一种虚拟机能耗预测方法技术

本发明专利技术公开了一种虚拟机能耗预测方法。使用本发明专利技术能够实现虚拟机能耗预测。本发明专利技术中，通过在现有增量型极限学习机模型中加入加速项将网络训练误差与压缩因子反馈到隐含层的输出中使预测结果更逼近输出样本，能够减少增量型极限学习机的冗余隐含层节点数量，从而加快增量型极限学习机的网络收敛速度；通过引入压缩因子与进化解，即在训练过程中通过随机产生的输出权值并结合网络训练误差、压缩因子、输入样本，计算出更优的隐含层节点参数，包括输入权值、阈值、输出权值、网络训练误差，能够优化网络结构，提高网络训练过程的稳定性，从而有效降低网络训练误差。

【技术实现步骤摘要】
一种虚拟机能耗预测方法
本专利技术涉及云计算
，具体涉及一种虚拟机能耗预测方法。
技术介绍
随着互联网与云计算的飞速发展，许多云数据中心采用云计算的服务方式对外提供云服务，即为云服务提供商。当前对外提供云服务的云数据中心每天都消耗着大量的能源，能源消耗成本已成为云服务提供商不可忽视的问题。因此，如何节约能源和降低能耗已经成为云服务提供商亟待解决的关键问题。在基础架构即服务(IaaS)的云服务模式下，准确地预测虚拟机(VM)的能耗，对不同物理机(PM)之间进行虚拟机调度的调度策略和迁移合并策略的制定具有重要意义，同时可以降低能源消耗，有益于环境保护；而且有利于制定合理的定价策略，进一步吸引用户。设计预测模型与学习算法是虚拟机能耗预测研究的关键问题。现有技术中采用基于传统的增量型极限学习机的预测模型存在许多降低虚拟机能耗预测准确性和效率的冗余节点，随机产生隐含层节点参数影响增量型极限学习机的稳定性，导致网络训练误差较大，因此设计高效的预测模型对虚拟机能耗预测具有十分重要的意义。
技术实现思路
有鉴于此，本专利技术提供了一种虚拟机能耗预测方法，通过在增量型极限学习机模型和训练过程中引入加速项和进化解，构建基于加速项与进化解的增量型极限学习机模型，实现对虚拟机能耗的精确预测，能够有效提高预测精度和效率。本专利技术的一种虚拟机能耗预测方法，采用基于加速项与进化解的增量型极限学习机实现虚拟机能耗预测，具体包括如下步骤：步骤一、采用虚拟机能耗的历史数据构建训练样本集，样本的输出为选定时间点的虚拟机能耗值，输入为所述选定时间点前的多个时间点的虚拟机运行参数；步骤二、构建引入了加速项与进化解的增量型极限学习机模型为式(1)，并利用训练样本集进行训练；式中，i表示为隐含层中的第i个节点，Lf表示经过训练后所确定的隐含层节点数；表示为第i个隐含层节点的输出矩阵；αi-1ei-1为针对第i个隐含层节点加入的所述加速项，其中，ei-1为在训练中由于增加了第i-1个隐含层节点而引入的网络训练误差，其表达了当学习机中仅有第1～第i-1个隐含层节点时，学习机产生的输出与样本给定的理想输出之间的差值；αi-1为第i个隐含层节点确定的压缩因子，是由网络训练误差迭代计算得到；是为第i个隐含层节点确定的输出权值的进化值，是隐含层节点输出权值的随机给定值与隐含层节点输出权值改进值的线性组合，其中隐含层节点输出权值的改进值是由训练中获得的隐含层节点输入权值和隐含层节点阈值迭代计算得到，隐含层节点输入权值和隐含层节点阈值是由训练中隐含层节点的网络训练误差和输入样本迭代计算得到；所述隐含层节点的输入权值、阈值共同构成了所述进化解；步骤三、将当前时间点前的多个时间点的虚拟机运行参数输入到步骤二训练好的增量型极限学习机中，预测当前时间点的虚拟机能耗值。