CN102104509B - 云操作系统中服务器负载预测的方法及装置 - Google Patents

Abstract

本发明实施例提供了云操作系统中服务器负载预测的方法及装置，该方法包括：从距离预测时间点一预设时间范围内获取服务器的多个历史负载抽样值；根据获取到的所述历史负载抽样值，调用立方卷积插值算法，计算出所述服务器在所述预测时间点上的负载值。该方法能够准确快速地预测服务器的负载值，从而使整个系统资源更为合理、节能地流转。

Description

云操作系统中服务器负载预测的方法及装置

技术领域

本发明涉及云操作系统(OS)中基础设备监控系统领域，具体涉及一种预测服务器负载的方法及装置。

背景技术

当前，云计算逐渐被行业认可，云操作系统(云OS)逐渐实现并付诸于实践。在云OS中，资源调度模块系统的核心组成部分，通过资源调度，达到系统中资源合理、高效、低耗地运行和流转。服务器负载曲线，则为资源调度模块的重要依据之一。但由于系统运行速度要求，不可能时时获取负载值，对于任意时刻负载值的预测，特别是下一时刻负载值，于是变得尤为重要。准确快速的预测算法，将使得资源调度变得事半功倍。

很多类似系统中采用最近邻算法或者平均法对负载值进行预测，这些算法在准确度远远低于系统要求，导致最终系统不能达到合理的资源流转。

发明内容

本发明要解决的技术问题是，提供云操作系统中预测服务器负载的方法及装置，能够准确快速地预测服务器的负载值，从而使整个系统资源更为合理、节能地流转。

为了解决上述技术问题，本发明提出一种云操作系统中预测服务器负载的方法，包括：

从距离预测时间点一预设时间范围内获取服务器的多个历史负载抽样值；

根据获取到的所述历史负载抽样值，调用立方卷积插值算法，计算出所述服务器在所述预测时间点上的负载值。

进一步地，上述方法还可具有以下特点：

所述获取的历史负载抽样值为16个。

进一步地，上述方法还可具有以下特点：

所述立方卷积插值算法的算式如下：

f(i+u，j+v)＝[A]^*[B]^*[C]；

其中，

[A]＝[S(u+a)S(u+b)S(c-u)S(d-u)]

$\left[B\right]=\left[\begin{array}{c}f(i+a,j+a)f(i+a,j+b)f(i+a,j+c)f(i+a,j+d)\\ f(i+b,j+a)f(i+b,j+b)f(i+c,j+c)f(i+d,j+d)\\ f(i+c,j+a)f(i+c,j+b)f(i+c,j+c)f(i+c,j+d)\\ f(i+d,j+a)f(i+d,j+b)f(i+d,j+c)f(i+d,j+d)\end{array}\right]$

$\left[C\right]=\left[\begin{array}{c}S(v+a)\\ S(v+b)\\ S(c-v)\\ S(d-v)\end{array}\right]$

$S\left(w\right)=\left\{\begin{array}{c}1-2{\left|w\right|}^2+{\left|w\right|}^3,0\&le;\left|w\right|<1\\ 4-8\left|w\right|+5{\left|w\right|}^2-{\left|w\right|}^3,1\&le;\left|w\right|<2\\ 0,\left|w\right|\&GreaterEqual;2\end{array}\right.$

(i+u，j+v)为预测时间点的坐标；

f(i+u，j+v)为所述服务器在预测时间点的负载值；

(i+a，j+a)、(i+a，j+b)、(i+a，j+c)、(i+a，j+d)、(i+b，j+a)、(i+b，j+b)、(i+b，j+c)、(i+b，j+d)、(i+c，j+a)、(i+c，j+b)、(i+c，j+c)、(i+c，j+d)、(i+d，j+a)、(i+d，j+b)、(i+d，j+c)、(i+d，j+d)分别为获取的服务器的历史负载抽样值的坐标位置；

f(i+a，j+a)、f(i+a，j+b)、f(i+a，j+c)、f(i+a，j+d)、f(i+b，j+a)、f(i+b，j+b)、f(i+b，j+c)、f(i+b，j+d)、f(i+c，j+a)、f(i+c，j+b)、f(i+c，j+c)、f(i+c，j+d)、f(i+d，j+a)、f(i+d，j+b)、f(i+d，j+c)、f(i+d，j+d)分别为获取的服务器的历史负载抽样值；

