本發(fā)明涉及互聯(lián)云服務(wù)，更具體地說(shuō)，本發(fā)明涉及基于互聯(lián)云服務(wù)的智能資源調(diào)度與負(fù)載均衡方法。

背景技術(shù)：

1、隨著云計(jì)算技術(shù)的發(fā)展，云服務(wù)器資源的調(diào)度與負(fù)載均衡變得尤為重要。有效的資源調(diào)度和負(fù)載均衡可以提高云服務(wù)的可用性、響應(yīng)速度和成本效益。

2、為了進(jìn)行有效的資源需求預(yù)測(cè)，并進(jìn)行資源的調(diào)度，實(shí)現(xiàn)用戶需求與資源之間的優(yōu)化調(diào)度與匹配，現(xiàn)有公開(kāi)號(hào)cn111913780a的專利申請(qǐng)?zhí)岢隽嗽朴?jì)算中的資源預(yù)測(cè)與調(diào)度方法，方法包括：s10：根據(jù)資源需求歷史數(shù)據(jù)對(duì)至少一個(gè)虛擬機(jī)進(jìn)行下一時(shí)刻的資源需求預(yù)測(cè)；s20：根據(jù)資源需求的預(yù)測(cè)值，對(duì)服務(wù)器上配置給所述虛擬機(jī)的資源進(jìn)行動(dòng)態(tài)調(diào)度。

3、上述方法雖能滿足大部分場(chǎng)景，但對(duì)上述方法以及現(xiàn)有技術(shù)進(jìn)行研究和實(shí)際應(yīng)用發(fā)現(xiàn)，上述方法以及現(xiàn)有技術(shù)至少存在以下部分缺陷：

4、現(xiàn)有技術(shù)僅依賴資源需求歷史數(shù)進(jìn)行資源需求預(yù)測(cè)，未考慮未來(lái)時(shí)間的多種影響因素，例如是否是工作日、時(shí)間段和時(shí)間區(qū)間等，且資源調(diào)度的靈活性和擴(kuò)展性不足，不支持虛擬機(jī)與容器進(jìn)行混合調(diào)度，導(dǎo)致無(wú)法適應(yīng)復(fù)雜多變的實(shí)際需求。

5、鑒于此，本發(fā)明提出基于互聯(lián)云服務(wù)的智能資源調(diào)度與負(fù)載均衡方法以解決上述問(wèn)題。

技術(shù)實(shí)現(xiàn)思路

1、為了克服現(xiàn)有技術(shù)的上述缺陷，為實(shí)現(xiàn)上述目的，本發(fā)明提供如下技術(shù)方案：基于互聯(lián)云服務(wù)的智能資源調(diào)度與負(fù)載均衡方法，包括：

2、采集第一最大請(qǐng)求數(shù)和第二最大請(qǐng)求數(shù)，所述第一最大請(qǐng)求數(shù)為單個(gè)容器在cpu資源和內(nèi)存資源不過(guò)載的前提下，每秒處理的最大請(qǐng)求數(shù)量，所述第二最大請(qǐng)求數(shù)為單個(gè)虛擬機(jī)在cpu資源和內(nèi)存資源不過(guò)載的前提下，每秒處理的最大請(qǐng)求數(shù)量；

3、采集未來(lái)單位時(shí)間內(nèi)的時(shí)間區(qū)間；

4、采集單位時(shí)間內(nèi)云服務(wù)器的cpu使用率、內(nèi)存使用率、磁盤(pán)使用率、網(wǎng)絡(luò)延遲時(shí)間和云服務(wù)訪問(wèn)量；

5、對(duì)時(shí)間區(qū)間進(jìn)行分析處理，得到日期屬性標(biāo)簽和時(shí)間段數(shù)值；

6、對(duì)cpu使用率、內(nèi)存使用率、磁盤(pán)使用率、網(wǎng)絡(luò)延遲時(shí)間和云服務(wù)訪問(wèn)量分別進(jìn)行預(yù)處理，得到cpu使用率均值、內(nèi)存使用率均值、磁盤(pán)使用率均值、網(wǎng)絡(luò)延遲均值和訪問(wèn)量均值；

7、將訪問(wèn)預(yù)測(cè)數(shù)據(jù)輸入至預(yù)先訓(xùn)練的訪問(wèn)預(yù)測(cè)模型中，得到預(yù)測(cè)的云服務(wù)訪問(wèn)量；所述訪問(wèn)預(yù)測(cè)數(shù)據(jù)包括cpu使用率均值、內(nèi)存使用率均值、磁盤(pán)使用率均值、網(wǎng)絡(luò)延遲均值、訪問(wèn)量均值、日期屬性標(biāo)簽和時(shí)間段數(shù)值；

