TWI547879B - 負載預測方法與電子裝置 - Google Patents
負載預測方法與電子裝置 Download PDFInfo
- Publication number
- TWI547879B TWI547879B TW101142675A TW101142675A TWI547879B TW I547879 B TWI547879 B TW I547879B TW 101142675 A TW101142675 A TW 101142675A TW 101142675 A TW101142675 A TW 101142675A TW I547879 B TWI547879 B TW I547879B
- Authority
- TW
- Taiwan
- Prior art keywords
- time
- segments
- module
- predicted
- data
- Prior art date
Links
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Description
本發明是有關於一種資源管理技術,且特別是有關於一種負載預測方法與電子裝置。
隨著計算機運算能力的進步,生活中無時無刻都在累積大量資訊,例如使用者消費行為資訊、路況資訊、感測資料等。面對如此大量的資料,運用雲端運算的能力來分析大量資料扮演著愈來愈重要的角色。許多提供運算能力的雲端服務提供者因應而生,例如著名的雲端服務提供者Amazon Elastic Compute Cloud(Amazon EC2)。Amazon EC2是一種網路服務,其主要功能是在雲端運算平台上提供各種規模的計算能力,提供開發人員一個便利的運算環境來執行大規模的運算。
然而,上述雲端運算平台的系統資源配置方式,實際上並不能完全符合使用者的需求,例如系統資源無法被充分運用等。因此為了提升使用者的滿意度以及雲端運算平台的整體運算效能,通常會在雲端運算平台中,建構動態資源管理機制,以有效地調配資源給所有使用者。
目前的資源管理機制例如是透過負載預測(Load prediction)的方式來達成,其中常見的負載預測方法例如是回歸分析方法與類神經網路方法。回歸分析方法是根據歷史資料來找出最接近資料的多項式,但由於一般回歸分
析方法會使用多維資料來進行分析,且需要紀錄各種資料來增加準確度,因此需要耗費電腦系統較大的儲存空間與系統資源。此外,類神經網路(Artificial Neural Network,ANN)則會不斷修正預測模型,且必須根據已修正的預測模型來預測下一時間點上負載的預測值,因此亦不適合拿來進行長時間後的負載預測。
承上述,如何有效地調配系統中的資源配置,儼然已成為製造者亟欲解決的問題之一。
本發明提供一種負載預測方法與電子裝置,其可有效地預測電子裝置的資源負載記錄,而提升電子裝置的工作效能。
本發明提出一種負載預測方法,用於電子裝置。在負載預測方法中,分別在多個時間週期記錄多個資源負載記錄。將每一個時間週期劃分為多個時間區段,使得每一所述資源負載記錄劃分成多個資料片段。對每一個時間區段在所述時間週期內的所述資料片段進行群集分析(Clustering analysis),以將每一個時間區段內的所述資料片段分群成多個群集。自每一個時間區段內的所述群集中,選取筆數最多的其中之一群集。計算被選擇的群集所包括的資料片段的平均值,以作為每一個時間區段的預測值。
在本發明之一實施例中,上述之負載預測方法,更包
括接收預測時間點,以及在所述時間區段中選擇預測時間點對應的其中一時間區段,而獲得被選擇的時間區段的預測值。
在本發明之一實施例中,上述在分別在所述時間週期記錄電子裝置的所述資源負載記錄的步驟中,包括在每一個時間週期中,依據一取樣速率取得所述資源負載記錄。因此,每一筆資源負載記錄包括多個資源使用量。
在本發明之一實施例中,上述在對每一個時間區段在所述時間週期內的所述資料片段進行群集分析的步驟中,包括計算每一個時間區段內的各資料片段之間的相似度,並依據相似度進行群集分析。
本發明提出一種電子裝置,其包括記錄模組、劃分模組、分群模組、選擇模組以及計算模組。記錄模組分別在多個時間週期記錄電子裝置的多個資源負載記錄。劃分模組將每一個時間週期劃分為多個時間區段,使得每一所述資源負載記錄劃分成多個資料片段。分群模組對每一個時間區段在所述時間週期內的所述資料片段進行群集分析,用以將每一個時間區段內的所述資料片段分群成多個群集。選擇模組自每一個時間區段內的所述群集中,選取筆數最多的其中之一群集。計算模組用以計算被選擇的群集所包括的資料片段的平均值,以作為每一個時間區段的預測值。
