CN108052387A - 一种移动云计算中的资源分配预测方法及系统 - Google Patents
一种移动云计算中的资源分配预测方法及系统 Download PDFInfo
- Publication number
- CN108052387A CN108052387A CN201711131885.9A CN201711131885A CN108052387A CN 108052387 A CN108052387 A CN 108052387A CN 201711131885 A CN201711131885 A CN 201711131885A CN 108052387 A CN108052387 A CN 108052387A
- Authority
- CN
- China
- Prior art keywords
- mrow
- state
- msub
- value
- resource
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F9/00—Arrangements for program control, e.g. control units
- G06F9/06—Arrangements for program control, e.g. control units using stored programs, i.e. using an internal store of processing equipment to receive or retain programs
- G06F9/46—Multiprogramming arrangements
- G06F9/50—Allocation of resources, e.g. of the central processing unit [CPU]
- G06F9/5005—Allocation of resources, e.g. of the central processing unit [CPU] to service a request
- G06F9/5027—Allocation of resources, e.g. of the central processing unit [CPU] to service a request the resource being a machine, e.g. CPUs, Servers, Terminals
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/29—Graphical models, e.g. Bayesian networks
- G06F18/295—Markov models or related models, e.g. semi-Markov models; Markov random fields; Networks embedding Markov models
Abstract
本发明涉及一种移动云计算中资源分配预测方法及系统，所述方法包括：统计目标时间节点之前预设时间段内移动云计算中资源指标值构成指标值集合A，对集合A中的资源指标值进行分级，每个等级对应一个状态空间；利用加权马尔科夫链算法，计算目标时间节点的状态概率行向量；根据分级标准建立资源指标值均值列向量，结合状态概率行向量，计算目标时间节点的预测值。本方法可以直接得出预测值，在一定程度上简化了模型，减少了运算量，提高了效率。本发明利用均值列向量降低了各区间叠加概率对整个预测结果的影响，提高了预测准确率，解决了加权马尔科夫链预测模型在叠加过程中忽略各阶预测概率不同而造成最终的预测结果偏离实际结果的这一问题。
Description
技术领域
本发明涉及云计算技术领域，具体涉及一种移动云计算中的资源分配预测方法及系统。
背景技术
云计算是分布式计算、并行计算和网格计算等技术发展的产物，是一种利用互联网实现随时随地、按需、便捷地访问共享资源池的计算模式。而随着移动设备的不断出现与发展，基于安卓、IOS等的移动云计算也应运而生。目前，云计算允许租户以现收现付的方式租赁资源，相比于内部计算消除租户维护复杂基础设施的需要，它有潜力提供更具成本效益的解决方案。为了实现这个好处，需要向在云中运行的应用提供适当数量的资源，所需资源很少是静态的，更多的是随着总体工作负载的变化而变化。然而，供应资源不足将导致违反服务级别协议(Service-Level Agreement,SLA)，这往往与严重的财务处罚相关联，而过度的资源供应则会浪费了可用于其他用途的资源。这两个问题在实时性要求较高的移动云计算中更为突出。
现有技术中，存在一种利用马尔科夫链或加权马尔科夫链进行资源分配的方法。常规马尔科夫链模型采用概率最大隶属原则来确定预报对象的状态，得到预测概率行向量，而无法获得准确的预测值。为了得到更为合适的预测值通常采用级别特征值法来对预测出的概率行向量进行处理。马尔科夫预测模型没有后效性。事物状态发生在n时刻，它只与在n-1时刻的状态有关，但与过去无关。也就是说，马尔科夫预测模型并未对预测点前面若干时段的指标值的状态进行预测，忽略了前面若干时段的指标值的状态对预测点状态的影响，因此预测概率准确度不高，而且利用级别特征值法对预测出的概率行向量进行处理，增加了算法模型的复杂度，运算量大，效率低。而加权马尔科夫链利用数据规范化的自相关系数为权重，该权重表述了一列随机变量各种滞时的状态间的相关关系的强弱。因此，可考虑先分别从其前面若干时段的指标值的状态进行预测，这样能够尽可能多概括数据信息，且算法简便、合理，预测精度较高。但是它的预测结果仍然是以概率表述的概率矩阵，所以仍然需要配合级别特征值法来得到最终的预测值。另外尽管应用了各阶(各种步长)马尔科夫链的绝对分布叠加来预测状态，但没有考虑到各阶马尔科夫链对应的绝对概率在叠加中所起的作用，即认为各阶马尔科夫链的绝对概率所起的作用是相同的，这显然是不科学的。
发明内容
