基于云的服务构建的资源分配方法、装置、计算机设备

摘要

本申请涉及一种基于云的服务构建的资源分配方法、装置、计算机设备和存储介质。该方法包括：在发生基于云的服务构建时，采集当前时间段内服务构建过程中所产生的特征数据，特征数据为与资源需求相关的数据；根据特征数据建立资源需求预测模型；利用资源需求预测模型预估目标时间段内服务构建所需要使用的资源量，得到资源需求预测值；根据资源需求预测值为目标时间段内的服务构建分配对应容量的云端资源。采用本方法能够合理分配云端资源，提高服务构建资源的使用率。

说明书

技术领域

本申请涉及云计算技术领域，特别是涉及一种基于云的服务构建的资源分配方法、装置、计算机设备和存储介质。

背景技术

随着云计算技术的发展，因为云端的计算资源能够做到随取随用，能够最大化的提升资源的使用率，从而出现了基于云的服务构建技术。

基于云的服务构建，特别是构建可执行文件的过程是一个高度计算密集的过程，服务构建过程中对计算资源占用率较高，然而对于服务构建的需求也是高度间歇性的，有高峰期也有低谷期。

在传统的基于云的服务构建过程中，分配的用于进行服务构建的资源容量是固定的，在固定资源容量的情况下尽可能使用所有资源进行构建，然而，若使用全量的资源执行构建，在构建需求的高峰期，会因剩余资源容量不足造成服务构建排队，在构建需求的低谷期，又会因资源闲置造成资源浪费，因此，用于构建服务的构建资源的利用率不高。

发明内容

基于此，有必要针对上述技术问题，提供一种能够提高服务构建资源利用率的基于云的服务构建的资源分配方法、装置、计算机设备和存储介质。

一种基于云的服务构建的资源分配方法，该方法包括：

在发生基于云的服务构建时，采集当前时间段内服务构建过程中所产生的特征数据，特征数据为与资源需求相关的数据；

根据特征数据建立资源需求预测模型；

利用资源需求预测模型预估目标时间段内服务构建所需要使用的资源量，得到资源需求预测值；

根据资源需求预测值为目标时间段内的服务构建分配对应容量的云端资源。

在一个实施例中，采集当前时间段内服务构建过程中所产生的特征数据，包括：采集当前时间段内服务构建过程中产生的数据；从采集的数据中筛选与资源需求量正相关的数据作为特征数据。

在一个实施例中，特征数据包括软件代码提交次数、软件运行数据、历史构建数据中的至少一个。

在一个实施例中，软件运行数据包括软件运行时的资源使用量、软件运行时的资源使用率中的至少一个。

在一个实施例中，历史构建数据包括服务构建次数、服务构建开始时间、服务构建结束时间、资源需求提出的开始时间、资源需求提出的结束时间中的至少一个。

在一个实施例中，根据特征数据建立资源需求预测模型，包括：根据各特征数据与资源需求之间相关性的大小确定各特征数据的权重系数；根据各特征数据以及各特征数据分别对应的权重系数建立线性回归的资源需求预测模型。

在一个实施例中，上述方法还包括：获取资源使用实测值，资源使用实测值为目标时间段内服务构建过程中实际使用资源的值；计算资源使用实测值与资源需求预测值之间的差值；基于差值对资源需求预测模型进行调整。

在一个实施例中，在根据资源需求预测值为目标时间段内的服务构建分配对应容量的云端资源之前，上述方法还包括：获取预设的资源容量范围值；若资源需求预测值在资源容量范围值之内，则进入根据资源需求预测值为目标时间段内的服务构建分配对应容量的云端资源的步骤。

在一个实施例中，上述方法还包括：若资源需求预测值大于资源容量范围值的上限值，则根据上限值为目标时间段内的服务构建分配对应容量的云端资源。

在一个实施例中，上述方法还包括：若资源需求预测值小于资源容量范围值的下限值，则根据下限值为目标时间段内的服务构建分配对应容量的云端资源。

一种基于云的服务构建的资源分配装置，该装置包括：

特征数据采集模块，用于在进行基于云的服务构建时，采集当前时间段内服务构建过程中所产生的特征数据，特征数据为与资源需求相关的数据；

预测模型建立模块，用于根据特征数据建立资源需求预测模型；

资源需求预测模块，用于利用资源需求预测模型预估目标时间段内服务构建所需要使用的资源量，得到资源需求预测值；

云端资源分配模块，用于根据资源需求预测值为目标时间段内的服务构建分配对应容量的云端资源。

一种计算机设备，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的基于云的服务构建的资源分配方法的步骤。

