[发明专利]一种基于AKX混合模型的服务负载细粒度预测方法

权利要求书

1.一种基于AKX混合模型的服务负载细粒度预测方法，其特征是：包括以下步骤：

步骤1：采集服务运行监控过程中产生的数据，并对采集到的数据进行预处理，得到服务负载数据集；

步骤2：对收集到服务负载数据集进行白噪声检测，确保服务负载数据集的可用性；

步骤3：对已经过白噪声检测的服务负载数据进行基于观察时间序列法的平稳性检测，并对不平稳序列进行差分计算直至平稳，最终确定参数d的阶数；

步骤4：根据平稳性检测和d阶数确定后的平稳服务负载时间序列，建立ARMA模型；

步骤5：根据建立的ARMA模型，识别AR模型或MA模型，并确认ARIMA(d,p,q)模型中阶层p和阶数q的模型参数，进而建立ARIMA(d,p,q)模型；

步骤6：对拟合后的ARIMA(d,p,q)模型利用基于残差序列的随机性进行模型检验，并根据检验结果判断该模是否可在线实时预测或还需进行模型的改进；

步骤7：将ARIMA(d,p,q)模型通过基于Kalman校正处理，根据其时间和状态更新方程校正因ARIMA方法中非平稳序列数据精度损失以及非线性引起的残差等问题，最终得到ARIMA-Kalman混合模型的在线实时服务负载预测结果；

步骤8：通过基于XGBoost自回归模型对服务负载历史数据进行离线服务负载预测，并将其结果与实际服务负载历史数据值进行差值计算；

步骤9：将基于XGBoost自回归的服务负载历史数据的离线预测结果与实际服务负载历史数据计算的差值，并与基于ARIMA-Kalman的服务负载在线实时预测结果进行校正拟合。

2.根据权利要求1所述的一种基于AKX混合模型的服务负载细粒度预测方法，其特征是：所述步骤1具体为：

采集服务运行监控过程中的服务负载数据，包括CPU利用率、内存利用率，并对采集到的CPU利用率和内存利用率进行数据预处理，将数据中的噪声进行去除处理，最终得到服务负载数据集。

3.根据权利要求1所述的一种基于AKX混合模型的服务负载细粒度预测方法，其特征是：所述步骤2具体为：

根据采集到的服务负载数据集，采用白噪声检测对服务负载数据集进行检测，确保数据的可用性，得到可用的服务负载数据集。

4.根据权利要求1所述的一种基于AKX混合模型的服务负载细粒度预测方法，其特征是：所述步骤3具体为：

将经白噪声检测后的高可用服务负载数据集进行基于观察法的稳定性检测，根据直观观察服务负载数据集的时间序列图来判断其是否稳定，平稳序列的图围绕某常数上下波动，x轴为时间变量，y轴为服务负载属性值；

不平稳序列图与平稳序列图是相反的，有增长或减少的趋势，x轴为时间变量，y轴为服务负载属性值；

经判断后若该序列不平稳，则进行d阶差分计算，使得服务负载时间序列为平稳序列，则确定ARIMA模型中d的阶数。

5.根据权利要求1所述的一种基于AKX混合模型的服务负载细粒度预测方法，其特征是：所述步骤4具体为：

经对服务负载原时间序列平稳性检测后，通过d阶差分使得服务负载时间序列是平稳序列，d的阶数已确定，则由建立ARIMA模型转换为建立ARMA模型，通过下式表示平稳序列：

其中，Z_t为平稳序列；a_t为白噪声序列；φ_i,θ_j为模型参数，p,q分别为自回归阶数和移动平均阶数。