[发明专利]基于EGGM模型预测云服务器软件老化的方法

权利要求书

1.基于EGGM模型预测云服务器软件老化的方法，其特征在于，具体包括以下步骤：

步骤1，提取云服务器性能指标序列数据；

步骤2，将步骤1提取到的云服务器性能指标数据进行EEMD分解，得到频率由高到低的多个IMF分量和一个Residual分量；

步骤3，将经步骤2得到的高频IMF分量、低频IMF分量和Residual分量进行归一化处理，将数据序列映射到[0,1]区间；

步骤4，用经步骤3归一化后的高频IMF分量构建GRU模型，并获得GRU模型对步骤3所得数据的预测结果；

步骤5，将经步骤4得到的GRU模型通过GA进行超参数优化，得到GA-GRU模型；

步骤6，通过步骤5得到的GA-GRU模型预测高频IMF分量，得到GA-GRU模型预测结果；

步骤7，通过MLR模型预测经步骤4得到的低频IMF分量和Residual分量，得到MLR模型预测结果；

步骤8，将步骤6得到的GA-GRU模型预测结果和步骤7得到的MLR模型预测结果重构后得到最终预测结果；

步骤9，将步骤8得到的最终预测结果和真实数据对比。

2.根据权利要求1所述的基于EGGM模型预测云服务器软件老化的方法，其特征在于，所述步骤1具体包括：在云服务器上通过编写自动化脚本提取云服务器性能指标序列数据，提取到的性能指标序列数据包括CPU空闲率、可用内存、平均负载和响应时间。

3.根据权利要求1所述的基于EGGM模型预测云服务器软件老化的方法，其特征在于，所述步骤2具体按以下步骤实施：

步骤2.1，设定分解次数m；

步骤2.2，将高斯白噪声加入原序列x(t)中，加入的白噪声的标准差是原序列标准差的0.2倍，并且均值为0，得到加入白噪声后的序列；如下式(1)：

x′(t)＝x(t)+εⁿ(t) (1)

式中，εⁿ(t)(n＝1,2,...,m)是随机高斯白噪声，m为原序列长度；

步骤2.3，经过步骤2.2得到全部的i为IMF阶数；

步骤2.4，重复m次步骤2.2和步骤2.3，得到所有的IMF；

步骤2.5，通过式(2)得到m个的IMF求平均值：

4.根据权利要求1所述的基于EGGM模型预测云服务器软件老化的方法，其特征在于，所述步骤3具体按以下步骤实施：

步骤3.1，将序列数据向量记为x，然后将最大值和最小值分别记为X_max和X_min；

步骤3.2，将序列数据中的每一个数据都减去最小值X_min；

步骤3.3，将步骤3.2得到的序列数据除以最大值减最小值的差(X_max-X_min)；归一化公式如式(3)所示：

5.根据权利要求1所述的基于EGGM模型预测云服务器软件老化的方法，其特征在于，所述步骤4具体按以下步骤实施：

利用步骤3得到的归一化高频IMF分量，对每个分量划分数据集为训练集和测试集，然后构建GRU模型的三个功能模块，包括：输入层、隐藏层和输出层，输入层接受神经网络初始参数；隐藏层通过GRU神经元彼此相连，构建多层网络，迭代计算；输出层得到模型预测结果，然后合并输出。

6.根据权利要求1所述的基于EGGM模型预测云服务器软件老化的方法，其特征在于，所述步骤5具体按以下步骤实施：

利用GA对GRU模型进行超参数优化的具体方法是：构建GRU预测模型超参数搜索空间，利用GA全局搜索超参数空间，进行最优超参数筛选，获取最优超参数组合，建立性能优化的GRU预测模型。

7.根据权利要求6所述的基于EGGM模型预测云服务器软件老化的方法，其特征在于，所述步骤5中利用GA优化GRU模型的具体步骤如下：

步骤5.1，种群编码初始化；采用的编码方式是将需要优化求解的参数转换成基因串的形式，并组成染色体；针对GRU神经网络的超参数，以不同位数的二进制进行编码；

步骤5.2，计算个体适应值；适应值量化个体在进化过程中的适应能力，适应值越高，表明个体表示的超参数组合所形成的模型预测误差越小，适应度函数如下式(4)：

式中：y(k)是样本时间序列的实际观测值，是预测值，T表示样本参数时间序列的数据量；

步骤5.3，利用遗传算法在个体之间进行选择、交叉和变异操作，实现对个体信息的改变，当某一个体信息发生改变时，则在超参数搜索空间中产生一个新个体，通过不断产生新个体的方式，探寻最优超参数组合，当新个体满足训练误差或者达到迭代次数，则搜索结束，输出最优GRU预测模型。