[發明專利]基于LSTM-ACO模型預測云服務器資源性能的方法

在審

• 申請號: 202011642231.4
• 申請日: 2020-12-31
• 公開（公告）號: CN112631890A
• 公開（公告）日: 2021-04-09
• 發明（設計）人: 孟海寧;李維;石月開;童新宇;馮鍇;朱磊;黑新宏
• 申請（專利權）人: 西安理工大學
• 主分類號: G06F11/34
• 分類號: G06F11/34;G06N3/00;G06N3/04;G06N3/08
• 代理公司: 西安弘理專利事務所 61214
• 代理人: 劉娜

1.基于LSTM-ACO模型預測云服務器資源性能的方法，其特征在于，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；

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LSTM模型，并利用該模型獲得LSTM模型對步驟3所得數據的預測值；

步驟5，利用蟻群算法對步驟4得到的LSTM模型來進行參數優化，構建LSTM-ACO模型；

步驟6，使用步驟5得到的LSTM-ACO模型預測步驟3得到的數據并與步驟4得到的數據對比；

步驟7，利用LSTM-ACO模型的預測值和現有的序列數據對未來數據進行預測。

2.根據權利要求1所述的基于LSTM-ACO模型預測云服務器資源性能的方法，其特征在于，所述步驟3中，對序列數據采用歸一化處理方法進行預處理，將原始序列數據映射到[0,1]，具體方法是：

計算得序列數據的最大值和最小值，分別記為X_max和X_min；

使用序列數據中的每個數據減去X_min再除以X_min-X_min。

3.根據權利要求1所述的基于LSTM-ACO模型預測云服務器資源性能的方法，其特征在于，所述步驟4中，構建LSTM模型的方法是：

構建模型包括輸入層、隱藏層、輸出層、網絡訓練以及網絡預測5個功能模塊；輸入層負責對原始響應時間序列進行初步處理以滿足網絡輸入要求，隱藏層采用LSTM細胞搭建單層循環神經網絡，輸出層提供預測結果網絡，網絡預測采用迭代的方法逐點預測。

4.根據權利要求3所述的基于LSTM-ACO模型預測云服務器資源性能的方法，其特征在于，所述構建LSTM模型的具體步驟為：

首先在輸入層中，定義已經歸一化后的原始響應時間序列為F_o＝{f₁,f₂,…,f_n}，則劃分的訓練集和測試集可以表示為F_tr＝{f₁,f₂,…,f_m}和F_te＝{f_m+1,f_m+2,…,f_n}，滿足約束條件mn和m,n∈N；為了適應隱藏層輸入的特點，應用數據分割的方法對F_tr進行處理，設分割長度取值為L，則分割后的模型為X＝{X₁,X₂,…,X_L}，X_p＝{f_p,f_p+1,…,f_m-L+p-1}，并有1≤p≤L；p,L∈N。對應的理論輸出為Y＝{Y₁,Y₂,…,Y_L},Y_P＝{f_p+1,f_p+2,…,f_m-L+p}；

接下來，將X輸入隱藏層，隱藏層包含L個按前后時刻連接的同構LSTM細胞，X經過隱藏層后的輸出可以表示為P＝{P₁,P₂,…,P_L}，P_p＝LSTM_forward(X_p,C_p-1,H_p-1)，式中C_p-1和H_p-1分別為前一個LSTM細胞的狀態和輸出；LSTM_forward表示LSTM向前細胞計算方法。設定細胞狀態向量大小為S_state，則C_p-1和H_p-1兩個向量的大小均為S_state；可以看出隱藏層輸出P、模型輸入X和理論輸出Y都是維度為(m－L,L)的二維數組。選用均方誤差作為誤差計算公式，訓練過程的損失函數可以定義為：設定損失函數最小為優化目標，不斷更新網絡權重，進而得到最終的隱藏層網絡。