CN109714395B - 云平台资源使用预测方法及终端设备 - Google Patents
云平台资源使用预测方法及终端设备 Download PDFInfo
- Publication number
- CN109714395B CN109714395B CN201811502716.6A CN201811502716A CN109714395B CN 109714395 B CN109714395 B CN 109714395B CN 201811502716 A CN201811502716 A CN 201811502716A CN 109714395 B CN109714395 B CN 109714395B
- Authority
- CN
- China
- Prior art keywords
- historical
- resource
- data
- cloud platform
- correlation
- 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.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 45
- 238000012417 linear regression Methods 0.000 claims abstract description 77
- 238000003062 neural network model Methods 0.000 claims abstract description 69
- 238000003860 storage Methods 0.000 claims abstract description 13
- 230000002159 abnormal effect Effects 0.000 claims description 24
- 238000004590 computer program Methods 0.000 claims description 14
- 238000012549 training Methods 0.000 claims description 11
- 230000008569 process Effects 0.000 abstract description 10
- 238000004364 calculation method Methods 0.000 abstract description 7
- 238000004883 computer application Methods 0.000 abstract description 2
- 230000000875 corresponding effect Effects 0.000 description 23
- 238000013528 artificial neural network Methods 0.000 description 15
- 210000002569 neuron Anatomy 0.000 description 14
- 230000006870 function Effects 0.000 description 11
- 230000001419 dependent effect Effects 0.000 description 8
- 230000000694 effects Effects 0.000 description 7
- 238000012545 processing Methods 0.000 description 7
- 230000002596 correlated effect Effects 0.000 description 6
- 238000005516 engineering process Methods 0.000 description 6
- 230000008859 change Effects 0.000 description 5
- 238000010586 diagram Methods 0.000 description 5
- 238000011161 development Methods 0.000 description 4
- 238000009826 distribution Methods 0.000 description 4
- 238000013178 mathematical model Methods 0.000 description 4
- 230000015556 catabolic process Effects 0.000 description 3
- 238000001514 detection method Methods 0.000 description 3
- 238000000611 regression analysis Methods 0.000 description 3
- 238000013468 resource allocation Methods 0.000 description 3
- 210000003484 anatomy Anatomy 0.000 description 2
- 238000010219 correlation analysis Methods 0.000 description 2
- 239000006185 dispersion Substances 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 230000035755 proliferation Effects 0.000 description 2
- 238000012827 research and development Methods 0.000 description 2
- PXFBZOLANLWPMH-UHFFFAOYSA-N 16-Epiaffinine Natural products C1C(C2=CC=CC=C2N2)=C2C(=O)CC2C(=CC)CN(C)C1C2CO PXFBZOLANLWPMH-UHFFFAOYSA-N 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 230000003542 behavioural effect Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 210000004556 brain Anatomy 0.000 description 1
- 230000003925 brain function Effects 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 210000004027 cell Anatomy 0.000 description 1
- 239000000470 constituent Substances 0.000 description 1
- 230000007423 decrease Effects 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000006731 degradation reaction Methods 0.000 description 1
