[發(fā)明專利]一種云環(huán)境下的主機負載預測方法

在審

• 申請?zhí)枺?/td>: 201711469032.6
• 申請日: 2017-12-28
• 公開（公告）號: CN108196957A
• 公開（公告）日: 2018-06-22
• 發(fā)明（設計）人: 陳羽中;江偉;郭昆
• 申請（專利權）人: 福州大學
• 主分類號: G06F9/50
• 分類號: G06F9/50;G06F17/18
• 代理公司: 福州元創(chuàng)專利商標代理有限公司 35100
• 代理人: 蔡學俊

本發(fā)明涉及云計算技術領域，特別是一種云環(huán)境下的主機負載預測方法，包括如下步驟：1、取云平臺的歷史負載數(shù)據(jù)集X，進行歸一化處理，得到歸一化后的歷史負載數(shù)據(jù)集2、根據(jù)得到的歷史負載數(shù)據(jù)集構建ARMA預測模型，獲得主機負載預測值集合，進而計算得到ARMA預測誤差數(shù)據(jù)集E；3、使用ARMA預測誤差數(shù)據(jù)集E訓練Elman網(wǎng)絡模型，并根據(jù)得到的Elman網(wǎng)絡模型進行預測，得到誤差預測值集合；4、結合ARMA預測模型和Elman網(wǎng)絡模型，修正主機負載預測值集合，得到更高精度的預測模型HARMA?E；5、采用預測模型HARMA?E，預測云平臺的實時負載。該方法能有效提升云環(huán)境中主機工作負載的預測精度。

技術領域

本發(fā)明涉及云計算技術領域，特別是一種云環(huán)境下的主機負載預測方法。

背景技術

近年來，隨著信息和通信技術的快速發(fā)展，計算模式經歷了從最初把任務集中交付給大型處理機的模式，到后來發(fā)展為基于網(wǎng)絡的分布式任務處理模式，再到現(xiàn)在的按需處理的云計算模式。云計算是全球新一輪IT革命的標志性創(chuàng)新，已經成為引領未來信息產業(yè)乃至整個經濟社會創(chuàng)新發(fā)展的戰(zhàn)略性關鍵技術和基礎性創(chuàng)新平臺。但與此同時，在商業(yè)應用領域云代理模式也面臨一些困難，其中最主要的問題就是如何在提高資源利用率和保證利潤最大化的同時，確保SLA(Service-Level Agreement)水平在一個可接受的范圍內。由于云環(huán)境的復雜性，云服務器并不總能對用戶的服務請求作出及時響應，因此工作負載預測是在云計算環(huán)境中實現(xiàn)成本優(yōu)化、資源分配、節(jié)能以及提升SLA水平的重要途徑之一。

目前，針對云環(huán)境下的工作負載預測問題，已有學者提出了一些預測方法和模型。Barati M提出了一個基于支持向量機的預測模型，該模型采用混合遺傳算法和粒子群算法來選擇參數(shù)，以此獲得較優(yōu)的模型。Foo Y W提出了一種混合神經網(wǎng)絡與遺傳算法的模型，使用遺傳算法來代替?zhèn)鹘y(tǒng)的BP算法訓練網(wǎng)絡參數(shù)。上述論文提出的都是單預測模型，由于單模型預測性能有限，并不能很好的適用于較復雜的負載預測，因此集成學習的方法也被廣泛用于處理此類預測問題。Adhikari R提出一種基于權重調整的預測模型，但是區(qū)別于一般的權重調整方式，其增加了多個非線性項，用于體現(xiàn)模型之間的聯(lián)系對于預測結果的影響。Smith C提出一種基于帕累托解集的預測模型，采用遺傳算法訓練遞歸神經網(wǎng)絡網(wǎng)絡的模型，然后得出一個帕累托解集，再根據(jù)一定的標準選擇多個模型集成后再作為預測的模型。Cetinski K提出一種基于回歸分析和隨機森林的混合模型，使用統(tǒng)計學方法提取數(shù)據(jù)特征，再使用機器學習的方法做預測。Zhao Q提出了一種基于快速傅里葉變換理論的預測模型，使用傅里葉變換驗證數(shù)據(jù)是否要周期性，若存在周期性，則使用快速傅里葉變換作為預測模型，若不存在周期性，則使用隱馬爾科夫模型作為預測模型。

綜上，現(xiàn)有的集成模型大都采用類似于給不同模型的輸出賦予不同權重的集成方式，但這種方式總是難以避免性能較差的模型對整體預測精度的影響。

發(fā)明內容

本發(fā)明的目的在于克服現(xiàn)有技術的不足，提供一種云環(huán)境下的主機負載預測方法，該方法能有效提升云環(huán)境中主機工作負載的預測精度。

為實現(xiàn)上述目的，本發(fā)明的技術方案是：一種云環(huán)境下的主機負載預測方法，包括如下步驟：

步驟A：取云平臺的歷史負載數(shù)據(jù)集X＝{x₁,x₂,...,x_t,...,x_n}，其中x_t表示云平臺在t時刻的主機負載，對所述歷史負載數(shù)據(jù)集X進行min-max歸一化處理，將{x₁,x₂,...,x_t,...,x_n}映射到[0,1]之間，得到歸一化后的歷史負載數(shù)據(jù)集

步驟B：根據(jù)歸一化后的歷史負載數(shù)據(jù)集構建ARMA預測模型，獲得主機負載預測值集合進而計算得到ARMA預測誤差數(shù)據(jù)集E；