및/또는 상기 송신부(14)로 전달할 수 있다.The
일례로, 상기 수신부(13)는 물리 서버로부터 전달되는 정보를 수신할 수 있다.For example, the
상기 수신부(13)는 상기 물리 서버의 작동과 관련된 정보를 대응되는 물리 서버로부터 전달받을 수 있다.The
일례로, 상기 수신부(13)는 후술하는 저장 부하 정보를 전달받아 상기 저장부(12)로 전달할 수 있다.For example, the
송신부(14)는 소정의 정보를 임의의 장치 혹은 서버로 송신할 수 있다.The
일례로, 상기 송신부(14)는 상기 물리 서버로 정보를 전달할 수 있다.For example, the
상기 송신부(14)는 상기 제어부(11)가 산출한 제어 신호를 상기 물리 서버로 전달할 수 있다.The
일례로, 상기 입력부(15)는 키보드일 수 있다.For example, the
다만, 이에 한정하지 않고 상기 입력부(15)의 종류는 통상의 기술자에게 자명한 수준에서 다양하게 변형 가능하다.However, the type of the
일례로, 상기 표시부(16)는 디스플레이일 수 있다.For example, the
다만, 이에 한정하지 않고 상기 표시부(16)의 종류는 통상의 기술자에게 자명한 수준에서 다양하게 변형 가능하다.However, the present invention is not limited thereto, and the type of the
상기 예측 장치(10) 내의 구성들은 서로 유선 및/또는 무선으로 연결될 수 있다.Components in the
상기 예측 장치(10)는 각 각의 상기 물리 서버와 유선 및/또는 무선으로 연결될 수 있다.The
물리 서버는 가상 머신이 실행될 수 있는 하드웨어 플랫폼을 의미할 수 있다.The physical server may mean a hardware platform on which a virtual machine can be executed.
일례로, 상기 물리 서버는 통상적인 데스크톱, 서버 컴퓨터, 랩톱 컴퓨터 또는 휴대 전화 등과 같은 것일 수 있다.For example, the physical server may be a conventional desktop, a server computer, a laptop computer, or a mobile phone.
다만, 이에 한정하지 않고 상기 물리 서버는 가상 머신이 실행될 수 있는 모든 수단을 포함하는 개념일 수 있다.However, the present invention is not limited thereto, and the physical server may be a concept including all means through which a virtual machine can be executed.
본 발명의 일 실시예에 따른 예측 장치는 제1 물리 서버(20), 제2 물리 서버 (30)및 제3 물리 서버(40)를 통제하고 관리하는 것을 기준으로 설명하나, 이에 본 발명이 한정되는 것은 아니고, 상기 예측 장치가 관리 및 통제하는 물리 서버의 개수는 통상의 기술자에게 자명한 수준에서 다양하게 변형 가능하다.The prediction apparatus according to an embodiment of the present invention is described based on controlling and managing the first
도 1에 도시된 것에 따르면, 물리 서버는 제1 물리 서버(20), 제2 물리 서버 (30)및 제3 물리 서버(40)로 이루어지며, 상기 제1 물리 서버(20) 상에서는 제a 가상 머신(21), 제b 가상 머신(22) 및 제c 가상 머신(23)이 구동되고 있을 수 있으며, 상기 제2 물리 서버(30) 상에는 제d 가상 머신(31) 및 제e 가상 머신(32)이 구동되고 있을 수 있으며, 상기 제3 물리 서버(40) 상에는 제f 가상 머신(41) 및 제g 가상 머(42)이 구동되고 있을 수 있다.As shown in FIG. 1, the physical server is composed of a first
이하, 예측 장치에 의해 구현되는 가상 머신 예측 워크 로드 산출 방법의 주요한 특징에 대해서 서술하도록 한다.Hereinafter, main characteristics of a method for calculating a virtual machine prediction workload implemented by a prediction device will be described.
도 2는 본 발명의 일 실시예에 따른 가상 머신 예측 워크 로드 산출 방법에 대한 개략적인 개념도이다.2 is a schematic conceptual diagram of a method of calculating a virtual machine prediction workload according to an embodiment of the present invention.
상기 수신부는 가상 머신이 물리 서버 상에서 동작되는 것과 관련된 정보들을 수신하여 상기 저장부로 전달할 수 있다.The receiving unit may receive information related to the operation of the virtual machine on the physical server and transmit it to the storage unit.
상기 제어부는 가상 머신이 물리 서버 상에서 동작되는 것과 관련된 정보들을 기초로 미리 정해진 워크 로드 산출 방법에 따라 저장 부하 정보를 산출할 수 있다.The control unit may calculate storage load information according to a predetermined workload calculation method based on information related to the virtual machine operating on the physical server.
여기서, 상기 저장 부하 정보는 상기 저장부에는 가상 머신에 의해 부과되는 물리 서버의 부하인 저장 부하에 대한 정보를 의미할 수 있다.Here, the storage load information may mean information on a storage load, which is a load of a physical server that is imposed on the storage unit by a virtual machine.
일례로, 상기 미리 정해진 워크 로드 산출 방법은 가상 머신의 가동에 의해 발생되는 물리 서버의 CPU 가동 정도를 기초로 저장 부하 정보를 산출하는 방법일 수 있다.As an example, the predetermined method of calculating the workload may be a method of calculating storage load information based on a degree of CPU operation of a physical server generated by operation of a virtual machine.
즉, 가상 머신의 가동에 의해 발생되는 물리 서버의 CPU 가동 정도가 저장 부하를 의미하는 것일 수 있다.That is, the degree of CPU operation of the physical server generated by the operation of the virtual machine may mean a storage load.
상기 미리 정해진 워크 로드 산출 방법 상에서는 하나의 가상 머신은 하나의 물리 서버 상에서만 실행될 수 있다고 가정할 수 있다.In the predetermined method of calculating the workload, it may be assumed that one virtual machine can be executed only on one physical server.
일례로, 이는 하나의 가상 머신은 두 개의 물리 서버 상에서 구현될 수 없다는 것을 의미할 수 있다.As an example, this may mean that one virtual machine cannot be implemented on two physical servers.
물리 서버의 워크 로드라는 것의 의미는 상기 물리 서버에 부과되는 부하를 의미할 수 있다.The meaning of the workload of the physical server may mean a load imposed on the physical server.
일례로, 상기 물리 서버의 워크 로드는 상기 물리 서버의 중앙처리장치(CPU)에 부과되는 부하로서 산출될 수 있다.For example, the workload of the physical server may be calculated as a load imposed on the central processing unit (CPU) of the physical server.