本发明针对现有技术中存在的技术问题，提供一种移动云计算中的资源分配预测方法及系统，通过建立一个预测模型对未来资源需求进行预测计算，随后按需分配，避免资源不足或者过剩，实现资源使用率的最大化，有效的减少不必要的网络日常管理费，改善资源分配中存在的问题。
本发明解决上述技术问题的技术方案如下：
一种移动云计算中资源分配预测方法，包括以下步骤：
步骤1，统计目标时间节点之前预设时间段内移动云计算中资源指标值构成指标值集合A，对集合A中的资源指标值进行分级，每个等级对应一个状态空间；
步骤2，计算各状态间的状态转移概率，并利用加权马尔科夫链算法，计算目标时间节点的状态概率行向量；
步骤3，根据分级标准建立资源指标值均值列向量，结合步骤2中得到的状态概率行向量，计算目标时间节点的预测值。
本发明的有益效果是：本方法首先克服了马尔科夫链算法和加权马尔科夫链算法中无法给出具体预测值这一缺陷，可以直接得出预测值，而不需要用级别特征值法对数据进行后期处理，这在一定程度上简化了模型，减少了运算量，提高了效率。其次，它利用均值列向量降低了各区间叠加概率对整个预测结果的影响，提高了预测准确率，根据历史走向，使得最后预测值不会太过于偏离历史数据，同时解决了加权马尔科夫链预测模型在叠加过程中忽略了各阶预测概率的不同造成的最终的预测结果偏离实际结果这一问题。
进一步，所述步骤1中采用均值-标准差方法对所述资源指标值进行分级。
采用上述进一步方案的有益效果是均值-标准差分级方法仅从统计学的角度，简单的把样本均值作为指标值的中心，操作方便。
进一步，步骤2中所述的计算各状态间的状态转移概率，并利用加权马尔科夫链算法，计算目标时间节点的状态概率行向量，具体包括以下步骤：
步骤201，根据状态转移概率计算公式(1)：
P[Xn+1＝j|Xn＝i,Xn-1＝in-1,...,X0＝i0]＝P[Xn+1＝j|Xn＝i]＝Pij (1)
计算各状态间的转移概率，并建立步长为f的状态转移概率矩阵P(f)；
其中，矩阵P(f)中为由状态i经过m步转移至状态j的概率，Mi为状态i的指标值个数，mij由状态i经过m步转移至状态j的指标值个数；
步骤202，利用式(2)计算各阶自相关系数rf，
式中，rf表示第f阶自相关系数，第f阶是指步长为f的时间间隔；xl表示第l个时段的资源指标值；表示资源指标值均值；n表示资源指标值序列长度；
利用式(3)对各阶自相关系数rf规范化：
其中，wf为各阶状态转移概率矩阵对应的权重；
步骤203，分别以目标时间节点之前的n个步长的资源指标值为初始状态Xf，结合相应的状态转移概率矩阵P(f)以及所述状态转移概率矩阵对应的权重wf，根据式(4)：
Pf＝Xf×P(f)×wf (4)
计算各阶资源指标值对应的目标时间节点的状态概率行向量Pf。
采用上述进一步方案的有益效果是，在加权算法的基础上改进，利用自相关系数的规范化系数对转移概率矩阵加权，提高了预测的精度。
进一步，步骤3包括：
步骤301，根据分级标准建立均值列向量am，计算公式如式(5)所示，
am＝((min(A)+T1)/2,(T1+T2)/2,...,(Tn-1+Tn)/2)T (5)
其中，min(A)为集合中的最小值，T1、T2...Tn表示分级标准中的区间端值；
步骤302，根据式(6)计算目标时间节点资源指标值的预测值Pn+1：
采用上述进一步方案的有益效果是利用自身数据范围对数据进行进一步的限定，在保证相关性的基础上对数据叠加获得预测值，能够更大限度的提高预测的准确率。
进一步，对集合A中的资源指标值进行分级时，将集合A中的资源指标值划分为5个等级，即5个状态空间。
采用上述进一步方案的有益效果是，由于矩阵自乘会产生增益，划分成5个等级，降低矩阵阶数，能够避免这些问题。
本发明另一方面提供一种移动云计算中资源分配预测系统，包括：
数据统计及分级模块，用于统计目标时间节点之前预设时间段内移动云计算中资源指标值构成指标值集合A，对集合A中的资源指标值进行分级，每个等级对应一个状态空间；
状态概率计算模块，用于计算各状态间的状态转移概率，并利用加权马尔科夫链算法，计算目标时间节点的状态概率行向量；
预测模块，用于根据分级标准建立资源指标值均值列向量，结合步骤2中得到的状态概率行向量，计算目标时间节点的预测值。
本发明的有益效果是，首先，根据分级标准建立资源指标值均值列向量，结合步骤2中得到的状态概率行向量，直接计算目标时间节点的预测值，克服了马尔科夫链算法和加权马尔科夫链算法中无法给出具体预测值这一缺陷，可以直接得出预测值不需要用级别特征值法对数据进行后期处理，这在一定程度上简化了模型，减少了运算量，提高了效率。其次，它利用均值列向量整合了各区间叠加概率对整个预测结果的影响，解决了加权马尔科夫链预测模型中叠加过程中忽略了各阶预测概率不同影响这一问题。
进一步，所述数据统计及分级模块采用均值-标准差方法对所述资源指标值进行分级。
采用上述进一步方案的有益效果是均值-标准差分级方法仅从统计学的角度，简单的把样本均值作为指标值的中心，操作方便。
进一步，所述状态概率计算模块，具体用于：
根据状态转移概率计算公式(1)：
P[Xn+1＝j|Xn＝i,Xn-1＝in-1,...,X0＝i0]＝P[Xn+1＝j|Xn＝i]＝Pij (1)
计算各状态间的转移概率，并建立步长为f的状态转移概率矩阵P(f)；
其中，矩阵P(f)中为由状态i经过m步转移至状态j的概率，Mi为状态i的指标值个数，mij由状态i经过m步转移至状态j的指标值个数；
利用式(2)计算各阶自相关系数rf，
式中，rf表示第f阶自相关系数；xl表示第l个时段的资源指标值；表示资源指标值均值；n表示资源指标值序列长度；
利用式(3)对各阶自相关系数rf规范化：
其中，wf为各阶状态转移概率矩阵对应的权重；
分别以目标时间节点之前的n个步长的资源指标值为初始状态Xf，结合相应的状态转移概率矩阵P(f)以及所述状态转移概率矩阵对应的权重wf，根据式(4)：
Pf＝Xf×P(f)×wf (4)
计算各阶资源指标值对应的目标时间节点的状态概率行向量Pf。
