CN108196957A - 一种云环境下的主机负载预测方法 - Google Patents

Abstract

本发明涉及云计算技术领域，特别是一种云环境下的主机负载预测方法，包括如下步骤：1、取云平台的历史负载数据集X，进行归一化处理，得到归一化后的历史负载数据集2、根据得到的历史负载数据集构建ARMA预测模型，获得主机负载预测值集合，进而计算得到ARMA预测误差数据集E；3、使用ARMA预测误差数据集E训练Elman网络模型，并根据得到的Elman网络模型进行预测，得到误差预测值集合；4、结合ARMA预测模型和Elman网络模型，修正主机负载预测值集合，得到更高精度的预测模型HARMA‑E；5、采用预测模型HARMA‑E，预测云平台的实时负载。该方法能有效提升云环境中主机工作负载的预测精度。

Description

一种云环境下的主机负载预测方法

技术领域

本发明涉及云计算技术领域，特别是一种云环境下的主机负载预测方法。

背景技术

近年来，随着信息和通信技术的快速发展，计算模式经历了从最初把任务集中交付给大型处理机的模式，到后来发展为基于网络的分布式任务处理模式，再到现在的按需处理的云计算模式。云计算是全球新一轮IT革命的标志性创新，已经成为引领未来信息产业乃至整个经济社会创新发展的战略性关键技术和基础性创新平台。但与此同时，在商业应用领域云代理模式也面临一些困难，其中最主要的问题就是如何在提高资源利用率和保证利润最大化的同时，确保SLA(Service-Level Agreement)水平在一个可接受的范围内。由于云环境的复杂性，云服务器并不总能对用户的服务请求作出及时响应，因此工作负载预测是在云计算环境中实现成本优化、资源分配、节能以及提升SLA水平的重要途径之一。

目前，针对云环境下的工作负载预测问题，已有学者提出了一些预测方法和模型。Barati M提出了一个基于支持向量机的预测模型，该模型采用混合遗传算法和粒子群算法来选择参数，以此获得较优的模型。Foo Y W提出了一种混合神经网络与遗传算法的模型，使用遗传算法来代替传统的BP算法训练网络参数。上述论文提出的都是单预测模型，由于单模型预测性能有限，并不能很好的适用于较复杂的负载预测，因此集成学习的方法也被广泛用于处理此类预测问题。Adhikari R提出一种基于权重调整的预测模型，但是区别于一般的权重调整方式，其增加了多个非线性项，用于体现模型之间的联系对于预测结果的影响。Smith C提出一种基于帕累托解集的预测模型，采用遗传算法训练递归神经网络网络的模型，然后得出一个帕累托解集，再根据一定的标准选择多个模型集成后再作为预测的模型。Cetinski K提出一种基于回归分析和随机森林的混合模型，使用统计学方法提取数据特征，再使用机器学习的方法做预测。Zhao Q提出了一种基于快速傅里叶变换理论的预测模型，使用傅里叶变换验证数据是否要周期性，若存在周期性，则使用快速傅里叶变换作为预测模型，若不存在周期性，则使用隐马尔科夫模型作为预测模型。

综上，现有的集成模型大都采用类似于给不同模型的输出赋予不同权重的集成方式，但这种方式总是难以避免性能较差的模型对整体预测精度的影响。

发明内容

本发明的目的在于克服现有技术的不足，提供一种云环境下的主机负载预测方法，该方法能有效提升云环境中主机工作负载的预测精度。

为实现上述目的，本发明的技术方案是：一种云环境下的主机负载预测方法，包括如下步骤：

步骤A：取云平台的历史负载数据集X＝{x₁,x₂,...,x_t,...,x_n}，其中x_t表示云平台在t时刻的主机负载，对所述历史负载数据集X进行min-max归一化处理，将{x₁,x₂,...,x_t,...,x_n}映射到[0,1]之间，得到归一化后的历史负载数据集

步骤B：根据归一化后的历史负载数据集构建ARMA预测模型，获得主机负载预测值集合进而计算得到ARMA预测误差数据集E；

步骤C：使用ARMA预测误差数据集E训练Elman网络模型，并根据得到的Elman网络模型进行预测，得到误差预测值集合

步骤D：结合ARMA预测模型和Elman网络模型，修正步骤B得到的主机负载预测值集合得到更高精度的预测模型HARMA-E；

步骤E：采用预测模型HARMA-E，预测云平台的实时负载。

进一步地，所述步骤B中，根据归一化后的历史负载数据集构建ARMA预测模型，进而获得主机负载预测值集合和ARMA预测误差数据集E，具体包括以下步骤：

步骤B1：对归一化后的历史负载数据集做一阶差分，得到差分后的序列

步骤B2：选取ARMA(p,q)预测模型的自回归阶数p和滑动平均阶数q的集合：构造序列的自相关图和偏自相关图，分析自相关图和偏自相关图的拖尾、截尾性，若自相关图在滞后数后拖尾，偏自相关图在滞后数后截尾，则得到ARMA(p,q)预测模型的参数p和q的取值范围为和