일례로, 물리 서버의 워크 로드는 물리 서버에 배치되는 가상 머신들의 부하(워크 로드)인 가상 머신 워크 로드들의 합에 의해 산출될 수 있다.For example, the workload of the physical server may be calculated by the sum of virtual machine workloads, which are the loads (workloads) of virtual machines disposed on the physical server.
이는, 후술하는 예측하는데 필요한 기초 데이터를 단순화 함으로써, 후술하는 단계에서 예측의 정확도를 더욱 상승시킬 수 있다.]This simplifies the basic data required for prediction, which will be described later, thereby further increasing the accuracy of prediction in a step described later.]
가상 머신의 워크 로드라는 것의 의미는 상기 물리 서버 상에서 가상 머신이 동작되는 것에 의해 발생되는 상기 물리 서버 부하를 의미할 수 있다.The meaning of the virtual machine workload may mean the physical server load generated by operating the virtual machine on the physical server.
저장부에 저장된 상기 저장 부하를 기초로, 상기 제어부는 다중회귀모형, ARIMA 분석 또는 Deep Learning과 같은 알고리즘을 활용하여 후술하는 예측 부하를 산출할 수 있는 예측 모델을 산출할 수 있다. Based on the storage load stored in the storage unit, the control unit may calculate a prediction model capable of calculating a prediction load to be described later by using an algorithm such as multiple regression model, ARIMA analysis, or Deep Learning.
예측 모델을 생성하는 머신 러닝의 알고리즘에 대해서는 통상의 기술자에게 자명한 기술로서 이에 대한 자세한 설명은 생략될 수 있다.A machine learning algorithm for generating a predictive model is a technique that is self-evident to a person skilled in the art, and a detailed description thereof may be omitted.
만일, 모든 저장 부하 정보를 입력 한 뒤에 머신 러닝을 통해 하나의 예측 모델을 생성할 경우, 예측율이 감소되고 모델 형성 기간이 다소 길어질 수 있다.If, after entering all the storage load information, one prediction model is generated through machine learning, the prediction rate may decrease and the model formation period may be slightly longer.
이를 방지하기 위해, 예측 모델을 생성하기 전에 저장 부하 정보를 후술하는 미리 정해진 분류 방법으로 비슷한 성격끼리 일 그룹으로 하여 분류할 수 있다.To prevent this, the storage load information may be classified into a group of similar personalities by a predetermined classification method described later before generating the prediction model.
일례로, 도 2를 참조하면, 상기 저장 부하(T10)는 제1 그룹(G10), 제2 그룹(G20) 및 제3 그룹(G30)으로 분류될 수 있다.For example, referring to FIG. 2, the storage load T10 may be classified into a first group G10, a second group G20, and a third group G30.
여기서, 상기 제어부는 상기 제1 그룹(G10)에 대해서 머신 러닝을 통해 가상 머신에 의해 발생될 것으로 예상되는 물리 서버 부하(워크 로드)를 예측할 수 있는 제1 예측 모델(M10)을 산출할 수 있다.Here, the control unit may calculate a first prediction model M10 capable of predicting a physical server load (workload) expected to be generated by a virtual machine through machine learning for the first group G10. .
마찬가지로, 상기 제어부는 상기 제2 그룹(G20)에 대해서 머신 러닝을 통해 가상 머신에 의해 발생될 것으로 예상되는 물리 서버 부하를 예측할 수 있는 제2 예측 모델(M20)을 산출할 수 있다.Likewise, the controller may calculate a second prediction model M20 capable of predicting a physical server load expected to be generated by a virtual machine through machine learning for the second group G20.
또한, 상기 제어부는 상기 제3 그룹(G30)에 대해서 머신 러닝을 통해 가상 머신에 의해 발생될 것으로 예상되는 물리 서버를 예측할 수 있는 제3 예측 모델(M30)을 산출할 수 있다.In addition, the controller may calculate a third prediction model M30 capable of predicting a physical server expected to be generated by a virtual machine through machine learning for the third group G30.
이와 같이, 비슷한 성질 혹은 패턴을 가지는 저장 부하를 기초로 예측 모델을 각 각 생성하여 활용하기 때문에 예측도를 증가시키며 분석 시간을 획기적으로 단축시킬 수 있다.In this way, since each prediction model is generated and used based on a storage load having a similar property or pattern, the prediction degree can be increased and the analysis time can be drastically shortened.
도 2에서는 저장 부하가 3 개의 그룹으로 분류되는 것을 가정하여 서술하였지만, 이에 본 발명이 한정되는 것은 아니고, 분류되는 그룹의 종류는 통상의 기술자에게 자명한 수준에서 다양하게 변형 가능하다.In FIG. 2, it is assumed that the storage load is classified into three groups, but the present invention is not limited thereto, and the type of the classified group can be variously modified at a level that is obvious to a person skilled in the art.
이하, 예측 장치에 의해 구현되는 가상 머신 예측 워크 로드 산출 방법에 대해서 자세하게 서술하도록 한다.Hereinafter, a method of calculating a virtual machine prediction workload implemented by a prediction device will be described in detail.
도 3은 본 발명의 일 실시예에 따른 가상 머신 예측 워크 로드 산출 방법의 순서도이다.3 is a flowchart of a method of calculating a virtual machine prediction workload according to an embodiment of the present invention.
