一种资源可用度预警方法及装置与流程

本发明涉及业务支撑技术领域，尤其涉及一种hadoop资源可用度预警的方法及装置。

背景技术：

hadoop是当前大数据平台的主流软件之一，它提供了一种分布式海量数据存储(hdfs，hadoopdistributedfilesystem)、分布式大规模计算(mapreduce)和通用资源管理系统(yarn，yetanotherresourcenegotiator)的基本框架，具有高容错性、易用性和可扩展性等优点，被广泛用于数据挖掘、联机分析处理(olap，onlineanalyticalprocessing)、经营分析等，能够发掘潜在客户群体、帮助进行市场细分和客户关系管理、预测未来市场趋势等，为企业领导者提供决策支持，实现数据增值变现的目的。目前hadoop已经被大量应用于互联网、通信、金融等众多领域。

现有的基于yarn的hadoop架构如图1所示，主要包括全局资源管理器(rm，resourcemanager)、应用主管理程序(am,applicationmaster)、节点管理器(nm，nodemanager)和容器container等一系列模块。

基于yarn框架的hadoop整体执行流程如下：

步骤1：用户通过客户端jobclient提交mapreduce等应用程序，向rm申请资源；

步骤2：rm中的全局应用管理器(asm，applicationsmanager)和资源调度器(rs，resourcescheduler)接受请求后给该应用程序分配第一个容器container，并查到对应的nm与之通信，发出在container中启动am的命令；

步骤3：am在rm注册自己，然后通过远程过程调用rpc协议采用轮询 方式为各个任务申请资源，主要包括cpu、内存等；

步骤4：当am领取到资源后会与nm通信，由nm启动待执行的任务；

步骤5：各个任务通过rpc协议向am报告自己当前的状态，am监控所有任务的运行状态，发现任务运行失败后会重新申请资源然后再重启任务；

步骤6：当应用程序执行完成后，am向rm注销并关闭自己，回收释放相关资源。

hadoop现有的yarn架构虽然为资源管理和任务调度监控提供了很好的支持，但是目前只能监控任务状态，不能在资源不足时提前给用户发出预警因而无法提前进行资源调整，有可能会导致任务进度已经接近完成却发生资源严重不足，那么任务可能只能重新启动并再分配资源，这样就会造成时间和资源的浪费。

技术实现要素：

有鉴于此，本发明实施例期望提供一种资源可用度预警方法及装置，能够并且能够有效的减少资源浪费提高资源的利用率。

为达到上述目的，本发明的技术方案是这样实现的：

本发明实施例提供了一种资源可用度预警方法，所述方法包括：

建立资源使用量预估模型；

通过所述资源使用量预估模型，预估下一时间周期的资源使用量；

当所述预估的下一周期的资源使用量超出预设阈值时，发出资源可用度预警。

上述方案中，所述建立资源使用量预估模型包括：

根据每个时间周期内所有并行任务的进度和消耗资源的增量以及时间周期规律和关联关系确定下一时间周期任务进度增量对应的消耗资源增量；

多次对比所述确定的下一时间周期任务进度增量对应的消耗资源增量与实际的任务进度增量对应的消耗资源的增量，动态调整权值减小误差；

选取对应最小误差的权值建立资源使用量预估模型。

上述方案中，所述通过所述资源使用量预估模型，预估下一时间周期的资源使用量包括但不限于：通过所述资源使用量预估模型，预估下一时间周期的cpu资源使用量和内存资源使用量。

上述方案中，所述预估的下一周期的资源使用量超出第一阈值时包括：预估的下一周期的资源使用量超出剩余可用资源量的阈值。

上述方案中，所述当所述预估的下一周期的资源使用量超出预设阈值时，发出资源可用度预警包括：当所述预估的下一周期的资源使用量超出预设阈值时，根据任务的优先级、重要程度以及依赖关系发出不同级别的资源可用度预警。

