[发明专利]一种云环境应用系统非停机升级时的负载预测方法及装置

权利要求书

1.一种云环境应用系统非停机升级时的负载预测方法，其特征在于，该方法包括：

获取待测样本并进行预处理，所述待测样本为云环境应用系统下非停机升级时功能模块负载样本；

输入到决策树模型进行负载预测，所述决策树模型构建方式为：

对预处理后的负载样本数据集S采用三角形隶属函数进行模糊化处理，并用均值等分区间离散化，生成负载离散样本数据集S_dis，所述负载离散样本数据集S为按时间序列获取的云环境应用系统下非停机升级时功能模块负载样本的数据集合；

将所述负载离散样本数据集S_dis交叉生成训练集S_tr和测试集S_te，利用所述训练集S_tr训练构建的所述决策树模型进行升级时负载高低的预测；

所述决策树模型构建方式还包括：采用测试集S_te对训练后的决策树模型剪枝后进行负载预测；

所述负载样本数据集S表示为：S＝{s₁,s₂,...,s_i,...,s_p}，其中，p为数据集中数据的总量，1≤i≤p，s_i≡{x_i,y_i}，x_i为第i条数据样本对应的属性集合，y_i为第i条数据样本对应的分类且y∈{0,1}，0表示低负载，1表示高负载；

每条数据样本对应的属性集合表示为：x≡(x_energy,x_netflow,x_request,x_load)，其中，x_energy为机器能耗属性对应的属性值，x_netflow为网络流量属性对应的属性值，x_request为客户请求量属性对应的属性值，x_load为所有功能实时负载对应的属性元组，表示为：x_load＝(x_1-load,x_2-load,...,x_n-load)，其中，n为功能模块的数量；

对所述负载样本数据集采用三角形隶属函数进行模糊化处理，公式表示为：

其中，x为负载样本数据集S中某个属性的属性值，a，b，c为确定三角形隶属函数的曲线形状的参数，a，b，c的值由所述属性的属性值全部取值范围对应的区间等分法确定；

所述用均值等分区间离散化，生成负载离散样本数据集S_dis，包括：

(21)计算第k个属性模糊化后的值在负载样本数据集上的均值：

其中，1≤k≤4；

(22)求取区间的支点：

(23)第k个属性的离散化公式为：

(24)计算所有对应属性的离散化负载样本数据s_dis-i≡{x_dis-i,y_i}，x_dis-i为第i条数据样本对应的属性集合，进而生成负载离散样本数据集S_dis；

所述利用所述训练集S_tr训练构建决策树模型进行升级时负载高低的预测，包括：

输入：训练集S_tr，候选属性集合A，预设模型迭代次数；

S1创建节点Node；

S2若S_tr中所有实例都是同一类别y_i，那么Node标记为y_i类叶节点，构建决策树模型T为只包含Node的单节点树，返回决策树模型T；

S3如果A为空，那么将Node标记为叶节点，并返回T；

S4对于A中每个属性，都是用属性增益率公式infoGainRation(S_tr,A)计算最高增益比的分裂属性，并从这个属性进行分裂；

S5根据分裂属性的每一个值，对Node中的样本进行划分，若某个划分的结果非空，则创建子节点Node_i，并标记为样本中数量最多的类别，返回T；

输出：决策模型T。

2.一种云环境应用系统非停机升级时的负载预测装置，其特征在于，包括：

数据采集模块，用于获取云环境应用系统下非停机升级时功能模块负载样本；

预处理模块，用于对所述获取的负载样本进行预处理；

预测模块，用于将预处理后的样本输入到决策树模型进行负载预测，所述决策树模型构建方式包括：

对预处理后的负载样本数据集S采用三角形隶属函数进行模糊化处理，并用均值等分区间离散化，生成负载离散样本数据集S_dis，所述负载离散样本数据集S为按时间序列获取的云环境应用系统下非停机升级时功能模块负载样本的数据集合；

将所述负载离散样本数据集S_dis交叉生成训练集S_tr和测试集S_te，利用所述训练集S_tr构建决策树模型进行升级时负载高低的预测；

所述决策树模型构建方式还包括：采用测试集S_te对训练后的决策树模型剪枝后并进行负载预测；

所述数据采集模块，包括：

负载样本数据集表示单元，用于表示负载样本数据集，S＝{s₁,s₂,...,s_i,...,s_p}，其中，p为数据集中数据的总量，1≤i≤p，s_i≡{x_i,y_i}，x_i为第i条数据样本对应的属性集合，y_i为第i条数据样本对应的分类且y∈{0,1}，0表示低负载，1表示高负载；

属性集合表示单元，用于表示每条数据样本对应的属性集合，x≡(x_energy,x_netflow,x_request,x_load)，其中，x_energy为机器能耗属性对应的属性值，x_netflow为网络流量属性对应的属性值，x_request为客户请求量属性对应的属性值，x_load为所有功能实时负载对应的属性元组，表示为：x_load＝(x_1-load,x_2-load,...,x_n-load)，其中，n为功能模块的数量；

所述预测模块中，采用均值等分区间离散化，生成负载离散样本数据集S_dis，包括：

计算第k个属性模糊化后的值在负载样本数据集上的均值：

其中，1≤k≤4；

求取区间的支点：

第k个属性的离散化公式为：

计算所有对应属性的离散化负载样本数据s_dis-i≡{x_dis-i,y_i}，x_dis-i为第i条数据样本对应的属性集合，进而生成负载离散样本数据集S_dis。