用于处理器体系的CPU容量预测方法及其系统技术方案

本申请涉及智能预测领域，其具体地公开了一种用于处理器体系的CPU容量预测方法及其系统，其通过采用基于深度学习的深度神经网络模型挖掘出各个CPU单元的剩余CPU容量在时间维度上的动态关联特征以及所述各个CPU单元的剩余CPU容量间相互的关联性关系。这样，能够准确地预测CPU容量，以对CPU容量有更好的把控，防止其过载或者性能无法满足处理任务需求，以维持处理器体系的性能稳定性和可靠性。持处理器体系的性能稳定性和可靠性。持处理器体系的性能稳定性和可靠性。

【技术实现步骤摘要】
用于处理器体系的CPU容量预测方法及其系统


[0001]本申请涉及智能预测领域，且更为具体地，涉及一种用于处理器体系的CPU容量预测方法及其系统。

技术介绍

[0002]随着数据处理的日益集中，IBM Z系列大型主机(Mainframe)已成为银行业核心业务处理平台的首选。由于金融市场具有业务量大、种类繁多、处理流程复杂的特点，所以对计算机系统性能进行监控，尤其是对CPU性能的监控，是计算机资源合理配置和计算机系统有效运行的保障。
[0003]随着系统平台的用户量增加，在处理器体系出现瓶颈前，需要怎样合理分配CPU资源才能保障处理器体系的顺畅运行，保证其能够满足处理任务需求，是困扰大多运维人员进行容量规划的难题。传统数据中心容量规划主要以经验为主，为了保障处理器体系的性能，经常采用过量分配资源的方式，这会导致数据中心服务器资源利用率整体非常低，造成资源浪费。
[0004]因此，期望一种优化的用于处理器体系的CPU容量预测方案。

