资源调整方法及装置制造方法及图纸

本申请提供了一种资源调整方法及装置，涉及计算机维护领域，可应用于金融领域和其他领域，所述方法包含：获取服务器的表征性能波动的波动指标类型，根据所述波动指标类型调取历史运行数据中所述波动指标类型和关联的资源指标类型对应的指标数据；根据所述指标数据训练通过深度学习算法构建的识别模型获得性能预测模型；通过所述性能预测模型分析服务器的运行数据中各指标数据获得预测值，将所述预测值与运行数据中的实际值比较获得比较结果，根据所述比较结果于运行数据中确定瓶颈指标；根据所述瓶颈指标对所述服务器进行资源调整。据所述瓶颈指标对所述服务器进行资源调整。据所述瓶颈指标对所述服务器进行资源调整。

【技术实现步骤摘要】
资源调整方法及装置


[0001]本申请涉及计算机维护领域，可应用于金融领域和其他领域，尤指一种资源调整方法及装置。

技术介绍

[0002]混合部署模式下，由于各应用程序无序共享底层资源，容易造成性能干扰，例如一个程序在某个时刻消耗内存较多，导致其他的程序不能获取到足够的内存资源，导致其他程序无法正常完成工作。
[0003]当前国内外在混合部署的情况下，会为虚拟机配置足够多的资源，这种现象导致严重的资源浪费，而如果不配置足够多的资源，又有多个应用程序部署在同一个虚拟机上，由于这些应用相互之间没有隔离机制，容易导致资源竞争，出现性能干扰问题。目前业界主流的方法是通过配置足够多的资源，这样各个程序都有充足的资源去完成任务，不会出现资源竞争情况。虽然，通过配置充足的资源可保证混合部署环境下各程序的平稳运行，但这种方式对各程序需要消耗资源的多少难以估量，且较为耗费资源，如果在评估资源的时候考虑不充分，资源评估低于资源使用上限，则会导致资源不足，混合部署的程序都没法正常工作的情况。