도 3을 참조하면, 본 발명의 일 실시예에 따른 가상 머신 예측 워크 로드 산출 방법에 따르면, 예측 장치에 의해 구현되며, 물리 서버 상에 설치된 가상 머신에 의해 부과될 것으로 예측되는 물리 서버의 부하인 예측 부하가 산출되는 방법인 가상 머신 예측 워크 로드 산출 방법에 있어서, 상기 물리 서버에 설치된 상기 가상 머신에 의해 발생되었던 상기 물리 서버의 부하인 저장 부하와 관련된 정보인 저장 부하 정보가 수집되는 단계(S20), 복수의 가상 머신에 대한 상기 저장 부하들이 미리 정해진 분류 방법에 의해 분류되는 단계(S30), 상기 저장 부하가 소정의 기준으로 정렬될 경우, 동일한 그룹으로 분류된 상기 저장 부하들 단위로, 상기 저장 부하 정보를 기초로 딥 러닝하여 상기 예측 부하를 산출할 수 있는 예측 모델이 형성되는 단계(S40), 분석 대상 가상 머신인 타겟 가상 머신에 의해 발생될 것으로 예측되는 상기 물리 서버의 부하인 타겟 예측 부하에 대한 예측도를 상승시키기 위하여, 미리 정해진 선정 방법에 의해 복수의 예측 모델 중에서 적어도 하나의 예측 모델이 선정되는 단계(S50) 및 상기 타겟 가상 머신에 의해 발생되었던 상기 물리 서버의 부하인 타겟 저장 부하와 관련된 정보인 타겟 저장 부하 정보와 선정된 예측 모델인 선정 모델을 기초로 미리 정해진 산출 방법에 의해 상기 타겟 예측 부하와 관련된 정보인 타겟 예측 부하 정보가 산출되는 단계(S60)를 포함할 수 있다.Referring to FIG. 3, according to the method for calculating a virtual machine prediction workload according to an embodiment of the present invention, a load of a physical server, which is implemented by a prediction device, is predicted to be imposed by a virtual machine installed on the physical server. In the virtual machine prediction workload calculation method, which is a method of calculating a predicted load, the step of collecting storage load information, which is information related to a storage load, which is a load of the physical server, which was generated by the virtual machine installed on the physical server (S20). ), the step of classifying the storage loads for a plurality of virtual machines by a predetermined classification method (S30), when the storage loads are sorted according to a predetermined criterion, in units of the storage loads classified into the same group, the Forming a prediction model capable of calculating the predicted load by deep learning based on storage load information (S40), predicting a target that is a load of the physical server predicted to be generated by a target virtual machine that is an analysis target virtual machine Step of selecting at least one prediction model from among a plurality of prediction models by a predetermined selection method (S50) in order to increase the predictability of the load, and storage of a target which is the load of the physical server generated by the target virtual machine It may include a step (S60) of calculating target predicted load information, which is information related to the target predicted load, by a predetermined calculation method based on target storage load information, which is information related to the load, and a selection model that is a selected predictive model. .
상기 제어부는 상기 저장부에 저장된 정보를 기초로 상기 미리 정해진 워크 로드 산출 방법에 따라 상기 저장 부하 정보를 산출할 수 있다(S10).The control unit may calculate the storage load information according to the predetermined workload calculation method based on the information stored in the storage unit (S10).
다만, 이와 다르게 상기 수신부는 상기 저장 부하 정보를 수신하여 상기 저장부로 전달하고, 상기 저장부는 상기 저장 부하 정보를 저장할 수 있다.However, differently, the receiving unit may receive the storage load information and transmit it to the storage unit, and the storage unit may store the storage load information.
상기 제어부는 상기 저장부에 저장되어 있는 상기 저장 부하 정보를 수집할 수 있다(S20).The control unit may collect the storage load information stored in the storage unit (S20).
상기 제어부는 수집된 상기 저장 부하 (정보)를 미리 정해진 분류 방법으로 분류할 수 있다(S30).The control unit may classify the collected storage load (information) in a predetermined classification method (S30).
상기 미리 정해진 분류 방법은 상기 저장 부하를 소정의 기준인 정렬 기준으로 정렬하는 미리 정해진 제1 분류 방법 및 상기 정렬 기준에 의해 정렬된 저장 부하를 소정의 방법인 기준 구분 방법을 통해 분류하는 미리 정해진 제2 분류 방법을 구비할 수 있다.The predetermined classification method includes a first predetermined classification method for sorting the storage loads according to a predetermined sorting criterion, and a predetermined first sorting method for sorting the storage loads sorted according to the sorting criteria through a standard sorting method, which is a predetermined method. 2 classification methods can be provided.
도 4는 본 발명의 일 실시예에 따른 가상 머신 예측 워크 로드 산출 방법 중에서 저장 부하 분류 단계 및 예측 모델 선정 단계를 설명하기 위한 도면이다.4 is a diagram illustrating a storage load classification step and a prediction model selection step in a method of calculating a virtual machine prediction workload according to an embodiment of the present invention.
상기 제어부는 상기 미리 정해진 제1 분류 방법에 의해 상기 저장 부하 정보를 정렬할 수 있다.The control unit may sort the storage load information by the first predetermined classification method.
일례로, 정렬 기준은 업무 시간의 길이와 업무 시간 동안의 저장 부하의 변화율과 관련된 기준일 수 있다.For example, the sorting criterion may be a criterion related to the length of business hours and a rate of change of the storage load during business hours.
일례로, 도 4를 참조하면, X 축은 업무 시간의 길이를 의미할 수 있고, Y 축은 업무 시간 동안의 저장 부하의 변화율의 평균을 의미할 수 있다.As an example, referring to FIG. 4, the X axis may indicate the length of work hours, and the Y axis may indicate the average of the rate of change of the storage load during the work hours.
여기서, 가상 머신의 워크 로드가 소정 값 이상일 때를 업무 시간이라고 정의할 수 있다.Here, when the workload of the virtual machine is greater than or equal to a predetermined value, it may be defined as business hours.
다만, 상술한 정렬 기준에 대한 예시로 본 발명을 한정하는 것은 아니고 상기 정렬 기준은 통상의 기술자에게 자명한 수준에서 사용 목적, 사용 환경 등에 따라 다양하게 변경될 수 있다.However, the present invention is not limited to an example of the above-described sorting criterion, and the sorting criterion may be variously changed according to the purpose of use, the use environment, etc. at a level that is obvious to a person skilled in the art.
상기 미리 정해진 제1 분류 방법에 따라면, 상기 제어부는 상기 저장 부하 정보를 정렬 기준에 대해서 산출한 뒤에, 정렬 기준을 기준으로 한 그래프 상에 일 지점의 좌표를 산출할 수 있다.According to the first predetermined classification method, the control unit may calculate the coordinates of a point on a graph based on the alignment criteria after calculating the storage load information for an alignment criterion.
즉, 정렬 기준으로 정렬한다는 것의 의미는 저장 부하에 대한 정렬 기준을 산출하고, 정렬 기준을 기준으로 그래프 상에서 저장 부하가 위치되는 그래프 상의 위치(좌표)를 산출한다는 것을 의미할 수 있다.That is, the meaning of sorting based on the sorting criterion may mean that the sorting criterion for the storage load is calculated, and the position (coordinate) on the graph where the storage load is located on the graph based on the sorting criterion.
상기 제어부는 상기 정렬 기준으로 정렬된 상기 저장 부하를 기준 구분 방법을 통해 그룹 단위로 분류할 수 있다.The control unit may classify the storage loads arranged according to the sorting criterion in a group unit through a criterion classifying method.
일례로, 기준 구분 방법은 K-평균 군집화(K-means Clustering)를 통해 상기 저장 부하 정보들을 그룹화하는 방법일 수 있다.As an example, the reference classification method may be a method of grouping the storage load information through K-means clustering.
K-평균 군집화(K-means Clustering)는 통상의 기술자에게 자명한 것으로서, 이에 대한 자세한 설명은 생략될 수 있다.K-means clustering is obvious to a person skilled in the art, and a detailed description thereof may be omitted.