采用上述进一步方案的有益效果是，在加权算法的基础上改进，利用自相关系数的规范化系数对转移概率矩阵加权，提高了预测的精度。
进一步，所述预测模块具体用于：
根据分级标准建立均值列向量am，计算公式如式(5)所示，
am＝((min(A)+T1)/2,(T1+T2)/2,...,(Tn-1+Tn)/2)T (5)
其中，min(A)为集合中的最小值，T1、T2...Tn表示分级标准中的区间端值；
根据式(6)计算目标时间节点资源指标值的预测值Pn+1：
采用上述进一步方案的有益效果是利用自身数据范围对数据进行进一步的限定，在保证相关性的基础上对数据叠加获得预测值，能够更大限度的提高预测的准确率。
进一步，对集合A中的资源指标值进行分级时，将集合A中的资源指标值划分为5个等级，即5个状态空间。
采用上述进一步方案的有益效果是，由于矩阵自乘会产生增益，划分成5个等级，降低矩阵阶数，能够避免这些问题。
附图说明
图1为本发明实施例提供的一种移动云计算中资源分配预测方法流程图；
图2为本发明实施例提供的一种移动云计算中资源分配预测系统结构图；
图3为马尔科夫链预测算法实际值与预测值对比图；
图4为加权马尔科夫链预测算法实际值与预测值对比图；
图5为叠加加权马尔科夫链预测算法实际值与预测值对比图；
图6为三种预测算法预测值与实际值的对比图。
具体实施方式
以下结合实例对本发明的原理和特征进行描述，所举实例只用于解释本发明，并非用于限定本发明的范围。
图1为本发明实施例提供的一种移动云计算中资源分配预测方法流程图。如图1所示，一种移动云计算中资源分配预测方法，包括以下步骤：
步骤1，统计目标时间节点之前预设时间段内移动云计算中资源指标值构成指标值集合A，对集合A中的资源指标值进行分级，每个等级对应一个状态空间；
步骤2，利用加权马尔科夫链算法，计算目标时间节点的状态概率行向量；
步骤3，根据分级标准建立资源指标值均值列向量，结合步骤2中得到的状态概率行向量，计算目标时间节点的预测值。
由于该算法首先克服了前面两个算法中无法给出具体预测值这一缺陷，可以直接得出预测值不需要用级别特征值法对数据进行后期处理，这在一定程度上简化了模型，减少了运算量，提高了效率。其次，它利用均值列向量整合了各区间叠加概率对整个预测结果的影响，解决了加权马尔科夫链预测模型中叠加过程中忽略了各阶预测概率不同影响这一问题。
所述步骤1中采用均值-标准差方法对所述资源指标值进行分级。均值-标准差分级方法仅从统计学的角度，简单的把样本均值作为指标值的中心，操作方便。
步骤2中所述的利用加权马尔科夫链算法，计算目标时间节点的状态概率行向量，具体包括以下步骤：
步骤201，根据式(1)：
P[Xn+1＝j|Xn＝i,Xn-1＝in-1,...,X0＝i0]＝P[Xn+1＝j|Xn＝i]＝Pij (1)
建立步长为f的状态转移概率矩阵P(f)：
其中，矩阵P(f)中为由状态i经过m步转移至状态j的概率，Mi为状态i的指标值个数，mij由状态i经过m步转移至状态j的指标值个数；
式(1)中，其中Pij是在一个特定的时间间隔下状态i到状态j的一步概率矩阵。这些转换概率被放在一个K×K的转换矩阵，其中K指的是状态个数即所分级别的个数。
假设一个具有初始概率分布π的概率转换矩阵，这个链在n步之后处于状态的概率为πn。尽管矩阵自乘无形中会产生增益，但是如果n的取值不会太大，还是能够避免这些问题。
马尔科夫链算法的主要核心是建立状态转移概率矩阵，首先是确定状态空间的个数即上文提到K的个数，本文均采用均值—标准差方法将数据分为5个等级，统计各个状态的个数并按照式(1)计算一步状态转移概率进行预测。
步骤202，利用式(2)计算各阶自相关系数rf，
式中，rf表示第f阶自相关系数；xl表示第l个时段的资源指标值；表示资源指标值均值；n表示资源指标值序列长度；
利用式(3)对各阶自相关系数rf规范化：
其中，wf为各阶状态转移概率矩阵对应的权重；
步骤203，分别以目标时间节点之前的n个步长的资源指标值为初始状态Xf，结合相应的状态转移概率矩阵P(f)以及所述状态转移概率矩阵对应的权重wf，根据式(4)：
Pf＝Xf×P(f)×wf (4)
计算各阶资源指标值对应的目标时间节点的状态概率行向量Pf。
在加权算法的基础上改进，利用自相关系数的规范化系数对转移概率矩阵加权，提高了预测的精度。
步骤3包括：
步骤301，根据分级标准建立均值列向量am，计算公式如式(5)所示，
am＝((min(A)+T1)/2,(T1+T2)/2,...,(Tn-1+Tn)/2)T (5)
其中，min(A)为集合中的最小值，T1、T2...Tn表示分级标准中的区间端值；
步骤302，根据式(6)计算目标时间节点资源指标值的预测值Pn+1：
利用自身数据范围对数据进行进一步的限定，在保证相关性的基础上对数据叠加获得预测值，能够更大限度的提高预测的准确率。
对集合A中的资源指标值进行分级时，将集合A中的资源指标值划分为5个等级，即5个状态空间。
由于矩阵自乘会产生增益，划分成5个等级，降低矩阵阶数，能够避免这些问题。
本发明另一方面提供一种移动云计算中资源分配预测系统，如图2所示，包括：
数据统计及分级模块，用于统计目标时间节点之前预设时间段内移动云计算中资源指标值构成指标值集合A，对集合A中的资源指标值进行分级，每个等级对应一个状态空间；
状态概率计算模块，用于利用加权马尔科夫链算法，计算目标时间节点的状态概率行向量；
预测模块，用于根据分级标准建立资源指标值均值列向量，结合步骤2中得到的状态概率行向量，计算目标时间节点的预测值。
首先，根据分级标准建立资源指标值均值列向量，结合步骤2中得到的状态概率行向量，直接计算目标时间节点的预测值，克服了马尔科夫链算法和加权马尔科夫链算法中无法给出具体预测值这一缺陷，可以直接得出预测值不需要用级别特征值法对数据进行后期处理，这在一定程度上简化了模型，减少了运算量，提高了效率。其次，它利用均值列向量整合了各区间叠加概率对整个预测结果的影响，解决了加权马尔科夫链预测模型中叠加过程中忽略了各阶预测概率不同影响这一问题。
所述数据统计及分级模块采用均值-标准差方法对所述资源指标值进行分级。