S(w)是对sin(w^*Pi)/x的逼近，Pi是圆周率。

为了解决上述技术问题，本发明还提出一种云操作系统中预测服务器负载的装置，包括：

从距离预测时间点一预设时间范围内获取服务器的多个历史负载抽样值的获取模块；

根据获取到的所述历史负载抽样值，调用立方卷积插值算法，计算出所述服务器在预测时间点上的负载值的运算模块。

进一步地，上述装置还可具有以下特点：

所述获取模块，用于获取16个历史负载抽样值。

进一步地，上述装置还可具有以下特点：

所述运算模块执行如下立方卷积插值算法：

f(i+u，j+v)＝[A]^*[B]^*[C]；

其中，

[A]＝[S(u+a)S(u+b)S(c-u)S(d-u)]

$\left[B\right]=\left[\begin{array}{c}f(i+a,j+a)f(i+a,j+b)f(i+a,j+c)f(i+a,j+d)\\ f(i+b,j+a)f(i+b,j+b)f(i+c,j+c)f(i+d,j+d)\\ f(i+c,j+a)f(i+c,j+b)f(i+c,j+c)f(i+c,j+d)\\ f(i+d,j+a)f(i+d,j+b)f(i+d,j+c)f(i+d,j+d)\end{array}\right]$

$\left[C\right]=\left[\begin{array}{c}S(v+a)\\ S(v+b)\\ S(c-v)\\ S(d-v)\end{array}\right]$

$S\left(w\right)=\left\{\begin{array}{c}1-2{\left|w\right|}^2+{\left|w\right|}^3,0\&le;\left|w\right|<1\\ 4-8\left|w\right|+5{\left|w\right|}^2-{\left|w\right|}^3,1\&le;\left|w\right|<2\\ 0,\left|w\right|\&GreaterEqual;2\end{array}\right.$

(i+u，j+v)为预测时间点的坐标；

f(i+u，j+v)为所述服务器在预测时间点的负载值；

(i+a，j+a)、(i+a，j+b)、(i+a，j+c)、(i+a，j+d)、(i+b，j+a)、(i+b，j+b)、(i+b，j+c)、(i+b，j+d)、(i+c，j+a)、(i+c，j+b)、(i+c，j+c)、(i+c，j+d)、(i+d，j+a)、(i+d，j+b)、(i+d，j+c)、(i+d，j+d)分别为获取的服务器的历史负载抽样值的坐标位置；

f(i+a，j+a)、f(i+a，j+b)、f(i+a，j+c)、f(i+a，j+d)、f(i+b，j+a)、f(i+b，j+b)、f(i+b，j+c)、f(i+b，j+d)、f(i+c，j+a)、f(i+c，j+b)、f(i+c，j+c)、f(i+c，j+d)、f(i+d，j+a)、f(i+d，j+b)、f(i+d，j+c)、f(i+d，j+d)分别为获取的服务器的历史负载抽样值；

S(w)是对sin(w^*Pi)/x的逼近，Pi是圆周率。

本发明提供的云操作系统中预测服务器负载的方法及装置，能够准确快速地预测服务器的负载值，从而使整个系统资源更为合理、节能地流转。

附图说明

图1是本发明实施例一种云操作系统中预测服务器负载的方法流程图；

图2是本发明实施例一种云操作系统中预测服务器负载的装置方框图。

具体实施方式

下面将结合附图来详细说明本发明实施方案。

参见图1，该图示出本发明实施例云操作系统中预测服务器负载的方法，包括步骤：

步骤S101：从距离预测时间点一预设时间范围内获取服务器的多个历史负载抽样值；

该步骤巧妙地通过分段预测算法，可以更为精确的估计负载曲线，分段越为精细，预测值就会更为准确，同时通过分段策略，可以一定程度上减小计算量；

步骤S102：根据获取到的所述服务器的历史负载抽样值，调用立方卷积插值算法，计算出所述服务器在所述预测时间点上的负载值。

在每个分段内预测负载值时，本发明实施例采用立方卷积插值算法，可以很大程度上克服近邻插值或者平均值预测算法所带来的高误差性，使得负载预测值更为准确。

可以选取服务器在预测时间点周围的16个历史负载抽样值执行立方卷积插值运算。

较佳地，本发明实施例还提供了一种立方卷积插值算法，其算式如下：

f(i+u，j+v)＝[A]^*[B]^*[C]；

其中，

[A]＝[S(u+a)S(u+b)S(c-u)S(d-u)]

