【技术实现步骤摘要】
基于LSTM-ACO模型预测云服务器资源性能的方法
本专利技术属于时间序列预测
,具体涉及一种基于长短期记忆(LongShort-TermMemory,LSTM)循环神经网络与蚁群算法(AntColonyOptimization,ACO)的模型预测云服务器资源性能的方法。
技术介绍
随着现代计算机技术和云计算的发展,云服务器使用越来越普遍。云服务器具有长期运行、高复杂性和资源交换频繁的特点,这增加了资源耗尽和软件系统出现异常和故障的风险。随着故障和资源消耗的累积,云服务器系统会出现缓慢的性能下降,故障率增加甚至崩溃。这种现象称为“软件老化”。软件老化的主要原因包括操作系统资源的消耗、数据的破坏以及误差的积累。这些现象都是随时间的推移逐渐积累,会使软件的性能恶化并可能导致软件系统的突然崩溃或停机。在重要的系统,如军事国防、电信系统、金融系统、证券系统、商业系统等应用中,随着系统复杂性的提高,系统错误因素越来越集中在软件系统中,而其中越来越值得关注的问题就是软件老化。一旦系统的软件发生故障,就会影响整个业务系统的正常运行,给企业事业单位带来无可估量的经济损失。常用的应对软件老化的方法是“软件再生”技术。该技术通过清理故障,在全局故障或部分故障发生之前主动恢复系统。软件再生技术很大程度上取决于软件再生的时间。停机时间或者由此类操作引起的开销是不可忽略的,频繁的软件再生可能会对系统可用性造成负面影响。而理想的软件再生策略是在系统接近故障前进行恢复。因此对软件老化趋势的准确预测,计算老化阈值,可以 ...
【技术保护点】
1.基于LSTM-ACO模型预测云服务器资源性能的方法,其特征在于,包括以下步骤:/n步骤1,收集云服务器的资源和性能数据;/n步骤2,获取云服务器资源和性能序列数据,所述资源和性能序列数据包括:CPU空闲率、可用内存、平均负载和响应时间;/n步骤3,对步骤2获取得的序列数据进行预处理操作;/n步骤4,使用步骤3得到的数据构建LSTM模型,并利用该模型获得LSTM模型对步骤3所得数据的预测值;/n步骤5,利用蚁群算法对步骤4得到的LSTM模型来进行参数优化,构建LSTM-ACO模型;/n步骤6,使用步骤5得到的LSTM-ACO模型预测步骤3得到的数据并与步骤4得到的数据对比;/n步骤7,利用LSTM-ACO模型的预测值和现有的序列数据对未来数据进行预测。/n
【技术特征摘要】
1.基于LSTM-ACO模型预测云服务器资源性能的方法,其特征在于,包括以下步骤:
步骤1,收集云服务器的资源和性能数据;
步骤2,获取云服务器资源和性能序列数据,所述资源和性能序列数据包括:CPU空闲率、可用内存、平均负载和响应时间;
步骤3,对步骤2获取得的序列数据进行预处理操作;
步骤4,使用步骤3得到的数据构建LSTM模型,并利用该模型获得LSTM模型对步骤3所得数据的预测值;
步骤5,利用蚁群算法对步骤4得到的LSTM模型来进行参数优化,构建LSTM-ACO模型;
步骤6,使用步骤5得到的LSTM-ACO模型预测步骤3得到的数据并与步骤4得到的数据对比;
步骤7,利用LSTM-ACO模型的预测值和现有的序列数据对未来数据进行预测。
2.根据权利要求1所述的基于LSTM-ACO模型预测云服务器资源性能的方法,其特征在于,所述步骤3中,对序列数据采用归一化处理方法进行预处理,将原始序列数据映射到[0,1],具体方法是:
计算得序列数据的最大值和最小值,分别记为Xmax和Xmin;
使用序列数据中的每个数据减去Xmin再除以Xmin-Xmin。
3.根据权利要求1所述的基于LSTM-ACO模型预测云服务器资源性能的方法,其特征在于,所述步骤4中,构建LSTM模型的方法是:
构建模型包括输入层、隐藏层、输出层、网络训练以及网络预测5个功能模块;输入层负责对原始响应时间序列进行初步处理以满足网络输入要求,隐藏层采用LSTM细胞搭建单层循环神经网络,输出层提供预测结果网络,网络预测采用迭代的方法逐点预测。
4.根据权利要求3所述的基于LSTM-ACO模型预测云服务器资源性能的方法,其特征在于,所述构建LSTM模型的具体步骤为:
首先在输入层中,定义已经归一化后的原始响应时间序列为Fo={f1,f2,…,fn},则划分的训练集和测试集可以表示为Ftr={f1,f2,…,fm}和Fte={fm+1,fm+2,…,fn},满足约束条件m<n和m,n∈N;为了适应隐藏层输入的特点,应用数据分割的方法对Ftr进行处理,设分割长度取值为L,则分割后的模型为X={X1,X2,…,XL},Xp={fp,fp+1,…,fm-L+p-1},并有1≤p≤L;p,L∈N。对应的理论输出为Y={Y1,Y2,…,YL},YP={fp+1,fp+2,…,fm-L+p};
接下来,将X输入隐藏层,隐藏层包含L个按前后时刻连接的同构LSTM细胞,X经过隐藏层后的输出可以表示为P={P1,P2,…,PL},Pp=LSTMforw...
【专利技术属性】
技术研发人员:孟海宁,李维,石月开,童新宇,冯锴,朱磊,黑新宏,
申请(专利权)人:西安理工大学,
类型:发明
国别省市:陕西;61
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。