WO2023148795A1 - リソース管理装置及びリソース管理方法 - Google Patents

リソース管理装置及びリソース管理方法 Download PDF

Info

Publication number
WO2023148795A1
WO2023148795A1 PCT/JP2022/003706 JP2022003706W WO2023148795A1 WO 2023148795 A1 WO2023148795 A1 WO 2023148795A1 JP 2022003706 W JP2022003706 W JP 2022003706W WO 2023148795 A1 WO2023148795 A1 WO 2023148795A1
Authority
WO
WIPO (PCT)
Prior art keywords
container
resource
node
usage
management device
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Ceased
Application number
PCT/JP2022/003706
Other languages
English (en)
French (fr)
Inventor
祐介 瀬戸
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Mitsubishi Electric Corp
Original Assignee
Mitsubishi Electric Corp
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 Mitsubishi Electric Corp filed Critical Mitsubishi Electric Corp
Priority to JP2023578203A priority Critical patent/JP7459407B2/ja
Priority to US18/728,895 priority patent/US20250094239A1/en
Priority to PCT/JP2022/003706 priority patent/WO2023148795A1/ja
Publication of WO2023148795A1 publication Critical patent/WO2023148795A1/ja
Anticipated expiration legal-status Critical
Ceased legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F9/00—Arrangements for program control, e.g. control units
    • G06F9/06—Arrangements for program control, e.g. control units using stored programs, i.e. using an internal store of processing equipment to receive or retain programs
    • G06F9/46—Multiprogramming arrangements
    • G06F9/50—Allocation of resources, e.g. of the central processing unit [CPU]
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F9/00—Arrangements for program control, e.g. control units
    • G06F9/06—Arrangements for program control, e.g. control units using stored programs, i.e. using an internal store of processing equipment to receive or retain programs
    • G06F9/46—Multiprogramming arrangements
    • G06F9/50—Allocation of resources, e.g. of the central processing unit [CPU]
    • G06F9/5005—Allocation of resources, e.g. of the central processing unit [CPU] to service a request
    • G06F9/5011—Allocation of resources, e.g. of the central processing unit [CPU] to service a request the resources being hardware resources other than CPUs, Servers and Terminals
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F9/00—Arrangements for program control, e.g. control units
    • G06F9/06—Arrangements for program control, e.g. control units using stored programs, i.e. using an internal store of processing equipment to receive or retain programs
    • G06F9/46—Multiprogramming arrangements
    • G06F9/50—Allocation of resources, e.g. of the central processing unit [CPU]
    • G06F9/5061—Partitioning or combining of resources
    • G06F9/5077—Logical partitioning of resources; Management or configuration of virtualized resources
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2209/00—Indexing scheme relating to G06F9/00
    • G06F2209/50—Indexing scheme relating to G06F9/50
    • G06F2209/5019—Workload prediction
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2209/00—Indexing scheme relating to G06F9/00
    • G06F2209/50—Indexing scheme relating to G06F9/50
    • G06F2209/503—Resource availability