$\left[B\right]=\left[\begin{array}{c}f(i+a,j+a)f(i+a,j+b)f(i+a,j+c)f(i+a,j+d)\\ f(i+b,j+a)f(i+b,j+b)f(i+c,j+c)f(i+d,j+d)\\ f(i+c,j+a)f(i+c,j+b)f(i+c,j+c)f(i+c,j+d)\\ f(i+d,j+a)f(i+d,j+b)f(i+d,j+c)f(i+d,j+d)\end{array}\right]$

$\left[C\right]=\left[\begin{array}{c}S(v+a)\\ S(v+b)\\ S(c-v)\\ S(d-v)\end{array}\right]$

$S\left(w\right)=\left\{\begin{array}{c}1-2{\left|w\right|}^2+{\left|w\right|}^3,0\&le;\left|w\right|<1\\ 4-8\left|w\right|+5{\left|w\right|}^2-{\left|w\right|}^3,1\&le;\left|w\right|<2\\ 0,\left|w\right|\&GreaterEqual;2\end{array}\right.$

(i+u，j+v)为预测时间点的坐标；

f(i+u，j+v)为服务器在预测时间点的负载值；

(i+a，j+a)、(i+a，j+b)、(i+a，j+c)、(i+a，j+d)、(i+b，j+a)、(i+b，j+b)、(i+b，j+c)、(i+b，j+d)、(i+c，j+a)、(i+c，j+b)、(i+c，j+c)、(i+c，j+d)、(i+d，j+a)、(i+d，j+b)、(i+d，j+c)、(i+d，j+d)分别为获取的服务器的历史负载抽样值的坐标位置；

f(i+a，j+a)、f(i+a，j+b)、f(i+a，j+c)、f(i+a，j+d)、f(i+b，j+a)、f(i+b，j+b)、f(i+b，j+c)、f(i+b，j+d)、f(i+c，j+a)、f(i+c，j+b)、f(i+c，j+c)、f(i+c，j+d)、f(i+d，j+a)、f(i+d，j+b)、f(i+d，j+c)、f(i+d，j+d)分别为获取的服务器的历史负载抽样值；

S(w)是对sin(w^*Pi)/x的逼近，Pi是圆周率；

矩阵[B]为获取的服务器的历史负载抽样值构成的矩阵；

矩阵[A]与矩阵[C]之积为矩阵[B]中各历史负载抽样值的系数比重矩阵。

从上述算式可以看出，本发明实施例立方卷积插值算法根据获取到的历史负载抽样值距离预测时间点的距离不同，为其分配不同比重的系数，即，充分考虑到越靠近预测时间点的历史负载抽样值更可靠，因此，为越靠近预测时间点的历史负载抽样值分配越高的系数比重，从而进一步提高预测的准确度。

较佳地，在选取采样点时，可以选取距离预测时间点最近的16个服务器历史负载抽样值，从而进一步提高预测的准确度。

例如，在预测服务器的历史负载曲线上某一时间点上的负载值时，可以选取位于该时间点周围的16个历史负载抽样值，构成下述矩阵B，矩阵[A]与矩阵[C]的乘积即为矩阵[B]中各历史负载抽样值的系数比重矩阵。

f(i+u，j+v)＝[A]^*[B]^*[C]

其中

[A]＝[S(u+1)S(u+0)S(1-u)S(2-u)]

$\left[B\right]=\left[\begin{array}{c}f(i-1,j-1)f(i-1,j+0)f(i-1,j+1)f(i-1,j+2)\\ f(i+0,j-1)f(i+0,j+0)f(i+0,j+1)f(i+0,j+2)\\ f(i+1,j-1)f(i+1,j+0)f(i+1,j+1)f(i+1,j+2)\\ f(i+2,j-1)f(i+2,j+0)f(i+2,j+1)f(i+2,j+2)\end{array}\right]$

$\left[C\right]=\left[\begin{array}{c}S(v+1)\\ S(v+0)\\ S(1-v)\\ S(2-v)\end{array}\right]$

这里，S(w)是对sin(w^*Pi)/x的逼近(Pi是圆周率∏)。

对于未来负载值的预测，可以取包括当前时间点负载值在内16个历史负载抽样值进行预测。未来负载值的预测，对于调度算法来说也尤为重要。

本发明实施例云操作系统中预测服务器负载的方法，巧妙地通过分段预测算法，可以更为精确的估计负载曲线，分段越为精细，预测值就会更为准确，同时通过分段策略，可以一定程度上减小计算量；以及在每段内预测时，采用立方卷积插值算法，可以很大程度上克服近邻插值或者平均值预测算法所带来的高误差性，使得负载预测值更为准确。

