【技术实现步骤摘要】
资源利用率的预测方法及装置
本申请涉及通信
，尤其是涉及一种资源利用率的预测方法及装置。
技术介绍
在云计算模式下，软件、硬件、平台等资源可以按需提供，以服务的方式提供给用户，用户可以通过互联网访问所租赁的资源。例如，将内存、I/O设备、存储和计算等资源整合成虚拟资源池，为用户提供虚拟资源池的各种资源。虚拟化技术是云计算的重要组成部分，通过在物理服务器部署虚拟机，将服务和应用部署在虚拟机，实现应用隔离、服务器整合、以及更好的资源复用。云计算和虚拟化技术的应用，在为用户提供更好服务的同时，也带来一些问题。例如，数据中心部署的服务器数量不断增加，但是，服务器的CPU(CentralProcessingUnit，中央处理器)资源利用率较低，无法合理利用CPU资源。为了实现计算资源的按需分配和虚拟机的合理化部署，需要提供准确的CPU资源预测方法，但是，传统方式并没有准确的CPU资源预测方法。
技术实现思路
本申请提供一种资源利用率的预测方法，所述方法包括：根据ARIMA模型对历史时间...
【技术保护点】
1.一种资源利用率的预测方法，其特征在于，所述方法包括：/n根据差分整合移动平均自回归ARIMA模型对历史时间序列进行处理，得到所述历史时间序列对应的拟合时间序列和初级预测值；其中，所述ARIMA模型是根据所述历史时间序列训练得到，所述历史时间序列包括按照时间顺序排序的多个历史资源利用率；/n根据所述历史时间序列和所述拟合时间序列获得残差序列；/n根据简单循环单元SRU模型对所述残差序列进行处理，得到所述残差序列对应的次级预测值；其中，所述SRU模型是根据所述残差序列训练得到；/n根据所述初级预测值和所述次级预测值确定资源利用率的目标预测值。/n
【技术特征摘要】
1.一种资源利用率的预测方法，其特征在于，所述方法包括：
根据差分整合移动平均自回归ARIMA模型对历史时间序列进行处理，得到所述历史时间序列对应的拟合时间序列和初级预测值；其中，所述ARIMA模型是根据所述历史时间序列训练得到，所述历史时间序列包括按照时间顺序排序的多个历史资源利用率；
根据所述历史时间序列和所述拟合时间序列获得残差序列；
根据简单循环单元SRU模型对所述残差序列进行处理，得到所述残差序列对应的次级预测值；其中，所述SRU模型是根据所述残差序列训练得到；
根据所述初级预测值和所述次级预测值确定资源利用率的目标预测值。
2.根据权利要求1所述的方法，其特征在于，
根据所述历史时间序列训练得到所述ARIMA模型的过程，包括：
根据所述历史时间序列确定ARIMA模型的差分次数、自回归项数和滑动平均项数，并根据所述差分次数、所述自回归项数和所述滑动平均项数建立所述ARIMA模型；其中，若所述历史时间序列是平稳序列，则所述差分次数为0；若所述历史时间序列不是平稳序列，则对所述历史时间序列进行d次差分运算，直至得到平稳序列，所述差分次数为d，所述d为正整数。
3.根据权利要求1所述的方法，其特征在于，
根据所述残差序列训练得到所述SRU模型的过程，包括：
根据所述残差序列确定SRU模型的目标网络参数值；
根据所述目标网络参数值建立所述SRU模型。
4.根据权利要求3所述的方法，其特征在于，
所述根据所述残差序列确定SRU模型的目标网络参数值，包括：
构建初始SRU模型，所述初始SRU模型的网络参数为初始网络参数值；
根据所述初始SRU模型对所述残差序列进行处理，得到预测序列；
根据所述预测序列与所述残差序列确定预测损失值；
若所述预测损失值不符合约束条件，则调整所述初始SRU模型的初始网络参数值，并将调整后的网络参数值作为所述初始SRU模型的初始网络参数值，返回执行根据所述初始SRU模型对所述残差序列进行处理的操作；
若所述预测损失值符合约束条件，将当前网络参数值作为目标网络参数值。
5.根据权利要求4所述的方法，其特征在于，
所述根据所述预测序列与所述残差序列确定预测损失值，包括：
针对预测序列中的每个训练预测值，从所述残差序列中确定与所述训练预测值对应的实际残差值；根据所述训练预测值和所述实际残差值确定所述训练预测值对应的误差值；根据每个训练预测值对应的误差值确定预测损失值。
6.一种资源利用率的预测装置，...
【专利技术属性】
技术研发人员：王振杰，
申请(专利权)人：新华三大数据技术有限公司，
类型：发明
国别省市：河南;41
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。