[发明专利]一种基于EEMD-ARIMA的云计算服务器负载短期预测方法

摘要

本发明的基于EEMD‑ARIMA的云计算服务器负载短期预测方法，首先针对负载数据，建立训练集；然后对负载数据进行EEMD分解得到多个IMF分量和余项；再计算每个IMF分量和余项的信息熵、相关系数和能量因子，进而建立有效评价因子选择有效的IMF分量和余项；最后对有效的分量分别进行ARIMA预测并求和得到最终预测结果，实现了对云计算服务器负载的精确短期预测。本发明方法适用于云计算服务器非稳定负载的预测，特别是公有云，用户资源需求具有随机突发性、短时间内可能会造成服务器负载呈现非平稳状态情形的预测，适用于云计算使用的所有负载类型，不受单一负载类型的限制。

主权项

一种基于EEMD‑ARIMA的云计算服务器负载短期预测方法，其特征在于，通过以下方法来实现：a).负载数据采集，每天24小时内以固定周期采集云计算物理服务器pi的CPU、内存、磁盘的利用率，将其作为云计算物理服务器的负载数据，表示为(Ci,Mi,Di)；b).负载数据预处理，将服务器的负载数据(Ci,Mi,Di)按照CPU、内存、磁盘的负载分类进行分类提取，并将每类负载数据形成训练集；设服务器的CPU负载训练集为Tcpu＝{Ct1,...,Cti,...,Ctn}，n为训练集数据数量；c).总体经验模态分解，对步骤b)中获取的训练集数据添加N次正、负白噪声，再进行总体经验模态分解EEMD，得到h‑1个IMF分量和1个余项；每个分量和余项都是一组样本数据，分别用{Xj1,...,Xjk,...,Xjn}表示，1≤j≤h；d).判断分量、余项是否属于同一类别，对所有IMF分量和余项按照公式(1)计算两两分量或分量与余项之间的欧氏距离Dij：Dij=Σk=1n(Xik-Xjk)2---(1)]]>1≤i≤h，1≤j≤h；然后根据欧氏距离是否小于设定阈值来判断是否有分量或分量与余项属于同一类别，若有则表明存在模态混叠，执行步骤c)，并增大添加白噪声的幅值和次数，重新对训练集进行EEMD分解直至IMF分量或余项不存在模态混叠；如果没有，则表明不存在模态混叠，执行步骤e)；e).计算信息熵，计算所有分量和余项的信息熵Sj，1≤j≤h；f).计算相关系数，按照公式(2)计算每个IMF分量和余项与训练集的相关系数Pj：Pi=Pj(X,Y)=Cov(X,Y)Var(X)Var(Y)---(2)]]>其中，Cov(X,Y)为协方差，Var(X)、Var(Y)为方差，1≤j≤h；g).计算能量因子，首先，分别根据公式(3)、公式(4)计算每个IMF分量和余项的能量密度Ej、平均周期Tj：Ej=1nΣk=1n(Xjk)2---(3)]]>Tj=nlj---(4)]]>其中，n为训练集数据数量，Xjk为第j个IMF分量或余项数据中第k个数据，lj为相应分量或余项极大值点个数，1≤j≤h；然后，根据能量密度Ej与平均周期Tj的乘积是常数的特点，通过公式(5)计算每个IMF分量和余项的能量因子Efj：Efj＝Ej*Tj  (5)其中，1≤j≤h；h).计算有效评价因子，基于所有IMF分量和余项的信息熵Sj、相关系数Pj、能量因子Efj和相应权重ws、wp、we建立综合模糊评价方法，通过公式(6)计算有效评价因子Zj：Zj=ws*(1-Sj-SminSmax-Smin)+wp*Pj-PminPmax-Pmin+we*Efj-EfminEfmax-Efmin---(6)]]>其中，1≤j≤h；权重ws、wp、we满足约束关系：ws+wp+we＝1；判断每个分量或余项的评价因子是否大于设置的阈值，若大于则为有效分量，若小于则为无效分量；i).对每个有效分量进行ARIMA预测，然后将所有预测结果求和得到总预测集Fi＝{Cp1,...,Cpj,...,Cpm}；同样地，对服务器的内存负载、磁盘负载按照步骤c)至步骤h)的相同方法，得到服务器的内存负载、磁盘负载的总预测集，即实现了对服务器负载的短期预测。