云计算中的资源预测与调度方法技术

一种云计算中的资源预测与调度方法，包括以下步骤：S10：根据资源需求历史数据对至少一个虚拟机进行下一时刻的资源需求预测；S20：根据资源需求预测值，对服务器上配置给所述虚拟机的资源进行动态调度。

【技术实现步骤摘要】
云计算中的资源预测与调度方法
本专利技术涉及计算机
，具体涉及一种云计算中的资源预测与调度方法。
技术介绍
IaaS模式云训练中，根据虚拟机节点资源需求为其合理分配资源，既保证了虚拟机的性能，又能提升资源利用效率。由于虚拟机实例的初始化需要一定准备时间，无法即时生效，因此仅仅依靠对虚拟机任务负载和资源性能的监控对虚拟机资源进行调度，难以保证虚拟机节点的性能。因此，有必要进行精确有效的资源需求预测，在此基础上再进行资源的调度，实现用户需求与资源之间的优化调度与匹配。
技术实现思路
鉴于上述技术问题，为了克服上述现有技术的不足，本专利技术提出了一种云计算中的资源预测与调度方法。本专利技术一方面提供一种云计算中的资源预测与调度方法，包括以下步骤：S10：根据资源需求历史数据对至少一个虚拟机进行下一时刻的资源需求预测；S20：根据资源需求的预测值，对服务器上配置给所述虚拟机的资源进行动态调度。在一些实施例中，步骤S10包括以下步骤：S101：采用数据预处理模型对所述虚拟机进行资源需求预测获得第1预测值；S102：采用深度学习网络模型对所述虚拟机进行资源需求预测获得第2预测值；S103：对各第1预测值和第2预测值进行权重处理后叠加，获得综合预测值。在一些实施例中，所述数据预处理模型的预测值为xt+1＝ωR(t，L)+(1-ω)xt，其中，xt+1为t+1时刻的预测值，L为滑窗长度，R(t，L)为[t-(L-1)，t]之间历史数据的移动平均值，ω为赋权系数，且ω＝2/(L+1)。在一些实施例中，所述深度学习网络模型包括多层BP神经网络，所述多层BP神经网络的传递函数为：其中β为调整系数，x为输入变量。在一些实施例中，第t时刻的综合预测值为其中，为第t时刻的第i预测值，i＝1或2，为第t时刻的第丁预测值对应的权重。在一些实施例中，与通过如下两式联立获得：其中，为第t-1时刻第j预测值的相对误差，j＝1或2，为中间变量。在一些实施例中，步骤S20包括以下步骤：S201：获取所述虚拟机当前资源配置Ri，S202：根据所述资源需求的预测值为所述虚拟机动态配置资源其中，表示资源需求预测值，a为资源调节量。在一些实施例中，Rmin为所述虚拟机能够正常运行所需的最小资源配置，Rmax为所述服务器中能为虚拟机提供的资源的最大值。附图说明图1为本专利技术一实施例提供的云计算中的资源预测与调度方法的流程图；图2为图1中步骤S10的具体步骤流程图；图3为图1中步骤S20的具体步骤流程图。具体实施方式本专利技术某些实施例于后方将参照所附附图做更全面性地描述，其中一些但并非全部的实施例将被示出。实际上，本专利技术的各种实施例可以许多不同形式实现，而不应被解释为限于此数所阐述的实施例；相对地，提供这些实施例使得本专利技术满足适用的法律要求。为使本专利技术的目的、技术方案和优点更加清楚明白，以下结合具体实施例，并参照附图，对本专利技术进一步详细说明。当前，由于虚拟机实例的初始化需要一定准备时间，无法即时生效，因此仅仅依靠对虚拟机任务负载和资源性能的监控对虚拟机资源进行调度，难以保证虚拟机节点的性能。本专利技术提供一种云计算中的资源预测与调度方法，基于数据预处理及深度学习网络等预测模型，对预测值进行综合，得到用户资源需求综合预测值。综合服务器端资源特点与用户端需求特点，依据预测值，实现用户需求与资源之间的优化调度与匹配。本专利技术一实施例提供一种云计算中的资源预测与调度方法，先对虚拟机进行精确有效的资源需求预测，在此基础上再进行资源的调度，实现用户需求与资源之间的优化调度与匹配。如图1所示，本公开提供的一种云计算中的资源预测与调度方法包括以下步骤：S10：根据资源需求历史数据对至少一个虚拟机进行下一时刻的资源需求预测；S20：根据资源需求的预测值，对服务器上配置给所述虚拟机的资源进行动态调度。本实施例中，虚拟机资源包括虚拟机的CPU、GPU、内存、网络带宽、存储等。根据资源需求历史数据，采用预测算法实现用户虚拟机资源需求的预测。通过资源监控系统实时监控用户虚拟机的资源利用情况，动态调整各用户虚拟机的资源配置，改善虚拟机的性能，提升资源利用率。通过采用反馈控制的方式，将调整参数反馈至监控中心，从而不断优化迭代上述模型，达到有效提升云训练服务质量的目的。如图2所示，前述步骤S10包括以下具体步骤：S101：采用数据预处理模型对所述虚拟机进行资源需求预测获得第1预测值；S102：采用深度学习网络模型对所述虚拟机进行资源需求预测获得第2预测值；S103：对各第1预测值和第2预测值进行权重处理后叠加，获得综合预测值。本实施例中，针对数据的变化性和不确定性，步骤S101中数据预处理模型可以选择单步迭代加权预处理方法。所述数据预处理模型的预测值xt+1(即第1预测值)是用户需求的历史数据序列x及滑窗长度L的因变量，滑窗长度L为历史数据序列长度，即包含L个历史数据，可表示为xt+1＝f(X，L)(1)具体表达式如下：xt+1＝ωR(t，L)+(1-ω)xt(2)其中，xt+1为t+1时刻的预测值，L为滑窗长度，R(t，L)为[t-(L-1)，t]之间历史数据的移动平均值，ω为加权系数，且ω＝2/(L+1)。监控系统实时监控用户配置的虚拟机资源。如果监控数据向上穿越移动平均值，则表明资源需求值将会产生一个上升趋势。如果监控数据向下穿越移动平均值，则表明资源需求值将会出现下降趋势。本实施例中，步骤S102中所述深度学习网络模型是以多层BP神经网络为基础，包含输入层、输出层和隐层。通常来说，神经网络的传递函数f(x)选取sigmoid函数：传递函数输出值f(x)∈(0，1)，其中靠近0或者1的区域称为饱和区，远离0和1的区域为非饱和区。在饱和区内，因变量对自变量的变化不敏感，导致权重无法进行有效地修正。如果当前输出值不够理想且处于饱和区，则网络输出值难以调整至最优值，从而影响到收敛速度和预测性能。为了提高预测性能，传递函数需要进行修正以优化网络输出值。修正方式通常主要通过两个方式进行改进。方式一是调整sigmoid函数饱和区控制参数，方式二是引入新函数组合的方式进行优化。具体地，方式一如下所示：在sigmoid函数中，指数部分为控制饱和区大小的关键，修改形式如下：将β值调整至0.2，即可降低饱和区区间，但是不能降低过多，否则会导致变化率过小，饱和区和非饱和区界限不够明显。方式二如下所示：若采用线性整流函数弥补该缺陷，线性整流函数表达式为：f(x)＝maX(0，x)(5)该函数在自变量大于0时可解决sigmoid函数饱和问题，但是在自变量小于0时因变量始终为0，也就是说该函数输出值全部为0或者正值，从而导致偏置性越来越大。本实施例采本文档来自技高网...

