1 |
1
클라우드 엣지 관리장치가, 클라우드 엣지 내 복수의 클러스터에 포함된 복수의 노드 및 복수의 포드에 예측 모델을 배포하는 단계;클라우드 엣지 관리장치가, 학습 데이터 셋을 생성하는 단계; 클라우드 엣지 관리장치가, 생성된 학습 데이터 셋을 기반으로 예측 모델을 학습시키고, 학습된 예측 모델을 저장하는 단계; 및 클라우드 엣지 관리장치가, 저장된 예측 모델을 이용하여, 마이그레이션(Migration) 대상을 선택하는 단계;를 포함하고,예측 모델을 배포하는 단계는, Prediction Administrator를 통해 생성되는 모든 노드 및 포드에 대해 예측 모델을 배포하며, 예측 모델을 배포하는 단계는, Edge 노드에 존재하는 각 포드에 배포된 예측 모델을 짝(Pair)으로 생성하여 부하를 개별적으로 예측하거나 또는 Edge 노드에 존재하는 각 포드를 서비스별 그룹으로 묶어, 부하를 그룹별로 예측하고, 예측 모델을 배포하는 단계는, Migration Administrator에서 초기화 시, 예측 모델의 배포를 동시에 수행하고, 학습 데이터 셋을 생성하는 단계는,예측 모델 배포 후, 각 포드의 학습용 메트릭(Metric) 데이터를 수집하며 데이터 셋을 확장하고,메트릭 데이터는,CPU 사용률 수집을 위한 usageNanoCores(사용코어수), usageCoreNanoSeconds(코어 이용시간), 메모리 점유율 수집을 위한 usageBytes(메모리 사용 크기), 사용 저장공간 크기 수집을 위한 capacityBytes(스토리지 사용 크기) 또는 트래픽 수집을 위한 rxBytes(수신 트래픽 크기), txBytes(송신 트래픽 크기)가 포함되며,마이그레이션 대상을 선택하는 단계는, 저장된 예측 모델을 이용하여 각 노드에 대한 자원 사용률을 예측하고, 예측 결과를 통해, 자원 사용률이 기설정된 임계치 이상 증가하는 노드를 필터링한 이후, 자원 사용률이 가장 낮은 노드를 마이그레이션 대상 노드로 선택하며, 마이그레이션 대상을 선택하는 단계는, 예측 결과를 통한 필터링 과정에서, 제1 클러스터에 포함된 모든 노드의 자원 사용률이 기설정된 임계치 이상 증가하여 필터링되면, 클러스터간 마이그레이션을 수행하기 위해, 자원 사용률이 기설정된 임계치 이상 증가하지 않는 노드를 하나 이상 포함하는 제2 클러스터를 마이그레이션 대상 클러스터로 선택하는 것을 특징으로 하는 클라우드 엣지 관리방법
|
2 |
2
삭제
|
3 |
3
삭제
|
4 |
4
삭제
|
5 |
5
삭제
|
6 |
6
삭제
|
7 |
7
청구항 1에 있어서,학습 데이터 셋을 생성하는 단계는,예측 모델 배포 후, Autoscaling을 수행하며 데이터 셋을 수집하는 것을 특징으로 하는 클라우드 엣지 관리방법
|
8 |
8
삭제
|
9 |
9
삭제
|
10 |
10
클라우드 엣지 내 복수의 클러스터에 포함된 복수의 노드 및 복수의 포드에 예측 모델을 배포하는 단계;학습 데이터 셋을 생성하는 단계; 생성된 학습 데이터 셋을 기반으로 예측 모델을 학습시키고, 학습된 예측 모델을 저장하는 단계; 및 저장된 예측 모델을 이용하여, 마이그레이션(Migration) 대상을 선택하는 단계;를 포함하고,예측 모델을 배포하는 단계는, Prediction Administrator를 통해 생성되는 모든 노드 및 포드에 대해 예측 모델을 배포하며, 예측 모델을 배포하는 단계는, Edge 노드에 존재하는 각 포드에 배포된 예측 모델을 짝(Pair)으로 생성하여 부하를 개별적으로 예측하거나 또는 Edge 노드에 존재하는 각 포드를 서비스별 그룹으로 묶어, 부하를 그룹별로 예측하고, 예측 모델을 배포하는 단계는, Migration Administrator에서 초기화 시, 예측 모델의 배포를 동시에 수행하고, 학습 데이터 셋을 생성하는 단계는,예측 모델 배포 후, 각 포드의 학습용 메트릭(Metric) 데이터를 수집하며 데이터 셋을 확장하고,메트릭 데이터는,CPU 사용률 수집을 위한 usageNanoCores(사용코어수), usageCoreNanoSeconds(코어 이용시간), 메모리 점유율 수집을 위한 usageBytes(메모리 사용 크기), 사용 저장공간 크기 수집을 위한 capacityBytes(스토리지 사용 크기) 또는 트래픽 수집을 위한 rxBytes(수신 트래픽 크기), txBytes(송신 트래픽 크기)가 포함되며,마이그레이션 대상을 선택하는 단계는, 저장된 예측 모델을 이용하여 각 노드에 대한 자원 사용률을 예측하고, 예측 결과를 통해, 자원 사용률이 기설정된 임계치 이상 증가하는 노드를 필터링한 이후, 자원 사용률이 가장 낮은 노드를 마이그레이션 대상 노드로 선택하며, 마이그레이션 대상을 선택하는 단계는, 예측 결과를 통한 필터링 과정에서, 제1 클러스터에 포함된 모든 노드의 자원 사용률이 기설정된 임계치 이상 증가하여 필터링되면, 클러스터간 마이그레이션을 수행하기 위해, 자원 사용률이 기설정된 임계치 이상 증가하지 않는 노드를 하나 이상 포함하는 제2 클러스터를 마이그레이션 대상 클러스터로 선택하는 것을 특징으로 하는 클라우드 엣지 관리방법을 컴퓨터에서 실행시키기 위한 컴퓨터 프로그램이 수록된 컴퓨터로 읽을 수 있는 기록매체
