应用资源密集类型的分类方法、装置和计算机设备制造方法及图纸

本申请涉及大数据技术领域，特别是涉及一种应用资源密集类型的分类方法、装置和计算机设备。所述方法包括：确定目标应用对应的至少一个目标节点，获取各所述目标节点的各资源类型指标对应的指标数据；根据各所述目标节点的各所述资源类型指标对应的所述指标数据，确定所述目标应用对应的数据向量；采用预训练的目标聚类模型对所述数据向量进行处理，得到所述目标应用对应的资源密集类型。采用本方法能够提高应用资源密集类型的分类速度和精度。提高应用资源密集类型的分类速度和精度。提高应用资源密集类型的分类速度和精度。

【技术实现步骤摘要】
应用资源密集类型的分类方法、装置和计算机设备


[0001]本申请涉及大数据
，特别是涉及一种应用资源密集类型的分类方法、装置和计算机设备。

技术介绍

[0002]在大规模PAAS(Platform as a Service，平台级服务)管理平台集群部署架构下，应用按资源消耗情况往往可以划分为CPU(中央处理器，central processing unit)密集型，内存密集型，网络密集型、磁盘IO(Input Output，磁盘读写速率)密集型等资源密集型。
[0003]K8S(Kubernetes，一种开源平台)集群在对应用pod(部署单元)进行调度时，由于不考虑应用的资源密集型，可能会将同种资源密集型的应用pod同时调度到一个node(部署节点)上，导致出现资源瓶颈。为了避免上述情况发生，传统技术中一般是人工基于应用画像对每个应用的资源密集型进行分类，然后自定义调度器，实现pod调度时尽量均衡化。但应用画像与业务耦合性过高，缺乏普遍性，在每次对应用进行资源密集型分类时，都需要人为对训练数据、应用画像特征指标等进行干预，成本高，本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种应用资源密集类型的分类方法，其特征在于，所述方法包括：确定目标应用对应的至少一个目标节点，获取各所述目标节点的各资源类型指标对应的指标数据，所述各资源类型指标包括各资源密集类型对应的至少一个资源类型指标；根据各所述目标节点的各所述资源类型指标对应的所述指标数据，确定所述目标应用对应的数据向量；采用预训练的目标聚类模型对所述数据向量进行处理，得到所述目标应用对应的资源密集类型。2.根据权利要求1所述的方法，其特征在于，所述根据各所述目标节点的各所述资源类型指标对应的所述指标数据，确定所述目标应用对应的数据向量，包括：针对任一所述目标节点，根据所述目标节点的各所述资源类型指标对应的所述指标数据，构建得到所述目标节点对应的资源类型指标向量；对各所述目标节点对应的所述资源类型指标向量进行聚合处理，得到所述目标应用对应的数据向量。3.根据权利要求2所述的方法，其特征在于，所述对各所述目标节点对应的所述资源类型指标向量进行聚合处理，得到所述目标应用对应的数据向量，包括：将各所述目标节点对应的所述资源类型指标向量聚合，得到所述目标应用对应的初始数据向量；基于模型训练周期内预先采集的各应用的样本初始数据向量，对所述初始数据向量进行归一化处理，得到所述目标应用对应的数据向量。4.根据权利要求1所述的方法，其特征在于，所述采用预训练的目标聚类模型对所述数据向量进行处理，得到所述目标应用对应的资源密集类型，包括：将所述数据向量输入预训练的目标聚类模型，得到所述目标应用对应的目标聚类簇标签；根据所述目标聚类簇标签，以及各资源密集类型与各聚类簇标签的映射关系，确定所述目标应用对应的所述资源密集类型。5.根据权利要求1所述的方法，其特征在于，所述方法还包括：针对多个应用中的任一所述应用，确定所述应用对应的多个节点，获取各所述节点的各所述资源类型指标对应的样本指标数据；根据各所述节点的各所述资源类型指标对应的所述样本指标数据，确定各所述应用对应的样本数据向量；根据各所述应用对应的所述样本数据向量，对初...

【专利技术属性】
技术研发人员：彭博远，许振峰，李秀萍，沈震宇，
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：