边缘云服务器流失预测方法及装置制造方法及图纸

本发明专利技术具体公开一种边缘云服务器流失预测方法，包括以下步骤：步骤1：获取边缘云服务器的特征数据，其中，所述特征数据包括静态肖像特征和时间序列特征；步骤2：基于PCA算法和Light MLP算法分别对所述静态肖像特征进行筛选和编码以获取静态可学习调整参数；其中，所述静态肖像特征至少包括：边缘云服务器的硬件属性、计费规则、业务的部署情况、过往流失情况；步骤3：基于Transformer模型对所述时间序列特征以及实时获取的动态时不变特征进行处理和编码以获取动态可学习调整参数；步骤4：获取步骤2的输出和步骤3的输出进行合并，基于MLP分类器、softmax函数对所述合并后的参数进行处理以获得所述边缘云服务器的流失预测。实现边缘云服务器流失更优预测。现边缘云服务器流失更优预测。现边缘云服务器流失更优预测。

【技术实现步骤摘要】
边缘云服务器流失预测方法及装置


[0001]本专利技术属于云服务器
，尤其涉及一种边缘云服务器流失预测方法、装置、计算机设备及存储介质。

技术介绍

[0002]随着万物互联时代到来以及5G通信网络普及，互联网数据规模呈现指数级增长。在此背景下，传统的云计算的中心化架构已经无法满足终端用户对于时效、容量、算力的需求。边缘云的超低时延、海量数据、边缘智能等特性促使更多的企业选择边缘云技术方案的原因，也使得边缘云计算在市场中成为构筑在中心云与终端之间的重要组成。
[0003]商用边缘云平台对比已经成熟的中心云，需要额外整合大量异构的边缘设备作为边缘云资源来提供云服务，而边缘设备的主要供应方往往来自独立的设备供应商。作为独立的利益个体，设备供应商在综合所提供设备的服务指标后，会对设备是否继续提供服务做出判断，若设备被动离线或被供应商主动下机(设备流失)，会导致平台违反服务协议(SLA)而造成巨额的SLA处罚，给平台的服务稳定性、收益、用户体验等带来巨大影响。因此边缘云平台的优化整合需要考虑设备的流失问题。
[0004]现有的面向云/边缘云运维管理中故障方面的研究多集中于资源(软、硬件)的故障预测，很少有面向云/边缘云资源的流失预测的研究。而故障预测技术一般基于分类或者时序预测等相关的预测技术，解决不了边缘云环境复杂、业务多变的实际场景，并且具有以下的缺点：
[0005]1、现有工作能够预测的场景相对单一，无法应对如边缘云设备部署的地域、部署的业务、资源的主/被动流失等等各种复杂多变的场景。/>[0006]2、模型对流失设备召回率不高，其原因为在大部分场景下资源流失的概率往往较低，因此在实际采集的数据中存在非常明显的正负不均衡现象。这也就导致大部分模型并不能真正解决对设备发生流失的真实预测。
[0007]3、对设备的流失状态并不敏感，现有的故障预测研究只针对资源硬件的状态表现，即判断资源的何种硬件出现问题，但无法回答何种情况下会发生资源流失。

