[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

说明书

本发明公开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，该方法针对目前仿真云中请求执行时间的特点，建立了由多个自编码器构成的隐含层网络模型。通过无监督的方式逐层训练每个自编码层，获得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。基于此，建立了由模糊神经元构成的模糊回归分析层，采用基于梯度下降的误差反向传播算法，通过有监督的方式训练该层并获得连接权重等参数的初始值。然后采用有监督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进行精细化微调，从而获得整个深度模糊栈式自编码网络模型。本发明能够有效处理数据中的不确定性和模糊性，从而对仿真应用请求在虚拟机中的执行时间进行有效的预测。

技术领域

本发明涉及云计算请求预测技术领域。更具体地，涉及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。

背景技术

作为一种新的计算模式，云计算能够将IT资源、数据、应用以服务的形式通过网络按需提供给用户使用。云计算提供了一种新的基础架构管理方法，能够将大量高度虚拟化的资源组成一个大的资源池，进而向用户提供统一的服务，包括基础设施、平台、软件等三类服务。而云仿真技术是基于云计算理念而提出的一种面向服务的基于网络(包括互联网、物联网、电信网、广播网、移动网等)的敏捷化、绿色化、智能化、网络化仿真新模式。它融合和发展了现有网络化建模与仿真技术及智能科学、高效能计算等新兴信息技术，能够将各类仿真资源虚拟化、服务化，构成服务云池并进行有效的优化与管理。仿真云是指按照云仿真技术和理念开发的包含基础设施、平台、软件等三类服务的数据中心和集中地，海量的用户可通过终端和网络通过仿真云平台从云池中随时按需地获取其所需的仿真云中的在线仿真资源和云服务，并以服务组合的方式按需动态地构造虚拟化仿真系统，从而实现其仿真应用中整个生命周期的各类仿真活动。

仿真云中的每个仿真应用通常由多个应用子系统组成，子系统之间的交互、协同关系复杂，比如航空、航天等复杂工程系统。每个子系统的执行往往依赖与其交互的子系统的执行结果。另外，用户的仿真应用往往涉及多个用户之间的协同、大规模复杂仿真任务之间的协同、分布异构的仿真资源的集成等复杂问题。此外，为了保证用户请求的服务质量和响应时间，仿真云提供商与用户之间往往会签订服务等级协议(Service LevelAgreement,SLA)。如果用户的仿真应用请求的实际执行时间超过了服务等级协议中规定的阈值，仿真云提供商需要向用户支付较高的惩罚费用。因此，为了提高仿真云的响应能力从而快速灵活地组成各类仿真服务以响应用户的请求，亟需提供针对用户仿真应用请求的执行时间的精确预测方法。

目前仿真云数据中心中应用请求执行时间的估计方法主要有以下几种：通过产生随机数的方式、基于概率统计的公式、基于稳态或非稳态排队理论的计算方式。产生随机数的方式往往假设请求执行时间分布在某个特定的区间内，通过在该区间产生随机数可以估算每个请求的预计执行时间。基于概率统计的公式假定请求执行时间符合特定的概率分布(如正态分布、均匀分布等)，按照该概率分布可估算每个请求的预计执行时间。基于稳态或非稳态排队理论的计算方式根据排队理论(如M/M/1排队系统、G/D/1排队系统等)，根据队列中请求的平均执行时间估算每个请求的预计执行时间。以上方式需要假定云数据中心中的应用请求的执行时间符合特定的概率分布，但是在实际的云计算环境下，每个应用的请求的实际执行时间往往不满足这些假设条件。因此，基于现有的请求执行时间估算的方式往往无法准确获得每个请求的实际执行时间，进而在对应用的请求进行调度时往往无法满足应用请求的延迟时间要求。

仿真应用请求执行时间具有随机的特性。而传统的方法往往通过人为指定的若干特征，并利用浅层的网络架构，因此其泛化能力较弱，易导致较差的预测效果。而深度的神经网络模型仅需要尽可能少的先验知识，不需要假设样本数据符合某种预先设定的数学模型。具有极强的泛化能力，能够自动地从数据中抽取有价值的特征。因此，可以基于深度神经网络提供一种适用于仿真应用的请求执行时间预测方法，从而有效地预测仿真应用请求在虚拟机中的预计执行时间。

发明内容