Definitions

  • the present disclosure relates to a resource management device and resource management method.
  • a node is a computer on which one OS (Operating System) operates.
  • a container uses computer resources (hereinafter referred to as “resources”) possessed by a node to execute an application.
  • resources hereinafter referred to as “resources”.
  • a node has finite resources. For this reason, it is useful to determine the containers that a node has so that the total resources used by one or more containers are no greater than the total resources that the node has.
  • Patent Document 1 There is a method for determining whether a container can be implemented (see Patent Document 1, for example).
  • the method disclosed in Patent Document 1 manages the usage status of each resource in one or more containers, and based on the usage status of each resource, Determines the container that the node has.
  • the resource usage status indicates the temporal change in the amount of resources used by the container in the past. Resource usage may fluctuate over time.
  • Fluctuations in resource usage may vary from container to container.
  • the time at which the usage amount of each resource peaks (hereinafter referred to as "peak time") may differ for each container.
  • peak time may differ for each container, if the containers included in the node are determined based on the peak value of the usage amount of each resource, many of the resources included in the node may become redundant.
  • peak times may overlap in all the containers provided in the node or in some of the containers provided in the node, depending on the fluctuations in the amount of use of each resource.
  • the nodes included in the nodes are determined based on the usage status of each resource.
  • the nodes included in the nodes are not determined based on the fluctuations in the amount of usage of each resource.
  • many of the resources possessed by the node are left over, or a situation arises in which the total amount of resources used by all containers provided by the node in the future becomes greater than the total resources possessed by the node.
  • An object of the present invention is to obtain a resource management device and a resource management method capable of suppressing the following.
  • a resource management device includes a data acquisition unit that acquires monitoring data indicating temporal changes in usage of resources that have been used in the past by each of one or more containers that the node has, among the resources that the node has. , from each monitoring data acquired by the data acquisition unit, predict the time change of the usage amount of the resource that each container will use in the future, and from the prediction result of the time change, the total future use of one or more containers and a prediction unit that calculates a time change in resource usage. In addition, if the change in total resource usage over time calculated by the prediction unit includes a timing at which the total resource usage is greater than the total resource of the node, the resource management device A container deletion unit is provided for deleting any one of one or more containers.
  • the present disclosure it is possible to suppress the total amount of resources used by all containers provided in the node to be less than or equal to the total resource of the node, while suppressing the surplus of resources in the node.
  • FIG. 1 is a configuration diagram showing a node 2 including a resource management device 12 according to Embodiment 1;
  • FIG. 1 is a configuration diagram showing a resource management device 12 according to Embodiment 1;
  • FIG. 2 is a hardware configuration diagram showing hardware of a resource management device 12 according to Embodiment 1.
  • FIG. 2 is a hardware configuration diagram of a computer when the resource management device 12 is realized by software, firmware, or the like;
  • FIG. 4 is a flowchart showing a resource management method, which is a processing procedure of the resource management device 12;
  • FIG. 10 is a configuration diagram showing a resource management device 12 according to Embodiment 2; 2 is a hardware configuration diagram showing hardware of a resource management device 12 according to Embodiment 2.
  • FIG. FIG. 11 is a configuration diagram showing a resource management device 12 according to Embodiment 3;
  • FIG. 11 is a hardware configuration diagram showing hardware of a resource management device 12 according to Embodiment 3;
  • FIG. 10 is an explanatory diagram showing an example in which the prediction unit 36 extracts partial data from each of the monitoring data MD 1 to MD N when the node 2 is in the same operating state.
  • FIG. 1 is a configuration diagram showing a node 2 including a resource management device 12 according to Embodiment 1.
  • FIG. 2 is a configuration diagram showing the resource management device 12 according to the first embodiment.
  • FIG. 3 is a hardware configuration diagram showing hardware of the resource management device 12 according to the first embodiment.
  • N is an integer of 1 or more.
  • Node 2 is connected to container distribution server 1 via a network.
  • the node 2 is a computer on which one OS (Operating System) operates.
  • the node 2 includes containers 11-1 to 11-N distributed from the container distribution server 1 and a resource management device 12, respectively.
  • the node 2 includes an OS 13 and a container runtime 14 respectively.
  • the node 2 shown in FIG. 1 has a resource management device 12 . However, this is only an example, and the resource management device 12 may be provided outside the node 2 .
  • a resource on which the application operates is a resource virtually separated from the resource managed by the OS 13 .
  • the virtual separation of resources is performed by the container runtime 14 using functions held by the OS 13 .
  • Resources include, for example, a CPU (Central Processing Unit) of the node 2, a memory of the node 2, a storage of the node 2, a network connected to the node 2, or an external device connected to the node 2.
  • External devices include, for example, printers, communication devices, and sensors.
  • the resource management device 12 includes a data acquisition section 31 , a prediction section 32 and a container deletion section 33 .
  • the OS 13 is located between the application program and the hardware and manages the resources that the node 2 has. Also, the OS 13 provides a standard interface for application programs.
  • the data acquisition unit 31 is implemented by, for example, a data acquisition circuit 41 shown in FIG.
  • the data acquisition unit 31 outputs monitoring data MD n to the prediction unit 32 .
  • the prediction unit 32 is implemented by, for example, a prediction circuit 42 shown in FIG.
  • the prediction unit 32 acquires the monitoring data MD n from the data acquisition unit 31 .
  • the prediction unit 32 predicts, from the monitoring data MD n , the temporal change in the usage of resources that the container 11-n will use in the future.
  • the prediction unit 32 calculates the time change of the total resource usage amount to be used by the containers 11-1 to 11-N in the future from the prediction result of the time change.
  • the container deletion unit 33 is realized by, for example, the container deletion circuit 43 shown in FIG.
  • the container deletion unit 33 determines whether or not the change over time of the total resource usage calculated by the prediction unit 32 includes a timing when the total resource usage exceeds the total resources of the node 2. determine whether If the container deletion unit 33 determines that the timing is included, it deletes one of the containers 11-1 to 11-N. If the container deletion unit 33 determines that the timing is not included, it deletes none of the containers 11-1 to 11-N.
  • each of the data acquisition unit 31, the prediction unit 32, and the container deletion unit 33 which are components of the resource management device 12, is implemented by dedicated hardware as shown in FIG. . That is, it is assumed that the resource management device 12 is realized by the data acquisition circuit 41, the prediction circuit 42, and the container deletion circuit 43.
  • FIG. Each of the data acquisition circuit 41, the prediction circuit 42, and the container deletion circuit 43 is, for example, a single circuit, a composite circuit, a programmed processor, a parallel programmed processor, an ASIC (Application Specific Integrated Circuit), an FPGA (Field-Programmable Gate Array), or a combination thereof.
  • the components of the resource management device 12 are not limited to those realized by dedicated hardware, and the resource management device 12 may be realized by software, firmware, or a combination of software and firmware. good too.
  • Software or firmware is stored as a program in a computer's memory.
  • a computer means hardware that executes a program, and includes, for example, a CPU, a central processing unit, a processing unit, an arithmetic unit, a microprocessor, a microcomputer, a processor, or a DSP (Digital Signal Processor).
  • FIG. 4 is a hardware configuration diagram of a computer when the resource management device 12 is realized by software, firmware, or the like.
  • the memory 51 stores a program for causing a computer to execute respective processing procedures in the data acquisition unit 31 , the prediction unit 32 , and the container deletion unit 33 .
  • the processor 52 of the computer executes the program stored in the memory 51 .
  • FIG. 3 shows an example in which each component of the resource management device 12 is realized by dedicated hardware
  • FIG. 4 shows an example in which the resource management device 12 is realized by software, firmware, or the like.
  • this is only an example, and some components of the resource management device 12 may be implemented by dedicated hardware, and the remaining components may be implemented by software, firmware, or the like.
  • FIG. 5 is a flowchart showing a resource management method, which is a processing procedure of the resource management device 12.
  • the node 2 has containers 11-1 to 11-N distributed from the container distribution server 1.
  • FIG. Here, for the sake of simplification of explanation, when one of the containers 11-1 to 11-N is delivered from the container delivery server 1, it is determined whether or not the delivered container is to be installed in the node 2. A description of the determination process will be given later.
  • the resource usage of the node 2 is, for example, the CPU usage of the node 2, the memory usage of the node 2, the storage usage of the node 2, and the bandwidth usage of the network connected to the node 2. rate, or the usage rate of the equipment connected to the node 2.
  • the data acquisition unit 31 outputs monitoring data MD n to the prediction unit 32 .
  • the prediction unit 32 predicts, from the monitoring data MD n , the temporal change in the amount of resources used by the container 11-n in the future (step ST2 in FIG. 5).
  • the prediction processing of the prediction unit 32 will be specifically described below.
  • the prediction unit 32 calculates, from the monitoring data MD n , the resource usage amount u n (t) at a certain time t and the resource usage amount u n ( t+ ⁇ ).
  • the prediction unit 32 calculates an autocorrelation function R n ( ⁇ ) for the resource usage from the resource usage u n (t) and the resource usage u n (t+ ⁇ ).
  • the processing of calculating the autocorrelation function R n ( ⁇ ) itself is a known technique, and detailed description thereof will be omitted.
  • the prediction unit 32 calculates M autocorrelation functions R n ( ⁇ ) by changing the delay time ⁇ .
  • M is an integer of 2 or more.
  • the prediction unit 32 selects the autocorrelation function with the highest positive correlation among the M autocorrelation functions R n,m ( ⁇ ) as the cycle p n of the resource usage amount used by the container 11-n in the past. Identify the lag time ⁇ of R n,m ( ⁇ ).
  • the prediction unit 32 predicts the time change in the amount of resources used by the container 11-n in the future based on the time change in the amount used within the period pn .
  • the prediction unit 32 predicts that the container 11-n is j cycles before the current time t 0 (t 0 ⁇ p nj )) to (j ⁇ 1) cycles before (t 0 ⁇ p n ⁇ (j ⁇ 1)), the container 11-n changes the amount of usage of the resources used until the current time t 0 to the time (t 0 +p ( n ⁇ (i ⁇ 1))) to the time (t 0 +p n ⁇ i) i cycles ahead.
  • Each of i and j is an integer of 1 or more.
  • the time change of the amount is predicted as the time change of the usage amount of the resource used by the container 11-n from the current time t0 to the time one cycle ahead.
  • the prediction unit 32 predicts the temporal change in resource usage for one cycle.
  • this is only an example, and the prediction unit 32 may predict the time change of resource usage for a plurality of cycles based on the time change of usage within the cycle pn .
  • the prediction unit 32 calculates M autocorrelation functions R n,m ( ⁇ ) by changing the delay time ⁇ .
  • the change width of the delay time ⁇ is set to a granularity that allows specifying the cycle pn of the usage amount.
  • the sampling frequency for monitoring changes in resource usage over time is set so that the assumed maximum value of the change frequency of the resource usage used by the container 11-n is sufficiently below the Nyquist frequency.
  • the prediction unit 32 predicts that the container 11- n It predicts time-varying usage of resources to be used in the future. However, there are cases where the amount of resources used by the container 11-n in the past does not have periodicity. When there is no periodicity in resource usage, each of the M autocorrelation functions R n,1 ( ⁇ ) to R n,M ( ⁇ ) is approximately zero. If there is no periodicity in the amount of resource usage, the prediction unit 32 predicts the amount of resource usage that the container 11-n will use in the future based on the peak value of the resource usage that the container 11-n has used in the past. Anticipate change. In other words, the prediction unit 32 predicts that the usage amount of the resource that the container 11-n will use in the future will have a continuous peak value of the usage amount of the resource that has been used in the past.
  • the prediction unit 32 calculates the time change of the total resource usage amount to be used by the containers 11-1 to 11-N in the future from the time change prediction result (step ST3 in FIG. 5). The calculation processing of the prediction unit 32 will be specifically described below.
  • the prediction unit 32 compares the cycles p 1 to p N of the resource usage amounts that the containers 11-1 to 11- N have used in the past, and finds the longest cycle p Identify max .
  • the container associated with the longest period p max is the container 11-1.
  • the prediction unit 32 calculates the total resource usage amount u total (t), which is the sum of the resource usage amounts u 1 (t) to u N (t), as shown in the following equation (1).
  • utotal (t) u1 (t)+...+ uN (t) (1)
  • the prediction unit 32 calculates the total resource usage u total (t), which is the sum of the resource usages u 1 (t) to u 3 (t).
  • the prediction unit 32 outputs the total resource usage amount u total (t) to the container deletion unit 33 as a time change of the total resource usage amount.
  • the total resource usage u total (t) is the usage of resources u 1 (t) to u 3 (t) from the current time t 0 to time t 0 +p 1 ).
  • the total resource usage u total (t) is the usage of resources u 1 ( t ) to u 3 ( It may be the sum of t).
  • k is an integer of 2 or more.
  • the container deletion unit 33 acquires the total resource usage amount u total (t) from the prediction unit 32 . For example, the container deletion unit 33 determines whether or not there is a timing when the total resource usage u total (t) exceeds the threshold Th between the current time t 0 and time t 0 +p 1 .
  • the threshold Th indicates the total resources that the node 2 has.
  • the threshold Th may be stored in the internal memory of the container deletion unit 33 or given from the outside of the resource management device 12 .
  • step ST4 in FIG. 5: YES If there is a timing when the total resource usage amount u total (t) exceeds the threshold Th between the current time t 0 and the time t 0 +p 1 (step ST4 in FIG. 5: YES ), it is determined that the total resource usage amount u total (t) includes a resource usage amount that is greater than the total resource of the node 2 . If there is no timing at which the total resource usage amount u total (t) exceeds the threshold Th between the current time t 0 and the time t 0 +p 1 (step ST4 in FIG. 5: NO ), it is determined that the total resource usage amount u total (t) does not include a resource usage amount that is greater than the total resource of the node 2 .
  • the container deletion unit 33 determines that the total resource usage amount u total (t) includes a resource usage amount that is greater than the total resource usage of the node 2, the containers 11-1 to 11- One of the containers in N is deleted (step ST5 in FIG. 5).
  • the container deletion processing of the container deletion unit 33 will be specifically described below.
  • the container deletion unit 33 determines that the total resource usage amount u total (t) includes a resource usage amount that is greater than the total resource usage of the node 2, the resource usage amount of the node 2 At time Tim, which is the timing when the amount of resources used by container 11-n exceeds the total resources of container 11-n, u n (Tim) of resources used by container 11-n is specified.
  • the container deletion unit 33 selects the largest resource usage amount u max (Tim) among the resource usage amounts u 1 (Tim) to u N (Tim) used by the containers 11-1 to 11-N. Identify.
  • the container deletion unit 33 deletes the container associated with the largest resource usage u max (Tim) among the containers 11-1 to 11-N.
  • the container deletion unit 33 Even if the container related to the largest resource usage u max (Tim) is deleted, if the total resource usage u total (Tim) is greater than the threshold Th, the container deletion unit 33 further deletes the second largest resource Delete the container related to the usage of .
  • the container deletion unit 33 deletes containers in descending order of resource usage until the total resource usage u total (Tim) becomes equal to or less than the threshold Th. If the container deletion unit 33 determines that the timing does not exist, the container deletion processing is not performed. In the resource management device 12 shown in FIG. 2, the container deletion unit 33 deletes the container. However, this is only an example, and the container deletion unit 33 may request the container runtime 14 to delete the container, and the container runtime 14 may delete the container.
  • the container deletion unit 33 determines the container to be deleted based on the resource usage amount u n (Tim) at the time Tim.
  • Tim resource usage amount
  • the container deletion unit 33 deletes the container 11-1 to 11-N from the container distribution server 1 to the node 2 based on the time tdn when each of the containers 11-1 to 11-N is distributed.
  • a target container may be determined.
  • the container deletion unit 33 determines the container whose delivery time tdn to the node 2 is closest to the current time t0 among the containers 11-1 to 11-N as the container to be deleted.
  • the container deletion unit 33 determines the container to be deleted based on the resource usage amount u n (Tim) at the time Tim.
  • the container deletion unit 33 may determine the container to be deleted based on the operation priority wn of the container 11-n, for example.
  • the container deletion unit 33 determines the container with the lowest operation priority wn among the containers 11-1 to 11-N as the container to be deleted.
  • the operation priority w n of the container 11-n may be stored in the internal memory of the container deletion unit 33 or given from the outside of the resource management device 12.
  • the container deletion unit 33 performs weighted addition of the resource usage amount u n (Tim) at the time Tim, the time td n delivered to the node 2, and the operation priority w n of the container 11-n. By doing so, the cost CST n of the container 11-n is calculated.
  • the cost CST n increases as the resource usage u n (Tim) increases, the time td n delivered to the node 2 is closest to the current time t 0 , and the operation priority w n decreases.
  • the container deletion unit 33 may determine the container with the largest cost CST n among the containers 11-1 to 11-N as the container to be deleted.
  • a data acquisition unit 31 that acquires monitoring data indicating changes over time, and from the respective monitoring data acquired by the data acquisition unit 31, predict changes over time in usage amounts of resources that the containers 11-n will use in the future, and predict changes over time.
  • the resource management device 12 is configured to include a prediction unit 32 that calculates a temporal change in the total resource usage amount to be used by the containers 11-1 to 11-N in the future from the prediction result. In addition, the resource management device 12 determines that the time change of the total resource usage calculated by the prediction unit 32 includes the timing when the total resource usage exceeds the total resource of the node 2.
  • the resource management device 12 keeps the total amount of resource usage by the containers 11-1 to 11-N included in the node 2 below the total resource of the node 2 while suppressing surplus resources of the node 2. can be done.
  • the node 2 shown in FIG. 1 comprises containers 11-1 to 11-N.