均值-标准差分级方法仅从统计学的角度，简单的把样本均值作为指标值的中心，操作方便。
所述状态概率计算模块，具体用于：
根据式(1)：
P[Xn+1＝j|Xn＝i,Xn-1＝in-1,...,X0＝i0]＝P[Xn+1＝j|Xn＝i]＝Pij (1)
建立步长为f的状态转移概率矩阵P(f)；
其中，矩阵P(f)中为由状态i经过m步转移至状态j的概率，Mi为状态i的指标值个数，mij由状态i经过m步转移至状态j的指标值个数；
利用式(2)计算各阶自相关系数rf，
式中，rf表示第f阶自相关系数；xl表示第l个时段的资源指标值；表示资源指标值均值；n表示资源指标值序列长度；
利用式(3)对各阶自相关系数rf规范化：
其中，wf为各阶状态转移概率矩阵对应的权重；
分别以目标时间节点之前的n个步长的资源指标值为初始状态Xf，结合相应的状态转移概率矩阵P(f)以及所述状态转移概率矩阵对应的权重wf，根据式(4)：
Pf＝Xf×P(f)×wf (4)
计算各阶资源指标值对应的目标时间节点的状态概率行向量Pf。
在加权算法的基础上改进，利用自相关系数的规范化系数对转移概率矩阵加权，提高了预测的精度。
所述预测模块具体用于：
根据分级标准建立均值列向量am，计算公式如式(5)所示，
am＝((min(A)+T1)/2,(T1+T2)/2,...,(Tn-1+Tn)/2)T (5)
其中，min(A)为集合中的最小值，T1、T2...Tn表示分级标准中的区间端值；
根据式(6)计算目标时间节点资源指标值的预测值Pn+1：
利用自身数据范围对数据进行进一步的限定，在保证相关性的基础上对数据叠加获得预测值，能够更大限度的提高预测的准确率。
对集合A中的资源指标值进行分级时，将集合A中的资源指标值划分为5个等级，即5个状态空间。
由于矩阵自乘会产生增益，划分成5个等级，降低矩阵阶数，能够避免这些问题。
为了验证三种预测算法的准确性，本文在MATLAB平台上实现仿真，利用四组数据进行预测，将得到的预测值与实际值比较并对三种模型进行分析比较。仿真实验中我们以CPU资源为例，使用2011年五月由谷歌发布的代表29天的关于一簇被认为是独立单元的11000台物理机器的状态信息云计算数据组，其中CPU使用率来自于一个叫做“资源使用”的表格里，CPU利用率测量值为每300秒一次的测量记录，实验将随机使用若干组CPU最大使用率的数据。
对于CPU资源的预测的结果，我们主要的关注点有两个，一方面预测值要尽可能的不低于实际需求值，尽量避免资源分配不足而导致违反SLA协定，另一方面是预测值与实际值的差要尽可能的小，也就是预测值要无限接近实际值。满足这两点才能实现资源的最优预测。
本实验随机选取四组数据进行仿真实验，每组数据包含20个CPU最大使用率，我们分别用马尔科夫链、加权马尔科夫链、叠加加权马尔科夫链三种预测算法预测每组中的最后三个数据，并与实际值比较，实验数据以及相关对比如下表，算法的仿真如下图3-图6所示。
表1第一组数据三种算法误差对比
表2第二组数据三种算法误差对比
表3第三组数据三种算法误差对比
表4第四组数据三种算法误差对比
以第四组为例马尔科夫链预测结果，如图3所示：
可以看出，马尔科夫链预测算法在初始预测的时候即18时刻处的预测较为准确误差为0.0023，但在19、20会出现较大的误差分别为0.0324和0.0427，而且误差朝着更大的方向发展。
加权马尔科夫链预测结果，如图4所示：
相对于马尔科夫链预测模型的预测结果，加权马尔科夫链预测结果整体更趋向实际值，三个时刻的预测误差分别为0.0125，0.0230和0.0311，虽然误差整体也有变大的趋势，但整体误差大小比起马尔科夫链预测算法的误差是相对较小的，这也在一定程度上体现了加权马尔科夫链预测精度较高的特点。
叠加加权马尔科夫链预测结果，如图5所示；
对比前两个算法的预测值，叠加加权马尔科夫链预测算法的预测值的整体预测误差是最小的，分别为0.0112，0.0130，0.0155，而且误差变化的范围都比较小均在千分位，由此可见叠加运算中的列均值向量对预测值有一定的约束，对数据整体走向有一个比较好的掌握，而且考虑了所有状态的概率对于预测值的影响，对多次预测结果叠加，能够获得最好的预测值。
三种预测方式对于四组数据的最后三个时刻的预测值与实际值的对比如图6所示。
以上所述仅为本发明的较佳实施例，并不用以限制本发明，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。
Claims (10)
1.一种移动云计算中资源分配预测方法，其特征在于，包括以下步骤：
步骤1，统计目标时间节点之前预设时间段内移动云计算中的资源指标值，并根据所述资源指标值构成指标值集合A，利用预设分级标准对所述指标值集合A中的资源指标值进行分级，每个等级对应一个状态；
步骤2，计算各状态间的状态转移概率，并利用加权马尔科夫链算法，计算目标时间节点的状态概率行向量；
步骤3，根据所述预设分级标准建立资源指标值均值列向量，结合步骤2中得到的状态概率行向量，计算目标时间节点的预测值。
2.根据权利要求1所述的一种移动云计算中资源分配预测方法，其特征在于，步骤1中采用均值-标准差方法对所述指标值集合A中的资源指标值进行分级。
3.根据权利要求1所述的一种移动云计算中资源分配预测方法，其特征在于，步骤2中所述的计算各状态间的状态转移概率，并利用加权马尔科夫链算法，计算目标时间节点的状态概率行向量，具体包括以下步骤：
步骤201，根据状态转移概率计算公式计算各状态间的转移概率，并建立步长为f的状态转移概率矩阵P(f)；
其中，矩阵P(f)中为由状态i经过m步转移至状态j的概率，Mi为状态i的指标值个数，mij为由状态i经过m步转移至状态j的指标值个数；
步骤202，利用式(2)计算各阶自相关系数rf，
<mrow>
<msub>
<mi>r</mi>
<mi>f</mi>
</msub>
<mo>=</mo>
<mfrac>
