[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

说明书

本发明公开了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，该方法包括：按时间序列获取云环境应用系统下非停机升级时功能模块负载样本数据集，并进行预处理；对预处理后的负载样本数据集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；将负载离散样本数据集交叉生成训练集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，并进行迭代训练；采用测试集S_te对训练后的决策树模型进行剪枝并进行负载预测。本发明用于解决现有静态负载预测方法负载预测精度不高的问题，实验结果表明，本发明给出的基于决策树预测模型可以很好的预测出在指定日期的负载高低，错误率在3％以内。

技术领域

本发明涉及大数据处理技术领域，具体涉及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。

背景技术

云计算系统平台已经成为当前主流的系统架构之一，大量的企业开始大规模运用云计算平台部署自己的应用。但是大量的问题也随之而来，系统不停机自适应升级的高风险问题就是其中之一。在升级云计算平台应用时，并不是同时升级所有功能模块，而是优先升级低负载功能模块，在人工监管下升级高负载功能模块。在构建不停机自适应升级系统时，系统只能通过各种功能感知方法，如时间感知、资源感知和网络感知等感知方法来分析当前各功能模块的负载高低，因此功能模块升级时间较长。

目前，有些学者已经对负载预测进行研究，传统负载预测常用自回归滑动平均模型、差分自回归滑动平均模型、差分自回归求和滑动平均模型(FARIMA)、模式匹配预测法和经验预测模型等，但上述静态计算模型已经无法保障混沌非线性的云计算应用功能负载在短期内预测的精确度了。

发明内容

发明目的：为了克服现有技术的不足，本发明提供一种云环境应用系统非停机升级时的负载预测方法，该方法可以解决负载预测精确度低的问题。

技术方案：本发明所述的云环境应用系统非停机升级时的负载预测方法，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。

进一步地，包括：

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。

进一步地，包括：

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；