SE537197C2 - Metod, nod och datorprogram för möjliggörande av automatiskanpassning av resursenheter - Google Patents

Metod, nod och datorprogram för möjliggörande av automatiskanpassning av resursenheter Download PDF

Info

Publication number
SE537197C2
SE537197C2 SE1251125A SE1251125A SE537197C2 SE 537197 C2 SE537197 C2 SE 537197C2 SE 1251125 A SE1251125 A SE 1251125A SE 1251125 A SE1251125 A SE 1251125A SE 537197 C2 SE537197 C2 SE 537197C2
Authority
SE
Sweden
Prior art keywords
unit
metric
difference
workload
resource
Prior art date
Application number
SE1251125A
Other languages
English (en)
Other versions
SE1251125A1 (sv
Inventor
Erik Elmroth
Peter Gardfjäll
Johan Tordsson
Ahmed Aley El Din Hassan
Lars Larsson
Original Assignee
Elastisys Ab
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Elastisys Ab filed Critical Elastisys Ab
Priority to SE1251125A priority Critical patent/SE537197C2/sv
Priority to PCT/SE2013/051166 priority patent/WO2014055028A1/en
Priority to EP13843304.0A priority patent/EP2904491B1/en
Publication of SE1251125A1 publication Critical patent/SE1251125A1/sv
Publication of SE537197C2 publication Critical patent/SE537197C2/sv
Priority to US14/675,846 priority patent/US20150286507A1/en

Links

Classifications

    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06FELECTRIC DIGITAL DATA PROCESSING
    • G06F9/00Arrangements for program control, e.g. control units
    • G06F9/06Arrangements for program control, e.g. control units using stored programs, i.e. using an internal store of processing equipment to receive or retain programs
    • G06F9/46Multiprogramming arrangements
    • G06F9/50Allocation of resources, e.g. of the central processing unit [CPU]
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06FELECTRIC DIGITAL DATA PROCESSING
    • G06F9/00Arrangements for program control, e.g. control units
    • G06F9/06Arrangements for program control, e.g. control units using stored programs, i.e. using an internal store of processing equipment to receive or retain programs
    • G06F9/46Multiprogramming arrangements
    • G06F9/50Allocation of resources, e.g. of the central processing unit [CPU]
    • G06F9/5061Partitioning or combining of resources
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06FELECTRIC DIGITAL DATA PROCESSING
    • G06F11/00Error detection; Error correction; Monitoring
    • G06F11/30Monitoring
    • G06F11/34Recording or statistical evaluation of computer activity, e.g. of down time, of input/output operation ; Recording or statistical evaluation of user activity, e.g. usability assessment
    • G06F11/3409Recording or statistical evaluation of computer activity, e.g. of down time, of input/output operation ; Recording or statistical evaluation of user activity, e.g. usability assessment for performance assessment
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06FELECTRIC DIGITAL DATA PROCESSING
    • G06F11/00Error detection; Error correction; Monitoring
    • G06F11/30Monitoring
    • G06F11/34Recording or statistical evaluation of computer activity, e.g. of down time, of input/output operation ; Recording or statistical evaluation of user activity, e.g. usability assessment
    • G06F11/3442Recording or statistical evaluation of computer activity, e.g. of down time, of input/output operation ; Recording or statistical evaluation of user activity, e.g. usability assessment for planning or managing the needed capacity
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06FELECTRIC DIGITAL DATA PROCESSING
    • G06F11/00Error detection; Error correction; Monitoring
    • G06F11/30Monitoring
    • G06F11/34Recording or statistical evaluation of computer activity, e.g. of down time, of input/output operation ; Recording or statistical evaluation of user activity, e.g. usability assessment
    • G06F11/3466Performance evaluation by tracing or monitoring
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06FELECTRIC DIGITAL DATA PROCESSING
    • G06F9/00Arrangements for program control, e.g. control units
    • G06F9/06Arrangements for program control, e.g. control units using stored programs, i.e. using an internal store of processing equipment to receive or retain programs
    • G06F9/46Multiprogramming arrangements
    • G06F9/50Allocation of resources, e.g. of the central processing unit [CPU]
    • G06F9/5061Partitioning or combining of resources
    • G06F9/5072Grid computing
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06FELECTRIC DIGITAL DATA PROCESSING
    • G06F11/00Error detection; Error correction; Monitoring
    • G06F11/30Monitoring
    • G06F11/34Recording or statistical evaluation of computer activity, e.g. of down time, of input/output operation ; Recording or statistical evaluation of user activity, e.g. usability assessment
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06FELECTRIC DIGITAL DATA PROCESSING
    • G06F2201/00Indexing scheme relating to error detection, to error correction, and to monitoring
    • G06F2201/875Monitoring of systems including the internet
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06FELECTRIC DIGITAL DATA PROCESSING
    • G06F2209/00Indexing scheme relating to G06F9/00
    • G06F2209/50Indexing scheme relating to G06F9/50
    • G06F2209/5011Pool
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06FELECTRIC DIGITAL DATA PROCESSING
    • G06F2209/00Indexing scheme relating to G06F9/00
    • G06F2209/50Indexing scheme relating to G06F9/50
    • G06F2209/508Monitor

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • General Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Software Systems (AREA)
  • Computer Hardware Design (AREA)
  • Quality & Reliability (AREA)
  • Mathematical Physics (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)
  • Debugging And Monitoring (AREA)

Abstract

537 197 SAMMANDRAG En metod, nod och datorprogram for en resursstyrenhetsnod (100) for mojliggorande av automatisk anpassning av storleken hos en pool med resursenheter, resursenheterna behavs for driften av en applikation i en datormiljo. Metoden innefattar att begara en predikterad kapacitetsefterfragan medelst en resursstyrenhet (110) fran en predikteringsenhet (120), hamta en konfigurering for berakning av den predikterade kapacitetsefterfragan fran en arbetsbelastningskarakteriseringsenhet (130) medelst predikteringsenheten (120) som ett svar pa begaran, hamta atminstone en nyckelprestandaindikator baserat pa arbetsbelastningsmatvardesdata fran en overvakningsenhet 140 medelst predikteringsenheten (120) som ett svar pa begaran, berakna en kapacitetsskillnad i berakningsenheter baserat pa namnda atminstone en nyckelprestandaindikator och konfigureringen medelst predikteringsenheten (120), kapacitetsskillnaden definieras av en skillnad i berakningsenheter mellan en nuvarande kapacitetsallokering och en predikterad kapacitetsefterfragan, oversatta skillnaden i berakningsenheter till en skillnad i resursenheter medelst en resursanpassningsenhet (150), sanda en storleksanpassningsinstruktion innefattande skillnaden i resursenheter till poolen med resursenheter enligt skillnaden i resursenheter, darigenom mojliggors automatisk anpassning av poolen med resursenheter for att mota en faktisk arbetsbelastning och en predikterad kapacitetsefterfragan for applikationen.