- 238000005183 dynamical system Methods 0.000 description 1
- 238000009499 grossing Methods 0.000 description 1
- 230000010365 information processing Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000012886 linear function Methods 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000000491 multivariate analysis Methods 0.000 description 1
- 230000035772 mutation Effects 0.000 description 1
- 210000003061 neural cell Anatomy 0.000 description 1
- 230000035699 permeability Effects 0.000 description 1
- 239000002689 soil Substances 0.000 description 1
- 238000003892 spreading Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 239000000725 suspension Substances 0.000 description 1
- 239000013598 vector Substances 0.000 description 1
- 239000002699 waste material Substances 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明适用于计算机应用技术领域，提供了一种云平台资源使用预测方法、终端设备及计算机可读存储介质，包括：获取云平台的历史使用数据，确定所述历史资源使用量及其所述使用时刻之间的相关性，并根据相关性调整预设的线性回归模型的权重以及预设的神经网络模型的权重通过对获取到的历史使用数据按照每月最大值归档，根据计算得到的线性相关系数确定时间和使用量之间是否为线性相关，并根据相关情况调整两个预测模型的权重，最后根据两个预测模型和调整之后的权重预测出未来预设时间的使用量，简化了参与预测的数值和预测得到的数值的数量和类型，提高了云平台资源使用量预测过程的效率和准确度。
Description
技术领域
本发明属于计算机应用技术领域，尤其涉及一种云平台资源使用预测方法、终端设备及计算机可读存储介质。
背景技术
互联网产业作为一种快速发展的产业，在短短几十年中已经经过了个人计算机、互联网两代具有里程碑意义的革新，互联网技术保持着螺旋式的发展，并给人们的生活、生产带来了极大推进作用。极速地发展导致海量数据的出现、数据中心的膨胀以及应用数量的激增，如果不提出对应的解决方案，这些问题将会导致整个互联网产业的崩溃。这时云计算理念应运而生，并毫无悬念的掀起了互联网产业的第三次的革新浪潮。从现在各大互联网公司对于云计算的研发投入以及国家对于云计算的重视程度来可以看出云计算重要程度。
现有技术中通过自回归积分滑动平均模型进行预测，该模型短期预测效果有效，但对数据的要求极高，使用难度大、计算资源消耗高，尤其是在长期预测的情况下预测结果不够准确。
发明内容
有鉴于此，本发明实施例提供了一种云平台资源使用预测方法、终端设备及计算机可读存储介质，以解决现有技术中云平台在资源使用预测过程中预测效果不够准确的问题。
本发明实施例的第一方面提供了一种云平台资源使用预测方法，包括：
获取云平台的历史使用数据；所述历史使用数据包括历史资源使用量以及每个所述历史资源使用量对应的使用时刻；
确定所述历史资源使用量及其所述使用时刻之间的相关性，并根据所述相关性调整预设的线性回归模型的权重以及预设的神经网络模型的权重；所述线性回归模型和所述神经网络模型为预先根据云平台的历史使用数据训练得到，用于对所述云平台的使用情况进行预测；
将所述历史使用数据分别输入所述线性回归模型和所述神经网络模型预测得到所述云平台在预设时段内的第一资源使用量和第二资源使用量，再根据所述线性回归模型和所述神经网络模型调整之后的权重计算所述第一资源使用量和所述第二资源使用量之间的加权和，得到所述云平台在预设时段内的资源使用量。
本发明实施例的第二方面提供了一种终端设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现以下步骤：
获取云平台的历史使用数据；所述历史使用数据包括历史资源使用量以及每个所述历史资源使用量对应的使用时刻；
确定所述历史资源使用量及其所述使用时刻之间的相关性，并根据所述相关性调整预设的线性回归模型的权重以及预设的神经网络模型的权重；所述线性回归模型和所述神经网络模型为预先根据云平台的历史使用数据训练得到，用于对所述云平台的使用情况进行预测；
将所述历史使用数据分别输入所述线性回归模型和所述神经网络模型预测得到所述云平台在预设时段内的第一资源使用量和第二资源使用量，再根据所述线性回归模型和所述神经网络模型调整之后的权重计算所述第一资源使用量和所述第二资源使用量之间的加权和，得到所述云平台在预设时段内的资源使用量。
本发明实施例的第三方面提供了一种终端设备，包括：
获取单元，用于获取云平台的历史使用数据；所述历史使用数据包括历史资源使用量以及每个所述历史资源使用量对应的使用时刻；
调整单元，用于确定所述历史资源使用量及其所述使用时刻之间的相关性，并根据所述相关性调整预设的线性回归模型的权重以及预设的神经网络模型的权重；所述线性回归模型和所述神经网络模型为预先根据云平台的历史使用数据训练得到，用于对所述云平台的使用情况进行预测；
预测单元，用于将所述历史使用数据分别输入所述线性回归模型和所述神经网络模型预测得到所述云平台在预设时段内的第一资源使用量和第二资源使用量，再根据所述线性回归模型和所述神经网络模型调整之后的权重计算所述第一资源使用量和所述第二资源使用量之间的加权和，得到所述云平台在预设时段内的资源使用量。
本发明实施例的第四方面提供了一种计算机可读存储介质，所述计算机存储介质存储有计算机程序，所述计算机程序包括程序指令，所述程序指令当被处理器执行时使所述处理器执行上述第一方面的方法。
本发明实施例与现有技术相比存在的有益效果是：
本发明实施例通过对获取到的历史使用数据按照每月最大值归档，根据计算得到的线性相关系数确定时间和使用量之间是否为线性相关，并根据相关情况调整两个预测模型的权重，最后根据两个预测模型和调整之后的权重预测出未来预设时间的使用量，简化了参与预测的数值和预测得到的数值的数量和类型，提高了云平台资源使用量预测过程的效率和准确度。
附图说明
为了更清楚地说明本发明实施例中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
图1是本发明实施例一提供的云平台资源使用预测方法的流程图；
图2是本发明实施例二提供的云平台资源使用预测方法的流程图；
