【技术实现步骤摘要】
本专利技术属于容器云资源预测方法，具体涉及一种基于arima-lstm的容器云资源预测方法。
技术介绍
1、根据思科报告，预计到2020年将有500亿设备实现智能互联，全球数据总量将会达到40zb，万物互联的时代己经到来[1]。大数据时代下智能设备正在从数据消费者的单一角色向生产者和消费者的双重角色转变，这些设备产生了海量的数据处理需求，对现有的集中式云计算架构提出了严峻的挑战。为了更好的满足边缘侧的“大连接、低时延、大带宽”需求，尤其在物联网、工业控制、车联网、无人驾驶等领域，边缘计算的概念应运而生。不同于云计算的集中式架构，边缘计算[2]是一种分布式的计算模型，通过利用边缘设备的计算和存储资源，实现对边缘数据的过滤、处理和决策，有效缓解云中心业务和网络带宽压力。同时，边缘服务器通过容器技术的虚拟化环境，为不同用户和边缘设备提供服务卸载能力，借助同期技术无需考虑程序的环境配置问题和资源隔离的安全问题，增加了物联网的灵活性。与传统主机级虚拟化技术不同[3]，容器技术采用沙箱机制实现进程级隔离，具有占用物理主机资源少，启动速度快，移植能力强的优点。容器虚拟化的优势，相比主机级虚拟化更适合作为边缘应用的载体，应对边缘场景下更加复杂的集群管理和应用部署问题[4]。容器技术的生态圈逐渐形成，基于容器技术的容器云也迅速发展。然而，容器云发展时间较短，成熟度低，并且面临着复杂的资源管理问题[5]。例如，企业通常在购置设备时不得不考虑经济成本和公司规模，因此不像云服务商那样拥有大量的备用设备。对于企业，资源的预留、分配和回收等成为一个非常重要
2、因此，容器云资源预测对推进容器云理论和技术更进一步发展、提高企业经济效益、避免资源浪费等具有重要意义，值得研究。
3、目前，边缘计算在很多方面都发挥着重要的作用。比如，在公安安全方面，边缘计算可用于视频监控以及消防系统。在城市建设中，大量的摄像头被使用，摄像头产生海量的数据，利用边缘计算技术在距离设备较近的地方处理这些数据，可以很好的降低网络传输带宽。在智能家居方面，由于智能设备越来越多，如何有效的管理这些设备是需要解决的一个问题。yuan d等人设计了[7]一种基于边缘计算的智能家居安全检测系统，该系统将网络流量转换为图像，然后应用图像训练卷积神经网络对网络流量进行分类。在制造业方面，利用边缘计算技术可以实现更快的数据分析，简化运营，提高制造企业的生产效率和服务质量。边缘计算的商业价值方面guo等人[8]针对边缘云的资源融合以及服务分发问题，开展了探索性研究工作，提出了“边际计算模型”。边缘计算与缓存方面，zhu j等人[9]考虑到网页加载的时间主要发生在前端，通过在边缘服务器中对网页中js/css等资源进行优化并缓存，有效降低用户的访问时延。chen m等人[10]提出一种基于任务流行度、任务大小以及缓存所需的计算能力的最优缓存策略，提供对计算任务的缓存，有效减低时延。
4、云计算资源预测是云计算平台实现资源高效管理和系统安全、稳定运行的重要前提和保障措施之一，长期以来一直受到研究者的关注且运用于资源预测中的预测方法也有很多。谢晓兰等人针对容器云存在过度供应和供应不足等资源问题，提出[11]一种基于三次指数平滑法和时间卷积网络的云资源预测模型,根据历史数据预测未来的资源需求，使用tpot调参思想优化参数，提供更好的预测性能。针对云计算环境中的资源负载预测问题，国内外一些学者提出了多种解决方案和负载预测模型。这些预测模型[12]一般将云计算资源负载看作一种时间序列，然后通过一定的建模方法对其进行预估。文献[13]使用arima负载预测模型对虚拟机集群的负载进行收集及预测。随着人工神经网络的发展，越来越多的人工神经网络方法被应用到时间序列预测当中。文献[14]对lstm负载预测模型与arima预测模型进行了比较分析，从结果可以看出，lstm负载预测模型优于arima负载预测模型。文献[15]通过优化支持向量机构建负载预测模型，对单步与多步云计算资源负载进行预测分析。文献[16]使用递归神经网络rnn来实现对云工作负荷的预测，通过google cloudtrance数据集上的实验验证了该方法的准确性。文献[17]首先使用arima模型进行预测，再使用enn模型对ar-ma误差进行预测，最终得到修正后的预测值。该文献提出的组合预测模型有效地提升了云环境中工作负载预测的精度。采用多模型融合的方式进行了云计算资源负载预测，将负载数据集分为训练集与测试集，利用arima、指数平滑法、神经网络等预测模型根据训练集的平均均方误差对测试集各预测结果进行权重划分，最后得到组合预测值。文献[18]采用了arima-ann的组合预测模型，分别对时间序列数据进行线性和非线性的预测，并将最终结果组合。实验结果表明，混合模型均具有更高的预测精度。文献[19]提出了flink环境下基于负载预测的弹性资源调度(lpers-flink)策略，建立负载预测模型并在此基础上提出负载预测算法,预测集群负载的变化趋势，最后，通过在线负载迁移算法执行调度计划,实现高效的节点间负载迁移；
