计算机性能数据确定方法、装置、计算机设备及存储介质制造方法及图纸

本发明专利技术涉及区块链技术，提供一种计算机性能数据确定方法及相关设备，所述方法获取计算机的多个历史性能数据序列；使用多个历史性能数据序列对长短期记忆网络进行预训练；对多个历史性能数据序列进行分类，得到N个序列类型和与所述N个序列类型一一对应的N个历史性能数据序列子集；用每个历史性能数据序列子集训练一个由预训练后的长短期记忆网络和位于预训练后的长短期记忆网络后的全连接层构成的性能预判模型，得到与N个序列类型一一对应的N个训练后的性能预判模型；通过与计算机的待预判性能数据序列的序列类型对应的训练后的性能预判模型，预判计算机的性能数据。此外，本申请还涉及区块链技术，所述性能数据可存储于区块链中。

【技术实现步骤摘要】
计算机性能数据确定方法、装置、计算机设备及存储介质
本专利技术涉及区块链技术，具体涉及一种计算机性能数据确定方法、装置、计算机设备及计算机可读存储介质。
技术介绍
在云计算平台服务厂商，性能(如容量)预测是一个重要的AIOPS(基于人工智能的IT运营)应用场景。现有的性能预测方法对云计算平台服务厂商进行性能预测的精准度不高，对长期的性能预测效果不好。当存在大规模性能指标需要进行预测时，如果对每个性能指标使用一个模型进行预测，同时不同的性能指标需要调节模型的参数大不想同，导致需要的人力投入成本巨大。另一方面，当某一个性能指标的训练数据较少时，对性能指标的预测可能出现过拟合。
技术实现思路
鉴于以上内容，有必要提出一种计算机性能数据确定方法、装置、计算机设备及计算机可读存储介质，其可以根据计算机的历史性能数据预判计算机性能。本申请的第一方面提供一种计算机性能数据确定方法，所述方法包括：获取计算机的多个历史性能数据序列；使用所述多个历史性能数据序列对长短期记忆网络进行预训练，得到预训练后的长短期记忆网络；对所述多个历史性能数据序列进行分类，得到N个序列类型和与所述N个序列类型一一对应的N个历史性能数据序列子集；用每个历史性能数据序列子集训练一个由所述预训练后的长短期记忆网络和位于所述预训练后的长短期记忆网络后的全连接层构成的性能预判模型，得到与所述N个序列类型一一对应的N个训练后的性能预判模型；通过与所述计算机的待预判性能数据序列的序列类型对应的训练后的性能预判模型，预判所述计算机的性能数据。本申请的第二方面提供一种计算机性能数据确定装置，所述装置包括：获取模块，用于获取计算机的多个历史性能数据序列；第一训练模块，用于使用所述多个历史性能数据序列对长短期记忆网络进行预训练，得到预训练后的长短期记忆网络；分类模块，用于对所述多个历史性能数据序列进行分类，得到N个序列类型和与所述N个序列类型一一对应的N个历史性能数据序列子集；第二训练模块，用于用每个历史性能数据序列子集训练一个由所述预训练后的长短期记忆网络和位于所述预训练后的长短期记忆网络后的全连接层构成的性能预判模型，得到与所述N个序列类型一一对应的N个训练后的性能预判模型；预判模块，用于通过与所述计算机的待预判性能数据序列的序列类型对应的训练后的性能预判模型，预判所述计算机的性能数据。本申请的第三方面提供一种计算机设备，所述计算机设备包括处理器，所述处理器用于执行存储器中存储的计算机程序时实现所述计算机性能数据确定方法。本申请的第四方面提供一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现所述计算机性能数据确定方法。本专利技术获取计算机的多个历史性能数据序列；使用所述多个历史性能数据序列对长短期记忆网络进行预训练，得到预训练后的长短期记忆网络；对所述多个历史性能数据序列进行分类，得到N个序列类型和与所述N个序列类型一一对应的N个历史性能数据序列子集；用每个历史性能数据序列子集训练一个由所述预训练后的长短期记忆网络和位于所述预训练后的长短期记忆网络后的全连接层构成的性能预判模型，得到与所述N个序列类型一一对应的N个训练后的性能预判模型；通过与所述计算机的待预判性能数据序列的序列类型对应的训练后的性能预判模型，预判所述计算机的性能数据。本专利技术实现了根据计算机的历史性能数据预判计算机性能。附图说明图1是本专利技术实施例提供的计算机性能数据确定方法的流程图。图2是本专利技术实施例提供的计算机性能数据确定装置的结构图。图3是本专利技术实施例提供的计算机设备的示意图。具体实施方式为了能够更清楚地理解本专利技术的上述目的、特征和优点，下面结合附图和具体实施例对本专利技术进行详细描述。需要说明的是，在不冲突的情况下，本申请的实施例及实施例中的特征可以相互组合。在下面的描述中阐述了很多具体细节以便于充分理解本专利技术，所描述的实施例仅仅是本专利技术一部分实施例，而不是全部的实施例。基于本专利技术中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本专利技术保护的范围。除非另有定义，本文所使用的所有的技术和科学术语与属于本专利技术的
的技术人员通常理解的含义相同。本文中在本专利技术的说明书中所使用的术语只是为了描述具体的实施例的目的，不是旨在于限制本专利技术。优选地，本专利技术的计算机性能数据确定方法应用在一个或者多个计算机设备中。所述计算机设备是一种能够按照事先设定或存储的指令，自动进行数值计算和/或信息处理的设备，其硬件包括但不限于微处理器、专用集成电路(ApplicationSpecificIntegratedCircuit，ASIC)、可编程门阵列(Field－ProgrammableGateArray，FPGA)、数字处理器(DigitalSignalProcessor，DSP)、嵌入式设备等。所述计算机设备可以是桌上型计算机、笔记本、掌上电脑及云端服务器等计算设备。所述计算机设备可以与用户通过键盘、鼠标、遥控器、触摸板或声控设备等方式进行人机交互。实施例一图1是本专利技术实施例一提供的计算机性能数据确定方法的流程图。所述计算机性能数据确定方法应用于计算机设备，用于根据计算机的历史性能数据预判计算机性能数据，计算机性能数据可以包括计算机CPU数据、计算机GPU数据、计算机内存数据或计算机存储数据。如图1所示，所述计算机性能数据确定方法包括：101，获取计算机的多个历史性能数据序列。在一具体实施例中，所述获取计算机的多个历史性能数据序列包括：获取多个计算机的历史性能数据主序列，历史性能数据主序列中的每个元素为计算机性能的状态向量；以预设长度h为滑窗长度，以1为步长，从每个历史性能数据主序列中截取多个历史性能数据序列。可以将每个历史性能数据序列所在的历史性能数据主序列中该历史性能数据序列的下一元素标注为该历史性能数据序列的标签。例如，一个计算机的历史性能数据主序列为{X1,X2,…,Xi,…,Xn}，其中，Xi为时间点i的CPU的状态向量；以预设长度h为滑窗长度、以1为步长从每个历史性能数据主序列中截取多个历史性能数据序列为{X1,X2,…Xh}、{X2,X3,…Xh+1}、{X3,X4,…Xh+2}等；历史性能数据序列{X1,X2,…Xh}、{X2,X3,…Xh+1}、{X3,X4,…Xh+2}的标签分别为Xh+1、Xh+2、Xh+3。每个历史性能数据序列都是一个时间序列。102，使用所述多个历史性能数据序列对长短期记忆网络进行预训练，得到预训练后的长短期记忆网络。具体地，可以初始化所述长短期记忆网络中的参数，将每个历史性能数据序列输入所述长短期记忆网络，计算所述长短期记忆网络根据输入值计算出的输出值与该历史性能数据序列的标签的距离，根据距离优化所述长短期记忆网络中的参数。在另本文档来自技高网...