在本發明之一實施例中,上述之電子裝置更包括接收模組以及預測模組。接收模組接收預測時間點。預測模組
耦接於接收模組,以在所述時間區段中選擇預測時間點對應的其中一時間區段,而獲得被選擇的時間區段的預測值。
在本發明之一實施例中,上述之記錄模組在每一個時間週期中,依據一取樣速率取得一資源負載記錄。
在本發明之一實施例中,上述之分群模組計算每一個時間區段內的各資料片段之間的相似度,並依據相似度進行群集分析。
本發明提出一種負載預測方法,用於電子裝置。在負載預測方法中,分別在多個時間週期記錄電子裝置的多個資源負載記錄。將每一個時間週期劃分為多個時間區段,使得每一所述歷史資源負載記錄劃分成多個資料片段。接收預測時間點。在所述時間區段中選擇預測時間點對應的其中一預測時間區段。對預測時間區段在所述時間週期內的所述資料片段進行群集分析,以將所述資料片段分群成多個群集。自所述群集中,選取筆數最多的其中之一群集。計算被選擇的群集所包括的資料片段的平均值,以作為預測時間點的預測值。
本發明提出一種電子裝置,其包括記錄模組、劃分模組、接收模組、預測模組、分群模組、選擇模組以及計算模組。記錄模組分別在多個時間週期記錄電子裝置的多個資源負載記錄。劃分模組將每一個時間週期劃分為多個時間區段,使得每一所述歷史資源負載記錄劃分成多個資料片段。接收模組接收一預測時間點。預測模組在所述時間區段中選擇預測時間點對應的其中一預測時間區段。分群
模組對預測時間區段在所述時間週期內的所述資料片段進行群集分析,以將所述資料片段分群成多個群集。選擇模組自所述群集中,選取筆數最多的其中之一群集。計算模組計算被選擇的群集所包括的資料片段的平均值,以作為預測時間點的預測值。
基於上述,本負載預測方法會根據電子裝置在多個時間週期被記錄的多個資源負載記錄,來預測在預測時間點時的資源負載記錄。其中,會將每一個時間週期分成多個時間區段,並分別在各時間區段中選取大部分所記錄的資源負載記錄的平均值以作為各時間區段的資源負載記錄之預測值。據此,可有效地預測資源負載記錄發生在未來時間點上的預測值,並可依據此預測值來調整電子裝置中的資源使用分配,而達到提升工作效能的目地。
為讓本發明之上述特徵和優點能更明顯易懂,下文特舉實施例,並配合所附圖式作詳細說明如下。
本發明提供一種負載預測方法與電子裝置,可有效地預測電子裝置的資源負載記錄。為了使本發明之內容更容易明瞭,以下特舉諸實施例作為本發明確實能夠據以實施的範例。
圖1是依照本發明第一實施例所繪示之負載預測方法
的流程圖。本實施例中的負載預測方法,適用於電子裝置,其中電子裝置具有處理單元,而可利用處理單元執行儲存於儲存單元中的多個程式碼片段,藉以來實現下列負載預測方法的各步驟。
請參照圖1,於步驟S102中,處理單元分別在多個時間週期記錄多個資源負載記錄。具體來說,例如處理單元以每隔d分鐘(d為正整數)作為取樣速率,以在多個時間點分別擷取一資源使用量。也就是說,每一筆資源負載記錄皆包括多筆資源使用量。舉例而言,假設時間週期為24小時,且假設處理單元以每隔2分鐘來取得每一筆資源負載記錄,則每一筆資源負載記錄包括720筆的資源使用量。
換言之,處理單元會依據取樣速率在每個時間週期內取得多筆資源使用量,並記錄為資源負載記錄。也就是說,每個時間週期皆具有對應的一筆資源負載記錄。假設時間週期為1天,則每天皆會記錄有一筆資源負載記錄,即當天的歷史記錄。
之後,於步驟S104中,處理單元會將每一個時間週期劃分為多個時間區段,使得每一筆資源負載記錄劃分成多個資料片段。舉例來說,假設時間週期為一天,且處理單元將一天分成4個時間區段,則每一個時間區段的時間為6小時,即,將每一天的資源負載記錄劃分為0:00-6:00、6:00-12:00、12:00-18:00以及18:00-24:00等六個資料片段。以取樣速率為2分鐘為例,每一個資料片段中皆分別
包括有180筆資源使用量。另外,在每個時間區段會包括多個時間週期在該時間區段的資料片段。以10筆資源負載記錄而言,即10天的歷史記錄,在時間區段6:00-12:00會包括10筆資料片段,也就是這10天中在6:00-12:00的資料片段。其餘亦以此類推。
於步驟S106中,處理單元會對每一個時間區段在上述時間週期內的資料片段進行群集分析,以將每一個時間區段內的資料片段分群成多個群集。詳細而言,處理單元在進行群集分析時,可在每一個時間區段內的各資料片段中,計算在相同時間點所取得的資源負載記錄之間的距離總和,據以利用此距離總和計算出在每一個時間區段內的各資料片段之間的一相似度,並將具有較大相似度的資料片段分成同一群集,其中處理單元利如是透過序列間編輯距離(Edit Distance on Real sequence,EDR)演算法、最長共同子序列(Longest Common Subsequence,LCS)演算法、實補償編輯距離(Edit distance with Real Penalty,ERP)演算法或動態時間校正(Dynamic Time Warping,DTW)演算法等,不限於上述,但本實施例之處理單元透過EDR演算法來計算相似度為較佳。
