[发明专利]工作负载性能预测

权利要求书

1.一种方法，包括：

针对多个工作负载中的每一个，将在第一硬件平台上执行工作负载期间收集的执行性能信息内的时间间隔与在第二硬件平台上执行工作负载期间收集的执行性能信息内的对应时间间隔相关，并且在对应时间间隔期间执行工作负载的相同部分；以及

训练机器学习模型，所述机器学习模型输出相对于第一硬件平台上的已知性能的在第二硬件平台上的预测性能，所述机器学习模型是根据第一硬件平台上的每个工作负载的执行性能信息内的时间间隔以及如已经彼此相关的第二硬件平台上的每个工作负载的执行性能信息内的对应时间间隔来训练的。

2.根据权利要求1所述的方法，还包括：

通过将在第一硬件平台上的工作负载的执行期间收集的执行性能信息输入到机器学习模型中，使用机器学习模型来相对于在第一硬件平台上的已知性能预测在第二硬件平台上的工作负载的性能，

其中，所述机器学习模型针对在第一硬件平台上执行工作负载期间收集执行性能的多个时间间隔中的每个时间间隔，输出在第二硬件平台上与在时间间隔期间在第一硬件平台上执行的工作负载的相同部分的预测执行时间与时间间隔的时间长度的比率。

3.根据权利要求1所述的方法，还包括：

在包括第一硬件平台和第二硬件平台的多个硬件平台中的每一个上执行每个工作负载；以及

当每个工作负载在每个硬件平台上执行的同时，收集随时间的执行性能信息。

4.根据权利要求1所述的方法，还包括：

在将第一硬件平台上的工作负载的执行性能信息内的时间间隔与在第二硬件平台上的工作负载的执行性能信息内的对应时间间隔相关之前，聚合在第一硬件平台和第二硬件平台中的每一个上的每个工作负载的执行期间收集的执行性能信息。

5.根据权利要求1所述的方法，其中，针对每个工作负载以及包括第一硬件平台和第二硬件平台的多个硬件平台中的每个硬件平台，所述执行性能信息包括当工作负载在硬件平台上执行时的硬件和软件统计、度量、计数器和随时间的跟踪的值。

6.根据权利要求1所述的方法，其中，所述机器学习模型被训练并且随后被用于相对于第一硬件平台上的已知性能来预测在第二硬件平台上的性能，而不使用在任何工作负载的执行期间运行的任何应用代码的任何标识信息或任何工作负载的任何用户数据的任何标识信息。

7.一种计算设备，包括：

处理器；

非暂时性计算机可读数据存储介质，存储可由处理器执行以进行以下操作的程序代码：

接收在源硬件平台上的工作负载的执行期间收集的源硬件平台上的工作负载的执行性能信息；以及

将执行性能信息输入到在硬件平台上执行多个训练负载期间收集的执行性能信息内的相关时间间隔上训练的机器学习模型中，以预测相对于在源硬件平台上的工作负载的已知性能的在目标硬件平台上的工作负载的性能。

8.根据权利要求7所述的计算设备，其中，工作负载的预测性能被用于评估是否采用目标硬件平台以用于执行工作负载。

9.根据权利要求7所述的计算设备，其中，在其上训练模型学习模型的硬件平台包括源硬件平台和目标硬件平台，专用于源硬件平台和目标硬件平台，并且也专用于相对于源硬件平台上的已知性能来预测在目标硬件平台上的性能。

10.根据权利要求7所述的计算设备，其中，所述机器学习模型被训练并且被用于相对于源硬件平台上的已知性能来预测目标硬件平台上的性能，而不使用或输入任一硬件平台的任何组成硬件组件的任何标识或指定信息。

11.根据权利要求7所述的计算设备，其中，所述机器学习模型针对在源硬件平台上的工作负载的执行期间收集执行性能的多个时间间隔中的每个时间间隔，输出在目标硬件平台上的与在时间间隔期间在源硬件平台上执行的工作负载的相同部分的预测执行时间与时间间隔的时间长度的比率。