Description

537 197 METOD, NOD OCH DATORPROGRAM FOR MOJLIGGORANDE AV AUTOMATISK ANPASSNING AV RESURSENHETER Tekniskt omrade
[0001] Fareliggande beskrivning relaterar till en metod, nod och ett datorprogram for majliggorande av automatisk anpassning av storleken hos en pool med resursenheter, dar resursenheterna behoys for driften av en applikation i en datormiljo.
Bakgrund
[0002] Datorresurser i en datormiljo i sadant som ett datamoln, berakningsmoln eller ett datacenter for hosting av applikationer, är ett vaxande satt att dela kostnader. Den grundlaggande iden är att genom att dela kostnaderna for en datormiljo, som till exempel en datacentersanlaggning, overflodig kommunikationsbandbredd, reserystrom, licenser for operativsystem, databaser, applikationsmiljber, blir kostnaden for en applikationsleverantor lagre an den for ett dedikerat datacenter eller en dedikerad plattform for vane applikation.
[0003] Det finns ett antal olika former av datormiljoer for at dela datorresurser, som till exempel foretagsdatacenter dar ett foretag kan ha fokuserat sina olika affarsapplikationer och forrad. Ett annat exempel är en operatar med olika abonnentapplikationer for meddelanden och multimedia, dar operatoren kan behava skala kapaciteten for de olika applikationerna upp och ner Over tid, beroende pa abonnenters anvandningsbeteende. Ett annat exempel är en leverantbr av hostinganlaggningar, dar det är majligt att driva en applikation far en liten stangd anvandargrupp, som stracker sig hela vagen till offentliga tjanster avsedda far en global anvandargrupp. Denna sortens leverantar av hostinganlaggningar kan ocksa kallas datacentersleverantor, moInsleverantor, datamoInsleverantor, applikationsserviceleverantor, vilket inte är avsett att begransa andra termer som kan anvandas.
[0004] En applikation som är hostad i en datormilja kan ha dedikerad datorhardvara, och kan vara belagen i ett avskilt rum for den specifika hardvaran 1 537 197 och applikationen. Men, for att dra nytta av att driva en applikation i en datormiljo är en tendens att driva applikationer i datormiljoer dar ett flertal applikationer kan vara sam-belagna pa samma hardvaruplattform. Genom att Ora sa kan olika applikationer dela samma resurser med avseende pa CPU, minne, operativsystem, databas, applikationsserver, osv. Nar en applikation har en hog arbetsbelastning och en annan applikation har en lag arbetsbelastning, kan applikationen med den hoga arbetsbelastningen ta majoriteten av datorresurserna, medan applikationen med lag arbetsbelastning kan tillhandahalla en acceptabel service med en liten del av datorresurserna.
[0005] Ett problem med dagens teknologi är att vid ratt tid lagga till och ta bort ratt mangd resurser, for applikationer som kors i en delad datormiljo.
Tillhandahallande av for begransade resurser med avseende pa CPU-kapacitet, kommunikationsbandbredd, databastransaktionskapacitet, etc, kan orsaka tekniska problem och/eller forsamra serviceprestandan tillhandahallen av en applikation. A andra sidan, overtillhandahallande av resurser kommer lagga till oonskade kostnader i form av serviceavgifter for delade resurser, elektrisk staff', anlaggningskylning, mjuk- och hardvarulicenser, etc. Andra problem med spannand teknologier är att hantera dynamiska, snabba och/eller stora forandringar i anvandande. Om sadana andringar kan vara ovantade, kan det vara annu mer problematiskt att hantera.
Kort beskrivninq av uppfinningen
[0006] Ett syfte med uppfinningen är att adressera atminstone nagra av problemen och fragorna som finns beskrivna ovan. Det är mojligt att astadkomma dessa syften och andra genom att anvanda en metod, nod och datorprogram enligt de bifogade sjalvstandiga kraven.
[0007] Enligt en aspekt tillhandahalls en metod i en resursstyrenhetsnod far majliggorande av automatisk anpassning av storleken hos en pool med resursenheter, dar resursenheterna behavs far att manavrera en applikation i en 2 537 197 datormiljo. Metoden innefattar att begara en predikterad kapacitetsefterfragan av en resursstyrenhet fran en predikteringsenhet. Metoden innefattar ocksa att hamta en konfigurering for att berakna den predikterade kapacitetsefterfragan fran en resurskarakteriseringsenhet medelst predikteringsenheten som ett svar pa begaran. Metoden innefattar ocksa att hamta atminstone en nyckelprestandaindikator baserad pa matvardes-arbetsbelastningsdata fran en monitorenhet medelst predikteringsenheten som ett svar pa begaran. Metoden innefattar ocksa att berakna en kapacitetsskillnad mellan berakningsenheter baserat pa namnda atminstone en nyckelprestandaindikator och konfigureringen medelst predikteringsenheten, varvid kapacitetsskillnaden är definierad av en skillnad i berakningsenheter mellan en nuvarande kapacitetsallokering och en predikterad kapacitetsefterfragan. Metoden innefattar ocksa att oversatta skillnaden i berakningsenheter till en skillnad i resursenheter medelst en resursanpassningsenhet. Metoden innefattar ocksa att sanda en storleksanpassningsinstruktion innefattande skillnaden i resursenheter till poolen med resursenheter, som instruerar poolen med resursenheter att anpassa sin storlek av poolen med resursenheter enligt skillnaden i resursenheter, vilket darigenom mOjliggOr automatisk anpassning av poolen med resursenheter for att mota en faktisk arbetsbelastning och en predikterad kapacitetsefterfragan has applikationen.
[0008] En fordel med losningen är prediktiv istallet for reaktiv automatisk anpassning av resursenheter for en applikation, alltid fore efterfragan. En annan fOrdel är att losningen kan hantera manga olika arbetsbelastningar och automatiskt lara sig am nya typer av arbetsbelastningar.
[0009] Enligt en annan aspekt till handahalls en resursstyrenhetsnod for mojliggorande av automatisk anpassning av storleken has en pool med resursenheter, dar resursenheterna behtivs for manovrering av en applikation i en datormiljo, varvid noden är anordnad att begara en predikterad kapacitetsefterfragan medelst en resursstyrenhet fran en predikteringsenhet. 3 537 197 Noden ar vidare anordnad att hamta en konfigurering for berakning av den predikterade kapacitetsefterfragan fran en arbetsbelastningskarakteriseringsenhet (130) medelst predikteringsenheten (120) som ett svar pa begaran. Noden är vidare anordnad att hamta atminstone en nyckelprestandaindikator baserad pa matvardes-arbetsbelastningsdata Iran en monitorenhet medelst predikteringsenheten som ett svar pa begaran. Noden är vidare anordnad att berakna en kapacitetsskillnad has berakningsenheter baserad pa namnda atminstone en nyckelprestandaindikator och konfigureringen medelst predikteringsenheten, dar kapacitetsskillnaden är definierad med en skillnad i berakningsenheter mellan en nuvarande kapacitetsallokering och en predikterad framtida arbetsbelastning. Noden är vidare anordnad att oversatta skillnaden i berakningsenheter till en skillnad i resursenheter medelst en resursanpassningsenhet. Noden är vidare anordnad att sanda en storleksanpassningsinstruktion innefattande skillnaden i resursenheter till poolen med resursenheter, som instruerar poolen med resursenheter att anpassa sin storlek has poolen med resursenheter enligt skillnaden i resursenheter, vilket darigenom mOjliggOr automatisk anpassning av poolen med resursenheter for att m6ta en faktisk arbetsbelastning och en predikterad kapacitetsefterfragan has applikationen.
[0010] En fordel är automatisk kapacitetsanpassning, mycket snabbare an manskliga operatorer mOjligen kan uppna. Vidare, applicerbart pa manga resurstyper, inkluderande men inte begransat till virtuella och fysiska datorberakningsinfrastrukturer.
[0011] Enligt en annan aspekt, ett datorprogram, innefattande datorlasbara kodmedel, vilka, nar de '
[0012] Ovan namnda metod och anordning kan konfigureras och implementeras enligt olika valfria utfOrningsformer. Till exempel nar begaran for en predikterad kapacitetsefterfragan tas emot av predikteringsenheten, kan den distribuera begaran till atminstone en matvardes-prediktor. Vidare kan man berakna en framtida matvardes-efterfragan baserad pa overvakad matvardes-data medelst matvardesprediktorn, den overvakade matvardesdatan är hamtad fran monitorenheten, vilken resulterar i en matvardesskillnad. Vidare kan man oversatta matvardesskillnaden till atminstone en berakningsenhetsskillnad medelst en kapacitetsavbildare. Vidare kan den aggregera namnda atminstone en berakningsenhetsskillnad medelst en aggregator, vilket resulterar i en aggregerad berakningsenhetsprediktering som definierar en kapacitetsskillnad. Vidare kan man sanda kapacitetsskillnaden till resursanpassningsenheten.
[0013] Nar den framtida matvardesefterfragan beraknas, kan en av dessa metoder anvandas: suddig logik-baserad efterfragansprediktion (eng. fuzzy logic demand prediction), och/eller tidsserieanalysbaserad efterfragansprediktion, och/eller monsterigenkanningsbaserad efterfragansprediktion. En tidsperiod mellan anpassning av poolstorleken kan dynamiskt bestammas medelst en forandringshastighet for arbetsbelastningen. Nar overvakad matvardesdata hamtas fran monitorenheten medelst arbetsbelastningskarakteriseringsenheten, kan den matchas med den overvakade matvardesdatan med forutbestamda arbetsbelastningsklassificeringar. Vidare kan man valja och avbilda den matchade arbetsbelastningsklassificeringen till en lamplig konfigurering for predikteringsenheten, varvid, om den overvakade matvardesdatan har andrat klassificering, en uppdaterad konfigurering for berakning av den predikterade kapacitetsefterfragan kan tillhandahallas till predikteringsenheten. Vidare kan man matcha det overvakade matvardet med forutbestamda matvardesklassificeringar, varvid en existerande konfigurering kan uppdateras med den matchande matvardesklassificeringen am det overvakade matvardet matchar en forutbestamd matvardesklassificering, vilket mojliggor for predikteringsenheten att battre berakna kapacitetsskillnaden, eller am det overvakade matvardet är utanfor de 537 197 forutbestamda klassificeringarna kan en ny konfigurering skapas. Vidare kan den detektera atminstone en nyckelprestandaindikator medelst bestamning av vilken matvardesdata som har den huvudsakliga paverkan pa arbetsbelastningsefterfragan far en farutbestamd applikation.
[0014] Vidare kan man bestamma den predikterade kapacitetsefterfragan medelst namnda atminstone en matvardesprediktor baserad pa en reaktiv summa av en reaktiv styrenhet for nuvarande kapacitetsallokeringsberakning och en proaktiv summa av en proaktiv styrenhet far berakning av framtida predikterad kapacitetsefterfragan, varvid kombinationen av den reaktiva summan och den proaktiva summan bestammer kapacitetsskillnaden, vilket mojliggor att nya resursenheter är fungerande nar den predikterade kapacitetsefterfragan är behavd, am de startas omedelbart. Vidare kan ett forutbestamt intervall indikera en minsta acceptabel storlek hos poolen med resursenheter och en storsta acceptabel storlek has poolen med resursenheter, varvid intervallen kan aktiveras enligt ett bestamt schema, varvid varje intervall är tilldelat en klass for bestamning av overlappande intervall. Vidare kan de minsta och storsta acceptabla storlekarna, och deras aktiveringsscheman och klasser, bestammas dynamiskt medelst historisk arbetsbelastningsmatvardesdata-analys. Vidare kan en resursanpassningsenhet bestamma resursenheter for avbildning med tillgangliga resursenheter i poolen. Vidare kan storleken pa poolen med resursenheter, med en bestamd overskottsstorlek, reduceras medelst resursanpassningsenheten nar en forbetald period loper ut.
[0015] En fordel med en sjalvinstallande autonomt system sá som den beskrivna losningen är att det kan behova lite manskligt ingripande. Vidare kan losningen hantera bade planerade och oplanerade efterfragan-toppar. Vidare kan losningen stodja ett flertal predikteringsmetoder och ett flertal matvarden. Vidare kan en optimal sammansattning av resursenheter som kommer ge den behavda kapaciteten att valjas automatiskt. Vidare kan schemalagda kapacitetsbegransningar anvandas, istallet far bara en enda 6 537 197 kapacitetsbegransning. Vidare kan den foreslagna losningen hantera ett flertal datorbaserade infrastrukturer.
