内存资源

摘要： 本文在对Spark云计算平台的作业执行机制进行研究分析的基础上,针对目前Spark处理作业时Executor的人为请求资源机制,提出了一种Spark计算节点同构环境下Executor所需内存资源的优化分配算法。该算法能够基于处理数据的数据量对分布式内存资源进行弹性分配,达到了Spark在数据量变化情况下合理利用分布式内存资源这一目的,并对此进行了仿真实验验证。

摘要： 网络管理人员经常使用到路由器或交换机进行网络管理,这就会涉及到许多相关的管理协议,例如Telnet、SSH、基于HTTP/HTTPS的Web访问以及SNMP等。网络设备之所以可以接收和执行管理人员发出的指令,其主要是在管理层面发挥作用。在路由器等设备中,管理层面运行在进程级别,即其需要占用设备的CPU和内存资源。这些设备在高效处理网络数据的同时,也会面临一系列的安全风险。

摘要： 随着信息化时代的到来,人们获取信息的方式主要来源于互联网,然而近年来互联网在高速发展的同时其信息服务也逐渐快速增长起来,用户对信息服务的依赖程度也逐渐增强.作为互联网服务的提供商一直以来希望以消耗更低的成本来提供更高端的服务,因此云计算模式以其自身拥有按使用付费和高性价比的优势逐渐受到越来越多用户的青睐.云计算借助虚拟化技术和云计算平台不仅做到了资源整合提高了资源利用率降低了成本,而且为用户提供了全新的使用模式,但是也存在一定的局限性,那就是内存资源的全局优化能力在一定程度上会受到云计算服务器的内存资源边界的限制.本文通过叙述内存资源全局优化的模型,对云计算虚拟化平台的内存资源全局优化进行了研究,并提出了建议.

摘要： 云计算能够在虚拟化技术的协助下,大规模地将资源计算进行统一的管理,利用效率进行有效的提升,但是,资源的全局优化能力,在一定的程度上,被云计算物理的服务器内存资的边界所限制.因此,文章对云计算虚拟化平台的内存资源全局优化进行研究,认为应该将虚拟机内部资源边界的最小内存值进行增加,改进全局优化框架.

摘要： 在对Spark云计算平台的作业执行机制进行研究分析的基础上,针对目前Spark处理作业时Executor的人为请求资源机制,提出了一种Spark计算节点同构环境下Executor所需内存资源的优化分配算法,该算法能够基于处理数据的数据量对分布式内存资源进行弹性分配,达到了Spark在数据量变化情况下合理利用分布式内存资源这一目的,并对此进行了仿真实验验证.

摘要： 采用能将cpu和内存超载的资源复用技术结合虚拟机的HA(高可用)技术,实现主虚拟机运行占用资源时,备虚拟机不运行且不占用物理资源,当主机故障或宕机时释放资源,备机启动随即复用主机所释放的资源继续执行任务,达到物理资源动态分配的高性能,节省备份资源的物理开支.

摘要： 在使用智能手机时,我们总习惯于遇好软件就装、遇好资料就＂下＂。许多不请自来的软件或资料,也在不知不觉中凑热闹,偷偷地＂钻＂进我们的手机。这些过程都是在做＂加法＂。直到某一天,忽然发现手机用起来很＂沉重＂,才想起来该给手机做＂减法＂了。但给手机做减法,简单的＂一键优化＂只对清理垃圾和临时性释放内存比较管用,所起的作用仅仅是＂皮毛＂。而对于从整体上或长远性的角度考虑,仅依赖一键优化还远远不够。

摘要： 当前,同类工具软件同质化现象严重,因此,不少人认为,对于功能相近的一类软件来说,选择一款就够了,安装多款软件会侵占更多系统资源。这种说法虽然从理论上说没错,也为多数人认同,但也不全是好处。若反其道而行之,也不见得尽是坏处。实际上,善用同类软件的差别用法,往往比只用一种软件的效率更高。下面我们通过常用压缩软件Win RAR和好压,以及输入法软件搜狗输入法与百度输入法的差别用法,说明多种软件同时使用的互补效果。

