一种CPU使用率预测方法、系统、介质及设备技术方案

本发明专利技术涉及一种CPU使用率预测方法、系统、介质及设备。方法包括：获取CPU使用率的历史数据，对历史数据进行预处理；按照日期类型对历史数据进行划分，利用熵值法确定不同日期类型的历史数据的权重，权重及对应的历史数据获得重构时间序列；根据重构时间序列进行预测模型的搭建；对预测模型进行模型评估以及模型优化，确定最优预测模型；利用最优预测模型对CPU使用率进行预测，当预测值超出设定阈值时，发出预警信号。本发明专利技术实现了CPU使用率的实时监测和故障预警，且考虑了不同日期对CPU使用率的影响，对历史数据按照日期类型进行划分，并对应设置了权重，从而使预测结果更加准确。

A method, system, medium and equipment for CPU utilization prediction

【技术实现步骤摘要】
一种CPU使用率预测方法、系统、介质及设备
本专利技术涉及预测
，尤其涉及一种CPU使用率预测方法、系统、介质及设备。
技术介绍
随着计算机行业的高速发展，为保证服务器稳定运行需要对其CPU进行实时监测及故障预警。目前，现阶段CPU使用率预测一般采用的技术是对历史数据求均值，准确率及可靠度都不高，不能达到及时预警的效果。
技术实现思路
本专利技术所要解决的技术问题是针对现有技术存在的问题，提供一种CPU使用率预测方法、系统、介质及设备。为解决上述技术问题，本专利技术实施例提供一种CPU使用率预测方法，包括：获取CPU使用率的历史数据，对所述历史数据进行预处理；按照日期类型对所述历史数据进行划分，利用熵值法确定不同日期类型的历史数据的权重，根据所述权重及对应的历史数据获得重构时间序列；根据所述重构时间序列进行预测模型的搭建；对所述预测模型进行模型评估以及模型优化，确定最优预测模型；利用所述最优预测模型对CPU使用率进行预测，当预测值超出设定阈值时，发出预警信号。为解决上述技术问题，本专利技术实施例还提供一种CPU使用率预测系统，包括：数据预处理模块，用于获取CPU使用率的历史数据，对所述历史数据进行预处理；权重确定模块，用于按照日期类型对所述历史数据进行划分，利用熵值法确定不同日期类型的历史数据的权重，根据所述权重及对应的历史数据获得重构时间序列；模型建立模块，用于根据所述重构时间序列进行预测模型的搭建；模型优化模块，用于对所述预测模型进行模型评估以及模型优化，确定最优预测模型；数据预测及预警模块，用于利用所述最优预测模型对CPU使用率进行预测，预测值超出设定阈值，则发出预警信号。一种计算机可读存储介质，包括指令，当所述指令在计算机上运行时，使所述计算机执行上述技术方案所述的CPU使用率预测方法。一种计算机设备，包括存储器、处理器及存储在所述存储器上的并可在所述处理器上运行的计算机程序，所述处理器执行所述程序时实现上述技术方案所述的CPU使用率预测方法。本专利技术的有益效果是：本专利技术通过获取CPU使用率的历史数据，并按照日期类型进行分类，确定不同日期类型的权重，进而获取重构时间序列，根据考虑不同日期权重的历史数据进行建模，对所建立的模型进行评估及优化，利用最优模型进行数据预测，当预测结果超出阈值时，发出预警信号。本专利技术实现了CPU使用率的实时监测和故障预警，且考虑了不同日期(如工作日、周末和节假日)对CPU使用率的影响，对历史数据按照日期类型进行划分，并对应设置了权重，从而使预测结果更加准确。本专利技术附加的方面及其的优点将在下面的描述中部分给出，部分将从下面的描述中变得明显，或通过本专利技术实践了解到。附图说明图1为本专利技术实施例提供的CPU使用率预测方法的示意性流程图；图2为本专利技术实施例提供的模型建立过程中白噪声检验和平稳性检验的示意性流程图；图3为本专利技术实施例提供的模型评估及优化过程示意性流程图；图4为本专利技术实施例提供的CPU使用率预测系统的示意性结构框图。具体实施方式以下结合附图对本专利技术的原理和特征进行描述，所举实例只用于解释本专利技术，并非用于限定本专利技术的范围。图1为本专利技术实施例提供的CPU使用率预测方法的示意性流程图。如图1所示，该方法包括：110、获取CPU使用率的历史数据，对所述历史数据进行预处理；具体地，可以Python中的Pandas将数据导入；将历史数据按照时间顺序进行存储。对历史数据中存在的异常或者缺失状态进行处理。120、按照日期类型对所述历史数据进行划分，利用熵值法确定不同日期类型的历史数据的权重，根据所述权重及对应的历史数据获得重构时间序列；130、根据所述重构时间序列进行预测模型的搭建；140、对所述预测模型进行模型评估以及模型优化，确定最优预测模型；150、利用所述最优预测模型对CPU使用率进行预测，当预测值超出设定阈值时，发出预警信号。具体地，设定阈值可以根据相应日期类型历史数据的均值确定。上述实施例中，通过获取CPU使用率的历史数据，并按照日期类型进行分类，确定不同日期类型的权重，进而获取重构时间序列，根据考虑不同日期权重的历史数据进行建模，对所建立的模型进行评估及优化，利用最优模型进行数据预测，当预测结果超出阈值时，发出预警信号。本专利技术实现了CPU使用率的实时监测和故障预警，且考虑了不同日期(如工作日、周末和节假日)对CPU使用率的影响，对历史数据按照日期类型进行划分，并对应设置了权重，从而使预测结果更加准确。可选地，在一个实施例中，所述对所述历史数据进行预处理，包括：对所述历史数据进行异常值剔除、缺失值填充以及数据清洗。可选地，所述日期类型包括工作日、周末和节假日。将日期时间采用时间戳的方式区分周几和节假日，方便后续对工作日、周末及节假日的处理。可选地，所述按照日期类型对所述历史数据进行划分，利用熵值法确定不同日期类型的历史数据的权重，根据所述权重及对应的历史数据获得重构时间序列，包括：按照日期类型对所述历史数据进行划分，形成多属性决策矩阵；利用贡献度公式分别计算不同类型日期的贡献度，根据所述贡献度利用权重公式计算不同类型日期的权重；将所述不同类型日期的权重分别乘以对应的历史数据，形成重构时间序列。也就是说，将历史数据分为节假日、工作日和周末，形成多属性决策矩阵，再利用如下公式分别求出对节假日、工作日和周末的贡献度Ej；(其中，xij为当前日期类型j下CPU的使用率，j＝节假日、工作日或周末，i＝1,2...m,m为当前日期类型j下CPU的使用率数据的个数，K＝1/ln(m))；利用如下公式分别求出对节假日、工作日和周末的权重vj；其中，日期类型分为节假日、工作日或周末，因此n取值为3。再将历史数据分别乘上其权重作为模型的输入。可选地，所述历史数据包括24个整点时刻的历史数据；所述根据所述重构时间序列进行预测模型的搭建，包括：针对每个整点时刻分别建立一个ARMA模型或ARIMA模型作为对应整点时刻的预测模型。要预测未来一天24小时CPU使用率，需要分别提取0点、1点…23点的CPU使用率的历史数据，即24个时间序列。对24小时的历史数据进行分类，分别形成0时刻、1时刻…23时刻共24个时间序列。对这24个时间序列进行预处理，包括：对所述历史数据进行异常值剔除、缺失值填充以及数据清洗。其中，异常值的处理采用箱线图的方式；针对某一时刻的缺失数据，处理方式可分为3种情况：(1)若当前时刻的前一刻和后一刻的数据不缺失，则用前一刻和后一刻的均值进行填充；(2)若当前时刻的前一刻也缺失，则用其相邻的后一刻的数据进行填充；(3)若当前时刻的后一刻也缺失，则用其相邻的前一刻的数据进行填充。历史数据预处理完后，针对每个整点时刻分别建立一个ARMA模型或ARIMA模型作为对应整点时刻的预测模型。将2本文档来自技高网...

