[发明专利]面向微服务的纳秒级电力资源分配方法和系统

权利要求书

1.一种面向微服务的纳秒级电力资源分配方法，其特征在于，采用灵活功耗预算方法根据每个微服务独特的功耗性能模型划分其对应的可分配的功率以消除宏观调控延迟；然后采用本地功耗调制设计绕过服务器系统层的功耗管理和控制程序，直接调用处理器片上的电压调制模块执行针对每个微服务的功耗分配过程以消除微观执行延迟；最后通过透明映射机制记录并更新灵活功耗预算方法以及本地功耗调制设计的调整结果，实现电力资源优化分配；

所述的灵活功耗预算方法包括：创建功耗性能模型来描述不同微服务在动态环境下的性能，即响应时间和所分配的功耗之间的关系，从而可以量化不同微服务的功耗分配的差异性；然后根据微服务功耗与性能关系的异构性将电力资源划分给最有影响力的微服务，即优先为最有影响力的微服务进行电力资源预算，可以在不影响整个应用的性能下，最大化地提升电力资源利用率；

所述的本地功耗调制设计通过设置一组寄存器、一个用于实时监听该寄存器状态的后台进程以及一个用于将功耗预算分配给不同的微服务的系统调用过程；

所述的透明映射机制通过硬件标签和软件标签实现调整结果的记录和更新，其中：硬件标签用于区分不同微服务在处理器上的执行过程并唯一对应在片上处理器上执行的微服务，软件标签用于区分数据中心中不同的微服务以及追踪不同微服务的生存状态。

2.根据权利要求1所述的方法，其特征是，所述的创建，采用基于决策树的方法来为每个微服务构建功耗性能模型，即每一个微服务的功耗性能模型是一棵独立的决策树，决策树的每一个叶子结点表示微服务在某一负载条件下功耗与性能之间的关系，具体步骤包括：

①采集并且保存一个微服务在不同负载状态、不同功耗情况下的运行日志；

②解析运行日志得到决策树的输入数据集，将输入数据集分成训练数据集部分和测试数据集部分；

③利用训练数据集部分训练决策树，该训练过程动态迭代地扩展树的深度，即每一次迭代过程产生的子节点将父节点的负载区间平均地划分成全无遗漏又互斥的子区间，并且计算同一父节点下的兄弟子节点，即每个负载子区间下功耗与性能关系的平均误差值；当误差值小于等于5%，则该父节点下迭代停止，反之进行下一轮迭代；当所有兄弟子节点的功耗与性能之间的关系误差值都小于等于5%，整个训练过程结束，反之进行下一轮迭代；

④利用测试数据集部分对训练后的决策树进行测试，以检测测试数据集中某一负载下的功耗与性能之间的关系和决策树计算的功耗与性能之间的关系平均误差值是否小于5%；当误差小于等于5%，则判定决策树表示的功耗性能模型是准确有效；否则判定功耗性能模型不准确并更新模型；

所述的决策树的根节点表示最大的负载区间，所有叶子结点的负载区间是最大负载区间的划分，每一个叶子结点保存了当前子负载区间下微服务的功耗与性能之间的关系。

3.根据权利要求2所述的方法，其特征是，所述的更新模型是指：采用更新决策树的叶子结点或重新构建决策树的方式提升模型的准确率；

所述的更新决策树的叶子结点是指：不断计算微服务实际响应时间和按照叶子结点存储的模型计算的响应时间之前的平均误差值，当误差小于等于5%，则不更新叶子结点；否则利用微服务在该叶子结点表示的负载区间下最近的运行日志，重新计算该叶子结点下的功耗性能模型；

所述的重新构建决策树是指：当一个微服务的性质发生巨大改变，即服务重构或者增加新的微服务时，则采用基于决策树的方法重新为该微服务或者新增微服务构建决策树。