만일, 상기 기준 구분 방법이 K-평균 군집화(K-means Clustering)로 그룹핑하는 방법이라면, 몇 개의 그룹으로 구분될지에 대해서 상기 제어부 혹은 상기 저장부에 미리 저장되어 있을 수 있다.If the reference classification method is a method of grouping by K-means clustering, the number of groups to be classified may be previously stored in the control unit or the storage unit.
또는, 몇 가지의 그룹으로 구분될지에 대해서는 상기 입력부를 통해 사용자로부터 입력 받을 수도 있다.Alternatively, the number of groups to be classified may be input from the user through the input unit.
이와 달리, 일례로 기준 구분 방법은 계층적 군집화(Hierarchical Clustering)을 통해 상기 저장 부하 정보들을 그룹화하는 방법일 수 있다.Alternatively, as an example, the reference classification method may be a method of grouping the storage load information through hierarchical clustering.
계층적 군집화(Hierarchical Clustering)는 통상의 기술자에게 자명한 것으로서, 이에 대한 자세한 설명은 생략될 수 있다.Hierarchical clustering is self-evident to a person skilled in the art, and a detailed description thereof may be omitted.
마찬가지로, 상기 기준 구분 방법이 계층적 군집화로 그룹핑하는 방법이라면, 몇 개의 그룹으로 구분될지에 대해서 상기 제어부 혹은 상기 저장부에 미리 저장되어 있을 수 있다.Likewise, if the reference classification method is a method of grouping by hierarchical clustering, a number of groups to be classified may be previously stored in the control unit or the storage unit.
또는, 몇 가지의 그룹으로 구분될지에 대해서는 상기 입력부를 통해 사용자로부터 입력 받을 수도 있다.Alternatively, the number of groups to be classified may be input from the user through the input unit.
이하, 상기 기준 구분 방법을 계층적 군집화(Hierarchical Clustering)을 통해 상기 저장 부하 정보들을 그룹화하는 방법인 것으로 하여 서술을 하나, 이에 본 발명이 한정되는 것은 아니다.Hereinafter, the reference classification method will be described as a method of grouping the storage load information through hierarchical clustering, but the present invention is not limited thereto.
도 4를 참조하면, 상기 제어부는 상기 미리 정해진 제1 분류 방법을 통해 상기 저장 부하를 정렬시킬 수 있고, 상기 미리 정해진 제2 분류 방법을 통해 상기 저장 부하를 그룹화 할 수 있다.Referring to FIG. 4, the controller may sort the storage loads through the first pre-determined classification method, and group the storage loads through the second pre-determined classification method.
일례로, 미리 정해진 그룹의 개수가 3개일 경우, 상기 제어부는 상기 저장 부하를 3 개의 그룹(제1 그룹(G10), 제2 그룹(G20) 및 제3 그룹(G30))으로 분류할 수 있다.For example, when the number of predetermined groups is three, the controller may classify the storage load into three groups (a first group G10, a second group G20, and a third group G30). .
이 때, 그룹에 포함되지 않은 저장 부하 정보가 존재될 수 도 있다.In this case, storage load information not included in the group may exist.
상기 제어부는 상기 저장 부하가 소정의 기준인 정렬 기준으로 정렬될 경우, 동일한 그룹으로 분류된 상기 저장 부하들 단위로, 상기 저장 부하 정보를 기초로 상기 예측 부하를 산출할 수 있는 예측 모델을 산출할 수 있다.When the storage loads are arranged according to a predetermined sorting criterion, the control unit calculates a prediction model capable of calculating the predicted load based on the storage load information in units of the storage loads classified into the same group. I can.
일례로, 상기 제어부는 그룹 단위로 상기 저장 부하를 머신 러닝시켜, 미래의 가상 머신 워크 로드를 예측할 수 있는 예측 모델을 각 각 산출할 수 있다.For example, the control unit may machine-learn the storage load in a group unit to calculate a prediction model capable of predicting a future virtual machine workload.
일례로, 그룹이 3 개라면 예측 모델은 3개가 산출될 수 있다.For example, if there are three groups, three prediction models may be calculated.
일례로, 제1 그룹(G10)에 포함되는 저장 부하 정보를 기초로 머신 러닝하여 산출된 예측 모델을 제1 예측 모델이라고 할 수 있다.For example, a prediction model calculated by machine learning based on storage load information included in the first group G10 may be referred to as a first prediction model.
일례로, 제2 그룹(G20)에 포함되는 저장 부하 정보를 기초로 머신 러닝하여 산출된 예측 모델을 제2 예측 모델이라고 할 수 있다.For example, a prediction model calculated by machine learning based on storage load information included in the second group G20 may be referred to as a second prediction model.
일례로, 제3 그룹(G30)에 포함되는 저장 부하 정보를 기초로 머신 러닝하여 산출된 예측 모델을 제3 예측 모델이라고 할 수 있다.For example, a prediction model calculated by machine learning based on storage load information included in the third group G30 may be referred to as a third prediction model.
예측 모델이 산출된 이후부터는 임의의 가상 머신의 미래의 워크 로드를 예측할 수 있다.After the predictive model is calculated, the future workload of any virtual machine can be predicted.
타겟 가상 머신은 분석 대상 가상 머신을 의미할 수 있다.The target virtual machine may mean an analysis target virtual machine.
타겟 가상 머신이 선정되면, 상기 제어부는 상기 저장부에 저장되어 있는 상기 타겟 가상 머신에 의한 물리 서버의 동작과 관련된 정보를 기초로 미리 정해진 워크 로드 산출 방법으로 타겟 저장 부하 정보를 산출할 수 있다.When a target virtual machine is selected, the control unit may calculate target storage load information using a predetermined workload calculation method based on information related to an operation of a physical server by the target virtual machine stored in the storage unit.
타겟 저장 부하는 상기 타겟 가상 머신에 의해 발생되었던 상기 물리 서버의 부하를 의미할 수 있으며, 타겟 저장 부하 정보는 타겟 저장 부하와 관련된 정보를 의미할 수 있다.The target storage load may refer to a load of the physical server generated by the target virtual machine, and the target storage load information may refer to information related to the target storage load.
상기 제어부는 산출된 상기 타겟 부하 정보를 기초로 상기 미리 정해진 선정 방법에 의해 복 수의 예측 모델 중에서 적어도 하나의 예측 모델을 선정할 수 있다.The control unit may select at least one prediction model from among a plurality of prediction models by the predetermined selection method based on the calculated target load information.