[0016] Vidare mojliga egenskaper och fordelar med denna losning kommer att vara uppenbara fran den detaljerade beskrivningen nedan.
Kort beskrivninq av ritninqar
[0017] Losningen kommer nu att beskrivas i mer detalj medelst typiska utfOringsformer och med hanvisning till de medfOljande ritningarna, i vilka:
[0018] Fig. 1 är ett blockdiagram som illustrerar en resursstyrenhetsnod.
[0019] Fig. 2 är ett blockdiagram som illustrerar en predikteringsenhet, enligt nagra mojliga utfOringsformer.
[0020] Fig. 3 är ett blockdiagram som illustrerar en arbetsbelastningskarakteriseringsenhet, enligt nagra mojliga utf6ringsformer.
[0021] Fig. 4 är ett blockdiagram som illustrerar en monitorenhet, enligt nagra mojliga utforingsformer.
[0022] Fig. 5 är ett blockdiagram som illustrerar en resursanpassningsenhet, enligt nagra mojliga utf6ringsformer.
[0023] Fig. 6 är ett flodesschema som illustrerar en process i en resursstyrenhetsnod.
[0024] Fig. 7 är ett flodesdiagram som illustrerar en process i en predikteringsenhet, enligt nagra mojliga utforingsformer.
[0025] Fig. 8 är ett flodesdiagram som illustrerar en process i en arbetsbelastningskarakteriseringsenhet, enligt nagra mojliga utforingsformer.
[0026] Fig. 9 är ett blockdiagram som illustrerar en resursstyrenhetsnod i ett klustrat scenario. 7 537 197 Detaljerad beskrivninq av foredraqna utforinqsformer
[0027] Dynamiska datorinfrastrukturer, sa som grid och cloud computing, erbjuder verktygen som behovs fOr att snabbt tillhandahalla datorresursenheter fran en till synes oandlig resurspool pa en betala-eftersom-basis. Men, att optimalt anvanda sig av dessa resursenheter kraver bestamning av vilken resursenhetsallokering som tillhandahaller den basta servicen med minsta mangd resurser. Att snabbt andra arbetsbelastningar gor detta till ett utmanande problem som bast kan losas automatiskt och kvickt for att inte prestandan blir lidande.
[0028] Nuvarande tillgangliga losningar har visat sig vara inte lika effektiva pa att bestamma den optimala resursallokeringen som mer sofistikerade tillvagagangssatt och algoritmer, mestadels pa grund av att de är reaktiva: de tillater resursanvandning att bli for hog innan de agerar for att mildra den okade belastningen. Detta leder till dalig prestanda: antingen genom att ge applikationsanvandare en dalig upplevelse, eller genom att justera algoritmerna for att konstant tillhandahalla for mycket resursenheter.
[0029] Erfarenhet har visat att olika applikationer kan ha olika arbetsbelastningsegenskaper, t. ex. kan vissa arbetsbelastningar vara karakteriserade av hoga toppar medan andra arbetsbelastningar kan ha dagliga, veckoliga, manatliga eller arstidsbaserade monster. Att designa ett kapacitetspredikteringssystem som kan prediktera de behovda resurserna for att hantera alla olika mOnster i de olika arbetsbelastningarna är inte genomfarbart. EnkeIt uttryckt finns det ingen enskild losning som passar alla.
[0030] Den kombinatoriska explosionen av mojliga systemkonfigureringar kan Ora att systemadministration has ett kapacitetspredikteringssystem overgar till rena gissningar gallande vilken konfigurering som är optimal. En sjalv-hanterande och sjalv-justerande system kan spara bade tid och pengar och lata systemadministratorer arbeta med mer angelagna uppgifter. 8 537 197
[0031] Kort beskrivet tillhandahalls en metod, nod och ett datorprogram for att mojliggora automatisk anpassning av storleken hos poolen med resursenheter sä att den matchar predikterad efterfragan, varvid resursenheterna behovs for manavrering av en applikation i en datormiljO. lcke-begransande exempel av resursenheter i datormiljon är, virtuella eller fysiska maskiner med en forutbestamd prestanda, virtuella eller verkliga databaser, virtuella eller verkliga kommunikationslankar, CPU:er (eng. Central Processing Units), olika minnesresurser, etc.
[0032] En resursstyrenhet i en resursstyrenhetsnod begar en predikterad arbetsbelastning fran en predikteringsenhet. Predikteringsenheter hamtar en konfigurering fran en arbetsbelastningskarakteriseringsenhet. Vidare hamtar predikteringsenheten avlasningsdata relaterad till atminstone en nyckelprestandaindikator (eng. Key Performance Indicator, KPI). En KPI kan vara en sorts prestandasmatt som är centralt for bedomning av arbetsbelastningshanteringformagan och tillrackligheten av nuvarande resursenhetsallokering. Den overvakade datan som relaterar till en KEPI kan innefatta en tillfallig lasning, eller en rad lasningar Over en definierad tidsperiod.
[0033] Baserat pa den mottagna konfigureringen och den mottagna KPI:n utfor predikteringsenheten en berakning for att bestamma en kapacitetsskillnad. Kapacitetsskillnaden är definierad av en skillnad mellan en nuvarande kapacitetsallokering och en predikterad kapacitetsefterfragan.
Kapacitetsskillnaden kan vara ett positivt tal, vilket innebar att arbetsbelastningen är predikterad att Oka. Om kapacitetsskillnaden är ett negativt tal, är arbetsbelastningen predikterad att minska. Om kapacitetsskillnaden är nail, är det predikterat att den nuvarande arbetsbelastningen kommer att vara ungefar samma. Kapacitetsskillnaden är definierad och kvantifierad medelst berakningsenheter.
[0034] Nar en kapacitetsskillnad har beraknats och kvantifierats som berakningsenheter, oversatts den sedan fran berakningsenheter till resursenheter 9 537 197 medelst en resursanpassningsenhet. Ett icke-begransande exempel är nar en viss okning av ett antal MIPS (miljoner instruktioner per sekund) behovs. Detta behov är sedan oversatt till resursenheter, dar varje resursenhet har formagan att tillhandahalla ett specifikt antal MIPS. Resursanpassningsenheten Oversatter det beraknade behovet, beskrivet medelst berakningsenheter, till ett behov som kan uppfyllas av de resurser som är tillgangliga i datormiljon. Nagra exempel av berakningsenheter kan vara: ett mjukt omkopplingssamtal som omkopplar kapacitet per sekund, en webserver-kapacitet i begaranden per sekund, domannamnsserver-uppslagningar per sekund, sandning av meddelanden per sekund, etc. inte begransande for andra kapacitetsmatningar. Ett utfall av resursanpassningsenheten är att en anpassningsinstruktion sands till en datormiljo for att anpassa storleken has poolen med resursenheter, pa ett sadant satt att resursenhetens poolstorlek matchar den framtida kapacitetsefterfragan. Termen predikterad kapacitetsefterfragan kan ocksa betecknas predikterat framtida kapacitetsefterfragan, eller predikterad arbetsbelastning. Termen nuvarande kapacitetsallokering kan ocksa betecknas nuvarande arbetsbelastning. Termen avlasningsdata kan ocksa betecknas matvardesdata.
[0035] Nu kommer losningen att beskrivas i mer detalj, med borjan med Fig. 1. Fig. 1 visar en resursstyrenhetsnod 100, med en resursstyrenhet 110 for att styra andra enheter i noden, en predikteringsenhet 120 for att prediktera en framtida arbetsbelastning pa en applikation, en arbetsbelastningskarakteriseringsenhet 130 f6r att klassificera arbetsbelastning och konfigurering has predikteringsenheten 120, en avlasningsenhet 140 for att samla overvakad data och en resursanpassningsenhet 150 for att anpassa och sanda storleksfOrandringsinstruktioner.
[0036] resursstyrenheten 110 är anordnad att styra de andra enheterna i resursstyrenhetsnoden 100 och att periodvis initiera en anpassningsprocedur av poolen med resursenheter. Anpassningsproceduren kan borja med en begaran medelst resursstyrenheten 110, till predikteringsenheten 120 att prediktera en 537 197 framtida arbetsbelastning. Anpassningsproceduren kan ocksa utlosas pa andra satt, sä som att ett storleksforandringsfonster kan sluta, eller att forberedningstiden for resursenheter kraver tid for att starta. Predikteringsenheten 120 hamtar en konfigurering fran arbetsbelastningskarakteriseringsenheten 130. Syftet med konfigureringen är att tillhandahalla parametrar som bestammer hur man predikterar framtida kapacitetsefterfragan. Konfigureringen kan innefatta information am hur langt in i framtiden en prediktion kan stracka sig eller hur mycket avlasningsdata som skall inkluderas i predikteringar. Predikteringsenheten 120 hamtar avlasningsvarden relaterade till atminstone en nyckelprestandaindikator (KPI) fran avlasningsenheten 140. Avlasningsvardena kan insamlas av avlasningsenheten, fran en applikation i datormiljon, fran resursenheter i datormiljon, eller fran datormiljon sjalv. Olika applikationer kan ha olika KPI:er beroende pa vilken typ den individuella applikationen är.
[0037] Predikteringsenheten 120 beraknar en kapacitetsskillnad baserad pa atminstone en KPI och en nuvarande konfigurering. Den resulterande kapacitetsskillnaden definierar en skillnad mellan nuvarande kapacitetsallokering och behovd kapacitetsallokering for att mota framtida kapacitetsefterfragan. Kapacitetsskillnaden är definierad i berakningsenheter, vilka är abstrakta storleksenheter. Resursanpassningsenheten 150 oversatter den abstrakta kapacitetsskillnaden, uttryckt i berakningsenheter, till en konkret skillnad i resursenheter som är tillganglig i datormiljOn.
[0038] Nar kapacitetsskillnaden i form av resursenheter i en datormiljo bestams, sander resursstyrenhetsnoden 100 en storleksanpassningsinstruktion till poolen med resursenheter. Darigenom anpassar den automatiskt storleken has poolen med resursenheter fOr att mota en faktisk arbetsbelastning och en framtida arbetsbelastning for applikationen.
[0039] Fig. 2 är ett blockdiagram som illustrerar en predikeringsenhet, enligt nagra mojliga utforingsformer. Predikteringsenheten 120 kan innefatta atminstone en matvardesprediktor 160 for berakning av en framtida arbetsbelastning, med en 11 537 197 reaktiv styrenhet 161 for att berakna vilken inverkan en framtida arbetsbelastning kan ha pa prediktionen. Predikteringsenheten 120 kan vidare innefatta en kapacitetsavbildare 163 for att avbilda prediktioner till berakningsenheter, och en aggregator 165 fOr aggregering av en prediktion. Predikteringsenheten 120 kan innefatta ett konfigureringsgranssnitt 167 for att ta emot en konfigurering fran arbetsbelastningskarakteriseringsenheten.
[0040] Nar predikteringsenheten 120 tar emot en begaran for en predikterad arbetsbelastning, kan predikteringsenheten 120 vara anordnad att distribuera begaran till atminstone en matvardesprediktor 160, som beraknar en framtida matvardesspecifik efterfragan, baserad pa overvakad matvardesdata som hamtats Iran avlasningsenheten 140. Den framtida efterfragan är uttryckt pa ett matvardesspecifikt satt, matvardesskillnad t.ex. begaranden per sekund. Matvardesskillnaden kan oversattas till atminstone en berakningsenhetsskillnad medelst kapacitetsavbildaren 163. Aggregatorn 165 kan vara anordnad att aggregera namnda atminstone en skillnad uttryckt i berakningsenheter pa ett sadant satt att aggregeringen resulterar i en aggregerad berakningsenhetsprediktion. Utmatningen av aggregatorn 165 är en kapacitetsskillnad, varvid predikteringsenheten 120 kan vara anordnad att sanda kapacitetsskillnaden till resursanpassningsenheten 150.
[0041] Predikteringsenheten 120 kan vara anordnad att berakna det framtida matvardesbehovet genom att anvanda till exempel atminstone en av metoderna: suddig logik-baserad efterfragansprediktion, och/eller tidsserieanalys-baserad efterfragansprediktion, och/eller monsterigenkanning baserad pa efterfragansprediktion, utan att beg ransa andra metoder som kan anvandas. En tidsperiod mellan anpassningen av poolstorleken, hadanefter kallad storleksforandringsfonster, kan bestammas dynamiskt medelst fOrandringshastigheten has arbetsbelastningen.
