-
公开(公告)号：CN108595301A
公开(公告)日：2018-09-28
申请号：CN201810252229.2
申请日：2018-03-26
Applicant: 中国科学院计算技术研究所
Abstract: 本发明涉及一种基于机器学习的服务器能耗预测方法和系统，包括：分别采集服务器在零负载、低负载和高负载状态下的系统资源利用率和实时能耗，作为零负载训练集、低负载训练集和高负载训练集；分别将零负载训练集、低负载训练集和高负载训练集输入机器学习模型进行训练，生成零负载能耗模型、低负载能耗模型和高负载能耗模型；根据服务器的待预测系统资源利用率，选择零负载能耗模型，或低负载能耗模型，或高负载能耗模型，以预测服务器的能耗值，系统资源利用率包括：内存利用率、网络带宽利用率、磁盘利用率和CPU利用率，由此本发明通过扩充采集的系统资源利用率参数和分段训练模型，提高了预测精度和实用性。
-
公开(公告)号：CN109408230A
公开(公告)日：2019-03-01
申请号：CN201811175293.1
申请日：2018-10-10
Applicant: 中国科学院计算技术研究所
Abstract: 本发明涉及一种基于能耗优化的Docker容器的部署方法及系统，包括以下步骤：步骤1)收集待部署的Docker容器信息以及目标服务器信息；步骤2)分别计算每个待部署Docker容器运行在每一台目标服务器上时的能耗值；步骤3)基于贪心策略为所述每一台目标服务器部署一个最优Docker容器；所述最优Docker容器是指针对任一台目标服务器，所有当前剩余待分配的Docker容器中，所述能耗值最低的Docker容器。
-
公开(公告)号：CN108595301B
公开(公告)日：2021-03-26
申请号：CN201810252229.2
申请日：2018-03-26
Applicant: 中国科学院计算技术研究所
Abstract: 本发明涉及一种基于机器学习的服务器能耗预测方法和系统，包括：分别采集服务器在零负载、低负载和高负载状态下的系统资源利用率和实时能耗，作为零负载训练集、低负载训练集和高负载训练集；分别将零负载训练集、低负载训练集和高负载训练集输入机器学习模型进行训练，生成零负载能耗模型、低负载能耗模型和高负载能耗模型；根据服务器的待预测系统资源利用率，选择零负载能耗模型，或低负载能耗模型，或高负载能耗模型，以预测服务器的能耗值，系统资源利用率包括：内存利用率、网络带宽利用率、磁盘利用率和CPU利用率，由此本发明通过扩充采集的系统资源利用率参数和分段训练模型，提高了预测精度和实用性。
-
公开(公告)号：CN109408230B
公开(公告)日：2021-07-20
申请号：CN201811175293.1
申请日：2018-10-10
Applicant: 中国科学院计算技术研究所
Abstract: 本发明涉及一种基于能耗优化的Docker容器的部署方法及系统，包括以下步骤：步骤1)收集待部署的Docker容器信息以及目标服务器信息；步骤2)分别计算每个待部署Docker容器运行在每一台目标服务器上时的能耗值；步骤3)基于贪心策略为所述每一台目标服务器部署一个最优Docker容器；所述最优Docker容器是指针对任一台目标服务器，所有当前剩余待分配的Docker容器中，所述能耗值最低的Docker容器。
-
-
-
Search Results
4
records
(took 0.019 seconds)