8、根據(jù)預(yù)測(cè)的云服務(wù)訪問(wèn)量，結(jié)合第一最大請(qǐng)求數(shù)和第二最大請(qǐng)求數(shù)，分別計(jì)算得到虛擬機(jī)需求數(shù)量和容器需求數(shù)量，根據(jù)虛擬機(jī)需求數(shù)量和容器需求數(shù)量對(duì)云服務(wù)的虛擬機(jī)和容器進(jìn)行資源調(diào)度與分配。

9、進(jìn)一步地，所述日期屬性標(biāo)簽的獲取方法包括：

10、s101：判斷時(shí)間區(qū)間的起始點(diǎn)日期與終止點(diǎn)日期是否一致；若不一致，則執(zhí)行s102；若一致，則執(zhí)行s103；

11、s102：若起始點(diǎn)日期為工作日，終止點(diǎn)日期為非工作日，則將日期屬性標(biāo)簽標(biāo)記為a1；若起始點(diǎn)日期為非工作日，終止點(diǎn)日期為工作日，則將日期屬性標(biāo)簽標(biāo)記為a2；

12、s103：若起始點(diǎn)日期和終止點(diǎn)日期均為工作日，則將日期屬性標(biāo)簽標(biāo)記為a3；若起始點(diǎn)日期和終止點(diǎn)日期均為非工作日，則將日期屬性標(biāo)簽標(biāo)記為a4。

13、進(jìn)一步地，所述時(shí)間段數(shù)值的獲取方法包括：

14、s111：預(yù)構(gòu)時(shí)間段數(shù)值表；所述時(shí)間段數(shù)值表包括時(shí)間段，以及時(shí)間段對(duì)應(yīng)的時(shí)間段數(shù)值，所述時(shí)間段不包括年月日。

15、s112：將時(shí)間區(qū)間去除年月日，得到未來(lái)單位時(shí)間的時(shí)間段；所述時(shí)間段數(shù)值表中的時(shí)間段長(zhǎng)度大于或等于未來(lái)單位時(shí)間的時(shí)間段長(zhǎng)度。

16、s113：若未來(lái)單位時(shí)間的時(shí)間段在時(shí)間段數(shù)值表中的時(shí)間段之內(nèi)，則未來(lái)單位時(shí)間的時(shí)間段數(shù)值為時(shí)間段數(shù)值表中對(duì)應(yīng)的時(shí)間段數(shù)值；

17、s114：若所述未來(lái)單位時(shí)間的時(shí)間段與時(shí)間段數(shù)值表中的任一時(shí)間段不匹配，即所述未來(lái)單位時(shí)間的時(shí)間段不完全包含于時(shí)間段數(shù)值表中的任一時(shí)間段內(nèi)，則計(jì)算未來(lái)單位時(shí)間的時(shí)間段在時(shí)間段數(shù)值表中的各時(shí)間段占比，取占比最大的時(shí)間段對(duì)應(yīng)的時(shí)間段數(shù)值作為未來(lái)單位時(shí)間的時(shí)間段數(shù)值。

18、進(jìn)一步地，所述cpu使用率均值的獲取方法包括：

19、將單位時(shí)間內(nèi)的cpu使用率建立cpu分析集合，所述cpu分析集合包括h個(gè)時(shí)間段的cpu使用率，計(jì)算cpu分析集合中的cpu使用率均值；

20、所述內(nèi)存使用率均值的獲取方法包括：

21、將單位時(shí)間內(nèi)的內(nèi)存使用率建立內(nèi)存分析集合，所述內(nèi)存分析集合包括h個(gè)時(shí)間段的內(nèi)存使用率，計(jì)算內(nèi)存分析集合中的內(nèi)存使用率均值；

22、所述磁盤(pán)使用率均值的獲取方法包括：

23、將單位時(shí)間內(nèi)的磁盤(pán)使用率建立磁盤(pán)分析集合，所述磁盤(pán)分析集合包括h個(gè)時(shí)間段的磁盤(pán)使用率，計(jì)算磁盤(pán)分析集合中的磁盤(pán)使用率均值。

24、進(jìn)一步地，所述網(wǎng)絡(luò)延遲均值的獲取方法包括：

25、將單位時(shí)間內(nèi)的網(wǎng)絡(luò)延遲時(shí)間建立延遲分析集合，所述延遲分析集合包括h個(gè)時(shí)間段的網(wǎng)絡(luò)延遲時(shí)間，計(jì)算延遲分析集合中的網(wǎng)絡(luò)延遲時(shí)間均值；

26、所述訪問(wèn)量均值的獲取方法包括：

27、將單位時(shí)間內(nèi)的云服務(wù)訪問(wèn)量建立訪問(wèn)量分析集合，所述訪問(wèn)量分析集合包括h個(gè)時(shí)間段的云服務(wù)訪問(wèn)量，計(jì)算訪問(wèn)量分析集合中的云服務(wù)訪問(wèn)量均值。

