一种基于AI算法基础的信息系统资源容量预测方法技术方案

一种基于AI算法基础的信息系统资源容量预测方法，包括以下步骤：步骤1、根据需要场景提取样本数据并形成数据库；步骤2、通过tensorflow机器学习框架、tsfresh时序数据特征库、scikit‑learn算法库等计算框架提供AI算法基础；步骤3、采用Holt‑winters时序计算模型和线性回归+高斯核算法进行机器学习训练到预测结果；步骤4、将预测值与实际值进行对比并进行可视化展示，系统直接预测出较为准确的结果，可以作为参考，而且资源有效利用，规划周期短，管理方便，效果理想，预测结果可以有效指导客户。

【技术实现步骤摘要】
一种基于AI算法基础的信息系统资源容量预测方法
本专利技术涉及容量预测领域，具体为一种基于AI算法基础的信息系统资源容量预测方法。
技术介绍
容量预测是通过对历史以数据的分析、模型训练，预测未来时间段的容量趋势，容量预测价值是根据资源的历史状况自动预测其未来走势，帮助客户提前做好规划，主要提供如下价值：提高运维效率与预测精度，减少人力成本、实现最佳投资回报比；从被动扩容到主动预判，实现容量需求趋势感知、做到资源预警与提前采购；大幅缩短资源规划周期，提高资源规划效率；精细化、可视化的资源容量管理，更加的准确直观。提前预知未来资源的使用情况，容量预测现状和痛点如下：传统基于AI算法基础的信息系统资源容量预测方法：(1)经验法：按照现有容量的20倍设计、3倍实现、1.5倍部署；(2)新业务上线计划法：梳理最近一季度、半年要上线的新业务的预期业务量进行统计。现状痛点：(1)专家依赖性强；(2)资源浪费严重；(3)规划周期长；(4)粗放式管理。
技术实现思路
(一)解决的技术问题针对现有技术的不足，本专利技术提供了一种周期短、效果好，能对客户提供决策支撑的基于AI算法基础的信息系统资源容量预测方法。(二)技术方案为实现上述目的，本专利技术提供如下技术方案：本专利技术的一种基于AI算法基础的信息系统资源容量预测方法，包括以下步骤：步骤1、根据需要场景提取样本数据并形成数据库；步骤2、通过tensorflow机器学习框架、tsfresh时序数据特征库、scikit-learn算法库等计算框架提供AI算法基础；步骤3、采用Holt-winters时序计算模型和线性回归+高斯核算法进行机器学习训练到预测结果；步骤4、将预测值与实际值进行对比并进行可视化展示。本专利技术改进有，所述步骤1中的数据库包含基于IMOC的ES指标库中云平台的历史数据数据。本专利技术改进有，所述Holt-winters时序计算模型包括以下步骤：步骤1、一次指数平滑预测公式：Y′t+1＝α·Yt+(1-α)·Y′t递推公式：展开式：步骤2、二次指数平滑，二次指数平滑是对一次指数平滑的再平滑递推公式：预测公式：Y′t+T＝at+bt·T，其中步骤3、三次指数平滑，三次就是在此基础上增加了一个季节分量，递推公式：Si＝α(xi-pi-k)+(1-α)(Si-1+ti-1)ti＝β(Si-Si-1)+(1-β)ti-1pi＝Y(xi-Si)+(1-Y)pi-kpi是“周期性”部分预测公式：xi+h＝si+hti+pi-k+hk是这个周期的周长本专利技术改进有，所述线性回归算法包括以下步骤：输入数据：矩阵X；回归系数：向量w；给定数据X1，预测结果本专利技术改进有，所述高斯加权算法为：在估计中引入一些偏差，降低预测均方误差；给待预测点附近的每个点一定的权重；W即为权重矩阵，使用高斯核来确定每个权重；(三)有益效果与现有技术相比，本专利技术提供了一种基于AI算法基础的信息系统资源容量预测方法，具备以下有益效果：通过tensorflow机器学习框架、tsfresh时序数据特征库、scikit-learn算法库等计算框架提供AI算法基础，采用Holt-winters时序计算模型和线性回归+高斯核算法进行机器学习训练等等得到预测结果，系统直接预测出较为准确的结果，可以作为参考，而且资源有效利用，规划周期短，管理方便，效果理想，预测结果可以有效指导客户。附图说明图1为本专利技术的第一次指数平滑示意图；图2为本专利技术的第二次指数平滑示意图；图3为本专利技术的现行回归算法示意图；图4为本专利技术的高斯加权算法示意图。具体实施方式下面将结合本专利技术实施例中的附图，对本专利技术实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本专利技术一部分实施例，而不是全部的实施例。基于本专利技术中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本专利技术保护的范围。参照附图1至附图4，一种基于AI算法基础的信息系统资源容量预测方法，包括以下步骤：步骤1、根据需要场景提取样本数据并形成数据库；步骤2、通过tensorflow机器学习框架、tsfresh时序数据特征库、scikit-learn算法库等计算框架提供AI算法基础；步骤3、采用Holt-winters时序计算模型和线性回归+高斯核算法进行机器学习训练到预测结果；步骤4、将预测值与实际值进行对比并进行可视化展示。本实施例中，所述步骤1中的数据库包含基于IMOC的ES指标库中云平台的历史数据数据。算法原理如下：1、容量预测相关算法容量预测根据场景的不同，采用的算法也不相同，对于CPU、内存资源使用的场景，其使用量随时间周期性波动变化，使用holt-winters指数平滑算法，对于存储资源使用场景，其使用量随时间成递增趋势，使用线性回归和高斯核加权的算法Holt-Winters指数平滑法：在移动平均法基础上发展起来的一种时间序列分析预测法。原理：任一期的指数平滑值都是本期实际观察值与前一期指数平滑值的加权平均。(1)加强了观察期近期观察值对预测值的作用。(2)对于观察值所赋予的权数有伸缩性。步骤1、一次指数平滑预测公式：Y′t+1＝α·Yt+(1+α)·Y′t递推公式：展开式：步骤2、参照附图1，二次指数平滑二次指数平滑是对一次指数平滑的再平滑。递推公式：预测公式：Y′t+T＝at+bt·T，其中步骤3、参照附图2，三次指数平滑三次就是在此基础上增加了一个季节分量。类似于趋势分量，对季节分量也要做指数平滑。递推公式：Si＝α(xi-pi-k)+(1-α)(Si-1+ti-1)ti＝β(Si-Si-1)+(1-β)ti-1pi＝Y(xi-Si)+(1-Y)pi-kpi是指“周期性”部分。预测公式：xi+h＝si+hti+pi-k+hk是这个周期的周长。线性回归算法体现容量增长的趋势，高斯加权体现增长过程的波动性。线性回归算法步骤如下，参照附图3：输入数据：矩阵X；回归系数：向量w；给定数据X1，预测结果当有一些x和对应的γ，找到最佳的w的步骤如下：平方误差：矩阵表示为(Y-Xww)T(Y-Xw)，对w求偏导，得到XT(Y-Xw)，令其为零，解出w：之后再用高斯加权方法进行优化，参照附图4：可能出现欠拟合现象，因为求的是具有最小均方误差的无偏估计，本实施例改进有，在估计中引入一些偏差，降低预测均方误差，给待预测点附近的每个本文档来自技高网...