<mrow>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>l</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mrow>
<mi>n</mi>
<mo>-</mo>
<mi>f</mi>
</mrow>
</munderover>
<mrow>
<mo>(</mo>
<msub>
<mi>x</mi>
<mi>l</mi>
</msub>
<mo>-</mo>
<mover>
<mi>x</mi>
<mo>&OverBar;</mo>
</mover>
<mo>)</mo>
</mrow>
<mrow>
<mo>(</mo>
<msub>
<mi>x</mi>
<mrow>
<mi>l</mi>
<mo>+</mo>
<mi>f</mi>
</mrow>
</msub>
<mo>-</mo>
<mover>
<mi>x</mi>
<mo>&OverBar;</mo>
</mover>
<mo>)</mo>
</mrow>
</mrow>
<mrow>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>l</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>n</mi>
</munderover>
<msup>
<mrow>
<mo>(</mo>
<msub>
<mi>x</mi>
<mi>l</mi>
</msub>
<mo>-</mo>
<mover>
<mi>x</mi>
<mo>&OverBar;</mo>
</mover>
<mo>)</mo>
</mrow>
<mn>2</mn>
</msup>
</mrow>
</mfrac>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>2</mn>
<mo>)</mo>
</mrow>
</mrow>
式中，rf表示第f阶自相关系数，第f阶是指步长为f的时间间隔；xl表示第l个时段的资源指标值；表示资源指标值均值；n表示资源指标值序列长度；
利用式(3)对各阶自相关系数rf规范化：
<mrow>
<msub>
<mi>w</mi>
<mi>f</mi>
</msub>
<mo>=</mo>
<mfrac>
<mrow>
<mo>|</mo>
<msub>
<mi>r</mi>
<mi>f</mi>
</msub>
<mo>|</mo>
</mrow>
<mrow>
<mo>|</mo>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>f</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>m</mi>
</munderover>
<msub>
<mi>r</mi>
<mi>f</mi>
</msub>
<mo>|</mo>
</mrow>
</mfrac>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>3</mn>
<mo>)</mo>
</mrow>
</mrow>
其中，wf为各阶状态转移概率矩阵对应的权重；
步骤203，分别以目标时间节点之前的n个步长的资源指标值为初始状态Xf，结合相应的状态转移概率矩阵P(f)以及所述状态转移概率矩阵对应的权重wf，根据式(4)：
Pf＝Xf×P(f)×wf (4)
计算各阶资源指标值对应的目标时间节点的状态概率行向量Pf。
4.根据权利要求3所述的一种移动云计算中资源分配预测方法，其特征在于，步骤3包括：
步骤301，根据分级标准建立均值列向量am，计算公式如式(5)所示，
am＝((min(A)+T1)/2,(T1+T2)/2,...,(Tn-1+Tn)/2)T (5)
其中，min(A)为指标值集合A中的最小值，T1、T2...Tn表示分级标准中的区间端值；
步骤302，根据式(6)计算目标时间节点资源指标值的预测值Pn+1：
<mrow>
<msub>
<mi>P</mi>
<mrow>
<mi>n</mi>
<mo>+</mo>
<mn>1</mn>
</mrow>
</msub>
<mo>=</mo>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>f</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>n</mi>
</munderover>
<msub>
<mi>P</mi>
<mi>f</mi>
</msub>
<mo>&times;</mo>
<mi>a</mi>
<mi>m</mi>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>6</mn>
<mo>)</mo>
</mrow>
<mo>.</mo>
</mrow>
5.根据权利要求1-4任一项所述的一种移动云计算中资源分配预测方法，其特征在于，对指标值集合A中的资源指标值进行分级时，将指标值集合A中的资源指标值划分为5个等级，即5个状态空间。
6.一种移动云计算中资源分配预测系统，其特征在于，包括：
数据统计及分级模块，用于统计目标时间节点之前预设时间段内移动云计算中资源指标值，并根据所述资源指标值构成指标值集合A，利用预设分级标准对指标值集合A中的资源指标值进行分级，每个等级对应一个状态；
状态概率计算模块，用于计算各状态间的状态转移概率，并利用加权马尔科夫链算法，计算目标时间节点的状态概率行向量；
预测模块，用于根据所述预设分级标准建立资源指标值均值列向量，结合步骤2中得到的状态概率行向量，计算目标时间节点的预测值。
7.根据权利要求6所述的一种移动云计算中资源分配预测系统，其特征在于，所述数据统计及分级模块采用均值-标准差方法对所述指标值集合A中的资源指标值进行分级。
8.根据权利要求6所述的一种移动云计算中资源分配预测系统，其特征在于，所述状态概率计算模块具体用于：