5、可见，对平台历史资源进行时效性，准确性的预测，是如何对平台历史资源数据进行时效性、准确性的预测，是研究容器云资源预测的重要问题之一。
技术实现思路
1、针对现有技术中存在的问题，本专利技术提供一种基于arima-lstm的容器云资源预测方法，解决了单个预测算法不能同时求解容器云资源需求量数据中的线性分量和非线性分量问题。
2、本专利技术是通过以下技术方案来实现：
3、一种基于arima-lstm的容器云资源预测方法包括，
4、s1，将容器云资源使用量时间序列输入到arima模型中，得到将线性拟合预测值；
5、s2，通过比较原始数据和线性拟合预测值，得到拟合误差序列，再利用lstm模型预测拟合误差序列得到非线性误差预测值，
6、s3，将线性拟合预测值与非线性误差预测值相加，得出arima模型和lstm模型两者的混合模型最终的预测结果，即为容器负载预测的结果；
7、s4，对容器负载预测的结果实行容器调度策略，以及对容器负载预测的结果的误差进行修正，实现对容器云资源的精准预测。
8、优选的，所述线性拟合预测值的表达式为：
9、
10、式中，为arima模型的线性拟合预测值，st表示差分平稳序列，zt表示随机误差，表示回归参数，p表示自回归系数，q表示移动平均数，t表示时间，i,j均为系数，
11、优选的，所述非线性误差预测值的表达式为：
12、
13、式中，y表示的是容器负载原始本文档来自技高网...
【技术保护点】
1.一种基于ARIMA-LSTM的容器云资源预测方法，其特征在于，包括，
2.根据权利要求1所述的一种基于ARIMA-LSTM的容器云资源预测方法，其特征在于，所述线性拟合预测值的表达式为：
3.根据权利要求2所述的一种基于ARIMA-LSTM的容器云资源预测方法，其特征在于，所述非线性误差预测值的表达式为：
4.根据权利要求3所述的一种基于ARIMA-LSTM的容器云资源预测方法，其特征在于，所述混合模型最终的预测结果的表达式为：
5.根据权利要求1所述的一种基于ARIMA-LSTM的容器云资源预测方法，其特征在于，所述ARIMA模型建立过程包括数据平稳性检测、数据差分处理、模型定阶、模型检验以及模型结果预测。
6.根据权利要求1所述的一种基于ARIMA-LSTM的容器云资源预测方法，其特征在于，所述LSTM模型建立过程包括数据预处理、模型参数设置、模型训练和结果输出。
7.根据权利要求1所述的一种基于ARIMA-LSTM的容器云资源预测方法，其特征在于，所述容器负载预测的结果采用CRITIC客观赋权法实现
8.根据权利要求1所述的一种基于ARIMA-LSTM的预测方法，其特征在于，所述容器调度策略具体过程为：
9.根据权利要求1所述的一种基于ARIMA-LSTM的预测方法，其特征在于，所述容器负载预测的结果的误差修正采用误差评价指标衡量容器负载预测的结果与容器负载真实值之间的差距，从而评价容器负载预测结果的精确度。
10.根据权利要求9所述的一种基于ARIMA-LSTM的预测方法，其特征在于，所述误差评价指标包括绝对平均误差，绝对平均百分比误差，均误差以及均方根误差。
...【技术特征摘要】
1.一种基于arima-lstm的容器云资源预测方法，其特征在于，包括，
2.根据权利要求1所述的一种基于arima-lstm的容器云资源预测方法，其特征在于，所述线性拟合预测值的表达式为：
3.根据权利要求2所述的一种基于arima-lstm的容器云资源预测方法，其特征在于，所述非线性误差预测值的表达式为：
4.根据权利要求3所述的一种基于arima-lstm的容器云资源预测方法，其特征在于，所述混合模型最终的预测结果的表达式为：
5.根据权利要求1所述的一种基于arima-lstm的容器云资源预测方法，其特征在于，所述arima模型建立过程包括数据平稳性检测、数据差分处理、模型定阶、模型检验以及模型结果预测。
6.根据权利要求1所述的一种基于arima-lstm的容器云资源预测方法，其特征在于，所述lst...
【专利技术属性】
技术研发人员：贺凯，王洋，乔磊，王钰泽，史耀辉，刘圣冠，尚海军，康敬德，
申请(专利权)人：西安热工研究院有限公司，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。