상기 미리 정해진 선정 방법은 상기 타겟 저장 부하가 상기 정렬 기준으로 정렬될 때 상기 타겟 저장 부하가 상기 저장 부하의 일 그룹에 위치되는 경우, 상기 타겟 저장 부하가 위치되는 그룹으로 분류된 상기 저장 부하들을 기초로 산출된 예측 모델이 상기 선정 모델로서 선정되는 방법인 미리 정해진 제1 선정 방법을 구비할 수 있다.The predetermined selection method is based on the storage loads classified into a group in which the target storage load is located when the target storage load is located in one group of the storage load when the target storage load is arranged according to the sorting criterion. A predetermined first selection method, which is a method in which the predicted model calculated as is selected as the selection model may be provided.
즉, 대응되는 그룹에 해당되는 저장 부하 정보를 기초로 산출된 예측 모델이 선정 모델로서 선정될 수 있다.That is, a prediction model calculated based on storage load information corresponding to a corresponding group may be selected as the selection model.
상기 타겟 저장 부하가 상기 정렬 기준으로 정렬될 때, 상기 타겟 저장 부하가 일 그룹에 위치되는 경우, 선정 모델로서는 1개의 예측 모델이 선정될 수 있다.When the target storage load is arranged according to the sorting criterion, when the target storage load is located in a group, one prediction model may be selected as a selection model.
구체적인 일례로서, 도 4를 참조하면, 상기 타겟 저장 부하가 상기 정렬 기준으로 정렬될 때, 상기 타겟 저장 부하가 일 그룹에 위치(X10)되는 경우 타겟 저장 부하가 제1 그룹(G10)에 위치된다고 가정하면, 제1 예측 모델이 선정 모델로서 선정될 수 있다.As a specific example, referring to FIG. 4, when the target storage load is aligned according to the sorting criterion, when the target storage load is located in a group (X10), it is assumed that the target storage load is located in the first group (G10). Assuming, the first prediction model may be selected as the selection model.
도 5는 본 발명의 일 실시예에 따른 가상 머신 예측 워크 로드 산출 방법 중에서 예측 모델 선정 단계를 설명하기 위한 도면이다.5 is a diagram for explaining a step of selecting a prediction model in a method of calculating a virtual machine prediction workload according to an embodiment of the present invention.
상기 미리 정해진 선정 방법은 상기 타겟 저장 부하가 상기 정렬 기준으로 정렬될 때 상기 타겟 저장 부하가 상기 저장 부하의 어느 그룹 내에도 위치되지 않는 경우, 미리 정해진 조건이 만족되는 상기 저장 부하의 그룹에 대응되는 예측 모델들이 상기 선정 모델로서 선정되는 방법인 미리 정해진 제2 선정 방법을 더 구비할 수 있다.The predetermined selection method corresponds to a group of the storage loads satisfying a predetermined condition when the target storage load is not located in any group of the storage load when the target storage load is aligned according to the sorting criterion. A second predetermined selection method, which is a method in which prediction models are selected as the selection model, may be further provided.
본 발명의 일 실시예로서, 상기 미리 정해진 조건은 상기 타겟 저장 부하가 상기 정렬 기준으로 정렬될 때 상기 타겟 저장 부하로부터 소정 거리 이내에 위치되는 조건일 수 있다.As an embodiment of the present invention, the predetermined condition may be a condition in which the target storage load is located within a predetermined distance from the target storage load when the target storage load is aligned according to the alignment criterion.
반면에, 본 발명의 다른 실시예로서, 상기 미리 정해진 조건은 상기 타겟 저장 부하가 상기 정렬 기준으로 정렬될 때, 상기 타겟 저장 부하에서 상기 저장 부하의 그룹과의 거리 중 가장 짧은 거리인 기준 거리를 기준으로 기준 범위 내에 위치되는 조건일 수 있다.On the other hand, as another embodiment of the present invention, the predetermined condition is a reference distance, which is the shortest distance among the distances from the target storage load to the group of storage loads, when the target storage load is aligned according to the sorting criterion. It may be a condition located within a reference range as a reference.
이에 대해 구체적으로 설명하자면, 도 5를 참조하면, 상기 저장 부하들이 미리 정해진 분류 방법으로 분류되는 경우, 제1 그룹(G10), 제2 그룹(G20) 및 제3 그룹(G30)으로 분류되었다고 가정할 수 있다.Specifically, referring to FIG. 5, when the storage loads are classified by a predetermined classification method, it is assumed that they are classified into a first group (G10), a second group (G20), and a third group (G30). can do.
여기서, 상기 제어부에 의해 타겟 저장 부하가 상기 정렬 기준으로 정렬될 수 있다.Here, the target storage load may be aligned according to the alignment criteria by the control unit.
일례로, 상기 타겟 저장 부하의 위치(X10)와 제1 그룹(G10)의 길이가 '1'일 수 있고, 상기 타겟 저장 부하의 위치(X10)와 제2 그룹(G20)의 길이가 '1.5'일 수 있고, 상기 타겟 저장 부하(X10)의 위치와 제3 그룹(G30)의 길이가 '2'일 수 있다.As an example, the length of the target storage load location X10 and the first group G10 may be '1', and the length of the target storage load location X10 and the second group G20 is '1.5. ', and the location of the target storage load X10 and the length of the third group G30 may be '2'.
본 발명의 일 실시예에 따른 미리 정해진 정해진 조건을 따를 경우 타겟 저장 부하로부터 소정 거리 이내(일례로, 1.7)에 위치되는 그룹인 제1 그룹(G10)과 제2 그룹(G20)에 대응되는 제1 예측 모델과 제2 예측 모델이 선정 모델로 선정될 수 있다.When a predetermined condition according to an embodiment of the present invention is followed, the first group G10 and the second group G20, which are groups located within a predetermined distance (for example, 1.7) from the target storage load, are The first prediction model and the second prediction model may be selected as a selection model.
이와 다르게, 본 발명의 다른 실시예에 따른 미리 정해진 조건을 따를 경우 타겟 저장 부하에서 저장 부하의 그룹과의 거리 중 가장 짧은 거리인 기준 거리(해당 예시에서는 '1')를 기준으로 기준 범위(일례로 '0.7') 내에 위치되는 그룹인 제1 그룹(G10)과 제2 그룹(G20)에 대응되는 제1 예측 모델과 제2 예측 모델이 선정 모델로 선정될 수 있다.In contrast, when a predetermined condition according to another embodiment of the present invention is followed, a reference range (example: a reference distance), which is the shortest distance from a target storage load to a group of storage loads ('1' in this example) A first prediction model and a second prediction model corresponding to the first group G10 and the second group G20, which are groups located in the '0.7'), may be selected as the selection model.
