[发明专利]一种基于周期性特征分析的在线负载资源预测方法

权利要求书

1.一种基于周期性识别的在线负载的资源预测方法，其特征在于包括三个步骤：

资源序列周期识别、子序列分类、计算资源使用量预测值：

(1)资源序列周期识别：

1.1)收集在线负载资源使用序列，采用固定时间步长，从在线负载资源使用序列L中采样数据，构建时间序列ML＝{ml₁，ml₂，…ml_p}，其中ml_j表示第j个时间点对应的资源使用量，p为采样总量；

1.2)根据自相关函数公式计算出序列ML的自相关序列MR＝{mr₁，mr₂，…mr_n}；

1.3)对MR中任意两个相邻的极大值，依据其发生的时间点，计算它们的时间距离t_{_maxi}；

1.4)计算所有t_{_maxi}的均值，将该均值设定为资源使用量序列的周期T；

1.5)按照周期T将序列ML进行分割，得到按照时间顺序排列的资源子序列集合MZ＝{mz₁，mz₂，...，mz_q}，其中表示经过周期分割后的子序列，表示子序列mz_i中第j时刻的资源使用量；

(2)子序列分类：

2.1)根据欧氏距离公式度量两个子序列mz_i之间的相似度，同时以三元组(p_i，p_j，S_ij)的形式进行记录；

其中，p_i是第i个序列，p_j是第j个序列，p_ik表示第i个序列中的第k个元素数据，同理，p_jk表示第j个序列中的第k个元素数据；

2.2)将所有子序列之间距离的最大值，定义为全序列距离最大值d_max

2.3)将所有序列之间距离的最小值，定义为全序列距离最小值d_min

2.4)计算常规序列距离阈值α，计算公式如下：

α＝(d_max-d_min)×a+d_min

2.5)使用改进的K-Means聚类算法对子序列进行二分类，具体如下：

2.5.1)随机选择序列集中的数据点作为簇中心集合{o₁，o₂}←RandomSelect(X)；

2.5.2)以初始簇中心初始化簇集合C，C₁←o₁，C₂←o₂；

2.5.3)将每一个样本对象mz_i归入距离最近的簇；

2.5.4)计算两个类簇中所有数据点与类簇中心点的距离，并分别获得两个类簇的簇内序列最大距离max_point_distance₁和max_point_distance₂；

2.5.5)计算两个类簇之间的距离cluster_distance←Distance(C₁，C₂)，并以每个簇中数据点位置的平均值分别更新每个类簇的中心点{o₁，o₂}←UpdateCenter(C₁，C₂)；

2.5.6)定义簇间距阈值θ和簇内点间距阈值α，在满足cluster_distance＞θ且max_point_distance₁＜α且max_point_distance₂＜α时，返回分类结果C₁和C₂，否则重复2.5.3)至2.5.5)；

2.6)将两类之中数量多的序列定义为常规子序列，另一类定义为异常子序列；

(3)在线负载资源预测

令NL＝(nl₁，nl₂，…nl_s)为按照时间排序的常规子序列集合，其中任意nl_i∈NL，i∈(1，s)表示为nl_i＝{nl_s_i1，nl_s_i2，…nl_s_im}，即一个周期内所有采样时刻的资源使用量，令AL＝(al₁，al₂，…al_f)为按照时间排序的异常子序列集合，其中任意al_i＝(al_s_i1，al_s_i2，…al_s_im)，即一个周期内所有采样时刻的资源使用量；

3.1)计算在经过周期分割的所有在线负载资源使用子序列集MZ＝{mz₁，mz₂，...，mz_q}中，异常子序列所占子序列数量的比例为异常比例R_f，计算方法如下：

其中，|NL|为常规子序列的总数量；|AL|为异常子序列的数量；

3.2)对任一常规子序列中时刻t的资源使用量nl_s_{i_t}，其常规变化率Rnl_{i_t}，计算方法如下：

其中，nl_s_{i+1_t}表示第i+1个常规子序列中时刻t的资源使用量；

3.3)计算NL＝(nl₁，nl₂，…nl_s)中前s-1个常规子序列中时刻t的资源使用量的常规平均变化率计算方法如下：

3.4)对任一异常子序列中时刻t的资源使用量al_{i_t}，其常规变化率Ral_{i_t}，计算方法如下：

其中，al_s_{i+1_t}表示第i+1个异常子序列中时刻t的资源使用量，

3.5)定义AL＝(al₁，al₂，…al_f)中前f-1个常规子序列中时刻t的资源使用量的异常平均变化率计算方法如下：

3.6)对下一个序列周期的第j时刻的资源使用量在常规序列变化趋势的情况下的预测值记为nl_{forecast_j}，计算方法如下：

其中，nl_s_{|NL|_j}表示常规序列中最后一个序列中第j个资源使用量；

3.7)对下一个序列周期的第j时刻的资源使用量在异常序列变化趋势的情况下的预测值记为al_{forecast_j}，计算方法如下：

其中，al_s_{|AL|_j}表示异常序列中最后一个序列中第j个元素的资源使用量

3.8)利用在线负载的资源使用量序列，预测未来一个周期第j时刻的资源使用量l_{next_j}，计算方法如下：

l_{next_j}＝(1-R_f)*nl_{forecast_j}+R_f*al_{forecast_j}。