[发明专利]基于特征选择的季节型非平稳并发量能耗分析方法

说明书

本发明提供一种基于特征选择的季节型非平稳并发量能耗分析方法，涉及云计算技术领域。该方法针对Web应用特性建立能耗模型。首先，基于负载检测工具提取出相关多维特征，并使用工具测出对应能耗数据；然后，对提取的数据进行预处理，提高数据质量与建模效率；然后，采用效率高的过滤型特征选择算法与性能好的装箱式特征选择算法进行相关特征的选择；最后，对筛选完的多维特征以及能耗数据进行回归分析，建立能耗模型。本发明方法同时考虑多种对云服务中心整体能耗有贡献的资源，提取多种数据特征，并对提取的数据进行预处理，提高了数据质量与建模效率，也使能耗模型更加精确。

技术领域

本发明涉及云计算技术领域，尤其涉及一种基于特征选择的季节型非平稳并发量能耗分析方法。

背景技术

云计算使用户通过互联网按需自助服务，可以自动扩展和按照需求使用付费模式提供大量的共享计算资源，虽然云计算提供了许多好处，但是云服务中心的高能耗是一个严重的问题。云服务中心的高能耗近年来受到了广泛关注，主要包括三方面的原因：对性能产生重大影响；对环境造成不利的影响；过高的运营成本。因此，合理降低能耗的产生已经成为全社会亟待解决的问题，精确的能耗分析系统必不可少。现有的方法主要将重点放在CPU能耗上，而忽略了其它各方面的能源消耗，例如内存、磁盘等。若要制定相对精确的能耗分析方法，需要同时考虑很多对云服务中心整体能耗有贡献的资源。此外，现有的方法在能耗分析时并没有考虑应用特性，不同的应用特性对资源的需求有所不同，只考虑单一组件，这样得出的能耗数据是不太准确，参考价值不高的。

发明内容

本发明要解决的技术问题是针对上述现有技术的不足，提供一种基于特征选择的季节型非平稳并发量能耗分析方法，针对Web应用特性建立能耗模型，实现对Web应用服务的能耗进行分析计算，为合理降低能耗，提高云服务中心的性能提供依据。

为解决上述技术问题，本发明所采取的技术方案是：基于特征选择的季节型非平稳并发量能耗分析方法，包括以下步骤：

步骤1、提取Web应用服务的各指标数据并进行数据预处理；

步骤1.1、在数据提取的过程中，使用负载测试工具提取Web应用服务的特征参数，标记为{x₁，x₂，...x_n}，每一行代表一个元组，并提取能耗数据为y；所述特征参数包括处理器时间、已使用的内存大小、页面错误/秒、磁盘时间、磁盘字节数/秒、字节总数/秒和当前带宽；

步骤1.2、在数据预处理的过程中，使用KNN方法进行缺失值数据的填充，并使用Min-Max Scaling进行数据的区间缩放；

KNN算法对缺失值数据进行填充时，首先计算并记录包含某维缺失数据值的数据元组的目标数据与所有不含任何缺失数据值的数据元组的完全数据元组的欧几里得距离，然后在所有完全数据元组中选择与目标数据的欧几里得距离最小的前K个数据元组作为目标数据的最近邻，最后对前K个近邻项数据相应位置的加权平均作为目标数据的记录缺失值的估计值；

步骤1.2.1、初始化数据，将提取出的特征参数构建整个数据矩阵(X₁，X₂，...，X_n)；

步骤1.2.2：将整个数据矩阵分离构建完全数据矩阵(X₁，X₂，...，X_n)与目标数据矩阵(X₁″，X₂″，...，X_n″)；所述完全数据为不含任何缺失数据值的数据，所述目标数据为包含某维缺失数据值的数据；

步骤1.2.3：计算目标数据矩阵中每一个元组与完全数据矩阵中所有数据元组的欧几里得距离，如下公式所示：