【技术实现步骤摘要】
本专利技术涉及计算机系统与网络，具体涉及一种云工作负载预测方法、装置、设备及存储介质。
技术介绍
1、云计算凭借虚拟化技术的独特特性，以按需供应的模式来满足云服务提供商(cloud service providers，csps)和最终用户之间的各种服务级别协议(service levelagreements，slas)。在云环境中，用户提交的任务个数与到达时间不是固定的，使得云工作负载通常是高度可变的，同时，云工作负载的变化会引发云平台的系统资源利用率下降，从而导致不必要的资源浪费或较差的slas。因此，需要构建一个准确的云工作负载预测模型，使得csps可以快速调整资源调配解决方案，以满足slas要求，同时提高云平台系统资源利用率。
2、然而，由于云工作负载具有高度可变性和突变性，这使得很难准确预测出下一阶段的工作负载信息。为了解决上述问题，应该有效地捕获出云工作负载信号中的复杂依赖关系。在早期阶段，大部分预测方法都基于概率理论或统计学方法来对云工作负载进行建模，包括自回归模型、自回归移动平均模型、指数加权移动平均模型等。这些方法可以很好的捕捉到历史相邻信号的线性依赖，但是对于云工作负载中波动信号的预测表现出一定的局限性。
3、随着人工神经网络的发展，越来越多的方法采用基于rnn的结构去分析隐藏在云工作负载中的依赖关系；但该类方法通过递归的方式去解耦历史负载信息，但是往往在高度可变的工作负载预测上表现不佳，因为通常无法捕获长期的依赖关系，并且未能探索到历史负载信息中的周期性。利用transformer网络
4、在相关技术中，公布号为cn113033780a的专利申请文献中提出基于双层注意力机制的云平台资源预测方法，并在双层注意力机制输出部分通过与传统的自回归模型进行集成，完成了多模型融合，克服了单模型预测性能差以及输入过长时容易被稀释的问题；但该方案中仅使用一次双层注意机制，通过特征注意机制来捕获历史序列与每个局部特征之间的相关性，而通过长时间注意机制捕获出历史序列中的长期时间依赖特征，所使用的注意力相当于计算一个加权的上下文向量来表示输入序列的信息。公布号为cn114528097a的专利申请文献中提出基于时序卷积神经网络实现云平台服务负载预测，通过对训练样本提取周期注意力向量和峰值注意力向量，将训练样本、周期注意力向量和峰值注意力向量进行加权求和得到最终训练样本来训练时序卷积神经网络，实现cpu负载预测；但该方案中通过自相关系数发掘出的重复信息作为时序的周期性，这种以历史数据本身为导向的方式可能并没有完全发掘出序列中全局的周期信息；并且该方案使用一阶差分的方式，也就是相邻两项数据之间的差值作为波动性，这样仅仅考虑两项数据的相关性可能不足以表明时序的局部波动性。公布号为cn113886454a的专利申请文献中提出结合lstm神经网络和rbf神经网络，对lstm神经网络和rbf神经网络最终输出向量按比例参数进行加权融合，利用bp神经网络对加权结果进行混合预测；该方案使用lstm和rbf神经网络来构建预测模型，最终预测结果是由lstm和rbf输出结果相结合，利用lstm和rbf对负载信息融合预测可以很好的提取出序列的周期性，但随着负载序列的长度不断增长也可能会丢失历史负载所隐含的依赖关系，同时该方法也忽略了负载信息中局部的波动信号。
技术实现思路
1、本专利技术所要解决的技术问题在于如何在高度可变云工作负载环境下实现准确的预测。
2、本专利技术通过以下技术手段解决上述技术问题的：
3、第一方面，提出了一种云工作负载预测方法，所述方法包括：
4、采集云平台当前的负载信息序列；
5、将当前的负载信息序列输入至预先训练好的负载信息预测模型，所述负载信息预测模型包括若干深度扩展块，每个所述深度扩展块包括并行的周期模块和残差模块，所述周期模块用于提取负载信息序列的第一反馈信息和全局周期性信号，所述残差模块用于提取负载信息序列的第二反馈信息和局部残差信息；
6、将上一所述深度扩展块中周期模块的输入序列与其输出的第一反馈信息之间的差值作为下一所述深度扩展块中周期模块的输入，将上一所述深度扩展块中残差模块的输入序列与其输出的第二反馈信息之间的差值作为下一所述深度扩展块中残差模块的输入；