图3是本发明实施例三提供的终端设备的示意图；
图4是本发明实施例四提供的终端设备的示意图。
具体实施方式
以下描述中，为了说明而不是为了限定，提出了诸如特定系统结构、技术之类的具体细节，以便透彻理解本发明实施例。然而，本领域的技术人员应当清楚，在没有这些具体细节的其它实施例中也可以实现本发明。在其它情况中，省略对众所周知的系统、装置、电路以及方法的详细说明，以免不必要的细节妨碍本发明的描述。
为了说明本发明所述的技术方案，下面通过具体实施例来进行说明。
参见图1，图1是本发明实施例一提供的云平台资源使用预测方法的流程图。本实施例中云平台资源使用预测方法的执行主体为终端。终端包括但不限于智能手机、平板电脑、可穿戴设备等移动终端，还可以是台式电脑等。如图所示的云平台资源使用预测方法可以包括以下步骤：
S101：获取云平台的历史使用数据；所述历史使用数据包括历史资源使用量以及每个所述历史资源使用量对应的使用时刻。
计算机信息技术产业作为一种快速发展的产业，在短短几十年中已经经过了个人计算机、互联网两代具有里程碑意义的革新，计算机信息技术保持着螺旋式的发展，并给人们的生活、生产带来了极大推进作用。极速地发展导致海量数据的出现、数据中心的膨胀以及应用数量的激增，如果不提出对应的解决方案，这些问题将会导致整个计算机信息产业的崩溃。这时云计算理念应运而生，并毫无悬念的掀起了计算机信息产业的第三次的革新浪潮。从现在各大计算机信息公司对于云计算的研发投入以及国家对于云计算的重视程度来可以看出云计算重要程度。云计算是现有计算机信息和互联网技术以及业务模型组件演变的结果，是信息技术作为服务来提供的一种计算供应和消费的方式。
云计算技术可以将底层分散异构的计算资源整合起来资源池化，统一进行管理、按需分配。然而面对视频服务资源需求的动态性及异构性等特点，资源管理是所有云平台需要解决的关键问题，当前主流的云平台都是将应用数据及所需要的资源封装成虚拟机的形式来对外提供服务，然而这种静态分配资源的方式存在一些问题。在云平台中，每个应用数据可能具有彼此不同的资源需求，此外，每个视频微服务的负载都是动态变化的，如果按照负载的峰值为其分配资源，那么在别的非峰值期间就会造成资源浪费；如果为视频微服务分配的资源不足，就有可能违反应用服务等级协议。因此，我们可以实时地根据服务资源需求进行动态调整资源分配量，在资源需求增加时，为其提升资源配置，当资源需求降低时，回收其部分资源，这样就可以提高资源利用率。但是相对于回收资源，增加资源具有更高的要求，必须具有预动性，因为分配的资源需要一定的时延方可使用，如果当服务需求变大时再去扩展就很有可能违反。因此，为了解决在这种复杂云环境下虚拟化资源分配不当可能导致资源浪费和应用程序性能下降的问题，这就需要对视频微服务的资源需求进行准确的预测，为资源的动态调整做好准备。根据预测结果及时的动态调整视频微服务的资源配置，能够为云计算资源的合理调度和云服务的稳定运行提供决策支持，可以在保证服务质量的同时，提高资源利用率。因此，寻找适合视频微服务负载模式的预测模型以及基于预测模型的资源配置研究对于云平台而言具有很重要的意义。
在对云平台的资源使用情况进行预测之前，首先需要获取到当前云平台的历史使用数据，其中历史使用数据包括历史资源使用量，以及每个历史资源使用量对应的使用时段。其中，历史资源使用量可以是当前该云平台中每个云主机的内存资源使用量、硬盘使用量或者中央处理器（Central Processing Unit，CPU）使用量等数据。每个历史资源使用量对应的使用时段用于表示该使用时段对应的资源使用量的多少。可选的，除了使用时段之外，还可以是该资源使用量的使用时刻，示例性的，在某一时刻，某个云主机的资源使用量具体到达多少使用量或者使用率；或者是，在某一时段中，某个云主机的资源使用量或者使用率的数值，此处不做限定。
S102：确定所述历史资源使用量及其所述使用时刻之间的相关性，并根据所述相关性调整预设的线性回归模型的权重以及预设的神经网络模型的权重；所述线性回归模型和所述神经网络模型为预先根据云平台的历史使用数据训练得到，用于对所述云平台的使用情况进行预测。
在获取到历史资源使用量及其使用时刻之后，确定历史资源使用量及其使用时刻之间的相关性，相关性分析是指对两个或多个具备相关性的变量元素进行分析，从而衡量两个变量因素的相关密切程度。相关性的元素之间需要存在一定的联系或者概率才可以进行相关性分析。相关性不等于因果性，也不是简单的个性化，相关性所涵盖的范围和领域几乎覆盖了我们所见到的方方面面，相关性在不同的学科里面的定义也有很大的差异。
相关性，是指两个变量的关联程度。一般地，从散点图上可以观察到两个变量有以下三种关系之一：两变量正相关、负相关、不相关。如果一个变量高的值对应于另一个变量高的值，相似地，低的值对应低的值，那么这两个变量正相关。在土壤中，孔隙率和渗透度就具有典型的正相关。反之，如果一个变量高的值对应于另一个变量低的值，那么这两个变量负相关。如果两个变量间没有关系，即一个变量的变化对另一变量没有明显影响，那么这两个变量不相关。
可选的，可以通过相关表和相关图可反映两个变量之间的相互关系及其相关方向，还可以通过相关系数是反映变量之间相关关系密切程度的统计指标。相关系数是按积差方法计算，同样以两变量与各自平均值的离差为基础，通过两个离差相乘来反映两变量之间相关程度；着重研究线性的单相关系数。需要说明的是，皮尔逊相关系数并不是唯一的相关系数，但是最常见的相关系数，以下解释都是针对皮尔逊相关系数。依据相关现象之间的不同特征，其统计指标的名称有所不同。如将反映两变量间线性相关关系的统计指标称为相关系数；将反映两变量间曲线相关关系的统计指标称为非线性相关系数、非线性判定系数；将反映多元线性相关关系的统计指标称为复相关系数、复判定系数等。
在本方案中，预设有线性回归模型和神经网络模型，都用于对云平台的资源使用情况进行预测。具体的，在统计学中，线性回归是利用称为线性回归方程的最小平方函数对一个或多个自变量和因变量之间关系进行建模的一种回归分析。这种函数是一个或多个称为回归系数的模型参数的线性组合。只有一个自变量的情况称为简单回归，大于一个自变量情况的叫做多元回归。反过来又应当由多个相关的因变量预测的多元线性回归区别，而不是一个单一的标量变量。
在线性回归中，数据使用线性预测函数来建模，并且未知的模型参数也是通过数据来估计。这些模型被叫做线性模型。最常用的线性回归建模是给定x值的y的条件均值是x的仿射函数。不太一般的情况，线性回归模型可以是一个中位数或一些其他的给定x的条件下y的条件分布的分位数作为x的线性函数表示。像所有形式的回归分析一样，线性回归也把焦点放在给定x值的y的条件概率分布，而不是x和y的联合概率分布，即多元分析领域。线性回归是回归分析中第一种经过严格研究并在实际应用中广泛使用的类型。这是因为线性依赖于其未知参数的模型比非线性依赖于其位置参数的模型更容易拟合，而且产生的估计的统计特性也更容易确定。可选的，可以采用最小二乘法的方式来逼近拟合，还可以别的方法来拟合，比如用最小化拟合缺陷在一些其他规范里，通过最小绝对误差回归或者在桥回归中最小化最小二乘损失函数的惩罚的方式进行线性拟合。
具体的，本方案中的线性回归模型中，设y为因变量，
为自变量，并且自变量与因变量之间为线性关系时，则多元线性回归模型为：
其中，
为常数项，
为回归系数，
为
固定时，
每增加一个单位对y的效应，即
