[发明专利]基于深度模糊栈式自编码的仿真请求执行时间预测方法

权利要求书

1.一种基于深度模糊栈式自编码的仿真请求执行时间预测方法，其特征在于，该方法包括如下步骤：

S1、针对目前仿真云环境下仿真应用请求执行时间的特点，建立由多个自编码器构成的隐含层网络模型；

S2、通过无监督学习的方式逐层训练每个自编码层，获取无标签的仿真应用请求执行时间数据中有价值的隐含特征；

S3、在深度网络模型的顶层建立由模糊神经元构成的模糊回归分析层，该模糊神经元由一个上确界神经元和一个下确界神经元构成；

S4、采用基于梯度下降的误差反向传播算法，通过有监督训练的方式训练模糊回归层，获得模糊回归层连接权重等参数的初始值；

S5、采用有监督训练的方式对每个自编码层和模糊回归层中的连接权重等参数的值进行精细化微调，从而获得训练得到的整个深度模糊栈式自编码网络模型，进而对仿真应用请求在虚拟机中执行时间进行有效的预测。

2.根据权利要求1所述的基于深度模糊栈式自编码的仿真请求执行时间预测方法，其特征在于，所述深度模糊栈式自编码器由两个训练阶段构成，具体为：第一个阶段是针对由多个自编码器构成的隐含层网络模型的无监督预训练阶段，获得仿真应用请求执行时间数据中的有价值特征，进而给出每个自编码器层中所有权重等参数的初始值；第二个阶段是针对顶层回归层的有监督训练阶段，该阶段利用仿真应用请求实际执行时间数据进行有监督的训练，从而对每个自编码器层和顶层回归层中的所有初始化参数进行精细化微调。

3.根据权利要求2所述的基于深度模糊栈式自编码的仿真请求执行时间预测方法，其特征在于，所述隐含层网络模型由多个自编码器构成，从而挖掘仿真应用请求在每个虚拟机中的历史执行时间序列中的隐含特征，每一层自编码器采用tied weight训练方法，具体为：

其中，k为自编码器的层编号，每层的自编码器均有各自的编码和解码阶段；W₁^k为自编码器k的编码权重向量，为自编码器k的解码权重向量。

4.根据权利要求3所述的基于深度模糊栈式自编码的仿真请求执行时间预测方法，其特征在于，所述隐含层网络模型的无监督预训练过程中采用无标签的请求实际执行时间数据，从A¹开始逐层进行训练，直至达到最后的回归层； 当A¹训练时，将训练集作为输入传入A¹，得到训练集在隐层中的加密表示，并进一步传递给A²，直至最后一个自编码器层训练结束为止。

5.根据权利要求4所述的基于深度模糊栈式自编码的仿真请求执行时间预测方法，其特征在于，所述预训练阶段中第k个自编码器层A^k的误差标准函数L(h^k-1，o^k)，具体为：

其中，J(h^k-1，o^k)表示数据重构的均方误差；表示为防止出现训练数据过拟合问题而添加的正则化误差项；h^k-1表示自编码器层A^k的输入向量；o^k表示自编码器层A^k的输出向量；M表示训练样本的数量；λ₁表示权重下降参数；n_k表示第k层中神经元的个数；表示第k层中第i个神经元与前一层中第j个神经元之间的连接权重。

6.根据权利要求5所述的基于深度模糊栈式自编码的仿真请求执行时间预测方法，其特征在于，所述在深度网络模型的顶层建立的最后第K层为模糊回归分析层，该层采用模糊神经网络中的模糊神经元实现有监督的学习，获得对仿真应用请求实际执行时间的回归分析； 该模糊神经元由一个上确界神经元和一个下确界神经元构成。