为了实现上述方法，本发明实施例还提供了一种云操作系统中预测服务器负载的装置，如图2所示，包括：

从距离预测时间点一预设时间范围内获取服务器的多个历史负载抽样值的获取模块；

根据获取到的所述历史负载抽样值，调用立方卷积插值算法，计算出所述服务器在预测时间点上的负载值的运算模块。

进一步地，所述获取模块，用于获取16个历史负载抽样值。

进一步地，所述运算模块执行如下立方卷积插值算法：

f(i+u，j+v)＝[A]^*[B]^*[C]；

其中，

[A]＝[S(u+a)S(u+b)S(c-u)S(d-u)]

$\left[B\right]=\left[\begin{array}{c}f(i+a,j+a)f(i+a,j+b)f(i+a,j+c)f(i+a,j+d)\\ f(i+b,j+a)f(i+b,j+b)f(i+c,j+c)f(i+d,j+d)\\ f(i+c,j+a)f(i+c,j+b)f(i+c,j+c)f(i+c,j+d)\\ f(i+d,j+a)f(i+d,j+b)f(i+d,j+c)f(i+d,j+d)\end{array}\right]$

$\left[C\right]=\left[\begin{array}{c}S(v+a)\\ S(v+b)\\ S(c-v)\\ S(d-v)\end{array}\right]$

$S\left(w\right)=\left\{\begin{array}{c}1-2{\left|w\right|}^2+{\left|w\right|}^3,0\&le;\left|w\right|<1\\ 4-8\left|w\right|+5{\left|w\right|}^2-{\left|w\right|}^3,1\&le;\left|w\right|<2\\ 0,\left|w\right|\&GreaterEqual;2\end{array}\right.$

(i+u，j+v)为预测时间点的坐标；

f(i+u，j+v)为所述服务器在预测时间点的负载值；

(i+a，j+a)、(i+a，j+b)、(i+a，j+c)、(i+a，j+d)、(i+b，j+a)、(i+b，j+b)、(i+b，j+c)、(i+b，j+d)、(i+c，j+a)、(i+c，j+b)、(i+c，j+c)、(i+c，j+d)、(i+d，j+a)、(i+d，j+b)、(i+d，j+c)、(i+d，j+d)分别为获取的服务器的历史负载抽样值的坐标位置；

f(i+a，j+a)、f(i+a，j+b)、f(i+a，j+c)、f(i+a，j+d)、f(i+b，j+a)、f(i+b，j+b)、f(i+b，j+c)、f(i+b，j+d)、f(i+c，j+a)、f(i+c，j+b)、f(i+c，j+c)、f(i+c，j+d)、f(i+d，j+a)、f(i+d，j+b)、f(i+d，j+c)、f(i+d，j+d)分别为获取的服务器的历史负载抽样值；

S(w)是对sin(w^*Pi)/x的逼近，Pi是圆周率。

当然，本发明还可有其他多种实施例，在不背离本发明精神及其实质的情况下，本领域技术人员当可根据本发明作出各种相应的改变和变形，但这些相应的改变和变形都应属于本发明所附的权利要求的保护范围。

Claims (2)

1.一种云操作系统中预测服务器负载的方法，其特征在于：

从距离预测时间点一预设时间范围内获取服务器的多个历史负载抽样值；

根据获取到的所述历史负载抽样值，调用立方卷积插值算法，计算出所述服务器在所述预测时间点上的负载值，其中：

所述获取的历史负载抽样值为16个；

所述立方卷积插值算法的算式如下：

f(i+u，j+v)＝[A]*[B]*[C]；

其中，

[A]＝[S(u+a) S(u+b) S(c-u) S(d-u)]

$\left[B\right]=\left[\begin{array}{cccc}f(i+a,j+a)& f(i+a,j+b)& f(i+a,j+c)& f(i+a,j+d)\\ f(i+b,j+a)& f(i+b,j+b)& f(i+c,j+c)& f(i+d,j+d)\\ f(i+c,j+a)& f(i+c,j+c)& f(i+c,j+c)& f(i+c,j+d)\\ f(i+d,j+a)& f(i+d,j+b)& f(i+d,j+c)& f(i+d,j+d)\end{array}\right]$

$\left[C\right]=\left[\begin{array}{c}S(v+a)\\ S(v+b)\\ S(c-v)\\ S(d-v)\end{array}\right]$

