[发明专利]云环境下基于负载回归预测的弹性伸缩方法及可读存储介质

权利要求书

1.云环境下基于负载回归预测的弹性伸缩方法，其特征在于包括如下步骤：

S100、获取一段时间内用户服务正常运行时的历史数据，构建训练数据集，所述历史数据包括请求负载数以及对应时间段云服务器的计算机资源使用率和计算机资源配置，所述计算资源为云计算平台上用户可以使用的所有付费资源，包括但不限于CPU、RAM、硬盘存储和网络带宽；

S200、基于训练数据集，训练回归模型并通过训练后回归模型计算下一时刻的负载，训练计算资源使用量与负载之间的线性模型，并通过训练后线性模型计算下一时刻的计算资源使用量，每种计算资源对应一个线性模型；

S300、以上述下一时刻的计算资源使用量为限制条件，优化用户成本，得到计算资源配置目标解集，将计算资源配置目标解集与计算资源配置当前解集进行重排并计算得出差异，基于差异选择合适的水平伸缩方式或垂直伸缩方式。

2.根据权利要求1所述的云环境下基于负载回归预测的弹性伸缩方法，其特征在于步骤S100中，以预设的分割时间为时间单位将上述历史数据划分为多行，对于每行历史数据，基于预设的分割时长进行划分、并计算每个分割时长内历史数据的统计值，将每行历史数据划分为多列，得到初始数据集，对于上述初始数据集将计算资源使用率替换为计算资源使用量，得到数据集矩阵，所述数据集矩阵作为训练数据集。

3.根据权利要求2所述的云环境下基于负载回归预测的弹性伸缩方法，其特征在于步骤S100中包括如下步骤：

S110、以预设的分割时间m_T为单位将上述历史数据划分为m行，每个分割时间对应的历史数据作为一行；

S120、以预设的分割时长T为单位将每行历史数据划分为n列，n＝(m_Th*60)÷T，计算每个分割时长内历史数据的统计值，包括但不限于均值、方差和最大值，得到大小为m×(a×b×n)的初始数据矩阵，所述初始数据矩阵作为初始数据集；

其中，m为自然数，以天为单位，且m＞1，n为自然数，且n＞1；

T以分钟为单位，且T＞T_create+T_deploy，T_create表示云服务器的创建时间，T_deploy表示用户服务应用部署时间；

m_Th表示分割时间m_T对应的小时数；

a为自然数，且a＞1，表示计算资源的种类数；

b为自然数，且b＞1，表示统计值的种类数。

4.根据权利要求2或3所述的云环境下基于负载回归预测的弹性伸缩方法，其特征在于得到初始数据集后，对初始数据集中异常值进行清洗，包括对资源使用率大于1或者小于0的异常值进行清洗；

得到数据集矩阵后，对数据集矩阵中异常值进行清洗，包括对CPU使用量大于RAM使用量相关的数据进行清洗。

5.根据权利要求1、2或3所述的云环境下基于负载回归预测的弹性伸缩方法，其特征在于步骤S200中，以下一时刻为界调整训练数据集，基于调整后训练数据集训练回归模型，通过训练后回归模型计算下一时刻的负载，所述回归模型为线性回归模型或二阶多项式回归模型；

基于训练数据集训练计算资源使用量与负载之间的线性模型，以下一时刻的负载为输入，通过训练后线性模型计算下一时刻的计算资源使用量。