  • the node 2 may receive a new container 11-(N+1) different from the containers 11-1 to 11-N from the container distribution server 1, and may be provided with the containers 11-1 to 11-(N+1). If the new container 11-(N+1) is a container that the node 2 has not provided in the past, the data acquisition unit 31 of the resource management device 12 receives the new container 11-(N+1) from the container distribution server 1. Get the projected usage of a resource used by .
  • the container deletion unit 33 adds the time average value of the total resource usage amount by the containers 11-1 to 11-N and the planned usage amount of the resource to be used by the new container 11-(N+1).
  • the container deletion unit 33 determines whether or not the addition result of the time average value and the planned usage amount is equal to or less than the total resources possessed by the node 2 . If the result of the addition is equal to or less than the total resources of node 2, container deletion unit 33 outputs a permission command to container runtime 14 to permit provision of a new container 11-(N+1). As a result, the container runtime 14 causes the node 2 to have the container 11-(N+1) in addition to the containers 11-1 to 11-N. If the addition result is greater than the total resources of the node 2, the container deletion unit 33 outputs to the container runtime 14 a disapproval command indicating that provision of the new container 11-(N+1) is not permitted. This causes the container runtime 14 to ensure that node 2 only has containers 11-1 through 11-N.
  • the prediction unit 32 predicts that the container 11-(N+1) will You may make it predict the time change of the usage amount of the resource to be used. Then, the prediction unit 32 calculates the time change of the total resource usage that the containers 11-1 to 11-(N+1) will use in the future.
  • the container deletion unit 33 calculates the total resource usage calculated by the prediction unit 32. If the change in time does not include the timing at which the total resource usage exceeds the total resources possessed by node 2, provision of a new container 11-(N+1) is permitted. Output a permission command to the container runtime 14 .
  • the container runtime 14 causes the node 2 to have the container 11-(N+1) in addition to the containers 11-1 to 11-N. If the change in the total resource usage over time calculated by the prediction unit 32 includes the timing at which the total resource usage exceeds the total resources of the node 2, the container deletion unit 33 , outputs to the container runtime 14 a disapproval command indicating that provision of the new container 11-(N+1) is not permitted. This causes the container runtime 14 to ensure that node 2 only has containers 11-1 through 11-N.
  • the prediction unit 32 calculates the time change of the total resource usage to be used by the containers 11-1 to 11-N in the future.
  • this is only an example, and the change over time of the total resource usage amount that some of the containers 11-1 to 11-N will use in the future may be calculated. Specifically, it is as follows.
  • the prediction unit 32 detects a container whose resource usage amount is not periodic among the containers 11-1 to 11-N. For a container with no periodicity in resource usage, each of the M autocorrelation functions R n,1 ( ⁇ ) to R n,M ( ⁇ ) becomes approximately 0 even if the delay time ⁇ is changed.
  • the prediction unit 32 calculates the total resource usage of the future usage of the containers other than one of the H containers. In order not to include it in the amount, a correlation coefficient C between the usage amounts of resources used in the past by each of the H containers is calculated.
  • H is an integer of 2 or more, and H ⁇ N.
  • containers with no periodicity in resource usage are, for example, the containers 11-1 and 11-2. and the amount of resource used by the container 11-2 in the past.
  • the processing of calculating the correlation coefficient C1-2 itself is a known technique, and detailed description thereof will be omitted.
  • the prediction unit 32 identifies the container with the highest peak value of resource usage in the past among the containers 11-1 and 11-2. . For example, if the container with the highest peak value is the container 11-1, the prediction unit 32 identifies the resource usage amount u 1 (t) as the time change in the resource usage amount to be used by the container 11-1 in the future. do.
  • the resource usage amount u 1 (t) is a continuous peak value of the resource usage amount used by the container 11-1 in the past.
  • the prediction unit 32 does not specify the usage amount u 2 (t) of resources to be used in the future by the container 11-2 other than the container with the highest peak value.
  • the prediction unit 32 When calculating the total resource usage u total (t), the prediction unit 32 adds the resource usage u 1 (t) that the container 11-1 will use in the future to the total resource usage u total (t). Include, but do not include the resource usage u 2 (t) that the container 11-2 will use in the future. If the correlation coefficient C1-2 between the resource usage amount used in the past by the container 11-1 and the resource usage amount used in the past by the container 11-2 is a negative correlation, the container 11- 1 and the container 11-2 are unlikely to use resources at the same timing. Therefore, the prediction unit 32 does not include the usage amount u 2 (t) of resources that the container 11-2 will use in the future in the total resource usage amount u total (t).
  • the containers 11-1 and 11-2 have no periodicity in resource usage.
  • containers 11-1 to 11-3 are containers that do not have periodicity in resource usage.
  • the prediction unit 32 calculates the correlation coefficient C 1-2 between the amount of resource used by the container 11-1 in the past and the amount of resource used by the container 11-2 in the past.
  • a correlation coefficient C2-3 between the amount of resource used in the past by the container 11-2 and the amount of resource used in the past by the container 11-3.
  • the prediction unit 32 also calculates a correlation coefficient C 3-1 between the amount of resource used in the past by the container 11-3 and the amount of resource used in the past by the container 11-1. If each of the correlation coefficients C 1-2 , C 2-3 , and C 3-1 is a negative correlation, the prediction unit 32 determines the number of resources used in the past among the containers 11-1 to 11-3. Identify containers with the highest peak usage. For example, if the container with the highest peak value is the container 11-1, the prediction unit 32 identifies the resource usage amount u 1 (t) as the time change in the resource usage amount to be used by the container 11-1 in the future. do. The resource usage amount u 1 (t) is a continuous peak value of the resource usage amount used by the container 11-1 in the past.
  • the prediction unit 32 does not specify the usage amounts u 2 (t) and u 3 (t) of resources to be used in the future by the containers 11-2 and 11-3, which are containers other than the container with the highest peak value.
  • the prediction unit 32 adds the resource usage u 1 (t) that the container 11-1 will use in the future to the total resource usage u total (t). Include, but do not include the usage amounts u 2 (t) and u 3 (t) of the resources that will be used in the future by the containers 11-2 and 11-3, respectively.
  • Device 12 will be described.
  • FIG. 7 is a configuration diagram showing the resource management device 12 according to the second embodiment.
  • the same reference numerals as those in FIG. 2 denote the same or corresponding parts, so description thereof will be omitted.
  • FIG. 8 is a hardware configuration diagram showing hardware of the resource management device 12 according to the second embodiment.
  • the resource management device 12 shown in FIG. 7 includes a data acquisition unit 31 , a learning model 34 , a prediction unit 35 and a container deletion unit 33 .
  • the configuration of the node 2 including the resource management device 12 shown in FIG. 7 is the same as the configuration of the node 2 including the resource management device 12 shown in FIG. The figure is FIG.
  • the learning model 34 is implemented by, for example, a learning circuit 44 shown in FIG.
  • the learning model 34 is provided with monitoring data MD n indicating temporal changes in the amount of resource used by the container 11-n in the past, and the amount of resource used in the future by the container 11-n. Output prediction results that show changes over time.
  • the prediction unit 35 is realized by, for example, a prediction circuit 45 shown in FIG.
  • the prediction unit 35 supplies the monitoring data MD n to the learning model 34, and obtains from the learning model 34 a prediction result indicating the temporal change in the usage amount of the resource that the container 11-n will use in the future.
  • the prediction unit 35 calculates the time change of the total resource usage amount to be used by the containers 11-1 to 11-N in the future from the prediction result of the time change.
  • the learning model 34 is provided outside the prediction unit 35 . However, this is only an example, and the prediction unit 35 may incorporate the learning model 34 .
  • each of the data acquisition unit 31, the learning model 34, the prediction unit 35, and the container deletion unit 33, which are components of the resource management device 12, is implemented by dedicated hardware as shown in FIG. I assume. That is, it is assumed that the resource management device 12 is implemented by the data acquisition circuit 41, the learning circuit 44, the prediction circuit 45, and the container deletion circuit 43.
  • FIG. Each of the data acquisition circuit 41, the learning circuit 44, the prediction circuit 45, and the container removal circuit 43 may be, for example, a single circuit, multiple circuits, programmed processors, parallel programmed processors, ASICs, FPGAs, or combinations thereof. applicable.
  • the components of the resource management device 12 are not limited to those realized by dedicated hardware, and the resource management device 12 may be realized by software, firmware, or a combination of software and firmware. good too.
  • the resource management device 12 is realized by software, firmware, etc.
  • a program for causing a computer to execute respective processing procedures in the data acquisition unit 31, the learning model 34, the prediction unit 35, and the container deletion unit 33 is shown in FIG. is stored in the memory 51 shown in FIG.
  • the processor 52 shown in FIG. 4 executes the program stored in the memory 51 .
  • FIG. 8 shows an example in which each component of the resource management device 12 is implemented by dedicated hardware
  • FIG. 4 shows an example in which the resource management device 12 is implemented by software, firmware, or the like.
  • this is only an example, and some components of the resource management device 12 may be implemented by dedicated hardware, and the remaining components may be implemented by software, firmware, or the like.
  • the operation of the resource management device 12 shown in FIG. 7 will be described. Since it is the same as the resource management device 12 shown in FIG. 2 except for the learning model 34 and the prediction unit 35, only the operations of the learning model 34 and the prediction unit 35 will be described here.
  • the prediction unit 35 gives the monitoring data MD n to the learning model 34 .
  • the learning model 34 When the learning model 34 is given monitoring data MD n , it outputs output data OD n indicating a prediction result corresponding to the monitoring data MD n .
  • the prediction unit 35 acquires output data OD n indicating the prediction result from the learning model 34 . Similar to the prediction unit 32 shown in FIG. 2, the prediction unit 35 calculates the time change of the total resource usage to be used by the containers 11-1 to 11-N in the future from the prediction results indicated by the output data ODn .
  • the prediction unit 35 outputs the total resource usage amount u total (t) to the container deletion unit 33 as the time change of the total resource usage amount.
  • the learning model 34 is provided with learning data GD n indicating the temporal change in the amount of usage of the resource that -n will be used in the future. Then, the learning model 34 sets the weighting coefficients of the neural network so that the output data ODn indicating the prediction result when the monitoring data MDn is given becomes the time change of the usage indicated by the learning data GDn . Updating.
  • monitoring data MD n ' may be provided to the learning model 34 in addition to the monitoring data MD n and learning data GD n during learning.
  • the monitoring data MD n ' indicates temporal changes in the amount of resource used in the past by a container different from the container 11-n among the containers 11-1 to 11-N.
  • the learning model 34 uses a neural network so that the output data ODn indicating the prediction result when the monitoring data MDn and the monitoring data MDn ' are given becomes the time change of the usage indicated by the learning data GDn . Update network weighting factors.
  • the prediction unit 35 supplies the monitoring data MD n and the monitoring data MD n ′ to the learning model 34 and acquires the output data OD n indicating the prediction result from the learning model 34 .
  • the prediction unit 35 provides the learning model 34 with the monitoring data MD n and the monitoring data MD n ′ rather than providing the learning model 34 with only the monitoring data MD n. 34 may provide highly accurate prediction results.
  • Embodiment 3 resource management is performed in which the prediction unit 36 extracts part of the data when the node 2 is in the same state from each of the monitoring data MD 1 to MD N acquired by the data acquisition unit 31. Device 12 will be described.
  • FIG. 9 is a configuration diagram showing the resource management device 12 according to the third embodiment.
  • the same reference numerals as those in FIGS. 2 and 7 denote the same or corresponding parts, so description thereof will be omitted.
  • FIG. 10 is a hardware configuration diagram showing hardware of the resource management device 12 according to the third embodiment.
  • the resource management device 12 shown in FIG. 9 includes a data acquisition section 31 , a prediction section 36 and a container deletion section 33 .
  • the configuration of the node 2 including the resource management device 12 shown in FIG. 9 is similar to the configuration of the node 2 including the resource management device 12 shown in FIG. 2, and the configuration showing the node 2 including the resource management device 12 shown in FIG. The figure is FIG.
  • the prediction unit 36 is realized by, for example, a prediction circuit 46 shown in FIG.
  • the prediction unit 36 extracts some data from each of the monitoring data MD 1 to MD N when the state of the node 2 is the same.
  • Some data when the state of node 2 is the same include, for example, some data when the movement state of node 2 is the same, and some data when the operation state of node 2 is the same. There is some data, or some data when the state of other systems connected to node 2 is in the same state.
  • the state of movement of the node 2 includes, for example, a state in which the node 2 is moving at high speed, a state in which the node 2 is moving at a medium speed, a state in which the node 2 is moving at a low speed, or a state in which the node 2 is moving There is a state of suspension.
  • the states in which the node 2 is in the same operating state include, for example, the starting state in which the node 2 is started, the normal state in which the node 2 has completed starting, and the state in which the node 2 is operating in the safe mode. There is a certain safe mode state, a sleep state in which the operation of node 2 is dormant, or a termination state in which the operation of node 2 is terminated.
  • the states of other systems connected to the node 2 include, for example, movement states of other systems or operating states of other systems. Other systems include, for example, a communication system connected to node 2 or an in-vehicle system connected to node 2 .
  • the prediction unit 36 predicts the temporal change in the usage of resources that the containers 11-n will use in the future from the partial data of each. Similar to the prediction unit 32 shown in FIG. 2, the prediction unit 36 calculates the time change of the total resource usage amount to be used by the containers 11-1 to 11-N in the future from the prediction result of the time change.
  • each of the data acquisition unit 31, the prediction unit 36, and the container deletion unit 33 which are components of the resource management device 12, is implemented by dedicated hardware as shown in FIG. . That is, it is assumed that the resource management device 12 is implemented by the data acquisition circuit 41, the prediction circuit 46, and the container deletion circuit 43.
  • FIG. Each of the data acquisition circuit 41, the prediction circuit 46, and the container removal circuit 43 may be, for example, a single circuit, multiple circuits, a programmed processor, a parallel programmed processor, an ASIC, an FPGA, or a combination thereof. do.
  • the components of the resource management device 12 are not limited to those realized by dedicated hardware, and the resource management device 12 may be realized by software, firmware, or a combination of software and firmware. good too.
  • the resource management device 12 is implemented by software, firmware, or the like, a program for causing a computer to execute each processing procedure in the data acquisition unit 31, the prediction unit 36, and the container deletion unit 33 is stored in the memory 51 shown in FIG. Stored. Then, the processor 52 shown in FIG. 4 executes the program stored in the memory 51 .
  • FIG. 10 shows an example in which each component of the resource management device 12 is implemented by dedicated hardware
  • FIG. 4 shows an example in which the resource management device 12 is implemented by software, firmware, or the like.
  • this is only an example, and some components of the resource management device 12 may be implemented by dedicated hardware, and the remaining components may be implemented by software, firmware, or the like.
  • the prediction unit 36 extracts some data from each of the monitoring data MD 1 to MD N when the state of the node 2 is the same. That is, from each of the monitoring data MD 1 to MD N , the predicting unit 36 obtains, as part of the data when the state of the node 2 is the same, for example, when the movement state of the node 2 is the same. Extract some data, some data when the operating state of node 2 is in the same state, or some data when other systems connected to node 2 are in the same state .
  • 11 is an explanatory diagram showing an example in which the prediction unit 36 extracts some data from each of the monitoring data MD 1 to MD N when the node 2 is in the same operating state.
  • data when the operating state of the node 2 is normal is extracted from each of the monitoring data MD 1 to MD 3 .
  • the prediction unit 36 predicts temporal changes in the amount of resources used by the container 11-n in the future, from some data included in the monitoring data MD n .
  • part of the data is data when the operating state of node 2 is the normal state. Since the prediction processing itself of the prediction unit 36 is the same as the prediction processing of the prediction unit 32 shown in FIG. 2, detailed description thereof will be omitted. Similar to the prediction unit 32 shown in FIG. 2, the prediction unit 36 calculates the time change of the total resource usage amount to be used by the containers 11-1 to 11-N in the future from the prediction result of the time change.
  • the prediction unit 36 predicts temporal changes in the amount of resources used in the future by the containers 11-n from some data when the node 2 is in the same state. Therefore, the prediction accuracy may be higher than that of the prediction unit 32 shown in FIG.
  • the prediction unit 36 extracts some data from each of the monitoring data MD 1 to MD N when the state of the node 2 is the same.
  • the prediction unit 36 may extract some data from each of the monitoring data MD 1 to MD N when the environment of the node 2 is the same.
  • the partial data when the environment of the node 2 is the same is, for example, the partial data when the environment of the weather around the node 2 is the same, or the environment of the resource usage time is the same. There is some data when it is the environment.
  • Environments related to the weather around the node 2 include, for example, an environment with fine weather, an environment with rainy weather, an environment with cloudy weather, and an environment with snowy weather.
  • Environments related to resource usage time include, for example, an environment in which the resource usage time is included in the morning time zone, an environment in which the resource usage time is included in the afternoon time zone, and an environment in which the resource usage time is included in the evening time zone. environment, or an environment where resource usage time is included in the night time zone.
  • the prediction unit 36 predicts the temporal change in the amount of resources that the container 11-n will use in the future, from part of the data included in the monitoring data MDn .
  • the present disclosure is suitable for resource management devices and resource management methods.
  • Container distribution server 2 nodes, 11-1 to 11-N containers, 12 resource management device, 13 OS, 14 container runtime, 31 data acquisition unit, 32 prediction unit, 33 container deletion unit, 34 learning model, 35 prediction unit , 36 prediction unit, 41 data acquisition circuit, 42 prediction circuit, 43 container deletion circuit, 44 learning circuit, 45 prediction circuit, 46 prediction circuit, 51 memory, 52 processor.