技术实现思路

[0005]为了解决上述技术问题，提出了本申请。本申请的实施例提供了一种用于处理器体系的CPU容量预测方法及其系统，其通过采用基于深度学习的深度神经网络模型挖掘出各个CPU单元的剩余CPU容量在时间维度上的动态关联特征以及所述各个CPU单元的剩余CPU容量间相互的关联性关系。这样，能够准确地预测CPU容量，以对CPU容量有更好的把控，防止其过载或者性能无法满足处理任务需求，以维持处理器体系的性能稳定性和可靠性。
[0006]根据本申请的一个方面，提供了一种用于处理器体系的CPU容量预测方法，其包括：获取处理器体系中多个CPU单元在预定时间段内多个预定时间点的剩余CPU容量；将所述各个CPU单元在预定时间段内多个预定时间点的剩余CPU容量按照时间维度排列为输入向量后通过多尺度邻域特征提取模块以得到多个剩余CPU容量特征向量；计算所述多个剩余CPU容量特征向量中每两个剩余CPU容量特征向量之间的转移矩阵以得到多个转移矩阵；将所述多个转移矩阵按照通道维度聚合为三维输入张量后通过作为特征提取器的卷积神经网络模型以得到CPU剩余容量关联特征图；将所述CPU剩余容量关联特征图通过非局部神经网络模型以得到解码特征图；对所述解码特征图进行特征分布调制以得到优化解码特征图；以及将所述优化解码特征图通过解码器进行解码回归以得到用于表示所述处理器体系的CPU容量的预测值的解码值。
[0007]在上述用于处理器体系的CPU容量预测方法中，所述多尺度邻域特征提取模块，包括：第一卷积层、与所述第一卷积层并行的第二卷积层，以及，与所述第一卷积层和所述第二卷积层连接的级联层，其中，所述第一卷积层使用具有第一尺度的一维卷积核，所述第二卷积层使用具有第二尺度的一维卷积核。
[0008]在上述用于处理器体系的CPU容量预测方法中，所述将所述各个CPU单元在预定时间段内多个预定时间点的剩余CPU容量按照时间维度排列为输入向量后通过多尺度邻域特征提取模块以得到多个剩余CPU容量特征向量，包括：将所述剩余CPU容量输入向量输入所述多尺度邻域特征提取模块的第一卷积层以得到第一邻域尺度剩余CPU容量特征向量，其中，所述第一卷积层具有第一长度的第一一维卷积核；将所述剩余CPU容量输入向量输入所述多尺度邻域特征提取模块的第二卷积层以得到第二邻域尺度剩余CPU容量特征向量，其中，所述第二卷积层具有第二长度的第二一维卷积核，所述第一长度不同于所述第二长度；以及，将所述第一邻域尺度剩余CPU容量特征向量和所述第二邻域尺度剩余CPU容量特征向量进行级联以得到所述多个剩余CPU容量特征向量。
[0009]在上述用于处理器体系的CPU容量预测方法中，所述将所述剩余CPU容量输入向量输入所述多尺度邻域特征提取模块的第一卷积层以得到第一邻域尺度剩余CPU容量特征向量，包括：使用所述多尺度邻域特征提取模块的第一卷积层以如下公式对所述剩余CPU容量输入向量进行一维卷积编码以得到所述第一邻域尺度剩余CPU容量特征向量；其中，所述公式为： ，其中，a为第一卷积核在x方向上的宽度，为第一卷积核参数向量，为与卷积核函数运算的局部向量矩阵，w为第一卷积核的尺寸，X表示所述剩余CPU容量输入向量；以及，所述将所述剩余CPU容量输入向量输入所述多尺度邻域特征提取模块的第二卷积层以得到第二邻域尺度剩余CPU容量特征向量，包括：使用所述多尺度邻域特征提取模块的第二卷积层以如下公式对所述剩余CPU容量输入向量进行一维卷积编码以得到所述第二邻域尺度剩余CPU容量特征向量；其中，所述公式为： ，其中，b为第二卷积层在x方向上的宽度，为第二卷积层参数向量，为与卷积核函数运算的局部向量矩阵，m为第二卷积层的尺寸，X表示所述剩余CPU容量输入向量。
[0010]在上述用于处理器体系的CPU容量预测方法中，所述计算所述多个剩余CPU容量特征向量中每两个剩余CPU容量特征向量之间的转移矩阵以得到多个转移矩阵，包括：以如下公式计算所述多个剩余CPU容量特征向量中每两个剩余CPU容量特征向量之间的转移矩阵以得到多个转移矩阵；其中，所述公式为： ，其中和表示所述多个剩余CPU容量特征向量中每两个剩余CPU容量特征向量，表示所述多个转移矩阵。
[0011]在上述用于处理器体系的CPU容量预测方法中，所述将所述多个转移矩阵按照通道维度聚合为三维输入张量后通过作为特征提取器的卷积神经网络模型以得到CPU剩余容量关联特征图，包括：使用所述作为特征提取器的卷积神经网络模型的各层在层的正向传递中分别对输入数据进行：对输入数据进行卷积处理以得到卷积特征图；对所述卷积特征
图进行基于局部特征矩阵的池化以得到池化特征图；以及，对所述池化特征图进行非线性激活以得到激活特征图；其中，所述作为特征提取器的卷积神经网络的最后一层的输出为所述CPU剩余容量关联特征图，所述作为特征提取器的卷积神经网络的第一层的输入为所述三维输入张量。
