云仿真内存资源预测模型构建方法与内存资源预测方法技术

本申请涉及一种云仿真内存资源预测模型构建方法、装置、计算机设备及存储介质，随机森林需要调整的超参数较少，预测效果较好且非常稳定，BP神经网络可以很好的表示非线性关系并且耐噪声，高斯过程回归可以通过概率预测来量化预测中的不确定性，因此，堆积上述三种模型得到的云仿真内存资源预测模型可以支持云仿真内存资源的准确预测。另外本申请还提供一种云仿真内存资源预测方法、装置、计算机设备及存储介质，其能够实现云仿真内存资源的准确预测。

【技术实现步骤摘要】
云仿真内存资源预测模型构建方法与内存资源预测方法
本申请涉及计算机
，特别是涉及一种云仿真内存资源预测模型构建方法、装置、计算机设备和存储介质以及内存资源预测方法、装置、计算机设备和存储介质。
技术介绍
大规模复杂系统包含大量的组件，组件之间存在着复杂交互，如作战对抗，经济模型以及疾病传播模型等。复杂系统仿真为研究复杂系统提供了一个有效的方法。随着复杂系统仿真应用规模越来越大，实体交互越来越复杂，对仿真性能提出了较高的需求。另一方面，仿真应用中实体与实体之间交互的不确定性导致了变化的资源需求，传统的高性能计算环境难以支持复杂系统仿真应用的高效运行。云计算的发展为复杂系统仿真应用的部署运行提供了新的解决方案。云计算的可扩展性与灵活性为复杂系统仿真应用提供了动态可扩展的资源，满足了仿真应用的弹性资源需求。在云环境中，复杂系统仿真应用包含的仿真实体都将会被分发到不同的组中，实体之间的交互产生了频繁的通信操作，这将导致大量的内存分配与回收操作。内存成为了限制复杂系统仿真应用性能的主要因素之一，处理器多达60％的时间花费在等待内存操作的完成本文档来自技高网...

【技术保护点】
1.一种云仿真内存资源预测模型构建方法，其特征在于，所述方法包括：/n获取云仿真应用内存数据的样本集，所述样本集包括训练集和验证集；/n获取预设基模型，由所述训练集训练所述预设基模型，得到已训练的基模型，所述预设基模型基于BP神经网络和随机森林构建；/n将所述验证集中输入数据输入至所述已训练的基模型，得到验证集预测结果；/n根据所述验证集预测结果生成新的训练样本，并根据所述训练样本对预设高斯过程回归模型进行训练，得到已训练的元模型；/n根据所述已训练的基模型以及所述已训练的元模型，构建云仿真内存资源预测模型。/n

【技术特征摘要】
1.一种云仿真内存资源预测模型构建方法，其特征在于，所述方法包括：
获取云仿真应用内存数据的样本集，所述样本集包括训练集和验证集；
获取预设基模型，由所述训练集训练所述预设基模型，得到已训练的基模型，所述预设基模型基于BP神经网络和随机森林构建；
将所述验证集中输入数据输入至所述已训练的基模型，得到验证集预测结果；
根据所述验证集预测结果生成新的训练样本，并根据所述训练样本对预设高斯过程回归模型进行训练，得到已训练的元模型；
根据所述已训练的基模型以及所述已训练的元模型，构建云仿真内存资源预测模型。


2.根据权利要求1所述的方法，其特征在于，所述获取预设基模型，由所述训练集训练所述预设基模型，得到已训练的基模型包括：
获取多个预设基模型，将所述训练集随机分为多个训练子集；
采用单个训练子集对单个所述预设基模型进行训练，得到多个初始已训练的基模型；
获取每个初始已训练的基模型的预测结果均方根误差；
基于每个初始已训练的基模型的预测结果均方根误差对多个初始已训练的基模型进行剪枝，得到已训练的基模型集合，所述已训练的基模型集合中包括多个已训练的基模型。


3.根据权利要求2所述的方法，其特征在于，所述基于每个初始已训练的基模型的预测结果均方根误差对多个初始已训练的基模型进行剪枝，得到已训练的基模型集合包括：
获取初始已训练的基模型的数量N；
将每个初始已训练的基模型按照对应的预测结果均方根误差排序，得到排序队列；
根据所述排序队列依次选择不同数量i的初始已训练的基模型，计算均方根误差，直至数量i达到数量N，所述N大于等于2；
选取均方根误差最小对应的基模型集合，得到已训练的基模型集合。


4.根据权利要求2所述的方法，其特征在于，所述将所述训练集随机分为多个训练子集包括：
采用bootstrap方法对所述训练集抽样，得到多个训练子集。


5.根据权利要求1所述的方法，其特征在于，所述获取云仿真应用内存数据的样本集包括：
...

【专利技术属性】
技术研发人员：朱峰，姚益平，王帅，唐文杰，陈凯，
申请(专利权)人：中国人民解放军国防科技大学，
类型：发明
国别省市：湖南;43