对y的偏回归系数；同理
为
时，
每增加一个单位对y的效应，即，
对y的偏回归系数。如果两个自变量
，
同一个因变量y呈线相关时，可用二元线性回归模型描述为：
建立回归模型时，为了保证回归模型具有优良的解释能力和预测效果，应首先注意自变量的选择，变量对因变量必须呈密切的线性相关；自变量与因变量之间的线性相关必须是真实的，而不是形式上的；自变量之间应具有一定的互斥性，即自变量之间的相关程度不应高于自变量与因变量之因的相关程度；自变量应具有完整的统计数据，其预测值容易确定。
在预设的神经网络模型中，神经网络的基本组成单元是神经元，在数学上的神经元模型是和在生物学上的神经细胞对应的。或者说，人工神经网络理论是用神经元这种抽象的数学模型来描述客观世界的生物细胞的。很明显，生物的神经细胞是神经网络理论诞生和形成的物质基础和源泉。这样，神经元的数学描述就必须以生物神经细胞的客观行为特性为依据。神经网络的拓扑结构也是以生物学解剖中神经细胞互连的方式为依据的。对神经细胞相互作用情况的揭露也是十分重要的，神经元是神经网络基本元素。只有了解神经元才能认识神经网络的本质。在这一节介绍神经元的生物学解剖，信息的处理与传递方式，工作功能以及其数学模型。神经网络是由大量的、简单的处理单元广泛地互相连接而形成的复杂网络系统，它反映了人脑功能的许多基本特征，是一个高度复杂的非线性动力学习系统。
神经网络具有大规模并行、分布式存储和处理、自组织、自适应和自学能力，特别适合处理需要同时考虑许多因素和条件的、不精确和模糊的信息处理问题。大量的形式相同的神经元连结在—起就组成了神经网络。神经网络是一个高度非线性动力学系统。虽然，每个神经元的结构和功能都不复杂，但是神经网络的动态行为则是十分复杂的；因此，用神经网络可以表达实际物理世界的各种现象。神经网络模型是以神经元的数学模型为基础来描述的。人工神经网络是对人类大脑系统的一阶特性的一种描。简单地讲，它是一个数学模型。神经网络模型由网络拓扑．节点特点和学习规则来表示。神经网络在本方案中的优势在于可以实现云平台使用数据预测的今并行分布处理，在获取到的历史数据很多的情况下，他具有高度鲁棒性、容错能力、分布存储及学习能力，并能充分逼近复杂的非线性关系。
本实施例中，通过预设两个预测模型且两个预测模型各自有对应的预测权重，用于通过两个预测权重和两个预测模型得到最优的预测数据。并且，在本方案中，两个预测模型对应的权值是不一样的，且需要根据历史资源使用量及其使用时刻之间的相关性，对两个权重进行调整，将调整之后的权重用在云平台使用情况的预测中。
S103：将所述历史使用数据分别输入所述线性回归模型和所述神经网络模型预测得到所述云平台在预设时段内的第一资源使用量和第二资源使用量，再根据所述线性回归模型和所述神经网络模型调整之后的权重计算所述第一资源使用量和所述第二资源使用量之间的加权和，得到所述云平台在预设时段内的资源使用量。
在根据历史资源使用量及其使用时刻之间的相关性对权重进行调整之后，将历史使用数据分别输入线性回归模型和神经网络模型预测得到云平台在预设时段内的第一资源使用量和第二资源使用量，再根据线性回归模型和神经网络模型调整之后的权重、第一资源使用量和第二资源使用量得到云平台在预设时段内的资源使用量。
具体的，在线性回归模型和神经网络模型预测得到云平台在预设时段中的第一使用量
和第二使用数据量
之后，根据调整后的权重
计算资源使用量为：
。
上述方案，通过获取云平台的历史使用数据；所述历史使用数据包括历史资源使用量以及每个所述历史资源使用量对应的使用时刻；确定所述历史资源使用量及其所述使用时刻之间的相关性，并根据所述相关性调整预设的线性回归模型的权重以及预设的神经网络模型的权重；所述线性回归模型和所述神经网络模型为预先根据云平台的历史使用数据训练得到，用于对所述云平台的使用情况进行预测；将所述历史使用数据分别输入所述线性回归模型和所述神经网络模型预测得到所述云平台在预设时段内的第一资源使用量和第二资源使用量，再根据所述线性回归模型和所述神经网络模型调整之后的权重计算所述第一资源使用量和所述第二资源使用量之间的加权和，得到所述云平台在预设时段内的资源使用量。通过根据两个预测模型和调整之后的权重预测出未来预设时间的使用量，简化了参与预测的数值和预测得到的数值的数量和类型，提高了云平台资源使用量预测过程的效率和准确度。
参见图2，图2是本发明实施例二提供的云平台资源使用预测方法的流程图。本实施例中云平台资源使用预测方法的执行主体为终端。终端包括但不限于智能手机、平板电脑、可穿戴设备等移动终端，还可以是台式电脑等。如图所示的云平台资源使用预测方法可以包括以下步骤：
S201：获取云平台的历史使用数据；所述历史使用数据包括历史资源使用量以及每个所述历史资源使用量对应的使用时刻。
在本实施例中S201与图1对应的实施例中S101的实现方式完全相同，具体可参考图1对应的实施例中的S101的相关描述，在此不再赘述。
S202：检测并删除所述历史使用数据中的异常数据。
在实际应用中，云平台中的云主机可能会出现或多或少的问题，也很可能受到攻击等情况，当发生这些问题之后，云主机的运行数据也会随着发生变化，便会出现少量的异常数据。本方案中设定异常数据的检测阈值，用于通过这些检测阈值确定发生异常的历史使用数据，由于这些异常数据很可能影响使用结果的预测，因此，我们将这些异常数据删除。
示例性地，设定内存、CPU、硬盘的使用率为90%，当检测到历史使用数据中存储在使用率大于或者等于90%的数据时，将这些数据删除，保留正常的历史使用数据。除此之外，还可以是网络负载率、数据传输效率等，此处不做限定。
S203：以月份为单位，对删除所述异常数据之后的历史数据进行归档，并确定每月中的历史数据的最大值。
在将历史使用数据中的异常数据删除之后，以月份为单位，对删除异常数据之后的历史数据进行归档，本方案中云平台的历史使用数据可以包括历史资源使用量和使用时间。可选的，可以按照一天为单位，获取当前中最高的CPU使用量，将获取到的多天的历史使用量进行归档。在获取到一定天数的历史使用数据之后，由于所采集到的历史使用数据中可能存在错误数据、发生异常的数据或者冗余数据，根据预设的数据检测方法，检测并删除历史使用数据中的异常数据。对删除异常数据之后的历史数据按照月份进行归档，并确定每月的历史数据的最大值。
S204：将所述每月中的历史数据的最大值识别为每个月的历史资源使用量。
在本方案中，由于获取到的历史数据的数据量较大，且在很多数据类型的情况下，大量的数据可能造成数据预测的延迟或者出错，考虑到这种情况，将每月最大的历史资源使用量作为每月的数据量代表，可以精简数据，提高计算效率和正确率。进一步的，本方案中只需要每月的一个数据值，便可以预测未来三个月的使用量预测，即三个数据点，但是如果不按月归档，则每个点代表一天，需要预测90个点才能代表未来三个月的使用量预测。通过这种方式，可以很好的降低数据预测过程中的数据基数量，降低数据计算量，提高数据预测的效率。
S205：确定所述历史资源使用量及其所述使用时刻之间的相关性，并根据所述相关性调整预设的线性回归模型的权重以及预设的神经网络模型的权重。
在将每个月的最大历史资源使用量，作为该月的历史资源使用量之后，确定历史资源使用量及其使用时刻之间的相关性，并根据相关性调整预设的线性回归模型的权重以及预设的神经网络模型的权重。
进一步的，步骤S205可以具体包括S2051~S2053：