Landscapes

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

Abstract

ノード（２）が有するリソースの中で、ノード（２）が備える１つ以上のコンテナ（１１－ｎ）（ｎ＝１，・・・，Ｎ）が過去に使用したリソースの使用量の時間変化を示すモニタリングデータを取得するデータ取得部（３１）と、データ取得部（３１）により取得されたそれぞれのモニタリングデータから、コンテナ（１１－ｎ）が将来使用するリソースの使用量の時間変化を予測し、時間変化の予測結果から、コンテナ（１１－１）～（１１－Ｎ）が将来使用する合計のリソース使用量の時間変化を算出する予測部（３２）とを備えるように、リソース管理装置（１２）を構成した。また、リソース管理装置（１２）は、予測部（３２）により算出された合計のリソース使用量の時間変化の中に、合計のリソース使用量が、ノード（２）が有するリソースの合計よりも多くなるタイミングが含まれていれば、コンテナ（１１－１）～（１１－Ｎ）の中のいずれかのコンテナを削除するコンテナ削除部（３３）を備えている。

Description

リソース管理装置及びリソース管理方法
　本開示は、リソース管理装置及びリソース管理方法に関するものである。
　１つ以上のコンテナを備えるノードがある。ノードは、１つのＯＳ（Ｏｐｅｒａｔｉｎｇ　Ｓｙｓｔｅｍ）が動作する計算機である。コンテナは、ノードが有する計算機資源（以下「リソース」という）を使用して、アプリケーションを実行させるものである。ノードが有するリソースは、有限である。このため、１つ以上のコンテナが使用するリソースの合計が、ノードが有するリソースの合計よりも多くならないように、ノードが備えるコンテナを決定することは有用である。
　コンテナの実装の可否を判定する方法がある（例えば、特許文献１を参照）。特許文献１に開示されている方法は、１つ以上のコンテナにおけるそれぞれのリソースの利用状況を管理し、それぞれのリソースの利用状況に基づいて、ノードが有するリソースの合計よりも多くならないように、ノードが備えるコンテナを決定している。リソースの利用状況は、コンテナが過去に使用したリソースの使用量の時間変化を示すものである。リソースの使用量は、時間の経過に伴って変動することがある。
特開２０２０－５２７３０号公報
　リソースの使用量の変動が、コンテナ毎に異なることがある。リソースの使用量の変動が、コンテナ毎に異なる状況下では、それぞれのリソースの使用量がピークとなる時刻（以下「ピーク時刻」という）が、コンテナ毎に異なることがある。ピーク時刻がコンテナ毎に異なる場合に、それぞれのリソースの使用量のピーク値に基づいて、ノードが備えるコンテナを決定してしまうと、ノードが有するリソースの多くが余ってしまうことがある。
　一方、それぞれのリソースの使用量の変動状況によっては、ノードが備えた全てのコンテナ、あるいは、ノードが備えた一部のコンテナにおいて、ピーク時刻が重なることもある。ピーク時刻が重なる場合に、或る任意の時刻におけるそれぞれのリソースの使用量に基づいて、ノードが備えるコンテナを決定してしまうと、将来、ノードが備えた全てのコンテナによるリソースの使用量の合計が、ノードが有するリソースの合計よりも多くなってしまうことがある。
　特許文献１に開示されている方法では、それぞれのリソースの利用状況に基づいて、ノードが備えるノードを決定している。しかしながら、それぞれのリソースの使用量の変動状況に基づいて、ノードが備えるノードを決定するものではないという課題があった。このため、ノードが有するリソースの多くが余ってしまう状況、又は、将来、ノードが備えた全てのコンテナによるリソースの使用量の合計が、ノードが有するリソースの合計よりも多くなってしまう状況を生じてしまうことがある。
　本開示は、上記のような課題を解決するためになされたもので、ノードが有するリソースの余りを抑えつつ、ノードが備える全てのコンテナによるリソースの使用量の合計を、ノードが有するリソースの合計以下に抑えることができるリソース管理装置及びリソース管理方法を得ることを目的とする。
　本開示に係るリソース管理装置は、ノードが有するリソースの中で、ノードが備える１つ以上のコンテナのそれぞれが過去に使用したリソースの使用量の時間変化を示すモニタリングデータを取得するデータ取得部と、データ取得部により取得されたそれぞれのモニタリングデータから、それぞれのコンテナが将来使用するリソースの使用量の時間変化を予測し、時間変化の予測結果から、１つ以上のコンテナが将来使用する合計のリソース使用量の時間変化を算出する予測部とを備えている。また、リソース管理装置は、予測部により算出された合計のリソース使用量の時間変化の中に、合計のリソース使用量が、ノードが有するリソースの合計よりも多くなるタイミングが含まれていれば、１つ以上のコンテナの中のいずれかのコンテナを削除するコンテナ削除部を備えている。
　本開示によれば、ノードが有するリソースの余りを抑えつつ、ノードが備える全てのコンテナによるリソースの使用量の合計を、ノードが有するリソースの合計以下に抑えることができる。
実施の形態１に係るリソース管理装置１２を含むノード２を示す構成図である。 実施の形態１に係るリソース管理装置１２を示す構成図である。 実施の形態１に係るリソース管理装置１２のハードウェアを示すハードウェア構成図である。 リソース管理装置１２が、ソフトウェア又はファームウェア等によって実現される場合のコンピュータのハードウェア構成図である。 リソース管理装置１２の処理手順であるリソース管理方法を示すフローチャートである。 コンテナ１１－ｎ（ｎ＝１，２，３）に係るモニタリングデータと予測部３２の予測結果と合計リソース使用量とを示す説明図である。 実施の形態２に係るリソース管理装置１２を示す構成図である。 実施の形態２に係るリソース管理装置１２のハードウェアを示すハードウェア構成図である。 実施の形態３に係るリソース管理装置１２を示す構成図である。 実施の形態３に係るリソース管理装置１２のハードウェアを示すハードウェア構成図である。 予測部３６が、モニタリングデータＭＤ１～ＭＤＮのそれぞれから、ノード２の稼働状態が同じ状態であるときの一部のデータを抽出する例を示す説明図である。
　以下、本開示をより詳細に説明するために、本開示を実施するための形態について、添付の図面に従って説明する。
実施の形態１．
　図１は、実施の形態１に係るリソース管理装置１２を含むノード２を示す構成図である。
　図２は、実施の形態１に係るリソース管理装置１２を示す構成図である。
　図３は、実施の形態１に係るリソース管理装置１２のハードウェアを示すハードウェア構成図である。
　図１において、コンテナ配信サーバ１は、コンテナ１１－ｎ（ｎ＝１，・・・，Ｎ）をノード２に配信するためのサーバである。Ｎは、１以上の整数である。
　ノード２は、ネットワークを介して、コンテナ配信サーバ１と接続されている。
　ノード２は、１つのＯＳ（Ｏｐｅｒａｔｉｎｇ　Ｓｙｓｔｅｍ）が動作する計算機である。
　ノード２は、コンテナ配信サーバ１から配信されたコンテナ１１－１～１１－Ｎ及びリソース管理装置１２のそれぞれを備えている。
　また、ノード２は、ＯＳ１３及びコンテナランタイム１４のそれぞれを備えている。
　図１に示すノード２は、リソース管理装置１２を備えている。しかし、これは一例に過ぎず、リソース管理装置１２は、ノード２の外部に設けられていてもよい。
　コンテナ１１－ｎ（ｎ＝１，・・・，Ｎ）は、アプリケーションの実行環境である。当該アプリケーションが動作するリソースは、ＯＳ１３によって管理されているリソースから仮想的に分離されたリソースである。
　リソースの仮想的な分離は、コンテナランタイム１４によって、ＯＳ１３が保持している機能を用いて行われる。
　リソースとしては、例えば、ノード２が有するＣＰＵ（Ｃｅｎｔｒａｌ　Ｐｒｏｃｅｓｓｉｎｇ　Ｕｎｉｔ）、ノード２が有するメモリ、ノード２が有するストレージ、ノード２と接続されているネットワーク、又は、ノード２と接続されている外部の機器がある。外部の機器としては、例えば、プリンタ、通信装置、又は、センサがある。
　リソース管理装置１２は、データ取得部３１、予測部３２及びコンテナ削除部３３を備えている。
　ＯＳ１３は、アプリケーションプログラムとハードウェアとの中間に位置し、ノード２が有するリソースの管理を行う。また、ＯＳ１３は、アプリケーションプログラムに対する標準的なインタフェースを提供する。
　コンテナランタイム１４は、ＯＳ１３が保持している機能を用いて、ノード２が有するリソースを仮想的に分離する。
　また、コンテナランタイム１４は、仮想的に分離したリソースをコンテナ１１－ｎ（ｎ＝１，・・・，Ｎ）に提供する。
　さらに、コンテナランタイム１４は、コンテナ１１－ｎが過去に使用したリソースの使用量の時間変化を示すモニタリングデータＭＤｎをリソース管理装置１２のデータ取得部３１に出力する。
　データ取得部３１は、例えば、図３に示すデータ取得回路４１によって実現される。
　データ取得部３１は、コンテナランタイム１４から、ノード２が有するリソースの中で、コンテナ１１－ｎ（ｎ＝１，・・・，Ｎ）が過去に使用したリソースの使用量の時間変化を示すモニタリングデータＭＤｎを取得する。
　データ取得部３１は、モニタリングデータＭＤｎを予測部３２に出力する。
　予測部３２は、例えば、図３に示す予測回路４２によって実現される。
　予測部３２は、データ取得部３１から、モニタリングデータＭＤｎを取得する。
　予測部３２は、モニタリングデータＭＤｎから、コンテナ１１－ｎが将来使用するリソースの使用量の時間変化を予測する。
　予測部３２は、時間変化の予測結果から、コンテナ１１－１～１１－Ｎが将来使用する合計のリソース使用量の時間変化を算出する。
　コンテナ削除部３３は、例えば、図３に示すコンテナ削除回路４３によって実現される。
　コンテナ削除部３３は、予測部３２により算出された合計のリソース使用量の時間変化の中に、合計のリソース使用量が、ノード２が有するリソースの合計よりも多くなるタイミングが含まれているか否かを判定する。
　コンテナ削除部３３は、当該タイミングが含まれていると判定すれば、コンテナ１１－１～１１－Ｎの中のいずれかのコンテナを削除する。
　コンテナ削除部３３は、当該タイミングが含まれていないと判定すれば、コンテナ１１－１～１１－Ｎの中のいずれのコンテナも削除しない。
　図２では、リソース管理装置１２の構成要素であるデータ取得部３１、予測部３２及びコンテナ削除部３３のそれぞれが、図２に示すような専用のハードウェアによって実現されるものを想定している。即ち、リソース管理装置１２が、データ取得回路４１、予測回路４２及びコンテナ削除回路４３によって実現されるものを想定している。
　データ取得回路４１、予測回路４２及びコンテナ削除回路４３のそれぞれは、例えば、単一回路、複合回路、プログラム化したプロセッサ、並列プログラム化したプロセッサ、ＡＳＩＣ（Ａｐｐｌｉｃａｔｉｏｎ　Ｓｐｅｃｉｆｉｃ　Ｉｎｔｅｇｒａｔｅｄ　Ｃｉｒｃｕｉｔ）、ＦＰＧＡ（Ｆｉｅｌｄ－Ｐｒｏｇｒａｍｍａｂｌｅ　Ｇａｔｅ　Ａｒｒａｙ）、又は、これらを組み合わせたものが該当する。
　リソース管理装置１２の構成要素は、専用のハードウェアによって実現されるものに限るものではなく、リソース管理装置１２が、ソフトウェア、ファームウェア、又は、ソフトウェアとファームウェアとの組み合わせによって実現されるものであってもよい。
　ソフトウェア又はファームウェアは、プログラムとして、コンピュータのメモリに格納される。コンピュータは、プログラムを実行するハードウェアを意味し、例えば、ＣＰＵ、中央処理装置、処理装置、演算装置、マイクロプロセッサ、マイクロコンピュータ、プロセッサ、あるいは、ＤＳＰ（Ｄｉｇｉｔａｌ　Ｓｉｇｎａｌ　Ｐｒｏｃｅｓｓｏｒ）が該当する。
　図４は、リソース管理装置１２が、ソフトウェア又はファームウェア等によって実現される場合のコンピュータのハードウェア構成図である。
　リソース管理装置１２が、ソフトウェア又はファームウェア等によって実現される場合、データ取得部３１、予測部３２及びコンテナ削除部３３におけるそれぞれの処理手順をコンピュータに実行させるためのプログラムがメモリ５１に格納される。そして、コンピュータのプロセッサ５２がメモリ５１に格納されているプログラムを実行する。
　また、図３では、リソース管理装置１２の構成要素のそれぞれが専用のハードウェアによって実現される例を示し、図４では、リソース管理装置１２がソフトウェア又はファームウェア等によって実現される例を示している。しかし、これは一例に過ぎず、リソース管理装置１２における一部の構成要素が専用のハードウェアによって実現され、残りの構成要素がソフトウェア又はファームウェア等によって実現されるものであってもよい。
　次に、図２に示すリソース管理装置１２の動作について説明する。
　図５は、リソース管理装置１２の処理手順であるリソース管理方法を示すフローチャートである。
　ノード２は、コンテナ配信サーバ１から配信されたコンテナ１１－１～１１－Ｎを備えている。
　ここでは、説明の簡単化のため、コンテナ配信サーバ１から、コンテナ１１－１～１１－Ｎのうちのいずれかのコンテナが配信された時点で、配信されたコンテナをノード２に実装させるか否かの判定処理についての説明は後述する。
　データ取得部３１は、ノード２のコンテナランタイム１４から、ノード２が有するリソースの中で、コンテナ１１－ｎ（ｎ＝１，・・・，Ｎ）が過去に使用したリソースの使用量の時間変化を示すモニタリングデータＭＤｎを取得する（図５のステップＳＴ１）。
　ノード２が有するリソースの使用量は、例えば、ノード２が有するＣＰＵの使用率、ノード２が有するメモリの使用量、ノード２が有するストレージの使用量、ノード２と接続されているネットワークの帯域使用率、又は、ノード２と接続されている機器の使用率である。
　図６は、コンテナ１１－ｎ（ｎ＝１，２，３）に係るモニタリングデータと予測部３２の予測結果と合計リソース使用量とを示す説明図である。
　データ取得部３１は、モニタリングデータＭＤｎを予測部３２に出力する。
　予測部３２は、データ取得部３１から、モニタリングデータＭＤｎ（ｎ＝１，・・・，Ｎ）を取得する。
　予測部３２は、モニタリングデータＭＤｎから、コンテナ１１－ｎが将来使用するリソースの使用量の時間変化を予測する（図５のステップＳＴ２）。
　以下、予測部３２の予測処理を具体的に説明する。
　予測部３２は、モニタリングデータＭＤｎから、或る時刻ｔのリソースの使用量ｕｎ（ｔ）と、時刻ｔよりも遅れ時間τだけ遅れている時刻（ｔ＋τ）のリソースの使用量ｕｎ（ｔ＋τ）とを取得する。
　予測部３２は、リソースの使用量ｕｎ（ｔ）とリソースの使用量ｕｎ（ｔ＋τ）とから、リソースの使用量についての自己相関関数Ｒｎ（τ）を算出する。自己相関関数Ｒｎ（τ）の算出処理自体は、公知の技術であるため詳細な説明を省略する。
　予測部３２は、遅れ時間τを変更することで、上記の自己相関関数Ｒｎ（τ）をＭ個算出する。Ｍは、２以上の整数である。以下、Ｍ個の自己相関関数Ｒｎ（τ）をＲｎ，ｍ（τ）のように表記する。ｍ＝１，・・・，Ｍである。
　予測部３２は、コンテナ１１－ｎが過去に使用したリソースの使用量の周期ｐｎとして、Ｍ個の自己相関関数Ｒｎ，ｍ（τ）の中で、正の相関が最も高い自己相関関数Ｒｎ，ｍ（τ）の遅れ時間τを特定する。
　予測部３２は、周期ｐｎ内の使用量の時間変化に基づいて、コンテナ１１－ｎが将来使用するリソースの使用量の時間変化を予測する。
　具体的には、予測部３２は、コンテナ１１－ｎが、現在の時刻ｔ０よりもｊ周期前の時刻（ｔ０－ｐｎ・ｊ））から（ｊ－１）周期前の時刻（ｔ０－ｐｎ・（ｊ－１））までに使用したリソースの使用量の時間変化を、コンテナ１１－ｎが、現在の時刻ｔ０よりも（ｉ－１）周期先の時刻（ｔ０＋ｐｎ・（ｉ－１））からｉ周期先の時刻（ｔ０＋ｐｎ・ｉ）までに使用するリソースの使用量の時間変化として予測する。ｉ，ｊのそれぞれは、１以上の整数である。
　図６の例では、予測部３２は、コンテナ１１－ｎ（ｎ＝１，２，３）が現在の時刻ｔ０よりも１周期前の時刻から現在の時刻ｔ０までに使用したリソースの使用量の時間変化を、コンテナ１１－ｎが現在の時刻ｔ０から１周期先の時刻までに使用するリソースの使用量の時間変化として予測している。
　ここでは、予測部３２が、１周期分のリソースの使用量の時間変化を予測している。しかし、これは一例に過ぎず、予測部３２が、周期ｐｎ内の使用量の時間変化に基づいて、複数周期分のリソースの使用量の時間変化を予測するようにしてもよい。
