[發(fā)明專利]基于多變量分組的服務(wù)器性能預(yù)測方法

在審

• 申請(qǐng)?zhí)枺?/td>: 201611213761.0
• 申請(qǐng)日: 2016-12-26
• 公開（公告）號(hào): CN108241864A
• 公開（公告）日: 2018-07-03
• 發(fā)明（設(shè)計(jì)）人: R·W·馬丁;張宏斌;曹健
• 申請(qǐng)（專利權(quán)）人: 摩根士丹利服務(wù)集團(tuán)有限公司
• 主分類號(hào): G06K9/62
• 分類號(hào): G06K9/62
• 代理公司: 中國國際貿(mào)易促進(jìn)委員會(huì)專利商標(biāo)事務(wù)所 11038
• 代理人: 李穎

本公開涉及基于多變量分組的服務(wù)器性能預(yù)測方法。本發(fā)明提出了一種用于多步預(yù)測企業(yè)服務(wù)器性能的方法。在高度動(dòng)態(tài)的資源共享環(huán)境中，系統(tǒng)性能指標(biāo)的準(zhǔn)確預(yù)測是資源高效分配的關(guān)鍵。針對(duì)CPU負(fù)載等性能指標(biāo)的預(yù)測，研究人員已提出一系列預(yù)測模型，但大部分集中在單變量和短期預(yù)測領(lǐng)域。該方法收集了服務(wù)器的歷史性能數(shù)據(jù)，并且將其轉(zhuǎn)化成多變量時(shí)間序列。在進(jìn)行預(yù)測時(shí)，通過K近鄰算法對(duì)歷史的多變量時(shí)間序列進(jìn)行搜索，找到與當(dāng)前的服務(wù)器性能及資源消耗的狀態(tài)最為接近的歷史序列。將K個(gè)最相近的歷史時(shí)間序列的后續(xù)時(shí)間序列信息合成未來服務(wù)器性能狀況的預(yù)測值。

技術(shù)領(lǐng)域

本發(fā)明涉及信息技術(shù)領(lǐng)域中的多變量服務(wù)器負(fù)載預(yù)測方法。

背景技術(shù)

目前，已有許多研究通過時(shí)間序列預(yù)測算法對(duì)服務(wù)器性能進(jìn)行預(yù)測。

這些研究有的使用了經(jīng)典的線性回歸、指數(shù)平滑或者ARIMA模型進(jìn)行時(shí)間序列預(yù)測，也有的使用了更為復(fù)雜的支持向量機(jī)(SVM)、神經(jīng)網(wǎng)絡(luò)以及模糊邏輯算法。KNN算法也在時(shí)間序列預(yù)測中得到了使用。但是現(xiàn)有的服務(wù)器性能預(yù)測都是針對(duì)的單一指標(biāo)，而忽略了實(shí)際中對(duì)多個(gè)指標(biāo)預(yù)測的需求以及指標(biāo)間的相關(guān)性；另一方面，這些預(yù)測針對(duì)的是下一步的數(shù)據(jù)，無法對(duì)未來多個(gè)步長的數(shù)據(jù)進(jìn)行準(zhǔn)確的預(yù)測。

發(fā)明內(nèi)容

本發(fā)明的技術(shù)解決問題：

1.基于多維K近鄰方法獲取多步性能預(yù)測

通過多維K近鄰方法能夠預(yù)測多步性能信息，擴(kuò)大了預(yù)測的范圍。

2.通過維度分組提高預(yù)測速度

隨著時(shí)間序列維度的增加，進(jìn)行時(shí)間序列預(yù)測的速度會(huì)急劇下降。如果預(yù)測算法運(yùn)行時(shí)間過長，則失去了實(shí)時(shí)預(yù)測的能力。通過變量分組提高了預(yù)測速度。

3.通過維度分組，保留了變量間的相關(guān)性

當(dāng)多元時(shí)間序列的維度很多時(shí)，直接進(jìn)行KNN預(yù)測反而由于變量之間的干擾而產(chǎn)生很大誤差。通過維度分組，保留了變量間的相關(guān)性，又提高了速度。

本發(fā)明的技術(shù)解決方案：為了綜合利用各個(gè)指標(biāo)信息以提高預(yù)測的精度，本發(fā)明提出一種基于多變量分組的K最近鄰算法的服務(wù)器性能預(yù)測方法。通過分析各變量間的相關(guān)性對(duì)變量進(jìn)行分組，在此基礎(chǔ)上利用K最近鄰法搜索相似歷史序列，進(jìn)行多步預(yù)測。

本發(fā)明與現(xiàn)有技術(shù)相比的優(yōu)點(diǎn)在于：

使用了多維K最近鄰方法實(shí)現(xiàn)對(duì)服務(wù)器的多步性能預(yù)測。同時(shí)，將變量按相關(guān)性、依賴性進(jìn)行分組，使得每個(gè)組內(nèi)的變量聯(lián)系密切，不同組的變量之間的相關(guān)度較低或相對(duì)獨(dú)立。對(duì)變量進(jìn)行分組在減少干擾提高預(yù)測精度的同時(shí)，還可以極大地降低多元時(shí)間序列的維度，從而加快KNN的搜索速度。

附圖說明

圖1 KNN算法示意圖。

圖2預(yù)測算法流程圖。

圖3是按照本發(fā)明的各實(shí)施例的企業(yè)計(jì)算機(jī)系統(tǒng)的框圖。

具體實(shí)施方式

本發(fā)明分為以下步驟：

S1確定相關(guān)性矩陣

給定長度為T、維度為d的多變量時(shí)間序列，我們利用相關(guān)系數(shù)來衡量兩個(gè)變量之間的關(guān)聯(lián)程度。本專利選擇斯皮爾曼秩相關(guān)系數(shù)(Spearman’s rank correlationcoefficient)，它是一個(gè)度量兩變量間聯(lián)系強(qiáng)弱的非參數(shù)性質(zhì)的秩統(tǒng)計(jì)參數(shù)。

對(duì)容量為n的樣本，原始數(shù)據(jù)X_i，Y_i被轉(zhuǎn)換為等級(jí)數(shù)據(jù)x_i，y_i，相關(guān)系數(shù)ρ_XY為：