28、進(jìn)一步地，所述訪問(wèn)預(yù)測(cè)模型的訓(xùn)練方法包括：

29、預(yù)先收集訪問(wèn)預(yù)測(cè)數(shù)據(jù)集，所述訪問(wèn)預(yù)測(cè)數(shù)據(jù)集包括訪問(wèn)預(yù)測(cè)數(shù)據(jù)以及訪問(wèn)預(yù)測(cè)數(shù)據(jù)對(duì)應(yīng)的云服務(wù)訪問(wèn)量；將所述訪問(wèn)預(yù)測(cè)數(shù)據(jù)集劃分為訓(xùn)練集與測(cè)試集，構(gòu)建分類(lèi)器，將訓(xùn)練集中的訪問(wèn)預(yù)測(cè)數(shù)據(jù)作為訪問(wèn)預(yù)測(cè)模型的輸入，將訓(xùn)練集中的云服務(wù)訪問(wèn)量作為訪問(wèn)預(yù)測(cè)模型的輸出，以最小化所有預(yù)測(cè)的云服務(wù)訪問(wèn)量的預(yù)測(cè)準(zhǔn)確度之和作為訓(xùn)練目標(biāo)；直至預(yù)測(cè)準(zhǔn)確度之和達(dá)到收斂時(shí)停止訓(xùn)練；所述訪問(wèn)預(yù)測(cè)模型為梯度提升樹(shù)模型或長(zhǎng)短期記憶網(wǎng)絡(luò)模型。

30、進(jìn)一步地，所述對(duì)云服務(wù)的虛擬機(jī)和容器進(jìn)行資源調(diào)度與分配的方法包括：

31、s121：根據(jù)預(yù)測(cè)的云服務(wù)訪問(wèn)量，計(jì)算預(yù)測(cè)每秒訪問(wèn)量；

32、s122：獲取部署的虛擬機(jī)與容器的比例，標(biāo)記為部署比例；

33、s123：將部署比例轉(zhuǎn)換成虛擬機(jī)占比和容器占比；

34、s124：根據(jù)預(yù)測(cè)每秒訪問(wèn)量和虛擬機(jī)占比計(jì)算虛擬機(jī)需求數(shù)量；

35、s125：根據(jù)預(yù)測(cè)每秒訪問(wèn)量和容器占比計(jì)算容器需求數(shù)量；

36、s126：使用虛擬機(jī)管理工具在未來(lái)單位時(shí)間內(nèi)自動(dòng)調(diào)整并部署數(shù)量為虛擬機(jī)需求數(shù)量的虛擬機(jī)；使用容器管理工具在未來(lái)單位時(shí)間內(nèi)自動(dòng)調(diào)整并部署數(shù)量為容器需求數(shù)量的容器；

37、s127：使用云服務(wù)負(fù)載均衡器將訪問(wèn)請(qǐng)求自動(dòng)分配到容器和虛擬機(jī)上。

38、進(jìn)一步地，所述預(yù)測(cè)每秒訪問(wèn)量的計(jì)算方法包括：

39、將未來(lái)單位時(shí)間轉(zhuǎn)換成秒，標(biāo)記為tm；將tm代入預(yù)測(cè)每秒訪問(wèn)量的計(jì)算公式得到預(yù)測(cè)每秒訪問(wèn)量；所述預(yù)測(cè)每秒訪問(wèn)量的計(jì)算公式為：