S2051：计算所述历史资源使用量和所述使用时刻之间的相关系数。
云平台中的资源使用情况变化具有随机性、突变性等特征，传统的预测算法如移动平均法、指数平滑法、灰色模型等无法准确的拟合负载的变化，预测的误差较高。针对网络流量进行预测。从资源使用情况的特性可知，资源使用情况的变化与时间具有强相关性，即可以将资源使用情况看成一种时间序列，并且与自身趋势有高度相似性，因此对资源使用情况预测可以根据时间序列的预测方式执行。所以我们基于资源使用情况的自相似性、时间相关性、随机性及波动性等特点提出了适用于资源使用情况的资源预测模型。
在本方案中，通过根据历史资源使用量和使用时间计算两个数据量之间的相关系数，根据相关系数和预设的相关阈值确定历史资源使用量和使用时间之间是否线性相关，若线性相关则加大线性回归模型的第一权重，反之则加大神经网络模型的第二权重。
具体的，可以通过相关系数确定两个数据量之间的相关情况：
其中，
分别用于表示原时间序列的时间，以及原时间序列的值Y，即在
时的资源使用量
。
S2052：根据所述相关系数和预设的相关阈值，判断所述历史资源使用量和所述使用时刻之间是否线性相关。
根据计算出来相关系数可以确定两个数据量之间的线性相关性，将该相关系数看成两个数据量向量的夹角余弦，夹角小就距离小，即相关性较高；夹角大就距离大，即相关性较低。当r=-1时，两个数据量成完全负线性相关关系；-1<r<0，为负线性相关关系；r=0则无相关关系；0<r<1，正线性相关关系；r=1，完全正线性相关关系。
S2053：若线性相关，则增加所述线性回归模型的第一权重；若不线性相关，则增加所述神经网络模型的第二权重。
当确定两个数据量之间的线性相关关系之后，若线性相关，则说明两个数据量之间的线性相关性较强，可以通过线性回归模型来进行预测的准确性更高一些，但是也不能排除神经网络模型的预测结果，因此，增加线性回归模型的第一权重，可选的，还可以在增加第一权重的同时，降低第二权重，来保证两个权重之间的平衡性，且两个权重和为1。若不线性相关，则增加神经网络模型的第二权重，可选的，还可以在增加第二权重的同时，降低第一权重。
S206：将所述历史使用数据分别输入所述线性回归模型和所述神经网络模型预测得到所述云平台在预设时段内的第一资源使用量和第二资源使用量，再根据所述线性回归模型和所述神经网络模型调整之后的权重计算所述第一资源使用量和所述第二资源使用量之间的加权和，得到所述云平台在预设时段内的资源使用量。
在本实施例中S206与图1对应的实施例中S103的实现方式完全相同，具体可参考图1对应的实施例中的S103的相关描述，在此不再赘述。
S207：获取所述云平台中每个云主机的当前资源使用量。
在预测得到云平台中每个云主机的资源使用量之后，可以根据该资源使用量对云主机的运行状态进行调整。通过获取云主机的当前资源使用量，确定当前云平台中每个云主机的资源使用情况。
S208：根据预测出的所述资源使用量以及所述每个云主机的当前资源使用量，对所述云主机中的负载情况进行调整。
根据预测出的资源使用量以及每个云主机的当前资源使用量，如果服务器的负载过重，就可以将运行于其中的虚拟机动态迁移到其他的服务器中，来减缓该服务器的运行压力改善其中其他虚拟机及运行于其中的任务的运行状况，而被迁移走的虚拟机由于被迁移到资源空闲的服务器中，所以运行状况也会得到改善，通过这种方式，云平台的整体运行效率就会得到提升。
上述方案，通过获取云平台的历史使用数据；所述历史使用数据包括历史资源使用量以及每个所述历史资源使用量对应的使用时刻；检测并删除所述历史使用数据中的异常数据；以月份为单位，对删除所述异常数据之后的历史数据进行归档，并确定每月中的历史数据的最大值；将所述每月中的历史数据的最大值识别为每个月的历史资源使用量。确定所述历史资源使用量及其所述使用时刻之间的相关性，并根据所述相关性调整预设的线性回归模型的权重以及预设的神经网络模型的权重；所述线性回归模型和所述神经网络模型为预先根据云平台的历史使用数据训练得到，用于对所述云平台的使用情况进行预测；将所述历史使用数据分别输入所述线性回归模型和所述神经网络模型预测得到所述云平台在预设时段内的第一资源使用量和第二资源使用量，再根据所述线性回归模型和所述神经网络模型调整之后的权重计算所述第一资源使用量和所述第二资源使用量之间的加权和，得到所述云平台在预设时段内的资源使用量。获取所述云平台中每个云主机的当前资源使用量；根据预测出的所述资源使用量以及所述每个云主机的当前资源使用量，对所述云主机中的负载情况进行调整。通过对获取到的历史使用数据按照每月最大值归档，根据计算得到的线性相关系数确定时间和使用量之间是否为线性相关，并根据相关情况调整两个预测模型的权重，最后根据两个预测模型和调整之后的权重预测出未来预设时间的使用量，简化了参与预测的数值和预测得到的数值的数量和类型，提高了云平台资源使用量预测过程的效率和准确度。
参见图3，图3是本发明实施例三提供的一种终端设备的示意图。终端设备包括的各单元用于执行图1~图2对应的实施例中的各步骤。具体请参阅图1~图2各自对应的实施例中的相关描述。为了便于说明，仅示出了与本实施例相关的部分。本实施例的终端设备300包括：
获取单元301，用于获取云平台的历史使用数据；所述历史使用数据包括历史资源使用量以及每个所述历史资源使用量对应的使用时刻；
调整单元302，用于确定所述历史资源使用量及其所述使用时刻之间的相关性，并根据所述相关性调整预设的线性回归模型的权重以及预设的神经网络模型的权重；所述线性回归模型和所述神经网络模型为预先根据云平台的历史使用数据训练得到，用于对所述云平台的使用情况进行预测；
预测单元303，用于将所述历史使用数据分别输入所述线性回归模型和所述神经网络模型预测得到所述云平台在预设时段内的第一资源使用量和第二资源使用量，再根据所述线性回归模型和所述神经网络模型调整之后的权重计算所述第一资源使用量和所述第二资源使用量之间的加权和，得到所述云平台在预设时段内的资源使用量。
进一步的，所述终端设备可以包括：
检测并删除所述历史使用数据中的异常数据；
以月份为单位，对删除所述异常数据之后的历史数据进行归档，并确定每月中的历史数据的最大值；
将所述每月中的历史数据的最大值识别为每个月的历史资源使用量。
进一步的，所述调整单元302可以包括：
计算单元，用于计算所述历史资源使用量和所述使用时刻之间的相关系数；
判断单元，用于根据所述相关系数和预设的相关阈值，判断所述历史资源使用量和所述使用时刻之间是否线性相关；
调整单元，用于若线性相关，则增加所述线性回归模型的第一权重；若不线性相关，则增加所述神经网络模型的第二权重。
进一步的，所述计算单元还可以包括：
通过如下公式计算所述历史资源使用量和所述使用时刻之间的相关系数：
；其中，
用于表示所述历史资源使用量的值；
用于表示所述历史资源使用量的使用时刻；i用于表示所述使用时刻的总数目。
进一步的，所述终端设备还可以包括：
当前数据获取单元，用于获取所述云平台中每个云主机的当前资源使用量；
负载调整单元，用于根据预测出的所述资源使用量以及所述每个云主机的当前资源使用量，对所述云主机中的负载情况进行调整。
