[發明專利]一種基于深度置信網的云計算負載預測方法

有效

• 申請號: 201510330961.3
• 申請日: 2015-06-09
• 公開（公告）號: CN104954185B
• 公開（公告）日: 2018-08-28
• 發明（設計）人: 張衛山;段鵬程;宮文娟;盧清華;李忠偉
• 申請（專利權）人: 青島邃智信息科技有限公司
• 主分類號: H04L12/24
• 分類號: H04L12/24;H04L29/08
• 代理公司: 北京科億知識產權代理事務所(普通合伙) 11350
• 代理人: 孫營營

本發明提出了一種基于深度置信網的云計算負載預測方法，包括以下步驟：步驟(1)，從云集群中提取并聚合負載觀測值；步驟(2)，對步驟(1)的觀測值進行差分變換以降低數據的線性度，歸一化數據，分析數據內部的自相關和自回歸特性；步驟(3)，按照從下到上的順序逐層訓練RBM，并通過BP算法優化整體網絡結構；步驟(4)，使用前一步訓練出的網絡對云屬性進行長短期預測；步驟(5)，將步驟(4)中的預測結果進行與步驟(2)相反的逆變換，得到原數據的預測值。本發明基于深度置信網的云負載預測方法，能夠為云平臺的資源調度提供可靠依據，具有預測誤差小、適合長線預測等優點，達到云資源高效調度和使用。

技術領域

本發明涉及云計算大數據計算、計算智能領域，特別涉及一種基于深度置信網的云計算負載預測方法。

背景技術

對云計算環境下的負載的預測是極為困難的。相對于網格計算和高性能計算而言，由于用戶與云平臺的交互和其上傳得云任務類型在時間和空間上高度變化，使得云負載表現出高度的非線性性質，從而導致傳統的線性或概率模型不能表現出其在應對網格和高性能系統時的良好效果。

作為深度神經網絡的一員，深度置信網是由RBM(Restricted BoltzmannMachines)組成的多層神經網絡。一個RBM能夠獲取數據的內在模式或特征，而由多個RBM疊成的深度置信網能夠獲取特征的特征，從而建立起高度的非線性預測模型。通過采用對比散度算法對RBM進行預訓練并使用BP優化網絡結構比直接使用BP優化算法能達到更好的實驗效果。

最接近本發明的技術有：

1、D.Sheng提出一種基于Bayes模型的預測算法去預測谷歌云集群主機負載。然而獲取Bayes模型的前驗信息往往很困難，這使得此模型容易產生簡單結果，從而降低預測精度。

2、S.Chen采用了分形建模技術去預測谷歌云任務的資源請求。然而，采用分形建模技術對數據建模的前提條件是數據具有自相似性。這樣，一個好的預測結果就要求云屬性具有自相似性，這也使得其應用范圍受到限制。

發明內容

為解決現有技術的不足，本發明提出了一種基于深度置信網的云負載預測方法。

本發明的技術方案是這樣實現的：

一種基于深度置信網的云計算負載預測方法，包括以下步驟：

步驟(1)，從云集群中提取并聚合負載觀測值；

步驟(2)，對步驟(1)的觀測值進行差分變換以降低數據的線性度，歸一化數據，分析數據內部的自相關和自回歸特性；

步驟(3)，按照從下到上的順序逐層訓練RBM，并通過BP算法優化整體網絡結構；

步驟(4)，使用前一步訓練出的網絡對云屬性進行長短期預測；

步驟(5)，將步驟(4)中的預測結果進行與步驟(2)相反的逆變換，得到原數據的預測值。

可選地，本發明的基于深度置信網的云計算負載預測方法，還包括步驟(6)，將預測結果與傳統方法的預測結果進行評價，得出評價結果。

本發明的有益效果是：

(1)把深度置信網對非線性數據良好的擬合特性與高度變化的云屬性相結合，預測誤差小；

(2)適合長線預測。

附圖說明

為了更清楚地說明本發明實施例或現有技術中的技術方案，下面將對實施例或現有技術描述中所需要使用的附圖作簡單地介紹，顯而易見地，下面描述中的附圖僅僅是本發明的一些實施例，對于本領域普通技術人員來講，在不付出創造性勞動的前提下，還可以根據這些附圖獲得其他的附圖。