一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现上述的基于云的服务构建的资源分配方法的步骤。

上述基于云的服务构建的资源分配方法、装置、计算机设备和存储介质，采集与构建需求相关的特征数据建立资源需求预测模型，根据资源需求预测模型所预测出的资源需求预测值为目标时间段内的服务构建分配相应容量的云端资源。由于该预测模型基于与构建需求相关的特征数据而建立，因此，预测结果符合资源需求变化规律，根据预测值预先分配的用于服务构建的资源容量与实际资源需求相适应，能够防止因资源容量不足导致的服务排队，以及因资源闲置导致的资源浪费，从而实现提高构建资源使用率的目的。

附图说明

图1为一个实施例中基于云的服务构建的资源分配方法的应用环境图；

图2为一个实施例中基于云的服务构建的资源分配方法的流程示意图；

图3为一个应用实例中基于云的服务构建的资源分配方法的流程示意图；

图4为一个实施例中基于云的服务构建的资源分配装置的结构框图；

图5为一个实施例中计算机设备的内部结构图。

具体实施方式

为了使本申请的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本申请进行进一步详细说明。应当理解，此处描述的具体实施例仅用以解释本申请，并不用于限定本申请。

本申请提供的基于云的服务构建的资源分配方法，可以应用于如图1所示的应用环境中。其中，控制服务器102可以直接或间接地通过LAN(Local Area Network，局域网)、WAN(Wide Area Network，广域网)或因特网等与云端服务器104进行通信，也可以采用共享存储和/或进程间的通信形式。其中，控制服务器102可以用独立的服务器或者是多个服务器组成的服务器集群来实现。

在一个实施例中，在发生基于云的服务构建时，控制服务器102采集当前时间段内服务构建过程中所产生的特征数据，特征数据为与资源需求相关的数据，控制服务器102根据特征数据建立资源需求预测模型，控制服务器102利用资源需求预测模型预估目标时间段内服务构建所需要使用的资源量，得到资源需求预测值，控制服务器102根据资源需求预测值为目标时间段内的服务构建分配对应容量的云端服务器104的计算资源。

在一个实施例中，本申请提供的基于云的服务构建的资源分配方法，也可以通过云端服务器实现，云端服务器104采集当前时间段内服务构建过程中所产生的特征数据，特征数据为与资源需求相关的数据，云端服务器104根据特征数据建立资源需求预测模型，云端服务器104利用资源需求预测模型预估目标时间段内服务构建所需要使用的资源量，得到资源需求预测值，云端服务器104根据资源需求预测值为目标时间段内的服务构建分配对应容量的云端计算资源。

在一个实施例中，如图2所示，提供了一种基于云的服务构建的资源分配方法，以该方法应用于图1中的控制服务器为例进行说明，包括以下步骤：

步骤S202：在发生基于云的服务构建时，采集当前时间段内服务构建过程中所产生的特征数据，特征数据为与资源需求相关的数据。

其中，服务构建是指构建软件产品或软件应用程序的过程。构建软件产品的过程，特别是大规模软件产品的二进制代码包，是高度计算密集型过程。因此，希望将工作负载分发到大量的计算节点上，以便在最优的时间段内完成构建过程。基于云的服务构建是指在弹性计算云的计算资源环境下进行软件服务构建的过程。

特征数据是指预先设定或筛选的与构建需求相关的数据。构建需求是指软件构建过程中对资源的需求量或需求率。数据是否与构建需求相关可以预定义。例如，可以通过分析数据与构建需求之间是否存在正相关或负相关等关联关系，以将相关系数大于预设值的数据设置为特征数据。