40、

41、sfw為預(yù)測(cè)每秒訪問(wèn)量，fwlall為云服務(wù)訪問(wèn)量；

42、所述虛擬機(jī)占比的獲取方法為：

43、

44、xnj為虛擬機(jī)占比，xnjf為虛擬機(jī)的份數(shù)，rqf為容器的份數(shù)；

45、所述容器占比的獲取方法為：

46、rq＝1-xnj；

47、rq為容器占比。

48、進(jìn)一步地，根據(jù)所述預(yù)測(cè)每秒訪問(wèn)量和虛擬機(jī)占比計(jì)算虛擬機(jī)需求數(shù)量的方法包括：

49、s1241：計(jì)算虛擬機(jī)應(yīng)處理的請(qǐng)求數(shù)量，標(biāo)記為虛擬機(jī)處理數(shù)量；

50、所述虛擬機(jī)處理數(shù)量的計(jì)算方法為：

51、xncl＝sfw×xnj；

52、xncl為虛擬機(jī)處理數(shù)量，sfw為預(yù)測(cè)每秒訪問(wèn)量，xnj為虛擬機(jī)占比；

53、s1242：計(jì)算虛擬機(jī)初步需求，所述虛擬機(jī)初步需求為虛擬機(jī)處理數(shù)量與第二最大請(qǐng)求數(shù)之商；

54、所述虛擬機(jī)初步需求的計(jì)算方法為：

55、

56、xnxq為虛擬機(jī)初步需求，demax為第二最大請(qǐng)求數(shù)；

57、s1243：若xnxq為整數(shù)，則xnxq為虛擬機(jī)需求數(shù)量；若xnxq不為整數(shù)，判斷xnxq的小數(shù)部分是否大于或等于0.5，若xnxq的小數(shù)部分大于或等于0.5，則為虛擬機(jī)需求數(shù)量，若xnxq的小數(shù)部分小于0.5，則為虛擬機(jī)需求數(shù)量，將虛擬機(jī)需求數(shù)量標(biāo)記為xnsl。

58、進(jìn)一步地，根據(jù)所述預(yù)測(cè)每秒訪問(wèn)量和容器占比計(jì)算容器需求數(shù)量的方法包括：

59、s1251：計(jì)算虛擬機(jī)處理數(shù)量的未處理數(shù)據(jù)數(shù)量，將未處理數(shù)據(jù)數(shù)量標(biāo)記為wcl；

60、所述未處理數(shù)據(jù)數(shù)量的計(jì)算方法為：

61、若xnsl×demax-xncl大于或等于0，則wcl的值為0；若xnsl×demax-xncl小于0，則wcl的值為xncl-xnsl×demax；

62、s1252：計(jì)算容器應(yīng)處理的數(shù)據(jù)，標(biāo)記為容器處理數(shù)據(jù)；

63、所述容器處理數(shù)據(jù)的計(jì)算方法為：

64、rqcl＝sfw×rq+wcl；

65、rqcl為容器處理數(shù)據(jù)，sfw為預(yù)測(cè)每秒訪問(wèn)量，rq為容器占比；

66、s1253：計(jì)算容器需求數(shù)量；

67、所述容器需求數(shù)量的計(jì)算方法為：

68、

69、rqsl為容器需求數(shù)量，dymax為第一最大請(qǐng)求數(shù)。

70、本發(fā)明基于互聯(lián)云服務(wù)的智能資源調(diào)度與負(fù)載均衡方法的技術(shù)效果和優(yōu)點(diǎn)：采集未來(lái)單位時(shí)間內(nèi)的時(shí)間區(qū)間，經(jīng)分析處理得到日期屬性標(biāo)簽和時(shí)間段數(shù)值，采集單位時(shí)間內(nèi)云服務(wù)器的gpu使用率、內(nèi)存使用率、磁盤(pán)使用率、網(wǎng)絡(luò)延遲時(shí)間和云服務(wù)訪問(wèn)量，對(duì)gpu使用率、內(nèi)存使用率、磁盤(pán)使用率、網(wǎng)絡(luò)延遲時(shí)間和云服務(wù)訪問(wèn)量分別進(jìn)行預(yù)處理，得到cpu使用率均值、內(nèi)存使用率均值、磁盤(pán)使用率均值、網(wǎng)絡(luò)延遲均值和訪問(wèn)量均值，通過(guò)機(jī)器學(xué)習(xí)模型預(yù)測(cè)云服務(wù)訪問(wèn)量，提高了未來(lái)云服務(wù)訪問(wèn)量的預(yù)測(cè)準(zhǔn)確度，為提前分配和調(diào)整資源做了基礎(chǔ)。通過(guò)壓力測(cè)試分別得到容器和虛擬機(jī)每秒可以處理的最大請(qǐng)求數(shù)量，準(zhǔn)確的評(píng)估了容器和虛擬機(jī)處理訪問(wèn)請(qǐng)求的能力。根據(jù)預(yù)測(cè)的云服務(wù)訪問(wèn)量，以及容器和虛擬機(jī)的處理能力，計(jì)算并分配所需的資源數(shù)量，避免過(guò)度配置和資源閑置，從而優(yōu)化資源使用，滿足不同時(shí)間段的需求。本發(fā)明引入未來(lái)時(shí)間的多種影響因素，采用機(jī)器學(xué)習(xí)模型預(yù)測(cè)云服務(wù)訪問(wèn)量，并結(jié)合虛擬機(jī)和容器的混合部署與動(dòng)態(tài)調(diào)度，克服了現(xiàn)有技術(shù)在資源預(yù)測(cè)、調(diào)度靈活性和資源利用率方面的不足。通過(guò)精確的資源管理和優(yōu)化，降低了云服務(wù)供應(yīng)商的運(yùn)營(yíng)成本，提高了云服務(wù)的效益和可用性，實(shí)現(xiàn)負(fù)載均衡。