【技术保护点】
1.一种计算机性能数据确定方法，其特征在于，所述方法包括：/n获取计算机的多个历史性能数据序列；/n使用所述多个历史性能数据序列对长短期记忆网络进行预训练，得到预训练后的长短期记忆网络；/n对所述多个历史性能数据序列进行分类，得到N个序列类型和与所述N个序列类型一一对应的N个历史性能数据序列子集；/n用每个历史性能数据序列子集训练一个由所述预训练后的长短期记忆网络和位于所述预训练后的长短期记忆网络后的全连接层构成的性能预判模型，得到与所述N个序列类型一一对应的N个训练后的性能预判模型；/n通过与所述计算机的待预判性能数据序列的序列类型对应的训练后的性能预判模型，预判所述计算机的性能数据。/n

【技术特征摘要】
1.一种计算机性能数据确定方法，其特征在于，所述方法包括：
获取计算机的多个历史性能数据序列；
使用所述多个历史性能数据序列对长短期记忆网络进行预训练，得到预训练后的长短期记忆网络；
对所述多个历史性能数据序列进行分类，得到N个序列类型和与所述N个序列类型一一对应的N个历史性能数据序列子集；
用每个历史性能数据序列子集训练一个由所述预训练后的长短期记忆网络和位于所述预训练后的长短期记忆网络后的全连接层构成的性能预判模型，得到与所述N个序列类型一一对应的N个训练后的性能预判模型；
通过与所述计算机的待预判性能数据序列的序列类型对应的训练后的性能预判模型，预判所述计算机的性能数据。


2.如权利要求1所述的方法，其特征在于，所述获取计算机的多个历史性能数据序列包括：
获取多个计算机的历史性能数据主序列，历史性能数据主序列中的每个元素为计算机性能的状态向量；
以预设长度h为滑窗长度，以1为步长，从每个历史性能数据主序列中截取多个历史性能数据序列。


3.如权利要求1所述的方法，其特征在于，所述对所述多个历史性能数据序列进行分类包括：
对所述多个历史性能数据序列进行聚类，根据接收的修改指令对聚类结果进行修改；或
用训练好的预设卷积神经网络模型对所述多个历史性能数据序列进行分类。


4.如权利要求1所述的方法，其特征在于，所述用每个历史性能数据序列子集训练一个由所述预训练后的长短期记忆网络和位于所述预训练后的长短期记忆网络后的全连接层构成的性能预判模型包括：
判断该历史性能数据序列的数量是否大于预设阈值；
若该历史性能数据序列的数量大于预设阈值，根据损失函数用该历史性能数据序列子集优化该历史性能数据序列子集对应的性能预判模型的参数；
若该历史性能数据序列的数量不大于预设阈值，根据损失函数用该历史性能数据序列子集优化该历史性能数据序列子集对应的性能预判模型的全连接层的参数。


5.如权利要求1所述的方法，其特征在于，在所述通过与所述计算机的待预判性能数据序列的序列类型对应的训练后的性能预判模型，预判所述计算机的性能数据之前，...

【专利技术属性】
技术研发人员：徐锐杰，
申请(专利权)人：平安科技深圳有限公司，
类型：发明
国别省市：广东;44