根据状态转移概率计算公式计算，各状态间的转移概率，并建立步长为f的状态转移概率矩阵P(f)；
其中，矩阵P(f)中为由状态i经过m步转移至状态j的概率，Mi为状态i的指标值个数，mij由状态i经过m步转移至状态j的指标值个数；
利用式(2)计算各阶自相关系数rf，
<mrow>
<msub>
<mi>r</mi>
<mi>f</mi>
</msub>
<mo>=</mo>
<mfrac>
<mrow>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>l</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mrow>
<mi>n</mi>
<mo>-</mo>
<mi>f</mi>
</mrow>
</munderover>
<mrow>
<mo>(</mo>
<msub>
<mi>x</mi>
<mi>l</mi>
</msub>
<mo>-</mo>
<mover>
<mi>x</mi>
<mo>&OverBar;</mo>
</mover>
<mo>)</mo>
</mrow>
<mrow>
<mo>(</mo>
<msub>
<mi>x</mi>
<mrow>
<mi>l</mi>
<mo>+</mo>
<mi>f</mi>
</mrow>
</msub>
<mo>-</mo>
<mover>
<mi>x</mi>
<mo>&OverBar;</mo>
</mover>
<mo>)</mo>
</mrow>
</mrow>
<mrow>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>l</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>n</mi>
</munderover>
<msup>
<mrow>
<mo>(</mo>
<msub>
<mi>x</mi>
<mi>l</mi>
</msub>
<mo>-</mo>
<mover>
<mi>x</mi>
<mo>&OverBar;</mo>
</mover>
<mo>)</mo>
</mrow>
<mn>2</mn>
</msup>
</mrow>
</mfrac>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>2</mn>
<mo>)</mo>
</mrow>
</mrow>
式中，rf表示第f阶自相关系数，第f阶是指步长为f的时间间隔；xl表示第l个时段的资源指标值；表示资源指标值均值；n表示资源指标值序列长度；
利用式(3)对各阶自相关系数rf规范化：
<mrow>
<msub>
<mi>w</mi>
<mi>f</mi>
</msub>
<mo>=</mo>
<mfrac>
<mrow>
<mo>|</mo>
<msub>
<mi>r</mi>
<mi>f</mi>
</msub>
<mo>|</mo>
</mrow>
<mrow>
<mo>|</mo>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>f</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>m</mi>
</munderover>
<msub>
<mi>r</mi>
<mi>f</mi>
</msub>
<mo>|</mo>
</mrow>
</mfrac>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>3</mn>
<mo>)</mo>
</mrow>
</mrow>
其中，wf为各阶状态转移概率矩阵对应的权重；
分别以目标时间节点之前的n个步长的资源指标值为初始状态Xf，结合相应的状态转移概率矩阵P(f)以及所述状态转移概率矩阵对应的权重wf，根据式(4)：
Pf＝Xf×P(f)×wf (4)
计算各阶资源指标值对应的目标时间节点的状态概率行向量Pf。
9.根据权利要求8所述的一种移动云计算中资源分配预测系统，其特征在于，所述预测模块具体用于：
根据分级标准建立均值列向量am，计算公式如式(5)所示，
am＝((min(A)+T1)/2,(T1+T2)/2,...,(Tn-1+Tn)/2)T (5)
其中，min(A)为指标值集合A中的最小值，T1、T2...Tn表示分级标准中的区间端值；
根据式(6)计算目标时间节点资源指标值的预测值Pn+1：
<mrow>
<msub>
<mi>P</mi>
<mrow>
<mi>n</mi>
<mo>+</mo>
<mn>1</mn>
</mrow>
</msub>
<mo>=</mo>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>f</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>n</mi>
</munderover>
<msub>
<mi>P</mi>
<mi>f</mi>
</msub>
<mo>&times;</mo>
<mi>a</mi>
<mi>m</mi>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>6</mn>
<mo>)</mo>
</mrow>
<mo>.</mo>
</mrow>