技术实现思路

[0008]为解决上述问题，本专利技术的目的是提供一种边缘云服务器流失预测方法、装置、计算机设备及存储介质，该边缘云服务器流失预测方法、装置、计算机设备及存储介质不仅能预测出不同服务器发生流失概率，而且能对各个设备在不同地域、业务下的非硬件场景进行不同类别的流失预测，如主动流失、被动流失等。
[0009]为实现上述目的，本专利技术的技术方案为：一种边缘云服务器流失预测方法，其特征在于，包括以下步骤：步骤1：获取边缘云服务器的特征数据，其中，所述特征数据包括静态肖像特征和时间序列特征；步骤2：基于PCA算法和Light MLP算法分别对所述静态肖像特征进行筛选和编码以获取静态可学习调整参数；其中，所述静态肖像特征至少包括：边缘云服
务器的硬件属性、计费规则、业务的部署情况、过往流失情况；步骤3：基于Transformer模型对所述时间序列特征以及实时获取的动态时不变特征进行处理和编码以获取动态可学习调整参数；步骤4：获取步骤2的输出和步骤3的输出进行合并，基于MLP分类器、softmax函数对所述合并后的参数进行处理以获得所述边缘云服务器的流失预测。
[0010]优选的，所述步骤1进一步包括：通过sql指令、PyODPS功能库从边缘云运行的数据平台采集数据；将所述数据分为两类：静态肖像特征和时间序列特征，并预设特殊特征编码规则；将采集的所述静态肖像特征和时间序列特征数据收集和分类编码后，以每台边缘云服务器的预设时间段数据为最小样本单位，构建输入样本。
[0011]优选的，所述步骤2进一步包括：对所述静态肖像特征S求转置得到X：X＝S
T
；X取零均值化：X＝X
‑
mean(X)；求X的协方差矩阵C，其中M表示静态特征数量：求C的最大K个特征值对应的特征向量组成矩阵P:P＝TOP
K
Eigenvector(C)；根据以下公式计算降维后的静态肖像特征Y
PCA
：Y
PCA
＝P
T
X。
[0012]优选的，所述步骤2进一步还包括：将降维后的静态肖像特征放大:Y
static
＝Sigmoid(W
s
(Norm(Y
PCA
))+b
s
)；其中Norm表示基于正态分布的标准化，将数据减去总体的均值再除于整体的标准差：W
s
和b
s
表示Light MLP中的线性隐藏层的可学习权重和偏移，Sigmoid表示激活函数，将每个隐藏向量的数值映射到0
‑
1的区间内，以削减负值和过大的映射结果对最终预测概率的影响，其计算公式为：
[0013]优选的，所述步骤3进一步包括：通过Transformer模型的Encoder对时间序列特征进行计算：将矩阵输入到一个线性嵌入层进行维度转换，将Τ的特征维度由D转换为通过位置编码层将位置信息嵌入输入X中：通过位置编码层将位置信息嵌入输入X中：通过位置编码层将位置信息嵌入输入X中：之后的X与位置信息P拼接后将依次被输入多头自注意机制层、规范化层、和前馈层，相应的函数计算如下：其中，Z0是X和P的拼接，也是Encoder的输入，Z
l
′
为前一Encoder层输出与本层自注意机制层和规范化层操作之后的结果残差连接所得，Z为Z
l
′
在前馈层和规范化层操作之后残差连接得到。
[0014]优选的，多头注意力操作如下：在Encoder输入中，Q，K，V均为LN(Z
l
‑1)，MSA(Q,K,V)＝Concat(head1,h
…
,head
h
)W
o
，i＝1,2,
…
,h；MLP操作与步骤2中的轻量级Light MLP相同，其主要作用在于特征维度转换并进一步提取特征，LN同步骤2中的Norm。
[0015]优选的，所述步骤4进一步包括：数据合并、Linear、Dropout、ReLU、Batch Norm所
组成的分类器可表示为如下的计算流程：将分类器所输出的综合编码向
[0016][0017]量Y
final
输入多分类概率函数Softmax计算所输入服务器样本的继续留存、主动流失、被动离线的概率，并给出最高概率的分类结果；基于交叉熵损失函数计算所预测出的服务器样本状态和真实情况之间的区别，并量化误差：务器样本状态和真实情况之间的区别，并量化误差：是所预测服务器属于该类流失的概率，y
i
表示该服务器所属的真实状态类别。
[0018]基于相同的构思，本专利技术还提供一种边缘云服务器流失预测装置，包括：数据获取模块，用于获取边缘云服务器的特征数据，其中，所述特征数据包括静态肖像特征和时间序列特征；静态肖像特征处理模块，用于基于PCA算法和Light MLP算法分别对所述静态肖像本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种边缘云服务器流失预测方法，其特征在于，包括以下步骤：步骤1：获取边缘云服务器的特征数据，其中，所述特征数据包括静态肖像特征和时间序列特征；步骤2：基于PCA算法和Light MLP算法分别对所述静态肖像特征进行筛选和编码以获取静态可学习调整参数；其中，所述静态肖像特征至少包括：边缘云服务器的硬件属性、计费规则、业务的部署情况、过往流失情况；步骤3：基于Transformer模型对所述时间序列特征以及实时获取的动态时不变特征进行处理和编码以获取动态可学习调整参数；步骤4：获取步骤2的输出和步骤3的输出进行合并，基于MLP分类器、softmax函数对所述合并后的参数进行处理以获得所述边缘云服务器的流失预测。2.根据权利要求1所述的边缘云服务器流失预测方法，其特征在于，所述步骤1进一步包括：通过sql指令、PyODPS功能库从边缘云运行的数据平台采集数据；将所述数据分为两类：静态肖像特征和时间序列特征，并预设特殊特征编码规则；将采集的所述静态肖像特征和时间序列特征数据收集和分类编码后，以每台边缘云服务器的预设时间段数据为最小样本单位，构建输入样本。3.根据权利要求1或2所述的边缘云服务器流失预测方法，其特征在于，所述步骤2进一步包括：对所述静态肖像特征S求转置得到X：X＝S
T
；X取零均值化：X＝X
‑
mean(X)；求X的协方差矩阵C，其中M表示静态特征数量：求C的最大K个特征值对应的特征向量组成矩阵P：P＝TOP
K
Eigenvector(C)；根据以下公式计算降维后的静态肖像特征Y
PCA
：Y
PCA
＝P
T
X。4.根据权利要求3所述的边缘云服务器流失预测方法，其特征在于，所述步骤2进一步还包括：将降维后的静态肖像特征放大：Y
static
＝Sigmoid(W
s
(Norm(Y
PCA
))+b
s
)；其中Norm表示基于正态分布的标准化，将数据减去总体的均值再除于整体的标准差：W
s
和b
s
表示LightMLP中的线性隐藏层的可学习权重和偏移，Sigmoid表示激活函数，将每个隐藏向量的数值映射到0
‑
1的区间内，以削减负值和过大的映射结果对最终预测概率的影响，其计算公式为：
5.根据权利要求1所述的边缘云服务器流失预测方法，其特征在于，所述步骤3进一步包括：通过Transformer模型的Encoder对时间序列特征进行计算：将矩阵输入到一个线性嵌入层进行维度转换，将T的特征维度由D转换为H：通过位置编码层将位置信息嵌入输入X中：通过位置编码层将位置信息嵌入输入X中：之后的X与位置信息P拼接后将依次被输入多头自注意机制层、规范化层、和前馈层，相应的函数计算如下：其中，Z0是X和P的拼接，也是Encoder的输入，Z
′
l
为前一Encoder层输出与本层自注意机制层和规范化层操作之后...

【专利技术属性】
技术研发人员：李星星，黄少远，王晓飞，
申请(专利权)人：缀初网络技术上海有限公司，
类型：发明
国别省市：