ARMA(p,q)预测模型的计算公式如下：

其中为模型在t时刻负载的预测值，p、q分别表示t时刻之前的主机负载序列{x_i|i＝1,2,...,t}的自回归阶数和滑动平均阶数，x_t-i为t-i时刻负载的真实值，为t-i时刻主机负载x_t-i对应的自回归系数；e_t-j为模型在t-j时刻的误差，θ_j为t-j时刻误差e_t-j对应的误差滑动平均系数；

步骤B3：使用AIC准则计算统计量A(s)，从和中选择使A(s)达到最小值的(p*,q*)作为ARMA(p,q)预测模型的自回归阶数和滑动平均阶数，A(s)公式如下：

其中，N为已知观测数据样本集大小，σ²为误差序列{e_i|i＝1,2,...,t}的方差，s为参数的总数，为方差σ²、自回归参数滑动平均参数θ₁,θ₂,...,θ_q这些参数的数量之和，即s＝1+p+q；

步骤B4：确定ARMA(p,q)预测模型的自回归阶数p和滑动平均阶数q值后，使用最小二乘法估计ARMA(p,q)预测模型的自回归参数和滑动平均参数θ₁,θ₂,...,θ_q；

步骤B5：以差分后的序列作为ARMA(p,q)预测模型的输入，预测主机负载，获得主机负载预测值集合

步骤B6：比较主机负载预测值集合和实际负载，得到ARMA(p,q)预测模型的预测误差集合E。

进一步地，所述步骤C中，使用ARMA(p,q)预测模型的预测误差集合E训练Elman网络模型，并根据得到的Elman网络模型进行预测，得到误差预测集合具体包括以下步骤：

步骤C1：设置Elman网络模型的训练参数，随机初始化各层的连接权重；

步骤C2：使用得到的ARMA预测误差数据集E作为输入，训练Elman网络模型；Elman网络模型的计算公式如下：

其中，h(t)表示t时刻隐含层节点的输出，c(t)表示t时刻上下文层节点的输出，u(t-1)表示t-1时刻输入层节点的输出，c(t)＝h(t-1)；表示上下文层节点与隐含层节点的连接权重，m表示上下文层节点数，表示输入层节点与隐含层节点的连接权重，l表示输入层节点数；ξ()为激活函数，激活函数ξ()取S函数如下：

Elman网络模型的输出层节点的计算公式如下：

ζ()为线性函数，表示隐含层节点与输出层节点的连接权重，r表示隐含层节点数；

步骤C3：使用ARMA(p,q)预测模型的预测误差集合E作为Elman网络模型的输入，得到Elman网络模型的输出表示Elman网络模型对于ARMA(p,q)预测模型的预测误差集合E的预测结果集。

进一步地，所述步骤D中，结合ARMA(p,q)预测模型和Elman网络模型，修正步骤B得到的主机负载预测值集合得到更高精度的预测模型HARMA-E，具体方法如下：

令ARMA(p,q)预测模型在t时刻的输入序列为v_ARMA(t)，v_ARMA(t)＝{x_t-p+1,...,x_t-1,x_t}，ARMA(p,q)预测模型在t时刻的输出表示为令Elman网络模型在t时刻的输入序列为v_ENN(t)，v_ENN(t)＝{e_t-h+1,...,e_t-1,e_t}，e_t-h+1,...,e_t-1,e_t∈E，h为Elman网络模型的输入层的节点个数，则混合预测模型HARMA-E的计算公式如下：

相较于现有技术，本发明的有益效果是：提出了一个混合ARMA和Elman的模型，使用ARMA模型进行预测，再使用Elman网络对ARMA模型的误差进行预测，最后得到一个修正误差后的预测值。这样不仅避免了较差模型对于整体性能的影响，此外，因为Elman网络是对于ARMA误差的预测，其预测精度总是优于原数据集的预测精度，所以又进一步提升了模型的预测性能。

附图说明

图1是本发明实施例的实现流程图。

具体实施方式

下面结合附图及具体实施例对本发明作进一步的详细说明。

本发明提供一种云环境下的主机负载预测方法，如图1所示，包括如下步骤：

步骤A：取云平台的历史负载数据集X＝{x₁,x₂,...,x_t,...,x_n}，其中x_t表示云平台在t时刻的主机负载，对所述历史负载数据集X进行min-max归一化处理，将{x₁,x₂,...,x_t,...,x_n}映射到[0,1]之间，得到归一化后的历史负载数据集

