一种基于MODWT-TCN的容器云平台负载预测方法技术

本发明专利技术公开了一种容器云平台负载预测技术领域的基于MODWT

【技术实现步骤摘要】
一种基于MODWT
‑
TCN的容器云平台负载预测方法


[0001]本专利技术涉及一种基于MODWT
‑
TCN的容器云平台负载预测方法，属于容器云平台负载预测


技术介绍

[0002]随着云计算技术的快速发展与广泛使用，虚拟化技术已经成为了现如今云平台的主流实现方式。对于云计算集群平台而言，容器集群的动态缩放技术是保障云平台服务质量的关键。对于集群中实例数的扩缩容不及时往往会导致服务器资源浪费和业务稳定性下降，严重情况下甚至会导致服务器宕机。传统的云平台一般采用响应式自动伸缩方式，当负载峰值到来时，往往会因为容器扩容滞后而造成服务质量的下降，这就导致资源的供给也会滞后，资源不能及时供给也可能会导致业务稳定性下降。
[0003]因此，利用容器云平台资源的历史使用情况和周期性变化规律，针对集群内部资源需求进行预测，并预先对集群资源进行伸缩，可以较好的解决集群中资源伸缩滞后所带来的服务质量下降和集群资源浪费问题。
[0004]目前，针对容器平台负载这种时间序列数据的预测算法和模型可以大体上分为本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于MODWT
‑
TCN的容器云平台负载预测方法，其特征在于，包括：获取待预测时刻前的容器云平台负载数据；将所获取的容器云平台负载数据使用最大重叠离散小波分解进行多层分解，得到多个频率分量；将多个频率分量分别代入预训练的时序卷积神经网络，得到各个频率分量的预测值；基于各个频率分量的预测值进行小波重构，输出得到的重构数据，作为负载预测结果。2.根据权利要求1所述的基于MODWT
‑
TCN的容器云平台负载预测方法，其特征在于，所述容器云平台负载数据包括CPU利用率、内存利用率和磁盘利用率。3.根据权利要求1所述的基于MODWT
‑
TCN的容器云平台负载预测方法，其特征在于，所述预训练的时序卷积神经网络的训练方法，包括：a、获取容器云平台负载数据样本；对所获取的容器云平台负载数据进行缺失值检验，若有缺失值，则对容器云平台负载数据样本进行缺失值填充；b、将完成缺失值填充的负载数据样本划分为互不相交的训练集和测试集；c、对训练集和测试集的数据样本进行归一化处理；d、将归一化处理后的训练集中各数据样本代入时序卷积神经网络进行训练，直至时序卷积神经网络收敛，得到训练集中各数据样本的预测值；e、对训练集中各数据样本的预测值通过多个评价指标进行评价，得到误差评价结果；f、根据误差评价结果对时序卷积神经网络的超参数和神经权重赋值，使得时序卷积神经网络达到最优；g、将测试集中各数据样本代入训练完成的时序卷积神经网络进行训练，直至时序卷积神经网络收敛，得到测试集数据中各数据样本的预测值；h、将测试集数据中各数据样本的预测值通过多个评价指标进行评价，若误差评价结果好，则时序卷积神经网络的预训练完成；若误差评价结果差，则重复步骤d～g，直至误差评价结果好。4.根据权利要求3所述的基于MODWT
‑
TCN的容器云平台负载预测方法，其特征在于，还包括：在获取到待预测时刻前的容器云平台负载数据后，判断所获取的数据进行缺失值检验，若有缺失值，则对其进行填充，再对填充缺失值后的容器云平台负载数据进行所述多层分解；和/或，所述对容器云平台负载数据进行缺失值填充的表达式为：其中，Y为时间点X上的负载量，(X0,Y0)，(X1,Y1)为缺失值(X,Y)两侧时间点上的容器云平台负载数据。5.根据权利要求3所述的基于MODWT
‑
TCN的容器云平台负载预测方法，其特征在于，所述对训练集和测试集的数据样本进行归一化处理的表达式为：
其中...

【专利技术属性】
技术研发人员：张登银，齐天宇，
申请(专利权)人：南京邮电大学，
类型：发明
国别省市：