本发明实施例还提供了一种资源可用度预警装置，所述装置包括：模型建立模块、资源预估模块、资源预警模块，其中，

所述模型建立模块，用于建立资源使用量预估模型；

所述资源预估模块，用于通过所述资源使用量预估模型，预估下一时间周期的资源使用量；

所述资源预警模块，用于当所述预估的下一周期的资源使用量超出预设阈值时，发出资源可用度预警。

上述方案中，所述模型建立模块具体用于：

根据每个时间周期内所有并行任务的进度和消耗资源的增量以及时间周期规律和关联关系确定下一时间周期任务进度增量对应的消耗资源增量；

多次对比所述确定的下一时间周期任务进度增量对应的消耗资源增量与实际的任务进度增量对应的消耗资源的增量，动态调整权值减小误差；

选取对应最小误差的权值建立资源使用量预估模型。

上述方案中，所述资源预估模块具体用于：通过所述资源使用量预估模型，预估下一时间周期的cpu资源使用量和内存资源使用量。

上述方案中，所述资源预警模块判断预估的下一周期的资源使用量超出第一阈值时包括：所述资源预警模块判断预估的下一周期的资源使用量超出剩余可用资源量的阈值。

上述方案中，资源预警模块具体用于：当所述预估的下一周期的资源使用量超出预设阈值时，根据任务的优先级、重要程度以及依赖关系发出不同级别的资源可用度预警。

本发明实施例所提供的资源可用度预警方法及装置，先建立资源使用量预估模型，然后通过所述资源使用量预估模型，预估下一时间周期的资源使用量，当所述预估的下一周期的资源使用量超出预设阈值时，发出资源可用度预警。如此，能够避免因可用资源不足造成大量任务失败的情况，改善原有运行机制的不足，并且能够有效的减少资源浪费提高资源的利用率。

附图说明

图1为基于yarn的hadoop架构图；

图2为本发明实施例资源可用度预警方法流程示意图；

图3为本发明实施例资源可用度预警方法的原理示意图；

图4为本发明实施例资源可用度预警装置结构示意图；

图5为本发明实施例资源可用度预警系统结构示意图；

图6为本发明实施例资源可用度预警系统工作流程示意图。

具体实施方式

本发明实施例中，先建立资源使用量预估模型，然后通过所述资源使用量预估模型，预估下一时间周期的资源使用量，当所述预估的下一周期的资源使用量超出预设阈值时，发出资源可用度预警。

正常情况下，hadoop的正常运行离不开充足的cpu、内存等资源支持，各种资源的可用度大小对hadoop的任务运行的影响各不相同，比如，cpu资源如果不够用可能不会直接造成任务失败，但会致使整体运行速度和处理效率显著下降而出现大量任务积压排队；内存资源如果不够用则往往是致命的，会出现内存溢出，任务执行中断，造成很多任务失败等。因此，对hadoop资源的可用度进行实时监控并且在资源可用度较低前进行预警是十分必要的。

本发明实施例中提供了一种hadoop资源可用度预警方法，首先建立基于时间序列的动态反馈学习模型，根据每个时间序列增量范围内所有并行任务的进度和消耗资源的增量动态，按照预设的规则学习本时间周期内潜在的规律和关联关系并产生下一时间周期任务进度增量对应的消耗资源增量，再对比实际的任务进度和消耗资源的增量值不断反复的动态调整权值减小误差优化模型，从一系列权值中取当前时间序列范围内最小误差的最优权值形成模型，然后在此模型基础上预估完成剩余任务所需的资源大小，如果所需资源值超过剩余可用资源量的阈值则按照任务不同的优先级、重要程度和依赖关系发出不同高低级别的预警，提示资源可用度较低可能会造成大量任务失败，为后期自动调整容器的资源值提供参考，为用户手工配置资源值提供依据，从而避免因可用资源不足造成大量任务失败的情况，改善原有运行机制的不足，并且能够有效的减少资源浪费提高资源的利用率。

下面结合附图及具体实施例，对本发明技术方案的实施作进一步的详细描述。图2为本发明实施例一资源可用度预警方法流程示意图，如图2所示，本实施例资源可用度预警方法包括以下步骤：

步骤201：建立资源使用量预估模型；

本发明实施例中，所述建立资源使用量预估模型包括：根据每个时间周期内所有并行任务的进度和消耗资源的增量以及时间周期规律和关联关系确定下一时间周期任务进度增量对应的消耗资源增量；多次对比所述确定的下一时间周期任务进度增量对应的消耗资源增量与实际的任务进度增量对应的消耗资源的增量，动态调整权值减小误差；选取对应最小误差的权值建立资源使用量预估模型。

