[發(fā)明專(zhuān)利]基于隨機(jī)森林回歸的虛擬機(jī)性能預(yù)測(cè)方法

有效

• 申請(qǐng)?zhí)枺?/td>: 201710075720.8
• 申請(qǐng)日: 2017-02-13
• 公開(kāi)（公告）號(hào): CN106897109B
• 公開(kāi)（公告）日: 2020-04-14
• 發(fā)明（設(shè)計(jì)）人: 王娟;張彬彬;岳昆;郝佳;武浩
• 申請(qǐng)（專(zhuān)利權(quán)）人: 云南大學(xué)
• 主分類(lèi)號(hào): G06F9/455
• 分類(lèi)號(hào): G06F9/455
• 代理公司: 成都行之專(zhuān)利代理事務(wù)所(普通合伙) 51220
• 代理人: 溫利平;陳靚靚

1.一種基于隨機(jī)森林回歸的虛擬機(jī)性能預(yù)測(cè)方法，其特征在于，包括以下步驟：

S1：根據(jù)待預(yù)測(cè)的虛擬化環(huán)境的資源特點(diǎn)，從底層硬件特征、虛擬機(jī)軟件特征、虛擬機(jī)資源配置特征、虛擬機(jī)運(yùn)行時(shí)環(huán)境特征四個(gè)方面提取可能影響虛擬機(jī)性能的特征，記所提取到的虛擬機(jī)性能特征數(shù)量為F；

S2：根據(jù)步驟S1中各虛擬機(jī)性能特征的可能取值，配置得到一組不同虛擬機(jī)性能特征組合的虛擬機(jī)，記虛擬機(jī)數(shù)量為N；根據(jù)虛擬機(jī)上待運(yùn)行的應(yīng)用類(lèi)型選取一組基準(zhǔn)測(cè)試程序，分別在每一臺(tái)虛擬機(jī)上運(yùn)行基準(zhǔn)測(cè)試程序，記錄預(yù)設(shè)的性能指標(biāo)的數(shù)值，得到由N臺(tái)虛擬機(jī)的數(shù)據(jù)D_n＝(X_n,Y_n)構(gòu)成的數(shù)據(jù)樣本集D，其中X_n＝(x_n,1,x_n,2,…,x_n,F)表示第n臺(tái)虛擬機(jī)的虛擬機(jī)性能特征，x_n,i表示第n臺(tái)虛擬機(jī)中第i個(gè)虛擬機(jī)性能特征x_i的取值，Y_n表示第n臺(tái)虛擬機(jī)X_n對(duì)應(yīng)的性能指標(biāo)值，i＝1,2,…,F，n＝1,2,…,N；

S3：根據(jù)步驟S2得到的數(shù)據(jù)樣本集D構(gòu)建隨機(jī)森林回歸模型，其具體方法為：

S3.1：令決策樹(shù)序號(hào)t＝1；

S3.2：從步驟S2得到的數(shù)據(jù)樣本集D中，采用Bootstrap方法有放回地多次隨機(jī)采樣，抽取γ×N個(gè)數(shù)據(jù)樣本作為第t棵決策樹(shù)的訓(xùn)練集S(t)，γ的取值范圍為0＜γ≤1；

S3.3：令決策樹(shù)深度d＝1，將S(t)作為根節(jié)點(diǎn)的樣本集合，根節(jié)點(diǎn)對(duì)應(yīng)的性能指標(biāo)值為根節(jié)點(diǎn)樣本集合中所有樣本的性能指標(biāo)平均值；

S3.4：如果第t棵決策樹(shù)的深度d＝T_d，T_d表示決策樹(shù)深度最大值，本決策樹(shù)訓(xùn)練完畢，進(jìn)入步驟S3.8，否則進(jìn)入步驟S3.5；

