[发明专利]云主机负载处理方法、装置、控制设备及存储介质

说明书

本发明提供的云主机负载处理方法、装置、控制设备及存储介质，通过获取云主机的历史负载数据，所述历史负载数据包括至少一个云主机对应的CPU负载序列、内存负载序列和磁盘负载序列中的至少两种负载序列；将所述历史负载数据输入预先训练的基于双层注意力机制的长短期记忆网络编码‑解码模型，输出所述至少一个云主机的负载预测值；根据所述至少一个云主机的负载预测值，对所述至少一个云主机进行负载迁移处理；即本发明示例通过获取CPU负载、内存负载、磁盘负载等更多维度的负载特征，对云主机进行负载预测，提高了预测精度，进而提高了云主机负载迁移的效果。

技术领域

本发明涉及云计算领域，尤其涉及一种云主机负载处理方法、装置、控制设备及存储介质。

背景技术

云主机作为数据存储、处理和交换的核心，已经成为云计算时代最重要的基础设施之一，其中，云主机负载的准确预测对于实现资源的智能管理以及云系统的可靠高效运行至关重要。

现有技术中，常见的云主机负载的预测模型有APIMA(整合移动平均自回归模型)，VAR(向量自回归模型)，GBRI(梯度提升回归树)。LSTM(长短期记忆网络)等，这些预测模型均可直接用于云主机负载预测，然后根据预测结果对云主机的资源进行相应调度。

但是，上述预测模型中仅采用单个负载特征进行预测，负载预测精度低，进而导致根据预测结果对云主机资源调度效果不佳。

发明内容

针对上述问题，本发明提供了一种云主机负载处理方法、装置、控制设备及存储介质。

第一方面，本发明提供了一种云主机负载处理方法，包括：获取云主机的历史负载数据，所述历史负载数据包括至少一个云主机对应的中央处理器CPU负载序列、内存负载序列和磁盘负载序列中的至少两种负载序列；将所述历史负载数据输入预先训练的基于双层注意力机制的编解码模型，输出所述至少一个云主机的负载预测值；根据所述至少一个云主机的负载预测值，对所述至少一个云主机进行负载迁移处理。

在其他可选的示例中，所述将所述历史负载数据输入预先训练的基于双层注意力机制的长短期记忆网络编码-解码模型，输出所述至少一个云主机的负载预测值，包括：将所述历史负载数据输入所述模型中的特征注意力层，得到加权后的历史负载数据；将所述加权后的历史负载数据输入所述模型中的长短期记忆网络编码器，得到编码器隐藏层状态；将所述编码器隐藏层状态输入所述模型中的时间注意力层，得到加权后的编码器隐藏层状态；对所述加权后的编码器隐藏层状态进行求和，得到上下文向量；将所述上下文向量输入所述模型中的长短期记忆网络解码器，得到解码器隐藏层状态；将所述解码器隐藏层状态和所述上下文向量进行线性变换，得到所述至少一个云主机的负载预测值。

在其他可选的示例中，所述将所述历史负载数据输入所述模型中的特征注意力层，得到加权后的历史负载数据，包括：根据上一时刻编码器隐藏层状态、上一时刻编码器细胞状态以及所述历史负载数据，确定各云主机的各负载序列在当前时刻的特征影响权重；对所述特征影响权重进行归一化处理，得到归一化特征注意力权重；根据所述归一化特征注意力权重和所述历史负载数据，得到所述加权后的历史负载数据。

在其他可选的示例中，所述将所述编码器隐藏层状态输入所述模型中的时间注意力层，得到加权后的编码器隐藏层状态，包括：根据上一时刻解码器隐藏层状态、上一时刻解码器细胞状态以及所述编码器隐藏层状态，确定不同时刻的历史负载数据在当前时刻的时间影响权重；对所述时间影响权重进行归一化处理，得到归一化时间注意力权重；根据所述归一化时间注意力权重和所述编码器隐藏层状态，得到所述加权后的编码器隐藏层状态。

在其他可选的示例中，所述获取云主机的历史负载数据之前，还包括：获取云主机的负载数据训练集，所述负载数据集包括至少一个云主机对应的CPU负载序列、内存负载序列和磁盘负载序列中的至少两种负载序列；利用所述负载数据训练集对待训练的双层注意力机制的长短期记忆网络编码-解码模型进行训练，获得所述预先训练的基于双层注意力机制的长短期记忆网络编码-解码模型。