[发明专利]基于隐马尔可夫的云平台软件性能预测方法

说明书

本发明公开了基于隐马尔可夫的云平台的软件性能预测方法，具体按照如下步骤实施：步骤1，从待预测云平台的各个业务模块中采集影响性能的参数，得到实验样本特征集合，然后进行预处理；步骤2，确定初始隐马尔可夫模型λ＝(A，B，π)；步骤3，给定观测序列，计算在步骤2确定的初始隐马尔可夫模型下的观测序列出现的概率；步骤4，已知隐马尔可夫模型和观测序列，求性能预测结果序列。本发明的基于隐马尔可夫的云平台的软件性能预测方法，解决了现有技术中存在的一元线性回归模型不能对云平台软件复杂多变的负载情况有效拟合，导致预测精度不能满足要求的问题。

技术领域

本发明属于计算机虚拟化技术领域，涉及一种基于隐马尔可夫的云平台的软件性能预测方法。

背景技术

近年来，基于云平台的服务应用于诸多不同的领域，包括医疗保健、公共交通、移动通讯等，并逐渐成为互联网行业发展的主流趋势。但云平台系统的长时间不间断运行会引发一种称之为软件老化的现象。由此引发的短暂系统停机或不平稳将严重影响互联网企业的正常运营。

性能下降的产生是因为软件程序非常复杂，不可能永远且完全地没有错误，即使再充分地测试和检验，也无法保证软件程序可以平滑、无差错的长时间运行。如今，软件程序开发趋向于时间导向型研发，即软件程序具有时间效应，需要以最短时间设计、研发和测试，迅速投入市场，以抢占市场份额，这一现象进一步加剧了性能消耗不平衡现象的发生，软件程序的可靠性、可用性、安全性等衍生问题随之出现。

如果一个“状态”不依赖于“未来的状态”，也不依赖于“先前的状态”，仅取决“现在的状态”，此状态的演化过程称为马尔可夫链。隐马尔可夫是描述系统隐性质的一种统计学模型，建立在马尔可夫链的基础之上。传统的马尔可夫链对非平稳时间序列的预测并不是很理想，模型敛性较差，预测结果偏差大。隐马尔可夫求解场景的两个典型特征是：数据集是基于时序变化的；问题存在两个序列，即系统的内部性质序列和监测数值序列。隐马尔可夫状态转移链，描述了状态序列与观测序列之间的关联关系。隐马尔可夫的隐状态是非确定，这些隐状态与观测状态之间存在一定的客观规律，可通过一定的随机过程将隐状态序列描述出来。可观测状态与系统内部状态并非一一对应的关系，但可通过概率分布函数描述两者之间的相关性。

传统的云平台软件性能预测方法，多是采用一元线性回归模型以及改进模型对云平台软件性能变化趋势进行预测。一元线性回归模型是一种实用性较强的分析模型，但其缺点在于过于简单的形式决定了不能对云平台软件复杂多变的负载情况有效拟合，从而导致预测精度不能满足要求。

发明内容

本发明的目的是提供一种基于隐马尔可夫的云平台的软件性能预测方法，解决了现有技术中存在的一元线性回归模型不能对云平台软件复杂多变的负载情况有效拟合，导致预测精度不能满足要求的问题。

本发明所采用的技术方案是，基于隐马尔可夫的云平台的软件性能预测方法，具体按照如下步骤实施：

步骤1，从待预测云平台的各个业务模块中采集影响性能的参数，得到实验样本特征集合，然后进行预处理；

步骤2，确定初始隐马尔可夫模型λ＝(A，B，π)；

步骤3，给定观测序列，计算在步骤2确定的初始隐马尔可夫模型下的观测序列出现的概率；

步骤4，已知隐马尔可夫模型和观测序列，求性能预测结果序列。

本发明的特征还在于，

采用平均百分比误差法对步骤4的性能预测结果序列进行评价。

步骤1中的预处理具体为：将实验样本特征集合中的所有参数进行归一化处理，生成一个长度为N的数据序列。

步骤2具体为：