另外,上述群集分析例如是透過k均值聚類(K-means)分群法、空間聚演算法(Density-Based Spatial Clustering of Applications with Noise,DBScan)、或是透過階層式分群法(Hierarchical clustering),以將每一時間週期各時間區段中的資料片段分成多個群集。本實施例以k均值聚類
(K-means)分群法為較佳,但本實施例並不限制群集分析的方法。
接著,於步驟S108中,處理單元會自每一個時間區段內的群集中,選取筆數最多的其中之一群集。
並且,於步驟S110中,處理單元會計算被選擇的群集所包括的資料片段的平均值,以作為每一個時間區段的預測值。亦即,處理單元會將被選擇的群集所包括的資料片段中的資源負載記錄取平均,並求出此群集的平均值來做為預測時間點的資源負載記錄。
基於上述,本實施例可利用電子裝置在多個時間週期所記錄的多個資源負載記錄,來預測電子裝置在預測時間點時的資源負載記錄。其中,電子裝置可藉由群組分析的計算,來預測資源負載記錄,藉以在每一個時間區段內,選取大部分所記錄的資源負載記錄的平均值以作為每一個時間區段的資源負載記錄之預測值。據此,可有效地預測資源負載記錄在不同時間區段中的預測值,並可依據此預測值來調整電子裝置中的資源使用分配,而達到提升工作效能的目地。
以雲端伺服系統而言,電子裝置例如為雲端伺服系統中的其中一個節點裝置(為一實體裝置)。上述資源負載記錄例如為雲端伺服系統中的伺服節點裝置或計算節點裝置或者上述兩者統計而得的資源負載記錄。電子裝置可依據所獲得的預測值來決定所要啟動的節點裝置數量。例如,倘若某一時間區段的預測值低於所設定的值,表示在
該時間區段的資源使用量並不會太高,因此為了省電,可在該時間區段中停止部分節點裝置的運轉。另一方面,倘若預測值高於所設定的值,表示在該時間區段的資源使用量很大,因此在該時間區段中啟動所有節點裝置的運轉。然,在此僅為舉例說明,並不以此為限。
另外,本實施例還可接收一預測時間點,以對此預測時間點的資源負載記錄中的資源使用量。為了詳細說明本實施例之負載預測方法,底下再舉一實施例。
圖2是依照本發明第二實施例所繪示之負載預測方法的流程圖,其中亦可利用處理單元執行多個程式工具,藉以實現本實施例之負載預測方法。本實施例之負載預測方法與第一實施例相似,而在本實施例中,處理單元會根據預測時間點,以求出在預測時間點所預測的資源負載記錄。
請參照圖2,於步驟S202中,處理單元會分別在多個時間週期記錄多個資源負載記錄。於步驟S204中,處理單元會將每一個時間週期劃分為多個時間區段,使得每一所述資源負載記錄劃分成多個資料片段。上述步驟步驟S202~S204均與第一實施例的步驟S102~S104相同或相似,故其詳細內容在此不再贅述。
在此,於步驟S206中,處理單元會接收預測時間點,其中預測時間點於時間軸上大於目前時間點,亦即,預測時間點是發生在未來的時間點。也就是說,電子裝置提供
一介面讓使用者能夠直接輸入預測時間點。
並且,於步驟S208中,處理單元會在所述時間區段中選擇預測時間點對應的其中一預測時間區段。也就是說,處理單元會選擇包括此預測時間點的時間區段為預測時間區段。
接著,於步驟S210中,處理單元會對預測時間區段在所述時間週期內的資料片段進行群集分析,以將所述資料片段分群成多個群集。其中,關於處理單元進行群集分析的詳細說明,可參照圖1之步驟S106以及相關段落,故於此不再詳述。而於步驟S212中,處理單元會自上述處理單元所分成的所述群集中,選取筆數最多的其中之一群集,以及於步驟S214中,處理單元會計算被選擇的群集所包括的資料片段的平均值,以作為預測時間點的預測值。上述步驟S212~S214可參照第一實施例的步驟S108~S110之說明。也就是說,本實施例之處理單元會利用預測時間點的預測時間區段,並根據預測時間區段中的資料片段進行群集分析之後所求出的預測值,來獲得被選擇的時間區段的預測值。
舉例來說,以30筆資源負載記錄,時間週期為1天,每天所劃分為6個時間區段(0:00-4:00、4:00-8:00、8:00-12:00、12:00-16:00、16:00-20:00、20:00-24:00)為例,假設預測時間點為3:00,則所選擇出的預測時間區段為0:00-4:00。據此,在30筆資源負載記錄中取出預測時間區段0:00-4:00的資料片段(30筆),對此30筆資料片段進
