[发明专利]一种基于周期性特征分析的在线负载资源预测方法

摘要

本发明公开了一种基于周期性特征分析的在线负载资源预测方法，在线负载资源预测方法分为三个步骤，资源序列周期识别、子序列分类、在线负载资源预测方法构建。本方法针对在线负载在运行过程中资源使用量具有明显的周期性特征，收集在线负载资源序列样本，对资源序列进行周期识别以及资源序列划分；其次，对于划分得到的子序列进行相似度计算并分类；然后，采用加权方式计算在线负载资源需求进行预测，本方法实现了基于周期性的在线负载资源预测。

主权项

1.一种基于周期性识别的在线负载的资源预测方法，其特征在于包括四个步骤：资源序列周期识别、子序列分类、计算资源使用量预测值：(1)资源序列周期识别：1.1)收集在线负载资源使用序列，采用固定时间步长，从在线负载资源使用序列L中采样数据，构建时间序列ML＝{ml₁，ml₂，…ml_p}，其中ml_j表示第j个时间点对应的资源使用量，p为采样总量；1.2)根据自相关函数公式计算出序列ML的自相关序列MR＝{mr₁，mr₂，…mr_n}；1.3)对MR中任意两个相邻的极大值，依据其发生的时间点，计算它们的时间距离t_{_maxi}；1.4)计算所有t_{_maxi}的均值，将该均值设定为资源使用量序列的周期T；1.5)按照周期T将序列ML进行分割，得到按照时间顺序排列的资源子序列集合MZ＝{mz₁，nz₂，…mz_q}，其中i∈(1，q)，表示经过周期分割后的子序列，表示子序列mz_i中第j时刻的资源使用量；(2)子序列分类：2.1)根据欧氏距离公式度量两个子序列mz_i之间的相似度，同时以三元组(p_i，p_j，S_ij)的形式进行记录；其中，p_i是第i个序列，p_j是第j个序列，p_ik表示第i个序列中的第k个元素数据，同理，p_jk表示第j个序列中的第k个元素数据；2.2)将所有子序列之间距离的最大值，定义为全序列距离最大值d_max2.3)将所有序列之间距离的最小值，定义为全序列距离最小值d_min2.4)计算常规序列距离阈值α，计算公式如下：α＝(d_max‑d_min)×a+d_min2.5)使用改进的K‑Means聚类算法对子序列NL进行二分类，具体如下：2.5.1)随机选择序列集中的数据点作为簇中心集合{o₁，o₂}←RandomSelect(X)；2.5.2)以初始簇中心初始化簇集合C，C₁←o₁，C₂←o₂；2.5.3)将每一个样本对象mz_i归入距离最近的簇；2.5.4)计算两个类簇中所有数据点与类簇中心点的距离，并分别获得两个类簇的簇内序列最大距离max_point_distance₁和max_point‑distance₂；2.5.5)计算两个类簇之间的距离cluster_distance←Distance(C₁，C₂)，并以每个簇中数据点位置的平均值分别更新每个类簇的中心点{o₁，o₂}←UpdateCenter(C₁，C₂)；2.5.6)定义簇间距阈值θ和簇内点间距阈值α，在满足cluster_distance＞θ且max_point‑distance₁＜α且max_point‑distance₂＜α时，返回分类结果C₁和C₂，否则重复2.5.3)至2.5.5)；2.6)将两类之中数量多的序列定义为常规子序列，另一类定义为异常子序列；(3)在线负载资源预测令NL＝(nl₁，nl₂，…nl_s)为按照时间排序的常规子序列集合，其中任意nl_i∈NL，i∈(1，s)可表示为nl_i＝{nl_s_i1，nl‑s_i2，…nl‑s_im}，即一个周期内所有采样时刻的资源使用量，令AL＝(al₁，al₂，…al_f)为按照时间排序的异常子序列集合，其中任意al_i＝(al_s_i1，，al_s_i2，…al_s_im)，即一个周期内所有采样时刻的资源使用量；3.1)计算在经过周期分割的所有在线负载资源使用子序列集MZ＝{mz₁，mz₂，…mz_a}中，异常子序列所占子序列数量的比例为异常比例R_f，计算方法如下：其中，|NL|为常规子序列的的总数量；|AL|为异常子序列的数量；3.2)对任一常规子序列中时刻t的资源使用量nl‑s_{i_t}，其常规变化率Rnl_{i_t}，计算方法如下：其中，nl_s_{i+1_t}表示第i+1个常规子序列中时刻t的资源使用量；3.3)计算NL＝(nl₁，nl₂，…nl_s)中前s‑1个常规子序列中时刻t的的资源使用量的常规平均变化率计算方法如下：3.4)对任一异常子序列中时刻t的资源使用量al_{i_t}，其常规变化率Ral_{i_t}，计算方法如下：其中，al_s_{i+1_t}表示第i+1个异常子序列中时刻t的资源使用量，3.5)定义AL＝(al₁，al₂，…al_f)中前f‑1个常规子序列中时刻t的的资源使用量的异常平均变化率计算方法如下：3.6)对下一个序列周期的第j时刻的资源使用量在常规序列变化趋势的情况下的预测值记为nl_{forecast_j}，计算方法如下：其中，nl‑s_{|NL|_j}表示常规序列中最后一个序列中第j个资源使用量。3.7)对下一个序列周期的第j时刻的资源使用量在异常序列变化趋势的情况下的预测值记为al_{forecast_j}，计算方法如下：其中，al‑s_{|AL|_j}表示异常序列中最后一个序列中第j个元素的资源使用量3.8)利用在线负载的资源使用量序列，预测未来一个周期第j时刻的资源使用量l_{next_j}，计算方法如下：l_{next_j}＝(1‑R_f)*nl_{forecast_j}+R_f*al_{forecast_j}。