[發明專利]一種容器云資源的預測方法

有效

• 申請號: 202010061306.3
• 申請日: 2020-01-19
• 公開（公告）號: CN111274530B
• 公開（公告）日: 2021-12-31
• 發明（設計）人: 鄒偉東;夏元清;李慧芳;張金會;翟弟華;戴荔;劉坤;閆莉萍
• 申請（專利權）人: 北京理工大學
• 主分類號: G06F17/13
• 分類號: G06F17/13;G06F17/16;G06F9/455
• 代理公司: 北京理工大學專利中心 11120
• 代理人: 溫子云;郭德忠

本發明公開了一種容器云資源預測方法，通過在建立密集型寬度學習模型中，利用比例?積分?微分(PID)算法與自適應矩估計方法(ADAM)分別計算特征節點和增強節點的輸出權值矩陣，能夠在降低計算負擔過重和提高計算效率的情況下提高算法的泛化性能，在一定程度上能夠滿足容器云資源預測的需要，同時為更準確地進行容器云資源預測提供了新思路和新途徑。

技術領域

本發明屬于云計算與大數據技術領域，具體涉及一種容器云資源的預測方法。

背景技術

近年來，容器憑借著其靈活、快速、高效的特點，使云計算高彈性、高可用性等特征更加顯著，構建了新一代的云計算生態體系。大量的國內外學者、互聯網公司和傳統企業積極研發和落地容器技術，容器技術的生態圈逐漸形成，基于容器技術的容器云也迅速發展。如何在保證容器云環境安全和穩定運行的前提下，對資源進行合理和高效的管理，成為當前的研究熱點問題之一。

容器云發展時間較短，成熟度低，并且面臨著復雜的資源管理問題。例如，企業通常在購置設備時不得不考慮經濟成本和公司規模，因此不像云服務商那樣擁有大量的備用設備。對于企業，資源的預留、分配與回收等成為一個非常重要的問題，如果能較準確地提前預知未來一段時間內自身應用對資源的需求量，對于資源不足的情況，就可以提前申請和購買相應設備，避免因物理資源不足導致業務停止運行，給企業造成負面影響的狀況發生；如果未來一段時間資源需求量遠低于現有設備數，就可以進行數據和業務遷移，以停止某些設備的運行，降低能耗，提高企業的經濟效益和資源利用率。容器云資源預測對推進容器云理論和技術更進一步發展、提高企業經濟效益、避免資源浪費等具有重要意義，值得研究。而如何對平臺歷史資源負荷數據進行時效性、準確性的預測，是研究容器云資源預測的重要問題之一。

設計預測模型與學習算法是容器云資源研究的關鍵問題。現有技術中采用基于傳統的寬度學習預測模型，該預測模型利用嶺回歸方法，通過試湊法獲取最優正則化系數的方式，求取輸出權值矩陣，這種方法計算負擔過重、計算效率低，從而降低了泛化性能，因此設計高效的預測模型對容器云資源預測具有十分重要的意義。

發明內容

有鑒于此，本發明提供了一種容器云資源預測方法，通過構建的密集型寬度學習模型，實現了對容器云資源的精確預測，有效提高了預測精度和效率。

本發明提供的一種容器云資源的預測方法，其特征在于，包括以下步驟：

采用容器云資源需求量的歷史數據構建訓練樣本集，樣本中的輸出為選定時間點的容器云資源需求量，輸入為所述選定時間點前的多個時間點的容器云資源需求量；

建立基于密集型寬度學習的容器云資源預測模型，隨機產生輸入到特征節點之間的輸入權值矩陣、特征節點到密集型增強節點之間的輸入權值矩陣、特征節點的偏置和密集型增強節點的偏置，將所述訓練樣本集輸入到建立的所述預測模型中，采用比例-積分-微分算法求解特征節點的輸出權值矩陣，計算特征節點產生的誤差值，在此基礎上，采用自適應矩估計法根據所述誤差值求解密集型增強節點的輸出權值矩陣，完成所述預測模型的訓練；

采用當前時間點前的多個時間點的容器云資源需求量輸入到訓練得到的所述預測模型中，預測當前時間點的容器云資源需求量。

進一步地，所述采用比例-積分-微分算法求解特征節點的輸出權值矩陣的過程，包括以下步驟：

定義，L為所述預測模型中的第L個密集型特征節點，L的初始值為L＝1，且1≤L≤b，b為密集型特征節點的總個數；E為所述預測模型的誤差，其初始值為E₀＝0，E₁＝||Y^N×1||₂，Y^N×1為所述預測模型的理想輸出矩陣；N表示樣本個數；

步驟2.1、根據比例-積分-微分算法采用公式(1)計算所述預測模型中第L個密集型特征節點的輸出權值：