상술한 예시에서는 타겟 저장 부하와 그룹 간의 거리를 타겟 저장 부하의 위치와 그룹 내의 중앙과의 사이 거리로 하여 설명하였다.In the above example, the distance between the target storage load and the group has been described as the distance between the location of the target storage load and the center of the group.
다만, 이에 본 발명을 한정하는 것은 아니고 타겟 저장 부하와 그룹 간의 거리를 산출하는 방법은 변경될 수 있으며, 개체와 그룹 간의 거리를 산출하는 방법에 대해서는 통상의 기술자에게 자명한 것으로서, 이에 대한 자세한 설명은 생략될 수 있다.However, the present invention is not limited thereto, and the method of calculating the distance between the target storage load and the group may be changed, and the method of calculating the distance between the object and the group is obvious to those skilled in the art, and detailed description thereof Can be omitted.
상기 제어부는 미리 정해진 산출 방법에 의해 선정 모델과 타겟 저장 부하 정보를 기초로 타겟 예측 부하와 관련된 타겟 예측 부하 정보를 산출할 수 있다.The control unit may calculate target predicted load information related to the target predicted load based on the selection model and target storage load information by a predetermined calculation method.
여기서, 상기 미리 정해진 산출 방법은 상기 선정 모델이 단수 혹은 복수 인지에 따라 다른 방법으로 상기 타겟 예측 부하 정보를 산출하는 방법일 수 있다.Here, the predetermined calculation method may be a method of calculating the target prediction load information in a different way depending on whether the selection model is singular or plural.
구체적으로, 상기 미리 정해진 산출 방법은 상기 선정 모델이 단수일 경우, 상기 선정 모델에 상기 타겟 저장 부하 정보를 입력하여 상기 타겟 예측 부하 정보가 산출되는 방법일 수 있다.Specifically, the predetermined calculation method may be a method of calculating the target predicted load information by inputting the target storage load information into the selection model when the selection model is a singular number.
또한, 상기 미리 정해진 산출 방법은, 상기 선정 모델이 복수 일 경우, 상기 타겟 저장 부하가 상기 정렬 기준으로 정렬될 때, 상기 타겟 저장 부하와 상기 선정 모델과 대응되는 상기 저장 부하의 그룹들의 이격 거리들의 비율을 근거로 하여 산출되는 가중치가 고려되어, 상기 타겟 예측 부하 정보가 산출되는 방법일 수 있다.In addition, the predetermined calculation method, when the selection model is plural, when the target storage load is aligned according to the sorting criterion, the target storage load and the separation distances of the groups of the storage load corresponding to the selection model The weight calculated based on the ratio may be considered, and the target prediction load information may be calculated.
구체적으로 설명하자면, 상기 선정 모델이 복수일 경우, 타겟 저장 부하 정보는 각 각의 선정 모델에 입력될 수 있다.Specifically, when there are a plurality of selection models, target storage load information may be input to each selection model.
상기 제어부는 타겟 저장 부하 정보가 선정 모델에 입력되는 경우 결과값으로서, 복 수의 타겟 예비 부하와 관련된 복수의 타겟 예비 부하 정보를 산출할 수 있다.When the target storage load information is input to the selection model, the control unit may calculate a plurality of target preliminary load information related to a plurality of target preliminary loads as a result value.
타겟 예비 부하는 타겟 저장 부하 정보가 선정 모델 중 하나의 예측 모델에 입력되어 산출되는 타겟 가상 머신의 예측되는 물리 서버의 부하를 의미할 수 있다.The target preliminary load may mean a predicted physical server load of a target virtual machine that is calculated by inputting target storage load information to one of the selection models.
또한, 상기 제어부는 상기 타겟 저장 부하와 선정 모델들 간의 거리들을 기초로 가중치를 산출할 수 있다.In addition, the control unit may calculate a weight based on distances between the target storage load and the selection models.
상기 제어부는 상기 가중치를 기초로 상기 타겟 예비 부하가 병합하여 상기 타겟 예측 부하 정보를 산출할 수 있다.The control unit may calculate the target predicted load information by merging the target preliminary load based on the weight.
타겟 저장 부하와 선정 모델의 거리가 멀수록 가중치가 작아질 수 있다.As the distance between the target storage load and the selection model increases, the weight may decrease.
타겟 저장 부하와 선정 모델의 거리가 짧을수록 가중치가 커질 수 있다.As the distance between the target storage load and the selection model decreases, the weight may increase.
구체적인 예시로서, 도 4를 참조하면, 제1 예측 모델만이 선정 모델로서 선정되는 경우, 상기 미리 정해진 산출 방법에 따르면, 상기 타겟 저장 부하 정보가 상기 제1 예측 모델에만 입력되어 타겟 예측 부하 정보가 산출될 수 있다.As a specific example, referring to FIG. 4, when only the first prediction model is selected as the selection model, according to the predetermined calculation method, the target storage load information is input only to the first prediction model, so that the target prediction load information is Can be calculated.
다른 예시로서, 도 5를 참조하면, 제1 예측 모델과 제2 예측 모델이 선정 모델로서 선정되는 경우, 상기 미리 정해진 산출 방법에 따르면, 상기 타겟 저장 부하 정보는 제1 예측 모델과 제2 예측 모델 각 각에 입력되어 타겟 예비 부하와 관련된 타겟 예비 부하 정보가 산출될 수 있다.As another example, referring to FIG. 5, when a first prediction model and a second prediction model are selected as a selection model, according to the predetermined calculation method, the target storage load information is a first prediction model and a second prediction model. Target preload information related to the target preload by being input to each may be calculated.
일례로, 상기 타겟 저장 부하 정보가 상기 제1 예측 모델에 입력되어 상기 제1 예측 모델과 관련된 타겟 예비 부하인 제1 타겟 예비 부하와 연관된 제1 타겟 예비 부하 정보가 산출될 수 있다.For example, the target storage load information may be input to the first prediction model to calculate first target preliminary load information associated with a first target preliminary load that is a target preliminary load related to the first prediction model.
일례로, 상기 타겟 저장 부하 정보가 상기 제2 예측 모델에 입력되어 상기 제2 예측 모델과 관련된 타겟 예비 부하인 제2 타겟 예비 부하와 연관된 제2 타겟 예비 부하 정보가 산출될 수 있다.For example, the target storage load information may be input to the second prediction model to calculate second target preliminary load information related to a second target preliminary load that is a target preliminary load related to the second prediction model.