摘要： 正高等教育教与学的方式,随着移动学习,学习模式随着无处不在的"云计算"和"移动互联网思维"而发生转变。多核、大内存、大屏幕的智能移动终端性能堪比个人电脑,移动学习使用的客户端硬件性能已经满足要求。如何高效访问移动学习资源,目前有以下三种实现方式。一、基于浏览器模式移动终端通过浏览器访问网络学习平台资源进行学习。(一)移动终端通过测览器访问基于http协议的学习资源进行学习

摘要： 运用Spring和Hibernate的框架整合技术，设计实现了基于RIA的计算机模拟病例考试评测模块，采取主应用开发模式和模块化混合编程开发模式，以及模块动态加载/卸载技术，该评测模块功能正确，运行稳定，有效利用内存资源，减少并发用户的平均响应时间。

摘要： 本发明涉及云环境领域，主要是一种基于实时内容预测与历史资源占用的云计算应用内存管理方法，基于应用程序固定时间窗的内存占用时序数据实现下一时刻内存的实时预测，结合应用程序全生命周期的历史资源使用统计记录，通过强化学习模型实现一体化的云计算应用自动内存回收方法。本发明的有益效果为：本发明结合实时的内存占用预测与历史的资源使用统计记录，提出了一体化应用内存伸缩方案，在避免发生内存错误的情况下提升了云计算环境中应用程序的运行效率。

摘要： 本发明提供了一种基于内存资源和服务性能结合的容器内存负载预测方法，包括步骤如下：（1）、性能指标选取；（2）、性能窗口大小选择：根据上一次滑动窗口和当前固定滑动窗口的数据方差，决定当前滑动窗口的大小；（3）、负载预测算法：每次检测容器服务现阶段的性能表现，然后和容器服务的预期性能做比较，比较后得出性能差值；计算下一阶段的内存映射值，输出最后的预测调整值。本发明的优点为：通过负载预测算法，使弹性伸缩机制拥有前瞻性；使用垃圾回收时长作为服务性能的衡量指标，解决大型作业在伸缩过程中的服务质量检测问题，根据历史时间序列的监控数据对容器下一阶段的内存使用量进行预测，在保证服务质量的同时，节约内存资源。

摘要： 基于内存空洞机制的虚拟机内存资源分配方法，虚拟机监视器VMM为虚拟机分配物理硬件资源，(1)假设虚拟机的内存总量为T，在虚拟机操作系统中加载一个内核驱动模块，称之为内存空洞驱动；(2)内存空洞驱动按照气球驱动的工作方式，申请并占据大小为R的可用内存空间，并使VMM回收这部分内存，以重复利用；所述的R＜T；(3)依据设定的空洞大小值H，内存空洞驱动在步骤(2)中占据的可用内存空间内为虚拟机分配大小为H的内存空洞区域，即H＜R，该内存空洞为没有建立客户机虚拟地址到客户机物理地址映射的内存空间，为虚拟机可见的可用内存；(4)虚拟机在运行的过程中，当发生内存访问操作时，根据访问的内存所属的区域不同分别进行处理。

摘要： 本申请涉及一种云仿真内存资源预测模型构建方法、装置、计算机设备及存储介质，随机森林需要调整的超参数较少，预测效果较好且非常稳定，BP神经网络可以很好的表示非线性关系并且耐噪声，高斯过程回归可以通过概率预测来量化预测中的不确定性，因此，堆积上述三种模型得到的云仿真内存资源预测模型可以支持云仿真内存资源的准确预测。另外本申请还提供一种云仿真内存资源预测方法、装置、计算机设备及存储介质，其能够实现云仿真内存资源的准确预测。