　図２に示すリソース管理装置１２では、予測部３２が、遅れ時間τを変更することで、、Ｍ個の自己相関関数Ｒｎ，ｍ（τ）を算出している。遅れ時間τの変更幅は、使用量の周期ｐｎを特定できる程度の粒度に設定されている。つまり、リソースの使用量の時間変化をモニタリングするサンプリング周波数は、コンテナ１１－ｎが使用するリソース使用量の変更頻度の想定最大値が、ナイキスト周波数を十分下回るように設定されている。
　図２に示すリソース管理装置１２では、過去に使用したリソースの使用量に周期性があるものとして、予測部３２が、周期ｐｎ内の使用量の時間変化に基づいて、コンテナ１１－ｎが将来使用するリソースの使用量の時間変化を予測している。
　しかしながら、コンテナ１１－ｎが過去に使用したリソースの使用量に周期性が無い場合もある。リソースの使用量に周期性が無い場合、Ｍ個の自己相関関数Ｒｎ，１（τ）～Ｒｎ，Ｍ（τ）のそれぞれが概ね０になる。
　予測部３２は、リソースの使用量に周期性が無ければ、コンテナ１１－ｎが過去に使用したリソースの使用量のピーク値に基づいて、コンテナ１１－ｎが将来使用するリソースの使用量の時間変化を予測する。
　即ち、予測部３２は、コンテナ１１－ｎが将来使用するリソースの使用量が、過去に使用したリソースの使用量のピーク値が連続するものと予測する。
　予測部３２は、時間変化の予測結果から、コンテナ１１－１～１１－Ｎが将来使用する合計のリソース使用量の時間変化を算出する（図５のステップＳＴ３）。
　以下、予測部３２の算出処理を具体的に説明する。
　予測部３２は、コンテナ１１－１～１１－Ｎのそれぞれが過去に使用したリソースの使用量の周期ｐ１～ｐＮを互いに比較し、周期ｐ１～ｐＮの中で、最も長い周期ｐｍａｘを特定する。ここでは、説明の便宜上、最も長い周期ｐｍａｘに係るコンテナが、コンテナ１１－１であるものとする。
　予測部３２は、コンテナ１１－１が将来使用するリソースの使用量の中で、現在の時刻ｔ０から１周期先の時刻ｔ０＋ｐ１までに使用するリソースの使用量ｕ１（ｔ）を特定する。ｔ０≦ｔ≦ｔ０＋ｐ１＝ｔ０＋ｐｍａｘである。
　予測部３２は、コンテナ１１－ｎ（ｎ＝２，・・・，Ｎ）が将来使用するリソースの使用量の中で、現在の時刻ｔ０から時刻ｔ０＋ｐ１までに使用するリソースの使用量ｕｎ（ｔ）を特定する。
　予測部３２は、以下の式（１）に示すように、リソースの使用量ｕ１（ｔ）～ｕＮ（ｔ）の合計である合計リソース使用量ｕｔｏｔａｌ（ｔ）を算出する。
ｕｔｏｔａｌ（ｔ）＝ｕ１（ｔ）＋・・・＋ｕＮ（ｔ）　　（１）
　図６の例では、予測部３２が、リソースの使用量ｕ１（ｔ）～ｕ３（ｔ）の合計である合計リソース使用量ｕｔｏｔａｌ（ｔ）を算出している。
　予測部３２は、合計のリソース使用量の時間変化として、合計リソース使用量ｕｔｏｔａｌ（ｔ）をコンテナ削除部３３に出力する。
　図２に示すリソース管理装置１２では、合計リソース使用量ｕｔｏｔａｌ（ｔ）が、現在の時刻ｔ０から時刻ｔ０＋ｐ１までに使用するリソースの使用量ｕ１（ｔ）～ｕ３（ｔ）の合計である。しかし、これは一例に過ぎず、合計リソース使用量ｕｔｏｔａｌ（ｔ）が、現在の時刻ｔ０から時刻ｔ０＋ｋ×ｐ１までに使用するリソースの使用量ｕ１（ｔ）～ｕ３（ｔ）の合計であってもよい。ｋは、２以上の整数である。
　コンテナ削除部３３は、予測部３２から、合計リソース使用量ｕｔｏｔａｌ（ｔ）を取得する。
　コンテナ削除部３３は、例えば、現在の時刻ｔ０から時刻ｔ０＋ｐ１までの間に、合計リソース使用量ｕｔｏｔａｌ（ｔ）が閾値Ｔｈよりも多くなるタイミングがあるか否かを判定する。閾値Ｔｈは、ノード２が有するリソースの合計を示すものである。閾値Ｔｈは、コンテナ削除部３３の内部メモリに格納されていてもよいし、リソース管理装置１２の外部から与えられたものであってもよい。
　コンテナ削除部３３は、現在の時刻ｔ０から時刻ｔ０＋ｐ１までの間に、合計リソース使用量ｕｔｏｔａｌ（ｔ）が閾値Ｔｈよりも多くなるタイミングがあれば（図５のステップＳＴ４：ＹＥＳの場合）、合計リソース使用量ｕｔｏｔａｌ（ｔ）の中に、ノード２が有するリソースの合計よりも多くなるリソース使用量が含まれていると判定する。
　コンテナ削除部３３は、現在の時刻ｔ０から時刻ｔ０＋ｐ１までの間に、合計リソース使用量ｕｔｏｔａｌ（ｔ）が閾値Ｔｈよりも多くなるタイミングがなければ（図５のステップＳＴ４：ＮＯの場合）、合計リソース使用量ｕｔｏｔａｌ（ｔ）の中に、ノード２が有するリソースの合計よりも多くなるリソース使用量が含まれていないと判定する。
　コンテナ削除部３３は、合計リソース使用量ｕｔｏｔａｌ（ｔ）の中に、ノード２が有するリソースの合計よりも多くなるリソース使用量が含まれていると判定すれば、コンテナ１１－１～１１－Ｎの中のいずれかのコンテナを削除する（図５のステップＳＴ５）。
　以下、コンテナ削除部３３のコンテナ削除処理を具体的に説明する。
　コンテナ削除部３３は、合計リソース使用量ｕｔｏｔａｌ（ｔ）の中に、ノード２が有するリソースの合計よりも多くなるリソース使用量が含まれていると判定すれば、リソース使用量が、ノード２が有するリソースの合計よりも多くなるタイミングである時刻Ｔｉｍにおいて、コンテナ１１－ｎが使用するリソースの使用量ｕｎ（Ｔｉｍ）を特定する。
　コンテナ削除部３３は、コンテナ１１－１～１１－Ｎのそれぞれが使用するリソースの使用量ｕ１（Ｔｉｍ）～ｕＮ（Ｔｉｍ）の中で、最も大きなリソースの使用量ｕｍａｘ（Ｔｉｍ）を特定する。
　コンテナ削除部３３は、コンテナ１１－１～１１－Ｎの中で、最も大きなリソースの使用量ｕｍａｘ（Ｔｉｍ）に係るコンテナを削除する。
　コンテナ削除部３３は、最も大きなリソースの使用量ｕｍａｘ（Ｔｉｍ）に係るコンテナを削除しても、合計リソース使用量ｕｔｏｔａｌ（Ｔｉｍ）が閾値Ｔｈよりも多ければ、更に、２番目に大きなリソースの使用量に係るコンテナを削除する。
　コンテナ削除部３３は、合計リソース使用量ｕｔｏｔａｌ（Ｔｉｍ）が閾値Ｔｈ以下になるまで、リソースの使用量が大きい順にコンテナを削除する。
　コンテナ削除部３３は、当該タイミングが存在しないと判定すれば、コンテナの削除処理を行わない。
　図２に示すリソース管理装置１２では、コンテナ削除部３３が、コンテナを削除している。しかし、これは一例に過ぎず、コンテナ削除部３３が、コンテナの削除をコンテナランタイム１４に依頼し、コンテナランタイム１４が、コンテナを削除するようにしてもよい。
　図２に示すリソース管理装置１２では、コンテナ削除部３３が、時刻Ｔｉｍでのリソースの使用量ｕｎ（Ｔｉｍ）に基づいて、削除対象のコンテナを決定している。しかし、これは一例に過ぎず、コンテナ削除部３３が、例えば、コンテナ配信サーバ１からノード２に対して、コンテナ１１－１～１１－Ｎのそれぞれが配信された時刻ｔｄｎに基づいて、削除対象のコンテナを決定するようにしてもよい。例えば、コンテナ削除部３３は、コンテナ１１－１～１１－Ｎの中で、ノード２に配信された時刻ｔｄｎが現在の時刻ｔ０に最も近いコンテナを削除対象のコンテナに決定する。
　図２に示すリソース管理装置１２では、コンテナ削除部３３が、時刻Ｔｉｍでのリソースの使用量ｕｎ（Ｔｉｍ）に基づいて、削除対象のコンテナを決定している。しかし、これは一例に過ぎず、コンテナ削除部３３が、例えば、コンテナ１１－ｎの動作優先度ｗｎに基づいて、削除対象のコンテナを決定するようにしてもよい。例えば、コンテナ削除部３３は、コンテナ１１－１～１１－Ｎの中で、動作優先度ｗｎが最小のコンテナを削除対象のコンテナに決定する。コンテナ１１－ｎの動作優先度ｗｎは、コンテナ削除部３３の内部メモリに格納されていてもよいし、リソース管理装置１２の外部から与えられたものであってもよい。
　また、コンテナ削除部３３は、時刻Ｔｉｍでのリソースの使用量ｕｎ（Ｔｉｍ）と、ノード２に配信された時刻ｔｄｎと、コンテナ１１－ｎの動作優先度ｗｎとの重み付け加算等を行うことで、コンテナ１１－ｎのコストＣＳＴｎを算出する。コストＣＳＴｎは、リソースの使用量ｕｎ（Ｔｉｍ）が多いほど大きく、ノード２に配信された時刻ｔｄｎが現在の時刻ｔ０に最も近いほど大きく、動作優先度ｗｎが小さいほど大きい。
　そして、コンテナ削除部３３は、コンテナ１１－１～１１－Ｎの中で、コストＣＳＴｎが最大のコンテナを削除対象のコンテナに決定するようにしてもよい。
　以上の実施の形態１では、ノード２が有するリソースの中で、ノード２が備える１つ以上のコンテナ１１－ｎ（ｎ＝１，・・・，Ｎ）が過去に使用したリソースの使用量の時間変化を示すモニタリングデータを取得するデータ取得部３１と、データ取得部３１により取得されたそれぞれのモニタリングデータから、コンテナ１１－ｎが将来使用するリソースの使用量の時間変化を予測し、時間変化の予測結果から、コンテナ１１－１～１１－Ｎが将来使用する合計のリソース使用量の時間変化を算出する予測部３２とを備えるように、リソース管理装置１２を構成した。また、リソース管理装置１２は、予測部３２により算出された合計のリソース使用量の時間変化の中に、合計のリソース使用量が、ノード２が有するリソースの合計よりも多くなるタイミングが含まれていれば、コンテナ１１－１～１１－Ｎの中のいずれかのコンテナを削除するコンテナ削除部３３を備えている。したがって、リソース管理装置１２は、ノード２が有するリソースの余りを抑えつつ、ノード２が備えるコンテナ１１－１～１１－Ｎによるリソース使用量の合計を、ノード２が有するリソースの合計以下に抑えることができる。
　図１に示すノード２は、コンテナ１１－１～１１－Ｎを備えている。ノード２は、コンテナ配信サーバ１から、コンテナ１１－１～１１－Ｎと異なる新たなコンテナ１１－（Ｎ＋１）を受信し、コンテナ１１－１～１１－（Ｎ＋１）を備えるようにしてもよい。
　新たなコンテナ１１－（Ｎ＋１）が、ノード２が過去に備えたことがないコンテナであれば、リソース管理装置１２のデータ取得部３１は、コンテナ配信サーバ１から、新たなコンテナ１１－（Ｎ＋１）が使用するリソースの予定使用量を取得する。
　コンテナ削除部３３は、コンテナ１１－１～１１－Ｎによる合計のリソース使用量の時間平均値と、新たなコンテナ１１－（Ｎ＋１）が使用するリソースの予定使用量とを加算する。
　そして、コンテナ削除部３３は、時間平均値と予定使用量との加算結果が、ノード２が有するリソースの合計以下であるか否かを判定する。
　コンテナ削除部３３は、加算結果が、ノード２が有するリソースの合計以下であれば、新たなコンテナ１１－（Ｎ＋１）を備えることを許可する旨を示す許可指令をコンテナランタイム１４に出力する。これにより、コンテナランタイム１４は、ノード２がコンテナ１１－１～１１－Ｎを備えるほかに、コンテナ１１－（Ｎ＋１）を備えるようにする。
　コンテナ削除部３３は、加算結果が、ノード２が有するリソースの合計よりも多ければ、新たなコンテナ１１－（Ｎ＋１）を備えることを許可しない旨を示す不許可指令をコンテナランタイム１４に出力する。これにより、コンテナランタイム１４は、ノード２がコンテナ１１－１～１１－Ｎのみを備えるようにする。
　新たなコンテナ１１－（Ｎ＋１）が、ノード２が過去に備えたことがあるコンテナであれば、コンテナ１１－１～１１－Ｎと同様に、予測部３２が、コンテナ１１－（Ｎ＋１）が将来使用するリソースの使用量の時間変化を予測するようにしてもよい。
　そして、予測部３２は、コンテナ１１－１～１１－（Ｎ＋１）が将来使用する合計のリソース使用量の時間変化を算出する
　コンテナ削除部３３は、予測部３２により算出された合計のリソース使用量の時間変化の中に、合計のリソース使用量が、ノード２が有するリソースの合計よりも多くなるタイミングが含まれていなければ、新たなコンテナ１１－（Ｎ＋１）を備えることを許可する旨を示す許可指令をコンテナランタイム１４に出力する。これにより、コンテナランタイム１４は、ノード２がコンテナ１１－１～１１－Ｎを備えるほかに、コンテナ１１－（Ｎ＋１）を備えるようにする。
　コンテナ削除部３３は、予測部３２により算出された合計のリソース使用量の時間変化の中に、合計のリソース使用量が、ノード２が有するリソースの合計よりも多くなるタイミングが含まれていれば、新たなコンテナ１１－（Ｎ＋１）を備えることを許可しない旨を示す不許可指令をコンテナランタイム１４に出力する。これにより、コンテナランタイム１４は、ノード２がコンテナ１１－１～１１－Ｎのみを備えるようにする。
　図２に示すリソース管理装置１２では、予測部３２が、コンテナ１１－１～１１－Ｎが将来使用する合計のリソース使用量の時間変化を算出している。しかし、これは一例に過ぎず、コンテナ１１－１～１１－Ｎのうち、一部のコンテナが将来使用する合計のリソース使用量の時間変化を算出するようにしてもよい。
　具体的には以下の通りである。
　予測部３２は、コンテナ１１－１～１１－Ｎの中で、リソースの使用量に周期性が無いコンテナを検出する。リソースの使用量に周期性が無いコンテナは、遅れ時間τを変更しても、Ｍ個の自己相関関数Ｒｎ，１（τ）～Ｒｎ，Ｍ（τ）のそれぞれが概ね０になる。
　予測部３２は、リソースの使用量に周期性が無いコンテナがＨ個存在している場合、Ｈ個のコンテナのうち、１つのコンテナ以外のコンテナが将来使用するリソースの使用量を合計のリソース使用量に含めないようにするため、Ｈ個のコンテナのそれぞれが過去に使用したリソースの使用量の間の相関係数Ｃを算出する。Ｈは、２以上の整数であり、Ｈ≦Ｎである。
　コンテナ１１－１～１１－Ｎの中で、リソースの使用量に周期性が無いコンテナが、例えば、コンテナ１１－１，１１－２であるとすれば、コンテナ１１－１が過去に使用したリソースの使用量と、コンテナ１１－２が過去に使用したリソースの使用量との間の相関係数Ｃ１－２を算出する。相関係数Ｃ１－２の算出処理自体は、公知の技術であるため詳細な説明を省略する。
　予測部３２は、相関係数Ｃ１－２が負の相関であれば、コンテナ１１－１，１１－２の中で、過去に使用したリソースの使用量のピーク値が最も高いコンテナを特定する。
　予測部３２は、例えば、ピーク値が最も高いコンテナがコンテナ１１－１であれば、コンテナ１１－１が将来使用するリソースの使用量の時間変化として、リソースの使用量ｕ１（ｔ）を特定する。リソースの使用量ｕ１（ｔ）は、コンテナ１１－１が過去に使用したリソースの使用量のピーク値が連続しているものである。
　予測部３２は、ピーク値が最も高いコンテナ以外のコンテナであるコンテナ１１－２が将来使用するリソースの使用量ｕ２（ｔ）については特定しない。
　予測部３２は、合計リソース使用量ｕｔｏｔａｌ（ｔ）を算出する際、合計リソース使用量ｕｔｏｔａｌ（ｔ）の中に、コンテナ１１－１が将来使用するリソースの使用量ｕ１（ｔ）を含めるが、コンテナ１１－２が将来使用するリソースの使用量ｕ２（ｔ）を含めない。
　コンテナ１１－１が過去に使用したリソースの使用量と、コンテナ１１－２が過去に使用したリソースの使用量との間の相関係数Ｃ１－２が負の相関であれば、コンテナ１１－１とコンテナ１１－２とが同じタイミングでリソースを使用する可能性が低い。このため、予測部３２は、コンテナ１１－２が将来使用するリソースの使用量ｕ２（ｔ）を合計リソース使用量ｕｔｏｔａｌ（ｔ）に含めていない。
　ここでは、コンテナ１１－１～１１－Ｎの中で、リソースの使用量に周期性が無いコンテナがコンテナ１１－１，１１－２である例を示している。しかし、これは一例に過ぎず、リソースの使用量に周期性が無いコンテナが３つ以上であってもよい。例えば、リソースの使用量に周期性が無いコンテナがコンテナ１１－１～１１－３であるとする。
　この場合、予測部３２は、コンテナ１１－１が過去に使用したリソースの使用量と、コンテナ１１－２が過去に使用したリソースの使用量との間の相関係数Ｃ１－２を算出し、コンテナ１１－２が過去に使用したリソースの使用量と、コンテナ１１－３が過去に使用したリソースの使用量との間の相関係数Ｃ２－３を算出する。
　また、予測部３２は、コンテナ１１－３が過去に使用したリソースの使用量と、コンテナ１１－１が過去に使用したリソースの使用量との間の相関係数Ｃ３－１を算出する。
　予測部３２は、相関係数Ｃ１－２，Ｃ２－３，Ｃ３－１のそれぞれが負の相関であれば、コンテナ１１－１～１１－３の中で、過去に使用したリソースの使用量のピーク値が最も高いコンテナを特定する。
　予測部３２は、例えば、ピーク値が最も高いコンテナがコンテナ１１－１であれば、コンテナ１１－１が将来使用するリソースの使用量の時間変化として、リソースの使用量ｕ１（ｔ）を特定する。リソースの使用量ｕ１（ｔ）は、コンテナ１１－１が過去に使用したリソースの使用量のピーク値が連続しているものである。
　予測部３２は、ピーク値が最も高いコンテナ以外のコンテナであるコンテナ１１－２，１１－３のそれぞれが将来使用するリソースの使用量ｕ２（ｔ），ｕ３（ｔ）については特定しない。
　予測部３２は、合計リソース使用量ｕｔｏｔａｌ（ｔ）を算出する際、合計リソース使用量ｕｔｏｔａｌ（ｔ）の中に、コンテナ１１－１が将来使用するリソースの使用量ｕ１（ｔ）を含めるが、コンテナ１１－２，１１－３のそれぞれが将来使用するリソースの使用量ｕ２（ｔ），ｕ３（ｔ）を含めない。
