[发明专利]工作负载性能预测

说明书

针对多个工作负载中的每一个，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。针对工作负载，第二硬件平台上的执行性能信息内的时间间隔与在其期间执行工作负载的相同部分的第一硬件平台上的执行性能信息内的时间间隔相关。训练机器学习模型，所述机器学习模型输出相对于在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。根据硬件平台上的每个工作负载的执行性能信息内的相关时间间隔来训练模型。

背景技术

计算设备包括服务器计算设备；膝上型、台式和笔记本计算机；以及类似平板计算设备和诸如智能电话的手持计算设备的其他计算设备。计算设备用于执行各种不同的处理任务以实现期望的功能。工作负载通常可以被定义为一个或多个处理任务，包括哪些应用程序执行这样的任务，计算设备在一段时间内对相同或不同的数据执行这些任务以实现期望的功能。除了其它因素之外，计算设备的组成硬件组件，包括每个硬件组件的数量或量、类型和规范，都可以影响计算设备多快地执行给定工作负载。

附图说明

图1是用于训练机器学习模型的一个示例性方法的流程图，该机器学习模型预测相对于第一硬件平台上的工作负载的已知执行性能的第二硬件平台上的工作负载的执行性能。

图2是在第一平台正在执行工作负载的同时在第一硬件平台上收集的示例性执行性能信息以及所收集的执行性能信息的示例性聚合的示意图。

图3是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的示例性相关的图。

图4是说明性地描绘输入的一个示例的示意图，在其基础上，机器学习模型被训练成相对于如图1中所示的在第一硬件平台上的工作负载执行的已知性能来预测在第二硬件平台上的工作负载执行的性能。

图5是用于使用如图1和4中训练的机器学习模型来相对于第一硬件平台上的工作负载的已知执行性能预测第二硬件平台上的工作负载的执行性能的一个示例性方法的流程图。

图6是说明性地描绘输入的一个示例的示意图，在其基础上，机器学习模型被用于相对于如图5中所示的在第一硬件平台上工作负载执行的已知性能预测在第二硬件平台上的工作负载执行的性能。

图7是示意性地描绘输入的一个示例的示意图，在其基础上，机器学习模型被训练，并且然后被用来相对于源硬件平台上的工作负载执行的已知性能来预测目标硬件平台上的工作负载执行的性能，而不管该模型是在源平台上还是在硬件平台上被训练的，这与图1、4、5和6中的是一致的，但是是其扩展。

图8是一个示例性方法的流程图。

图9是一个示例性计算设备的示意图。

图10是一个示例性非暂时性计算机可读数据存储介质的示意图。

具体实施方式

如背景技术中所述，计算设备的每个组成硬件组件的数量或量、类型和规范可以影响计算设备可以多快地执行工作负载。除其它类型的硬件组件外，此类硬件组件的示例包括处理器、存储器、网络硬件和图形处理单元(GPU)。不同工作负载的性能可能会受到不同硬件组件的不同影响。例如，计算设备的处理器的数量、类型和规范对处理密集型工作负载的性能的影响可能会比网络密集型工作负载的性能的影响更大，网络密集型工作负载的性能可能代替地更会受到设备的网络硬件的数量、类型和规范的影响。