云端平台的监测数据调控方法及系统的制作方法
【技术领域】
[0001] 本发明涉及云端平台运算方法，特别涉及一种云端平台的监测数据调控方法及系 统。
【背景技术】
[0002] 近年来由于多媒体应用及视讯监控等需求提升，造成视讯数据量巨幅地成长。因 此，运用计算机处理大量视讯数据的需求日渐提高，例如；（1)针对视讯监控影片，进行车 牌辨识或人流计数等功能，W协助统计分析；（2)针对录像画面进行质量强化处理，W提高 其画面能见度；（3)针对录像画面进行视讯浓缩，W减少调阅影片所耗费的时间；(4)自大 量影片中检索一特定对象出现的时间及地点；或（5)针对高分辨率视讯内容进行压缩格式 转码，W降低数据量W利储存传送等应用。上述针对视讯内容所做的辨识、统计、强化、浓 缩、检索或转码等应用泛称视讯处理（VideoProcessing，VP)。伴随视讯分辨率不断提升， 传统单机运算架构已无法负荷视讯处理的大量运算需求。因此具有运算资源扩充性的云端 平台是需要的，来满足该些大量且不断增加的运算需求。
[0003] 云端平台将多台实体运算机器，利用虚拟化技术，产生大量虚拟运算机器。云端平 台并根据使用者需求及应用服务运算需求，配置不同资源的虚拟机（CPU、内存、储存空间、 网络带宽）来执行各种视讯处理。习知云端视讯处理将单一影片切割成多组片段，均匀分 配至云端处理程序进行处理，其总体运算时间取决于最慢的处理程序。由于视讯处理具有 许多变因（虚拟机的运算资源、视讯处理复杂度、处理的视讯内容差异），须不断监测处理 程序的实时处理状态才能动态调配运算资源。
[0004] 因为各种视讯处理运算复杂度的差异，不同视讯处理功能的运算资源需求也不 同。即使是同一种视讯处理功能，也可能因为视讯源随着时间变化。在不同时段，同时出现 在摄影机画面中的对象个数不同，所需要的运算资源也随着变化。
【发明内容】
[0005]本发明所要解决的问题是；如何同时监测各种视讯处理功能在虚拟机上的处理状 态，W发现资源不足的处理程序。或是如何根据监测处理状态的结果，找出系统中执行效能 最差的处理程序集合，配置较多的资源给该些程序，W优化整体的运算效能，皆成为重要的 议题。为此，本发明提出一种云端平台的监测数据调控方法。针对大量数据处理应用需求， 在兼顾可用的传输带宽及实时发现最异常处理程序条件下，有效利用运算资源，W提升系 统整体运算效能。
[0006]本发明的一实施例提出一种云端平台的监测数据调控方法。该调控方法包括下列 步骤；由一监测状态收集器收集多个虚拟机内各运算程序的各监测数据。该监测状态收集 器，依据一参照矩阵及目前可用的网络带宽对所述多个监测数据进行取样，W得到多个监 测系数数据。该监测状态收集器将所述多个监测系数数据传输至一主控端。该主控端根据 该参照矩阵处理所述多个监测系数数据，W重建多个监测重组数据。该主控端依所述多个 监测重组数据，判定所述多个虚拟机内各运算程序中是否有效能异常的运算程序。
[0007] 本发明的实施例提出一种云端平台的监测数据调控系统。该调控系统包括；多个 虚拟机、一监测状态收集器、一第一缓存器、一主控端W及一第二缓存器。该监测状态收集 器禪接所述多个虚拟机，收集所述多个虚拟机内各运算程序的各监测数据。该监测状态收 集器依据一参照矩阵及目前可用的网络带宽对所述多个监测数据进行取样，W得到多个监 测系数数据。该第一缓存器禪接该监测状态收集器，用W储存该参照矩阵。该主控端接收 来自该监测状态收集器的所述多个监测系数数据。该主控端根据该参照矩阵处理所述多个 监测系数数据，W重建多个监测重组数据。该主控端依据所述多个监测重组数据，判定所述 多个虚拟机内各运算程序中是否有效能异常的运算程序。该第二缓存器禪接该主控端，接 收并储存来自该监测状态收集器的该参照矩阵。