上述方案，通过获取云平台的历史使用数据；所述历史使用数据包括历史资源使用量以及每个所述历史资源使用量对应的使用时刻；检测并删除所述历史使用数据中的异常数据；以月份为单位，对删除所述异常数据之后的历史数据进行归档，并确定每月中的历史数据的最大值；将所述每月中的历史数据的最大值识别为每个月的历史资源使用量。确定所述历史资源使用量及其所述使用时刻之间的相关性，并根据所述相关性调整预设的线性回归模型的权重以及预设的神经网络模型的权重；所述线性回归模型和所述神经网络模型为预先根据云平台的历史使用数据训练得到，用于对所述云平台的使用情况进行预测；将所述历史使用数据分别输入所述线性回归模型和所述神经网络模型预测得到所述云平台在预设时段内的第一资源使用量和第二资源使用量，再根据所述线性回归模型和所述神经网络模型调整之后的权重计算所述第一资源使用量和所述第二资源使用量之间的加权和，得到所述云平台在预设时段内的资源使用量。获取所述云平台中每个云主机的当前资源使用量；根据预测出的所述资源使用量以及所述每个云主机的当前资源使用量，对所述云主机中的负载情况进行调整。通过对获取到的历史使用数据按照每月最大值归档，根据计算得到的线性相关系数确定时间和使用量之间是否为线性相关，并根据相关情况调整两个预测模型的权重，最后根据两个预测模型和调整之后的权重预测出未来预设时间的使用量，简化了参与预测的数值和预测得到的数值的数量和类型，提高了云平台资源使用量预测过程的效率和准确度。
图4是本发明实施例四提供的终端设备的示意图。如图4所示，该实施例的终端设备4包括：处理器40、存储器41以及存储在所述存储器41中并可在所述处理器40上运行的计算机程序42。所述处理器40执行所述计算机程序42时实现上述各个云平台资源使用预测方法实施例中的步骤，例如图1所示的步骤101至103。或者，所述处理器40执行所述计算机程序42时实现上述各装置实施例中各模块/单元的功能，例如图3所示单元301至303的功能。
示例性的，所述计算机程序42可以被分割成一个或多个模块/单元，所述一个或者多个模块/单元被存储在所述存储器41中，并由所述处理器40执行，以完成本发明。所述一个或多个模块/单元可以是能够完成特定功能的一系列计算机程序指令段，该指令段用于描述所述计算机程序42在所述终端设备4中的执行过程。
所述终端设备4可以是桌上型计算机、笔记本、掌上电脑及云端服务器等计算设备。所述终端设备可包括，但不仅限于，处理器40、存储器41。本领域技术人员可以理解，图4仅仅是终端设备4的示例，并不构成对终端设备4的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件，例如所述终端设备还可以包括输入输出设备、网络接入设备、总线等。
所称处理器40可以是中央处理单元（Central Processing Unit，CPU），还可以是其他通用处理器、数字信号处理器（Digital Signal Processor，DSP）、专用集成电路（Application Specific Integrated Circuit，ASIC）、现成可编程门阵列（Field-Programmable Gate Array，FPGA）或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
所述存储器41可以是所述终端设备4的内部存储单元，例如终端设备4的硬盘或内存。所述存储器41也可以是所述终端设备4的外部存储设备，例如所述终端设备4上配备的插接式硬盘，智能存储卡（Smart Media Card，SMC），安全数字（Secure Digital，SD）卡，闪存卡（Flash Card，FC）等。进一步地，所述存储器41还可以既包括所述终端设备4的内部存储单元也包括外部存储设备。所述存储器41用于存储所述计算机程序以及所述终端设备所需的其他程序和数据。所述存储器41还可以用于暂时地存储已经输出或者将要输出的数据。
所属领域的技术人员可以清楚地了解到，为了描述的方便和简洁，仅以上述各功能单元、模块的划分进行举例说明，实际应用中，可以根据需要而将上述功能分配由不同的功能单元、模块完成，即将所述装置的内部结构划分成不同的功能单元或模块，以完成以上描述的全部或者部分功能。实施例中的各功能单元、模块可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中，上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。另外，各功能单元、模块的具体名称也只是为了便于相互区分，并不用于限制本申请的保护范围。上述系统中单元、模块的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
在上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述或记载的部分，可以参见其它实施例的相关描述。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
所述集成的模块/单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明实现上述实施例方法中的全部或部分流程，也可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一计算机可读存储介质中。
以上所述实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围，均应包含在本发明的保护范围之内。
Claims (8)
1.一种云平台资源使用预测方法，其特征在于，包括：
获取云平台的历史使用数据；所述历史使用数据包括历史资源使用量以及每个所述历史资源使用量对应的使用时刻；
确定所述历史资源使用量及其所述使用时刻之间的相关性，并根据所述相关性调整预设的线性回归模型的权重以及预设的神经网络模型的权重；所述线性回归模型和所述神经网络模型为预先根据云平台的历史使用数据训练得到，用于对所述云平台的使用情况进行预测；
将所述历史使用数据分别输入所述线性回归模型和所述神经网络模型预测得到所述云平台在预设时段内的第一资源使用量和第二资源使用量，再根据所述线性回归模型和所述神经网络模型调整之后的权重计算所述第一资源使用量和所述第二资源使用量之间的加权和，得到所述云平台在预设时段内的资源使用量；
所述确定所述历史资源使用量及其所述使用时刻之间的相关性，并根据所述相关性调整预设的线性回归模型的权重以及预设的神经网络模型的权重之前，还包括：
检测并删除所述历史使用数据中的异常数据；
以月份为单位，对删除所述异常数据之后的历史数据进行归档，并确定每月中的历史数据的最大值；
将所述每月中的历史数据的最大值识别为每个月的历史资源使用量。
2.如权利要求1所述的云平台资源使用预测方法，其特征在于，所述确定所述历史资源使用量及其所述使用时刻之间的相关性，并根据所述相关性调整预设的线性回归模型的权重以及预设的神经网络模型的权重，包括：
计算所述历史资源使用量和所述使用时刻之间的相关系数；
根据所述相关系数和预设的相关阈值，判断所述历史资源使用量和所述使用时刻之间是否线性相关；
若线性相关，则增加所述线性回归模型的第一权重；若不线性相关，则增加所述神经网络模型的第二权重。
3.如权利要求2所述的云平台资源使用预测方法，其特征在于，所述计算所述历史资源使用量和所述使用时刻之间的相关系数，包括：
通过如下公式计算所述历史资源使用量和所述使用时刻之间的相关系数：
；其中，
