一种基于时序卷积神经网络的云平台服务负载预测方法技术

本发明专利技术公开了一种基于时序卷积神经网络的云平台服务负载预测方法，包括，S1采集CPU负载时序数据，构成训练样本集；S2对训练样本进行预处理及特征提取，所述特征提取包括周期注意力向量和峰值注意力向量，将训练样本、周期注意力向量和峰值注意力向量进行加权求和得到最终训练样本；S3构建时序卷积神经网络，最终训练样本作为输入信号；S4训练时序卷积神经网络；S5测试样本数据输入训练好的时序卷积神经网络，得到测试样本的CPU负载预测结果。本发明专利技术预测精度高，有利于解决响应式自动伸缩可能带来的滞后性和服务质量下降的问题。带来的滞后性和服务质量下降的问题。带来的滞后性和服务质量下降的问题。

【技术实现步骤摘要】
一种基于时序卷积神经网络的云平台服务负载预测方法


[0001]本专利技术涉及云平台资源领域，具体涉及一种基于时序卷积神经网络的云平台服务负载预测方法。

技术介绍

[0002]近年来，越来越多的服务被部署到云端，虚拟化技术已经成为云平台稳定高效运行的重要保障。Docker作为轻量级操作系统虚拟化技术，具有优秀的隔离性能和敏捷部署等特点，越来越多的微服务开始基于docker容器进行构建，基于docker容器的云平台已逐渐成为现代云平台的标准架构。
[0003]由于云平台服务多样性和用户负载的动态变化，集群容易出现应用负载过高或过低的现象，因此，基于应用负载动态调整容器数量的方式，已经成为云平台自动化运维的重要途径。传统的云平台一般采用响应式自动伸缩方式，当负载峰值到来时，往往会因为容器扩容滞后而造成服务质量的下降。近年来，基于负载预测的预测式自动伸缩因其具有超前、预先的特性，逐渐成为解决响应式自动伸缩滞后性的可行方案，并取得了显著效果。由于服务的CPU负载往往直接决定任务响应时间、服务质量和能耗大小，是服务最重要的工作负载之一，因此基于服务CPU负载预测值的自动伸缩工作，已经逐渐成为研究的热点并广泛应用于预测式自动伸缩场景中。