10.根据权利要求6-9任一项所述的一种移动云计算中资源分配预测系统，其特征在于，对指标值集合A中的资源指标值进行分级时，将指标值集合A中的资源指标值划分为5个等级，即5个状态空间。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201711131885.9A CN108052387B (zh) | 2017-11-15 | 2017-11-15 | 一种移动云计算中的资源分配预测方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201711131885.9A CN108052387B (zh) | 2017-11-15 | 2017-11-15 | 一种移动云计算中的资源分配预测方法及系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN108052387A true CN108052387A (zh) | 2018-05-18 |
| CN108052387B CN108052387B (zh) | 2021-07-27 |
Family
ID=62119185
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201711131885.9A Active CN108052387B (zh) | 2017-11-15 | 2017-11-15 | 一种移动云计算中的资源分配预测方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN108052387B (zh) |
Cited By (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109272047A (zh) * | 2018-09-27 | 2019-01-25 | 山东理工大学 | 一种满足光组播资源预测的隐马尔科夫模型状态构造与参数训练方法 |
| CN109446038A (zh) * | 2018-09-03 | 2019-03-08 | 平安普惠企业管理有限公司 | 页面访问时长的统计方法及终端设备 |
| CN109567783A (zh) * | 2018-11-30 | 2019-04-05 | 合肥工业大学 | 一种基于加权马尔可夫模型预测空间位置心磁信号的方法 |
| CN110187280A (zh) * | 2019-05-20 | 2019-08-30 | 天津大学 | 一种基于灰色模型的锂电池剩余寿命概率预测的方法 |
| CN110995649A (zh) * | 2019-10-25 | 2020-04-10 | 深圳猛犸电动科技有限公司 | 一种基于贝叶斯网络的网络安全态势预测方法及装置 |
| EP3822839A4 (en) * | 2018-09-25 | 2021-09-01 | Ennew Digital Technology Co., Ltd. | THERMAL LOAD PREDICTING PROCESS AND APPARATUS, READABLE SUPPORT, AND ELECTRONIC DEVICE |
| CN114996093A (zh) * | 2022-06-08 | 2022-09-02 | 三峡智控科技有限公司 | 一种数据中心节能系统的智能巡检优化方法 |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20090105572A1 (en) * | 2007-10-18 | 2009-04-23 | Lifescan Scotland, Ltd. | Method for predicting a user's future glycemic state |
| US20120079497A1 (en) * | 2010-09-29 | 2012-03-29 | International Business Machines Corporation | Predicting Resource Requirements for a Computer Application |
| CN104571262A (zh) * | 2015-01-16 | 2015-04-29 | 江南大学 | 短期风电功率区间概率预测方法 |
-
2017
- 2017-11-15 CN CN201711131885.9A patent/CN108052387B/zh active Active
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20090105572A1 (en) * | 2007-10-18 | 2009-04-23 | Lifescan Scotland, Ltd. | Method for predicting a user's future glycemic state |
| US20120079497A1 (en) * | 2010-09-29 | 2012-03-29 | International Business Machines Corporation | Predicting Resource Requirements for a Computer Application |
| CN104571262A (zh) * | 2015-01-16 | 2015-04-29 | 江南大学 | 短期风电功率区间概率预测方法 |
Non-Patent Citations (3)
| Title |
|---|
| HUI TIAN等: ""New methods for network traffic matrix estimation based on a probability model"", 《2011 17TH IEEE INTERNATIONAL CONFERENCE ON NETWORKS》 * |
| MUSTAFA M.AI-SAYED等: ""Prediction mechanisms for monitoring state of cloud resources using Markov chain model"", 《JOURNAL OF PARALLEL AND DISTRIBUTED COMPUTING》 * |
