[发明专利]一种虚拟机能耗预测方法

说明书

本发明公开了一种虚拟机能耗预测方法。使用本发明能够实现虚拟机能耗预测。本发明中，通过在现有增量型极限学习机模型中加入加速项将网络训练误差与压缩因子反馈到隐含层的输出中使预测结果更逼近输出样本，能够减少增量型极限学习机的冗余隐含层节点数量，从而加快增量型极限学习机的网络收敛速度；通过引入压缩因子与进化解，即在训练过程中通过随机产生的输出权值并结合网络训练误差、压缩因子、输入样本，计算出更优的隐含层节点参数，包括输入权值、阈值、输出权值、网络训练误差，能够优化网络结构，提高网络训练过程的稳定性，从而有效降低网络训练误差。

技术领域

本发明涉及云计算技术领域，具体涉及一种虚拟机能耗预测方法。

背景技术

随着互联网与云计算的飞速发展，许多云数据中心采用云计算的服务方式对外提供云服务，即为云服务提供商。当前对外提供云服务的云数据中心每天都消耗着大量的能源，能源消耗成本已成为云服务提供商不可忽视的问题。因此，如何节约能源和降低能耗已经成为云服务提供商亟待解决的关键问题。在基础架构即服务(IaaS)的云服务模式下，准确地预测虚拟机(VM)的能耗，对不同物理机(PM)之间进行虚拟机调度的调度策略和迁移合并策略的制定具有重要意义，同时可以降低能源消耗，有益于环境保护；而且有利于制定合理的定价策略，进一步吸引用户。

设计预测模型与学习算法是虚拟机能耗预测研究的关键问题。现有技术中采用基于传统的增量型极限学习机的预测模型存在许多降低虚拟机能耗预测准确性和效率的冗余节点，随机产生隐含层节点参数影响增量型极限学习机的稳定性，导致网络训练误差较大，因此设计高效的预测模型对虚拟机能耗预测具有十分重要的意义。

发明内容

有鉴于此，本发明提供了一种虚拟机能耗预测方法，通过在增量型极限学习机模型和训练过程中引入加速项和进化解，构建基于加速项与进化解的增量型极限学习机模型，实现对虚拟机能耗的精确预测，能够有效提高预测精度和效率。

本发明的一种虚拟机能耗预测方法，采用基于加速项与进化解的增量型极限学习机实现虚拟机能耗预测，具体包括如下步骤：

步骤一、采用虚拟机能耗的历史数据构建训练样本集，样本的输出为选定时间点的虚拟机能耗值，输入为所述选定时间点前的多个时间点的虚拟机运行参数；

步骤二、构建引入了加速项与进化解的增量型极限学习机模型为式(1)，并利用训练样本集进行训练；

式中，i表示为隐含层中的第i个节点，L_f表示经过训练后所确定的隐含层节点数；表示为第i个隐含层节点的输出矩阵；α_i-1e_i-1为针对第i个隐含层节点加入的所述加速项，其中，e_i-1为在训练中由于增加了第i-1个隐含层节点而引入的网络训练误差，其表达了当学习机中仅有第1～第i-1个隐含层节点时，学习机产生的输出与样本给定的理想输出之间的差值；α_i-1为第i个隐含层节点确定的压缩因子，是由网络训练误差迭代计算得到；是为第i个隐含层节点确定的输出权值的进化值，是隐含层节点输出权值的随机给定值与隐含层节点输出权值改进值的线性组合，其中隐含层节点输出权值的改进值是由训练中获得的隐含层节点输入权值和隐含层节点阈值迭代计算得到，隐含层节点输入权值和隐含层节点阈值是由训练中隐含层节点的网络训练误差和输入样本迭代计算得到；所述隐含层节点的输入权值、阈值共同构成了所述进化解；

步骤三、将当前时间点前的多个时间点的虚拟机运行参数输入到步骤二训练好的增量型极限学习机中，预测当前时间点的虚拟机能耗值。

进一步地，所述基于加速项与进化解的增量型极限学习机的训练过程包括如下步骤，每输入一个训练样本就执行一遍：

定义当前样本的输入向量为x，输出为y；