[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

说明书

本发明是一种基于AKX混合模型的服务负载细粒度预测方法。本发明属于服务计算技术领域。采集服务运行监控过程中产生的数据进行预处理，对数据集进行白噪声和稳定性检测构建ARMA模型；建立ARIMA模型采用Kalman滤波方法对模型预测值进行在线实时校正，有效处理非线性残差；引入XGBoost方法对服务负载历史数据进行离线自回归预测训练分析，并与实际服务负载数据进行差值计算，将差值结果与基于混合模型的预测值进行拟合，获得最终的服务负载预测结果。本发明相对于现有预测方法，在资源受限和负载高发背景下，具有更高预测精度和较低时延，更好地满足的任务突发背景下指控系统对服务有效性、可靠性以及高资源利用率要求。

技术领域

本发明涉及服务计算技术领域，是一种基于AKX混合模型的服务负载细粒度预测方法。

背景技术

当前，国际形势跌宕起伏、复杂多变，军事战争风险与挑战依然严峻。未来新型战争具有高速度、大机动、快节奏以及协同作战等特点，作为整个战场中枢的指挥控制系统掌控着战争的态势和成败，同时也面临着任务突发、态势幻测和高效协同等新挑战。微服务技术是当前指控系统的主要系统架构和主流实现方式，通过对历史数据的分析进行微服务负载预测是保证服务的有效性、可靠性以及高资源利用率的重要方法。如何在资源受限和负载高发背景下，顺利实施遂行作战任务并高效实现作战目标，对指控系统中服务负载预测的精度、时延和粒度等提出了更高的要求，现有方法大多存在模型单一、或缺乏预测结果的有效实时校正、或忽略对大量历史数据的有效分析利用等问题，无法很好地满足的一定背景下指控系统对高精度和低时延要求。

服务负载具有时变、复杂、不确定和非线性等特性，同时与时间有很强的关联性。主流的服务负载预测技术主要包括时间序列分析、机器学习、预测校正、马尔科夫模型等，核心步骤分为数据采集、数据预处理、建立模型、预测校正等。上述方法中，基于时间序列分析的服务负载预测是主要方法之一，主要包括AR模型、MA模型、ARMA模型和ARIMA模型等方法，具有简单、快速等特点，是短期预测方面的高效方法，但因建模样本长度、非平稳性数据等因素导致存在部分精度损失。基于机器学习的负载预测是当前流行的重要方法，主要有SVM、神经网络、贝叶斯等模型，具有数据预处理简单、预测精度高等优势，但需要较大样本数据和较高的算力，大多存在时延高、资源占用率高等问题。预测校正是提高预测精度的关键技术，常用的包括基于最小二乘参数估计、多维自适应机制以及卡尔曼滤波(Kalman)等方法，其中卡尔曼滤波方法是预测结果高效实时校正领域的核心方法之一，有着更加有效和广泛的应用。

时间序列分析是服务负载预测的主要方法之一。因在服务运行过程中其产生的数据存在离散性、多样性，但与时间之间存在相应的联系，并会随着时间的变化而变化，因此可通过时间序列模型建立一个服务负载与时间之间的关系模型，以来预测出服务负载的变化情况。本发明主要采用时间序列ARIMA模型，由于服务负载属性值数据存在平稳性和不平稳性，而ARIMA模型可以将不平稳时间序列经差分转换为平稳序列。基于ARIMA模型能够以较低的时延快速地对服务负载随时间的变化趋势进行初步有效预测。

对离线的历史数据进行机器学习训练是提高服务预测精度的重要方法之一，由于在时间序列经平稳性检测和白噪声检测后，去除了相关噪声数据，但相关的噪声数据也将会对预测的精度存在相应的影响，因此本发明通过XGBoost方法，将在离线状态下对已产生的服务负载历史数据进行自回归机器学习，并将最终学习的结果与经ARIMA-Kalman预测方法进行融合，降低因数据处理带来的精度误差影响。

发明内容