The invention discloses a cloud data center load prediction method based on the long and short memory network (LSTM), which aims to solve the problem that the limited computing resources of the cloud data center can not be optimized. This method makes training samples and test samples based on the mass historical records of the cloud data center, and constructs a neural network connected by the LSTM unit, and constantly inputs the training samples in batch and gets the output value. The neural network optimization algorithm uses a new adaptive moment estimation method and is continuously trained through iterative training. The parameters in the new units make the global optimal. After the training, the next prediction value of the sample sequence can be obtained by entering the test sample into the network. If the input sequence is constantly updated with the predicted value, the prediction value sequence of the future time can be obtained. One
【技术实现步骤摘要】
一种基于长短期记忆网络的云数据中心负载预测方法
本专利技术云计算
,尤其涉及一种基于长短期记忆网络的云数据中心负载预测方法。
技术介绍
云计算是基于互联网的相关服务的增加、使用和交付模式,通常涉及通过互联网来提供动态易扩展且经常是虚拟化的资源,可以通过网络向海量的,不同优先等级的用户提供按需的计算资源和计算结果。云数据中心中的资源通常采用一种按需付费使用的模式动态地向用户提供服务。按照美国国家标准技术研究院(NationalInstituteofStandardsandTechnology,NIST)的定义,这种模式提供可用的、便捷的、按需的网络访问,进入可配置的计算资源共享池(资源包括网络,服务器,存储,应用软件,服务),并且这些资源能够被快速提供。但这些资源往往再多也是不够的,因为信息社会对大规模数据计算的需求巨大,且仍有不断增长之势,经常会出现大规模任务请求“蜂拥而至”的情形。在这种情形下,云数据中心往往因未能将计算资源做最优分配导致计算速度减慢,工作效率低下,大批请求长期处于等待状态,能源空耗等异常情况。这不仅会导致计算服务盈利减少,投入产出比下降,还会损坏信誉和口碑。为保证云数据中心始终正常工作,高效且保质保量地全部计算任务,任务调度必不可少。有效调度的前提是能够提前估计出未来一段时间内各优先级的任务负载和单位任务平均资源申请量,对这两项指标的准确预测是正确调配计算资源,从而达到全局优化的有力保障。长短期记忆型网络(LongShort-TermMemory,LSTM),是时间递归神经网络(RNN)的一种特殊形式。不同于前馈网络,它不断将自身 ...
【技术保护点】
1.一种基于长短期记忆网络的云数据中心负载预测方法,其特征在于,该方法包括如
【技术特征摘要】
1.一种基于长短期记忆网络的云数据中心负载预测方法,其特征在于,该方法包括如下步骤:S1、用存储在文件中的数据制作历史时间序列和数据集;S2、构建长短期神经网络模型;S3、训练LSTM网络:迭代地向长短期神经网络模型中导入训练样本,计算损失函数,并以此为基础进行全局优化,不断提取训练样本的特征以及数值与时序的关系,直至迭代结束;S4、训练阶段结束后,向长短期神经网络模型;中导入测试样本,迭代输出未来数个时间步待预测指标的数值,形成预测值时间序列。2.如权利要求1所述的基于长短期记忆网络的云数据中心负载预测方法,其特征在于,步骤1中将数据集分为两部分:第一部分为“tensor子集”,以“X子集”代替:所述tensor为一时间序列,是训练或测试时输入LSTM网络的最小单元,长度均为num_step,构建方法是迭代地从矩阵中取出连续数据,转化成列表并填入:第二部分为“标签子集”,以“Y子集”代替,由每个tensor对应的标签构成,Y子集每个位置上的序列值是X子集对应位置序列值的后继值:3.如权利要求2所述的基于长短期记忆网络的云数据中心负载预测方法,其特征在于,步骤2具体为:步骤2.1、每一批样本输入LSTM网络,网络中每个单元在筛选和处理样本后都会产生两个数值并传入下一个单元:一个称作“细胞状态”,简称C,另一个是“单元输出”,简称h;LSTM网络有num_...
【专利技术属性】
技术研发人员:毕敬,许伯睿,乔俊飞,
申请(专利权)人:北京工业大学,
类型:发明
国别省市:北京,11
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。