$S\left(w\right)=\left\{\begin{array}{c}1-2{\left|w\right|}^2+{\left|w\right|}^3,0\&le;\left|w\right|<1\\ 4-8\left|w\right|+{5\left|w\right|}^2-{\left|w\right|}^3,1\&le;\left|w\right|<2\\ 0,\left|w\right|\&GreaterEqual;2\end{array}\right.$

(i+u，j+v)为预测时间点的坐标；

f(i+u，j+v)为所述服务器在预测时间点的负载值；

(i+a，j+a)、(i+a，j+b)、(i+a，j+c)、(i+a，j+d)、(i+b，j+a)、(i+b，j+b)、(i+b，j+c)、(i+b，j+d)、(i+c，j+a)、(i+c，j+b)、(i+c，j+c)、(i+c，j+d)、(i+d，j+a)、(i+d，j+b)、(i+d，j+c)、(i+d，j+d)分别为获取的服务器的历史负载抽样值的坐标位置；

f(i+a，j+a)、f(i+a，j+b)、f(i+a，j+c)、f(i+a，j+d)、f(i+b，j+a)、f(i+b，j+b)、f(i+b，j+c)、f(i+b，j+d)、f(i+c，j+a)、f(i+c，j+b)、f(i+c，j+c)、f(i+c，j+d)、f(i+d，j+a)、f(i+d，j+b)、f(i+d，j+c)、f(i+d，j+d)分别为获取的服务器的历史负载抽样值；

S(w)是对sin(w*Pi)/x的逼近，Pi是圆周率；

a、b、c、d表示历史负载抽样值相对于该预测时间点值在坐标轴方向上的距离；

w为S(w)的变量。

2.一种云操作系统中预测服务器负载的装置，其特征在于，包括：

从距离预测时间点一预设时间范围内获取服务器的多个历史负载抽样值的获取模块；

根据获取到的所述历史负载抽样值，调用立方卷积插值算法，计算出所述服务器在预测时间点上的负载值的运算模块；其中：

所述获取模块，用于获取16个历史负载抽样值；

所述运算模块执行如下立方卷积插值算法：

f(i+u，j+v)＝[A]*[B]*[C]；

其中，

[A]＝[S(u+a) S(u+b) S(c-u) S(d-u)]

$\left[B\right]=\left[\begin{array}{cccc}f(i+a,j+a)& f(i+a,j+b)& f(i+a,j+c)& f(i+a,j+d)\\ f(i+b,j+a)& f(i+b,j+b)& f(i+c,j+c)& f(i+d,j+d)\\ f(i+c,j+a)& f(i+c,j+c)& f(i+c,j+c)& f(i+c,j+d)\\ f(i+d,j+a)& f(i+d,j+b)& f(i+d,j+c)& f(i+d,j+d)\end{array}\right]$

$\left[C\right]=\left[\begin{array}{c}S(v+a)\\ S(v+b)\\ S(c-v)\\ S(d-v)\end{array}\right]$

$S\left(w\right)=\left\{\begin{array}{c}1-2{\left|w\right|}^2+{\left|w\right|}^3,0\&le;\left|w\right|<1\\ 4-8\left|w\right|+{5\left|w\right|}^2-{\left|w\right|}^3,1\&le;\left|w\right|<2\\ 0,\left|w\right|\&GreaterEqual;2\end{array}\right.$

(i+u，j+v)为预测时间点的坐标；

f(i+u，j+v)为所述服务器在预测时间点的负载值；

(i+a，j+a)、(i+a，j+b)、(i+a，j+c)、(i+a，j+d)、(i+b，j+a)、(i+b，j+b)、(i+b，j+c)、(i+b，j+d)、(i+c，j+a)、(i+c，j+b)、(i+c，j+c)、(i+c，j+d)、(i+d，j+a)、(i+d，j+b)、(i+d，j+c)、(i+d，j+d)分别为获取的服务器的历史负载抽样值的坐标位置；

f(i+a，j+a)、f(i+a，j+b)、f(i+a，j+c)、f(i+a，j+d)、f(i+b，j+a)、f(i+b，j+b)、f(i+b，j+c)、f(i+b，j+d)、f(i+c，j+a)、f(i+c，j+b)、f(i+c，j+c)、f(i+c，j+d)、f(i+d，j+a)、f(i+d，j+b)、f(i+d，j+c)、f(i+d，j+d)分别为获取的服务器的历史负载抽样值；

S(w)是对sin(w*Pi)/x的逼近，Pi是圆周率；

a、b、c、d表示历史负载抽样值相对于该预测时间点值在坐标轴方向上的距离；

w为S(w)的变量。

Images