一种数据中心在线服务资源预测方法技术

一种数据中心在线服务资源预测方法属于数据中心云计算领域，分为周期提取、利用子序列训练模型、利用预测模型进行在线负载资源预测等三个步骤。本方法针对在线负载在运行过程中资源使用量具有明显的周期性特征，收集在线负载资源序列样本，对资源序列进行周期识别以及资源序列划分；然后对于划分得到的子序列直接训练LSTM模型，利用其实现直接跨周期预测；不理想的预测结果提示重新训练。不理想的预测结果提示重新训练。不理想的预测结果提示重新训练。

【技术实现步骤摘要】
一种数据中心在线服务资源预测方法


[0001]本专利技术属于数据中心云计算领域，具体涉及数据中心在线服务资源使用的周期分析和预测方法。

技术介绍

[0002]数据中心的负载可以分为在线与离线两类负载。前者指基于用户请求的实时运算作业，其资源使用量常常与用户请求量呈正相关而动态变化，并且存在天然的周期性。经典的例子有搜索引擎服务与即时社交媒体。相对的，离线负载常常以批次提交，产生结果对时效性要求较宽松，支持任务失败重启，且资源占用量相对恒定。这类的典型包括数值拟真计算，机器学习模型训练等。
[0003]数据中心的负载常常兼有在线与离线负载。当在线负载迎来峰值时，现有的调度方案抑或使用自适应算法，当在线负载达到某阈值时提高分配量；抑或提前为其超额分配大量计算资源。前者的滞后性使其难以满足在线负载的对于即时响应的需求。后者造成了有限的计算资源的浪费。
[0004]因此，我们期待如果能够准确，快速地预测在线服务的资源占用，指导调度系统根据预期占用动态分配资源，则对于数据中心而言可以实现更加高效利用其现有资源，实现更好的经济效益，与更大的本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种数据中心在线服务资源预测方法，其特征在于，包括以下步骤：步骤1：采用自相关函数方法进行序列周期识别：1.1)对于在线服务的资源使用率以固定间隔均匀采样，建立序列Y＝{y0，y1，
…
y
N
‑1}，其中y
i
表示i时间点对应的指标数值,N为总样本量；1.2)设滞后量为k，将其从0迭代到N/2的商，计算原序列与滞后k个样本的协方差；此时涉及的有效样本量为N
‑
k，将协方差除以有效样本量进行修正；上述过程如公式(1)；其中i为元素下标，k表示滞后量；1.3)将结果计入以建立自相关序列Y
′
＝{y
′0，y
′1，
…
，y
′
N/2
}；将Y
′
作图并观察最大的周期振幅的幅度，记作limit；1.4)将元素下标i从1迭代到N/2
‑
1；如果有y
i
‑1≤y
i
且y
i
＞y
i+1
,该下标为局部极大值点，计入极小值序列；如果有y
i
‑1≥y
i
且y
i
＜y
i+1
,该下标为局部极小值点，计入极大值序列；1.5)对极大值序列、极小值序列分别应用1.4)，计算相邻异类极值之差的绝对值；如果该值小于limit，重复1.5)，反之进行下一步；1.6)计算相邻极值的平均索引差，作为序列的周期τ，原数据最多分出n＝N/τ周期；步骤2...

【专利技术属性】
技术研发人员：翟锦鹏，张爱唯，秦乐萌，梁毅，
申请(专利权)人：北京工业大学，
类型：发明
国别省市：