상기 제어부는 상기 제1 타겟 예비 부하 정보와 상기 제2 타겟 예비 부하 정보를 기초로 상기 제1 타겟 예비 부하와 제2 타겟 예비 부하를 병합할 수 있다.The controller may merge the first target preliminary load and the second target preliminary load based on the first target preliminary load information and the second target preliminary load information.
이때, 병합하는 방법으로는 부스팅(Boosting) 또는 배깅(Bagging)을 활용할 수 있다.In this case, as a method of merging, boosting or bagging may be used.
이는, 통상의 기술자에게 자명한 기술로서, 이에 대한 자세한 설명은 생략될 수 있다.This is a technique that is obvious to a person skilled in the art, and a detailed description thereof may be omitted.
상기 타겟 저장 부하의 위치를 기준으로 제2 그룹보다 제1 그룹이 더 가까이에 있기 때문에, 제1 타겟 예비 부하 정보가 제2 타겟 예비 부하 정보 보다 더 가중치가 높게 병합될 수 있다.Since the first group is closer to the second group than the second group based on the location of the target storage load, the first target preliminary load information may be merged with a higher weight than the second target preliminary load information.
도 6은 본 발명의 일 실시예에 따른 가상 머신 예측 워크 로드 산출 방법 중에서 타겟 예측 부하 정보 산출 단계를 설명하기 위한 도면이다.6 is a diagram for explaining a step of calculating target prediction load information in a method of calculating a virtual machine prediction workload according to an embodiment of the present invention.
구체적인 일례로서, 제1 타겟 예비 부하(P10)와 제2 타겟 예비 부하(P20)가 도 6에 도시된 그래프처럼 산출될 수 있다.As a specific example, the first target preliminary load P10 and the second target preliminary load P20 may be calculated as in the graph shown in FIG. 6.
상기 타겟 저장 부하의 위치를 기준으로 제2 그룹보다 제1 그룹이 더 가까이에 있기 때문에, 제1 타겟 예비 부하(P10)와 제2 타겟 예비 부하(P20)를 병합할 경우, 타겟 예측 부하(A10)는 제1 타겟 예비 부하(P10) 쪽으로 더 치우치게 산출될 수 있다.Since the first group is closer than the second group based on the location of the target storage load, when the first target preliminary load P10 and the second target preliminary load P20 are merged, the target predicted load A10 ) May be calculated more biased toward the first target preliminary load P10.
이와 같이, 가까이에 있는 그룹에서 비롯되는 타겟 예비 부하를 더 가중치를 두기 때문에, 예측도를 더욱 상승시킬 수 있다.In this way, since the target preliminary load from a nearby group is weighted more, the prediction degree can be further increased.
상기 미리 정해진 산출 방법은 소정 기간 동안의 상기 타겟 예측 부하 정보를 산출하는 방법을 더 포함할 수 있다.The predetermined calculation method may further include a method of calculating the target prediction load information for a predetermined period.
상기 미리 정해진 산출 방법은 기간 단위로 가상 머신의 워크 로드를 산출할 수 있다.The predetermined calculation method may calculate the workload of the virtual machine in units of periods.
이로 인해, 미래의 워크 로드를 용이하게 예측하여 추후에 데이터 센터를 어떻게 관리할지에 대한 해법을 손쉽게 발견할 수 있다.This makes it easy to predict future workloads and find solutions on how to manage the data center in the future.
상기 제어부는 상기 물리 서버에 있는 모든 가상 머신에 대해서 타겟 예측 부하 정보를 산출할 수 있다.The controller may calculate target predicted load information for all virtual machines in the physical server.
물리 서버가 과부화되는 것을 방지하고 물리 서버가 효율적으로 운영될 수 있도록, 사용자는 가상 머신의 미래의 워크 로드를 기초로 가상 머신들을 마이그레이션 시킬 수 있다.To prevent the physical server from overloading and to allow the physical server to operate efficiently, users can migrate virtual machines based on the future workload of the virtual machine.
타겟 가상 머신은 상술한 물리 서버 상의 하나의 가상 머신일 수도 있고, 별도로 분석하고 싶어하는 외부의 가상 머신일 수 있다.The target virtual machine may be one virtual machine on the above-described physical server, or may be an external virtual machine to be analyzed separately.
첨부된 도면은 본 발명의 기술적 사상을 보다 명확하게 표현하기 위해, 본 발명의 기술적 사상과 관련성이 없거나 떨어지는 구성에 대해서는 간략하게 표현하거나 생략하였다.In the accompanying drawings, in order to more clearly express the technical idea of the present invention, components that are not related or inferior to the technical idea of the present invention are briefly expressed or omitted.
상기에서는 본 발명에 따른 실시예를 기준으로 본 발명의 구성과 특징을 설명하였으나 본 발명은 이에 한정되지 않으며, 본 발명의 사상과 범위 내에서 다양하게 변경 또는 변형할 수 있음은 본 발명이 속하는 기술분야의 당업자에게 명백한 것이며, 따라서 이와 같은 변경 또는 변형은 첨부된 특허청구범위에 속함을 밝혀둔다. In the above, the configuration and features of the present invention have been described based on the embodiments according to the present invention, but the present invention is not limited thereto, and it is understood that various changes or modifications can be made within the spirit and scope of the present invention. It will be apparent to those skilled in the art, and therefore, such changes or modifications should be found to fall within the scope of the appended claims.
10 : 예측 장치
11 : 제어부
12 : 저장부
13 : 수신부10 prediction device 11: control unit
12: storage unit 13: receiving unit
Claims (1)
상기 물리 서버에 설치된 상기 가상 머신에 의해 발생되었던 상기 물리 서버의 부하인 저장 부하와 관련된 정보인 저장 부하 정보가 수집되는 단계;
미리 정해진 분류 방법에 의해 복수의 가상 머신에 대한 저장 부하들이 그룹 단위로 분류되는 단계; 및
상기 저장 부하가 소정의 기준인 정렬 기준으로 정렬될 경우, 동일한 그룹으로 분류된 상기 저장 부하들 단위로 상기 예측 부하를 산출할 수 있는 예측 모델이 형성되는 단계;를 포함하는,
가상 머신 예측 워크 로드 산출 방법.
In the virtual machine prediction workload calculation method, which is a method of calculating a predicted load, which is a load of a physical server that is implemented by a prediction device and is predicted to be imposed by a virtual machine installed on the physical server,
Collecting storage load information, which is information related to a storage load, which is a load of the physical server, generated by the virtual machine installed in the physical server;
Classifying storage loads for a plurality of virtual machines into groups by a predetermined classification method; And
Including; when the storage loads are sorted according to a predetermined sorting criterion, forming a prediction model capable of calculating the predicted load in units of the storage loads classified into the same group; including,
How to calculate the virtual machine predictive workload.