7、将各所述周期模块输出的全局周期性信号与各所述残差模块输出的局部残差信息进行加和，得到云平台下一阶段的负载信息序列。
8、进一步地，所述周期模块包括多头注意力机制层和全连接层，所述多层注意力机制层的输出与所述全连接层连接。
9、进一步地，所述残差模块包括若干层依次连接的卷积神经网络。
10、进一步地，在所述将当前的负载信息序列输入至预先训练好的负载信息预测模型之前，所述方法还包括：
11、采用滑动窗口的方式将当前的负载信息序列按照窗口大小划分为输入序列，用于作为所述负载信息预测模型的输入。
12、进一步地，在所述将当前的负载信息序列输入至预先训练好的负载信息预测模型之前，所述方法还包括：
13、收集云平台历史时间段内的负载信息序列构建数据集，并将数据集划分为训练集和测试集；
14、采用滑动窗口的方式分别将训练集和测试集均按照窗口大小依次划分为样本序列和标签序列；
15、使用训练集的样本序列和标签序列对所述负载信息预测模型进行训练，得到预测结果；
16、使用均方根误差作为预测结果与标签序列之间的损失函数，利用梯度下降法对所述负载信息预测模型的参数进行反向传播更新，进行迭代训练，直到达到预设条件或损失函数最小化收敛停止，得到训练好的所述负载信息预测模型；
17、使用测试集的样本序列和标签序列对训练好的所述负载信息预测模型进行测试。
18、进一步地，所述输入窗口的大小大于输出窗口的大小。
19、进一步地，所述损失函数的公式表示为：
20、
21、其中，rmse表示均方根误差，xi表示真实的负载信息，表示预测的负载信息，n表示负载数据的个数。
22、第二方面，本专利技术提出了一种云工作负载预测装置，所述装置包括：
23、信息采集模块，用于采集云平台当前的负载信息序列；
24、输入模块，用于将当前的负载信息序列输入至预先训练好的负载信息预测模型，所述负载信息预测模型包括若干深度扩展块，每个所述深度扩展块包括并行的周期模块和残差模块，所述周期模块用于提取负载信息序列的第一反馈信息和全局周期性信号，所述残差模块用于提取负载信息序列的第二本文档来自技高网...
【技术保护点】
1.一种云工作负载预测方法，其特征在于，所述方法包括：
2.如权利要求1所述的云工作负载预测方法，其特征在于，所述周期模块包括多头注意力机制层和全连接层，所述多层注意力机制层的输出与所述全连接层连接。
3.如权利要求1所述的云工作负载预测方法，其特征在于，所述残差模块包括若干层依次连接的卷积神经网络。
4.如权利要求1所述的云工作负载预测方法，其特征在于，在所述将当前的负载信息序列输入至预先训练好的负载信息预测模型之前，所述方法还包括：
5.如权利要求1所述的云工作负载预测方法，其特征在于，在所述将当前的负载信息序列输入至预先训练好的负载信息预测模型之前，所述方法还包括：
6.如权利要求5所述的云工作负载预测方法，其特征在于，所述输入窗口的大小大于输出窗口的大小。
7.如权利要求5所述的云工作负载预测方法，其特征在于，所述损失函数的公式表示为：
8.如权利要求5所述的云工作负载预测装置，其特征在于，所述装置包括：
9.一种云工作负载预测设备，其特征在于，所述设备包括存储器、处理器；其中
10.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时，实现如权利要求1-7中任一项所述的方法。
...【技术特征摘要】
1.一种云工作负载预测方法，其特征在于，所述方法包括：
2.如权利要求1所述的云工作负载预测方法，其特征在于，所述周期模块包括多头注意力机制层和全连接层，所述多层注意力机制层的输出与所述全连接层连接。
3.如权利要求1所述的云工作负载预测方法，其特征在于，所述残差模块包括若干层依次连接的卷积神经网络。
4.如权利要求1所述的云工作负载预测方法，其特征在于，在所述将当前的负载信息序列输入至预先训练好的负载信息预测模型之前，所述方法还包括：
5.如权利要求1所述的云工作负载预测方法，其特征在于，在所述将当前的负载信息序列输入至预先训练好的负载信息预测模型之前，所述方法还包括：
...
【专利技术属性】
技术研发人员：王雷，
申请(专利权)人：中电信量子信息科技集团有限公司，
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。