[發(fā)明專利]一種使用ARIMA-RNN組合模型的云服務(wù)器資源性能預(yù)測(cè)方法

有效

• 申請(qǐng)?zhí)枺?/td>: 202011181522.8
• 申請(qǐng)日: 2020-10-29
• 公開(kāi)（公告）號(hào): CN112561119B
• 公開(kāi)（公告）日: 2023-05-30
• 發(fā)明（設(shè)計(jì)）人: 孟海寧;童新宇;石月開(kāi);朱磊;馮鍇;黑新宏
• 申請(qǐng)（專利權(quán)）人: 西安理工大學(xué)
• 主分類(lèi)號(hào): G06F30/27
• 分類(lèi)號(hào): G06F30/27;G06F17/18;G06N3/045;G06N3/048;G06N3/08;G06F119/04
• 代理公司: 西安弘理專利事務(wù)所 61214
• 代理人: 寧文濤

1.一種使用ARIMA-RNN組合模型的云服務(wù)器資源性能預(yù)測(cè)方法，其特征在于，包括以下步驟：

步驟1，收集云服務(wù)器的資源和性能數(shù)據(jù)；

步驟2，獲取云服務(wù)器資源和性能序列數(shù)據(jù)，所述資源和性能序列數(shù)據(jù)包括：CPU空閑率、可用內(nèi)存、平均負(fù)載和響應(yīng)時(shí)間等；

步驟3，對(duì)步驟2獲取得的序列數(shù)據(jù)進(jìn)行預(yù)處理操作；

步驟4，使用步驟3得到的數(shù)據(jù)構(gòu)建ARIMA模型，并獲得ARIMA模型對(duì)步驟3所得數(shù)據(jù)的預(yù)測(cè)值；

所述步驟4中，構(gòu)建ARIMA模型具體方法是：

對(duì)序列數(shù)據(jù)進(jìn)行差分操作，直到通過(guò)ADF單位根檢驗(yàn)方法的平穩(wěn)性檢驗(yàn)；通過(guò)觀察自相關(guān)函數(shù)和偏自相關(guān)函數(shù)得到ARIMA模型的可能參數(shù)；確定最佳的ARIMA模型；

步驟5，計(jì)算步驟3得到的序列數(shù)據(jù)的平均相關(guān)性，并構(gòu)建RNN模型；

所述步驟5中，求得序列數(shù)據(jù)的平均相關(guān)，并構(gòu)建RNN模型的具體方法是：

計(jì)算序列數(shù)據(jù)中時(shí)刻t的數(shù)據(jù)與時(shí)刻t-1,t-2,…,t-p的數(shù)據(jù)之間的相關(guān)性；求取序列數(shù)據(jù)中所有時(shí)刻與其之前時(shí)刻數(shù)據(jù)相關(guān)性的平均值；確定序列數(shù)據(jù)中相關(guān)性較強(qiáng)數(shù)據(jù)的個(gè)數(shù)；

計(jì)算序列的平均相關(guān)的具體方法為：

使用灰色關(guān)聯(lián)分析法衡量序列相關(guān)程度的方法確定時(shí)刻t的值x[t]分別和時(shí)刻t-1的值x[t-1]，時(shí)刻t-2的值x[t-2],…,時(shí)刻t-p的值x[t-p]的平均相關(guān)性,即共N-p個(gè)數(shù)據(jù)分別與其本身之前p個(gè)數(shù)據(jù)的p個(gè)相關(guān)系數(shù)的平均值，其中t＝p,p+1,…,N；從而確定RNN模型輸入層神經(jīng)元的個(gè)數(shù)，因?yàn)槲覀円獙?duì)時(shí)刻t的值進(jìn)行預(yù)測(cè)，因此RNN模型輸出層神經(jīng)元的個(gè)數(shù)設(shè)為1，再通過(guò)一個(gè)經(jīng)驗(yàn)公式確定RNN模型隱藏層神經(jīng)元的個(gè)數(shù)；其中h為隱藏層神經(jīng)元的個(gè)數(shù)，m為輸入層神經(jīng)元的個(gè)數(shù)，n為輸出層神經(jīng)元的個(gè)數(shù)；α∈{0≤x≤10,x∈Z}；

步驟6，使用步驟3和步驟4得到結(jié)果訓(xùn)練RNN模型；

具體包括以下步驟：

步驟6.1，使用大小為m的滑動(dòng)窗口遍歷序列數(shù)據(jù)構(gòu)造輸入特征向量，即時(shí)刻t數(shù)據(jù)的特征向量為X‘_t＝[x_t-1,x_t-2,…,x_t-m]，時(shí)刻t的標(biāo)簽記為y_t，即y_t＝x_t，則訓(xùn)練數(shù)據(jù)集{X‘_t,y_t|t＝m,m+1,m+2,…,N}；mN，其中N為數(shù)據(jù)個(gè)數(shù)，t＝0,1,…,N-1；

步驟6.2，將步驟5得到的序列數(shù)據(jù)截?cái)?，從第m個(gè)時(shí)刻開(kāi)始取值，即α＝{α_m,α_m+1,…,α_N}，使得截?cái)嗪蟮腁RIMA預(yù)測(cè)數(shù)據(jù)與標(biāo)簽數(shù)據(jù)y＝{y_m,y_m+1,…,y_N}數(shù)據(jù)一一對(duì)應(yīng)；

步驟6.3，初始化RNN各個(gè)權(quán)重矩陣和偏移向量的值；

步驟6.4，計(jì)算數(shù)據(jù)集中樣本的特征向量x_t在ARIMA-RNN組合模型中的輸出值；

步驟6.5，計(jì)算預(yù)測(cè)序列與期望序列之間的誤差，利用反向傳播算法調(diào)整各個(gè)權(quán)重矩陣和偏移向量的值，使誤差函數(shù)達(dá)到最小值；

步驟6.6，判斷訓(xùn)練次數(shù)是否達(dá)到最大值，若達(dá)到最大值則保存調(diào)整好的權(quán)重矩陣和偏移向量，轉(zhuǎn)到步驟6.4并輸出預(yù)測(cè)結(jié)果；否則轉(zhuǎn)到步驟6.5；

步驟7，利用ARIMA模型的預(yù)測(cè)值和現(xiàn)有的序列數(shù)據(jù)對(duì)未來(lái)數(shù)據(jù)進(jìn)行預(yù)測(cè)。

2.根據(jù)權(quán)利要求1所述的一種使用ARIMA-RNN組合模型的云服務(wù)器資源性能預(yù)測(cè)方法，其特征在于，所述步驟3中，對(duì)序列數(shù)據(jù)采用歸一化處理方法進(jìn)行預(yù)處理，將原始序列數(shù)據(jù)映射到[-1,1]，具體方法是：

計(jì)算得序列數(shù)據(jù)的最大值和平均值，分別記為x_max和x_mean；

使用序列數(shù)據(jù)中的每個(gè)數(shù)據(jù)減去x_mean再除以x_max。

3.根據(jù)權(quán)利要求1所述的一種使用ARIMA-RNN組合模型的云服務(wù)器資源性能預(yù)測(cè)方法，其特征在于，所述RNN模型包括輸入層、隱藏層和輸出層，其中將步驟3所得到的序列數(shù)據(jù)和步驟4中ARIMA模型的預(yù)測(cè)結(jié)果作為輸入層的輸入，所述輸出層為ARIMA-RNN組合模型的預(yù)測(cè)結(jié)果；所述隱藏層使用tanh作為激活函數(shù)。