一种基于变分模态和ISSA-LSSVM的云中心资源负载预测方法技术

本发明专利技术公开了一种基于变分模态和ISSA

【技术实现步骤摘要】
一种基于变分模态和ISSA
‑
LSSVM的云中心资源负载预测方法


[0001]本专利技术属于云中心资源负载预测领域，特别涉及一种基于变分模态和ISSA
‑
LSSVM的云中心资源负载预测方法。

技术介绍

[0002]容器作为一种新的虚拟化技术，以轻量级、启动快、隔离性强、资源成本低等优点，在各大企业云平台都得到了广泛的应用，越来越多的应用程序都被部署在容器中。随着云计算、大数据的发展，大规模的容器请求被同步提交到云平台，快速增长的资源需求量会导致服务器负载的快速变化和强烈的波动，使得准确预测云资源负载更具有挑战。资源负载预测是实现动态资源分配、负载平衡的基础，准确的负载预测可以帮助容器云平台提前预测资源的变化，对于实现服务水平协议(SLAs)、保证云平台稳定性至关重要。因此，云计算中的负载预测已成为一个研究热点。
[0003]以往关于云资源负载预测方法的大部分集中在基于传统时间序列的预测模型上，如移动平均、自回归、自回归集成移动平均(ARIMA)等。但考虑到云资源负载数据明显的非线性、高噪声性和随机性，本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于变分模态和ISSA
‑
LSSVM的云中心资源负载预测方法，其特征在于，包含以下步骤：步骤S1.数据获取：获取原始云资源负载数据样本；步骤S2.数据预处理：对原始云资源负载数据进行归一化预处理；步骤S3.VMD分解处理：使用变分模态算法对云资源负载数据进行分解处理，将原始负载数据分解为一系列平稳的模态分量；步骤S4.对各模态分量建立ISSA
‑
LSSVM预测模型：采用ISSA对LSSVM模型中核函数宽度σ和惩罚因子c进行优化建立ISSA
‑
LSSVM模型，对分解得到的各云资源负载分量，分别输入到该模型中进行预测；步骤S5.输出预测结果：叠加各模态分量的预测值，得到最终的云资源负载预测结果。2.根据权利要求1所述的一种基于变分模态和ISSA
‑
LSSVM的云中心资源负载预测方法，其特征在于:所述步骤S2中的归一化是对各个模态分量的负载数据线性化归算至[0,1]之间，归一化公式为：其中，x
’
为归一化后的云资源负载值，x为原始云资源负载值，x
min
，x
max
分别为样本数据中云资源负载最小和最大值。3.根据权利要求1所述的一种基于变分模态和ISSA
‑
LSSVM的云中心资源负载预测方法，其特征在于：所述步骤S3中采用变分模态分解将原始云资源负载数据分解为k个互不耦合的IMF分量，所述步骤S3具体如下：S31.对于各模态分量，采用希尔伯特变换得到单边频谱并对其确认带宽，利用高斯平滑度对带宽进行估算，并引入约束条件，得到约束分变模型如下所示：滑度对带宽进行估算，并引入约束条件，得到约束分变模型如下所示：其中，u
k
为模态分量为，ω
k
为模态的中心频率，φ
k
(t)为一个非递减的相位函数，A
k
(t)为包络函数；S32.引入拉格朗日乘法算子入和二次惩罚因子α，将S31中约束问题转变为非约束问题，得到增广拉格朗日的表达式为：其中，α是二次惩罚因子用于降低噪音干扰，λ是拉格朗日乘法算子；S33.采用交替方向乘子法更新u
k
，ω
k
以及λ来求取增广拉格朗日表达式的“鞍点”。
4.根据权利要求1所述的一种基于变分模态和ISSA
‑
LSSVM的云中心资源负载预测方法，其特征在于：所述步骤S4中采用ISSA对LSSVM中核函数宽度σ和惩罚因子c进行优化，建立ISSA
‑
LSSVM模型，对分解得到的各分量，分别输入到该模型中进行预测，步骤S4具体如下：S41.对传统SSA算法进行改进得到ISSA算法；S42.采用ISSA算法对LSSVM中的核...

【专利技术属性】
技术研发人员：谢晓兰，杨哲兴，徐克顺，刘亚荣，
申请(专利权)人：桂林理工大学，
类型：发明
国别省市：