步骤B：根据归一化后的历史负载数据集构建ARMA预测模型，获得主机负载预测值集合进而计算得到ARMA预测误差数据集E。具体包括以下步骤：

步骤B1：对归一化后的历史负载数据集做一阶差分，得到差分后的序列

步骤B2：选取ARMA(p,q)预测模型的自回归阶数p和滑动平均阶数q的集合：构造序列的自相关图和偏自相关图，分析自相关图和偏自相关图的拖尾、截尾性，若自相关图在滞后数后拖尾，偏自相关图在滞后数后截尾，则得到ARMA(p,q)预测模型的参数p和q的取值范围为和

ARMA(p,q)预测模型的计算公式如下：

其中为模型在t时刻负载的预测值，p、q分别表示t时刻之前的主机负载序列{x_i|i＝1,2,...,t}的自回归阶数和滑动平均阶数，x_t-i为t-i时刻负载的真实值，为t-i时刻主机负载x_t-i对应的自回归系数；e_t-j为模型在t-j时刻的误差，θ_j为t-j时刻误差e_t-j对应的误差滑动平均系数；

步骤B3：使用AIC准则计算统计量A(s)，从和中选择使A(s)达到最小值的(p*,q*)作为ARMA(p,q)预测模型的自回归阶数和滑动平均阶数，A(s)公式如下：

其中，N为已知观测数据样本集大小，σ²为误差序列{e_i|i＝1,2,...,t}的方差，s为参数的总数，为方差σ²、自回归参数滑动平均参数θ₁,θ₂,...,θ_q这些参数的数量之和，即s＝1+p+q；

步骤B4：确定ARMA(p,q)预测模型的自回归阶数p和滑动平均阶数q值后，使用最小二乘法估计ARMA(p,q)预测模型的自回归参数和滑动平均参数θ₁,θ₂,...,θ_q；

步骤B5：以差分后的序列作为ARMA(p,q)预测模型的输入，预测主机负载，获得主机负载预测值集合

步骤B6：比较主机负载预测值集合和实际负载，得到ARMA(p,q)预测模型的预测误差集合E。

步骤C：使用ARMA预测误差数据集E训练Elman网络模型，并根据得到的Elman网络模型进行预测，得到误差预测值集合具体包括以下步骤：

步骤C1：设置Elman网络模型的训练参数，随机初始化各层的连接权重；

步骤C2：使用得到的ARMA预测误差数据集E作为输入，训练Elman网络模型；Elman网络模型的计算公式如下：

其中，h(t)表示t时刻隐含层节点的输出，c(t)表示t时刻上下文层节点的输出，u(t-1)表示t-1时刻输入层节点的输出，c(t)＝h(t-1)；表示上下文层节点与隐含层节点的连接权重，m表示上下文层节点数，表示输入层节点与隐含层节点的连接权重，l表示输入层节点数；ξ()为激活函数，激活函数ξ()取S函数如下：

Elman网络模型的输出层节点的计算公式如下：

ζ()为线性函数，表示隐含层节点与输出层节点的连接权重，r表示隐含层节点数；

步骤C3：使用ARMA(p,q)预测模型的预测误差集合E作为Elman网络模型的输入，得到Elman网络模型的输出 表示Elman网络模型对于ARMA(p,q)预测模型的预测误差集合E的预测结果集。

步骤D：结合ARMA预测模型和Elman网络模型，修正步骤B得到的主机负载预测值集合得到更高精度的预测模型HARMA-E。具体方法如下：

令ARMA(p,q)预测模型在t时刻的输入序列为v_ARMA(t)，v_ARMA(t)＝{x_t-p+1,...,x_t-1,x_t}，ARMA(p,q)预测模型在t时刻的输出表示为令Elman网络模型在t时刻的输入序列为v_ENN(t)，v_ENN(t)＝{e_t-h+1,...,e_t-1,e_t}，e_t-h+1,...,e_t-1,e_t∈E，h为Elman网络模型的输入层的节点个数，则混合预测模型HARMA-E的计算公式如下：

步骤E：采用预测模型HARMA-E，预测云平台的实时负载。

以上是本发明的较佳实施例，凡依本发明技术方案所作的改变，所产生的功能作用未超出本发明技术方案的范围时，均属于本发明的保护范围。

Claims (4)

1.一种云环境下的主机负载预测方法，其特征在于，包括如下步骤：

步骤A：取云平台的历史负载数据集X＝{x₁,x₂,...,x_t,...,x_n}，其中x_t表示云平台在t时刻的主机负载，对所述历史负载数据集X进行min-max归一化处理，将{x₁,x₂,...,x_t,...,x_n}映射到[0,1]之间，得到归一化后的历史负载数据集

