[發(fā)明專利]一種虛擬機能耗預測方法

有效

• 申請?zhí)枺?/td>: 201811185005.0
• 申請日: 2018-10-11
• 公開（公告）號: CN109324953B
• 公開（公告）日: 2020-08-04
• 發(fā)明（設計）人: 鄒偉東;夏元清;李慧芳;張金會;翟弟華;戴荔;劉坤
• 申請（專利權）人: 北京理工大學
• 主分類號: G06F11/30
• 分類號: G06F11/30;G06N3/02
• 代理公司: 北京理工大學專利中心 11120
• 代理人: 高燕燕;付雷杰

本發(fā)明公開了一種虛擬機能耗預測方法。使用本發(fā)明能夠實現(xiàn)虛擬機能耗預測。本發(fā)明中，通過在現(xiàn)有增量型極限學習機模型中加入加速項將網(wǎng)絡訓練誤差與壓縮因子反饋到隱含層的輸出中使預測結果更逼近輸出樣本，能夠減少增量型極限學習機的冗余隱含層節(jié)點數(shù)量，從而加快增量型極限學習機的網(wǎng)絡收斂速度；通過引入壓縮因子與進化解，即在訓練過程中通過隨機產(chǎn)生的輸出權值并結合網(wǎng)絡訓練誤差、壓縮因子、輸入樣本，計算出更優(yōu)的隱含層節(jié)點參數(shù)，包括輸入權值、閾值、輸出權值、網(wǎng)絡訓練誤差，能夠優(yōu)化網(wǎng)絡結構，提高網(wǎng)絡訓練過程的穩(wěn)定性，從而有效降低網(wǎng)絡訓練誤差。

技術領域

本發(fā)明涉及云計算技術領域，具體涉及一種虛擬機能耗預測方法。

背景技術

隨著互聯(lián)網(wǎng)與云計算的飛速發(fā)展，許多云數(shù)據(jù)中心采用云計算的服務方式對外提供云服務，即為云服務提供商。當前對外提供云服務的云數(shù)據(jù)中心每天都消耗著大量的能源，能源消耗成本已成為云服務提供商不可忽視的問題。因此，如何節(jié)約能源和降低能耗已經(jīng)成為云服務提供商亟待解決的關鍵問題。在基礎架構即服務(IaaS)的云服務模式下，準確地預測虛擬機(VM)的能耗，對不同物理機(PM)之間進行虛擬機調(diào)度的調(diào)度策略和遷移合并策略的制定具有重要意義，同時可以降低能源消耗，有益于環(huán)境保護；而且有利于制定合理的定價策略，進一步吸引用戶。

設計預測模型與學習算法是虛擬機能耗預測研究的關鍵問題。現(xiàn)有技術中采用基于傳統(tǒng)的增量型極限學習機的預測模型存在許多降低虛擬機能耗預測準確性和效率的冗余節(jié)點，隨機產(chǎn)生隱含層節(jié)點參數(shù)影響增量型極限學習機的穩(wěn)定性，導致網(wǎng)絡訓練誤差較大，因此設計高效的預測模型對虛擬機能耗預測具有十分重要的意義。

發(fā)明內(nèi)容

有鑒于此，本發(fā)明提供了一種虛擬機能耗預測方法，通過在增量型極限學習機模型和訓練過程中引入加速項和進化解，構建基于加速項與進化解的增量型極限學習機模型，實現(xiàn)對虛擬機能耗的精確預測，能夠有效提高預測精度和效率。

本發(fā)明的一種虛擬機能耗預測方法，采用基于加速項與進化解的增量型極限學習機實現(xiàn)虛擬機能耗預測，具體包括如下步驟：

步驟一、采用虛擬機能耗的歷史數(shù)據(jù)構建訓練樣本集，樣本的輸出為選定時間點的虛擬機能耗值，輸入為所述選定時間點前的多個時間點的虛擬機運行參數(shù)；

步驟二、構建引入了加速項與進化解的增量型極限學習機模型為式(1)，并利用訓練樣本集進行訓練；

式中，i表示為隱含層中的第i個節(jié)點，L_f表示經(jīng)過訓練后所確定的隱含層節(jié)點數(shù)；表示為第i個隱含層節(jié)點的輸出矩陣；α_i-1e_i-1為針對第i個隱含層節(jié)點加入的所述加速項，其中，e_i-1為在訓練中由于增加了第i-1個隱含層節(jié)點而引入的網(wǎng)絡訓練誤差，其表達了當學習機中僅有第1～第i-1個隱含層節(jié)點時，學習機產(chǎn)生的輸出與樣本給定的理想輸出之間的差值；α_i-1為第i個隱含層節(jié)點確定的壓縮因子，是由網(wǎng)絡訓練誤差迭代計算得到；是為第i個隱含層節(jié)點確定的輸出權值的進化值，是隱含層節(jié)點輸出權值的隨機給定值與隱含層節(jié)點輸出權值改進值的線性組合，其中隱含層節(jié)點輸出權值的改進值是由訓練中獲得的隱含層節(jié)點輸入權值和隱含層節(jié)點閾值迭代計算得到，隱含層節(jié)點輸入權值和隱含層節(jié)點閾值是由訓練中隱含層節(jié)點的網(wǎng)絡訓練誤差和輸入樣本迭代計算得到；所述隱含層節(jié)點的輸入權值、閾值共同構成了所述進化解；

步驟三、將當前時間點前的多個時間點的虛擬機運行參數(shù)輸入到步驟二訓練好的增量型極限學習機中，預測當前時間點的虛擬機能耗值。

進一步地，所述基于加速項與進化解的增量型極限學習機的訓練過程包括如下步驟，每輸入一個訓練樣本就執(zhí)行一遍：

定義當前樣本的輸入向量為x，輸出為y；