[0042] Enligt en utforingsform, nar en prediktionsbegaran anlander till prediktionsenheten 120, blir begaran skickad till alla aktiva matvardesprediktorer 12 537 197 160. Det kan finnas atminstone en prediktor 160. Men, i ett flertal matvardesprediktorer 160, kan en delmangd av matvardesprediktorerna 160 vara aktiva och en annan delmangd av matvardesprediktorerna 160 kan vara passiva eller avaktiverade. Beroende pa karaktaren hos en arbetsbelastning kan olika matvardesprediktorer 160 vara mer eller mindre lampade for att Ora prediktioner. Om en applikation har en okande efterfragan for processorkraft nar arbetsbelastningen okar, kan en sorts matvardesprediktor 160 vara lamplig. Om en applikation har ett okande behov av minnesutrymme nar arbetsbelastningen okar, kan en annan sorts matvardesprediktor 160 vara mer lamplig. De mindre lam pliga matvardesprediktorerna 160 kan dá avaktiveras. Beroende pa typen av datormiljo, kan det vara en stor grupp med matvardesprediktorer 160.
[0043] Kapacitetsavbildaren 163 kan oversatta matvardesefterfragan-vardena Iran matvardesprediktorerna 160 till berakningsenhets-varden och kan vidarebefordra dessa olikhetsvarden (som nu delar en gemensam mattenhet) till aggregatorn 165.
[0044] Aggregatorn 165 kan kombinera de predikterade kapacitetsskillnaderna till en enda aggregerad kapacitetsskillnad, som rapporteras i berakningsenheter och fors vidare till resursanpassningsenheten 150.
[0045] De olika elementen i predikteringsenheten 120 kan konfigureras och/eller omkonfigureras innan eller under manovrering av systemet. Matvardesprediktorerna 160, kapacitetsavbildaren 163, och aggregatorn 165, kan alla konfigureras individuellt. Sadan konfigurering kan genomforas genom konfigureringsgranssnittet 167. Nya eller uppdaterade konfigureringar mottagna medelst konfigureringsgranssnittet 167 kan tas emot fran arbetsbelastningskarakteriseringsenheten 130.
[0046] Genom att stodja en konfigurerbar uppsattning med matvardesprediktorer 160 kan systemet ha fOrmagan att ackommodera manga olika prediktionsalgoritmer och vane sadan algoritm kan vara konfigurerad att arbeta 13 537 197 mot ett brett spektrum med matvarden. Aggregatorn 165 gar det mojligt att kombinera olika prediktioner, fran olika algoritmer och far olika matvarden, till ett unifierat resultat.
[0047] Det kan ta flera minuter fran att en resursenhet startas, sa som en virtuell maskin, tills dess att resursen är fullt fungerande och redo att acceptera en del av arbetsbelastningen. Att begara fler resursenheter fran datormiljon maste goras i god tid fore en efterfragans-topp intraffar. Darfor kan matvardesprediktorerna 160 strava mot att tillhandahalla resurser i farvag, far att sakerstalla att kapacitet redan finns tillgangligt nar efterfragans-toppar intraffar.
[0048] Olika matvardesprediktorer 160 kan anvanda olika prediktionstekniker. lcke-begransande exempel pa prediktionstekniker är: trenduppskattning, luddig styrning (eng. fuzzy control) och tidsserieanalys, inte begransande far olika tekniker som kan anvandas.
Ett exempel pa en teknik for trenduppskattnings-baserad prediktion
[0049] Den trenduppskattnings-baserade kapacitetsprediktorn kan estimera en framtida arbetsbelastning baserat pa den nu varande arbetsbelastningsforandringshastigheten, t.ex. lutningen pa belastningskurvan for det observerade matvardet. Alla prediktioner kan utforas relativt en prediktionshorisont, som representerar prediktionstidsramen eller hur langt in i framtiden matvardesprediktorn 160 kan vara konfigurerad att Ora sina prediktioner. Prediktionshoristonen kan vara lika med uppstartningstiden for en ny resurs. Denna prediktionsteknik kan ses uppskatta framtida arbetsbelastning genom att folja den nuvarande lutningen pa belastningskurvan till slutet pa prediktionshoristonen.
[0050] Tekniken for trenduppskattnings-baserad prediktion kan anvanda en algoritm, som kan utforas i tva huvudaktiviteter: - berakna kapacitetsskillnaden, mangden saknad/overskjutande kapacitet, relativt 14 537 197 bade den nuvarande arbetsbelastningen och den projicerade framtida arbetsbelastningen; och - applicera aggregeringsregler for att kombinera olikheterna till en slutgiltig skill nad.
Den forst namnda aktiviteten kan anvanda sig av tva konceptuella delar: en reaktiv styrenhet 161 och en proaktiv styrenhet 162. Den reaktiva styrenheten 162 bestammer hur manga resurser som behovs for att hanga med den nuvarande efterfragan och beraknar sin kapacitetsskillnad som: A_"reaktiv" = "belastning" _"nuvarande" "kapacitet" _"nuvarande"
[0051] Den proaktiva styrenheten 162 forsoker hanga med framtida efterfragan och uppskattar hur mycket kapacitet som behOver adderas nu for efterfragan som skall motas nar nya resursenheter är igang, vilket kan vara vid slutet av prediktionshorisontet. Som sadan, kan proaktiv styrenhet 162 berakna kapacitetsskillnaden som: A_"proaktiv" ="lutning"*"prediktionshorisont" Kurvan kan beraknas med enkel linjar regression genom att passa en linje genom de N senaste matvardesobservationerna, dar N är konfigurerbart.
[0052] Den andra namnda aktiveteten kombinerar de tva kapacitetsskillnaderna och loser eventuella konflikter som kan uppsta. Det kan fungera enligt foljande: Om bada styrenheter bestammer sig att tillhandahalla mer kapacitet, skala upp, är deras beslut adderade A_"total" =A_"reaktiv" +A_"proaktiv" Om lutning har legat nere tillrackligt lange och det finns ett kapacitetsoverskott (A_"reaktiv" <0): Overskott skars ner till en brakdel for att undvika for snabb nedskalning. 537 197 Om det finns ett kapacitetsoverskott men framtida efterfragan forvantas aka, kan den relativa storleken has faktorerna bestamma: Om den reaktiva faktorn, kapacitetsoverskott, vinner, behovs ingen modifiering.
Om den proaktiva faktorn, framtida efterfragan, vinner, adderas kapacitet fortsatt okning forvantas.
Ett exempel pa en teknik for att automatiskt justera prediktionshorisonten
[0053] Prediktionshorisonten kan vara en tidsperiod, till exempel antalet sekunder in i framtiden som den trendbaserade kapacitetsprediktorn gar sina prediktioner. For att detta skall vara tillrackligt start for att resultera i lagliga prediktioner for tillhandahallning, behover den ta i beaktande hela uppstartningstiden for en ny resursenhet. Hela uppstartstiden kan till exempel innefatta tillhandahallningsfordrojning fran datormiljon, uppstartningstid for operativsystem, kontextualisering och applikationstillstandsreplikat. Saledes kan den vara i hogsta grad specifik for bade datormiljon och applikationen sjalv. En operator kan tillhandahalla en gray uppskattning, men det talet behover kontinuerligt farbattras och forfinas medelst ett system som sjalv anvander sig av empiriska bevis, ett system implementerat enligt denna losning.
[0054] Lasningen kan anvanda sig av ett livstest (eng. liveness test). Ett sadant livstest kan aberopas regelbundet av resursanpassningsenheten 150 fOr all forsakra att utplacerade resursenheter är fungerande. Forutom att den anvands for automatisk felhantering, am en resursenhet misslyckas, kan en annan resursenhet tillhandahallas for att ta dess plats, den anvands ocksa for att kontinuerligt uppdatera prediktionshorisonten. Narhelst en ny resursenhet starts, mater systemet tiden det tar for resursenheten att bli fungerande, som indikerat av livstestet, och registrerar tiden tills dess att resursenheten har blivit fullt fungerande. Ett annat uttryck for livstest är halla vid liv-kontroll, eller halla vid livovervakning. Den trenduppskattningsbaserade kapacitetsmatvardesprediktorn 160 16 537 197 kan vara konfigurerad att anvanda dessa varden nar den omkonfigureras med avseende pa prediktionshorisontsvaraktigheten.
Ett exempel pa en teknik fOr att automatiskt justera storleksfOrandringsrutans varaktighet
[0055] Varaktigheten for en storleksforandringsruta kan stallas in medelst en begransning for hur frekvent resursstyrenheten 110 initierar en anpassning av poolen med resursenheter. En for kort storleksforandringsruta kan resultera i fOr tidiga insatser och onodiga forandringar och en for lang storleksforandringsruta kan resultera i for sena reaktioner. Vidare kan den optimala storleksforandringsfonster-storleken forandras med arbetsbelastningskarakteristiken, vilket gOr det till en svar uppgift att manuellt stalla in en statisk storleksforandringsfonster-langd.
[0056] FOr att behandla denna fraga kan resursstyrenheten 110 automatiskt omkonfigurera storleksforandringsrutan under drift. Till exempel tillater detta matvardesprediktorer 160 att reagera mer frekvent och darigenom fOlja andringar narmare, nar det är snabba andringar i arbetsbelastningsefterfragan, sá som nar en massiv efterfragans-topp byggs upp.
[0057] Att omkonfigurera hastigheten vid vilken storleksforandringsberakningar utfOrs kan till exempel garas baserat pa genomsnittlig serverbehandlingstid, alltsa den genomsnittliga tiden det tar for en server att behandla en begaran och skicka ett svar.
Ett exempel pa en teknik for suddig styrning-baserad prediktion (eng. fuzzy control-based prediction)
[0058] Suddiga logiska prediktorer anvands for prediktioner i olika omraden innefattande servicehastigheter i hoghastighets-wide area networks, som estimerar rotorpositionen och felet i en omkopplad motstandsmotordrift, for 17 537 197 signalprediktion i nukleara system och andringar i havs-vagkarakteristik. enligt en utfOringsform kan matvardesprediktorerna 160 anvanda en suddig logisk teknik som kan prediktera den framtida efterfragan for en service.
Ett exempel pa en teknik fOr tidsserieanalysbaserad prediktion
[0059] ARMA och ARIMA-modeller är tva icke-begransande exempel pa modeller for tidsseriedata som kan anvandas for att prognostisera de framtida vardena for tidsserier.
ARMA-modellen kan anvandas med veckoliga stationara stokastiska processer medan ARIMA-modellen kan appliceras nar data visar bevis pa icke-stationaritet. Manga av arbetsbelastningarna uppvisar nagon korrelation mellan arbetsbelastningen och tiden. De fiesta av dessa arbetsbelastningar kan representeras genom att anvanda ARMA eller ARMIA-modeller som anvander Box-Jenkins-metoden for att Ora prognoser for arbetsbelastningens framtid.
Ett exempel pa en teknik for monsterigenkanningsbaserad automatisk efterfragans-topp-upptackning
[0060] Manga anvandningstrender är cykliska till sin natur, t.ex. veckoliga sportevenemang som orsakar okningar i intresset hos fans under speldagar. ldentifiering av sadana trender bade pa lang och pa kort sikt gar det lattare att identifiera monster som leder till toppar, innan de intraffar. Denna metodologi tillampas i flera kapacitetsprediktorer, inkluderande men inte begransat till sadana som arbetar med artificiell intelligens och maskinlarnings-tillvagagangssatt, t.ex. artificiella neurala natverk (ANN) och genetiska algoritmer. Monsterigenkanning kan implementeras pa olika satt. I foreliggande avslojande kan mOnsterigenkanning implementeras pa ett sadant satt att cykliska arbetsbelastningar pa en datormiljo kan predikteras i god tid fore en arbetsbelastning nar en topp, aven om en topp kan byggas upp snabbt.
Ett exempel pa en metod for matvardestyp-oversattning till en normal sort 18 537 197
[0061] Overvakningsvarden for ett givet matvarde kan vara momentana lasningar, hastigheter, eller raknare Over en given tidsperiod. Till exempel, CPUanvandning är en momentan lasning, begaranden per sekund är en hastighet, och begarandeantal, far senaste timmen, minuten eller sekunden, är en raknare. Att normalisera dessa olika typer av matvardesrepresentationer till ett enda format underlattar konfigurering av matvardesprediktorer 160 och utfors pa ett sadant satt att utmatningen är pa en normaliserad form. Saledes behover inte matvardesprediktorer 160 vara medvetna am vilken typ ett matvarde har, men arbetar pa en hogre abstraktionsgrad.
