[发明专利]一种基于深度学习的服务器负载预测方法

权利要求书

1.一种基于深度学习的服务器负载预测方法，包括如下步骤：

(1)采集服务器过去一段时间内的负载利用率序列，并将其划分成样本序列和标签序列；

(2)提取所述负载利用率序列的周期性信息；

(3)建立基于encoder-decoder架构的周期信息自适应模型；

(4)将所述样本序列、标签序列以及周期性信息输入至模型中对其进行训练；

(5)将服务器当前时间段的负载利用率序列输入至训练好的模型中，即可预测输出服务器未来一段时间的负载利用率序列。

2.根据权利要求1所述的服务器负载预测方法，其特征在于：所述服务器的负载针对的是服务器的CPU或内存资源。

3.根据权利要求1所述的服务器负载预测方法，其特征在于：所述步骤(1)的具体实现方式为：将服务器过去一段时间内的负载利用率序列分成两段，使前段时间的负载利用率序列作为样本序列，后段时间的负载利用率序列作为标签序列，且前段时间的数据比重大于后段时间。

4.根据权利要求1所述的服务器负载预测方法，其特征在于：所述步骤(2)的具体实现方式为：对于过去一段时间内服务器的负载利用率序列，首先计算该序列的自相关系数信号，取自相关系数信号第二个峰值对应的横坐标值作为周期长度T，所述横坐标值表示时间间隔长度；然后取标签序列之前T时间长度的负载利用率序列作为周期性信息。

5.根据权利要求1所述的服务器负载预测方法，其特征在于：所述周期信息自适应模型由encoder模块和decoder模块连接组成，encoder模块包括下采样层、多头自注意力机制层以及LSTM层L1，decoder模块包括LSTM层L2以及三个注意力机制层A1～A3。

6.根据权利要求5所述的服务器负载预测方法，其特征在于：所述步骤(4)的具体实现方式为：首先将样本序列分成两段且前段序列长于后段序列，将前段序列输入下采样层进行下采样，并将下采样后的结果输入多头自注意力机制层中；将后段序列输入LSTM层L1，将LSTM层L1的隐藏状态输入注意力机制层A1作为查询，同时将多头自注意力机制层的输出作为注意力机制层A1的键值对，注意力机制层A1的输出结果作为LSTM层L2的初始隐藏状态，LSTM层L1的输出作为LSTM层L2的输入；decoder模块在一次解码过程中需将上一次LSTM层L2的隐藏状态输入注意力机制层A2作为查询，将多头自注意力机制层的输出作为注意力机制层A2的键值对，此外将LSTM层L2的输出与周期性信息共同作为注意力机制层A3的键值对，同时将样本序列的后段序列作为注意力机制层A3的查询，注意力机制层A3的输出即为模型最终预测结果；最后计算预测结果与标签序列之间的损失函数，根据损失函数采用次梯度下降法对模型参数进行反向传播更新，依此不断进行迭代更新，直至损失函数最小化收敛或达到最大迭代次数，即训练完成。

7.根据权利要求6所述的服务器负载预测方法，其特征在于：所述损失函数的表达式如下：

其中：表示X_target与之间的损失函数，X_target为标签序列，为模型预测结果，t为时刻，X_target[t]为标签序列中t时刻服务器的负载利用率，为模型预测结果中t时刻服务器的负载利用率。

8.根据权利要求1所述的服务器负载预测方法，其特征在于：该方法结合周期信息、长期趋势信息和短期时间序列信息以提升神经网络预测准确度，并在负载峰值的部分表现出较传统方法的优越性，可以有效提升预测准确度，为云服务提供商提供更准确的调度和疏散决策依据，从而降低保证高可靠性所需的冗余设备，降低云服务提供商运营成本，降低云服务租户租赁开销。