行群集分析。假設獲得群集A、群集B及群集C,其分別包括10筆、15筆及5筆的資料片段。據此,取出具有15筆資料片段對應的群集C。之後,計算群集C的15筆資料片段的平均值。或者,僅計算群集C在預測時間點3:00的平均值作為預測值,
需說明的是,本實施例並不限制上述步驟S206的順序,例如,處理單元亦可在執行步驟S202以前接收預測時間點。或者,處理單元亦可在計算出上述各時間區段的預測值之後,接收預測時間點,並根據預測時間點所對應的預測時間區段以求出預測時間點的預測值。或者,處理單元亦可根據預測時間點,在上述時間區段中選擇預測時間點對應的其中一時間區段為預測時間區段之後,來對此預測時間區段中的資料片段進行群集分析,而獲得預測時間區段的預測值。
針對上述負載預測方法,本發明亦提供對應的電子裝置,使得此方法可應用在雲端伺服系統的節點裝置、個人電腦、筆記型電腦、平板電腦、個人數位助理(Personal Digital Assistant,PDA)、伺服器、手機等硬體裝置上,以下則再舉一實施例詳細說明。
圖3A是依照本發明第三實施例所繪示之電子裝置的方塊圖。請參照圖3A,電子裝置300例如是雲端伺服系統的節點裝置、個人電腦、筆記型電腦、平板電腦、個人數
位助理、伺服器、手機等電子裝置等,本發明並不對電子裝置300的種類加以限制。電子裝置300包括記錄模組302、劃分模組304、分群模組306、選擇模組308以及計算模組310。上述元件的功能分述如下。
記錄模組302用以記錄電子裝置300的多個資源負載記錄,即歷史記錄。上述資源負載記錄例如是中央處理單元(Central Processing Unit,CPU)的使用率、記憶體使用率、分頁檔(Page File,PF)使用量或網路使用量等,不限於上述。此外,記錄模組302可依據使用者所設定的記錄時間來記錄的資源負載記錄,其中記錄時間例如是一週或數週的時間、一個或多個月的時間等等,本實施例不限制記錄時間的長度。也就是說,在上述記錄時間中,記錄模組302可依照電子裝置300在不同的應用需求與操作環境中的資源使用情況,而取得不同的資源負載記錄。
舉例來說,當電子裝置300進入進階組態與電源介面(Advanced Configuration and Power Interface,簡稱ACPI)的睡眠(Sleep)模式或休眠(Hibernate)模式時,由於電子裝置300會維持在較低效能的工作運作,因此記錄模組302可記錄到較低的資源使用量。另一方面,當電子裝置300進入正常工作模式時,例如,電子裝置300執行軟體、應用程式或其他執行程序的時候,由於電子裝置300會維持在較高效能的工作運作,因此記錄模組302可記錄到較高的資源使用量。
另外,以雲端伺服系統而言,電子裝置300例如為雲
端伺服系統中的其中一個節點裝置(為一實體裝置)。上述資源負載記錄例如為雲端伺服系統中的伺服節點裝置或計算節點裝置或者上述兩者統計而得的資源負載記錄。而倘若有較多個使用者同時連線至雲端伺服系統來使用,則會記錄到較高的資源使用量。另一方面,若較少使用者在使用雲端伺服系統,則會記錄到較低的資源使用量。
劃分模組304用以執行上述步驟S204,即,將每一時間週期劃分為多個時間區段,使得每一時間週期中的資源負載記錄劃分成多個資料片段。分群模組306用以執行上述步驟S210,即,群集分析的運算。選擇模組308用以執行上述步驟S212,即,在多個群集中選擇其中之一群集。。計算模組310用以執行上述步驟S214,計算資源負載記錄的平均值。
在此說明的是,本實施例之記錄模組302、劃分模組304、分群模組306、選擇模組308以及計算模組310分別為由一個或數個邏輯閘組合而成的硬體電路來實作。
或者,在本發明另一實施例中,記錄模組302、劃分模組304、分群模組306、選擇模組308以及計算模組310可以是以電腦程式碼來實作。舉例來說,記錄模組302、劃分模組304、分群模組306、選擇模組308以及計算模組310例如是由程式語言所撰寫的程式碼片段來實作於應用程式、作業系統或驅動程式等,而這些程式碼片段儲存在儲存單元中,並藉由處理單元來執行之。
另外值得一提的是,在其他實施例中,電子裝置300
還包括處理單元與儲存單元,而處理單元分別耦接至記錄模組302、劃分模組304、分群模組306、選擇模組308以及計算模組310,藉以驅動上述各模組,上述各模組透過處理單元的控制來協同完成上述功能。