[0062] Fig. 3 är ett blockdiagram som illustrerar en arbetsbelastningskarakteriseringsenhet 130 enligt nagra mojliga utfaringsformer. En arbetsbelastningsidentifieringsmodul 180 innefattande arbetsbelastningskarakteriseringsenheten 130 kan vara anordnad att hamta overvakad matvardesdata fran avlasningsenheten 140. En konfigureringsidentifieringsmodul 184 innefattande arbetsbelastningskarakteriseringsenheten 130 kan vara anordnad att matcha den overvakade matvardesdatan med forbestamda arbetsbelastningsklassificeringar och avbilda arbetsbelastningsklassificeringen till en passande konfigurering far predikteringsenheten 120. Om den overvakade matvardesdatan har andrat klassificering kan en uppdaterad konfigurering for berakning av den predikterade arbetsbelastningen tillhandahallas till predikteringsenheten 120. ldentifierad och klassificerad arbetsbelastning lagras i arbetsbelastningsdatabasen 182. Konfigureringar far att hantera olika arbetsbelastningsklassificeringar forvaras i konfigureringsdatabasen 186.
[0063] Nar det overvakade matvardet matchas med forbestamda matvardesklassificeringar medelst konfigureringsmodulen 188 kan konfigureringsmodulen 188 bestamma att en existerande konfigurering kan uppdateras for att majliggora for predikteringsenheten att battre berakna en 19 537 197 kapacitetsskillnad. Ett alternativ är, om det bestams att det overvakade matvardet är utanfOr de forbestamda klassificeringarna, att skapa en ny konfigurering.
[0064] Konfigureringsmodulen 188 kan vara anordnad att detektera atminstone en nyckelprestandaindikator genom bestamning av vilken matvardesdata som kan ha det huvudsakliga inflytandet pa arbetsbelastningsefterfragan for en forbestamd applikation.
[0065] Enligt en utforingsform kan arbetskarakteriseringsenheten 130 vara anordnad att analysera de statisiska egenskaperna hos arbetsbelastningen for att klassificera arbetsbelastningen. Faktorer som paverkar de statistiska egenskaperna hos en arbetsbelastning kan innefatta begaran-ankomstprocesser, begaran-ankomsthastigheter, inter-ankomsttider, ankomstbehandlingstidsdistributioner, minnesatkomstmanster, natvarksanvandning, I/O-monster, anvant lagringsutrymme och arbetsbelastningsblandning, alltsa begarantyperna i en arbetsbelastning.
Denna identifiering kan anvanda tekniker Iran datastromsklassificering. Eftersom egenskaperna has arbetsbelastningarna kan andras Over tid utfOrs identifieringen kontinuerligt. ldentifieringsprocessen aberopas periodvis som en bakgrundsprocess. Om det detekteras att arbetsbelastningen har andrat karaktar, alltsa att den tillhor en ná arbetsbelastningsklass, kan konfigureringsmodulen 188 aberopas att utfora nodvandiga konfigureringsjusteringar.
[0066] Arbetsbelastningsdatabasen 182 kan innehalla de statistiska egenskaper som kannetecknar den kanda uppsattningen med arbetsbelastningsklasser. Konfigureringsidentifieringsmodulen 184 kan analysera hur val vissa konfigureringsvarden presterar for en given arbetsbelastningsklass. Konfigureringsidentifieringsmodulen 184 kan bestamma den optimala konfigureringen for predikteringsenheten 120 for den nuvarande arbetsbelastningsklassen och uppdaterar konfigureringsdatabasen 186 i enlighet 537 197 darmed. Nya konfigureringsvarden appliceras genom att aberopa konfigureringsmodulen 188.
[0067] Konfigureringsdatabasen 186 kan innehalla konfigureringsvarden for predikteringsenheten 120, optimerade for kanda arbetsbelastningsklasser. Ett icke-begransande exempel pa en konfigurering kan illustreras av: matvarde begaranantaldvarde> resurs.kapacitet 500.0 prediktion.horisont 180 En konfigurering kan ocksa vara i ren text-format, eller i ASCII-format, eller i ett databastabell-format, eller i binart format, eller nagot annat passande format for en konfigurering
[0068] Konfigureringsmodulen 188 lyssnar efter begaranden for att uppdatera konfigureringen av predikteringsenheten 120, enligt vardena som är lagrade i konfigureringsdatabasen 186. Konfigureringsuppdateringarna kan utforas genom att anvanda konfigureringsgranssnittet 187 frilagt av predikteringsenheten 120, visat i Fig. 2. 21 537 197
[0069] Arbetsbelastningsidentifieringsmodulen 180 kan vid forbestamda intervall initiera en ny runda med arbetsbelastningsidentifiering. Arbetsbelastningsidentifieringsmodulen 180 kan ocksa initieras nar en suboptimal arbetsbelastningsidentifiering detekteras av resursstyrenhetsnoden 110. En aktivitet kan lasa overvakad data for de relevanta nyckelprestandasindikatorerna fran overvakningsundersystemet medelst arbetsbelastningsidentifieringsmodulen 180. En annan aktivitet kan utfora en statistisk analys for att karakterisera den nuvarande arbetsbelastningen. De statistiska egenskaperna hos den nuvarande arbetsbelastningen kan matchas mot de kanda arbetsbelastningsklasserna som är lagrade i arbetsbelastningsdatabasen 182. Om den nuvarande arbetsbelastningen kan matchas mot en existerande arbetsbelastningsklass är klassificering ansedd lyckade och den nuvarande arbetsbelastningsklassen behalls i arbetsbelastningsdatabasen 182. Om arbetsbelastning har bytt klassificering kan konfigureringsmodulen 188 aberopas att utfora all nodvandig omstallning av predikteringsenheten 120.
[0070] Konfigureringsidentifieringsmodulen 184 kan periodvis justera predikteringsenhetens 120 konfigureringsparametrar for en bestamd arbetsbelastningsklass. Konfigureringsidentifieringsmodulen 184 kan aktiveras vid forbestamda intervaller for att bestamma effektiviteten hos den nuvarande predikteringsenhetens 120 konfigurering, med avseende pa den nuvarande arbetsbelastningens klass. Konfigureringsidentifieringsmodulen 184 kan aktiveras av resursstyrenheten 110 om det bestams att en viss KPI är underviktad. Sadana felparningar kan leda till daliga prediktioner. Resursstyrenhetsnoden 100 kan ocksa till handahallas feedback fran en systemadministrator att resursstyrenhetsnoden 100 underpresterar. Om en nuvarande konfigurering visar sig vara suboptimal, kan konfigureringen uppdateras for den nuvarande arbetsbelastningsklassen i konfigureringsdatabasen 186. Om konfigureringsparameterar i konfigureringsdatabasen 186 har andrats kan konfigureringsmodulen 188 aberopas att utfora all nodvandig omkonfigurering av predikteringsenheten 120. 22 537 197
[0071] Konfigureringsmodulen 188 kan uppdatera konfigureringsvarden for predikteringsenheten 120. Sadana uppdateringar kan, till exempel, aktiveras av arbetsbelastningsidentifieringsmodulen 180 eller konfigureringsidentifieringsmodulen 184. Konfigureringsmodulen 188 kan fraga konfigureringsdatabasen 186 efter konfigureringsvarden for en given arbetsbelastningsklass. Konfigureringsmodulen 188 kan sedan applicera dessa konfigureringsvarden pa predikteringsenheten 120 via dess konfigureringsgranssnitt 167, visat i Fig. 2.
Ett exempel pa en teknik for att automatiskt detektera serviceformaga has en applikation med avseende pa en given matvardesdata
[0072] Att begara att en mansklig operator vet exakt hur manga enheter av ett givetmatvarde en servicekomponent kan hantera mer tidsenhet kan vara orimligt, sarskilt eftersom det har visats att t.ex. webservrar uppvisar ett exponentiellt tillvaxtforhallande mellan antal begaranden och svarstid. Baserat pa overvakningsdata kan en dynamiskt uppdaterad uppskattning av t.ex. hur manga begaranden per sekund en resursenhet han betjana bestammas. Nar en servicekomponent bOrjar misslyckas att mota efterfragan pa ett tillfredsstallande satt, kan uppskattningen modifieras i enlighet darmed sá att uppskattningen till slut kan bli korrekt. Denna uppskattning kan anvandas for att bestamma poolstorleken has resursenheter medelst storleksforandringsplaneraren 205, som är ett element i resursanpassningsenheten 150, visat i Fig. 5.
Ett exempel pa en teknik for overvakad inlarning av applikationsservice-prestanda och tillhandahallande-"lamplighet"
[0073] Sam en del i en holistisk hantering av de olika enheterna och elementen som utgor en resursstyrenhetsnod 100, kan en overvakad inlarningsmekanism tillampas for att mojliggora for administratorer att modifiera resursstyrenhetsnoden 100 utan detaljinformation am varje konfigureringsparameter. Sadana modifieringar kan ta formen av overvakad inlarning, en teknik som anvands i 23 537 197 artificiell intelligens. Resursstyrenhetsnoden 100 som helhet blir tillsagd huruvida den har gjort ett bra jobb. Sadan feedback kan, till exempel, indikeras av nivan av service som upplevs av slutanvandare, och denna feedback kan fa parametrar till vane matvardesprediktor 160, kapacitetsbegransningsbestamningsalgoritm, och resurskapacitetsbedomare, att forandras aningen sá att tids nog ger kontinuerlig feedback en resursstyrenhetsnod 100 som presterar val, aven am en overvakande administrator inte manuellt har forsokt bestamma varje individuellt konfigureringsvarde manuellt. Overvakad inlarning kan vara skriptad att koras som en kontinuerlig extern process utanfor resursstyrenhetsnoden 100, t.ex. som ett skript som utfor sarskilda uppgifter och jamfor slutforningstiden mot en uppsattning med granser som bestamts som en del av ett serviceniva-avtal.
[0074] Fig. 4 visar ett blockdiagram som illustrerar en overvakningsenhet enligt nagra mojliga utforingsformer. Overvakningsenheten 140 kan vara anordnad att innefatta element for olika uppgifter. En rapporteringsmodul 190 kan vara anordnad att lyssna efter inkommande overvakad matvardesdata som beror den overvakade datormiljon. Matvardesdatan kan rapporteras antingen fran en fjarrbelagen process sá som en sensor placerad i en resursenhet, eller hamtad medelst resursanpassningsenheten 150 fran infrastrukturelement for resursenheter. Matvardesdatan kan hamtas fran datormiljon, eller kan matvardesdata hamtas fran datormiljon. Matvardesdataformatet kan innefatta foljande element: resursenhetsidentifierare for resursenheten som della varde beror, tidsstampel som visar nar vardet observerades, matvardesdatatyp som karakteriserar matningen till en av hastighet, motverkan och momentan avlasning, matvardesdata-namn/tagg som identifierar vilket matvarde vardet tillhor, matvardesdatavardet f6r det observerade vardet, 24 537 197 inte begransande for andra typer av matvardesdata.
[0075] Matvardesdata kan lagras i en overvakningsdatabas 192. Overvakningsdatabasen 192 kan tillhandahalla bestandiga forvarings- och frageformagor att presentera delmangder av matningar. En behandlingsmodul 194 kan tillhandahalla olika behandlingsmetoder for matningar, sa som: tidsseriekomprimering for att presentera mer kompakta tids-serier medan den generella karaktaren hos tidsserierna bevaras, tidsserie-utjamning, till exempel for att interpolera/extrapolera tidsserier far att tillhandahalla utfyllnad-funktionalitet far att slutfora tidsserier for vilka det finns inga eller for fa rapporterade varden, inte begransande for andra liknande uppgifter som skall utforas medelst behandlingsmodulen 194. En handelsemodul 196 kan tillhandahalla tjanster relaterade till overvakningen av sjalva resursstyrenhetsnoden 100. Handelser som intraffar i resursstyrenhetsnoden 100 kan abonneras pa av abonnenter som onskar ta emot nagot sorts notifiering som anvander sig av t.ex. email, SMS (Short Message Service), SNMP (Simple Network Management Protocol), HTTP (Hyper Text Transfer Protocol), HTTPS (HTTP Secure), FTP (File Transfer Protocol), SFTP (Secure FTW), eller ren text-hl eller andra typer av notifieringsformat. Handelsemodulen 196 kan halla reda pa sadana abonnemang och utsander de begarda notifieringarna nar handelsen (handelserna) intraffar.
Ett exempel pa en teknik for automatisk detektion av vitala nyckelprestandaindikatorer
[0076] Prestandan for en given resursenhet kan bero pa ett antal faktorer och forhallandet mellan faktorer kan vara oklart for en operator av en datormiljo. Det kan, till exempel, inte vara uppenbart klart vilken inverkan CPU (central processing unit) och minnesanvandning kommer ha pa en given resursenhet. Genom att tillampa introspektion och profilering pa datormiljon och/eller resursstyrenhetsnoden 100, t.ex. utnyttja hypervisor-overvakningsanlaggningar i cloud computing-fallet, eller Java Virtuell Maskin-profilering i Java-miljoer, kan resursenhetens exekvering undersakas och trender kan beraknas pa ett sadant 537 197 satt att medan operatoren av en datormiljo kanske inte tidigare har varit medveten om fOrhallande mellan fluktuationer i t.ex. begaran-antal och minneskonsumtion, kan matvardesprediktorer konfigureras att ta hansyn till sadana forhallanden om de visar sig existera. Detta kan ge tidigare detektion av trender eftersom de kan vara baserade pa parametrar som tidigare inte varit kanda som tidiga indikatorer av prestandatrender.