実施の形態２．
　実施の形態２では、予測部３５が、学習モデル３４から、コンテナ１１－ｎ（ｎ＝１，・・・，Ｎ）が将来使用するリソースの使用量の時間変化の予測結果を取得するリソース管理装置１２について説明する。
　図７は、実施の形態２に係るリソース管理装置１２を示す構成図である。図７において、図２と同一符号は同一又は相当部分を示すので説明を省略する。
　図８は、実施の形態２に係るリソース管理装置１２のハードウェアを示すハードウェア構成図である。図８において、図３と同一符号は同一又は相当部分を示すので説明を省略する。
　図７に示すリソース管理装置１２は、データ取得部３１、学習モデル３４、予測部３５及びコンテナ削除部３３を備えている。
　図７に示すリソース管理装置１２を含むノード２の構成は、図２に示すリソース管理装置１２を含むノード２の構成と同様であり、図７に示すリソース管理装置１２を含むノード２を示す構成図は、図１である。
　学習モデル３４は、例えば、図８に示す学習回路４４によって実現される。
　学習モデル３４は、学習時において、コンテナ１１－ｎ（ｎ＝１，・・・，Ｎ）が過去に使用したリソースの使用量の時間変化を示すモニタリングデータＭＤｎと、コンテナ１１－ｎが将来使用するリソースの使用量の時間変化を示す学習データＧＤｎとが与えられる。そして、学習モデル３４は、コンテナ１１－ｎが将来使用するリソースの使用量の時間変化を学習する。
　学習モデル３４は、推論時において、コンテナ１１－ｎが過去に使用したリソースの使用量の時間変化を示すモニタリングデータＭＤｎが与えられたとき、コンテナ１１－ｎが将来使用するリソースの使用量の時間変化を示す予測結果を出力する。
　予測部３５は、例えば、図８に示す予測回路４５によって実現される。
　予測部３５は、データ取得部３１から、モニタリングデータＭＤｎ（ｎ＝１，・・・，Ｎ）を取得する。
　予測部３５は、モニタリングデータＭＤｎを学習モデル３４に与え、学習モデル３４から、コンテナ１１－ｎが将来使用するリソースの使用量の時間変化を示す予測結果を取得する。
　予測部３５は、図２に示す予測部３２と同様に、時間変化の予測結果から、コンテナ１１－１～１１－Ｎが将来使用する合計のリソース使用量の時間変化を算出する。
　図７に示すリソース管理装置１２では、学習モデル３４が予測部３５の外部に設けられている。しかし、これは一例に過ぎず、予測部３５が、学習モデル３４を内蔵していてもよい。
　図７では、リソース管理装置１２の構成要素であるデータ取得部３１、学習モデル３４、予測部３５及びコンテナ削除部３３のそれぞれが、図８に示すような専用のハードウェアによって実現されるものを想定している。即ち、リソース管理装置１２が、データ取得回路４１、学習回路４４、予測回路４５及びコンテナ削除回路４３によって実現されるものを想定している。
　データ取得回路４１、学習回路４４、予測回路４５及びコンテナ削除回路４３のそれぞれは、例えば、単一回路、複合回路、プログラム化したプロセッサ、並列プログラム化したプロセッサ、ＡＳＩＣ、ＦＰＧＡ、又は、これらを組み合わせたものが該当する。
　リソース管理装置１２の構成要素は、専用のハードウェアによって実現されるものに限るものではなく、リソース管理装置１２が、ソフトウェア、ファームウェア、又は、ソフトウェアとファームウェアとの組み合わせによって実現されるものであってもよい。
　リソース管理装置１２が、ソフトウェア又はファームウェア等によって実現される場合、データ取得部３１、学習モデル３４、予測部３５及びコンテナ削除部３３におけるそれぞれの処理手順をコンピュータに実行させるためのプログラムが図４に示すメモリ５１に格納される。そして、図４に示すプロセッサ５２がメモリ５１に格納されているプログラムを実行する。
　また、図８では、リソース管理装置１２の構成要素のそれぞれが専用のハードウェアによって実現される例を示し、図４では、リソース管理装置１２がソフトウェア又はファームウェア等によって実現される例を示している。しかし、これは一例に過ぎず、リソース管理装置１２における一部の構成要素が専用のハードウェアによって実現され、残りの構成要素がソフトウェア又はファームウェア等によって実現されるものであってもよい。
　次に、図７に示すリソース管理装置１２の動作について説明する。学習モデル３４及び予測部３５以外は、図２に示すリソース管理装置１２と同様であるため、ここでは、学習モデル３４及び予測部３５の動作のみを説明する。
　学習時においては、学習モデル３４は、コンテナ１１－ｎ（ｎ＝１，・・・，Ｎ）が過去に使用したリソースの使用量の時間変化を示すモニタリングデータＭＤｎと、コンテナ１１－ｎが将来使用するリソースの使用量の時間変化を示す学習データＧＤｎとが与えられる。
　学習モデル３４が、例えば、ニューラルネットワークを備える学習モデルであれば、学習モデル３４は、モニタリングデータＭＤｎが与えられたときの、予測結果を示す出力データＯＤｎが、学習データＧＤｎが示す使用量の時間変化となるように、ニューラルネットワークの重み係数を更新する。
　予測部３５は、データ取得部３１から、コンテナ１１－ｎ（ｎ＝１，・・・，Ｎ）が過去に使用したリソースの使用量の時間変化を示すモニタリングデータＭＤｎを取得する。
　予測部３５は、モニタリングデータＭＤｎを学習モデル３４に与える。
　学習モデル３４は、モニタリングデータＭＤｎが与えられると、モニタリングデータＭＤｎに対応する予測結果を示す出力データＯＤｎを出力する。
　予測部３５は、学習モデル３４から、予測結果を示す出力データＯＤｎを取得する。
　予測部３５は、図２に示す予測部３２と同様に、出力データＯＤｎが示す予測結果から、コンテナ１１－１～１１－Ｎが将来使用する合計のリソース使用量の時間変化を算出する。
　予測部３５は、合計のリソース使用量の時間変化として、合計リソース使用量ｕｔｏｔａｌ（ｔ）をコンテナ削除部３３に出力する。
　図７に示すリソース管理装置１２は、図２に示すリソース管理装置１２と同様に、ノード２が有するリソースの余りを抑えつつ、ノード２が備えるコンテナ１１－１～１１－Ｎによるリソース使用量の合計を、ノード２が有するリソースの合計以下に抑えることができる。
　また、図７に示すリソース管理装置１２は、コンテナ１１－ｎ（ｎ＝１，・・・，Ｎ）が過去に使用したリソースの使用量に周期性が無くても、モニタリングデータＭＤｎに対応する予測結果を得ることができる。
　図７に示すリソース管理装置１２では、学習時に、コンテナ１１－ｎ（ｎ＝１，・・・，Ｎ）が過去に使用したリソースの使用量の時間変化を示すモニタリングデータＭＤｎと、コンテナ１１－ｎが将来使用するリソースの使用量の時間変化を示す学習データＧＤｎとが学習モデル３４に与えられる。そして、学習モデル３４は、モニタリングデータＭＤｎが与えられたときの、予測結果を示す出力データＯＤｎが、学習データＧＤｎが示す使用量の時間変化となるように、ニューラルネットワークの重み係数を更新している。
　しかし、これは一例に過ぎず、学習時に、モニタリングデータＭＤｎと学習データＧＤｎとの他に、モニタリングデータＭＤｎ’が学習モデル３４に与えられるようにしてもよい。モニタリングデータＭＤｎ’は、コンテナ１１－１～１１－Ｎの中で、コンテナ１１－ｎと異なるコンテナが過去に使用したリソースの使用量の時間変化を示すものである。
　学習モデル３４は、モニタリングデータＭＤｎとモニタリングデータＭＤｎ’とが与えられたときの、予測結果を示す出力データＯＤｎが、学習データＧＤｎが示す使用量の時間変化となるように、ニューラルネットワークの重み係数を更新する。
　予測部３５は、モニタリングデータＭＤｎとモニタリングデータＭＤｎ’とを学習モデル３４に与え、学習モデル３４から、予測結果を示す出力データＯＤｎを取得する。
　モニタリングデータＭＤｎの時間変化とモニタリングデータＭＤｎ’の時間変化とが互いに影響しているような場合がある。このような場合、推論時において、予測部３５は、モニタリングデータＭＤｎのみを学習モデル３４に与えるよりも、モニタリングデータＭＤｎとモニタリングデータＭＤｎ’とを学習モデル３４に与える方が、学習モデル３４から、精度が高い予測結果が得られることがある。
実施の形態３．
　実施の形態３では、予測部３６が、データ取得部３１により取得されたモニタリングデータＭＤ１～ＭＤＮのそれぞれから、ノード２の状態が同じ状態であるときの一部のデータを抽出するリソース管理装置１２について説明する。
　図９は、実施の形態３に係るリソース管理装置１２を示す構成図である。図９において、図２及び図７と同一符号は同一又は相当部分を示すので説明を省略する。
　図１０は、実施の形態３に係るリソース管理装置１２のハードウェアを示すハードウェア構成図である。図１０において、図３及び図８と同一符号は同一又は相当部分を示すので説明を省略する。
　図９に示すリソース管理装置１２は、データ取得部３１、予測部３６及びコンテナ削除部３３を備えている。
　図９に示すリソース管理装置１２を含むノード２の構成は、図２に示すリソース管理装置１２を含むノード２の構成と同様であり、図９に示すリソース管理装置１２を含むノード２を示す構成図は、図１である。
　予測部３６は、例えば、図１０に示す予測回路４６によって実現される。
　予測部３６は、データ取得部３１から、モニタリングデータＭＤｎ（ｎ＝１，・・・，Ｎ）を取得する。
　予測部３６は、モニタリングデータＭＤ１～ＭＤＮのそれぞれから、ノード２の状態が同じ状態であるときの一部のデータを抽出する。
　ノード２の状態が同じ状態であるときの一部のデータとしては、例えば、ノード２の移動の状態が同じ状態であるときの一部のデータ、ノード２の稼働状態が同じ状態であるときの一部のデータ、又は、ノード２に接続されている他のシステムの状態が同じ状態であるときの一部のデータがある。
　ノード２の移動の状態としては、例えば、ノード２が高速で移動している状態、ノード２が中速で移動している状態、ノード２が低速で移動している状態、又は、ノード２が停止している状態がある。
　ノード２の稼働状態が同じ状態としては、例えば、ノード２が起動している状態である起動状態、ノード２の起動完了後の状態である通常状態、ノード２がセーフモードで動作している状態であるセーフモード状態、ノード２の動作が休止している状態であるスリープ状態、又は、ノード２の動作が終了している状態である終了状態がある。
　ノード２に接続されている他のシステムの状態としては、例えば、他のシステムの移動の状態、又は、他のシステムの稼働状態がある。他のシステムとしては、例えば、ノード２に接続されている通信システム、又は、ノード２に接続されている車載システムがある。
　予測部３６は、それぞれの一部のデータから、コンテナ１１－ｎが将来使用するリソースの使用量の時間変化を予測する。
　予測部３６は、図２に示す予測部３２と同様に、時間変化の予測結果から、コンテナ１１－１～１１－Ｎが将来使用する合計のリソース使用量の時間変化を算出する。
　図９では、リソース管理装置１２の構成要素であるデータ取得部３１、予測部３６及びコンテナ削除部３３のそれぞれが、図１０に示すような専用のハードウェアによって実現されるものを想定している。即ち、リソース管理装置１２が、データ取得回路４１、予測回路４６及びコンテナ削除回路４３によって実現されるものを想定している。
　データ取得回路４１、予測回路４６及びコンテナ削除回路４３のそれぞれは、例えば、単一回路、複合回路、プログラム化したプロセッサ、並列プログラム化したプロセッサ、ＡＳＩＣ、ＦＰＧＡ、又は、これらを組み合わせたものが該当する。
　リソース管理装置１２の構成要素は、専用のハードウェアによって実現されるものに限るものではなく、リソース管理装置１２が、ソフトウェア、ファームウェア、又は、ソフトウェアとファームウェアとの組み合わせによって実現されるものであってもよい。
　リソース管理装置１２が、ソフトウェア又はファームウェア等によって実現される場合、データ取得部３１、予測部３６及びコンテナ削除部３３におけるそれぞれの処理手順をコンピュータに実行させるためのプログラムが図４に示すメモリ５１に格納される。そして、図４に示すプロセッサ５２がメモリ５１に格納されているプログラムを実行する。
　また、図１０では、リソース管理装置１２の構成要素のそれぞれが専用のハードウェアによって実現される例を示し、図４では、リソース管理装置１２がソフトウェア又はファームウェア等によって実現される例を示している。しかし、これは一例に過ぎず、リソース管理装置１２における一部の構成要素が専用のハードウェアによって実現され、残りの構成要素がソフトウェア又はファームウェア等によって実現されるものであってもよい。
　次に、図９に示すリソース管理装置１２の動作について説明する。予測部３６以外は、図２に示すリソース管理装置１２と同様であるため、ここでは、予測部３６の動作のみを説明する。
　予測部３６は、データ取得部３１から、モニタリングデータＭＤｎ（ｎ＝１，・・・，Ｎ）を取得する。
　予測部３６は、モニタリングデータＭＤ１～ＭＤＮのそれぞれから、ノード２の状態が同じ状態であるときの一部のデータを抽出する。
　即ち、予測部３６は、モニタリングデータＭＤ１～ＭＤＮのそれぞれから、ノード２の状態が同じ状態であるときの一部のデータとして、例えば、ノード２の移動の状態が同じ状態であるときの一部のデータ、ノード２の稼働状態が同じ状態であるときの一部のデータ、又は、ノード２に接続されている他のシステムの状態が同じ状態であるときの一部のデータを抽出する。
　図１１は、予測部３６が、モニタリングデータＭＤ１～ＭＤＮのそれぞれから、ノード２の稼働状態が同じ状態であるときの一部のデータを抽出する例を示す説明図である。
　図１１の例では、モニタリングデータＭＤ１～ＭＤ３のそれぞれから、ノード２の稼働状態が通常状態であるときのデータを抽出している。
　予測部３６は、モニタリングデータＭＤｎに含まれている一部のデータから、コンテナ１１－ｎが将来使用するリソースの使用量の時間変化を予測する。図１１の例では、一部のデータは、ノード２の稼働状態が通常状態であるときのデータである。
　予測部３６の予測処理自体は、図２に示す予測部３２の予測処理と同様であるため詳細な説明を省略する。
　予測部３６は、図２に示す予測部３２と同様に、時間変化の予測結果から、コンテナ１１－１～１１－Ｎが将来使用する合計のリソース使用量の時間変化を算出する。
　図９に示すリソース管理装置１２では、予測部３６が、ノード２の状態が同じ状態であるときの一部のデータから、コンテナ１１－ｎが将来使用するリソースの使用量の時間変化を予測しているため、図２に示す予測部３２よりも予測精度が向上することがある。
　図９に示すリソース管理装置１２では、予測部３６が、モニタリングデータＭＤ１～ＭＤＮのそれぞれから、ノード２の状態が同じ状態であるときの一部のデータを抽出している。しかし、これは一例に過ぎず、予測部３６が、モニタリングデータＭＤ１～ＭＤＮのそれぞれから、ノード２の環境が同じ環境であるときの一部のデータを抽出するようにしてもよい。
　ノード２の環境が同じ環境であるときの一部のデータとしては、例えば、ノード２の周辺の天候に関する環境が同じ環境であるときの一部のデータ、又は、リソースの使用時刻に関する環境が同じ環境であるときの一部のデータがある。
　ノード２の周辺の天候に関する環境としては、例えば、天候が晴れである環境、天候が雨である環境、天候が曇りである環境、又は、天候が雪である環境がある。
　リソースの使用時刻に関する環境としては、例えば、リソースの使用時刻が朝の時間帯に含まれる環境、リソースの使用時刻が昼の時間帯に含まれる環境、リソースの使用時刻が夕方の時間帯に含まれる環境、又は、リソースの使用時刻が夜の時間帯に含まれる環境がある。
　この場合も、予測部３６は、モニタリングデータＭＤｎに含まれている一部のデータから、コンテナ１１－ｎが将来使用するリソースの使用量の時間変化を予測する。
　なお、本開示は、各実施の形態の自由な組み合わせ、あるいは各実施の形態の任意の構成要素の変形、もしくは各実施の形態において任意の構成要素の省略が可能である。
　本開示は、リソース管理装置及びリソース管理方法に適している。
　１　コンテナ配信サーバ、２　ノード、１１－１～１１－Ｎ　コンテナ、１２　リソース管理装置、１３　ＯＳ、１４　コンテナランタイム、３１　データ取得部、３２　予測部、３３　コンテナ削除部、３４　学習モデル、３５　予測部、３６　予測部、４１　データ取得回路、４２　予測回路、４３　コンテナ削除回路、４４　学習回路、４５　予測回路、４６　予測回路、５１　メモリ、５２　プロセッサ。

