[发明专利]一种基于深度学习的服务器负载预测方法

说明书

本发明公开了一种基于深度学习的服务器负载预测方法，通过采集服务器负载长序列趋势性变化，并利用服务器负载周期性信息，建立深度神经网络预测模型以优化峰值负载预测。本发明提供了一种结合周期信息、长期趋势信息和短期时间序列信息以用于提升神经网络预测准确度的方法，并在负载峰值的部分表现出较传统方法的优越性。本发明方法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。

技术领域

本发明属于云计算技术领域，具体涉及一种基于深度学习的服务器负载预测方法。

背景技术

云服务供应商为大多数普通应用开发者提供可伸缩的按需服务，为应用开发提供便利，并降低了普通开发者服务器运维成本。因此，云计算近年来随着互联网发展，蓬勃兴起，涌现了大量云服务提供商，其中亚马逊、阿里云可提供可靠性高达99.65％的云服务。

然而，为了满足云服务高可靠性的条件，需要预置大量冗余的计算资源。据统计，谷歌集群的CPU平均利用率低于35％，微软集群60％的虚拟机CPU利用率低于20％。

基于上述观察，文献[Jiang,Y.,et al.Burstable Instances for Clouds:Performance Modeling,Equilibrium Analysis,and Revenue Maximization.IEEEINFOCOM 2019-IEEE Conference on Computer Communications(INFOCOM'19)IEEE,2019]提出可以通过时分复用的方法，利用任务优化组合，在保证可靠性的前提下，提升服务器利用率，降低云服务提供商成本，减少云服务租赁费用。

为了实现服务器资源时分复用，需要对服务器负载进行准确的预测，为任务组合、调度、疏散提供决策依据。文献[Chen Z,Hu J,Min G,et al.Towards AccuratePrediction for High-Dimensional and Highly-Variable Cloud Workloads with DeepLearning[J].IEEE Transactions on Parallel and Distributed Systems,2019]指出服务器负载具有变化剧烈的特点。在变化剧烈的时间序列中，目前提出的模型在序列峰值处预测效果不理想；而在时分复用的背景下，峰值预测不准确，更有可能造成服务违约，使云服务供应商支付巨额违约金。

发明内容

鉴于上述，本发明提供了一种基于深度学习的服务器负载预测方法，通过采集服务器负载长序列趋势性变化，并利用服务器负载周期性信息，建立深度神经网络预测模型以优化峰值负载预测。

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。

进一步地，所述服务器的负载针对的是服务器的CPU或内存资源。

进一步地，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。