[发明专利]基于特征选择的季节型非平稳并发量能耗分析方法

摘要

本发明提供一种基于特征选择的季节型非平稳并发量能耗分析方法，涉及云计算技术领域。该方法针对Web应用特性建立能耗模型。首先，基于负载检测工具提取出相关多维特征，并使用工具测出对应能耗数据；然后，对提取的数据进行预处理，提高数据质量与建模效率；然后，采用效率高的过滤型特征选择算法与性能好的装箱式特征选择算法进行相关特征的选择；最后，对筛选完的多维特征以及能耗数据进行回归分析，建立能耗模型。本发明方法同时考虑多种对云服务中心整体能耗有贡献的资源，提取多种数据特征，并对提取的数据进行预处理，提高了数据质量与建模效率，也使能耗模型更加精确。

主权项

1.一种基于特征选择的季节型非平稳并发量能耗分析方法，其特征在于：包括以下步骤：步骤1、提取Web应用服务的各指标数据并进行数据预处理；步骤1.1、在数据提取的过程中，使用负载测试工具提取Web应用服务的特征参数，标记为{x₁，x₂，...x_n}，每一行代表一个元组，并提取能耗数据为y；所述特征参数包括处理器时间、已使用的内存大小、页面错误/秒、磁盘时间、磁盘字节数/秒、字节总数/秒和当前带宽；步骤1.2、在数据预处理的过程中，使用KNN方法进行缺失值数据的填充，并使用Min‑Max Scaling进行数据的区间缩放；KNN算法对缺失值数据进行填充时，首先计算并记录包含某维缺失数据值的数据元组的目标数据与所有不含任何缺失数据值的数据元组的完全数据元组的欧几里得距离，然后在所有完全数据元组中选择与目标数据的欧几里得距离最小的前K个数据元组作为目标数据的最近邻，最后对前K个近邻项数据相应位置的加权平均作为目标数据的记录缺失值的估计值；步骤2、采用过滤型特征选择算法与装箱式特征选择算法相结合的方式，对预处理后的多维数据进行与能耗相关的特征选择；将提取出的各维数据定义为X＝[x₁，x₂，...，x_n]，x_i＝[x_i1，x_i2，...，x_im]，并将监测出的能耗数据定义为Y，Y＝[y₁，y₂，...，y_m]，同时初始化线性相关系数α与特征排序集R＝[]，使用KNN算法对X与Y进行数据预处理，分别计算x_i在Pearson度量下的相关性分数S_ip以及在随机森林的相关性度量下的相关性分数S_ir，得到各个特征的分数S＝α·S_ip+(1‑α)·S_ir，并进行排名，得到筛选后的特征集合X′＝[x₁，x₂，...，x_n′]，然后使用装箱式特征选择算法对X′进行特征排序，最后，训练一个线性支持向量机，将筛选出的特征作为输入，计算特征权重w_i′，i′＝1，2，…，n′，得到特征集合X′中特征的排名分数：c_i′＝(w_i′)²；步骤3、根据步骤2得到的与能耗相关的特征集合X′建立基于回归分析的能耗分析模型，得到Web应用服务的实际能耗；采用幂回归、指数回归与多项式回归三种建模方法分别建立最终的能耗分析模型。