[发明专利]基于萤火虫算法与BP神经网络的云计算平台负载预测方法

说明书

本发明公开了一种基于萤火虫算法与BP神经网络的云计算平台负载预测方法，基于云计算平台负载情况的历史数据，包括云计算平台资源请求的时间戳、CPU请求核数、任务请求量，建立BP神经网络，利用改进后的二进制离散化萤火虫算法优化BP神经网络的权值和阈值，进而有效地预测了负载情况，可以在此基础上调整资源分配，实现绿色调度。本发明解决了现有云计算平台负载预测算法在预测资源请求的粒度和准确度不足的问题。

【技术领域】

本发明属于云计算平台资源负载技术领域，特别是涉及一种基于萤火虫算法与BP神经网络的云计算平台负载预测方法。

【背景技术】

云计算技术的飞速发展为我们提供了高效、便捷的强大服务。弹性、高效的资源管理是云计算优于其他计算模式的特点。弹性资源管理是指云平台根据资源需求量的变化，动态调整分配资源的数量。其中，资源需求量的预测是影响弹性管理算法性能好坏的关键，需求量预测过高会导致额外的资源分配，造成资源浪费；需求量预测不足，用户的部分资源请求得不到满足，会降低服务质量。因此，提高云计算平台负载情况的预测精度，成为一个亟待解决的问题。

【发明内容】

本发明的主要目的在于提供一种基于萤火虫算法与BP神经网络的云计算平台负载预测方法，解决了现有云计算平台负载预测算法在预测资源请求的粒度和准确度不足的问题。

本发明通过如下技术方案实现上述目的：一种基于萤火虫算法与BP神经网络的云计算平台负载预测方法，其包括以下步骤：

S1：采集云计算平台负载情况的历史数据，包括云计算平台资源请求的时间戳、CPU请求核数、任务请求量，作为负载预测模型的输入样本和输出样本；

S2：对步骤S1采集到的样本数据进行预处理，依次包括归一化处理，划分训练集样本数据和测试集样本数据；

S3：建立BP神经网络模型，确定BP神经网络模型的网络拓扑结构；

S4：对萤火虫算法进行二进制离散化改进，修正萤火虫位移与位的变化率的关系，使得萤火虫个体更容易收敛到全局最优点；

S5：采用所述训练集样本数据对神经网络进行训练，训练过程中采用改进的二进制萤火虫算法对神经网络的权值和阈值进行优化调整；

S6：将所述测试集样本数据输入所述步骤S5中训练好的神经网络中进行预测，得到云平台负载预测结果。

进一步的，所述步骤S2中的归一化处理方法采用最大最小值线性归一化函数，将样本数据映射到[0，1]区间内。

进一步的，所述步骤S3中所述BP神经网络模型的网络拓扑结构包括输入层、隐藏层以及输出层，其中所述输入层设置有3个神经元节点，所述隐藏层设置有7个神经元节点，所述输出层设置有1个神经元节点。

进一步的，所述步骤S4中对萤火虫算法进行二进制离散化改进包括以下步骤：

S41)编码：用二进制位编码萤火虫个体，其中，第n只萤火虫表示为：x_n＝(x_n1，x_n2，…，x_nd)，d为编码长度；

S42)定义萤火虫个体距离：萤火虫个体m与n在第k维的距离为：

将萤火虫个体m与n之间的距离定义为海明距离：