[0077] Fig. 5 visar ett blockdiagram som illustrerar en resursanpassningsenhet 150 enligt nagra mOjliga utfOringsformer. Resursanpassningsenheten 150 kan vara anordnad att innefatta element for olika uppgifter. En kapacitetsskillnad, uttryckt i berakningsenheter, anlander fran predikteringsenheten 120. Kapacitetsskillnaden kan tas emot av en kapacitetsbegransningsschemalaggare 203 innefattande resursanpassningsenheten 150 dar den kan vara begransad inom ett tillatet intervall som aktiveras baserat pa ett forbestamt schema. Sadana begransningar kan uttrycka min-max-regler for kapacitet for att lagga budgettak for att forhindra att for mycket spenderas och/eller garantera minsta datormiljokapacitetsnivaer for att hantera forvantade toppar.
[0078] Kapacitetsskillnaden som är begransad av kapacitetsbegransningar kan Rims vidare till en storleksforandringsplanerare 205 som kan konvertera kapacitetsskillnaden definierad i abstrakta berakningsenheter till resursenheter pa det mest lonsamma sattet. Detta kan till exempel innefatta att losa optimeringsproblem, eftersom det finns manga olika mojliga avbildningar mellan ett antal berakningsenheter till ett antal resursenheter, men vissa kan vara mer fordelaktiga an andra. Storleksforandringsplaneraren 205 kan bestamma den basta sadana avbildningen. Resursenheter kan motsvara datormiljons infrastrukturs egna olika resursstorlekar, t.ex. i en delad miljo sa som ett cloud computing-sammanhang, virtuella maskiner med olika formagor, i ett plattformsom-en-tjanst-sammanhang, applikationsserverinstanser med olika formagor. Storleksforandringsplaneraren 205 kan utsanda en resursskillnad uttryckt i resursenheter till en infrastrukturshanterare 207. 26 537 197
[0079] lnfrastrukturshanteraren 207 kan anvanda datormiljons specifika protokoll fOr att modifiera poolstorleken fOr resursenhetsallokering genom att allokera mer resursenheter eller av-allokera sadana som tidigare var allokerade. Men, infrastrukturshanteraren 207 kan inte av-allokera resurser om den bestammer att det skulle vara daligt att Ora sá vid den tidpunkten, enligt flagon policy.
[0080] Resursanpassningsenheten 150 kan vara anordnad att utfora matvardesdatainsamling medelst en miljomatvardesinsamlare 209, fran infrastrukturen om de allokerade resursenheterna som anvander flagon datormiljoanpassad procedur. Exempel pa sadana matvardesdatainsamlingar är CPU-belastning, minnesanvandning, diskanvandning och liknande hardvaru- eller operativsystemsrelaterade matvardesdata.
[0081] En kapacitetsbegransnings-autojusterare 200 kan vara anordnad att anvanda monsterigenkanning for att bestamma passande kapacitetsbegransningar enligt observerade trender i efterfragan, sa som fredagkvalls-toppar for en videostromnings-tjanst. Kapacitetsbegransningar som är for restriktiva kan identifieras och notifieringar kan skickas till en administrator av resursstyrenhetsnoden 100 som en notifiering att begransningarna skall uppdateras. Dessutom, en meta-prediktor, som kan ses som en hogre nivaprediktor, som baserar sina prediktioner pa utkomsten av ett antal underordnade prediktorer. Meta-prediktorn kan tillampas for att stalla in den minsta accepterade kapacitetsbegransningen for att sakerstalla att oavsett utmatning av predikteringsenhet 120 kan grundlaggande ovre och undre kapacitetsgranser hallas inom ett sarskilt intervall. Detta kan hjalpa till att uppna en hogre grad av sakerhet, eftersom sadana prediktioner kan goras pa mycket langre sikt och enligt en annan uppsattning affarsregler an vad som behovs for nagon given matvardesprediktor 160. Till exempel kan en matvardesprediktor 160 bara ta det senaste fatalet timmar i beaktande, medan en kapacitetsbegransning kan bestammas pa manatlig basis. 27 537 197
[0082] For att minska storleken pa resursallokeringen kan en administrator av en datormiljo och/eller en resursstyrenhetsnod 100 stalla in policyer fOr nar nedskalning skall utforas. Skillnader mellan tjanstinfrastrukturer och faktureringsvillkor kan ha inverkan pa vilken typ av beteende som är Onskvart. Far vissa datormiljoer bar nedskalning vara momentan, t.ex. privat agd och privat driven datormiljo, medan i andra fall bar resurser som har betalats for inte avslutas forran den forbetalda tidsperioden loper ut, till exempel publika moIntjanster. Sadana policyer kan vara infrastrukturspecifika och darfor uppratthallna av en agare av datormiljon.
[0083] Fig. 6 visar ett flodesdiagram som illustrerar en procedur i en resursstyrenhetsnod, sá som resursstyrenhetsnoden 100. De olika handlingarna kan komma i olika ordningar an vad som presenterats i denna beskrivning, eller i annan ordning an visat i detta eller andra flodesdiagram relaterade till denna beskrivning, eller nagra steg kan utforas parallellt.
[0084] I ett steg S100 begars en prediktion av arbetsbelastning. Arbetsbelastningsprediktionen kan vara begard av en resursstyrenhet sá som resursstyrenheten som visas i Fig. 1. I ett steg S110 hamtas en konfigurering. Konfigureringen kan hamtas fran en arbetsbelastningskarakteriseringsenhet medelst en predikteringsenhet, sa som arbetsbelastningskarakteriseringsenheten 130 och predikteringsenheten 120. I ett steg S1hamtas overvakningsvarden relaterade till atminstone en nyckelprestandaindikator (KPI). KPI:n är baserad pa arbetsbelastningsmatvardesdata och kan hamtas fran en overvakningsenhet medelst predikteringsenheten, sá som overvakningsenheten 140 och predikteringsenheten 120. I ett steg S1beraknas en kapacitetsskillnad baserat pa konfigureringen och overvakningsvardena relaterade till atminstone en KPI. Berakningen resulterar i en kapacitetsskillnad, dar kapacitetsskillnaden definieras av en skillnad i berakningsenheter mellan en nuvarande arbetsbelastning och en predikterad framtida arbetsbelastning. Berakningen kan utforas av en predikteringsenhet sá som predikteringsenhet 120. I ett steg S1Oversatts 28 537 197 kapacitetsskillnaden fran berakningsenheter till resursenheter, sá att abstrakta berakningsenheter oversatts till resursenheter som overensstammer med en specifik datormiljo. Oversattningen kan utforas i resursanpassningsenhet, sa som resursanpassningsenheten 150. I ett steg S1sands en instruktion, och instruktionen innefattar en storleksanpassningsinstruktion. Anpassningsinstruktionen kan sandas fran resursanpassningsenheten till datormiljon. Darigenom kan poolstorleken for resursenheter automatiskt anpassas for att mota en predikterad framtida arbetsbelastning.
[0085] Fig. 7 är ett flodesdiagram som illustrerar en procedur i en predikteringsenhet, sá som en predikteringsenhet 120, enligt nagra mojliga utforingsformer. I ett steg S200 kan en arbetsbelastningsbegaran distribueras. Sadan arbetsbelastningsbegaran kan distribueras till atminstone en matvardesprediktor sá som en av matvardesprediktorerna 160. I ett steg S2kan namnda atminstone en matvardesprediktor berakna en framtida matvardesefterfragan baserat pa tidigare namnda atminstone en nyckelprestandaindikator och en faktisk konfigurering. Resultatet av berakningen kan uttryckas som en predikterad kapacitetsskillnad, ants& en skillnad mellan den nuvarande kapacitetsallokeringen och en predikterad kapacitetsefterfragan. I ett steg S2kan den predikterade matvardesskillnaden oversattas till en berakningsenhetsskillnad, oversattningen kan utforas av en kapacitetsavbildare 163. I ett steg S2kan berakningsenhetsskillnaden aggregeras. I ett fall dar det finns ett flertal predikterade kapacitetsskillnader, uttryckta i berakningsenheter, ar det Onskvart att aggregera dessa till en enda kapacitetsskillnad. Ocksa i ett fall dar det bara finns en kapacitetsskillnad fran kapacitetsavbildaren, är det onskvart att Ora viss aggregeringsbehandling av kapacitetsskillnaden. Aggregeringen kan utforas av en aggregator 165. I ett steg S2sands den aggregerade kapacitetsskillnaden. Ett exempel är sandning fran predikteringsenheten 120 till en resursanpassningsenhet 150, visat i Fig. 2. 29 537 197
[0086] Fig. 8 visar ett flodesdiagram som illustrerar en procedur i vilken en arbetsbelastningskarakteriseringsenhet, sä som arbetsbelastningskarakteriseringsenheten 130, enligt nagra mojliga utfaringsformer.
[0087] I ett steg S260 hamtas matvardesdatan. Matvardesdatan kan hamtas fran en overvakningsenhet, sä som Overvakningsenheten 140, visad i Fig. 4. I ett steg S26kan matvardesdatan matchas med en arbetsbelastningsklassificering. Matvardesdataanalys kan indikera att arbetsbelastningen tillhOr en redan bestamd arbetsbelastningsklass. Arbetsbelastningsklassificeringen kan existera i arbetsbelastningsdatabasen 182. I ett steg S270 avbildas den klassificerade arbetsbelastningen med en konfigurering. Konfigureringen kan vara for-lagrad i konfigureringsdatabasen 186. I ett steg S27kan det bestammas att den hamtade matvardesdatan tillrackligt bra matchar en arbetsbelastningsklass och att det finns en konfigureringsavbildning associerad med arbetsbelastningsklassen. Om det i S27bestams att arbetsbelastningsmatvardet har andrat klass, kan proceduren fortsatta till ett steg S280. I ett steg S280 kan det bestammas att en existerande arbetsbelastningsklass behover uppdateras och/eller att konfigureringsassocieringen for arbetsbelastningsklassen behover uppdateras. Sadan uppdatering kan utforas i ett steg S285. Det kan ocksa bestammas att en ny arbetsbelastningsklass skall skapas, med en ny konfigurering associerad. Om en ny arbetsbelastningsklass och en ny konfigurering behover skapas, kan detta utforas i ett steg S290. I ett steg S280 kan det ocksa bestammas att en ny arbetsbelastningsklass inte är nadvandig och att existerande arbetsbelastningsklasser inte behover uppdateras. Men, det kan bestammas att det nuvarande arbetsbelastningsmatvardet kan hanteras battre av en annan arbetsbelastningsklass, och darfor kan det bestammas att arbetsbelastningsklassen skall andras. I ett steg S29kan en ny konfigurering tillhandahallas, till exempel innefattande en storleksanpassningsinstruktion till poolen med resursenheter. 537 197
[0088] Fig. 9 visar ett blockdiagram som illustrerar en resursstyrenhetsnod 100 i ett klustrat scenario med en behandlingsenhet 201 och en minnesenhet 202.
[0089] I en utforingsform innefattar resursstyrenhetsnoden 100 en behandlingsenhet "P" 201 for exekvering av instruktioner tillhorande datorprogramsmjukvara, enligt Fig. 9. Figuren visar vidare en minnesenhet "M" 202 for lag ring av datorprogramsmjukvara och samarbete med behandlingsenheten 201. Sadan behandlingsenhet 201 och minnesenhet 202 kan tillhandahallas av en dator far allmanna andamal, eller en dator dedikerad far en resursstyrenhetsnod 100.
[0090] Fig. 9 visar vidare tva ytterligare resursstyrenhetsnoder 100. I en datormiljo, relaterad till datamoln, berakningsmoln, hosting-tjanster, datacenter och andra liknande sorters datormiljaer, dar en resursstyrenhetsnod 100 kan anvandas, funktionen tillhandahallen av en resursstyrenhetsnod 100, kan tillhandahallas av ett kluster med resursstyrenhetsnoder 100. I ett kluster med resursstyrenhetsnoden 100 kan varje nod vara liknande konfigurerad. I ett kluster med resursstyrenhetsnoder 100 kan vane nod ha olika konfigurering for olika uppgifter. En fackman inom teknikomradet kan skapa en losning baserat pa resursstyrenhetsnoder 100 anpassade for vane individuell datormiljo.
[0091] Losningen har beskrivits med hanvisning till specifika exemplifierande utforingsformer, men beskrivningen är generellt bara avsedd illustrera det innovativa konceptet och bar inte tas som begransande for lasningens omfang. Till exempel, termerna "predikterad arbetsbelastning", "resursenheter" och "matvardesdata" har anvants genom denna beskrivning, aven om andra motsvarande noder, funktioner ochieller parametrar ocksa hade kunnat anvandas som har de funktioner och kannetecken som finns beskrivet har. Losningen är definierad av de bifogade kraven. 31

