from nova to ironic(7)

本文详细解析了OpenStack中Ironic与Nova组件如何通过特定流程实现集成,重点关注了资源更新、节点信息获取及数据库同步的过程。

前面说到ironic配置中和nova打交道的地方在哪里,从nova create一个hardware的instance其实改动的只是nova的几个manager和driver而已,在scheduler进行

filter的时候,从DB的ComputeNode中拿出信息就可以知道当前使用的是什么类型的hypervisor, cpu info 等,那么这些信息是怎么进到ComputeNode中的呢,不同的

compute_driver需要不同的信息,trace一下这一过程:

在启动rpc service时,调用self.manager.pre_start_hook(),

def pre_start_hook(self):
        """After the service is initialized, but before we fully bring
        the service up by listening on RPC queues, make sure to update
        our available resources (and indirectly our available nodes).
        """
        self.update_available_resource(nova.context.get_admin_context()) #东西都在这个function中

在update_available_resource中不同的driver开始发挥不同的作用,对使用ironic而言,compute_manager是“ironic.nova.compute.manager.ClusteredComputeManager”

最后还是到nova.compute.manager.ComputeManager

def update_available_resource(self, context):
        """See driver.get_available_resource()

        Periodic process that keeps that the compute host's understanding of
        resource availability and usage in sync with the underlying hypervisor.

        :param context: security context
        """
        new_resource_tracker_dict = {}
        nodenames = set(self.driver.get_available_nodes())
        for nodename in nodenames:
            rt = self._get_resource_tracker(nodename)
            rt.update_available_resource(context)
            new_resource_tracker_dict[nodename] = rt


在driver(IronicDriver)中get_available_nodes()

self._refresh_cache()#在函数中node_list = ironicclient.call('node.list', detail=True, limit=0),用ironicclient node-list列出available nodes

node_uuids = list(self.node_cache.keys())

and next

rt = self._get_resource_tracker(nodename)#rt是nova.compute.resource_tracker中的类ResourceTracker
rt.update_available_resource(context)
#ResourceTracker中的update_availabl_resource

往里面还可以追很远,怎么讲数据到的数据库呢?

1._sync_compute_node

2._update:

self._update_resource_stats(context, values)

3.self.scheduler_client.update_resource_stats( context, (self.host, self.nodename), stats)

4. self.reportclient.update_resource_stats(context, name, stats)('nova.scheduler.client.report.SchedulerReportClient', scheduler的client有query和report两种)

5 在conductor中的update_resource_stats

self.conductor_api.compute_node_update(context,  {'id': compute_node_id},   updates)

6.终于到数据库了!

def compute_node_update(self, context, node, values):
        result = self.db.compute_node_update(context, node['id'], values)
        return jsonutils.to_primitive(result)

openstak的框架本身替我们做了很多common的东西,方便加自己的driver甚至大的module以及project

到这里,ironic和nova就连起来了,下面有空会把trace IronicDriver启动instance的情况记上


(Kriging_NSGA2)克里金模型结合多目标遗传算法求最优因变量及对应的最佳自变量组合研究(Matlab代码实现)内容概要:本文介绍了克里金模型(Kriging)与多目标遗传算法NSGA-II相结合的方法,用于求解最优因变量及其对应的最佳自变量组合,并提供了完整的Matlab代码实现。该方法首先利用克里金模型构建高精度的代理模型,逼近复杂的非线性系统响应,减少计算成本;随后结合NSGA-II算法进行多目标优化,搜索帕累托前沿解集,从而获得多个最优折衷方案。文中详细阐述了代理模型构建、算法集成流程及参数设置,适用于工程设计、参数反演等复杂优化问题。此外,文档还展示了该方法在SCI一区论文中的复现应用,体现了其科学性与实用性。; 适合人群:具备一定Matlab编程基础,熟悉优化算法和数值建模的研究生、科研人员及工程技术人员,尤其适合从事仿真优化、实验设计、代理模型研究的相关领域工作者。; 使用场景及目标:①解决高计算成本的多目标优化问题,通过代理模型降低仿真次数;②在无法解析求导或函数高度非线性的情况下寻找最优变量组合;③复现SCI高水平论文中的优化方法,提升科研可信度与效率;④应用于工程设计、能源系统调度、智能制造等需参数优化的实际场景。; 阅读建议:建议读者结合提供的Matlab代码逐段理解算法实现过程,重点关注克里金模型的构建步骤与NSGA-II的集成方式,建议自行调整测试函数或实际案例验证算法性能,并配合YALMIP等工具包扩展优化求解能力。
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值