[發明專利]一種大數據系統實時服務參數自適應調整方法

在審

• 申請號: 201810040704.X
• 申請日: 2018-01-16
• 公開（公告）號: CN108093085A
• 公開（公告）日: 2018-05-29
• 發明（設計）人: 聶敏;連德富;李春;孫俊
• 申請（專利權）人: 成都尋道科技有限公司
• 主分類號: H04L29/08
• 分類號: H04L29/08;G06F9/50
• 代理公司: 成都九鼎天元知識產權代理有限公司 51214
• 代理人: 劉世權

1.一種大數據系統實時服務參數自適應調整方法，其特征在于：包括采集系統資源使用監控記錄；

基于Elman神經網絡建立系統資源使用預測模型；

對系統資源使用預測模型的訓練和預測，包括以下步驟：S1：利用固定尺寸重疊滑動窗口技術從系統資源使用監控記錄數據中提取資源負荷子序列集；S2：使用聚類算法將資源負荷子序列集按照最優個數分成若干類，放置在不同的聚類簇中；S3：輸入當前的資源負荷數據，并將該數據和已有的聚類簇的數據進行似然度計算，提取具有與當前資源負荷數據具有最大似然度的聚類簇；S4：將聚類簇的資源負荷子序列集輸入到Elman神經網絡預測模塊中對其進行訓練和預測，獲得所需的資源負荷預測值；

根據資源使用預測值，自動調整系統實時服務參數。

2.如權利要求1所述的大數據系統實時服務參數自適應調整方法，其特征在于：所述S2中聚類簇的最優個數的計算方法：

S21：利用AIC準則計算聚類對應的最高后驗概率P(M/X)的值，式中，d為HMM模型M參數空間中所有參數的總數，N為所給數據個數的總和，為數據xi屬于第k個聚類的隸屬度，Pk是混合模型中每個HMM模型的先驗概率；

S22：AIC準則通過權衡對數似然項和復雜度懲罰項來確定最佳聚類個數。

3.如權利要求1所述的大數據系統實時服務參數自適應調整方法，其特征在于：所述S4中Elman神經網絡預測模塊的訓練具體包括以下步驟：構建Elman神經網絡模型，初始Elman神經網絡的權值閾值長度；通過遺傳算法對Elman神經網絡的權值進行訓練；獲取最優權值閾值；對Elman神經網絡進行更新權值訓練。

4.如權利要求3所述的大數據系統實時服務參數自適應調整方法，其特征在于：通過遺傳算法對Elman神經網絡的權值進行訓練的方法：種群個體實數編碼和種群初始化；將Elman神經網絡訓練誤差作為適應度值；進行選擇、交叉和變異操作，計算適應度值；檢查是否滿足結束條件，產生神經網絡的最優權值閾值。

5.如權利要求4所述的大數據系統實時服務參數自適應調整方法，其特征在于：所述適應度值的計算公式：

E(k)＝1/2(yd(k)-y(k))T(yd(k)-y(k))；式中yd(k)為第k步網絡的實際輸出。