進一步而言,上述處理單元為具備運算能力的硬體(例如晶片組、處理器等),用以控制電子裝置300的整體運作。處理單元例如是中央處理單元(Central Processing Unit,CPU),或是其他可程式化之微處理器(Microprocessor)、數位訊號處理器(Digital Signal Processor,DSP)、可程式化控制器、特殊應用積體電路(Application Specific Integrated Circuits,ASIC)、可程式化邏輯裝置(Programmable Logic Device,PLD)或其他類似裝置。
此外,上述儲存單元可以是內嵌式儲存單元或外接式儲存單元。內嵌式儲存單元可為隨機存取記憶體(Random Access Memory,RAM)、唯讀記憶體(Read-Only Memory,ROM)、快閃記憶體(Flash memory)、磁碟儲存裝置(Magnetic disk storage device)等。外接式儲存單元可為小型快閃(Compact Flash,CF)記憶卡、安全數位(Secure Digital,SD)記憶卡、微安全數位(Micro SD)記憶卡、記憶棒(Memory Stick,MS)等。在本實施例中,儲存單元可儲存一或多個用來執行負載預測方法的程式碼以及資料(例如,記錄模組302所記錄的所述資源負載記錄、門檻值等)等。
為了使本領域的技術人員進一步了解本實施例之負載預測方法以及使用此方法的電子裝置,以下再舉一實施例進行詳細的說明。
圖3B是依照本發明第四實施例所繪示之電子裝置的方塊圖。請同時參照圖3A與圖3B,圖3B中的電子裝置300’與圖3A中的電子裝置300相似,其差異處在於:在圖3B中,電子裝置300’更包括接收模組312以及預測模組314。這些模組的功能分述如下。
接收模組312用以接收預測時間點,其中預測時間點在時間軸上大於目前時間點。也就是說,本實施例可預測在此預測時間點時的資源負載記錄。此外,接收模組312可依據使用者所設定的時間點來做為預測時間點。預測模組314會在時間週期中,選擇與預測時間點相符合的時間區段。也就是說,預測模組314會根據接收模組312所接收的預測時間點,而在所述時間區段中選擇預測時間點對應的其中一,以做為預測時間區段。
此外,接收模組312以及預測模組314亦可以是由程式語言所撰寫的程式碼或是為獨立的晶片。另外,圖3B中之電子裝置300’的其他構件的材料、配置關係、用途與功效等與圖3A中之電子裝置300的構件相似,故於此不再贅述。
為了使本領域的技術人員進一步了解本實施例之負載預測方法以及使用此方法的電子裝置,底下再舉一實施例說明,其中,仍搭配圖3B的電子裝置300’來進行說明。
在本實施例中,假設記錄模組302以一天為一個時間週期,且每隔2分鐘記錄每一筆資源負載記錄,而記錄了5月1日到5月14日之間電子裝置300’的14筆資源負載記錄。也就是說,記錄模組302在所記錄的14個時間週期中(底下以時間週期T1~T14表示),記錄了10080筆資源使用量。並且,假設接收模組312所接收到的預測時間點為5月15日上午10點,而目前時間點為5月15日上午6點。
首先,劃分模組304會將每一時間週期T1~T14劃分為多個時間區段,使得每一時間週期T1~T14中的所述資源負載記錄劃分成多個資料片段。
需說明的是,在本實施例中,假設劃分模組304將時間週期T1~T14分別劃分為4個時間區段(底下以時間區段TS1~TS4表示)。亦即,以每一個時間週期(即,一天)會被劃分模組304劃分為4個時間區段,其中每一個區段的時間為6小時。更具體來說,在每一個時間週期中的午夜0點到早上6點之間為時間區段TS1,每一個時間週期中的早上6點到中午12點之間為時間區段TS2,每一個時間週期中的中午12點到晚上18點之間為時間區段TS3,而每一個時間週期中的晚上18點到晚上12點之間為時間
區段TS4。
接著,預測模組314會在時間區段TS1~TS4中選擇預測時間點對應的其中一預測時間區段。在此,由於預測時間點為5月15日上午10點係對應於每一時間週期的時間區段S2,因此預測模組314會選擇時間區段S2為預測時間區段(底下以預測時間區段Q表示)。
進一步而言,分群模組306會對預測時間區段Q在時間週期T1~T14中,記錄模組302所記錄的資料片段進行群集分析。在此,假設分群模組306依據K-means群集分析將資料片段分成5個群集(底下以群集C1~C5表示),並假設群集C3具有筆數最多的資料片段,則選擇模組308會在群集C1~C5中選取群集C3。接著,計算模組310會計算群集C3所包括在時間週期T1~T14中的資料片段的平均值,以作為預測時間點(即5月15日上午9點)的預測值,據以將此預測值來做為預測的資源負載記錄。