具体的，根据时间序列增量范围内所有并行任务的进度和消耗资源的增量，按照预设的规则学习本时间周期内潜在的规律和关联关系并产生下一时间周期任务进度增量对应的消耗资源增量，再对比实际的任务进度和消耗资源的增量值不断反复的动态调整权值减小误差优化模型，从一系列权值中取当前时间序列范围内最小误差的最优权值形成模型。

图3为本发明实施例资源可用度预警方法的原理示意图，如图3所示，hadoop中的所有任务的集合表示为jall＝{j1,j2,...,jn}，其中n表示所有任务的数量。设置时间序列为从ti时刻到ti+1时刻内的一段时间，则时间序列为δt＝ti+1-ti。在时间序列范围内所有正在运行的任务的集合表示为jrunning＝{j1,j2,...,jn},n≤n。对于hadoop中的所有运行任务的进度状态进行监控并用百分比形式表示，即集合jprunning＝{jp1,jp2,...,jpn}，其中任意一个任务jk在ti时刻进度用表示，那么在时间序列范围内ti时刻到ti+1时刻内任务jk的进度增量为在单位时间内任务jk进度的平均增量如公式(1-1)所示：

相应地，计算在单位时间内所有任务进度的平均增量，如公式(1-2)所示：

在时间序列范围内的ti+1时刻，所有正在运行的任务的进度中最快的进度可以用来衡量，那么这个最快进度的任务剩余的所需完成的进度为与之同时运行的所有任务的平均进度增量通过公式(1-3)计算：

在进行资源可用度预警的过程中，主要从cpu、内存等方面动态反馈学习任务消耗资源的情况。假设在时间序列范围内从ti时刻到ti+1时刻用百分比形式表示所有运行任务消耗cpu资源的增量，即δcp＝cpⁱ⁺¹-cpⁱ，则单位时间内所有运行任务消耗cpu资源的计算方法如公式(1-4)：

在本周期时间序列范围内完成最快进度任务的剩余进度期间，下一时间周期内完成所有运行任务还需要占用的cpu资源增量的计算方法如公式(1-5)所示：

对比下一时间周期实际消耗cpu资源值cpⁱ⁺²并调节权值σc减小误差，如公式(1-6)所示：

在时间序列范围内形成一系列权值集合从这些权值中取最小误差的最优权值作为当前σc值，该值在这个时间序列内随资源消耗的不断变化动态地反复学习优化调整取得最优值。

同理，在时间序列范围内从ti时刻到ti+1时刻，计算单位时间内所有运行任务消耗内存资源的方法如公式(1-7)所示：

在本周期完成最快进度任务的剩余进度期间，在下一时间周期内完成所有运行任务还需要的占用的内存资源增量的计算方法如公式(1-8)所示：

则对比下一时间周期实际消耗内存资源值mpⁱ⁺²并调节权值σm减小误差，如公式(1-9)：

类似地在时间序列范围内形成一系列权值集合并且动态地反复学习优化调整取最小误差的最优权值作为当前σm值。

步骤202：通过所述资源使用量预估模型，预估下一时间周期的资源使用量；

本发明实施例中，所述通过所述资源使用量预估模型，预估下一时间周期 的资源使用量包括但不限于：通过所述资源使用量预估模型，预估下一时间周期的cpu资源使用量和内存资源使用量。

具体的，在形成的最小误差最优资源使用量预估模型基础上，以时间序列范围内进度最快的任务的进度状况为基准，根据所有并行任务当前已经消耗资源的情况预估完成剩余任务所需资源的大小；

本发明实施例中，若要保证所有运行任务能够正常完成，最重要的是保障在最多并行任务运行的高峰期有充足的资源，如图3所示，在时间序列范围内ti时刻到ti+1时刻内并行任务数最多，当进度最快的任务jpk完成后会释放一些资源，此时并行任务数量下降，cpu、内存等相关资源消耗量也相应下降，因此在时间序列范围内这些并行任务的成功与否主要取决于在最多最快进度任务运行的这段时间是否有足够的cpu、内存等可用资源。

