基于深度学习的面向高维高可变云工作负载的预测方法技术

本发明专利技术涉及一种基于深度学习的面向高维高可变云工作负载的预测方法，包括以下步骤：步骤S1:获取云数据中心的历史工作负载数据，并进行预处理；步骤S2:基于原始数据集，采用一种集成了改进的稀疏自编码器TSA和门控循环单元GRU的深度学习算法L

【技术实现步骤摘要】
基于深度学习的面向高维高可变云工作负载的预测方法


[0001]本专利技术涉及云计算工作负载预测领域，提出一种基于深度学习的面向高维高可变云工作负载的预测方法。

技术介绍

[0002]云计算作为最流行的计算范式之一，通过云服务提供商(CSP)和用户之间的服务级别协议(SLA)按需提供计算、存储和网络资源。当用户请求同时到达时，工作负载会激增，因此可用资源可能不足。相反，当工作负载保持在较低水平时，就会出现空闲状态，导致资源浪费。工作负载的变化会导致资源的过度调配或调配不足，从而导致不必要的开销或糟糕的SLA。因此，CSP必须能够快速确定资源调配策略，以保证SLA，同时提高资源利用率。为了实现这些目标，云计算需要快速自适应的工作负载预测方法。

技术实现思路

[0003]有鉴于此，本专利技术的目的在于提供一种基于深度学习的面向高维高可变云工作负载的预测方法，实现自适应和有效的工作负载预测，有效提高云计算中的高效资源调配效率。
[0004]为实现上述目的，本专利技术采用如下技术方案：
[0005]一种基于深度学习的面向高维高可变云工作负载的预测方法，包括以下步骤：
[0006]步骤S1:获取云数据中心的历史工作负载数据，并进行预处理；
[0007]步骤S2:基于原始数据集，采用一种集成了改进的稀疏自编码器TSA和门控循环单元GRU的深度学习算法L
‑
PAW预测处理器未来的工作负载，并将预测结果传输到CSP；
[0008]步骤S3：CSP根据预测结果来确定资源调配策略，使云数据中心实现负载平衡。
[0009]进一步的，所述步骤S1具体为：
[0010]步骤S11:获取云数据中心的历史工作负载数据,并提取CPU利用率作为原始工作负载数据，表示为其中x
n
是当时的CPU使用率；
[0011]步骤S12:对原始工作负载数据进行归一化处理。
[0012]进一步的，所述步骤S2将TSA和GRU集成到RNN中获得L
‑
PAW，具体为：
[0013]基于TSA提取的工作负载的基本特征表示，用GRU块替换RNN的隐藏层；
[0014]在调用TSA获取压缩的工作负载后，设置了一个学习速率衰减λ分段控制学习速率γ；
[0015]所述GRU由两个门组成，即更新门z
t
和重置门r
t
，两个门的更新模式基于当前输入和之前的隐藏状态新的记忆内容被视为当前时间t的新信息，其中重置门r
t
用于控制是否需要保留先前的记忆；更新门z
t
用于控制先前的记忆内容和新的记忆内容将被遗忘或添加；
[0016]进一步的，所述的通过TSA来压缩工作负载数据，提取工作负载数据的低维但本质
的特征表示，作为负载预测的输入，具体为；
[0017]TSA的输入是工作负载示例的向量其中其中x
n
为n时刻的CPU使用率；
[0018]在正向传播过程中，每个隐藏单元的平均激活度计算如下：
[0019][0020]其中a
(h)
是隐藏层的激活功能
[0021]接下来，所有隐藏单元按各自的值排序，并可识别出前k个隐藏单元，它被表示为一个向量
[0022]计算TSA的代价函数
[0023]压缩后的工作负载数据其中W为权重和b为偏差；
[0024]通过执行代价函数J
TSA
(W,b)的反向传播算法。
[0025]进一步的，所述k选择激活度最高的隐藏单元重建输入数据。
[0026]本专利技术与现有技术相比具有以下有益效果：
[0027]本专利技术实现自适应和有效的工作负载预测，有效提高云计算中的高效资源调配效率。
附图说明
[0028]图1是本专利技术预测模型；
[0029]图2是本专利技术一实施例中的TSA网络结构；
[0030]图3是本专利技术一实施例中的L
‑
PAW中的GRU块的结构；