具体地，在基于云进行软件服务的构建时，可以实时或周期性地采集当前时间段内服务构建过程中所产生的构建数据，并从这些构建数据中筛选出与构建需求相关的数据作为特征数据。

步骤S204：根据特征数据建立资源需求预测模型。

具体地，可以基于采集的特征数据构建用于预估资源需求量的数学模型。资源需求预测模型是用于预估资源需求量的数学模型，例如，可以是线性回归模型，反映特征数据与资源需求量之间的线性关系。

步骤S206：利用资源需求预测模型预估目标时间段内服务构建所需要使用的资源量，得到资源需求预测值。

其中，目标时间段是指当前时间段后的未来一定时间周期或一定时间段。具体地，可以基于资源需求预测模型对未来一定时间周期或一定时间段内的服务构建的资源需求进行预估，即预计未来一定时间周期或一定时间段内服务构建过程所需要占用或使用的总资源容量。

步骤S208：根据资源需求预测值为目标时间段内的服务构建分配对应容量的云端资源。

具体地，可以根据预测模型所预测出的资源需求预测值实时调整云端资源的分配策略，在云端预先分配出与资源需求预测值对应容量的计算资源，将其作为未来一定时间段内用于构建服务的构建资源。

上述基于云的服务构建的资源分配方法，采集与构建需求相关的特征数据建立资源需求预测模型，根据资源需求预测模型所预测出的资源需求预测值为目标时间段内的服务构建分配相应容量的云端资源。由于该预测模型基于与构建需求相关的特征数据而建立，因此，预测结果符合资源需求变化规律，根据预测值预先分配的用于服务构建的资源容量与实际资源需求相适应，能够防止因资源容量不足导致的服务排队，以及因资源闲置导致的资源浪费，从而实现提高构建资源使用率的目的。

在一个实施例中，采集当前时间段内服务构建过程中所产生的特征数据，包括：采集当前时间段内服务构建过程中产生的数据；从采集的数据中筛选与资源需求量正相关的数据作为特征数据。

在本实施例中，通过分析构建数据与构建需求之间是否存在正相关，筛选与构建需求正相关的数据作为特征数据。通过筛选正相关的数据作为建立模型的特征数据，可以更清晰地反映特征数据与目标预测数据之间的关联关系，从而提高模型预测的准确性。

例如，代码提交次数与构建需求正相关，提交次数越多则说明所需要的构建资源容量越高。软件运行时的资源需求量与构建需求正相关，软件运行时的资源需求量越大则说明所需要的构建资源容量越高。软件运行时的资源使用率与构建需求正相关，软件运行时的资源使用率越高则说明所需要的构建资源容量越高。若目标时间段在资源需求提出的开始和结束时间之内，则说明所需要的构建资源容量越高。

在一个实施例中，特征数据包括软件代码提交次数、软件运行数据、历史构建数据中的至少一个。优选地，软件运行数据包括软件运行时的资源使用量、软件运行时的资源使用率中的至少一个。优选地，历史构建数据包括服务构建次数、每次服务构建的服务构建开始时间、服务构建结束时间、资源需求提出的开始时间、资源需求提出的结束时间中的至少一个。

在一个实施例中，根据特征数据建立资源需求预测模型，包括：根据特征数据建立资源需求预测模型，包括：根据各个特征数据与资源需求之间相关性的大小确定各个特征数据的权重系数；根据各个特征数据以及各个特征数据分别对应的权重系数建立线性回归的资源需求预测模型。

在本实施例中，可以通过特征数据以及各个特征数据所占的权重系数构建线性回归模型作为资源需求预测模型。建立线性回归模型的目的是找出特征集合与目标集合之间存在的线性关系，使得可以通过已知的特征数据预测出目标数据。该资源需求预测模型可以通过多个特征数据来预测一个目标数据，该模型的数学公式可以是：

y＝b

其中，y代表模型计算出的资源需求预测值(目标值)；x

本实施例，通过建立线性回归的预测模型，可以更直观、更准确地反映特征数据与目标数据(资源需求预测值)之间的线性关系，从而实现资源需求量的准确预测。

在一个实施例中，上述方法还包括：获取资源使用实测值，资源使用实测值为目标时间段内服务构建过程中实际使用资源的值；计算资源使用实测值与资源需求预测值之间的差值；基于差值对资源需求预测模型进行调整。

