基于LSTM-ACO模型预测云服务器资源性能的方法技术

本发明专利技术公开基于LSTM‑ACO模型预测云服务器资源性能的方法，首先将时间序列数据进行预处理，将原始序列数据映射到[0,1]区间。然后确定LSTM模型，对于现有的数据进行训练并预测，并利用蚁群算法优化LSTM模型。最后将LSTM模型对于时刻t数据的预测结果和时刻t‑1,t‑2,…,t‑n的数据，输入给LSTM‑ACO模型，并对时刻t的数据进行预测。本发明专利技术基于LSTM‑ACO模型预测云服务器资源性能的方法，克服了传统的预测方法预测过程中精度不高的问题，且利用ACO对LSTM参数进行优化，避免模型陷入局部最优解的问题，提高了预测收敛速度。最终实现了对云服务器资源和性能预测，更精确地预测软件老化现象。

【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，可以为云系统在线预维护提供理论依据。现有的对于云服务器系统软件老化趋势的预测方法，大多数为时间序列分析或智能算法。时间序列分析法采用循环神经网络、粒子滤波等模型进行趋势预测，模型简单，但所需数据量大且对于波动较大的数据预测精度较低。智能算法包括神经网络、支持向量机等，该类算法在预测时间序列数据时，预测精度亦不高。云服务器资源和性能数据具有非线性、随机性和突发性的特点，因此上述现有的预测方法云服务器资源和性能数据的预测精度不高，尤其是数据变化较为剧烈的区间内，预测精度更低。
技术实现思路
本专利技术的目的是提供一种使用LSTM-ACO模型的云服务器资源性能预测方法。解决了传统的预测方法对波动较大的云服务器资源性能数据，预测精度不高的问题。并且提出了利用蚁群算法来优化参数的时间序列数据计算方法，克服了模型预测过程中易陷入局部最优解、收敛速度慢且不稳定的问题。LSTM-ACO预测方法能够提取云服务器系统的特征变化，最终实现了对云服务器系统性能参数的高准确率预测并分析，更精确地预测软件老化现象。本专利技术所采用的技术方案是，一种使用LSTM-ACO模型的云服务器资源性能预测方法，包括以下步骤：步骤1，收集云服务器系统的资源和性能数据；步骤2，获取云服务器系统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模型进行参数优化得到LSTM-ACO模型；步骤6，使用步骤5得到的LSTM-ACO模型预测步骤3得到的数据并于步骤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。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]区间，具体方法是：先计算得序列数据的最大值和最小值，分别记为Xmax和Xmin；然后使用序列数据中的每个数据减去Xmin，再除以Xmax-Xmin。步骤4中，构建LSTM模型具体方法包括输入层、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，网络预测模块采用迭代的方法逐点预测。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＝LSTMforward(Xp,Cp-1,Hp-1)，式中Cp-1和Hp-1分别为前一个LSTM细胞的状态和输出；LSTMforward表示LSTM向前细胞计算方法。设定细胞状态向量大小为Sstate，则Cp-1和Hp-1两个向量的大小均为Sstate。可以看出隐藏层输出P、模型输入X和理论输出Y都是维度为(m－L,L)的二维数组。选用均方误差作为误差计算公式，训练过程的损失函数可以定义为：设定损失函数最小为优化目标，不断更新网络权重，进而得到最终的隐藏层网络。步骤5中，用蚁群算法对步骤4得到的LSTM模型进行参数优化的具体方法是：1)随机产生一个有多个个体的蚂蚁种群。2)初始化参数：蚂蚁规模(蚂蚁数量)M、最大迭代次数Nmax、初次迭代次数N＝1、信息素重要程度因子α、启发函数重要程度因子β、信息素挥发因子ρ、信息素挥发总量Q、信息素量τij(t)＝C。3)待优化的参数总数设置为m，将其组成一个集合Pi(1≤i≤m)，每个参数随机获取一个非零值，组成另一个集合SPi。4)m只蚂蚁随机放在r个顶点上，启动全部蚂蚁，蚂蚁k(k＝1,2,…,M)随机的从SPi中获取一组参数值，按照公式(1)(蚁群路径选择概率公式)，选择集合中的下一组参数值，直到每一只蚂蚁完全获取一组参数值。概率公式如下公式(1)：其中τj(SPi)为集合SPi中某j组权阈值组合的信息素浓度。5)将k(k＝1,2,…,M)只蚂蚁获取的值作为LSTM参数，对样本进行训练，得出实际输出与期望输出的误差值σ，其中σ＝|Outputa－Outpute|，Outputa为实际输出，Outpute为期望输出。设置期望误差ξ，找出不大于期望误差的输出误差集合σi(1≤i≤M)，并找到最小误差，其对应的蚂蚁获取的权值阈值即是最优或者较优解。6)当迭代次数或者输出误差不满足时，在完成一次循环后需要更新信息素，公式如下：其中表示次循环中第k只蚂蚁在集合SPi中，第j个元素在路径上释放的信息素浓度；表示所有蚂蚁在集合SPi中第j个元素在路径上释放的信息素浓度。7)当迭代次数或本文档来自技高网...

【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