[发明专利]小波神经网络融合线性回归的数据中心工作负载预测方法

说明书

本发明公开了一种线性回归与小波神经网络融合的短期工作负载预测方法，包括：第一步，通过数据中心系统日志文件建立历史工作负载数据库；第二步，针对数据中心数天或数月同时段工作负载的相对稳定性，采用线性回归预测短期工作负载；第三步，由于数据中心一天内各时段工作负载具有相对波动性和局部稳定性，本专利采用误差反馈传播小波神经网络技术预测工作负载；第四步，融合线性回归与小波神经网络预测技术预测数据中心短期工作负载；第五步，以当前时段数据中心实际工作负载更新历史工作负载信息数据库，循环执行第二、三、四步预测工作负载。本发明较之现有技术具有精度高等优势，能为数据中心资源管理和能耗控制提供有力技术保障。

技术领域

本发明涉及高性能数据中心资源管理技术领域，特别涉及一种小波神经网络融合线性回归的数据中心工作负载预测方法。

背景技术

数据中心是计算机、通信与互联网技术发展融合的产物，是各种大规模企业级业务、大数据、云计算的基础支撑平台，得到了产业界和学术界的高度重视。国际IT企业巨头如IBM、Google、微软、思科、惠普等纷纷推出其数据中心解决方案，并大量部署和拥有数据中心。国内信息技术产业公司如万国数据、腾讯、中国电信、阿里巴巴等也提出了自己的解决方案，且都拥有大型集中或分布式数据中心。这些数据中心都承担着核心运营支持、数据存储和备份、核心计算、信息资源服务等功能。因而数据中心在信息产业具有重要的地位，其可靠、稳定、安全运行是IT业务开展的必要条件。

然而，随着以虚拟化技术为核心的云数据中心飞速发展，数据中心规模和功能日新月异，传统的资源静态分配、服务器负载静态管理、应用与基础设施紧耦合的运维管理方式已不能适应现代数据中心要求。特别是随着数据中心规模不断扩大，能耗也成为当前数据中心的核心问题，因而亟需对数据中心以节省能耗为目的进行资源动态管理。然而，数据中心资源动态管理的核心是工作负载。高负载时需要大量资源，低负载时资源空闲量大，通过关闭这些闲置资源将节省能耗。例如证券交易数据中心在非交易时间内业务量很少，可以关闭部分资源以减少能耗。而如何正确预测数据中心工作负载则成为动态管理资源的关键。

预测技术与方法是一个经典问题，在社会经济生活很多领域有广泛应用，如股票走势、交通流量、电荷负载、经济趋势等。在长年研究中已积累了大量实用预测方法，如基于线性理论的时间序列分析法和卡尔曼滤波法、基于计算机人工智能的神经网络法和非参数回归法、基于非线性理论的小波分析法等。然而，这些理论与方法都不适合高性能数据中心工作负载预测。针对此问题，本专利提出线性回归与小波神经网络融合的短期工作负载预测方法，该方法利用数据中心长期同时段工作负载具有相对稳定性和当天工作负载具有较大波动性与局部稳定性来预测短期数据中心工作负载，因而准确度高，对提高数据中心的高可用性、安全性和节省能耗具有重要意义。

发明内容

本发明针对数据中心工作负载的波动性和难以预测性，提出一种集线性回归与小波神经网络为一体的短期工作负载预测技术与方法。采用该方法预测数据中心短期工作负载的误差率远远低于小波神经网络预测值。由于其与实际工作负载较接近，因而是一种可以接受的数据中心短期工作负载预测技术。

为实现上述技术目的，本发明所采用的技术方案为：

一种小波神经网络融合线性回归的数据中心工作负载预测方法，包括如下步骤：

步骤一，通过数据中心系统的日志文件得到历史作业及每个作业使用的资源量，从而计算得到数据中心历史工作负载，同时根据日志文件中的历史作业数及执行工作的时间，创建数据中心历史工作负载信息数据库；

步骤二，将每天的时间划分为多个时间段，并确定需要进行预测工作负载的时间段，根据数据中心历史工作负载信息数据库中记录的数天或数月中每天同一时间段的数据，将时间段内的作业数和工作负载作为线性组合，建立线性方程组来进行该时间段的线性回归短期工作负载预测；