Claims (20)

  1. 　ノードが有するリソースの中で、前記ノードが備える１つ以上のコンテナのそれぞれが過去に使用したリソースの使用量の時間変化を示すモニタリングデータを取得するデータ取得部と、
    　前記データ取得部により取得されたそれぞれのモニタリングデータから、それぞれのコンテナが将来使用するリソースの使用量の時間変化を予測し、前記時間変化の予測結果から、前記１つ以上のコンテナが将来使用する合計のリソース使用量の時間変化を算出する予測部と、
    　前記予測部により算出された合計のリソース使用量の時間変化の中に、前記合計のリソース使用量が、前記ノードが有するリソースの合計よりも多くなるタイミングが含まれていれば、前記１つ以上のコンテナの中のいずれかのコンテナを削除するコンテナ削除部と
    　を備えたリソース管理装置。
  2. 　前記予測部は、
    　前記データ取得部により取得されたそれぞれのモニタリングデータから、それぞれのコンテナが過去に使用したリソースの使用量の周期を検出し、前記周期内の使用量の時間変化に基づいて、それぞれのコンテナが将来使用するリソースの使用量の時間変化を予測することを特徴とする請求項１記載のリソース管理装置。
  3. 　前記予測部は、
    　前記データ取得部により取得されたそれぞれのモニタリングデータから、それぞれのコンテナが過去に使用したリソースの使用量についての自己相関関数として、遅れ時間が互いに異なる複数の自己相関関数を算出し、前記使用量の周期として、前記複数の自己相関関数の中で、正の相関が最も高い自己相関関数の遅れ時間を特定することを特徴とする請求項２記載のリソース管理装置。
  4. 　前記予測部は、
    　それぞれのコンテナが過去に使用したリソースの使用量に周期性が無ければ、それぞれのコンテナが過去に使用したリソースの使用量のピーク値に基づいて、それぞれのコンテナが将来使用するリソースの使用量の時間変化を予測することを特徴とする請求項１記載のリソース管理装置。
  5. 　前記予測部は、
    　前記１つ以上のコンテナの中に、過去に使用したリソースの使用量に周期性が無いコンテナが複数存在していれば、当該複数のコンテナのそれぞれが過去に使用したリソースの使用量の間の相関係数を算出し、前記相関係数が負の相関であれば、当該複数のコンテナの中で、過去に使用したリソースの使用量のピーク値が最も高いコンテナを特定し、
    　前記１つ以上のコンテナが将来使用する合計のリソース使用量の中に、前記特定したコンテナが将来使用するリソースの使用量を含め、当該複数のコンテナのうち、前記特定したコンテナ以外のコンテナが将来使用するリソースの使用量を含めないことを特徴とする請求項４記載のリソース管理装置。
  6. 　前記予測部は、
    　それぞれのコンテナが過去に使用したリソースの使用量の時間変化を学習モデルに与え、前記学習モデルから、それぞれのコンテナが将来使用するリソースの使用量の時間変化の予測結果を取得することを特徴とする請求項１記載のリソース管理装置。
  7. 　前記予測部は、
    　それぞれのコンテナが過去に使用したリソースの使用量の時間変化と、それぞれのコンテナと異なるコンテナが過去に使用したリソースの使用量の時間変化とを学習モデルに与え、前記学習モデルから、それぞれのコンテナが将来使用するリソースの使用量の時間変化の予測結果を取得することを特徴とする請求項１記載のリソース管理装置。
  8. 　前記予測部は、
    　前記データ取得部により取得された１つ以上のモニタリングデータのそれぞれから、前記ノードの状態が同じ状態であるときの一部のデータを抽出し、それぞれの一部のデータから、それぞれのコンテナが将来使用するリソースの使用量の時間変化を予測することを特徴とする請求項１記載のリソース管理装置。
  9. 　前記予測部は、
    　前記データ取得部により取得された１つ以上のモニタリングデータのそれぞれから、前記ノードの環境が同じ環境であるときの一部のデータを抽出し、それぞれの一部のデータから、それぞれのコンテナが将来使用するリソースの使用量の時間変化を予測することを特徴とする請求項１記載のリソース管理装置。
  10. 　前記予測部は、
    　前記データ取得部により取得された１つ以上のモニタリングデータのそれぞれから、前記ノードの状態が同じ状態であるときの一部のデータとして、前記ノードの移動の状態が同じ状態であるときの一部のデータを抽出することを特徴とする請求項８記載のリソース管理装置。
  11. 　前記予測部は、
    　前記データ取得部により取得された１つ以上のモニタリングデータのそれぞれから、前記ノードの状態が同じ状態であるときの一部のデータとして、前記ノードの稼働状態が同じ状態であるときの一部のデータを抽出することを特徴とする請求項８記載のリソース管理装置。
  12. 　前記予測部は、
    　前記データ取得部により取得された１つ以上のモニタリングデータのそれぞれから、前記ノードの状態が同じ状態であるときの一部のデータとして、前記ノードに接続されている他のシステムの状態が同じ状態であるときの一部のデータを抽出することを特徴とする請求項８記載のリソース管理装置。
  13. 　前記予測部は、
    　前記データ取得部により取得された１つ以上のモニタリングデータのそれぞれから、前記ノードの環境が同じ環境であるときの一部のデータとして、前記ノードの周辺の天候に関する環境が同じ環境であるときの一部のデータを抽出することを特徴とする請求項９記載のリソース管理装置。
  14. 　前記予測部は、
    　前記データ取得部により取得された１つ以上のモニタリングデータのそれぞれから、前記ノードの環境が同じ環境であるときの一部のデータとして、リソースの使用時刻に関する環境が同じ環境であるときの一部のデータを抽出することを特徴とする請求項９記載のリソース管理装置。
  15. 　前記コンテナ削除部は、
    　前記予測部により算出された合計のリソース使用量の時間変化の中に、前記合計のリソース使用量が、前記ノードが有するリソースの合計よりも多くなるタイミングが含まれていれば、前記タイミングでのそれぞれのコンテナのリソース使用量に基づいて、削除対象のコンテナを決定することを特徴とする請求項１記載のリソース管理装置。
  16. 　前記コンテナ削除部は、
    　前記予測部により算出された合計のリソース使用量の時間変化の中に、前記合計のリソース使用量が、前記ノードが有するリソースの合計よりも多くなるタイミングが含まれていれば、それぞれのコンテナが前記ノードに配信された時刻に基づいて、削除対象のコンテナを決定することを特徴とする請求項１記載のリソース管理装置。
  17. 　前記コンテナ削除部は、
    　前記予測部により算出された合計のリソース使用量の時間変化の中に、前記合計のリソース使用量が、前記ノードが有するリソースの合計よりも多くなるタイミングが含まれていれば、それぞれのコンテナの動作優先度に基づいて、削除対象のコンテナを決定することを特徴とする請求項１記載のリソース管理装置。
  18. 　前記コンテナ削除部は、
    　前記予測部により算出された合計のリソース使用量の時間変化の中に、前記合計のリソース使用量が、前記ノードが有するリソースの合計よりも多くなるタイミングが含まれていれば、前記タイミングでのそれぞれのコンテナのリソース使用量と、それぞれのコンテナが前記ノードに配信された時刻と、それぞれのコンテナの動作優先度とに基づいて、削除対象のコンテナを決定することを特徴とする請求項１記載のリソース管理装置。
  19. 　ノードが有するリソースの使用量は、前記ノードが有するＣＰＵ（Ｃｅｎｔｒａｌ　Ｐｒｏｃｅｓｓｉｎｇ　Ｕｎｉｔ）の使用率、前記ノードが有するメモリの使用量、前記ノードが有するストレージの使用量、前記ノードと接続されているネットワークの帯域使用率、又は、前記ノードと接続されている機器の使用率であることを特徴とする請求項１から請求項１８のうちのいずれか１項記載のリソース管理装置。
  20. 　データ取得部が、ノードが有するリソースの中で、前記ノードが備える１つ以上のコンテナのそれぞれが過去に使用したリソースの使用量の時間変化を示すモニタリングデータを取得し、
    　予測部が、前記データ取得部により取得されたそれぞれのモニタリングデータから、それぞれのコンテナが将来使用するリソースの使用量の時間変化を予測し、前記時間変化の予測結果から、前記１つ以上のコンテナが将来使用する合計のリソース使用量の時間変化を算出し、
    　コンテナ削除部が、前記予測部により算出された合計のリソース使用量の時間変化の中に、前記合計のリソース使用量が、前記ノードが有するリソースの合計よりも多くなるタイミングが含まれていれば、前記１つ以上のコンテナの中のいずれかのコンテナを削除する
    　リソース管理方法。
PCT/JP2022/003706 2022-02-01 2022-02-01 リソース管理装置及びリソース管理方法 Ceased WO2023148795A1 (ja)

