[發明專利]一種使用ARIMA-RNN組合模型的云服務器資源性能預測方法

有效

• 申請號: 202011181522.8
• 申請日: 2020-10-29
• 公開（公告）號: CN112561119B
• 公開（公告）日: 2023-05-30
• 發明（設計）人: 孟海寧;童新宇;石月開;朱磊;馮鍇;黑新宏
• 申請（專利權）人: 西安理工大學
• 主分類號: G06F30/27
• 分類號: G06F30/27;G06F17/18;G06N3/045;G06N3/048;G06N3/08;G06F119/04
• 代理公司: 西安弘理專利事務所 61214
• 代理人: 寧文濤

本發明公開了一種使用ARIMA?RNN組合模型的云服務器資源性能預測方法，首先將序列數據進行預處理，將原始序列數據映射到[?1,1]。確定ARIMA模型，然后對于現有的數據進行訓練并預測，保存。確定RNN模型結構，使用現有數據和ARIMA模型對現有數據的預測結果對RNN模型進行訓練。將ARIMA模型對于時刻t數據的預測結果和時刻t?1，t?2,…,t?n的數據輸入進RNN模型對時刻t的數據進行預測。本發明克服了ARIMA模型對波動較大的數據預測精度較低的局限性，克服了RNN模型收斂速度慢且不穩定的問題，最終實現了對云服務器系統性能參數預測并分析，更精確地預測軟件老化現象。

技術領域

本發明屬于時間序列預測技術領域，具體涉及的一種使用?ARIMA-RNN組合模型的云服務器資源性能預測方法。

背景技術

隨著云計算的發展，云服務器使用越來越普遍。云服務器具有長?期運行、高復雜性和資源交換頻繁的特點，這增加了資源耗盡和軟件?系統出現異常和故障的風險。隨著故障和資源消耗的累積，云服務器?系統會出現緩慢的性能下降，故障率增加甚至崩潰。這種現象稱為“軟?件老化”。軟件老化受到許多因素影響，如軟件出現異常、資源利用，?工作負載等。云服務器系統出現軟件老化現象是一個普遍的現象。例?如，隨著云服務系統的長期運行，系統性能逐步下降，服務器響應時?間逐漸增長。當服務器響應時間超過臨界閾值時，云服務器系統進入?未服務狀態，稱為“偽故障”。企業系統(尤其是云平臺)中老化導致的意外中斷可能導致巨大的收入損失。一項調查顯示，IT停機時間平?均每年可達14小時，導致損失265億美金。因此，對云服務器系統?資源和性能數據進行預測是應對軟件老化現象的關鍵。

一種有效且常用的應對軟件的方法是“軟件再生”技術。它通過清?理故障，在發生完全或部分新狀態故障之前主動恢復系統。軟件再生?技術很大程度上取決于進行軟件再生的時間。停機時間或者由此類操?作引起的開銷是不可忽略的，頻繁的軟件再生可能會對系統可用性造?成負面影響。相反，理想的軟件再生策略是在系統接近故障前進行系?統恢復。

因此對軟件老化趨勢的準確預測，計算老化閾值，可以為云系統?在線預維護提供理論依據?，F有的對于云服務器系統軟件老化趨勢的?預測方法大多數為時間序列分析或智能算法。時間序列分析法采用?ARMA、粒子濾波等模型進行趨勢預測，模型簡單，但所需數據量大?且對于波動較大的數據預測精度較低。智能算法包括神經網絡、支持?向量機等，該類算法在預測時間序列數據時，預測精度亦不高。云服?務器資源和性能數據具有非線性、隨機性和突發性的特點，因此上述?現有的預測方法預測云服務器資源和性能數據的精度不高，尤其是數?據變化較為劇烈的區間內，預測精度更低。

發明內容

本發明的目的是提供一種使用ARIMA-RNN組合模型的云服務?器資源性能預測方法。解決了現有技術中存在的對云服務系統老化趨?勢預測過程中精度不高的問題，克服了ARIMA模型對波動較大的數?據預測精度較低的局限性，基于灰色關聯度分析法，提出了時間序列?數據相關性計算方法，來確定組合模型中數據輸入數量和維度，克服?了RNN模型收斂速度慢且不穩定的問題，最終實現了對云服務器系?統性能參數預測并分析，更精確地預測軟件老化現象。

本發明所采用的技術方案是，一種使用ARIMA-RNN組合模型?的云服務器資源性能預測方法，包括以下步驟：

步驟1，收集云服務器的資源和性能數據。

步驟2，獲取云服務器資源和性能序列數據，所述資源和性能序?列數據包括：CPU空閑率、可用內存、平均負載和響應時間等。

步驟3，對步驟2獲取得的序列數據進行預處理操作。

步驟4，使用步驟3得到的數據構建ARIMA模型，并獲得ARIMA?模型對步驟3所得數據的預測值。

步驟5，計算步驟3得到的序列數據的平均相關性，并構建RNN?模型。

步驟6，使用步驟3和步驟4得到結果訓練RNN模型。