摘要： 本发明提供了一种基于内存资源和服务性能结合的容器内存负载预测方法，包括步骤如下：（1）、性能指标选取；（2）、性能窗口大小选择：根据上一次滑动窗口和当前固定滑动窗口的数据方差，决定当前滑动窗口的大小；（3）、负载预测算法：每次检测容器服务现阶段的性能表现，然后和容器服务的预期性能做比较，比较后得出性能差值；计算下一阶段的内存映射值，输出最后的预测调整值。本发明的优点为：通过负载预测算法，使弹性伸缩机制拥有前瞻性；使用垃圾回收时长作为服务性能的衡量指标，解决大型作业在伸缩过程中的服务质量检测问题，根据历史时间序列的监控数据对容器下一阶段的内存使用量进行预测，在保证服务质量的同时，节约内存资源。

摘要： 基于内存空洞机制的虚拟机内存资源分配方法，虚拟机监视器VMM为虚拟机分配物理硬件资源，(1)假设虚拟机的内存总量为T，在虚拟机操作系统中加载一个内核驱动模块，称之为内存空洞驱动；(2)内存空洞驱动按照气球驱动的工作方式，申请并占据大小为R的可用内存空间，并使VMM回收这部分内存，以重复利用；所述的R＜T；(3)依据设定的空洞大小值H，内存空洞驱动在步骤(2)中占据的可用内存空间内为虚拟机分配大小为H的内存空洞区域，即H＜R，该内存空洞为没有建立客户机虚拟地址到客户机物理地址映射的内存空间，为虚拟机可见的可用内存；(4)虚拟机在运行的过程中，当发生内存访问操作时，根据访问的内存所属的区域不同分别进行处理。

摘要： 本申请涉及一种内存资源管理方法、装置、计算机设备和存储介质。方法包括：通过编译器对应用程序进行静态代码分析，确定应用程序运行所需的内存资源以及各内存资源的访问频率标识；对应用程序和访问频率标识进行检测，并将各内存资源的访问频率标识发送至内存资源管理单元；根据内存资源管理策略数据和各内存资源的访问频率标识，通过内存资源管理单元对各内存资源进行管理。采用本方法能够提高移动终端操作系统的性能。

摘要： 本发明公开了一种分级CPU和内存资源调度方法，涉及网络资源调度处理技术领域，本发明基于各个终端节点所构成的集群，在预设时间范围内针对集群中各个终端节点产生的资源调度请求进行响应；基于集群中所有可用资源，生成与各个资源调度请求相对应的各个pod，针对集群中产生资源调度请求的各个终端节点，将各个产生资源调度请求的终端节点作为待部署节点，基于各待部署节点产生的各个资源调度请求、以及响应各个资源调度请求所生成的各个pod，将pod部署至待部署节点中，完成资源调度。通过本发明的技术方案，避免出现资源不足、或者资源占用过高等资源分配不均的情况，同时可以提高集群的资源均衡率。

摘要： 本发明提出了一种内存资源控制方法、装置、设备及存储介质。方法包括：监测按预设顺序执行的多个雷达程序中待监测雷达程序的执行进度，待监测雷达程序为多个雷达程序中的至少一个雷达程序；在监测到执行进度由正在执行状态变更为结束状态的目标程序时，释放目标程序在被执行时占用的内存资源，目标程序为至少一个待监测程序中的一个；根据多个雷达程序的预设顺序，在多个雷达程序中确定目标程序之后的待执行程序；基于空闲内存资源和释放的内存资源，执行待执行程序。目标程序执行结束后，可以释放目标程序在被执行时占用的内存资源，释放的内存资源可以被待执行程序利用，实现内存资源的重复利用，最充分、最有效地利用有限的内存资源。

摘要： 本申请公开了一种内存资源的处理方法、装置、电子设备及存储介质。该方法包括：接收当前检测周期内存储设备中各个模块触发的内存使用请求；基于内存使用请求，向模块分配满足内存需求的第一内存资源；监听存储设备的状态信息，在状态信息用于指示存储设备处于运行状态的情况下，读取存储设备中各个模块的内存使用信息；基于内存使用信息以及第一内存资源，生成存储设备中各个模块在当前检测周期内的内存消耗情况。本申请实施例提供的方法在分配内存资源后，监控各个模块的内存使用信息，并生成各个模块的内存消耗情况，此方式不再需要终止用户进程，从而实现了在不影响用户使用的情况下，实时统计存储设备各个模块的内存消耗情况。