基于集成学习的复杂系统仿真运行时间预测方法与设备技术方案

本申请涉及一种基于集成学习的复杂系统仿真运行时间预测方法、装置、计算机设备和存储介质。所述方法包括：收集仿真应用运行的运行参数，得到入模运行参数；生成候选模型组合，并获取预设的待训练元模型；利用所述入模运行参数对各所述候选模型组合以及所述待训练元模型进行集成训练，得到候选集成模型；对各所述候选集成模型进行评估，确定仿真运行时间预测模型，利用所述运行时间预测模型预测仿真应用的运行时间。采用本方法能够实现高效的资源管理。

【技术实现步骤摘要】
基于集成学习的复杂系统仿真运行时间预测方法与设备
本申请涉及云仿真
，特别是涉及一种基于集成学习的复杂系统仿真运行时间预测方法、装置、计算机设备和存储介质。
技术介绍
复杂系统仿真(CSM)广泛应用于计算机和电信系统、生物网络、军事训练和战争游戏等领域的系统评估和分析。在CSM中，物理系统被建模为多个逻辑进程(LPs，也称为仿真实体)，仿真作为由LPs处理的离散事件序列进行。然而，复杂系统仿真往往由大量实体构成，且实体之间存在复杂的交互，从而导致不规律的工作负载和通信负载，并且降低了底层基础设施的运行效率。此外，为了应对巨大的工作负载变化，减少仿真运行时间，并满足计算和内存资源方面的新系统要求，需要强大的计算基础设施才能正确执行。但并非所有组织都能获得无限的计算资源，所以预算限制始终是一个重要的考虑因素。同时，在给定资源或者预算的情况下，人们大多都希望应用能在尽可能短的时间内执行完毕。因此，需要一种灵活的基础设置部署机制，可以根据应用程序的计算要求分配资源。目前，由于云计算环境能够实现计算/网络/软件/模型等资源的协同管理、按需共享、弹性调度，满足复杂系统仿真对通用算力、仿真应用高效运行的需求，因此它为上述挑战提供了一个很好的目标环境。为了有效利用这种环境，CSM中的仿真实体通常会被划分为多个组，每个组被映射到一个节点上。在仿真应用的运行过程中，通过实时监控和预测应用运行性能，从而在云计算环境中进行实时的资源调度，并降低总体部署成本。然而，传统资源调度过程很大程度上依赖于对任务运行时间估计来做出决策。并且在复杂系统仿真应用执行过程中，仿真实体不同的生命周期导致其对计算资源的需求不断变化，从而使得传统的方法很难准确预测仿真应用在云环境中的运行时间。进而根据不准确的运行时间进行资源分配，若分配给应用的资源过少，则难以支持应用的高效运行。若分配给应用的资源过多，既会增大不同节点实体之间的通信开销，又会对资源的一种造成不必要的浪费。因此，如何准确预测云环境中仿真应用的执行时间，实现高效的云仿真应用资源管理是一项具有挑战性的任务。
技术实现思路
基于此，有必要针对上述技术问题，提供一种能够实现高效资源管理的基于集成学习的复杂系统仿真运行时间预测方法、装置、计算机设备和存储介质。一种基于集成学习的复杂系统仿真运行时间预测方法，所述方法包括：收集仿真应用运行的运行参数，得到入模运行参数；生成候选模型组合，并获取预设的待训练元模型；利用所述入模运行参数对各所述候选模型组合以及所述待训练元模型进行集成训练，得到候选集成模型；对各所述候选集成模型进行评估，确定仿真运行时间预测模型，利用所述运行时间预测模型预测仿真应用的运行时间。在其中一个实施例中，所述收集仿真应用运行的运行参数，得到入模运行参数，包括：利用云计算节点监控和收集仿真应用的运行前参数和运行时参数，得到仿真应用的运行参数；对所述运行参数进行特征选择，筛选得到入模运行参数。在其中一个实施例中，所述对所述运行参数进行特征选择，筛选得到入模运行参数，包括：利用方差选择法分别对各所述运行参数进行特征选择，得到各所述运行参数的特征重要性；根据所述特征重要性筛选对各所述运行参数排序，筛选得到入模运行参数。在其中一个实施例中，所述对各所述候选集成模型进行评估，确定仿真运行时间预测模型，包括：各所述候选集成模型分别利用验证运行参数预测运行时间，得到评估预测时间；确定所述验证运行参数对应的真实运行时间，以及计算各所述真实运行时间的平均值，得到平均运行时间；根据所述评估预测时间、所述真实运行时间以及所述平均运行时间得到各所述候选集成模型的评估值；根据各所述候选集成模型的评估值确定仿真运行时间预测模型。在其中一个实施例中，所述利用所述入模运行参数对各所述候选模型组合以及所述待训练元模型进行集成训练，得到候选集成模型，包括：将所述入模运行参数为输入、所述入模运行参数对应的运行时间为目标，分别独立训练所述候选模型组合中的各个模型；利用训练好的所述候选模型组合中的各个模型分别进行运行时间的预测；将所述候选模型组合中的各个模型预测的运行时间以及所预测的运行时间对应的输入运行参数融合到原训练集中，得到融合训练集；根据所述融合训练集训练所述待训练元模型，得到训练好的候选集成模型。在其中一个实施例中，利用K折交叉验证独立训练所述模型组合中的各个模型。在其中一个实施例中，所述生成候选模型组合，包括：获取配置的模型集合；随机从所述模型集合中选择预设数量的模型组成候选模型组合。一种基于集成学习的复杂系统仿真运行时间预测装置，所述装置包括：数据收集模块，用于收集仿真应用运行的运行参数，得到入模运行参数；模型生成模块，用于生成候选模型组合，并获取预设的待训练元模型；集成训练模块，用于利用所述入模运行参数对各所述候选模型组合以及所述待训练元模型进行集成训练，得到候选集成模型；评估应用模块，用于对各所述候选集成模型进行评估，确定仿真运行时间预测模型，利用所述运行时间预测模型预测仿真应用的运行时间。一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时实现上述任一项所述的基于集成学习的复杂系统仿真运行时间预测方法的步骤。一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现上述任一项所述的基于集成学习的复杂系统仿真运行时间预测方法的步骤。上述基于集成学习的复杂系统仿真运行时间预测方法、装置、计算机设备和存储介质，通过收集仿真应用运行的运行参数，得到入模运行参数；生成候选模型组合，并获取预设的待训练元模型；进而利用入模运行参数对各候选模型组合以及待训练元模型进行集成训练，得到候选集成模型；然后对各候选集成模型进行评估，确定仿真运行时间预测模型，利用运行时间预测模型预测仿真应用的运行时间。该方法通过集成学习的方法构建用于预测云计算环境下仿真应用运行时间的模型来预测云仿真应用的运行时间，从而为云仿真应用实现了高效的资源管理。附图说明图1为一个实施例中基于集成学习的复杂系统仿真运行时间预测方法的应用环境图；图2为一个实施例中基于集成学习的复杂系统仿真运行时间预测方法的流程示意图；图3为一个实施例中运行参数的特征重要性的排序示意图；图4为一个实施例中集成学习预测的流程示意图；图5为一个实施例中实际仿真运行时间与预测时间的比对曲线图；图6为一个实施例中基于集成学习的复杂系统仿真运行时间预测装置的结构框图；图7为一个实施例中计算机设备的内部结构图。具体实施方式为了使本申请的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本申请进行进一步详细说明。应当理解，此处描述的具体实施例仅仅用以解释本申请，并不用于限本文档来自技高网...