[0031]图4是本专利技术一实施例中不同的k个隐藏单元对TSA进行数据压缩的性能评估；
[0032]图5是本专利技术一实施例中具有不同预测长度的不同基于RNN的方法的预测精度(MSE)；
[0033]图6是本专利技术一实施例中L
‑
PAW与其他经典工作负载预测方法的性能比较。
具体实施方式
[0034]下面结合附图及实施例对本专利技术做进一步说明。
[0035]请参照图1，本专利技术提供一种基于深度学习的面向高维高可变云工作负载的预测方法，包括以下步骤：
[0036]步骤S1:获取云数据中心的历史工作负载数据，并进行预处理；
[0037]步骤S2:基于原始数据集，采用一种集成了改进的稀疏自编码器TSA和门控循环单元GRU的深度学习算法L
‑
PAW预测处理器未来的工作负载，并将预测结果传输到CSP；
[0038]步骤S3：CSP根据预测结果来确定资源调配策略，使云数据中心实现负载平衡。
[0039]在本实施例中，将CPU利用率作为工作负荷的主要性能指标，并在工作负载预处理中提取该度量，表示为其中x
n
是当时的CPU使用率；由于在
不同的时间间隔内，工作负载数据的值范围存在巨大差异，因此在进行下一步之前，需要对原始工作负载数据进行归一化，本实施例中，采用了机器学习(即标准化)中使用最广泛的标准化方法之一，如下所示：
[0040][0041]其中是的平均值，是标准差。
[0042]在预处理之后，规范化的工作负载数据被转发到工作负载压缩。工作负载数据的高维性和冗余性会严重降低预测精度并导致高计算复杂度。为此，提出了TSA来压缩工作负载数据，有效地提取工作负载数据的低维但本质的特征表示，作为下一步基于门控RNN的工作负载预测的输入。使用标准化和压缩的历史工作负载数据，预测处理器未来的工作负载，并将其传输到CSP，CSP将使用这些预测来确定合适的资源调配策略。
[0043]在本实施例中，提出了一种基于门控RNN的学习方法L
‑
PAW，用于从历史工作负载中捕获长期记忆相关性，以便对时间序列问题实现更准确的预测。在采用L
‑
PAW进行工作负载预测之前，将每个时间间隔内测量的每条记录道的CPU使用量添加到历史工作负载中，并用作RNN的输入。通过设置预测的时间长度，可以实现未来不同时段的工作负载预测。然后，我们使用均方误差(MSE)来衡量工作负载预测的准确性。
[0044][0045]其中N表示预测的时间长度，和y
i
分别是预测工作负载和实际工作负载。
[0046]优选的，设计了一种改进的稀疏自编码器来有效地提取工作负载数据的低维但本质的特征表示。其次，将TSA和GRU集成到RNN中，以从历史工作负载中捕获长期内存依赖性，从而实现高效准确的工作负载本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于深度学习的面向高维高可变云工作负载的预测方法，其特征在于，包括以下步骤：步骤S1:获取云数据中心的历史工作负载数据，并进行预处理；步骤S2:基于原始数据集，采用一种集成了改进的稀疏自编码器TSA和门控循环单元GRU的深度学习算法L
‑
PAW预测处理器未来的工作负载，并将预测结果传输到CSP；步骤S3：CSP根据预测结果来确定资源调配策略，使云数据中心实现负载平衡。2.根据权利要求1所述的基于深度学习的面向高维高可变云工作负载的预测方法，其特征在于，所述步骤S1具体为：_步骤S11:获取云数据中心的历史工作负载数据,并提取CPU利用率作为原始工作负载数据，表示为其中x
n
是当时的CPU使用率；步骤S12:对原始工作负载数据进行归一化处理。3.根据权利要求1所述的基于深度学习的面向高维高可变云工作负载的预测方法，其特征在于，所述步骤S2将TSA和GRU集成到RNN中获得L
‑
PAW，具体为：基于TSA提取的工作负载的基本特征表示，用GRU块替换RNN的隐藏层；在调用TSA获取压缩的工作负载后，设置了一个学习速率衰减λ分段控制学习速率γ；所述GRU由两个门组成，即更新门z
...

【专利技术属性】
技术研发人员：陈哲毅，陈礼贤，熊兵，
申请(专利权)人：福州大学，
类型：发明
国别省市：