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020200053253A KR102347375B1 (en) | 2019-09-05 | 2020-05-04 | Virtual machine workload prediction method based on multiple prediction models |
Applications Claiming Priority (2)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020190110079A KR102109088B1 (en) | 2019-09-05 | 2019-09-05 | Calculation method of vitual machine prediction workload and prediction device implementing the same |
| KR1020200053253A KR102347375B1 (en) | 2019-09-05 | 2020-05-04 | Virtual machine workload prediction method based on multiple prediction models |
Related Parent Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| KR1020190110079A Division KR102109088B1 (en) | 2019-07-31 | 2019-09-05 | Calculation method of vitual machine prediction workload and prediction device implementing the same |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| KR20210029073A true KR20210029073A (en) | 2021-03-15 |
| KR102347375B1 KR102347375B1 (en) | 2022-01-05 |
Family
ID=79348659
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| KR1020200053253A KR102347375B1 (en) | 2019-09-05 | 2020-05-04 | Virtual machine workload prediction method based on multiple prediction models |
Country Status (1)
| Country | Link |
|---|---|
| KR (1) | KR102347375B1 (en) |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR102469718B1 (en) * | 2021-10-29 | 2022-11-22 | 오케스트로 주식회사 | A virtual machine placement system with anomaly monitoring function |
| KR102557631B1 (en) * | 2022-12-27 | 2023-07-21 | 오케스트로 주식회사 | A monitoring device considering resources and a cloud integrated operating system comprising the same |
| KR102607459B1 (en) * | 2023-03-31 | 2023-11-29 | 오케스트로 주식회사 | A server monitoring device for improving server operating efficiency and a multi-cloud integrated operating system including the same |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2010244181A (en) * | 2009-04-02 | 2010-10-28 | Nec Corp | Virtual machine management system, and virtual machine arrangement setting method and program |
| JP2016057898A (en) * | 2014-09-10 | 2016-04-21 | 富士通株式会社 | Load distribution management device, control method, and program |
| JP5983728B2 (en) * | 2012-03-08 | 2016-09-06 | 日本電気株式会社 | Virtual machine management apparatus and virtual machine management method |
| KR20170057558A (en) * | 2015-11-17 | 2017-05-25 | 한국전자통신연구원 | APPARATUS AND METHOD FOR Virtual Desktop Services |
| KR101886317B1 (en) * | 2017-04-28 | 2018-08-08 | 울산과학기술원 | Apparatus and method for selecting placement of virtual machine |
-
2020
- 2020-05-04 KR KR1020200053253A patent/KR102347375B1/en active IP Right Grant
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2010244181A (en) * | 2009-04-02 | 2010-10-28 | Nec Corp | Virtual machine management system, and virtual machine arrangement setting method and program |
| JP5983728B2 (en) * | 2012-03-08 | 2016-09-06 | 日本電気株式会社 | Virtual machine management apparatus and virtual machine management method |
| JP2016057898A (en) * | 2014-09-10 | 2016-04-21 | 富士通株式会社 | Load distribution management device, control method, and program |
| KR20170057558A (en) * | 2015-11-17 | 2017-05-25 | 한국전자통신연구원 | APPARATUS AND METHOD FOR Virtual Desktop Services |
| KR101886317B1 (en) * | 2017-04-28 | 2018-08-08 | 울산과학기술원 | Apparatus and method for selecting placement of virtual machine |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR102469718B1 (en) * | 2021-10-29 | 2022-11-22 | 오케스트로 주식회사 | A virtual machine placement system with anomaly monitoring function |
| KR102557631B1 (en) * | 2022-12-27 | 2023-07-21 | 오케스트로 주식회사 | A monitoring device considering resources and a cloud integrated operating system comprising the same |
| KR102607459B1 (en) * | 2023-03-31 | 2023-11-29 | 오케스트로 주식회사 | A server monitoring device for improving server operating efficiency and a multi-cloud integrated operating system including the same |
Also Published As
| Publication number | Publication date |
|---|---|
| KR102347375B1 (en) | 2022-01-05 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| KR102109088B1 (en) | Calculation method of vitual machine prediction workload and prediction device implementing the same | |
| US11567795B2 (en) | Minimizing impact of migrating virtual services | |
| Askarizade Haghighi et al. | An energy-efficient dynamic resource management approach based on clustering and meta-heuristic algorithms in cloud computing IaaS platforms: Energy efficient dynamic cloud resource management | |
| US9684542B2 (en) | Smart cloud workload balancer | |
| KR20210029073A (en) | Virtual machine workload prediction method based on multiple prediction models | |
| WO2021036936A1 (en) | Method and apparatus for allocating resources and tasks in distributed system, and system | |
| US9967326B2 (en) | Information handling system application decentralized workload management | |
| JP5218390B2 (en) | Autonomous control server, virtual server control method and program | |
| KR101990411B1 (en) | System for scaling resource based on priority in cloud system, apparatus and method thereof | |
| US20230229487A1 (en) | Virtual machine deployment method, virtual machine management method having the same and virtual machine management system implementing the same | |
| Revar et al. | Load balancing in grid environment using machine learning-innovative approach | |
| CN106104527B (en) | Streaming query resource control | |
| US11354163B2 (en) | Virtual machine placement method and virtual machine placement device implementing the same | |
| Shi et al. | Multi-objective container consolidation in cloud data centers | |
| Magotra et al. | Adaptive computational solutions to energy efficiency in cloud computing environment using VM consolidation | |
| CN111506414B (en) | Resource scheduling method, device, equipment, system and readable storage medium | |
| Li et al. | Research on energy‐saving virtual machine migration algorithm for green data center | |
| US10002173B1 (en) | System and methods for dynamically adjusting between asynchronous and synchronous data replication policies in a networked virtualization environment | |
| KR102135209B1 (en) | Virtual machine placement simulation method and virtual machine placement simulation device implementing the same | |
| Moskalenko et al. | Optimizing the parameters of functioning of the system of management of data center it infrastructure | |
| CN111782147A (en) | Method and apparatus for cluster scale-up | |
| Wang et al. | An Efficient Load Prediction-Driven Scheduling Strategy Model in Container Cloud | |
| Shaw et al. | An energy efficient and interference aware virtual machine consolidation algorithm using workload classification | |
| Shi et al. | AdaptScale: an adaptive data scaling controller for improving the multiple performance requirements in clouds | |
| KR102126434B1 (en) | Vitual machine placement method through workload prediction using deep learning and virtual machine placement device implementing the same |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| A201 | Request for examination | ||
| E902 | Notification of reason for refusal | ||
| E701 | Decision to grant or registration of patent right |