[發明專利]一種支持不規則時間間隔的虛擬機工作負載預測方法

有效

• 申請號: 201811354400.7
• 申請日: 2018-11-14
• 公開（公告）號: CN109542585B
• 公開（公告）日: 2020-06-16
• 發明（設計）人: 郭偉;寧雅頔;鹿旭東;葛偉;崔立真
• 申請（專利權）人: 山東大學
• 主分類號: G06F9/455
• 分類號: G06F9/455;G06N3/04;G06N3/08
• 代理公司: 濟南圣達知識產權代理有限公司 37221
• 代理人: 黃海麗

本發明公開了一種支持不規則時間間隔的虛擬機工作負載預測方法。對虛擬機工作負載歷史數據進行預處理；構建支持不規則時間間隔數據處理的N?LSTM模型，將預處理得到的數據輸入到N?LSTM模型中對N?LSTM模型進行訓練；得到訓練好的N?LSTM模型；對虛擬機工作負載待測數據進行預處理，將預處理得到的待測數據輸入到已經訓練好的N?LSTM模型中，N?LSTM模型輸出虛擬機工作負載預測結果。本發明實現了準確使用歷史數據中的時間間隔信息，設計了一個能將不規則的時間間隔與請求記錄有效結合進行學習的深度學習模型，以得到最優的預測結果。

技術領域

本公開涉及云計算負載預測領域，特別是涉及一種支持不規則時間間隔的虛擬機工作負載預測方法。

背景技術

云計算通過虛擬化技術，使得應用程序可直接在虛擬機上運行，每臺物理機上又可同時容納多個虛擬機。應用程序能以獨立的方式共享物理機上的資源，而在大多數情況下，虛擬機的負載幾乎不影響共存的虛擬機的性能。虛擬化技術有效地增加了物理機的利用率。數據中心可以提供靈活的資源配置，以適應工作量需求。

虛擬機工作負載預測問題是云計算服務中的一個重要問題。由于物理服務器的增加需要一定時間，在物理服務器使用率達到一定閾值時，能夠提前預測需增加的物理服務器數量，從而為物理服務器的部署提供時間窗口，對于云服務提供商為用戶提供具有高質量的服務具有重要意義。

針對上述問題，需要利用用戶申請虛擬機的歷史數據，來對未來用戶對虛擬機的請求做出預測。業界已經有一些對工作負載進行預測的模型和方法，目前的研究主要使用遞歸神經網絡(Recurrent Neural Network，簡稱RNN)，通過深度學習預測未來用戶對虛擬機的請求。

目前存在的問題是：現有模型可能存在梯度消失或不能處理不規則時間間隔等。在云數據中心中，某一時間段內的虛擬機請求量即為這段時間的虛擬機負載。時間間隔是虛擬機工作負載中的一個重要屬性。其對預測情況的影響主要體現在同規格虛擬機易出現同時刻進行多次請求的情況或按照某一固定的時間間隔連續請求的情況。

發明內容

為了解決現有技術的不足，本公開提供了一種支持不規則時間間隔的虛擬機工作負載預測方法，它首先將歷史負載數據進行預處理，然后使用一個能夠處理時間間隔的N-LSTM模型，(Long Short-Term Memory，長短期記憶網絡，簡稱LSTM)，結合虛擬機請求的時間間隔，以固定長度的時間段為單位對歷史數據進行學習，對未來時間段內的虛擬機請求進行精準預測。

第一方面，本公開提供了一種支持不規則時間間隔的虛擬機工作負載預測方法；

一種支持不規則時間間隔的虛擬機工作負載預測方法，包括：

對虛擬機工作負載歷史數據進行預處理；

構建支持不規則時間間隔數據處理的N-LSTM模型，將預處理得到的數據輸入到N-LSTM模型中對N-LSTM模型進行訓練；得到訓練好的N-LSTM模型；

對虛擬機工作負載待測數據進行預處理，將預處理得到的待測數據輸入到已經訓練好的N-LSTM模型中，N-LSTM模型輸出虛擬機工作負載預測結果。

在一些可能的實現方式中，對虛擬機工作負載歷史數據進行預處理的具體步驟為：

虛擬機工作負載歷史數據，包括若干條虛擬機工作負載數據，每一條虛擬機工作負載數據包括：虛擬機型號和虛擬機響應請求的時間；針對每個型號的虛擬機，計算每天該型號虛擬機的所有請求的平均時間間隔；得到關于每個型號虛擬機的連續T天內，每天的平均請求時間間隔序列；

數據缺失值處理：取缺失值數據所在日期的前T-1天內的平均請求時間間隔的均值作為缺失數據的取值；