[发明专利]一种容器的资源使用量预测方法

说明书

本发明公开了一种容器的资源使用量预测方法，通过构建密集型宽度学习模型，在此基础利用基于迭代式的最小二乘法求取特征节点的输出权值矩阵，以及采用共轭梯度法求解增强节点的输出权值矩阵，实现对密集型宽度学习模型的训练，从而获取全局最优解，优化网络结构，实现对容器的资源使用量的精确预测，能够有效提高预测精度和效率。

技术领域

本发明涉及云计算技术领域，具体涉及一种容器的资源使用量预测方法。

背景技术

随着云计算技术的发展，容器云以其能提供更加轻量级的虚拟化解决方案 在云计算技术中占据越来越重要的地位。Kubernetes作为主流的容器云平台构建 于Docker之上，能为容器化应用提供资源调度、资源监控、自动化部署、服务 发现、弹性伸缩等服务。

容器的资源使用量预测是云服务商制定容器云弹性伸缩策略的关键环节， 它在为企业决策者们提供容器配置的依据方面起着越来越重要的作用。容器的 资源使用量预测是指通过研究容器的资源使用量的历史数据，找出这些数据的 发展趋势或者它们之间存在的关系，然后利用合适的数学方法建立针对容器的 资源使用量的预测模型，最终获得未来一段时间内容器的资源使用量的需求情 况。容器的资源使用量预测不仅为云容量规划、容器配置提供有效的决策支持， 而且容器的资源使用量预测对云计算资源的优化配置，云服务商的成本降低， 云系统的平稳运行有着重要影响。

设计预测模型与学习算法是容器的资源使用量预测研究的关键问题。现有 技术中采用基于传统的宽度学习预测模型，该预测模型利用岭回归方法，通过 试凑法获取最优正则化系数的方式，求取输出权值矩阵，这种方法需要人为调 整正则化系数，对于人为因素依赖性过高，从而降低了效率与泛化性能，因此 设计高效的预测模型对容器的资源使用量预测具有十分重要的意义。

发明内容

有鉴于此，本发明提供了一种容器的资源使用量预测方法，通过构建密集 型宽度学习模型，在此基础利用基于迭代式的最小二乘法求取特征节点的输出 权值矩阵，以及采用共轭梯度法求解增强节点的输出权值矩阵，实现对密集型 宽度学习模型的训练，从而获取全局最优解，优化网络结构，实现对容器的资 源使用量的精确预测，能够有效提高预测精度和效率。

本发明提供的一种容器的资源使用量预测方法，具体包括如下步骤：

步骤一、采集容器的资源使用量历史数据构建训练样本集，样本的输出为 选定时间点的容器的资源使用量，输入为所述选定时间点前的连续多个时间点 的容器的资源使用量；

步骤二、建立密集型宽度学习模型为式(1)，并利用训练样本集进行训练：

式中，

其中，F^N×1表示密集型宽度学习模型的输出数据，N表示样本个数，b表 示密集型特征节点的个数，d表示密集型增强节点的个数，表示密集型特 征节点矩阵，表示密集型增强节点矩阵，W^b×1表示密集型特征节点输出 权值矩阵，W^d×1表示密集型增强节点输出权值矩阵，W^(b+d)×1表示输出权值矩 阵；Z_i^N×1表示第i个特征节点向量，X^N×M表示密集型宽度学习模型的输入数据，M表示每个输入样本向量的特征维数，表示输入到第i个特征节点之间的 输入权值矩阵，表示第i个特征节点的偏置；Η_i^N×1表示第i个增强节点向 量，表示特征节点到第i个增强节点之间的输入权值矩阵，表示第i 个增强节点的偏置；φ与均为可选择的非线性激活函数；和均为随机生成，且生成后保持不变；

求解特征节点的输出权值矩阵，在此基础上，以完成训练的特征节点形成 的误差作为输入，求解增强节点的输出权值矩阵，完成所述密集型宽度学习模 型的训练；