进一步地，所述基于加速项与进化解的增量型极限学习机的训练过程包括如下步骤，每输入一个训练样本就执行一遍：定义当前样本的输入向量为x，输出为y；步骤1、极限学习机网络初始化阶段，令隐含层节点数L的初始值为0，最大值为Lmax，网络训练误差eL＝e0＝y，误差期望值为ε；步骤2、在隐含层增加一个节点，令L自加1，同时将L赋予新增加的隐含层节点作为其节点编号，随机产生该新增隐含层节点的输出权值βL和相关参数vL、zL，且满足0<vL<zL<1,vL+zL＝1；步骤3、根据式(2)计算新增隐含层节点的输出反馈矩阵：HL＝eL-1(βL)-1(2)式中，eL-1是增加前一个隐含节点的训练过程中所确定的，其表示当隐含层节点数为L-1时的网络训练误差；步骤4、根据式(3)计算新增隐含层节点的输入权值：式中，为x的Moore-Penrose广义逆；步骤5、根据式(4)计算新增隐含层节点的阈值：bL＝rmse(HL-aL·x)(4)式中，rmse为均方根误差函数；步骤6、根据式(5)计算新增隐含层节点的输出矩阵：式中，u()可以采用神经网络中通用的激励函数，如sine()、sig()；步骤7、根据式(6)计算新增隐含层节点的压缩因子：步骤8、根据式(7)计算新增隐含层节点的输出权值的改进值：步骤9、根据式(8)计算新增隐含层节点的输出权值的进化值：步骤10、根据式(9)计算在增加了第L个新增隐含层节点后的网络训练误差值：式中，αL-1eL-1为加速项；步骤11、判断是否满足L≥Lmax或||eL||≤ε，如果是，则完成训练，结束本流程，否则，返回步骤2。进一步地，所述时间点的单位为天，所述时间点的单位为天，所述时间点的虚拟机运行参数为当天0时到24时的虚拟机运行参数的平均值。进一步地，所述虚拟机运行参数包括：CPU利用率、内存利用率、单位时间内的执行指令数和单位时间内丢失的cache数。有益效果：本专利技术能够克服现有方法中存在许多降低准确性和学习效率的冗余隐含层节点，随机产生隐含层节点参数影响增量型极限学习机的稳定性的缺点，在一定程度上能够满足虚拟机能耗预测的需要，同时为更准确地进行虚拟机能耗预测提供了新思路和新途径，具体来说包括以下几点：1、通过在现有增量型极限学习机模型中加入加速项，将网络训练误差与压缩因子反馈到隐含层的输出中使预测结果更逼近输出样本，能够减少增量型极限学习机的冗余隐含层节点数量，从而加快增量型极限学习机的网络收敛速度。2、通过在现有增量型极限学习机模型的训练过程中引入压缩因子与进化解，即在训练过程中通过随机产生的输出权值并结合网络训练误差、压缩因子、输入样本，计算出更优的隐含层节点参数，包括输入权值、阈值、输出权值、网络训练误差，能够优化网络结构，提高网络训练过程的稳定性，从而有效降低网络训练误差。附图说明图1为基于加速项与进化解的增量型极限学习机算法流程。具体实施方式下面结合附图并举实施例，对本专利技术进行详细描述。本专利技术提供了一种虚拟机能耗预测方法，其基本思想是：采用虚拟机能耗的历史数据输入增量型极限学习机预测得到当前虚拟机能耗。同时，对增量型极限学习机进行改进，一是在增量型极限学习机模型中增加了加速项，该加速项表达了压缩因子和网络训练误差对预测结果的影响，能够加快增量型极限学习机的收敛速度，提高增量型极限学习机的泛化性能；二是对现有增量型极限学习机在进行训练的过程中所采用的随机参数进行优化，引入输出反馈矩阵和压缩因子，直接根据输入样本和网络训练误差计算获取隐含层节点参数的进化解，包括输入权值、阈值、输出权值的进化值、网络训练误差，使网络输出结果逐渐逼近训练样本的标准输出，从而提高了增量型极限学习机的稳定性。本专利技术的预测方法包括基于加速项和进化解的增量型极限学习机的构建、训练和预测，如图1所示，具体步骤如下：步骤一：采集虚拟机的历史运行参数和能耗数据形成训练样本。采用虚拟机的历史运行参数和能耗数据构建训练样本集，样本的输入为虚拟机的运行参数包括：CPU利用率、内存利用率、单位时间内的执行指令数和单位时间内丢失的cache数，输出为虚拟机能耗值。采集预测时间点前M天的虚拟机的历史运行参数和能耗数据(本实施例中“时间点”的单位为“天”)，记录每天从0时到24时虚拟机的运行参数和能耗值，并计算出该时间点的虚拟机的运行参数和能耗值的平均值作为该时间点的数据，一共记录本文档来自技高网...

【技术保护点】
1.一种虚拟机能耗预测方法，其特征在于，采用基于加速项与进化解的增量型极限学习机实现虚拟机能耗预测，具体包括如下步骤：步骤一、采用虚拟机能耗的历史数据构建训练样本集，样本的输出为选定时间点的虚拟机能耗值，输入为所述选定时间点前的多个时间点的虚拟机运行参数；步骤二、构建引入了加速项与进化解的增量型极限学习机模型为式(1)，并利用训练样本集进行训练；

【技术特征摘要】
1.一种虚拟机能耗预测方法，其特征在于，采用基于加速项与进化解的增量型极限学习机实现虚拟机能耗预测，具体包括如下步骤：步骤一、采用虚拟机能耗的历史数据构建训练样本集，样本的输出为选定时间点的虚拟机能耗值，输入为所述选定时间点前的多个时间点的虚拟机运行参数；步骤二、构建引入了加速项与进化解的增量型极限学习机模型为式(1)，并利用训练样本集进行训练；式中，i表示为隐含层中的第i个节点，Lf表示经过训练后所确定的隐含层节点数；表示为第i个隐含层节点的输出矩阵；αi-1ei-1为针对第i个隐含层节点加入的所述加速项，其中，ei-1为在训练中由于增加了第i-1个隐含层节点而引入的网络训练误差，其表达了当学习机中仅有第1～第i-1个隐含层节点时，学习机产生的输出与样本给定的理想输出之间的差值；αi-1是为第i个隐含层节点确定的压缩因子，是由网络训练误差ei-1计算得到；是为第i个隐含层节点确定的输出权值的进化值，是隐含层节点输出权值的随机给定值与隐含层节点输出权值改进值的线性组合，其中隐含层节点输出权值的改进值是由训练中获得的隐含层节点输入权值和隐含层节点阈值迭代计算得到，隐含层节点输入权值和隐含层节点阈值是由训练中隐含层节点的网络训练误差和输入样本迭代计算得到；所述隐含层节点的输入权值、阈值共同构成了所述进化解；步骤三、将当前时间点前的多个时间点的虚拟机运行参数输入到步骤二训练好的增量型极限学习机中，预测当前时间点的虚拟机能耗值。2.根据权利要求1所述的方法，其特征在于，所述基于加速项与进化解的增量型极限学习机的训练过程包括如下步骤，每输入一个训练样本就执行一遍：定义当前样本的输入向量为x，输出为y；步骤1、极限学习机网络初始化阶段，令隐含层节点数L的初始值为0...

【专利技术属性】
技术研发人员：邹伟东，夏元清，李慧芳，张金会，翟弟华，戴荔，刘坤，
申请(专利权)人：北京理工大学，
类型：发明
国别省市：北京,11