[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有效

专利信息
申请号: 201910592018.8 申请日: 2019-07-02
公开(公告)号: CN110297715B 公开(公告)日: 2021-09-14
发明(设计)人: 梁毅;苏超;丁毅;丁振兴;李硕;苏航 申请(专利权)人: 北京工业大学
主分类号: G06F9/50 分类号: G06F9/50
代理公司: 北京思海天达知识产权代理有限公司 11203 代理人: 吴荫芳
地址: 100124 *** 国省代码: 北京;11
权利要求书: 查看更多 说明书: 查看更多
摘要:
搜索关键词: 一种 基于 周期性 特征 分析 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,…mlp},其中mlj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,…mrn};

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,...,mzq},其中表示经过周期分割后的子序列,表示子序列mzi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mzi之间的相似度,同时以三元组(pi,pj,Sij)的形式进行记录;

其中,pi是第i个序列,pj是第j个序列,pik表示第i个序列中的第k个元素数据,同理,pjk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dmax

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dmin

2.4)计算常规序列距离阈值α,计算公式如下:

α=(dmax-dmin)×a+dmin

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mzi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,…nls)为按照时间排序的常规子序列集合,其中任意nli∈NL,i∈(1,s)表示为nli={nl_si1,nl_si2,…nl_sim},即一个周期内所有采样时刻的资源使用量,令AL=(al1,al2,…alf)为按照时间排序的异常子序列集合,其中任意ali=(al_si1,al_si2,…al_sim),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,...,mzq}中,异常子序列所占子序列数量的比例为异常比例Rf,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_si_t,其常规变化率Rnli_t,计算方法如下:

其中,nl_si+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,…nls)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ali_t,其常规变化率Rali_t,计算方法如下:

其中,al_si+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,…alf)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nlforecast_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alforecast_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lnext_j,计算方法如下:

lnext_j=(1-Rf)*nlforecast_j+Rf*alforecast_j

下载完整专利技术内容需要扣除积分,VIP会员可以免费下载。

该专利技术资料仅供研究查看技术是否侵权等信息,商用须获得专利权人授权。该专利全部权利属于北京工业大学,未经北京工业大学许可,擅自商用是侵权行为。如果您想购买此专利、获得商业授权和技术合作,请联系【客服

本文链接:http://www.vipzhuanli.com/pat/books/201910592018.8/1.html,转载请声明来源钻瓜专利网。

×

专利文献下载

说明:

1、专利原文基于中国国家知识产权局专利说明书;

2、支持发明专利 、实用新型专利、外观设计专利(升级中);

3、专利数据每周两次同步更新,支持Adobe PDF格式;

4、内容包括专利技术的结构示意图流程工艺图技术构造图

5、已全新升级为极速版,下载速度显著提升!欢迎使用!

请您登陆后,进行下载,点击【登陆】 【注册】

关于我们 寻求报道 投稿须知 广告合作 版权声明 网站地图 友情链接 企业标识 联系我们

钻瓜专利网在线咨询

周一至周五 9:00-18:00

咨询在线客服咨询在线客服
tel code back_top