一种边缘服务器的任务量预测方法技术

本发明专利技术提供了一种边缘服务器的任务量预测方法，首先收集各个边缘服务器的使用率数据；将数据进行归一化处理后的输入到Savitzky

【技术实现步骤摘要】
一种边缘服务器的任务量预测方法


[0001]本专利技术涉及服务器任务量的预测算法领域，更具体地，涉及一种边缘服务器的任务量预测方法。

技术介绍

[0002]随着云计算的发展，越来越多的应用提供商将自己的应用放在云服务器上进行维护，造成了云计算中心的负载压力和由于距离用户较远带来的难以容忍的时延，特别是对于自动驾驶、人脸识别以及VR游戏等时延敏感的应用。为了解决这一难题，边缘计算作为一种新的计算范式被提出和应用，以提供丰富的计算资源和低延时服务。
[0003]然而，当云服务器的多个用户请求同时到达时，工作负载将爆炸，因此可用资源可能不足；相反，当工作负载处于较低水平时会发生空闲状态，从而导致资源浪费。工作负载的变化会导致资源的过度供应或供应不足，从而导致不必要的开销。供应商必须能够快速确定资源配置策略，以保证服务质量，同时提高资源利用率。因此，工作量预测需要具有准确性和快速学习的能力。为了实现这些目标，边缘计算需要一种更快速且具有学习能力的工作负载预测方法。
[0004]目前，大多数对于时间序列预测的方法虽然有较强的学习能力，但是往往忽略了时间序列之间的相关性，因此在预测方面会造成的误差较大。循环神经网络(RNN)和长短时间记忆网络(LSTM)的方法能够拥有较强的学习能力和利用时序之间的相关性进行预测。例如专利文献CN111191113A(公开日2020年05月22日)公开了一种基于边缘计算环境的数据资源需求预测和调整方法，利用相似度系数、专家经验参数、场景偏好系数等来调整的数据预测输出方法。但是它的训练时间和预测时间较长，不能够配合边缘服务器进行快速的资源调整，降低由于资源配置不恰当带来的负面效果。
[0005]为了提高云服务器的资源利用率并保证服务质量，迫切需要一种全新的预测方法，以提高边缘计算的准确率并缩短预测时间。