使用步骤201中建立的资源预估模型可以预估完成剩余任务所需资源的大小，若当前时刻为tt，则预估所需cpu资源cp^t的计算方法如公式(1-10)所示：

预估所需内存资源mp^t的计算方法如(1-11)所示：

步骤203：当所述预估的下一周期的资源使用量超出预设阈值时，发出资源可用度预警。

本发明实施例中，所述预估的下一周期的资源使用量超出第一阈值时包括：预估的下一周期的资源使用量超出剩余可用资源量的阈值。

所述当所述预估的下一周期的资源使用量超出预设阈值时，发出资源可用度预警包括：当所述预估的下一周期的资源使用量超出预设阈值时，根据任务的优先级、重要程度以及依赖关系发出不同级别的资源可用度预警。

具体的，如果预估完成剩余任务所需的资源使用量超过剩余的可用资源量的阈值则按照任务不同的优先级、重要程度和依赖关系发出不同高低级别的预警，提示资源可用度较低可能会造成大量任务失败；

在tt时刻hadoop实际剩余的可用cpu资源量为假设cpu资源可用度预警阈值为μc，那么预警规则如公式(1-12)所示：

在tt时刻实际剩余的可用内存资源量为设内存资源可用度预警阈值为μm，则预警规则如公式(1-13)所示：

其中，预警阈值μc和μm可以按照实际需求划分为严重告警、重要告警、一般告警等不同级别的告警。严重告警主要是指对系统、平台或应用等产生致命影响需要立即干预的告警，这是最高级别的告警；重要告警主要是指部分地对系统、平台或应用产生影响的告警，这是中间级别的告警；一般告警主要是警告类别的告警，可能不会对系统、平台或应用产生直接影响的告警，这是最低级别的告警；可以根据实际情况设置更细粒度的告警。如果当前运行任务的优先级较高、很重要并且有很多后续任务依赖该任务，那么将会产生较高级别的告警，在实际应用中可以量化优先级、重要程度和依赖关系并设置对应阈值，这样可以实现在复杂多变的环境产生不同级别的告警。

根据上述方法，还可以实现对其他资源的可用度的预警，这样就实现了对hadoop所有可用资源进行实时监控并且在资源不足时能够提前告警通知维护人员进行扩容，避免因资源不足造成运行效率下降、任务失败以及数据丢失等不良影响。

本发明实施例还提供了一种资源可用度预警装置，图4为本发明实施例资源可用度预警装置结构示意图，如图4所示，所述装置包括：模型建立模块41、资源预估模块42、资源预警模块43，其中，

所述模型建立模块41，用于建立资源使用量预估模型；

本发明实施例中，所述模型建立模块具体用于：

根据每个时间周期内所有并行任务的进度和消耗资源的增量以及时间周期规律和关联关系确定下一时间周期任务进度增量对应的消耗资源增量；多次对比所述确定的下一时间周期任务进度增量对应的消耗资源增量与实际的任务进度增量对应的消耗资源的增量，动态调整权值减小误差；选取对应最小误差的权值建立资源使用量预估模型。

具体的，根据时间序列增量范围内所有并行任务的进度和消耗资源的增量，按照预设的规则学习本时间周期内潜在的规律和关联关系并产生下一时间周期任务进度增量对应的消耗资源增量，再对比实际的任务进度和消耗资源的增量值不断反复的动态调整权值减小误差优化模型，从一系列权值中取当前时间序列范围内最小误差的最优权值形成模型。

所述资源预估模块42，用于通过所述资源使用量预估模型，预估下一时间周期的资源使用量；

本发明实施例中，所述资源预估模块具体用于：通过所述资源使用量预估模型，预估下一时间周期的cpu资源使用量和内存资源使用量。

具体的，在形成的最小误差最优资源使用量预估模型基础上，以时间序列范围内进度最快的任务的进度状况为基准，根据所有并行任务当前已经消耗资源的情况预估完成剩余任务所需资源的大小。

所述资源预警模块43，用于当所述预估的下一周期的资源使用量超出预设阈值时，发出资源可用度预警。

本发明实施例中，所述资源预警模块判断预估的下一周期的资源使用量超出第一阈值时包括：所述资源预警模块判断预估的下一周期的资源使用量超出剩余可用资源量的阈值；当所述预估的下一周期的资源使用量超出预设阈值时，根据任务的优先级、重要程度以及依赖关系发出不同级别的资源可用度预警。