Claims (26)

537 197 Patentkrav 1. Metod i en resursstyrenhetsnod (100) for att mojliggora automatisk anpassning av storleken has en pool med resursenheter, varvid resursenheterna behovs for driften av en applikation i en datormiljo, varvid metoden innefattar att: 1. begara en predikterad kapacitetsefterfragan medelst en resursstyrenhet (110) fran en predikteringsenhet (120), 2. hamta en konfigurering for att berakna den predikterade kapacitetsefterfragan fran en arbetsbelastningskarakteriseringsenhet (130) medelst predikteringsenheten (120) som ett svar pa begaran, 3. hamta atminstone en nyckelprestandaindikator baserat pa arbetsbelastningsmatvardesdata fran en overvakningsenhet (140) medelst predikteringsenheten (120) som ett svar pa begaran, 4. berakna en kapacitetsskillnad i berakningsenheter baserat pa namnda atminstone en nyckelprestandaindikator och konfigureringen medelst predikteringsenheten (120), varvid kapacitetsskillnaden är definierad av en skillnad i berakningsenheter mellan en nuvarande kapacitetsallokering och en predikterad kapacitetsefterfragan, 5. oversatta skillnaden i berakningsenheter till en skillnad i resursenheter medelst en resursanpassningsenhet (150), 6. sanda en storleksanpassningsinstruktion innefattande skillnaden i resursenheter till poolen med resursenheter, som instruerar poolen med resursenheter att anpassa sin storlek av poolen med resursenheter enligt skillnaden i resursenheter, vilket darigenom mojliggor automatisk anpassning av poolen med resursenheter for att mota en faktisk arbetsbelastning och en predikterad kapacitetsefterfragan for applikationen. 2. Metod enligt krav 1, innefattande att: 32 537 197 nar begaran for en predikterad kapacitetsefterfragan tas emot av predikteringsenheten (120), 1. distribuera, medelst predikteringsenheten, begaran till atminstone en matvardesprediktor (160), 2. berakna en framtida matvardesefterfragan baserat pa overvakad matvardesdata medelst matvardesprediktorn (160), varvid den overvakade matvardesdatan hamtas fran overvakningsenheten (140), vilket resulterar i en matvardesskillnad, 3. oversatta matvardesskillnaden till atminstone en berakningsenhetsskillnad medelst en kapacitetsavbildare (163), 4. aggregera namnda atminstone en berakningsenhetsskillnad medelst en aggregator (165), vilket resulterad i en aggregerad berakningsenhetsprediktion, som definierar en kapacitetsskillnad, 5. sanda kapacitetsskillnaden till resursanpassningsenheten (150) 3. Metod enligt krav 1 eller 2, innefattande att: 1. berakna den framtida matvardesefterfragan genom anvandning av atminstone en av metoderna: 2. suddig logik-baserad efterfragansprediktion (eng. fuzzy logic-based demand prediction), och/eller 3. tidsserieanalys-baserad efterfragansprediktion, och/eller 4. monsterigenkannings-baserad efterfragansprediktion. 4. Metod enligt nagot av krav 1 — 3, varvid: 1. en tidsperiod mellan anpassning av poolstorleken dynamiskt bestams av en forandringshastighet hos arbetsbelastningen. 33 537 197 5. Metod enligt nagot av krav 1 — 4, innefattande att: 1. hamta overvakad matvardesdata fran overvakningsenheten (140) medelst arbetsbelastningskarakteriseringsenheten (130), 2. matcha den overvakade matvardesdatan med forbestamda arbetsbelastningsklassificeringar, 3. valja och avbilda den matchade arbetsbelastningsklassificeringen till en passande konfigurering for predikteringsenheten (120), varvid 4. am den overvakade matvardesdatan har andrat klassificering, tillhandahalls en uppdaterad konfigurering for berakning av den predikterade kapacitetsefterfragan till predikteringsenheten (120). 6. Metod enligt krav 5, innefattande att: 1. matcha det overvakade matvardet med forbestamda matvardesklassificeringar, varvid 2. am det overvakade matvardet matchar en forbestamd matvardesklassificering uppdateras en existerande konfigurering med den matchade matvardesklassificeringen, vilket mojliggor for predikteringsenheten (120) att battre berakna kapacitetsskillnaden, eller 3. am det overvakade matvardet är utanfor de forbestamda klassificeringarna skapas en ny konfigurering. 7. Metod enligt nagot av krav 1 — 6, innefattande att: 1. detektera atminstone en nyckelprestandaindikator medelst bestamning av vilken matvardesdata som har den huvudsakliga inverkan pa arbetsbelastningsefterfragan for en forbestamd applikation. 8. Metod enligt nagot av krav 1 — 7, innefattande att: 34 537 197 1. bestamma den predikterade kapacitetsefterfragan medelst namnda atminstone en matvardesprediktor (160) baserat pa en reaktiv summa hos en reaktiv styrenhet (161) for nuvarande kapacitetsallokeringsberakning och en proaktiv summa has en proaktiv styrenhet (162) fbr framtida predikterad kapacitetsefterfragan-berakning, varvid 2. kombinationen av den reaktiva summan och den proaktiva summan bestammer kapacitetsskillnaden, vilket mojliggor att nya resursenheter är fungerande nar den predikterade kapacitetsefterfragan behbvs, am de startas omedelbart. 9. Metod enligt nagot av krav 1 — 8, varvid: ett forbestamt intervall indikerar en minsta acceptabel storlek for poolen med resursenheter och en storsta acceptabel storlek for poolen med resursenheter, varvid 1. intervallerna aktiveras enligt ett bestamt schema, varvid 2. varje intervall tilldelas en rankning for bestamning av overlappande intervall. 10. Metod enligt krav 9, varvid: 1. de minsta och storsta acceptabla storlekarna, och deras aktiveringsschema och rankningar dynamiskt bestams av historisk arbetsbelastningsmatvardesdataanalys. 11. Metod enligt nagot av krav 1 — 10, innefattande att: 1. bestamma resursenheter medelst resursanpassningsenheten (150) for avbildning med tillgangliga resursenheter i poolen. 12. Metod enligt nagot av krav 1 -10, varvid: 1. poolstorleken med resursenheter, med en bestamd overskottsstorlek, reduceras medelst resursanpassningsenheten (150) nar en forbetald period loper ut. 537 197 13. Resursstyrenhetsnod (100) for majliggorande av automatisk anpassning av storleken has en pool med resursenheter, varvid resursenheterna behovs far driften av en applikation i en datormiljo, varvid: 1. noden är anordnad att begara en predikterad kapacitetsefterfragan medelst en resursstyrenhet (110) fran en predikteringsenhet (120), 2. noden är anordnad att hamta en konfigurering for berakning av den predikterade kapacitetsefterfragan fran en arbetsbelastningskarakteriseringsenhet (130) medelst predikteringsenheten (120) som ett svar pa begaran, 3. noden är anordnad att hamta atminstone en nyckelprestandaindikator baserat pa arbetsbelastnings-matvardesdatan Iran en overvakningsenhet (140) medelst predikteringsenheten (120) som ett svar pa begaran, 4. noden är anordnad att berakna en kapacitetsskillnad i berakningsenheter baserat pa namnda atminstone en nyckelprestandaindikator och konfigureringen medelst predikteringsenheten (120), varvid kapacitetsskillnaden definieras av en skillnad i berakningsenheter mellan en nuvarande kapacitetsallokering och en predikterad framtida arbetsbelastning, 5. noden är anordnad att oversatta skillnaden i berakningsenheter till en skillnad i resursenheter medelst en resursanpassningsenhet (150), 6. noden är anordnad att sanda en storleksanpassningsinstruktion innefattande skillnaden i resursenheter till poolen med resursenheter, som instruerar poolen med resursenheter att anpassa sin storlek av poolen med resursenheter enligt skillnaden i resursenheter, vilket darigenom mojliggor automatisk anpassning av poolen med resursenheter for att mota en faktisk arbetsbelastning och en predikterad kapacitetsefterfragan av applikationen. 14. Nod enligt krav 13, varvid: 36 537 197 1. noden är anordnad att nar begaran for en predikterad kapacitetsefterfragan tas emot av predikteringsenheten (120), 2. predikteringsenheten (120) är anordnad att distribuera begaran till atminstone en matvardesprediktor (160), 3. predikteringsenheten (120) är anordnad att berakna en framtida matvardesefterfragan baserat pa overvakad matvardesdata medelst matvardesprediktorn (160), varvid den overvakade matvardesdatan är hamtad fran overvakningsenheten (140), vilket resulterar i en matvardesskillnad, 4. predikteringsenheten (120) är anordnad att oversatta matvardesskillnaden till atminstone en berakningsenhetsskillnad medelst en kapacitetsavbildare (163), 5. predikteringsenheten (120) är anordnad att aggregera namnda atminstone en berakningsenhetsskillnad medelst en aggregator (165), vilket resulterar i en aggregerad berakningsenhetsprediktion, som definierar en kapacitetsskillnad, 6. predikteringsenheten (120) är anordnad att sanda kapacitetsskillnaden till resursanpassningsenheten (150). 15. Nod enligt krav 13 eller 14, varvid 1. predikteringsenheten (120) är anordnad att berakna den framtida matvardesefterfragan genom att anvanda atminstone en av metoderna: 2. suddig logik-baserad efterfragansprediktion, och/eller 3. tidsserieanalys-baserad efterfragansprediktion, och/eller 4. monsterigenkannings-baserad efterfragansprediktion. 16. Nod enligt nagot av krav 13— 15, varvid: 1. en tidsperiod mellan anpassning av poolstorleken dynamiskt bestams av en forandringshastighet hos arbetsbelastningen. 37 537 197 17. Nod enligt nagot av krav 13— 16, varvid: 1. arbetsbelastningskarakteriseringsenheten (130) är anordnad att hamta overvakad matvardesdatan fran overvakningsenheten (140), 2. arbetsbelastningskarakteriseringsenheten (130) ar anordnad att matcha den overvakade matvardesdatan med forbestamda arbetsbelastningsklassificeringar, 3. arbetsbelastningskarakteriseringsenheten (130) är anordnad att valja och avbilda den matchade arbetsbelastningsklassificeringen till en passande konfigurering for predikteringsenheten (120), varvid 4. arbetsbelastningskarakteriseringsenheten (130) är anordnad att, am den overvakade matvardesdatan har andrat klassificering, tillhandahalla en uppdaterad konfigurering for berakning av den predikterade kapacitetsefterfragan till predikteringsenheten (120). 18. Nod enligt nagot av krav 13— 16, varvid: 1. arbetsbelastningskarakteriseringsenheten (130) är anordnad att matcha den overvakade matvardesdatan med forbestamda matvardesklassificeringar, varvid 2. am det overvakade matvardet matchar en forbestamd matvardesklassificering, uppdateras en existerande konfigurering med den matchade matvardesklassificeringen, vilket mojliggor for predikteringsenheten (120) att battre berakna kapacitetsskillnaden, eller 3. am det overvakade matvardet är utanfor de forbestamda klassificeringarna skapas en ny konfigurering. 19. Nod enligt nagot av krav 13 — 18, varvid 1. arbetsbelastningskarakteriseringsenheten (130) är anordnad att detektera atminstone en nyckelprestandaindikator medelst bestamning av vilken 38 537 197 matvardesdatan som har den huvudsakliga inverkan pa arbetsbelastningsefterfragan for en forbestamd applikation. 20. Nod enligt nagot av krav 13— 19, varvid: 1. predikteringsenheten (120) är anordnad att bestamma den predikterade framtida arbetsbelastningen medelst namnda atminstone en matvardesprediktor (160) baserat pa en reaktiv summa hos en reaktiv styrenhet (161) for nuvarande kapacitetsallokeringsberakning och en proaktiv summa has en proaktiv styrenhet (162) for framtida predikterad kapacitetsefterfragan-berakning, varvid 2. kombinationen av den reaktiva summan och den proaktiva summan bestammer kapacitetsskillnaden, vilket mojliggor att nya resursenheter är fungerande nar den predikterade kapacitetsefterfragan behovs, am de startas omedelbart. 21. Nod enligt nagot av krav 13 — 20, varvid: 1. ett forbestamt intervall indikerar en minsta acceptabel storlek has poolen med resursenheter och en storsta acceptabel storlek has poolen med resursenheter, varvid 2. intervallerna aktiveras enligt ett bestamt schema, varvid 3. vane intervall tilldelas en ranking for bestamning av overlappande intervall. 22. Nod enligt krav 21, varvid: 1. de minsta och storsta acceptabla storlekarna, och deras aktiveringsscheman och rankningar dynamiskt bestams medelst historisk arbetsbelastningsmatvardesdataanalys. 23. Nod enligt nagot av krav 13— 22, varvid: 1. resursanpassningsenheten (150) är anordnad att bestamma resursenheter for avbildning med tillgangliga resursenheter i poolen. 39 537 197 24. Nod enligt nagot av krav 13— 23, varvid: - resursanpassningsenheten (150) är anordnad att reducera poolstorleken med resursenheter, med en forbestamd overskottsstorlek, nar en forbetald period loper ut. 25. Datorprogram, innefattande datorlasbara kodmedel, som nar det kors i en resursstyrenhetsnod for mojliggorande av automatisk anpassning av storleken hos en pool med resursenheter enligt nagot av kraven 13 — 24, far resursstyrenhetsnoden for mojliggorande av automatisk anpassning av storleken hos en pool med resursenheter att utfora den motsvarande metoden enligt nagot av kraven 1 — 12. 26. Datorprogramsprodukt, innefattande ett datorlasbart medium och ett datorprogram enligt krav 25, varvid datorprogrammet är lagrat pa det datorlasbara med jet. 537 197 100 ij Resursstyrenhetsnod Arbetsbelastnings- karakteriserings- enhet rj 1 • Resursstyrenhet 11 rj Overvakningsenhet -10 Predikter- ingsenhet —I. Resurs- anpassnings- enhet rj 1 Resursenheter 537 197 1 lj Predikteringsenhet 167 r-) Konfigureringsgranssnitt 162 161 160 1. r--) Matvardes- -110. prediktor Kapacitets- 27. avbildare Matvardes- prediktor Matvardesprediktor --* ---* -- --■ 16 1. rj Aggregator 537 197 rj 1 Arbetsbelastningskarakteriseringsenhet d84 Konfigurerings- identifierings- modul r380 Arbetsbelastnings- identifieringsmodul d82 Arbetsbe astnings- databas d86 Konfigureringsdatabas r388 Konfigurerings- modul Overvakningsenhet 1 Predikteringsenhet 1 537 197 r3 Overvakningsenhet 28. -■ Matvardesdatabas ri92 4-■ Behandlingsmodul r394r396 Handelse- 29. -■modul r390 Rapporterings- modul 537 197 I-) Resursanpassningsenhet r.09 Miljomatvardes- insamlare 2 tj00 Kapacitets-begransnings-autojusterare (03 . Kapacitets-begransnings-schemalaggare ( Storleks- forandrings- planerare (507 Infrastrukturs- hanterare 537 197 Begar predikterad arbetsbelastning S100 Hamta KPI S1 _r-S1 • Hamta konfigurering j-S1 Berakna kapacitets- skillnad
1. S1 Oversatt skillnad till resursenheter
2. S1 Sand storleks- anpassnings- instruktion 537 197 j-S200 Distribuera arbetsbelastnings- begaran . Berakna framtida matvardes- efterfragan f-S2 17 Oversattr-S2 matvardesskillnad till berakningsenhets- skillnad vivj-S2 Aggregera beraknings- enhet(er) Sand kapacitets- skillnad j-S2 537 197 + Hamta matvardesdata j-S260 4, Matcha matvardesdata med arbetsbelastnings- klass . j-- S26 4, Avbilda arbetsbelastningsklass med konfigurering S270 S29 Tillhandahall uppdaterad konfigurering S280 S28 _...r Uppdatera existerande klass Bestamning: Andrad klass/ Uppdatering av existerande klass/skapa fly klass S27 NE
3. - JA j-S290 Skapa ny klass 1 Predik- terings- enhet 100 100 Resurs- styrenhetsnod Resurs- styrenhetsnod 537 197 Resursstyrenhetsnod 11 rj rj 201 Over- vakn i ngs- enhet rj 100 Arbetsbelastnings- karakteriserings- enhet Resurs- styrenhet 1 rj Resurs- anpassnings- enhet rj 1 202-r
SE1251125A 2012-10-05 2012-10-05 Metod, nod och datorprogram för möjliggörande av automatiskanpassning av resursenheter SE537197C2 (sv)

