[发明专利]一种分布式数据库负载均衡预测方法和预测分析器

权利要求书

1.一种分布式数据库负载均衡预测方法，其特征在于，包括步骤：

采集每个本地数据节点上的负载指标，构成训练集数据；其中，所述负载指标包括CPU利用率R_c、内存利用率R_m、网络下行速度S_d以及网络上行速度S_u；并且，每一秒采集一次所述的负载指标，共采集2T秒，构成训练集数据L＝[R_c,R_m,S_d,S_u]；

初始化多层循环神经网络模型：确定多层循环神经网络模型的隐藏层个数以及多层循环神经网络模型每层的神经元个数n^m；将多层循环神经网络模型输入层和每个隐藏层的神经元之间的网络连接权重随机初始化，并记做

从训练集数据中提取第1条至第T条数据，并且将每组数据通过如下公式进行映射：

x_i＝[1,sin(L(i)),cos(L(i))]

将映射后的数据作为多层循环神经网络模型的输入x_i；

从训练集数据中提取第T+1条至第2T条数据作为多层循环神经网络模型的输出y_i，训练所述多层循环神经网络模型；

通过如下公式计算多层循环神经网络模型每个隐含层的输出：

其中，x_i为网络输入，为网络输出，和分别代表第一层隐含层和第二层隐含层的输出，为h¹层与输入之间的权重矩阵，为h¹层不同时间序列之间的权重矩阵，为h¹层与h²层之间的权重矩阵，为h²层不同时间序列之间的权重矩阵，为h¹层的偏置，为h²层的偏置，b_y为输出层的偏置，tanh为激活函数；

计算多层循环神经网络模型每个隐含层的输出误差，根据如下公式：

根据计算获得的输出误差，通过对多层循环神经网络模型的全部权重进行更新，直至所述输出误差在预设的允许范围内，多层循环神经网络模型训练结束；

从训练集数据中提取第T+1条至第2T条数据，并将第T+1条到第2T条数据作为多层循环神经网络模型的输入，多层循环神经网络模型的输出为预测2T+1至3T时间段的本地数据节点的负载指标。