用于表示所述历史资源使用量的值；
用于表示所述历史资源使用量的使用时刻；i用于表示所述使用时刻的总数目。
4.如权利要求1所述的云平台资源使用预测方法，其特征在于，所述将所述历史使用数据分别输入所述线性回归模型和所述神经网络模型预测得到所述云平台在预设时段内的第一资源使用量和第二资源使用量，再根据所述线性回归模型和所述神经网络模型调整之后的权重计算所述第一资源使用量和所述第二资源使用量之间的加权和，得到所述云平台在预设时段内的资源使用量之后，包括：
获取所述云平台中每个云主机的当前资源使用量；
根据预测出的所述资源使用量以及所述每个云主机的当前资源使用量，对所述云主机中的负载情况进行调整。
5.一种终端设备，其特征在于，包括存储器以及处理器，所述存储器中存储有可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时，实现如下步骤：
获取云平台的历史使用数据；所述历史使用数据包括历史资源使用量以及每个所述历史资源使用量对应的使用时刻；
确定所述历史资源使用量及其所述使用时刻之间的相关性，并根据所述相关性调整预设的线性回归模型的权重以及预设的神经网络模型的权重；所述线性回归模型和所述神经网络模型为预先根据云平台的历史使用数据训练得到，用于对所述云平台的使用情况进行预测；
将所述历史使用数据分别输入所述线性回归模型和所述神经网络模型预测得到所述云平台在预设时段内的第一资源使用量和第二资源使用量，再根据所述线性回归模型和所述神经网络模型调整之后的权重计算所述第一资源使用量和所述第二资源使用量之间的加权和，得到所述云平台在预设时段内的资源使用量；
所述确定所述历史资源使用量及其所述使用时刻之间的相关性，并根据所述相关性调整预设的线性回归模型的权重以及预设的神经网络模型的权重之前，还包括：
检测并删除所述历史使用数据中的异常数据；
以月份为单位，对删除所述异常数据之后的历史数据进行归档，并确定每月中的历史数据的最大值；
将所述每月中的历史数据的最大值识别为每个月的历史资源使用量。
6.如权利要求5所述的终端设备，其特征在于，所述确定所述历史资源使用量及其所述使用时刻之间的相关性，并根据所述相关性调整预设的线性回归模型的权重以及预设的神经网络模型的权重，包括：
计算所述历史资源使用量和所述使用时刻之间的相关系数；
根据所述相关系数和预设的相关阈值，判断所述历史资源使用量和所述使用时刻之间是否线性相关；
若线性相关，则增加所述线性回归模型的第一权重；若不线性相关，则增加所述神经网络模型的第二权重。
7.一种终端设备，其特征在于，包括：
获取单元，用于获取云平台的历史使用数据；所述历史使用数据包括历史资源使用量以及每个所述历史资源使用量对应的使用时刻；
调整单元，用于确定所述历史资源使用量及其所述使用时刻之间的相关性，并根据所述相关性调整预设的线性回归模型的权重以及预设的神经网络模型的权重；所述线性回归模型和所述神经网络模型为预先根据云平台的历史使用数据训练得到，用于对所述云平台的使用情况进行预测；
预测单元，用于将所述历史使用数据分别输入所述线性回归模型和所述神经网络模型预测得到所述云平台在预设时段内的第一资源使用量和第二资源使用量，再根据所述线性回归模型和所述神经网络模型调整之后的权重计算所述第一资源使用量和所述第二资源使用量之间的加权和，得到所述云平台在预设时段内的资源使用量；
所述终端设备，还包括：
检测并删除所述历史使用数据中的异常数据；
以月份为单位，对删除所述异常数据之后的历史数据进行归档，并确定每月中的历史数据的最大值；
将所述每月中的历史数据的最大值识别为每个月的历史资源使用量。
8.一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，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至4任一项所述方法的步骤。
Priority Applications (2)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201811502716.6A CN109714395B (zh) | 2018-12-10 | 2018-12-10 | 云平台资源使用预测方法及终端设备 |
| PCT/CN2019/091524 WO2020119051A1 (zh) | 2018-12-10 | 2019-06-17 | 云平台资源使用预测方法及终端设备 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201811502716.6A CN109714395B (zh) | 2018-12-10 | 2018-12-10 | 云平台资源使用预测方法及终端设备 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN109714395A CN109714395A (zh) | 2019-05-03 |
| CN109714395B true CN109714395B (zh) | 2021-10-26 |
Family
ID=66255566
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201811502716.6A Active CN109714395B (zh) | 2018-12-10 | 2018-12-10 | 云平台资源使用预测方法及终端设备 |
Country Status (2)
| Country | Link |
|---|---|
| CN (1) | CN109714395B (zh) |
| WO (1) | WO2020119051A1 (zh) |
Families Citing this family (36)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109714395B (zh) * | 2018-12-10 | 2021-10-26 | 平安科技（深圳）有限公司 | 云平台资源使用预测方法及终端设备 |
| CN110198244B (zh) * | 2019-06-19 | 2022-02-18 | 北京百度网讯科技有限公司 | 面向异构云服务的资源配置方法和装置 |
| CN112132498B (zh) * | 2019-06-25 | 2024-07-19 | 北京沃东天骏信息技术有限公司 | 库存管理方法、装置、设备及存储介质 |
| CN112149863A (zh) * | 2019-06-28 | 2020-12-29 | 傲基科技股份有限公司 | 确定资源消耗量的方法、设备和计算机存储介质 |
| FR3098937B1 (fr) * | 2019-07-15 | 2021-10-08 | Bull Sas | Procédé d’analyse de consommation de ressource d’une infrastructure informatique, alerte et dimensionnement |
| CN110377447B (zh) * | 2019-07-17 | 2022-07-22 | 腾讯科技（深圳）有限公司 | 一种异常数据检测方法、装置及服务器 |