本发明实施例还提供了一种资源可用度预警系统，图5为本发明实施例资源可用度预警系统结构示意图，如图5所示，本发明实施例所述资源可用度预警装置中的模型建立模块41和资源预估模块42位于5中的应用任务预警器51(aw，applicationwarner)，所述资源预警模块43位于图5中的全局资源预警 器52(rw，resourcewarner)；

从整体架构来说，本发明实施例所述资源可用度预警系统在hadoop原有的yarn框架模块架构基础上，新增具有资源可用度监控预警机制的功能模块rw和aw，分别实现全局资源的可用度监控预警和局部容器container的资源可用度监控预警，按照预设的规则，将资源可用度过低的告警信息及时推送通知给用户，以便用户提前处理，为运维提供决策支持。

本发明实施例所述资源可用度预警系统建立了基于时间序列动态反馈学习模型的资源可用度预警机制，将每个时间序列增量范围内所有并行任务的进度和消耗资源的增量动态实时地反馈给aw，aw按照预设规则学习本时间周期内潜在的规律和关联关系并产生下一时间周期任务进度增量对应的消耗资源增量，再对比实际的任务进度和消耗资源增量不断反复的动态调整权值减小误差优化模型，从一系列权值中取当前时间序列范围内最小误差的最优权值形成模型，然后在此基础上预估完成剩余任务所需资源的大小，如果所需资源值超过剩余可用资源量的阀值则由aw通知rw，rw按照任务不同的优先级、重要程度和依赖关系发出不同高低级别的预警。

本发明实施例所述资源可用度预警系统首先由用户提交mapreduce等应用程序，分别向rm申请资源和向rw申请进行资源可用度监控预警，请求获得允许后再由nm发出命令给container启动am和aw分别注册资源和预警，然后nm会启动各个任务，任务进入运行状态，其中aw按照公式(1-1)至(1-13)定义的规则执行资源监控预警，若发现资源不足时通知rw处理并发出预警信息，当任务正常执行完成后释放资源并关闭告警，最后结束并退出流程。

图6为本发明实施例资源可用度预警系统工作流程示意图，如图6所示，本发明实施例所述资源可用度预警系统工作流程包括以下步骤：

步骤601：用户提交应用程序，向rm申请资源，向rw请求启动资源可用度监控预警；

本步骤中，用户以jobclient方式提交应用程序，向rm申请资源，并向rw请求启动资源可用度监控预警。

步骤602：rm分配container并与nm通信要求启动aw，rw与nm通信要求启动aw；

本步骤中，rm接受请求后给应用程序分配第一个容器container，并与对应的nm通信，发出在container中启动am的命令。同时，rw也接受请求与nm进行通信，并且要求在container中启动应用任务监控aw以期对每个container进行资源可用度监控预警。

步骤603：am向rm注册并领取资源，aw在rw注册并报告资源；

本步骤中，am向rm注册自己为各个任务申请领取cpu、内存等资源，同时，aw在rw注册自己并汇报各个任务已经领取到的资源类型、大小等各种信息以便rw能够按其进行分类并采用不同的处理策略。

步骤604：am要求nm启动任务，nm通知aw对资源可用度进行监控预警；

本步骤中，am要求nm启动执行各个任务，nm通知aw对资源可用度进行监控预警，然后，nm启动各个任务，所有任务进入正式运行状态。

步骤605：am管理监控任务状态，aw对资源可用度进行监控和预警；

本步骤中，所有任务在运行期间都由am负责管理和进行状态监控，并由aw对资源可用度进行监控和预警。

步骤606：aw判断是否进行预警，当需要进行严重预警时，执行步骤607，当不需要进行预警或者需要进行非严重预警时，执行步骤608；

本步骤中，在规定的时间序列范围内记录任务的进度以及container内的资源可用度，按照公式(1-1)至(1-13)不断反复进行反馈学习获得最小误差的最优模型并预估下一周期所需资源量，当发现剩余的资源可用度比预估所需资源的阀值低时则发出告警。当am发现处于致命预警状态或已经失败状态的无法挽回任务则重新申请资源并重启任务。