S3.5：對(duì)第d層的每個(gè)節(jié)點(diǎn)，依次按照以下方法進(jìn)行節(jié)點(diǎn)切分：

記節(jié)點(diǎn)的樣本集合為S，如果樣本集合中的樣本數(shù)目小于預(yù)設(shè)閾值T_S，則本節(jié)點(diǎn)作為葉子節(jié)點(diǎn)，不再切分，否則從F維虛擬機(jī)性能特征中無(wú)放回地隨機(jī)選取f維特征構(gòu)成集合P，f的取值范圍為1≤f≤F；對(duì)于虛擬機(jī)性能特征集合P中的每個(gè)特征x_j，分別選取K個(gè)切分點(diǎn)λ_j(k)，k＝1,2,…,K，K表示切分點(diǎn)數(shù)量；根據(jù)如下公式計(jì)算出節(jié)點(diǎn)樣本集合S中以特征x_j和切分點(diǎn)λ_j(k)進(jìn)行切分時(shí)的加權(quán)方差M(j,k)：

其中，R₁(j,k)表示節(jié)點(diǎn)樣本集合S中切分特征x_j的取值小于等于λ_j(k)的樣本集合，R₂(j,k)表示節(jié)點(diǎn)樣本集合S中切分特征x_j的取值大于λ_j(k)的樣本集合，Q₁和Q₂分別表示R₁(j,k)和R₂(j,k)中樣本數(shù)量，c₁和c₂分別表示R₁(j,k)和R₂(j,k)中所有樣本的性能指標(biāo)平均值；

篩選出最小加權(quán)方差，如果最小加權(quán)方差小于設(shè)定的最小切分閾值T_λ，則本節(jié)點(diǎn)作為葉子節(jié)點(diǎn)，不再切分，否則選擇最小加權(quán)方差對(duì)應(yīng)的特征和切分點(diǎn)作為本節(jié)點(diǎn)的切分特征和切分點(diǎn)，將節(jié)點(diǎn)樣本集合S中切分特征的取值小于等于的樣本劃分至左子節(jié)點(diǎn)，大于的樣本劃分至右子節(jié)點(diǎn)，子節(jié)點(diǎn)對(duì)應(yīng)的性能指標(biāo)值為子節(jié)點(diǎn)樣本集合中所有樣本的性能指標(biāo)平均值；

S3.6：如果第d層的每個(gè)節(jié)點(diǎn)均為葉子節(jié)點(diǎn)，本決策樹(shù)訓(xùn)練完畢，進(jìn)入步驟S3.8，否則進(jìn)入步驟S3.7；

S3.7：令d＝d+1，返回步驟S3.4；

S3.8：如果t＜T_t，T_t表示隨機(jī)森林回歸模型中決策樹(shù)的數(shù)量，進(jìn)入步驟S3.9，否則隨機(jī)森林回歸模型構(gòu)建完畢；

S3.9：令t＝t+1，返回步驟S3.2；

S4：對(duì)于待預(yù)測(cè)性能的虛擬機(jī)X′＝(x′₁,x′₂,…,x′_F)，分別采用隨機(jī)森林回歸模型中的T_t個(gè)決策樹(shù)預(yù)測(cè)得到T_t個(gè)性能預(yù)測(cè)值，平均后得到該虛擬機(jī)的性能預(yù)測(cè)值，每個(gè)決策樹(shù)預(yù)測(cè)的方法為：將虛擬機(jī)X′的性能特征矢量(x′₁,x′₂,…,x′_F)輸入決策樹(shù)的根節(jié)點(diǎn)，根據(jù)該節(jié)點(diǎn)的切分特征和切分點(diǎn)將虛擬機(jī)X′劃分入相應(yīng)子節(jié)點(diǎn)，以此類(lèi)推直到到達(dá)某個(gè)葉子節(jié)點(diǎn)，以該葉子節(jié)點(diǎn)對(duì)應(yīng)的性能指標(biāo)值作為采用該決策樹(shù)得到的性能預(yù)測(cè)值。

2.根據(jù)權(quán)利要求1所述的虛擬機(jī)性能預(yù)測(cè)方法，其特征在于，所述步驟S3.5中最小切分閾值T_λ的取值范圍為T(mén)_λ≤0.01。