步骤B：根据归一化后的历史负载数据集构建ARMA预测模型，获得主机负载预测值集合进而计算得到ARMA预测误差数据集E；

步骤C：使用ARMA预测误差数据集E训练Elman网络模型，并根据得到的Elman网络模型进行预测，得到误差预测值集合

步骤D：结合ARMA预测模型和Elman网络模型，修正步骤B得到的主机负载预测值集合得到更高精度的预测模型HARMA-E；

步骤E：采用预测模型HARMA-E，预测云平台的实时负载。

2.根据权利要求1所述的一种云环境下的主机负载预测方法，其特征在于，所述步骤B中，根据归一化后的历史负载数据集构建ARMA预测模型，进而获得主机负载预测值集合和ARMA预测误差数据集E，具体包括以下步骤：

步骤B1：对归一化后的历史负载数据集做一阶差分，得到差分后的序列

步骤B2：选取ARMA(p,q)预测模型的自回归阶数p和滑动平均阶数q的集合：构造序列的自相关图和偏自相关图，分析自相关图和偏自相关图的拖尾、截尾性，若自相关图在滞后数后拖尾，偏自相关图在滞后数后截尾，则得到ARMA(p,q)预测模型的参数p和q的取值范围为和

ARMA(p,q)预测模型的计算公式如下：

其中为模型在t时刻负载的预测值，p、q分别表示t时刻之前的主机负载序列{x_i|i＝1,2,...,t}的自回归阶数和滑动平均阶数，x_t-i为t-i时刻负载的真实值，为t-i时刻主机负载x_t-i对应的自回归系数；e_t-j为模型在t-j时刻的误差，θ_j为t-j时刻误差e_t-j对应的误差滑动平均系数；

步骤B3：使用AIC准则计算统计量A(s)，从和中选择使A(s)达到最小值的(p*,q*)作为ARMA(p,q)预测模型的自回归阶数和滑动平均阶数，A(s)公式如下：

其中，N为已知观测数据样本集大小，σ²为误差序列{e_i|i＝1,2,...,t}的方差，s为参数的总数，为方差σ²、自回归参数滑动平均参数θ₁,θ₂,...,θ_q这些参数的数量之和，即s＝1+p+q；

步骤B4：确定ARMA(p,q)预测模型的自回归阶数p和滑动平均阶数q值后，使用最小二乘法估计ARMA(p,q)预测模型的自回归参数和滑动平均参数θ₁,θ₂,...,θ_q；

步骤B5：以差分后的序列作为ARMA(p,q)预测模型的输入，预测主机负载，获得主机负载预测值集合

步骤B6：比较主机负载预测值集合和实际负载，得到ARMA(p,q)预测模型的预测误差集合E。

3.根据权利要求2所述的一种云环境下的主机负载预测方法，其特征在于，所述步骤C中，使用ARMA(p,q)预测模型的预测误差集合E训练Elman网络模型，并根据得到的Elman网络模型进行预测，得到误差预测集合具体包括以下步骤：

步骤C1：设置Elman网络模型的训练参数，随机初始化各层的连接权重；

步骤C2：使用得到的ARMA预测误差数据集E作为输入，训练Elman网络模型；Elman网络模型的计算公式如下：

其中，h(t)表示t时刻隐含层节点的输出，c(t)表示t时刻上下文层节点的输出，u(t-1)表示t-1时刻输入层节点的输出，c(t)＝h(t-1)；表示上下文层节点与隐含层节点的连接权重，m表示上下文层节点数，表示输入层节点与隐含层节点的连接权重，l表示输入层节点数；ξ()为激活函数，激活函数ξ()取S函数如下：

Elman网络模型的输出层节点的计算公式如下：

ζ()为线性函数，表示隐含层节点与输出层节点的连接权重，r表示隐含层节点数；

步骤C3：使用ARMA(p,q)预测模型的预测误差集合E作为Elman网络模型的输入，得到Elman网络模型的输出表示Elman网络模型对于ARMA(p,q)预测模型的预测误差集合E的预测结果集。

4.根据权利要求1所述的一种云环境下的主机负载预测方法，其特征在于，所述步骤D中，结合ARMA(p,q)预测模型和Elman网络模型，修正步骤B得到的主机负载预测值集合得到更高精度的预测模型HARMA-E，具体方法如下：

令ARMA(p,q)预测模型在t时刻的输入序列为v_ARMA(t)，v_ARMA(t)＝{x_t-p+1,...,x_t-1,x_t}，ARMA(p,q)预测模型在t时刻的输出表示为令Elman网络模型在t时刻的输入序列为v_ENN(t)，v_ENN(t)＝{e_t-h+1,...,e_t-1,e_t}，e_t-h+1,...,e_t-1,e_t∈E，h为Elman网络模型的输入层的节点个数，则混合预测模型HARMA-E的计算公式如下：