[发明专利]一种云数据中心的负载预测方法

摘要

本发明公开一种云数据中心的负载预测方法，包括步骤：采集预测云数据中心的历史数据，并进行归一化处理；计算CPU历史数据与其余各性能指标的相关性；时间窗口提取；特征提取；特征融合：将得到的各性能指标特征进行拼接后，输入到自编码神经网络中，做进一步压缩，最终得到一个共同的压缩特征；人工干预；有监督学习；预测结果。本发明可以发现潜在的变化信号，从而更加准确地掌握变化的方向，更加贴合实际需求，在实际应用中可以提高约5-10％的预测准确率。

主权项

一种云数据中心的负载预测方法，其特征在于，该方法包括如下步骤：步骤1，采集预测云数据中心的历史数据，并进行归一化处理；步骤2，计算CPU历史数据与其余各性能指标的相关性，相关性大于阈值φ的性能指标加入集合A；步骤3，时间窗口提取：随机抽取时间窗口，时间窗口长度根据实际情况来设定，其中时间窗口前一部分作为预测的输入，后一部分作为训练时的预测输出；步骤4，特征提取：用三层自编码神经网络对于CPU历史数据集合A中各性能指标进行压缩得到各性能指标特征；步骤5，特征融合：将步骤4得到的各性能指标特征进行拼接后，输入到自编码神经网络中，做进一步压缩，最终得到一个共同的压缩特征；步骤6，人工干预：在同样的时间窗口上，人对于可能预知要发生热点，及热点的程度做出自己的判断，即在时间序列上加入人为权值，加入权重根据下式获得：$Itv=\left\{\begin{array}{c}Itv+r*\exp (-\frac{(x-time)}{2*{\mathrm{\σ}}_1^2})\\ Itv+r*\exp (-\frac{(x-time)}{2*{\mathrm{\σ}}_2^2})\end{array}\right.$其中x、σ₁、σ₂是人为设定的参数，分别代表了峰值和左右两侧收敛的速度；步骤7，监督学习：CPU本身经过特征提取后的特征向量，共享特征向量和输出时间段的人工干预数值向量进行拼接，作为输入；滑动窗口后一部分序列值作为输出，使用神经网络训练；在训练过程中，控制人工干预所产生的影响，加入稀疏因子，将神经网络代价函数作出修改，如下式：$J(W,b)=\frac{1}{2}\left|\right|h_{W,b}\left(x\right)-x|{|}^2+\frac{\mathrm{\λ}}{2}\underset{i=t+s+1}{\overset{s_1}{\Σ}}\underset{j=1}{\overset{s_2}{\Σ}}{\left(W_{ji}^{\left(1\right)}\right)}^2$其中，t代表了CPU特征向量长度，s代表了共享特征向量长度，s_i代表了第i层单元数；步骤8，预测：根据前面网络训练所得到的各种参数，监控一段时间CPU的运行状态，进行特征提取和融合，最后输入到最终模型进行预测，得到预测结果。