在本實施例中,電子裝置300’會根據所接收的預測時間點,並在預測時間點對應的預測時間區段中,選取大部分所記錄的資源負載記錄的平均值以作為預測時間點的資源負載記錄之預測值。如此一來,電子裝置300’可有效地依據此預測值來預測在未來時間點上的資源負載記錄。
綜上所述,本發明實施例之負載預測方法與電子裝置,電子裝置會利用在多個時間週期被記錄的多個資源負載記錄,來預測在預測時間點時的資源負載記錄。其中,電子裝置會將每一個時間週期分成多個時間區段,並分別
在各時間區段中選取大部分所記錄的資源負載記錄的平均值以作為各時間區段的資源負載記錄之預測值。因此,當電子裝置欲對一預測時間點的資源負載記錄進行預測時,可選取對應於此預測時間點的時間區段,而獲得此預測時間點上資源負載記錄的預測值。藉此,電子裝置可根據所記錄的資源負載記錄,來預測在不同應用需求與操作環境中的資源使用情況,以計算出在資源負載記錄在預測時間點上的預測值。如此一來,電子裝置可據以根據此預測值來調整資源使用分配,以避免電子裝置發生負載不均的情形,進而提升電子裝置的工作效能。
雖然本發明已以實施例揭露如上,然其並非用以限定本發明,任何所屬技術領域中具有通常知識者,在不脫離本發明之精神和範圍內,當可作些許之更動與潤飾,故本發明之保護範圍當視後附之申請專利範圍所界定者為準。
300、300’‧‧‧電子裝置
302‧‧‧記錄模組
304‧‧‧劃分模組
306‧‧‧分群模組
308‧‧‧選擇模組
310‧‧‧計算模組
312‧‧‧接收模組
314‧‧‧預測模組
S102~S110、S202~S214‧‧‧負載預測方法的各步驟
圖1是依照本發明第一實施例所繪示之負載預測方法的流程圖。
圖2是依照本發明第二實施例所繪示之負載預測方法的流程圖。
圖3A是依照本發明第三實施例所繪示之電子裝置的方塊圖。
圖3B是依照本發明第四實施例所繪示之電子裝置的方塊圖。
S102~S110‧‧‧負載預測方法的各步驟
Claims (10)
- 一種負載預測方法,用於一電子裝置,該方法包括:分別在多個時間週期記錄多個資源負載記錄;將每一該些時間週期劃分為多個時間區段,使得每一該些資源負載記錄劃分成多個資料片段;對每一該些時間區段在該些時間週期內的該些資料片段進行一群集分析,以將每一該些時間區段內的該些資料片段分群成多個群集;自每一該些時間區段內的該些群集中,選取筆數最多的其中之一群集;以及計算該被選擇的群集所包括的該些資料片段的平均值,以作為每一該些時間區段的預測值。
- 如申請專利範圍第1項所述之負載預測方法,更包括:接收一預測時間點;以及在該些時間區段中選擇該預測時間點對應的其中一時間區段,而獲得被選擇的該時間區段的預測值。
- 如申請專利範圍第1項所述之負載預測方法,其中在分別在該些時間週期記錄該電子裝置的該些資源負載記錄包括:在每一該些時間週期中,依據一取樣速率取得多個資源使用量,其中每一該些資源負載記錄包括在每一該些時間週期中所獲得的該些資源使用量。
- 如申請專利範圍第1項所述之負載預測方法,其中 在對每一該些時間區段在該些時間週期內的該些資料片段進行該群集分析的步驟包括:計算每一該些時間區段內的各該資料片段之間的一相似度,並依據該相似度進行該群集分析。
- 一種電子裝置,包括:一記錄模組,分別在多個時間週期記錄多個資源負載記錄;一劃分模組,將每一該些時間週期劃分為多個時間區段,使得每一該些資源負載記錄劃分成多個資料片段;一分群模組,對每一該些時間區段在該些時間週期內的該些資料片段進行一群集分析,以將每一該些時間區段內的該些資料片段分群成多個群集;一選擇模組,自每一該些時間區段內的該些群集中,選取筆數最多的其中之一群集;以及一計算模組,計算該被選擇的群集所包括的該些資料片段的平均值,以作為每一該些時間區段的預測值。
- 如申請專利範圍第5項所述之電子裝置,更包括:一接收模組,接收一預測時間點,以及一預測模組,在該些時間區段中選擇該預測時間點對應的其中一時間區段,而獲得被選擇的該時間區段的預測值。
- 如申請專利範圍第5項所述之電子裝置,其中該記錄模組在每一該些時間週期中,依據一取樣速率取得多個資源使用量,其中每一該些資源負載記錄包括在每一該些 時間週期中所獲得的該些資源使用量。
- 如申請專利範圍第5項所述之電子裝置,其中該分群模組計算每一該些時間區段內的各該資料片段之間的一相似度,並依據該相似度進行該群集分析。
- 一種負載預測方法,用於一電子裝置,該方法包括:分別在多個時間週期記錄該電子裝置的多個資源負載記錄;將每一該些時間週期劃分為多個時間區段,使得每一該些歷史資源負載記錄劃分成多個資料片段;接收一預測時間點;在該些時間區段中選擇該預測時間點對應的其中一預測時間區段;對該預測時間區段在該些時間週期內的該些資料片段進行一群集分析,以將該些資料片段分群成多個群集;自該些群集中,選取筆數最多的其中之一群集;以及計算該被選擇的群集所包括的該些資料片段的平均值,以作為該預測時間點的預測值。