在本实施例中，可以将目标时间段内服务构建过程中实际使用或占用的资源容量值与资源需求预测值之间的误差作为反馈参数反馈至预测模型，从而实现对模型误差的调整。通过建立数据反馈机制，可以及时地根据资源需求的变化动态调整模型响应，因此，可以实现根据资源需求变化动态调整资源容量分配的目的，且响应周期短、调整及时，能够有效应对周期性和偶然发生的构建资源使用需求。

例如，在线性回归模型中，存在模型误差ε，为了提高模型预测的准确性，可以采用最小二乘法求解模型误差，通过不断地积累资源使用实测值与资源需求预测值之间的差值数据，实现模型误差的调整，从而提高模型预测的准确性。

最小二乘法的主要思想是让实测值与预测值之间的差值的平方和达到最小。用公式表示如下：

其中，y

在一个实施例中，在根据资源需求预测值为目标时间段内的服务构建分配对应容量的云端资源之前，上述方法还包括：获取预设的资源容量范围值；若资源需求预测值在资源容量范围值之内，则进入根据资源需求预测值为目标时间段内的服务构建分配对应容量的云端资源的步骤。

在本实施例中，还可以接收外部输入的预设条件，判断资源需求预测值是否符合预设条件，在符合预设条件的情况下合理分配云端资源。

在一个实施例中，上述方法还包括：若资源需求预测值大于资源容量范围值的上限值，则根据上限值为目标时间段内的服务构建分配对应容量的云端资源。

在一个实施例中，上述方法还包括：若资源需求预测值小于资源容量范围值的下限值，则根据下限值为目标时间段内的服务构建分配对应容量的云端资源。

上述两个实施例，在资源需求预测值超过预设的资源容量范围值时，可以根据预设的上下限进行资源分配，从而在模型预测误差较大的情况下防止资源的过度或过少分配，进一步提高资源分配的合理性。

下面，结合一个应用实例，对本申请涉及的基于云的服务构建的资源分配方法进行进一步说明。参考图3所示，图3为一个应用实例的基于云的服务构建的资源分配方法的流程示意图。

在本应用实例中，基于线性预测模型，周期性的检测并记录在服务构建发生时采集的构建软件的代码提交次数、历史构建信息、软件运行信息、需求提出的开始及结束时间等关联数据，分析上述关联数据与资源需求之间的相关性，以确定服务构建的特征数据，并将特征数据作为采样点生成线性预测模型。然后根据生成的预测模型计算并预测未来某一时段或一个周期内可能需要的构建资源容量，并且，在构建发生时将实际资源使用容量与预测的资源容量的误差值反馈至模型。

具体可以包括以下步骤：

第一步：收集服务构建过程中的相关数据。

第二步：将数据输入到预测模型，生成资源需求预测模型。

第三步：资源需求预测模型输出预估的资源需求预测值。

第四步：接受外部输入的预设参数，根据资源需求预测值和预设参数分配构建资源。

应该理解的是，虽然图2-3的流程图中的各个步骤按照箭头的指示依次显示，但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明，这些步骤的执行并没有严格的顺序限制，这些步骤可以以其它的顺序执行。而且，图2-3中的至少一部分步骤可以包括多个子步骤或者多个阶段，这些子步骤或者阶段并不必然是在同一时刻执行完成，而是可以在不同的时刻执行，这些子步骤或者阶段的执行顺序也不必然是依次进行，而是可以与其它步骤或者其它步骤的子步骤或者阶段的至少一部分轮流或者交替地执行。

在一个实施例中，如图4所示，提供了一种基于云的服务构建的资源分配装置，包括：特征数据采集模块410、预测模型建立模块420、资源需求预测模块430和云端资源分配模块440，其中：