| 赵玲: ""基于马尔可夫链的道路交通事故预测研究及应用"", 《中国博士学位论文全文数据库 工程科技II辑》 * |
Cited By (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109446038A (zh) * | 2018-09-03 | 2019-03-08 | 平安普惠企业管理有限公司 | 页面访问时长的统计方法及终端设备 |
| EP3822839A4 (en) * | 2018-09-25 | 2021-09-01 | Ennew Digital Technology Co., Ltd. | THERMAL LOAD PREDICTING PROCESS AND APPARATUS, READABLE SUPPORT, AND ELECTRONIC DEVICE |
| US11887020B2 (en) | 2018-09-25 | 2024-01-30 | Ennew Technology Co., Ltd. | Thermal load prediction method and apparatus, readable medium, and electronic device |
| CN109272047A (zh) * | 2018-09-27 | 2019-01-25 | 山东理工大学 | 一种满足光组播资源预测的隐马尔科夫模型状态构造与参数训练方法 |
| CN109567783A (zh) * | 2018-11-30 | 2019-04-05 | 合肥工业大学 | 一种基于加权马尔可夫模型预测空间位置心磁信号的方法 |
| CN109567783B (zh) * | 2018-11-30 | 2021-06-18 | 合肥工业大学 | 一种基于加权马尔可夫模型预测空间位置心磁信号的方法 |
| CN110187280A (zh) * | 2019-05-20 | 2019-08-30 | 天津大学 | 一种基于灰色模型的锂电池剩余寿命概率预测的方法 |
| CN110995649A (zh) * | 2019-10-25 | 2020-04-10 | 深圳猛犸电动科技有限公司 | 一种基于贝叶斯网络的网络安全态势预测方法及装置 |
| CN110995649B (zh) * | 2019-10-25 | 2022-04-19 | 深圳猛犸电动科技有限公司 | 一种基于贝叶斯网络的网络安全态势预测方法及装置 |
| CN114996093A (zh) * | 2022-06-08 | 2022-09-02 | 三峡智控科技有限公司 | 一种数据中心节能系统的智能巡检优化方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN108052387B (zh) | 2021-07-27 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN108052387A (zh) | 一种移动云计算中的资源分配预测方法及系统 | |
| Ren et al. | A dynamic load balancing strategy for cloud computing platform based on exponential smoothing forecast | |
| CN102393839B (zh) | 并行数据处理系统及方法 | |
| CN102063339B (zh) | 基于云计算系统的资源负载均衡的方法和设备 | |
| CN109993414A (zh) | 一种电力企业创新发展的评估方法、装置及存储介质 | |
| CN106385468A (zh) | Web集群的可预测动态负载均衡方法 | |
| CN106709625A (zh) | 一种电力市场需求响应规划评估方法 | |
| CN105225149A (zh) | 一种征信评分确定方法及装置 | |
| CN110276491A (zh) | 粉丝预测管理方法、装置、计算机设备及存储介质 | |
| CN109544196A (zh) | 预约订单的价格倍数确定方法和装置 | |
| CN108022004A (zh) | 一种多模型加权组合电力负荷预报的自适应权重训练方法 | |
| CN110569190B (zh) | 交易压力测试方法和装置、以及电子设备和可读存储介质 | |
| CN105306553A (zh) | 访问请求调度方法及装置 | |
| CN103473437B (zh) | 一种基于模糊理想化目标分析的云服务平台选择方法 | |
| CN108596493A (zh) | 拆单式交易方法及装置 | |
| Seo et al. | Auction-based Federated Learning using Software-defined Networking for resource efficiency | |
| CN108830663B (zh) | 电力客户价值评价方法、系统及终端设备 | |
| CN116542490A (zh) | 虚拟电厂日前调度封装模型以及调度出清模型构建方法 | |
| CN106897771B (zh) | 一种基于混沌遗传算法的新能源样板机选择方法及系统 | |
| CN113297310B (zh) | 一种物联网中区块链分片验证者选取的方法 | |
| CN108804640B (zh) | 基于最大化iv的数据分组方法、装置、储存介质及设备 | |
| CN109472455B (zh) | 活动评估方法、装置、电子设备及存储介质 | |
| CN108958931B (zh) | 一种计算迁移方法及装置 | |
| CN202838322U (zh) | 并行数据处理系统 | |
| CN106789745A (zh) | 一种带宽获取方法和装置 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |