一种支持不规则时间间隔的虚拟机工作负载预测方法技术

本发明专利技术公开了一种支持不规则时间间隔的虚拟机工作负载预测方法。对虚拟机工作负载历史数据进行预处理；构建支持不规则时间间隔数据处理的N‑LSTM模型，将预处理得到的数据输入到N‑LSTM模型中对N‑LSTM模型进行训练；得到训练好的N‑LSTM模型；对虚拟机工作负载待测数据进行预处理，将预处理得到的待测数据输入到已经训练好的N‑LSTM模型中，N‑LSTM模型输出虚拟机工作负载预测结果。本发明专利技术实现了准确使用历史数据中的时间间隔信息，设计了一个能将不规则的时间间隔与请求记录有效结合进行学习的深度学习模型，以得到最优的预测结果。

【技术实现步骤摘要】
一种支持不规则时间间隔的虚拟机工作负载预测方法
本公开涉及云计算负载预测领域，特别是涉及一种支持不规则时间间隔的虚拟机工作负载预测方法。
技术介绍
云计算通过虚拟化技术，使得应用程序可直接在虚拟机上运行，每台物理机上又可同时容纳多个虚拟机。应用程序能以独立的方式共享物理机上的资源，而在大多数情况下，虚拟机的负载几乎不影响共存的虚拟机的性能。虚拟化技术有效地增加了物理机的利用率。数据中心可以提供灵活的资源配置，以适应工作量需求。虚拟机工作负载预测问题是云计算服务中的一个重要问题。由于物理服务器的增加需要一定时间，在物理服务器使用率达到一定阈值时，能够提前预测需增加的物理服务器数量，从而为物理服务器的部署提供时间窗口，对于云服务提供商为用户提供具有高质量的服务具有重要意义。针对上述问题，需要利用用户申请虚拟机的历史数据，来对未来用户对虚拟机的请求做出预测。业界已经有一些对工作负载进行预测的模型和方法，目前的研究主要使用递归神经网络(RecurrentNeuralNetwork，简称RNN)，通过深度学习预测未来用户对虚拟机的请求。目前存在的问题是：现有模型可能存在梯度消失或不能处理不规则本文档来自技高网...

【技术保护点】
1.一种支持不规则时间间隔的虚拟机工作负载预测方法，其特征是，包括：对虚拟机工作负载历史数据进行预处理；构建支持不规则时间间隔数据处理的N‑LSTM模型，将预处理得到的数据输入到N‑LSTM模型中对N‑LSTM模型进行训练；得到训练好的N‑LSTM模型；对虚拟机工作负载待测数据进行预处理，将预处理得到的待测数据输入到已经训练好的N‑LSTM模型中，N‑LSTM模型输出虚拟机工作负载预测结果。

【技术特征摘要】
1.一种支持不规则时间间隔的虚拟机工作负载预测方法，其特征是，包括：对虚拟机工作负载历史数据进行预处理；构建支持不规则时间间隔数据处理的N-LSTM模型，将预处理得到的数据输入到N-LSTM模型中对N-LSTM模型进行训练；得到训练好的N-LSTM模型；对虚拟机工作负载待测数据进行预处理，将预处理得到的待测数据输入到已经训练好的N-LSTM模型中，N-LSTM模型输出虚拟机工作负载预测结果。2.如权利要求1所述的方法，其特征是，对虚拟机工作负载历史数据进行预处理的具体步骤为：虚拟机工作负载历史数据，包括若干条虚拟机工作负载数据，每一条虚拟机工作负载数据包括：虚拟机型号和虚拟机响应请求的时间；针对每个型号的虚拟机，计算每天该型号虚拟机的所有请求的平均时间间隔；得到关于每个型号虚拟机的连续T天内，每天的平均请求时间间隔序列；数据缺失值处理：取缺失值数据所在日期的前T-1天内的平均请求时间间隔的均值作为缺失数据的取值；数据异常值处理：计算前T-1天内平均请求时间间隔的均值，如果第T天的平均请求时间间隔的取值大于前T-1天内平均请求时间间隔的均值的两倍，则将第T天的平均请求时间间隔的取值视为异常值，将异常值替换为前T-1天内平均请求时间间隔的均值。3.如权利要求1所述的方法，其特征是，构建支持不规则时间间隔数据处理的N-LSTM模型，N-LSTM模型，包括：依次连接的组合层、LSTM层和预测层；所述组合层，包括若干个组合单元；所述LSTM层，包括若干个依次串联的LSTM单元；每个组合单元均与每个LSTM单元一一对应连接；每个组合单元都将自身的输出值送入对应的LSTM单元；依次串联的LSTM单元中，前一个LSTM单元的输出值作为下一个LSTM单元的输入值；最后一个LSTM单元的输出值送入预测层；预测层输出预测结果。4.如权利要求3所述的方法，其特征是，每个组合单元负责接收输入值，每个组合单元的输入值，包括：每个型号虚拟机连续T天内每天的平均请求时间间隔△t和每个型号虚拟机连续T天内每天的请求量X；每个组合单元负责将两个输入值合并后得到当前状态s；每个组合单元的输出值s送入对应的LSTM单元；每个LSTM单元接收对应组合单元的输出值s后，每个LSTM单元对组合单元的输出值s和前一个LSTM单元的隐藏状态进行处理；最后一个LSTM单元得到虚拟机工作负载历史数据的隐藏状态，将隐藏状态送入预测层，预测层输出预测结果。5.如权利要求4所述的方法，其特征是，每个型号虚拟机连续T天内每天的平均请求时间间隔△t：△t＝{△t1,△t2,…,△tT}；其中，△ti＝{△ti1,△ti2,…,△tiN}，△tin表示第i天第n种型号虚拟机的平均请求时间间隔。6.如权利要求4所述的方法，其特征是，每个型号虚拟机连续T天内每天的请求量X：X＝{x1,x2,…,xT}；其中，xi＝{xi1,xi2,…xiN}，xin表示第i天第n种型号虚拟机的请求量。7.如权利要求4所述的方法，其特征是，每个组合单元负责将两个输入值合并后得到当前状态s；s＝{s1,s2,…,sT}；通过两个权重矩阵Ws和Us将第i个单位时间的xi和△ti组合成一条信息：si＝[relu(Wsxi+bi)；sigmoid(Us△ti+bt)...

【专利技术属性】
技术研发人员：郭伟，宁雅頔，鹿旭东，葛伟，崔立真，
申请(专利权)人：山东大学，
类型：发明
国别省市：山东,37