技术实现思路

[0006]本专利技术为克服上述现有技术所述的准确率不高、预测时间较长的缺陷，提供一种边缘服务器的任务量预测方法。
[0007]为解决上述技术问题，本专利技术的技术方案如下：一种边缘服务器的任务量预测方法，具体包括以下步骤：
[0008]S1、按照预定时间间隔收集各个边缘服务器的使用率数据；
[0009]S2、将收集到的使用率数据进行归一化处理后进行平滑处理；将平滑处理后的数据集划分为训练集、验证集和测试集；
[0010]S3、建立预测模型，所述预测模型包括依次连接的一维卷积层(Conv1D)、一维最大池化层、双向长短期循环网络(BiLSTM)、残差层和注意力机制层注意力机制(Attention Mechanism)，数据集输入值能够依次通过一维卷积层、一维最大池化层、双向长短期循环网
络并输出数据，将所述输出数据与数据集输入值在残差层做残差操作后通过注意力机制层并最终输出结果；
[0011]S4、采用mini
‑
batch的方法来训练数据，每次输入一个批(batch)的数据，采用梯度下降的方法更新预测模型的权重，直到训练集的所有批(batch)都被输入到预测模型，之后将验证集输入到预测模型中进行验证，从而完成一次训练；通过对预测模型进行多次训练直至验证集的损失函数值不再改变，则认为预测模型已被训练到最优，退出训练；
[0012]S5、将测试集输入到训练好的预测模型中得到预测结果，以此来调整边缘服务器的配置。
[0013]优选地，步骤S2中，采用公式(1)对使用率数据进行归一化处理，将数据变成0到1之间的小数：
[0014][0015]其中，X
max
为使用率数据中的最大值，X
min
为使用率数据中的最小值，X为使用率数据，为归一化之后的数据。
[0016]优选地，采用Savitzky
‑
Golay滤波器对数据进行平滑处理，需确定Savitzky
‑
Golay滤波器的窗口值和拟合多项式值并将数据进行平滑，具体过程包括：
[0017]S21、将归一化之后的数据表示为一个时间序列t∈N
+
＝{1,2,...}，取n∈[m+1,t
‑
m]为的一个子序列，m为Savitzky
‑
Golay滤波器窗口值的一半，则Y
n
的长度为2m+1，n为子序列Y
n
的中心数值；
[0018]S22、利用公式(2)来拟合子序列Y
n
；
[0019][0020]其中，p(b)为利用多项式输出的拟合值，γ为给定的多项式阶且γ＜2m+1,a
r
为多项式系数，b为子序列Y
n
的值；
[0021]S23、由于最小二乘法标准要求，在所有时隙上，使观察值x
m+b
与计算值p(b)之间的完全平方差的和ε最小，利用公式(3)计算ε
[0022][0023]S24、最后利用子序列Y
n
中心点的拟合值作为一次平滑过程的平滑数据点，整个过程采用滑动窗口的形式进行，每次滑动一个时隙，直到所有数据都被平滑结束滤波过程。
[0024]优选地，所述Savitzky
‑
Golay滤波器的窗口值大于所述拟合多项式的值，其中所述窗口值为奇数，所述窗口值越大和/或拟合多项式的值越小，平滑后的数据与归一化之后的数据偏离越大。
[0025]优选地，将平滑后的数据按照4：2：4的比例划分为训练集、验证集和测试集，并将三个数据集构造成(输入数据，标签)的数据形状，其中输入数据为标签为t为时间标记，n为需要的历史数据长度，d为预测长度。
[0026]优选地，步骤S3中建立预测模型后首先需要设定一维卷积层的滤波器个数、卷积
核大小和激活函数；设定一维最大池化层的池化窗口的参数、双向长短期记忆网络的神经元个数以及注意力机制层的激活函数。
[0027]优选地，设定一维卷积层的滤波器个数为64，卷积核大小为1，一维最大池化层的池化窗口的参数为18，双向长短期记忆网络的神经元个数为128。
[0028]优选地，所述一维卷积层和注意力机制层的激活函数包括sigmoid函数：
[0029][0030]和Relu函数：
[0031]f(x)＝max{0,x}.(5)
[0032]优选地，步骤S3中还需要设置SG
‑
CBA模式的优化器和损失函数，其中所述损失函数选择均方误差：
[0033][0034]其中，为预测值，y
i
为真实值，i为取值的下标。
[0035]优选地，步骤S5中，根据样本数量、输入维度、时间步长和预测步长，将成符合预测模型输入的测试数据集格式测试集构造X
′
＝(样本数，时间步，数据特征维度)，用滑动窗口的形式即每次往后移动一个测试数据集的长度，直到所有测试集数据都输入到预测模型中。
[0036]优选地，设置每次训练的本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种边缘服务器的任务量预测方法，其特征在于包括以下步骤：S1、按照预定时间间隔收集各个边缘服务器的使用率数据；S2、将收集到的使用率数据进行归一化处理后进行平滑处理；将平滑处理后的数据集划分为训练集、验证集和测试集；S3、建立预测模型，所述预测模型包括依次连接的一维卷积层、一维最大池化层、双向长短期循环网络、残差层和注意力机制层，数据集输入值能够依次通过一维卷积层、一维最大池化层、双向长短期循环网络并输出数据，将所述输出数据与数据集输入值在残差层做残差操作后通过注意力机制层并最终输出结果；S4、将训练集输入预测模型中进行训练数据，之后将验证集输入到预测模型中进行验证，从而完成一次训练；通过对预测模型进行多次训练直至验证集的损失函数值不再改变，则认为预测模型已被训练到最优，退出训练；S5、将测试集输入到训练好的预测模型中得到预测结果，以此来调整边缘服务器的配置。2.根据权利要求1所述的边缘服务器的任务量预测方法，其特征在于所述步骤S2中，采用公式(1)对使用率数据进行归一化处理，将数据变成0到1之间的小数：其中，X
max
为使用率数据中的最大值，X
min
为使用率数据中的最小值，X为使用率数据，为归一化之后的数据。3.根据权利要求2所述的边缘服务器的任务量预测方法，其特征在于步骤S2中，采用Savitzky
‑
Golay滤波器对数据进行平滑处理，需确定Savitzky
‑
Golay滤波器的窗口值和拟合多项式值并将数据进行平滑，具体过程包括：S21、将归一化之后的数据表示为一个时间序列t∈N
+
＝{1,2,...}，取为的一个子序列，m为Savitzky
‑
Golay滤波器窗口值的一半，则Y
n
的长度为2m+1，n为子序列Y
n
的中心数值；S22、利用公式(2)来拟合子序列Y
n
；其中，p(b)为利用多项式输出的拟合值，γ为给定的多项式阶且γ＜2m+1,a
r
为多项式系数，b为子序列Y
n
的值；S23、由于最小二乘法标准要求，在所有时隙上，使观察值x
m+b
与计算值p(b)之间的完全平方差的和ε最小，利用公式(3)计算ε...

【专利技术属性】
技术研发人员：张伟文，陈磊，叶海明，马卓，
申请(专利权)人：广东工业大学，
类型：发明
国别省市：