[0012]在上述用于处理器体系的CPU容量预测方法中，所述将所述CPU剩余容量关联特征图通过非局部神经网络模型以得到解码特征图，包括：将所述CPU剩余容量关联特征图分别输入所述非局部神经网络模型的第一点卷积层、第二点卷积层和第三点卷积层以得到第一特征图、第二特征图和第三特征图；计算所述第一特征图和所述第二特征图的按位置加权和以得到中间融合特征图；将所述中间融合特征图输入Softmax函数以对所述中间融合特征图中各个位置的特征值进行归一化以得到归一化中间融合特征图；计算所述归一化中间融合特征图和所述第三特征图的按位置加权和以得到再融合特征图；将所述再融合特征图通过嵌入高斯相似性函数以计算所述再融合特征图中各个位置的特征值间的相似性以得到全局感知特征图；将所述全局感知特征图通过所述非局部神经网络模型的第四点卷积层以得到通道调整全局感知特征图；以及，计算所述通道调整全局感知特征图和所述CPU剩余容量关联特征图的按位置加权和以得到所述解码特征图。
[0013]在上述用于处理器体系的CPU容量预测方法中，所述对所述解码特征图本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种用于处理器体系的CPU容量预测方法，其特征在于，包括：获取处理器体系中多个CPU单元在预定时间段内多个预定时间点的剩余CPU容量；将各个所述CPU单元在预定时间段内多个预定时间点的剩余CPU容量按照时间维度排列为输入向量后通过多尺度邻域特征提取模块以得到多个剩余CPU容量特征向量；计算所述多个剩余CPU容量特征向量中每两个剩余CPU容量特征向量之间的转移矩阵以得到多个转移矩阵；将所述多个转移矩阵按照通道维度聚合为三维输入张量后通过作为特征提取器的卷积神经网络模型以得到CPU剩余容量关联特征图；将所述CPU剩余容量关联特征图通过非局部神经网络模型以得到解码特征图；对所述解码特征图进行特征分布调制以得到优化解码特征图；以及将所述优化解码特征图通过解码器进行解码回归以得到用于表示所述处理器体系的CPU容量的预测值的解码值。2.根据权利要求1所述的用于处理器体系的CPU容量预测方法，其特征在于，所述多尺度邻域特征提取模块，包括：第一卷积层、与所述第一卷积层并行的第二卷积层，以及，与所述第一卷积层和所述第二卷积层连接的级联层，其中，所述第一卷积层使用具有第一尺度的一维卷积核，所述第二卷积层使用具有第二尺度的一维卷积核。3.根据权利要求2所述的用于处理器体系的CPU容量预测方法，其特征在于，所述将各个所述CPU单元在预定时间段内多个预定时间点的剩余CPU容量按照时间维度排列为输入向量后通过多尺度邻域特征提取模块以得到多个剩余CPU容量特征向量，包括：将所述剩余CPU容量输入向量输入所述多尺度邻域特征提取模块的第一卷积层以得到第一邻域尺度剩余CPU容量特征向量，其中，所述第一卷积层具有第一长度的第一一维卷积核；将所述剩余CPU容量输入向量输入所述多尺度邻域特征提取模块的第二卷积层以得到第二邻域尺度剩余CPU容量特征向量，其中，所述第二卷积层具有第二长度的第二一维卷积核，所述第一长度不同于所述第二长度；以及将所述第一邻域尺度剩余CPU容量特征向量和所述第二邻域尺度剩余CPU容量特征向量进行级联以得到所述多个剩余CPU容量特征向量。4.根据权利要求3所述的用于处理器体系的CPU容量预测方法，其特征在于，所述将所述剩余CPU容量输入向量输入所述多尺度邻域特征提取模块的第一卷积层以得到第一邻域尺度剩余CPU容量特征向量，包括：使用所述多尺度邻域特征提取模块的第一卷积层以如下公式对所述剩余CPU容量输入向量进行一维卷积编码以得到所述第一邻域尺度剩余CPU容量特征向量；其中，所述公式为： ，其中，a为第一卷积核在x方向上的宽度，为第一卷积核参数向量，为与卷积核函数运算的局部向量矩阵，w为第一卷积核的尺寸，X表示所述剩余CPU容量输入向量；以及所述将所述剩余CPU容量输入向量输入所述多尺度邻域特征提取模块的第二卷积层以得到第二邻域尺度剩余CPU容量特征向量，包括：使用所述多尺度邻域特征提取模块的第二卷积层以如下公式对所述剩余CPU容量输入向量进行一维卷积编码以得到所述第二邻域尺度剩余CPU容量特征向量；其中，所述公式为：，
其中，b为第二卷积层在x方向上的宽度，为第二卷积层参数向量，为与卷积核函数运算的局部向量矩阵，m为第二卷积层的尺寸，X表示所述剩余CPU容量输入向量。5.根据权利要求4所述的用于处理器体系的CPU容量预测方法，其特征在于，所述计算所述多个剩余CPU容量特征向量中每两个剩余CPU容量特征向量之间的转移矩阵以得到多个转移矩阵，包括：以如下公式计算所述多个剩余CPU容量特征向量中每两个剩余CPU容量特征向量之间的转移矩阵以得到多个转移矩阵；其中，所述公式为： ，其中和表示所述多个剩余CPU容量特征向量中每两个剩余CPU容量特征向量，表示所述多个转移矩阵。6.根据权利要求5所述的用于处理器体系的CPU容量预测方法...

【专利技术属性】
技术研发人员：尹俊文，廖海宁，尹鹏，
申请(专利权)人：腾云创威信息科技威海有限公司，
类型：发明
国别省市：