特征数据采集模块410，用于在进行基于云的服务构建时，采集当前时间段内服务构建过程中所产生的特征数据，特征数据为与资源需求相关的数据；

预测模型建立模块420，用于根据特征数据建立资源需求预测模型；

资源需求预测模块430，用于利用资源需求预测模型预估目标时间段内服务构建所需要使用的资源量，得到资源需求预测值；

云端资源分配模块440，用于根据资源需求预测值为目标时间段内的服务构建分配对应容量的云端资源。

在一个实施例中，特征数据采集模块410采集当前时间段内服务构建过程中产生的数据；从采集的数据中筛选与资源需求量正相关的数据作为特征数据。

在一个实施例中，特征数据采集模块410采集当前时间段内服务构建过程中产生的软件代码提交次数、软件运行数据、历史构建数据中的至少一个。

在一个实施例中，特征数据采集模块410采集当前时间段内服务构建过程中产生的软件运行时的资源使用量、软件运行时的资源使用率中的至少一个。

在一个实施例中，特征数据采集模块410采集当前时间段内服务构建过程中产生的服务构建次数、服务构建开始时间、服务构建结束时间、资源需求提出的开始时间、资源需求提出的结束时间中的至少一个。

在一个实施例中，预测模型建立模块420根据各特征数据与资源需求之间相关性的大小确定各特征数据的权重系数；根据各特征数据以及各特征数据分别对应的权重系数建立线性回归的资源需求预测模型。

在一个实施例中，预测模型建立模块420还用于获取资源使用实测值，资源使用实测值为目标时间段内服务构建过程中实际使用资源的值；计算资源使用实测值与资源需求预测值之间的差值；基于差值对资源需求预测模型进行调整。

在一个实施例中，云端资源分配模块440还用于在根据资源需求预测值为目标时间段内的服务构建分配对应容量的云端资源之前，获取预设的资源容量范围值；若资源需求预测值在资源容量范围值之内，则进入根据资源需求预测值为目标时间段内的服务构建分配对应容量的云端资源的步骤。

在一个实施例中，云端资源分配模块440还用于若资源需求预测值大于资源容量范围值的上限值，则根据上限值为目标时间段内的服务构建分配对应容量的云端资源。

在一个实施例中，云端资源分配模块440还用于若资源需求预测值小于资源容量范围值的下限值，则根据下限值为目标时间段内的服务构建分配对应容量的云端资源。

关于基于云的服务构建的资源分配装置的具体限定可以参见上文中对于基于云的服务构建的资源分配方法的限定，在此不再赘述。上述基于云的服务构建的资源分配装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中，也可以以软件形式存储于计算机设备中的存储器中，以便于处理器调用执行以上各个模块对应的操作。

在一个实施例中，提供了一种计算机设备，该计算机设备可以是服务器，其内部结构图可以如图5所示。该计算机设备包括通过系统总线连接的处理器、存储器、网络接口。其中，该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统、计算机程序和数据库。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种基于云的服务构建的资源分配方法。

本领域技术人员可以理解，图5中示出的结构，仅仅是与本申请方案相关的部分结构的框图，并不构成对本申请方案所应用于其上的计算机设备的限定，具体的计算机设备可以包括比图中所示更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。

在一个实施例中，提供了一种计算机设备，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，处理器执行计算机程序时实现以下步骤：在发生基于云的服务构建时，采集当前时间段内服务构建过程中所产生的特征数据，特征数据为与资源需求相关的数据；根据特征数据建立资源需求预测模型；利用资源需求预测模型预估目标时间段内服务构建所需要使用的资源量，得到资源需求预测值；根据资源需求预测值为目标时间段内的服务构建分配对应容量的云端资源。

在一个实施例中，处理器执行计算机程序实现采集当前时间段内服务构建过程中所产生的特征数据时，具体实现以下步骤：采集当前时间段内服务构建过程中产生的数据；从采集的数据中筛选与资源需求量正相关的数据作为特征数据。

在一个实施例中，处理器执行计算机程序实现根据特征数据建立资源需求预测模型时，具体实现以下步骤：根据各特征数据与资源需求之间相关性的大小确定各特征数据的权重系数；根据各特征数据以及各特征数据分别对应的权重系数建立线性回归的资源需求预测模型。