【技术保护点】
1.一种云计算中的资源预测与调度方法，其特征在于，包括以下步骤：/nS10：根据资源需求历史数据对至少一个虚拟机进行下一时刻的资源需求预测；/nS20：根据资源需求预测值，对服务器上配置给所述虚拟机的资源进行动态调度。/n

【技术特征摘要】
1.一种云计算中的资源预测与调度方法，其特征在于，包括以下步骤：
S10：根据资源需求历史数据对至少一个虚拟机进行下一时刻的资源需求预测；
S20：根据资源需求预测值，对服务器上配置给所述虚拟机的资源进行动态调度。


2.根据权利要求1所述的资源预测与调度方法，其特征在于，步骤S10包括以下步骤：
S101：采用数据预处理模型对所述虚拟机进行资源需求预测获得第1预测值；
S102：采用深度学习网络模型对所述虚拟机进行资源需求预测获得第2预测值；
S103：对各第1预测值和第2预测值进行权重处理后叠加，获得综合预测值。


3.根据权利要求2所述的资源预测与调度方法，其特征在于，所述数据预处理模型为xt+1＝ωR(t，L)+(1-ω)xt，其中，xt+1为t+1时刻的预测值，L为滑窗长度，R(t，L)为[t-(L-1)，t]之间历史数据的移动平均值，ω为赋权系数，且ω＝2/(L+1)。


4.根据权利要求2所述的资源预测与调度方法，其特征在于，所述深度学习网络模型包括多层BP神经网...

【专利技术属性】
技术研发人员：陈志佳，孟宪国，朱元昌，邸彦强，冯少冲，
申请(专利权)人：中国人民解放军陆军工程大学，
类型：发明
国别省市：江苏;32