【技术保护点】
1.一种基于集成学习的复杂系统仿真运行时间预测方法，其特征在于，所述方法包括：/n收集仿真应用运行的运行参数，得到入模运行参数；/n生成候选模型组合，并获取预设的待训练元模型；/n利用所述入模运行参数对各所述候选模型组合以及所述待训练元模型进行集成训练，得到候选集成模型；/n对各所述候选集成模型进行评估，确定仿真运行时间预测模型，利用所述运行时间预测模型预测仿真应用的运行时间。/n

【技术特征摘要】
1.一种基于集成学习的复杂系统仿真运行时间预测方法，其特征在于，所述方法包括：
收集仿真应用运行的运行参数，得到入模运行参数；
生成候选模型组合，并获取预设的待训练元模型；
利用所述入模运行参数对各所述候选模型组合以及所述待训练元模型进行集成训练，得到候选集成模型；
对各所述候选集成模型进行评估，确定仿真运行时间预测模型，利用所述运行时间预测模型预测仿真应用的运行时间。


2.根据权利要求1所述的方法，其特征在于，所述收集仿真应用运行的运行参数，得到入模运行参数，包括：
利用云计算节点监控和收集仿真应用的运行前参数和运行时参数，得到仿真应用的运行参数；
对所述运行参数进行特征选择，筛选得到入模运行参数。


3.根据权利要求2所述的方法，其特征在于，所述对所述运行参数进行特征选择，筛选得到入模运行参数，包括：
利用方差选择法分别对各所述运行参数进行特征选择，得到各所述运行参数的特征重要性；
根据所述特征重要性筛选对各所述运行参数排序，筛选得到入模运行参数。


4.根据权利要求1所述的方法，其特征在于，所述对各所述候选集成模型进行评估，确定仿真运行时间预测模型，包括：
各所述候选集成模型分别利用验证运行参数预测运行时间，得到评估预测时间；
确定所述验证运行参数对应的真实运行时间，以及计算各所述真实运行时间的平均值，得到平均运行时间；
根据所述评估预测时间、所述真实运行时间以及所述平均运行时间得到各所述候选集成模型的评估值；
根据各所述候选集成模型的评估值确定仿真运行时间预测模型。


5.根据权利要求1所述的方法，其特征在于，所述利用所述入模运行参数对各所述候选模型组合以及所述待训练元模...

【专利技术属性】
技术研发人员：朱峰，姚益平，肖雨豪，唐文杰，陈凯，曲庆军，
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