【技术保护点】
1.一种CPU使用率预测方法，其特征在于，包括：/n获取CPU使用率的历史数据，对所述历史数据进行预处理；/n按照日期类型对所述历史数据进行划分，利用熵值法确定不同日期类型的历史数据的权重，根据所述权重及对应的历史数据获得重构时间序列；/n根据所述重构时间序列进行预测模型的搭建；/n对所述预测模型进行模型评估以及模型优化，确定最优预测模型；/n利用所述最优预测模型对CPU使用率进行预测，当预测值超出设定阈值时，发出预警信号。/n

【技术特征摘要】
1.一种CPU使用率预测方法，其特征在于，包括：
获取CPU使用率的历史数据，对所述历史数据进行预处理；
按照日期类型对所述历史数据进行划分，利用熵值法确定不同日期类型的历史数据的权重，根据所述权重及对应的历史数据获得重构时间序列；
根据所述重构时间序列进行预测模型的搭建；
对所述预测模型进行模型评估以及模型优化，确定最优预测模型；
利用所述最优预测模型对CPU使用率进行预测，当预测值超出设定阈值时，发出预警信号。


2.根据权利要求1所述的方法，其特征在于，所述对所述历史数据进行预处理，包括：对所述历史数据进行异常值剔除、缺失值填充以及数据清洗。


3.根据权利要求1所述的方法，其特征在于，所述日期类型包括工作日、周末和节假日；
所述按照日期类型对所述历史数据进行划分，利用熵值法确定不同日期类型的历史数据的权重，根据所述权重及对应的历史数据获得重构时间序列，包括：
按照日期类型对所述历史数据进行划分，形成多属性决策矩阵；
利用贡献度公式分别计算不同类型日期的贡献度，根据所述贡献度利用权重公式计算不同类型日期的权重；
将所述不同类型日期的权重分别乘以对应的历史数据，形成重构时间序列。


4.根据权利要求1至3任一项所述的方法，其特征在于，所述获取CPU使用率的历史数据，包括：获取24个整点时刻的历史数据；
所述根据所述重构时间序列进行预测模型的搭建，包括：针对每个整点时刻分别建立一个ARMA模型或ARIMA模型作为对应整点时刻的预测模型。


5.根据权利要求1至3任一项所述的方法，其特征在于，所述对所述预测模型进行模型评估以及模型优化，确定最优预测模型，包括：
利用预测模型的预测值和真实值的差值确定残...

【专利技术属性】
技术研发人员：胡玲玲，
申请(专利权)人：北京思特奇信息技术股份有限公司，
类型：发明
国别省市：北京;11