- 一種電子裝置,包括:一記錄模組,分別在多個時間週期記錄該電子裝置的多個資源負載記錄;一劃分模組,將每一該些時間週期劃分為多個時間區段,使得每一該些歷史資源負載記錄劃分成多個資料片段;一接收模組,接收一預測時間點;一預測模組,在該些時間區段中選擇該預測時間點對 應的其中一預測時間區段;一分群模組,對該預測時間區段在該些時間週期內的該些資料片段進行一群集分析,以將該些資料片段分群成多個群集;一選擇模組,自該些群集中,選取筆數最多的其中之一群集;以及一計算模組,計算該被選擇的群集所包括的該些資料片段的平均值,以作為該預測時間點的預測值。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
TW101142675A TWI547879B (zh) | 2012-11-15 | 2012-11-15 | 負載預測方法與電子裝置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
TW101142675A TWI547879B (zh) | 2012-11-15 | 2012-11-15 | 負載預測方法與電子裝置 |
Publications (2)
Publication Number | Publication Date |
---|---|
TW201419162A TW201419162A (zh) | 2014-05-16 |
TWI547879B true TWI547879B (zh) | 2016-09-01 |
Family
ID=51294376
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
TW101142675A TWI547879B (zh) | 2012-11-15 | 2012-11-15 | 負載預測方法與電子裝置 |
Country Status (1)
Country | Link |
---|---|
TW (1) | TWI547879B (zh) |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
TWI330304B (en) * | 2007-01-05 | 2010-09-11 | Nupoint Technology Co Ltd | Debug method for determining failure machines and application system thereof |
TW201106175A (en) * | 2009-07-14 | 2011-02-16 | Toshiba Kk | Demand forecast device, program and recording medium |
-
2012
- 2012-11-15 TW TW101142675A patent/TWI547879B/zh active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
TWI330304B (en) * | 2007-01-05 | 2010-09-11 | Nupoint Technology Co Ltd | Debug method for determining failure machines and application system thereof |
TW201106175A (en) * | 2009-07-14 | 2011-02-16 | Toshiba Kk | Demand forecast device, program and recording medium |
Also Published As
Publication number | Publication date |
---|---|
TW201419162A (zh) | 2014-05-16 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11113647B2 (en) | Automatic demand-driven resource scaling for relational database-as-a-service | |