【附图说明】
[0008] 图1是依据本发明的一实施例提出的一云端平台系统框架图10。
[0009] 图2A~2B是本发明中W流程图举例说明该云端平台10的监测数据调控方法。
[0010] 图3是本发明中W流程图举例说明该主控端110如何针对上述判定处理状态异常 的运算程序进行资源调配动作。
[0011] 图4是使用本发明的监测数据调控方法在所述多个监测数据不同的压缩率下，所 需使用到的网络带宽。
[0012] 附图标记说明：
[001引 10~云端平台；
[0014] 100~虚拟机群组；
[0015] 101~监测状态收集器；
[0016] 102~第一缓存器；
[0017] 103、104、105、106 ~虚拟机；
[001引 110~主控端；
[0019] 111~第二缓存器。
【具体实施方式】
[0020] 为使本发明的目的、技术方案和优点更加清楚明白，W下结合具体实施例，并参照 附图，对本发明作进一步的详细说明。
[0021] 图1是依据本发明的一实施例提出的一云端平台10框架图。如图1所示的一实 施例，本发明的该云端平台10包括至少一虚拟机群组100W及一主控端110。该虚拟机群 组100与该主控端110通过一实体网络进行数据传输，且该实体网络的带宽有限。该虚拟 机群组100包括一监测状态收集器101、一第一缓存器102W及多个虚拟机103-106。该监 测状态收集器101禪接所述多个虚拟机103-106,其中每一虚拟机可执行一至多个运算程 序。该第一缓存器102位于该监测状态收集器101之中，用W储存来自该监测状态收集器 101的数据。该第二缓存器111则位于该主控端110之中，用W储存该主控端110的数据W 及来自该监测状态收集器101的数据。
[0022] 值得注意的是，本发明并不W此为限。例如，该云端平台10亦能包括多个虚拟机 群组，其中每一虚拟机群组皆具有对应的一监测状态收集器、一第一缓存器w及多个虚拟 机；该第一缓存器102和该第二缓存器111亦可分别从外部连接至该监测状态收集器101 和该主控端110。
[0023] 图2A~2BW流程图举例说明该云端平台10的监测数据调控方法。在步骤S210 中，该监测状态收集器101周期性收集所述多个虚拟机103-106中各运算程序的各监测数 据，并记录所有运算程序（或所述多个监测数据）的一第一数目N。举例来说，假设所述多 个虚拟机103-106中分别执行一、H、一和二个运算程序（共7个运算程序），该监测状态收 集器101就会周期性收集到7个监测数据，此时该第一数目N为7。
[0024] 在步骤S220中，该监测状态收集器101依据该第一数目N构建维度为N乘N的一 参照矩阵Lwyw;接着，该监测状态收集器101将该参照矩阵Lwyw储存于该第一缓存器102之 中，并透过该实体网络将该参照矩阵Lwyw传输至该主控端110中的该第二缓存器111储存。 因此，该监测状态收集器101与该主控端110具有相同的该参照矩阵Lwyw。该参照矩阵Lwyw为 一结构化的随机矩阵（Struc化redRandomMatrix)。该参照矩阵LwyM可W采用随机部份傅 立叶矩阵（RandomPartialFourierMahix)或是采用随机方式搭配高斯分布（Gaussian Distribution)产生，但是并非限定于此。
[00巧]在步骤S230中，该监测状态收集器101依据该参照矩阵LwxwW及该实体网络目前 可用的网络带宽，对该N个监测数据xi~xw取样得到M个监测系数数据yi~y"，其中M为 一取样系数数量，且M不大于N。有关步骤S230更详细的实施方式如图2B所示，其具体步 骤S