[發明專利]一種基于極限學習機的云工作流調度器壓力預測方法

有效

• 申請號: 202110232396.2
• 申請日: 2021-03-01
• 公開（公告）號: CN112948115B
• 公開（公告）日: 2022-12-06
• 發明（設計）人: 李鈺祥;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: G06F9/50
• 分類號: G06F9/50;G06N3/04;G06N3/08
• 代理公司: 北京理工大學專利中心 11120
• 代理人: 代麗

1.一種基于極限學習機的云工作流調度器壓力預測方法，其特征在于，包括以下步驟：

步驟1、將云工作流調度器的內存占用率、CPU時間片占有率、已接收工作流數量及已接收子任務數量作為調度器壓力數據；以所述調度器壓力數據作為輸入，以對應的調度器在達到滿載前還能接收工作流的數量作為標簽構建訓練樣本集；

步驟2、建立基于極限學習機的云工作流調度器壓力預測模型，如下式所示：

Hβ＝Y(1)

其中，H為隱藏層節點的輸出，β為輸出權值，Y為云工作流期望輸出矩陣，N為樣本個數，L為隱含層節點的個數，g(x)為激活函數，S_i為所述云工作流調度器壓力預測模型的輸入，W_i＝[w_i1,w_i1,...,w_in]^T為輸入到隱藏層節點之間的輸入權值矩陣，b_i為第i個隱藏節點的偏置，W_i和b_i生成后保持不變；β_i為隱藏層到輸出之間的輸出權值矩陣；

步驟3、采用所述步驟1生成的所述訓練樣本集完成對所述基于極限學習機的云工作流調度器壓力預測模型的訓練；

步驟4、使用中，將待預測的調度器壓力數據輸入所述步驟3訓練得到的基于極限學習機的云工作流調度器壓力預測模型，得到所述待預測調度器在達到滿載狀態之前預計還可接收工作流的數量；

所述步驟1中所述訓練樣本集的構建包括：將所述調度器壓力數據進行歸一化預處理形成壓力值特征向量，由所述壓力值特征向量與其對應的標簽構建訓練樣本數據集；

所述訓練樣本集的構建包括以下步驟：

步驟3.1、采集特征數據形成云工作流調度所涉及的調度器壓力數據集合{X_i,X_i∈R,i＝1,2,...,N}，其中，N為調度器的總數，i為調度器的編號；X_i為第i調度器的壓力值特征向量X_i＝[X_1i,X_2i,X_3i,X_4i]^T，X_1i為第一分量是調度器壓力占用率，X_2i為第二分量是調度器CPU時間片占有率，X_3i為第三分量是調度器已接收的工作流數量；X_4i為第四分量是調度器已接收的子任務數量；

步驟3.2、選取N個調度器的壓力值特征向量中的最大第一分量max(X₁)、最小第一分量min(X₁)，采用公式(3)計算得到N個第一分量的取值：

形成包含N個第一分量的一維特征矩陣

選取N個調度器的壓力值特征向量中的最大第二分量max(X₂)、最小第二分量min(X₂)，采用公式(4)計算得到N個第二分量的取值：

形成包含N個第二分量的一維特征矩陣

選取N個調度器的壓力值特征向量中的最大第三分量max(X₃)、最小第三分量min(X₃)，采用公式(5)計算得到N個第三分量的取值：

形成包含N個第三分量的一維特征矩陣

選取N個調度器的壓力值特征向量中的最大第四分量max(X₄)、最小第四分量min(X₄)，采用公式(6)計算得到N個第四分量的取值：

形成包含N個第四分量的一維特征矩陣由此構成包含N個壓力值特征向量的壓力值特征矩陣：

由所述壓力值特征矩陣及與其對應的標簽構成所述訓練樣本集：

其中，為輸入表示第i個調度器的特征向量；Y_i表示第i個調度器對應的標簽。

2.根據權利要求1所述的云工作流調度器壓力預測方法，其特征在于，所述步驟3中采用所述步驟1生成的所述訓練樣本集完成對所述基于極限學習機的云工作流調度器壓力預測模型的訓練時，采用基于求Moore-Penrose廣義逆的方法求解隱含層節點的輸出權值矩陣。

3.根據權利要求2所述的云工作流調度器壓力預測方法，其特征在于，所述采用基于求Moore-Penrose廣義逆的方法求解隱含層節點的輸出權值矩陣，包括以下步驟：

訓練所述基于極限學習機的云工作流調度器壓力預測模型，得到如下最小化代價函數：

對H進行滿秩分解，即H＝LR，其中，L為列滿秩矩陣，R為行滿秩矩陣，再利用公式(7)和(8)求解β矩陣；

H⁺＝R^H(RR^H)^-1(L^HL)^-1L^H(7)

其中，H⁺表示H矩陣的廣義逆。