|
11 |
11
클라우드 엣지 내 복수의 클러스터에 포함된 복수의 노드 및 복수의 포드에 예측 모델을 배포하는 통신부; 및 학습 데이터 셋을 생성하고, 생성된 학습 데이터 셋을 기반으로 예측 모델을 학습시키고, 학습된 예측 모델이 저장되도록 하며, 저장된 예측 모델을 이용하여, 마이그레이션(Migration) 대상을 선택하는 프로세서;를 포함하고,통신부는, Prediction Administrator를 통해 생성되는 모든 노드 및 포드에 대해 예측 모델을 배포하며, 프로세서는, Edge 노드에 존재하는 각 포드에 배포된 예측 모델을 짝(Pair)으로 생성하여 부하를 개별적으로 예측하거나 또는 Edge 노드에 존재하는 각 포드를 서비스별 그룹으로 묶어, 부하를 그룹별로 예측하고, 프로세서는, Migration Administrator에서 초기화 시, 통신부를 통해 예측 모델의 배포를 동시에 수행하고, 프로세서는, 예측 모델 배포 후, 각 포드의 학습용 메트릭(Metric) 데이터를 수집하며 데이터 셋을 확장하고,메트릭 데이터는,CPU 사용률 수집을 위한 usageNanoCores(사용코어수), usageCoreNanoSeconds(코어 이용시간), 메모리 점유율 수집을 위한 usageBytes(메모리 사용 크기), 사용 저장공간 크기 수집을 위한 capacityBytes(스토리지 사용 크기) 또는 트래픽 수집을 위한 rxBytes(수신 트래픽 크기), txBytes(송신 트래픽 크기)가 포함되며,프로세서는, 마이그레이션 대상 선택 시, 저장된 예측 모델을 이용하여 각 노드에 대한 자원 사용률을 예측하고, 예측 결과를 통해, 자원 사용률이 기설정된 임계치 이상 증가하는 노드를 필터링한 이후, 자원 사용률이 가장 낮은 노드를 마이그레이션 대상 노드로 선택하며, 프로세서는, 예측 결과를 통한 필터링 과정에서, 제1 클러스터에 포함된 모든 노드의 자원 사용률이 기설정된 임계치 이상 증가하여 필터링되면, 클러스터간 마이그레이션을 수행하기 위해, 자원 사용률이 기설정된 임계치 이상 증가하지 않는 노드를 하나 이상 포함하는 제2 클러스터를 마이그레이션 대상 클러스터로 선택하는 것을 특징으로 하는 클라우드 엣지 관리장치
|
12 |
12
복수의 클러스터로 구성되는 클라우드 엣지; 및 클라우드 엣지 내 복수의 클러스터에 포함된 복수의 노드 및 복수의 포드에 예측 모델을 배포하고, 학습 데이터 셋을 생성하며, 생성된 학습 데이터 셋을 기반으로 예측 모델을 학습시키고, 학습된 예측 모델을 저장하고, 저장된 예측 모델을 이용하여, 마이그레이션(Migration) 대상을 선택하는 클라우드 엣지 관리장치;를 포함하고, 클라우드 엣지 관리장치는, Prediction Administrator를 통해 생성되는 모든 노드 및 포드에 대해 예측 모델을 배포하며, 클라우드 엣지 관리장치는,Edge 노드에 존재하는 각 포드에 배포된 예측 모델을 짝(Pair)으로 생성하여 부하를 개별적으로 예측하거나 또는 Edge 노드에 존재하는 각 포드를 서비스별 그룹으로 묶어, 부하를 그룹별로 예측하고, 클라우드 엣지 관리장치는, Migration Administrator에서 초기화 시, 예측 모델의 배포를 동시에 수행하고, 클라우드 엣지 관리장치는,예측 모델 배포 후, 각 포드의 학습용 메트릭(Metric) 데이터를 수집하며 데이터 셋을 확장하고,메트릭 데이터는,CPU 사용률 수집을 위한 usageNanoCores(사용코어수), usageCoreNanoSeconds(코어 이용시간), 메모리 점유율 수집을 위한 usageBytes(메모리 사용 크기), 사용 저장공간 크기 수집을 위한 capacityBytes(스토리지 사용 크기) 또는 트래픽 수집을 위한 rxBytes(수신 트래픽 크기), txBytes(송신 트래픽 크기)가 포함되며,클라우드 엣지 관리장치는,마이그레이션 대상 선택 시, 저장된 예측 모델을 이용하여 각 노드에 대한 자원 사용률을 예측하고, 예측 결과를 통해, 자원 사용률이 기설정된 임계치 이상 증가하는 노드를 필터링한 이후, 자원 사용률이 가장 낮은 노드를 마이그레이션 대상 노드로 선택하며, 클라우드 엣지 관리장치는,예측 결과를 통한 필터링 과정에서, 제1 클러스터에 포함된 모든 노드의 자원 사용률이 기설정된 임계치 이상 증가하여 필터링되면, 클러스터간 마이그레이션을 수행하기 위해, 자원 사용률이 기설정된 임계치 이상 증가하지 않는 노드를 하나 이상 포함하는 제2 클러스터를 마이그레이션 대상 클러스터로 선택하는 것을 특징으로 하는 클라우드 엣지 관리 시스템
|