【技术保护点】
1.一种基于AI算法基础的信息系统资源容量预测方法，其特征在于，包括以下步骤：/n步骤1、根据需要场景提取样本数据并形成数据库；/n步骤2、通过tensorflow机器学习框架、tsfresh时序数据特征库、scikit-learn算法库等计算框架提供AI算法基础；/n步骤3、采用Holt-winters时序计算模型和线性回归+高斯核算法进行机器学习训练到预测结果；/n步骤4、将预测值与实际值进行对比并进行可视化展示。/n

【技术特征摘要】
1.一种基于AI算法基础的信息系统资源容量预测方法，其特征在于，包括以下步骤：
步骤1、根据需要场景提取样本数据并形成数据库；
步骤2、通过tensorflow机器学习框架、tsfresh时序数据特征库、scikit-learn算法库等计算框架提供AI算法基础；
步骤3、采用Holt-winters时序计算模型和线性回归+高斯核算法进行机器学习训练到预测结果；
步骤4、将预测值与实际值进行对比并进行可视化展示。


2.根据权利要求1所述的基于AI算法基础的信息系统资源容量预测方法，其特征在于，所述步骤1中的数据库包含基于IMOC的ES指标库中云平台的历史数据数据。


3.根据权利要求1所述的基于AI算法基础的信息系统资源容量预测方法，其特征在于，所述Holt-winters时序计算模型包括以下步骤：
步骤1、一次指数平滑
预测公式：Y′t+1＝α·Yt+(1-α)·Y′t
递推公式：
展开式：



步骤2、二次指数平滑，二次指...

【专利技术属性】
技术研发人员：何云瑞，闫祎颖，李扬，陈亮，党义杰，
申请(专利权)人：国家电网有限公司信息通信分公司，
类型：发明
国别省市：北京;11