技术实现思路

[0004]本申请目的在于提供一种资源调整方法及装置，针对共享资源造成应用性能干扰成因比较复杂的问题，予以快速确定导致性能出现波动的资源类型并进行资源调整，以保障混合部署下的程序平稳运行。
[0005]为达上述目的，本申请所提供的一种资源调整方法，所述方法包含：获取服务器的表征性能波动的波动指标类型，根据所述波动指标类型调取历史运行数据中所述波动指标类型和关联的资源指标类型对应的指标数据；根据所述指标数据训练通过深度学习算法构建的识别模型获得性能预测模型；通过所述性能预测模型分析服务器的运行数据中各指标数据获得预测值，将所述预测值与运行数据中的实际值比较获得比较结果，根据所述比较结果于运行数据中确定瓶颈指标；根据所述瓶颈指标对所述服务器进行资源调整。
[0006]在上述资源调整方法中，可选的，根据所述指标数据训练通过深度学习算法构建的识别模型获得性能预测模型包含：将所述指标数据按预设比例划分为训练数据集和验证数据集；通过所述训练数据集中的波动指标类型和资源指标类型的数据，训练和调参利用深度学习算法构建的识别模型；通过所述验证数据集中的波动指标类型和资源指标类型的数据验证训练后的识别模型，当所述识别模型根据资源指标类型的数据预测的波动指标类型的数据与实际数据差值小于预设阈值时，根据所述识别模型获得性能预测模型。
[0007]在上述资源调整方法中，可选的，根据所述比较结果于运行数据中确定瓶颈指标包含：当多个指标数据所对应的比较结果高于预设阈值时，比较各指标数据所对应的比较结果；将比较结果最大的指标数据所对应的指标类型确定为瓶颈指标。
[0008]在上述资源调整方法中，可选的，根据所述瓶颈指标对所述服务器进行资源调整包含：根据所述瓶颈指标，通过动态扩充瓶颈指标资源的方式调整所述服务器的资源分配；或，将所述服务器中混合部署下的预定应用隔离。
[0009]在上述资源调整方法中，可选的，表征性能波动的指标类型包含每秒钟所能执行的指令条数指标和执行一条指令所需的时钟周期数指标。
[0010]在上述资源调整方法中，可选的，资源指标类型包含处理器指标、内存指标、I/O输入输出指标、磁盘空间指标和网络连接数指标。
[0011]本申请还提供一种资源调整装置，所述装置包含采集模块、构建模块、分析模块和调整模块；所述采集模块用于获取服务器的表征性能波动的波动指标类型，根据所述波动指标类型调取历史运行数据中所述波动指标类型和关联的资源指标类型对应的指标数据；所述构建模块用于根据所述指标数据训练通过深度学习算法构建的识别模型获得性能预测模型；所述分析模块用于通过所述性能预测模型分析服务器的运行数据中各指标数据获得预测值，将所述预测值与运行数据中的实际值比较获得比较结果，根据所述比较结果于运行数据中确定瓶颈指标；所述调整模块用于根据所述瓶颈指标对所述服务器进行资源调整。
[0012]在上述资源调整装置中，可选的，所述构建模块包含拆分单元、训练单元和验证单元；所述拆分单元用于将所述指标数据按预设比例划分为训练数据集和验证数据集；所述训练单元用于通过所述训练数据集中的波动指标类型和资源指标类型的数据，训练和调参利用深度学习算法构建的识别模型；所述验证单元用于通过所述验证数据集中的波动指标类型和资源指标类型的数据验证训练后的识别模型，当所述识别模型根据资源指标类型的数据预测的波动指标类型的数据与实际数据差值小于预设阈值时，根据所述识别模型获得性能预测模型。
[0013]在上述资源调整装置中，可选的，所述分析模块包含比较单元，所述比较单元用于当多个指标数据所对应的比较结果高于预设阈值时，比较各指标数据所对应的比较结果；将比较结果最大的指标数据所对应的指标类型确定为瓶颈指标。
[0014]在上述资源调整装置中，可选的，所述调整模块包含扩充单元和隔离单元；所述扩充单元用于根据所述瓶颈指标，通过动态扩充瓶颈指标资源的方式调整所述服务器的资源分配；所述隔离单元用于根据所述瓶颈指标，将所述服务器中混合部署下的预定应用隔离。
[0015]本申请还提供一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现上述方法。
[0016]本申请还提供一种计算机可读存储介质，所述计算机可读存储介质存储有执行上述方法的计算机程序。
[0017]本申请的有益技术效果在于：选取IPS(每秒钟所能执行的指令条数)、CPI(执行一条指令所需的时钟周期数)作为性能的表征指标，即当这两个指标出现波动的时候说明程序的性能受到了波动，选取CPU、内存、IO数、磁盘空间、网络连接数作为资源指标，利用深度学习算法对各性能指标和资源指标进行监控和预测，当性能检测到性能指标出现波动的时候，检测各资源指标，将波动最大的资源指标作为瓶颈资源，然后通过调整瓶颈资源或者隔离非核心应用来保障核心应用的平稳运行。
附图说明
[0018]此处所说明的附图用来提供对本申请的进一步理解，构成本申请的一部分，并不构成对本申请的限定。在附图中：
[0019]图1为本申请一实施例所提供的资源调整方法的流程示意图；
[0020]图2为本申请一实施例所提供的性能预测模型的获取流程示意图；
[0021]图3为本申请一实施例所提供的瓶颈指标的获取流程示意图；
[0022]图4为本申请一实施例所提供的资源调整装置的结构示意图；
[0023]图5为本申请一实施例所提供的电子设备的结构示意图。
具体实施方式
[0024]以下将结合附图及实施例来详细说明本申请的实施方式，借此对本申请如何应用技术手段来解决技术问题，并达成技术效果的实现过程能充分理解并据以实施。需要说明的是，只要不构成冲突，本申请中的各个实施例及各实施例中的各个特征可以相互结合，所形成的技术方案均在本申请的保护范围之内。
[0025]另外，在附图的流程图示出的步骤可以在本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种资源调整方法，其特征在于，所述方法包含：获取服务器的表征性能波动的波动指标类型，根据所述波动指标类型调取历史运行数据中所述波动指标类型和关联的资源指标类型对应的指标数据；根据所述指标数据训练通过深度学习算法构建的识别模型获得性能预测模型；通过所述性能预测模型分析服务器的运行数据中各指标数据获得预测值，将所述预测值与运行数据中的实际值比较获得比较结果，根据所述比较结果于运行数据中确定瓶颈指标；根据所述瓶颈指标对所述服务器进行资源调整。2.根据权利要求1所述的资源调整方法，其特征在于，根据所述指标数据训练通过深度学习算法构建的识别模型获得性能预测模型包含：将所述指标数据按预设比例划分为训练数据集和验证数据集；通过所述训练数据集中的波动指标类型和资源指标类型的数据，训练和调参利用深度学习算法构建的识别模型；通过所述验证数据集中的波动指标类型和资源指标类型的数据验证训练后的识别模型，当所述识别模型根据资源指标类型的数据预测的波动指标类型的数据与实际数据差值小于预设阈值时，根据所述识别模型获得性能预测模型。3.根据权利要求2所述的资源调整方法，其特征在于，根据所述比较结果于运行数据中确定瓶颈指标包含：当多个指标数据所对应的比较结果高于预设阈值时，比较各指标数据所对应的比较结果；将比较结果最大的指标数据所对应的指标类型确定为瓶颈指标。4.根据权利要求1所述的资源调整方法，其特征在于，根据所述瓶颈指标对所述服务器进行资源调整包含：根据所述瓶颈指标，通过动态扩充瓶颈指标资源的方式调整所述服务器的资源分配；或，将所述服务器中混合部署下的预定应用隔离。5.根据权利要求...

【专利技术属性】
技术研发人员：程鹏，白佳乐，任政，郑杰，
申请(专利权)人：中国工商银行股份有限公司，
类型：发明
国别省市：