在一个实施例中，处理器执行计算机程序还实现以下步骤：获取资源使用实测值，资源使用实测值为目标时间段内服务构建过程中实际使用资源的值；计算资源使用实测值与资源需求预测值之间的差值；基于差值对资源需求预测模型进行调整。

在一个实施例中，处理器执行计算机程序实现根据资源需求预测值为目标时间段内的服务构建分配对应容量的云端资源之前，还实现以下步骤：获取预设的资源容量范围值；若资源需求预测值在资源容量范围值之内，则进入根据资源需求预测值为目标时间段内的服务构建分配对应容量的云端资源的步骤。

在一个实施例中，处理器执行计算机程序还实现以下步骤：若资源需求预测值大于资源容量范围值的上限值，则根据上限值为目标时间段内的服务构建分配对应容量的云端资源。

在一个实施例中，处理器执行计算机程序还实现以下步骤：若资源需求预测值小于资源容量范围值的下限值，则根据下限值为目标时间段内的服务构建分配对应容量的云端资源。

在一个实施例中，提供了一种计算机可读存储介质，其上存储有计算机程序，计算机程序被处理器执行时实现以下步骤：在发生基于云的服务构建时，采集当前时间段内服务构建过程中所产生的特征数据，特征数据为与资源需求相关的数据；根据特征数据建立资源需求预测模型；利用资源需求预测模型预估目标时间段内服务构建所需要使用的资源量，得到资源需求预测值；根据资源需求预测值为目标时间段内的服务构建分配对应容量的云端资源。

在一个实施例中，计算机程序被处理器执行实现采集当前时间段内服务构建过程中所产生的特征数据时，具体实现以下步骤：采集当前时间段内服务构建过程中产生的数据；从采集的数据中筛选与资源需求量正相关的数据作为特征数据。

在一个实施例中，计算机程序被处理器执行实现根据特征数据建立资源需求预测模型时，具体实现以下步骤：根据各特征数据与资源需求之间相关性的大小确定各特征数据的权重系数；根据各特征数据以及各特征数据分别对应的权重系数建立线性回归的资源需求预测模型。

在一个实施例中，计算机程序被处理器执行还实现以下步骤：获取资源使用实测值，资源使用实测值为目标时间段内服务构建过程中实际使用资源的值；计算资源使用实测值与资源需求预测值之间的差值；基于差值对资源需求预测模型进行调整。

在一个实施例中，计算机程序被处理器执行实现根据资源需求预测值为目标时间段内的服务构建分配对应容量的云端资源之前，还实现以下步骤：获取预设的资源容量范围值；若资源需求预测值在资源容量范围值之内，则进入根据资源需求预测值为目标时间段内的服务构建分配对应容量的云端资源的步骤。

在一个实施例中，计算机程序被处理器执行还实现以下步骤：若资源需求预测值大于资源容量范围值的上限值，则根据上限值为目标时间段内的服务构建分配对应容量的云端资源。

在一个实施例中，计算机程序被处理器执行还实现以下步骤：若资源需求预测值小于资源容量范围值的下限值，则根据下限值为目标时间段内的服务构建分配对应容量的云端资源。

本领域普通技术人员可以理解实现上述实施例的方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一非易失性计算机可读取存储介质中，该计算机程序在执行时，可包括如上述各方法的实施例的流程。其中，本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用，均可包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器(ROM)、可编程ROM(PROM)、电可编程ROM(EPROM)、电可擦除可编程ROM(EEPROM)或闪存。易失性存储器可包括随机存取存储器(RAM)或者外部高速缓冲存储器。作为说明而非局限，RAM以多种形式可得，诸如静态RAM(SRAM)、动态RAM(DRAM)、同步DRAM(SDRAM)、双数据率SDRAM(DDRSDRAM)、增强型SDRAM(ESDRAM)、同步链路(Synchlink)DRAM(SLDRAM)、存储器总线(Rambus)直接RAM(RDRAM)、直接存储器总线动态RAM(DRDRAM)、以及存储器总线动态RAM(RDRAM)等。

以上实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。

以上所述实施例仅表达了本申请的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本申请构思的前提下，还可以做出若干变形和改进，这些都属于本申请的保护范围。因此，本申请专利的保护范围应以所附权利要求为准。