[发明专利]负载预测方法、系统、设备及计算机可读存储介质

权利要求书

1.一种负载预测方法，其特征在于，包括：

获取云应用系统中的历史跟踪负载数据，并构建历史负载序列；

对历史负载序列进行负载的离线趋势预测，以生成基于离线趋势预测的预测结果；

对历史负载序列进行在线波动预测，以生成基于在线波动预测的预测结果；

将基于离线趋势预测的预测结果和基于在线波动预测的预测结果相结合，集成综合预测结果。

2.根据权利要求1所述的负载预测方法，其特征在于，所述历史跟踪负载数据包括云应用系统的各种负载；云应用系统的各种负载包括请求负载和/或资源负载。

3.根据权利要求1所述的负载预测方法，其特征在于，对历史负载序列进行负载的离线趋势预测，以生成基于离线趋势预测的预测结果的步骤包括：

提取历史负载序列的低频信息；

基于上个周期的历史趋势信息，对未来下个周期进行趋势预测，以预测到基于离线趋势预测的预测结果。

4.根据权利要求3所述的负载预测方法，其特征在于，对历史负载序列进行在线波动预测，以生成基于在线波动预测的预测结果的步骤包括：

初始时刻，基于预设滑动窗口的最小尺寸，根据相邻窗口的趋势相关性扩展窗口大小，窗口尺寸扩展为原来的两倍，重复扩展，直至相邻窗口不再趋势相关，扩展停止；

判断扩展后的当前窗口尺寸是否大于预设滑动窗口的边界尺寸；若是，则表示近期负载具有明显趋势性，并采用预设滑动窗口的最小尺寸作为最终选择的滑动窗口尺寸；若否，则表示近期负载不具有明显趋势性，并转入下一步骤：

基于历史负载序列的时间相关性扩展窗口尺寸。

5.根据权利要求4所述的负载预测方法，其特征在于，基于历史负载序列的时间相关性扩展窗口尺寸的步骤包括：

基于预设滑动窗口的最大尺寸，计算该窗口视野内的近期历史负载序列的序列时间相关性，以获取序列自相关函数值；

逐渐增加时滞值，直到找到序列自相关函数值的第一次跨越置信区间的时滞大小，并将第一次跨越置信区间的时滞大小作为扩展后的当前窗口尺寸；

判断扩展后的当前窗口尺寸是否大于预设滑动窗口的边界尺寸；若是，则表示近期负载具有明显时间相关性，并将扩展后的当前窗口尺寸作为最终选择的滑动窗口尺寸；若否，则表示近期负载不具有明显时间相关性，直接采用预设滑动窗口的最大尺寸作为最终选择的滑动窗口尺寸；

基于最终选择的滑动窗口尺寸构造训练样本进行训练，以预测下一周期的负载在线波动。

6.根据权利要求4所述的负载预测方法，其特征在于，将基于离线趋势预测的预测结果和基于在线波动预测的预测结果相结合，集成综合预测结果的步骤包括：

基于离线趋势预测的预测结果、基于在线波动预测的预测结果及负载真实数据，构建历史M个时刻的误差样本；所述误差样本的输入特征为包括2行M列的样本矩阵；其中，第一行为基于离线趋势预测的预测误差，第二行为基于在线波动预测的预测误差；所述误差样本的标签为表现更优的基预测器类别，即离线趋势基预测器误差更小，则为0，在线波动基预测器误差更小，则为1；

根据历史M个时刻的误差样本标签，计算基预测器历史表现稳定度；

将基预测器历史表现稳定度与稳定度阈值进行比较，以判断历史预测是否稳定；若是，基于时间局部性(如果最近过去的某个基预测器可以很好地预测不久的将来的负载情况，那么在近期的将来该基预测器很可能仍然给出很好的预测结果)，采用权重分配算法为误差样本集合中每个样本赋予不同的权重系数，以训练第一多类回归模型；根据所训练的第一多类回归模型及当前时刻的误差输入特征矩阵预测离线趋势基预测器和在线波动基预测器的权重系数；基于各基预测器的权重系数及负载预测结果，集成综合预测结果；若否，则直接根据历史M个时刻的误差样本，训练第二多类回归模型；根据第二多类回归模型及当前时刻的误差输入特征矩阵预测离线趋势基预测器和在线波动基预测器的权重系数，并进一步集成综合预测结果。