Priority Applications (4)

Application Number Priority Date Filing Date Title
SE1251125A SE537197C2 (sv) 2012-10-05 2012-10-05 Metod, nod och datorprogram för möjliggörande av automatiskanpassning av resursenheter
PCT/SE2013/051166 WO2014055028A1 (en) 2012-10-05 2013-10-04 Method, node and computer program for enabling automatic adaptation of resource units
EP13843304.0A EP2904491B1 (en) 2012-10-05 2013-10-04 Method, node and computer program for enabling automatic adaptation of resource units
US14/675,846 US20150286507A1 (en) 2012-10-05 2015-04-01 Method, node and computer program for enabling automatic adaptation of resource units

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
SE1251125A SE537197C2 (sv) 2012-10-05 2012-10-05 Metod, nod och datorprogram för möjliggörande av automatiskanpassning av resursenheter

Publications (2)

Publication Number Publication Date
SE1251125A1 SE1251125A1 (sv) 2014-04-06
SE537197C2 true SE537197C2 (sv) 2015-03-03

Family

ID=50435251

Family Applications (1)

Application Number Title Priority Date Filing Date
SE1251125A SE537197C2 (sv) 2012-10-05 2012-10-05 Metod, nod och datorprogram för möjliggörande av automatiskanpassning av resursenheter

Country Status (4)

Country Link
US (1) US20150286507A1 (sv)
EP (1) EP2904491B1 (sv)
SE (1) SE537197C2 (sv)
WO (1) WO2014055028A1 (sv)

Families Citing this family (47)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US10552745B2 (en) * 2013-10-18 2020-02-04 Netflix, Inc. Predictive auto scaling engine
US10015745B2 (en) 2015-06-16 2018-07-03 Intel Corporation Apparatus, system and method of communicating a wakeup packet
US9801133B2 (en) * 2015-06-16 2017-10-24 Intel Corporation Apparatus, system and method of communicating a wakeup packet response
CN105022823B (zh) * 2015-07-20 2018-05-18 陕西红方软件测评实验室有限责任公司 一种基于数据挖掘的云服务性能预警事件生成方法
US10216543B2 (en) * 2015-08-14 2019-02-26 MityLytics Inc. Real-time analytics based monitoring and classification of jobs for a data processing platform
US10373069B2 (en) * 2015-09-26 2019-08-06 Intel Corporation Technologies for platform-targeted machine learning
US10540268B2 (en) * 2015-10-09 2020-01-21 Sap Se Determining required capacities for provisioning platform services
US11715025B2 (en) * 2015-12-30 2023-08-01 Nutanix, Inc. Method for forecasting distributed resource utilization in a virtualization environment
US10157066B2 (en) * 2016-03-21 2018-12-18 Cisco Technology, Inc. Method for optimizing performance of computationally intensive applications
US10168953B1 (en) 2016-05-20 2019-01-01 Nutanix, Inc. Dynamic scheduling of distributed storage management tasks using predicted system characteristics
US10102025B2 (en) * 2016-05-31 2018-10-16 Huawei Technologies Co., Ltd. Virtual machine resource utilization in a data center
US10235263B2 (en) 2017-01-04 2019-03-19 International Business Machines Corporation Optimizing adaptive monitoring in resource constrained environments
US20200028739A1 (en) * 2017-01-11 2020-01-23 Nutanix, Inc. Method and apparatus for closed-loop and dynamic capacity management in a web-scale data center
US11171854B2 (en) 2017-01-13 2021-11-09 International Business Machines Corporation Application workload prediction
US10922623B2 (en) * 2017-04-18 2021-02-16 At&T Intellectual Property I, L.P. Capacity planning, management, and engineering automation platform
US10555142B2 (en) 2017-09-08 2020-02-04 International Business Machines Corporation Adaptive multi-tenant monitoring in resource constrained environments
US11023280B2 (en) 2017-09-15 2021-06-01 Splunk Inc. Processing data streams received from instrumented software using incremental finite window double exponential smoothing
US20190114206A1 (en) * 2017-10-18 2019-04-18 Cisco Technology, Inc. System and method for providing a performance based packet scheduler
JP6681377B2 (ja) * 2017-10-30 2020-04-15 株式会社日立製作所 リソースの割り当てを最適化するシステム及び方法
FR3073298B1 (fr) * 2017-11-09 2021-01-22 Bull Sas Procede et dispositif de recherche de marge d’optimisation de ressources d’une chaine applicative
EP3495952A1 (en) * 2017-12-11 2019-06-12 Accenture Global Solutions Limited Prescriptive analytics based committed compute reservation stack for cloud computing resource scheduling
US10922141B2 (en) * 2017-12-11 2021-02-16 Accenture Global Solutions Limited Prescriptive analytics based committed compute reservation stack for cloud computing resource scheduling
US10157396B1 (en) * 2017-12-19 2018-12-18 Capital One Services, Llc Allocation of service provider resources based on a capacity to provide the service
EP3525509B1 (en) * 2018-02-07 2021-03-31 Rohde & Schwarz GmbH & Co. KG Method and test system for mobile network testing
US10509586B2 (en) * 2018-04-24 2019-12-17 EMC IP Holding Company LLC System and method for capacity forecasting in backup systems
US10742534B2 (en) 2018-05-25 2020-08-11 International Business Machines Corporation Monitoring system for metric data
CN108900285B (zh) * 2018-06-26 2020-11-13 电子科技大学 一种面向预测控制系统的自适应混合无线传输方法
US10785129B2 (en) 2018-06-27 2020-09-22 Oracle International Corporation Computerized methods and systems for maintaining and modifying cloud computer services
US11115344B2 (en) 2018-06-27 2021-09-07 Oracle International Corporation Computerized methods and systems for migrating cloud computer services
US11190599B2 (en) 2018-06-27 2021-11-30 Oracle International Corporation Method and system for cloud service pre-provisioning
US10911367B2 (en) * 2018-06-27 2021-02-02 Oracle International Corporation Computerized methods and systems for managing cloud computer services
CN109062768B (zh) * 2018-08-09 2020-09-18 网宿科技股份有限公司 缓存服务器的io性能评估方法和装置
US20200143293A1 (en) * 2018-11-01 2020-05-07 Microsoft Technology Licensing, Llc Machine Learning Based Capacity Management Automated System
US11029864B2 (en) * 2019-01-30 2021-06-08 EMC IP Holding Company LLC Method and system for dynamic backup policy handshaking
US11907743B2 (en) 2019-05-21 2024-02-20 Oracle International Corporation System and method for relocating customer virtual machine instances in a multi-tenant cloud service
US11550631B2 (en) 2019-06-17 2023-01-10 Hewlett Packard Enterprise Development Lp Distribution of quantities of an increased workload portion into buckets representing operations
US20210241108A1 (en) * 2019-09-13 2021-08-05 Latent AI, Inc. Generating and executing context-specific neural network models based on target runtime parameters
US11816568B2 (en) * 2019-09-13 2023-11-14 Latent AI, Inc. Optimizing execution of a neural network based on operational performance parameters
US11586706B2 (en) 2019-09-16 2023-02-21 Oracle International Corporation Time-series analysis for forecasting computational workloads
WO2022031835A1 (en) 2020-08-05 2022-02-10 Avesha, Inc. Networked system for real-time computer-aided augmentation of live input video stream
CN112000298B (zh) * 2020-08-31 2024-04-19 北京计算机技术及应用研究所 基于io加权公平排队的存储服务质量保障系统
WO2022235624A1 (en) * 2021-05-03 2022-11-10 Avesha, Inc. Controlling placement of workloads of an application within an application environment
WO2022235651A1 (en) 2021-05-03 2022-11-10 Avesha, Inc. Distributed computing system with multi tenancy based on application slices
EP4348423A1 (en) 2021-06-01 2024-04-10 Telefonaktiebolaget LM Ericsson (publ) A computer software module arrangement, a circuitry arrangement, an arrangement and a method for improved autonomous adaptation of software monitoring of realtime systems
CN113779098B (zh) * 2021-08-17 2023-07-18 北京百度网讯科技有限公司 数据处理方法、装置、电子设备以及存储介质
US11902110B2 (en) * 2021-10-31 2024-02-13 Huawei Technologies Co., Ltd. Resource allocation in data center networks
KR20240002004A (ko) * 2022-06-28 2024-01-04 에스케이하이닉스 주식회사 워크로드 등급에 따른 파라미터 값을 최적화하기 위한 메모리 시스템 및 이를 포함하는 데이터 처리 시스템

Family Cites Families (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US6516350B1 (en) 1999-06-17 2003-02-04 International Business Machines Corporation Self-regulated resource management of distributed computer resources
AU2003202356A1 (en) * 2002-02-07 2003-09-02 Thinkdynamics Inc. Method and system for managing resources in a data center
US7350186B2 (en) 2003-03-10 2008-03-25 International Business Machines Corporation Methods and apparatus for managing computing deployment in presence of variable workload
US7814491B1 (en) * 2004-04-14 2010-10-12 Oracle America, Inc. Method and apparatus for managing system resources using a container model
US8024736B1 (en) * 2005-01-28 2011-09-20 Hewlett-Packard Development Company, L.P. System for controlling a distribution of unutilized computer resources
US20080080396A1 (en) * 2006-09-28 2008-04-03 Microsoft Corporation Marketplace for cloud services resources
US8046767B2 (en) * 2007-04-30 2011-10-25 Hewlett-Packard Development Company, L.P. Systems and methods for providing capacity management of resource pools for servicing workloads
US8543711B2 (en) * 2007-04-30 2013-09-24 Hewlett-Packard Development Company, L.P. System and method for evaluating a pattern of resource demands of a workload
WO2009072186A1 (ja) * 2007-12-04 2009-06-11 Fujitsu Limited リソース貸出制御装置、リソース貸出方法およびリソース貸出プログラム
JP5256744B2 (ja) * 2008-01-16 2013-08-07 日本電気株式会社 資源割当てシステム、資源割当て方法及びプログラム
US9703609B2 (en) * 2009-05-29 2017-07-11 Red Hat, Inc. Matching resources associated with a virtual machine to offered resources
US8782240B2 (en) * 2010-10-18 2014-07-15 Avaya Inc. Resource allocation using shared resource pools

Also Published As

Publication number Publication date
WO2014055028A1 (en) 2014-04-10
SE1251125A1 (sv) 2014-04-06
EP2904491A4 (en) 2016-06-22
EP2904491A1 (en) 2015-08-12
US20150286507A1 (en) 2015-10-08
EP2904491B1 (en) 2017-09-06

Similar Documents

Publication Publication Date Title
EP2904491B1 (en) Method, node and computer program for enabling automatic adaptation of resource units
US11106560B2 (en) Adaptive thresholds for containers
US10476949B2 (en) Predictive autoscaling in computing systems
US10289973B2 (en) System and method for analytics-driven SLA management and insight generation in clouds
US10445117B2 (en) Predictive analytics for virtual network functions
US9923785B1 (en) Resource scaling in computing infrastructure
US8930521B2 (en) Method, apparatus, and computer program product for enabling monitoring of a resource
US20130219043A1 (en) Method and apparatus for automatic migration of application service
US11467911B2 (en) Systems and methods for detection of degradation of a virtual desktop environment
US8305911B2 (en) System and method for identifying and managing service disruptions using network and systems data
US11388109B2 (en) Hierarchical capacity management in a virtualization environment
EP3981111B1 (en) Allocating cloud resources in accordance with predicted deployment growth
US10511691B2 (en) Configuration method, equipment, system and computer readable medium for determining a new configuration of calculation resources
US20210240459A1 (en) Selection of deployment environments for applications
US11526784B2 (en) Real-time server capacity optimization tool using maximum predicted value of resource utilization determined based on historica data and confidence interval
CN113672345A (zh) 一种基于io预测的云虚拟化引擎分布式资源调度方法
US20230025718A1 (en) Systems and methods for detection of degradation of a virtual desktop environment
WO2021252774A1 (en) Artificial intelligence log processing and content distribution network optimization
CN117715088B (zh) 基于边缘计算的网络切片管理方法、装置、设备及介质
US10291490B1 (en) System and method for collecting data from low-availability devices
Skulysh et al. Development of the concept for the computational resources management software in the customer service systems
Kamel et al. Towards a client-side QoS monitoring and assessment using Generalized Pareto Distribution in a cloud-based environment
US20240231927A1 (en) Proactive resource provisioning in large-scale cloud service with intelligent pooling
US20240106886A1 (en) Systems and methods for intelligent load balancing of hosted sessions
Galantino et al. RAYGO: Reserve as you go