Priority Applications (3)

Application Number Priority Date Filing Date Title
JP2023578203A JP7459407B2 (ja) 2022-02-01 2022-02-01 リソース管理装置及びリソース管理方法
US18/728,895 US20250094239A1 (en) 2022-02-01 2022-02-01 Resource management device and resource management method
PCT/JP2022/003706 WO2023148795A1 (ja) 2022-02-01 2022-02-01 リソース管理装置及びリソース管理方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
PCT/JP2022/003706 WO2023148795A1 (ja) 2022-02-01 2022-02-01 リソース管理装置及びリソース管理方法

Publications (1)

Publication Number Publication Date
WO2023148795A1 true WO2023148795A1 (ja) 2023-08-10

Family

ID=87553306

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/JP2022/003706 Ceased WO2023148795A1 (ja) 2022-02-01 2022-02-01 リソース管理装置及びリソース管理方法

Country Status (3)

Country Link
US (1) US20250094239A1 (ja)
JP (1) JP7459407B2 (ja)
WO (1) WO2023148795A1 (ja)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2026005424A1 (ko) * 2024-06-28 2026-01-02 코드비전 주식회사 서버리스 플랫폼에 기반하여 컨테이너 예측을 통한 인공지능 서비스를 제공하는 전자 장치 및 그 동작 방법

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2010011620A (ja) * 2008-06-26 2010-01-14 Central Res Inst Of Electric Power Ind 電力系統縮約モデル作成装置、電力系統縮約モデル作成方法および電力系統縮約モデル作成プログラム
JP2020144669A (ja) * 2019-03-07 2020-09-10 日本電気株式会社 情報処理装置、コンテナ配置方法及びコンテナ配置プログラム

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2010011620A (ja) * 2008-06-26 2010-01-14 Central Res Inst Of Electric Power Ind 電力系統縮約モデル作成装置、電力系統縮約モデル作成方法および電力系統縮約モデル作成プログラム
JP2020144669A (ja) * 2019-03-07 2020-09-10 日本電気株式会社 情報処理装置、コンテナ配置方法及びコンテナ配置プログラム

Also Published As

Publication number Publication date
JP7459407B2 (ja) 2024-04-01
US20250094239A1 (en) 2025-03-20
JPWO2023148795A1 (ja) 2023-08-10

Similar Documents

Publication Publication Date Title
US10554577B2 (en) Adaptive resource scheduling for data stream processing
JP5218390B2 (ja) 自律制御サーバ、仮想サーバの制御方法及びプログラム
US20200219028A1 (en) Systems, methods, and media for distributing database queries across a metered virtual network
CN111431996B (zh) 用于资源配置的方法、装置、设备和介质
WO2017128980A1 (zh) 云平台中管理资源的方法和装置
US20160321331A1 (en) Device and method
CN107608781B (zh) 一种负载预测方法、装置以及网元
WO2020172852A1 (en) Computing resource scheduling method, scheduler, internet of things system, and computer readable medium
CN103136322B (zh) 用于配置查询的装置和方法
US9560127B2 (en) Systems, methods and algorithms for logical movement of data objects
JP2024543115A (ja) 集積回路の自動並列シミュレーション方法及びシミュレーション装置
CN115269123A (zh) 一种容器资源调整方法、装置、电子设备及介质
CN113961348A (zh) 一种任务调度方法、装置、设备以及存储介质
JP2017211928A (ja) 分散処理制御システム及び分散処理制御方法
WO2023148795A1 (ja) リソース管理装置及びリソース管理方法
CN113535346A (zh) 线程数量调整的方法、装置、设备及计算机存储介质
US9412267B2 (en) Auto-calibration for road traffic prediction
US20090217282A1 (en) Predicting cpu availability for short to medium time frames on time shared systems
US11847354B2 (en) Data storage using a sliding window cache in a data grid
CN120104356B (zh) 资源分配方法、电子设备、存储介质和程序产品
CN113254191A (zh) 用于运行应用的方法、电子设备和计算机程序产品
JP6627475B2 (ja) 処理リソース制御プログラム、処理リソース制御装置、および処理リソース制御方法
CN119066095A (zh) 一种云际分布式缓存数据库自适应调优方法及系统
JP7457589B2 (ja) 情報処理装置、情報処理方法、および情報処理システム
CN115237610A (zh) 一种基于Kubernetes容器云平台的弹性伸缩方法、装置及应用

Legal Events

Date Code Title Description
121 Ep: the epo has been informed by wipo that ep was designated in this application

Ref document number: 22924709

Country of ref document: EP

Kind code of ref document: A1

WWE Wipo information: entry into national phase

Ref document number: 2023578203

Country of ref document: JP

WWE Wipo information: entry into national phase

Ref document number: 18728895

Country of ref document: US

NENP Non-entry into the national phase

Ref country code: DE

122 Ep: pct application non-entry in european phase

Ref document number: 22924709

Country of ref document: EP

Kind code of ref document: A1

WWP Wipo information: published in national office

Ref document number: 18728895

Country of ref document: US