[发明专利]一种针对虚拟机不同类型的业务并发量预测方法

摘要

本发明提供一种针对虚拟机不同类型的业务并发量预测方法，涉及云计算技术领域。一种针对虚拟机不同类型的业务并发量预测方法，首先采集虚拟机的历史业务并发量，并进行预处理，然后基于改进的1最近邻‑动态时间调整方法1NN‑DTW判断虚拟机业务并发量的类型；最后采用分类回归树拟合不具有周期变化的业务并发量；采用傅里叶级数FS和分类回归树CART拟合具有周期变化的业务并发量；本发明提供的针对虚拟机不同类型的业务并发量预测方法，对虚拟机各业务的并发量进行预测，可以为下一步虚拟机的增加或者减少提供依据，同时有助于准确估计虚拟机的软件老化状况，以达到提高工作虚拟机性能和可靠性的目的。

主权项

1.一种针对虚拟机不同类型的业务并发量预测方法，其特征在于：包括以下步骤：步骤1：采集虚拟机的历史业务并发量，并进行预处理，具体方法为：步骤1.1：扫描一段时间内虚拟机的业务并发量，发现业务并发量的缺失点；步骤1.2：对扫描到的业务并发量缺失点进行处理；步骤1.3：对于采集到的业务并发量中存在异常波动的极大极小样本进行异常值调整；步骤1.4：对从日志数据库或者打点日志中采集到的业务并发量和CPU利用率数据进行数据间隔调整，对采集的数据以秒、分钟或小时为单位进行合并；步骤1.5：采用最大最小值归一法将步骤1.4处理后的数据进行归一化；步骤2：基于改进的1最近邻‑动态时间调整方法1NN‑DTW判断虚拟机业务并发量的类型，具体方法为：步骤2.1：对虚拟机的各业务并发量进行分类，分为上升型、下降型、二次型、随机型、周期波动型、周期上升型和周期下降型；步骤2.2：针对各种类型的业务并发量，提前选取带标签的业务并发量数列作为已知样本；步骤2.3：对每一个待分类的业务并发量数列，依次扫描所有已知样本并通过临近算法计算出最相近的一条已知样本，则该已知样本的类型即为待分类业务并发量的类型；步骤2.4：将所有业务并发量归为两大类以简化1最近邻模型；将随机型、上升型、下降型和二次型业务并发量归为不具有周期变化类；将周期波动型、周期上升型和周期下降型业务并发量归为具有周期变化类；步骤2.5：构造n×m矩阵，使待分类的业务并发量数列{x₁，x₂，...，x_n}和一条已知的业务并发量数列{y₁，y₂，...，y_m}对齐，其中，n为待分类的业务并发量总数量，m为已知的业务并发量总数量；步骤2.6：将待分类的第i个业务并发量x_i和已知的第j个业务并发量y_j两点偏差作为矩阵中(i，j)位置的值d_i，j，同时使用欧式距离和两点导数差的平方的方法，计算待分类的业务并发量数列{x₁，x₂，...，x_n}和已知的业务并发量数列{y₁，y₂，...，y_m}对齐后各点的偏差d_i，j，如下公式所示：d_i，j＝(x_i‑y_j)²+(x′_i‑y′_j)²      (1)其中，x′_i、y′_j分别为x_i、y_j的导数，业务并发量x_i的导数x′_i的估计如下公式所示：步骤2.7：在矩阵中从位置(1，1)开始，根据除边界值外规定每个位置只能到达其上方、右方或者右上方的位置的约束条件迭代寻找出一条累积偏差最小的路径，直到位置(n，m)结束；步骤3：预测虚拟机不同变化类型的业务并发量，具体方法为：步骤3.1：采用分类回归树CART拟合不具有周期变化的业务并发量；步骤3.2：采用傅里叶级数FS和分类回归树CART拟合具有周期变化的业务并发量。