[发明专利]一种集群资源使用率预测方法、装置、设备及存储介质

说明书

本发明涉及服务器技术领域，尤其涉及一种集群资源使用率预测方法、装置、设备及存储介质。所述方法包括：获取表征集群资源使用率的原始时序数据；采用经验模态分解算法对原始时序数据进行分解和筛选得到待检验数据，待检验数据包括若干分量；对待检验数据中的每个分量进行平稳性检验；响应于待检验数据中的某一分量属于平稳序列，则将某一分量代入预测模型得到对应的预测数据；响应于待检验数据中的分量均为平稳序列，则整合所得到所有的预测数据得到原始时序数据对应的预测结果。本发明方案采用经验模态分解解决时序数据预测中数据多样且非平稳性的问题，实现集群中各个主机资源使用情况的精准预测，有助于提升对集群资源的管理、维护效率。

技术领域

本发明涉及服务器技术领域，尤其涉及一种集群资源使用率预测方法、装置、设备及存储介质。

背景技术

随着计算机服务器集群的规模化，对集群中各主机中央处理器(即CPU)、内存、磁盘等资源的使用率进行监控成为运维中非常重要的事情，如何对集群资源的使用情况进行预测进而引导运维人员进行集群资源的增容扩容，成为运维人员面临的大难题。

目前，监控系统的趋势预测功能还不成熟，运维人员不能及早发现系统问题和资源瓶颈，不能及时调度资源以保证系统稳定运行。当前针对运维数据的趋势预测方法可以分为两类：第一类是基于时间序列的方法，最具代表性的是使用累积式自回归移动平均(ARIMA)模型进行预测，但这种方法针对的是线性模型，在预测时对非线性数据的预测能力不足。第二类是包含支持向量回归(SVR)，人工神经网络(BP)模型的机器学习方法。这种方法针对小样本问题，但在针对运维环境上大规模数据时容易陷入局部最优解。

发明内容

有鉴于此，有必要针对以上技术问题，提供一种集群资源使用率预测方法、装置、设备及存储介质。

根据本发明的第一方面，提供了一种集群资源使用率预测方法，所述方法包括：

获取表征集群资源使用率的原始时序数据；

采用经验模态分解算法对所述原始时序数据进行分解和筛选得到待检验数据，其中，所述待检验数据包括若干分量；

对所述待检验数据中的每个分量进行平稳性检验；

响应于所述待检验数据中的某一分量属于平稳序列，则将所述某一分量代入预测模型得到对应的预测数据；

响应于所述待检验数据中的分量均为平稳序列，则整合所得到所有的预测数据得到所述原始时序数据对应的预测结果。

在一些实施例中，所述方法还包括：

响应于所述待检验数据中的某一分量为非平稳序列，则采用小波分解算法对某一分量进行分解，得到低通分量和高通分量；

将所述低通分量和所述高通分量添加到所述待检验数据中，并返回执行所述对所述待检验数据中的每个分量进行平稳性检验的步骤。

在一些实施例中，在执行所述对所述待检验数据中的每个分量进行平稳性检验的步骤之前，所述方法还包括：

对所述原始时序数据进行最小二乘预处理，得到预处理后的时序数据。

在一些实施例中，所述采用经验模态分解算法对所述原始时序数据进行分解和筛选得到待检验数据的步骤包括：

采用经验模特分解算法对所述预处理后的时序数据进行分解，得到多个基本模态分量；

基于频率对所得到的多个基本模态分量的进行排序，从频率最大的一侧选取预设数量的基本模态分量作为待检验数据。

在一些实施例中，所述整合所得到所有的预测数据得到所述原始时序数据对应的预测结果包括：

计算所述待检验数据中所有分量对应的预测数据之和；