步骤607：发出严重预警，并返回步骤602；

步骤608：rw实现全局资源的可用度监控和预警，并将告警信息通知给户。

本步骤中，rw综合来自aw报告的资源可用度及告警信息，实现全局资 源的可用度监控和预警，并将告警信息推送通知给用户。

步骤609：应用程序结束，am从rm中注销释放资源，aw从rw中关闭告警，本流程结束。

本步骤中，当应用程序正常执行完成后，am从rm中注销自己释放资源，相应的aw也从rw中将自己的告警关闭，最终结束流程。

本发明实施例所述资源可用度预警方法、装置及系统，以基于时间序列动态反馈学习模型的资源可用度预警机制为核心方法，在hadoop原架构上新增具有资源可用度监控预警机制的功能模块，如rw和aw，分别实现全局资源的可用度监控预警和局部容器container的资源可用度监控预警，并且按照预设的规则将资源可用度过低的告警信息及时通知给用户以便提前处理和分配资源。在具体实现过程中，首先建立基于时间序列的动态反馈学习模型，将每个时间序列增量范围内所有并行任务的进度和消耗资源的增量动态实时地反馈给aw，aw按照预设的规则学习本时间周期内潜在的规律和关联关系并产生下一时间周期任务进度增量对应的消耗资源增量，再对比实际的任务进度和消耗资源的增量值不断反复的动态调整权值减小误差优化模型，从一系列权值中取当前时间序列范围内最小误差的最优权值形成模型，然后在此模型基础上预估完成剩余任务所需的资源大小，如果所需资源值超过剩余可用资源量的阀值则由aw通知rw，rw按照任务不同的优先级、重要程度和依赖关系发出不同高低级别的预警。

本发明实施例所述资源可用度预警方法、装置及系统，弥补了现有hadoop没有相关模块给用户为其分配资源提供数据和事实依据的不足，以及只能实时监控资源和任务状态不能提前预知资源不足情况的缺陷，避免资源的浪费，降低资金成本，减轻维护人员的工作压力，为运维提供决策支持，本方案在实际应用中具有较高的实用性。

图4中所示的资源可用度预警装置中的各处理模块的实现功能，可参照前述资源可用度预警方法的相关描述而理解。本领域技术人员应当理解，图4所示的资源可用度预警装置中各处理模块的功能可通过运行于处理器上的程序而 实现，也可通过具体的逻辑电路而实现，比如：可由中央处理器(cpu)、微处理器(mpu)、数字信号处理器(dsp)、或现场可编程门阵列(fpga)实现。

在本发明所提供的几个实施例中，应该理解到，所揭露的方法及装置，可以通过其他的方式实现。以上所描述的装置实施例仅仅是示意性的，例如，所述模块的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，如：多个模块或组件可以结合，或可以集成到另一个系统，或一些特征可以忽略，或不执行。另外，所显示或讨论的各组成部分相互之间的通信连接可以是通过一些接口，设备或模块的间接耦合或通信连接，可以是电性的、机械的或其他形式的。

上述作为分离部件说明的模块可以是、或也可以不是物理上分开的，作为模块显示的部件可以是、或也可以不是物理模块，即可以位于一个地方，也可以分布到多个网络模块上；可以根据实际的需要选择其中的部分或全部模块来实现本实施例方案的目的。

另外，在本发明各实施例中的各功能模块可以全部集成在一个处理模块中，也可以是各模块分别单独作为一个模块，也可以两个或两个以上模块集成在一个模块中；上述集成的模块既可以采用硬件的形式实现，也可以采用硬件加软件功能模块的形式实现。

本领域普通技术人员可以理解：实现上述方法实施例的全部或部分步骤可以通过程序指令相关的硬件来完成，前述的程序可以存储于计算机可读取存储介质中，该程序在执行时，执行包括上述方法实施例的步骤；而前述的存储介质包括：移动存储设备、只读存储器(rom，read-onlymemory)、磁碟或者光盘等各种可以存储程序代码的介质。

或者，本发明实施例上述集成的模块如果以软件功能模块的形式实现并作为独立的产品销售或使用时，也可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明实施例的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机、服务器、或 者网络设备等)执行本发明各个实施例所述方法的全部或部分。而前述的存储介质包括：移动存储设备、rom、磁碟或者光盘等各种可以存储程序代码的介质。

本发明实施例中记载的资源可用度预警方法、装置只以上述实施例为例，但不仅限于此，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分或者全部技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的范围。

以上所述仅为本发明的较佳实施例而已，并非用于限定本发明的保护范围。