US20230004436A1 (en) | Container scheduling method and apparatus, and non-volatile computer-readable storage medium | |
US9436512B2 (en) | Energy efficient job scheduling in heterogeneous chip multiprocessors based on dynamic program behavior using prim model | |
US20100318827A1 (en) | Energy use profiling for workload transfer | |
Xu et al. | esDNN: deep neural network based multivariate workload prediction in cloud computing environments | |
US8091073B2 (en) | Scaling instruction intervals to identify collection points for representative instruction traces | |
Gao et al. | On exploiting dynamic execution patterns for workload offloading in mobile cloud applications | |
US20160077571A1 (en) | Heuristic Processor Power Management in Operating Systems | |
US20120271845A1 (en) | Processing records in dynamic ranges | |
US8024209B2 (en) | Monte carlo grid scheduling algorithm selection optimization | |
Bai et al. | Voltage regulator efficiency aware power management | |
CN111966449B (zh) | 一种虚拟机备份管理方法、系统、终端及存储介质 | |
EP2245539A1 (en) | System and method for estimating combined workloads of systems with uncorrelated and non-deterministic workload patterns | |
Maroulis et al. | A holistic energy-efficient real-time scheduler for mixed stream and batch processing workloads | |
US20140122403A1 (en) | Loading prediction method and electronic device using the same | |
Kim et al. | Smartphone analysis and optimization based on user activity recognition | |
TWI492158B (zh) | 負載預測方法與電子裝置 | |
TWI547879B (zh) | 負載預測方法與電子裝置 | |
KR102379026B1 (ko) | 전자 장치 및 이의 프로세싱 유닛의 소모 전력 산출 방법 | |
Hamzaoui et al. | An experimental methodology for modeling the energy consumption of mobile devices | |
Draa et al. | Machine learning for improving mobile user satisfaction | |
CN103795558A (zh) | 负载预测方法与电子装置 | |
Quan et al. | Towards self-adaptive mpsoc systems with adaptivity throttling | |
Xia et al. | A heuristic adaptive threshold algorithm on IaaS clouds | |
CN115390995A (zh) | 一种容器数量的调整方法、装置、设备和介质 |