技术实现思路

[0004]为了解决现有技术中容器云平台响应式自动伸缩策略滞后性所带来服务的质量下降问题，本专利技术提供一种能够用于预测式自动伸缩的基于时序卷积神经网络的云平台服务负载预测方法，本方法具有较高的预测精度。
[0005]本专利技术采用如下技术方案：/>[0006]一种基于时序卷积神经网络的云平台服务负载预测方法，包括：
[0007]S1采集CPU负载时序数据，构成训练样本集；
[0008]S2对训练样本进行预处理及特征提取，所述特征提取包括周期注意力向量和峰值注意力向量，将训练样本、周期注意力向量和峰值注意力向量进行加权求和得到最终训练样本；
[0009]S3构建时序卷积神经网络，最终训练样本作为输入信号；
[0010]S4训练时序卷积神经网络；
[0011]S5测试样本数据输入训练好的时序卷积神经网络，得到测试样本的CPU负载预测结果。
[0012]进一步，所述S1采集CPU负载时序数据，具体为：
[0013]S1.1设定采样周期Δt，采集服务CPU负载的时间范围设置为T
M
，采集CPU负载时序数据；
[0014]S1.2对CPU负载时序数据采用固定步长、固定长度滑窗扫描，具体为：滑窗采集的
CPU负载数据从最早时刻数据开始扫描，每次截取固定长度L
M
的数据点作为训练样本，截取完成后滑窗向后平移Δs个点，继续截取训练样本，构成训练样本集。
[0015]进一步，所述预处理包括数据归一化及引入高斯白噪声进行数据增广。
[0016]进一步，所述特征提取包括：
[0017]通过自相关系数发掘数据周期性，生成用于引导模型关注周期特征的周期注意力向量；
[0018]通过一阶差分的方式发掘峰值数据，生成用于引导模型关注峰值特征的峰值注意力向量。
[0019]进一步，所述通过自相关系数发掘数据周期性，生成用于引导模型关注周期特征的周期注意力向量，具体为：
[0020]对输入的长度为L
M
的数据点的时序数据，截取前面L
M
‑
1长度数据点进行处理，通过自相关系数公式计算时序数据的自相关向量，遍历自相关向量取非0下标的最大自相关值的下标作为时序数据的周期T：
[0021]假设第L
M
个点为预测点t0，找到对应预测点t0的周期重复下标t
′
=t0
‑
n*T,n=0,1,2
…
，在t
′
处生成正态分布的周期注意力向量，周期注意力向量atten
SeaSon
生成方式为
[0022][0023]且t≠t0；
[0024]其中t是整数，控制周期注意力向量的高亮区间长度为总长度的8％，σ2是周期注意力向量分布的离散度，考虑到正态分布3σ原则，因此至少要大于3σ长度，这样才能保证注意力向量在区间内包括注意力数值的可能取值。
[0025]进一步，所述通过一阶差分的方式发掘峰值数据，生成用于引导模型关注峰值特征的峰值注意力向量，具体为：
[0026]对输入的长度为L
M
的数据点的时序数据data，截取L
M
‑
1长度数据点进行处理，将L
M
‑
1长度数据点分为两个子向量arr1,arr2，其中：
[0027][0028][0029]每个子向量长度都是L
M
‑
2，之后利用arr2和arr1进行逐位相减得到峰值向量，最终得到的归一化峰值注意力向量atten
peak
为
[0030][0031]其中，当t＝1时和t＝L
M
的时候，atten
peak
由0值进行补充，S是归一化操作，目的是避免峰值向量的值过高或过低。
[0032]进一步，所述S2中，将训练样本、周期注意力向量和峰值注意力向量进行加权求和
得到最终训练样本，具体为：
[0033][0034]其中，α=1，β=0.4，γ=0.4。
[0035]进一步，所述数据归一化按照比例0.75进行，所述引入高斯白噪声进行数据增广，具体是引入的高斯白噪声是均值为0，方差为0.01，通过和原始训练样本逐位相加生成与原始训练样本集同等数量的新训练样本。
[0036]进一步，所述S5中所述测试样本需要进行如下处理：
[0037]S5.1采样周期Δt，获得CPU负载值作为测试样本，测试样本长度为为L
M
‑
1，通过末尾使用0值进行补充的方式，使测试样本长度扩充为L
M
；
[0038]S5.2进行预处理及特征提取，并将测试样本与特征进行加权求和获得最终的测试样本，输入训练好的时序卷积神经网络。
[0039]一种云平台服务负载预测方法的系统，包括
[0040]获取训练样本集模块：采集CPU负载时序数据，构成训练样本集；
[0041]预处理及特征提取模块：对训练样本集及测试样本进行处理；
[0042]构建及训练时序卷积神经网络模块：用于构建集训练时序卷积神经网络模块；
[0043]测试模块：将预处理及特征提取模块处理后的测试样本输入训练好的时序卷积神经网络模块，获得预测结果。
[0044]本专利技术的有益效果：
[0045]本专利技术从容器云平台传统的响应式自动伸缩机制弊端出发，突破时间序列预测分析、周期引导和峰值引导注意力向量生成的关键技术，形成预测精度高的预测算法，在云平台预测式自动伸缩机制中具有重要用途，有利于解决响应式自动伸缩可能带来的滞后本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于时序卷积神经网络的云平台服务负载预测方法，其特征在于，包括：S1采集CPU负载时序数据，构成训练样本集；S2对训练样本进行预处理及特征提取，所述特征提取包括周期注意力向量和峰值注意力向量，将训练样本、周期注意力向量和峰值注意力向量进行加权求和得到最终训练样本；S3构建时序卷积神经网络，最终训练样本作为输入信号；S4训练时序卷积神经网络；S5测试样本数据输入训练好的时序卷积神经网络，得到测试样本的CPU负载预测结果。2.根据权利要求1所述的云平台服务负载预测方法，其特征在于，所述S1采集CPU负载时序数据，具体为：S1.1设定采样周期Δt，采集服务CPU负载的时间范围设置为T
M
，采集CPU负载时序数据；S1.2对CPU负载时序数据采用固定步长、固定长度滑窗扫描，具体为：滑窗采集的CPU负载数据从最早时刻数据开始扫描，每次截取固定长度L
M
的数据点作为训练样本，截取完成后滑窗向后平移Δs个点，继续截取训练样本，构成训练样本集。3.根据权利要求1所述的云平台服务负载预测方法，其特征在于，所述预处理包括数据归一化及引入高斯白噪声进行数据增广。4.根据权利要求1所述的云平台服务负载预测方法，其特征在于，所述特征提取包括：通过自相关系数发掘数据周期性，生成用于引导模型关注周期特征的周期注意力向量；通过一阶差分的方式发掘峰值数据，生成用于引导模型关注峰值特征的峰值注意力向量。5.根据权利要求4所述的云平台服务负载预测方法，其特征在于，所述通过自相关系数发掘数据周期性，生成用于引导模型关注周期特征的周期注意力向量，具体为：对输入的长度为L
M
的数据点的时序数据，截取前面L
M
‑
1长度数据点进行处理，通过自相关系数公式计算时序数据的自相关向量，遍历自相关向量取非0下标的最大自相关值的下标作为时序数据的周期T：假设第L
M
个点为预测点t0，找到对应预测点t0的周期重复下标t
′
＝t0
‑
n*T,n＝0,1,2
…
，在t
′
处生成正态分布的周期注意力向量，周期注意力向量atten
season
生成方式为且t≠t0；其中t是整数，控制周期注意力向量的高亮区间长度为总长度的8％，σ2是周期注意力向量分布的离散度，考虑到正态分布3σ原则，因此至少要大于3σ长度，这样才能保证注意...

【专利技术属性】
技术研发人员：高学，高智平，李磊，
申请(专利权)人：深圳市云识科技有限公司，
类型：发明
国别省市：