| CN110445939B (zh) * | 2019-08-08 | 2021-03-30 | 中国联合网络通信集团有限公司 | 容量资源的预测方法及装置 |
| CN112631766B (zh) * | 2019-10-08 | 2023-09-19 | 中国移动通信集团浙江有限公司 | 项目环境资源的动态调整方法及装置 |
| CN110889636A (zh) * | 2019-12-02 | 2020-03-17 | 中国银行股份有限公司 | 一种银行实物资源的调度方法及装置 |
| CN111400039A (zh) * | 2020-03-10 | 2020-07-10 | 中国联合网络通信集团有限公司 | 云平台的控制方法和装置、云平台系统、电子设备 |
| CN113705849B (zh) * | 2020-05-21 | 2024-05-17 | 富士通株式会社 | 信息处理装置和信息处理方法 |
| CN111752710B (zh) * | 2020-06-23 | 2023-01-31 | 中国电力科学研究院有限公司 | 数据中心pue动态优化方法、系统、设备及可读存储介质 |
| CN111813631A (zh) * | 2020-07-15 | 2020-10-23 | 江苏方天电力技术有限公司 | 一种面向云数据中心的资源态势可视化与分析方法 |
| CN112001116A (zh) * | 2020-07-17 | 2020-11-27 | 新华三大数据技术有限公司 | 一种云资源容量预测方法及装置 |
| CN112214387B (zh) * | 2020-10-13 | 2023-11-24 | 中国银行股份有限公司 | 基于知识图谱的用户操作行为预测方法及装置 |
| CN112162827A (zh) * | 2020-10-20 | 2021-01-01 | 腾讯科技（深圳）有限公司 | 一种云平台容器降配方法、装置、系统及存储介质 |
| CN112328395B (zh) * | 2020-11-06 | 2021-12-14 | 因特睿科技有限公司 | 一种云资源容量规划方法和系统 |
| CN112565378A (zh) * | 2020-11-30 | 2021-03-26 | 中国科学院深圳先进技术研究院 | 云原生资源动态预测方法、装置、计算机设备及存储介质 |
| CN112559191B (zh) * | 2020-12-23 | 2023-04-25 | 平安银行股份有限公司 | 动态部署gpu资源的方法、装置和计算机设备 |
| CN113760675A (zh) * | 2021-01-22 | 2021-12-07 | 北京沃东天骏信息技术有限公司 | 负载预测方法和装置、电子设备以及计算机可读存储介质 |
| CN113230658A (zh) * | 2021-05-31 | 2021-08-10 | 腾讯科技（深圳）有限公司 | 资源分配方法、装置、计算机可读介质及电子设备 |
| CN113569137B (zh) * | 2021-07-06 | 2024-06-18 | 北京汇钧科技有限公司 | 云主机规格的推荐方法及装置、存储介质、电子装置 |
| CN113722094A (zh) * | 2021-08-09 | 2021-11-30 | 国网福建省电力有限公司 | 基于神经网络算法的应用主机资源预测方法 |
| CN113821933A (zh) * | 2021-09-29 | 2021-12-21 | 中国平安人寿保险股份有限公司 | App流量预测方法、装置、计算机设备及存储介质 |
| CN114529099A (zh) * | 2022-02-28 | 2022-05-24 | 北京京东振世信息技术有限公司 | 需求数据预测方法及装置、电子设备、存储介质 |
| CN114813635B (zh) * | 2022-06-28 | 2022-10-04 | 华谱智能科技(天津)有限公司 | 煤炉燃烧参数的优化方法及电子设备 |
| CN117827414A (zh) * | 2022-08-17 | 2024-04-05 | 国器智眸(重庆)科技有限公司 | 边缘设备的资源分配方法、装置、电子设备及存储介质 |
| CN116049535B (zh) * | 2022-08-18 | 2024-07-26 | 荣耀终端有限公司 | 信息推荐方法、装置、终端装置及存储介质 |
| CN115883392B (zh) * | 2023-02-21 | 2023-06-02 | 浪潮通信信息系统有限公司 | 算力网络的数据感知方法、装置、电子设备及存储介质 |
| CN116091118A (zh) * | 2023-02-22 | 2023-05-09 | 广州汇电云联互联网科技有限公司 | 电价预测方法、装置、设备、介质及产品 |
| CN115934300B (zh) * | 2023-03-08 | 2023-06-23 | 浙江九州云信息科技有限公司 | 一种云计算平台巡检任务调度方法及系统 |
| CN116881674B (zh) * | 2023-09-07 | 2023-11-14 | 北京国药新创科技发展有限公司 | 医疗器械使用量的预测方法、装置及电子设备 |
| CN117079737B (zh) * | 2023-10-17 | 2024-08-02 | 深圳市永霖科技有限公司 | 一种基于成分分析的抛光液预测方法和装置 |
| CN118195082B (zh) * | 2024-04-01 | 2024-09-27 | 芯愿景数字科技(上海)有限公司 | 一种基于ai分析和云平台的智慧能源运行优化方法 |
| CN118072929B (zh) * | 2024-04-22 | 2024-06-21 | 中国人民解放军总医院第七医学中心 | 便携式无菌手术器械包储存设备实时数据智能管理方法 |
| CN118138497B (zh) * | 2024-05-06 | 2024-07-05 | 深圳云天畅想信息科技有限公司 | 云工作站的资源安全监测方法及系统 |
Family Cites Families (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR101360790B1 (ko) * | 2009-04-22 | 2014-02-11 | 한국전력공사 | 발전소 계측기 성능 감시 예측 방법 |
| CN102385724A (zh) * | 2010-08-27 | 2012-03-21 | 上海财经大学 | 一种应用于库存管理的零配件组合需求预测信息处理方法 |
| US10273353B2 (en) * | 2014-01-31 | 2019-04-30 | Cnh Industrial Canada, Ltd. | Method and system for predicting biocomposite formulations and processing considerations based on product to be formed from biocomposite material |
| US10194829B2 (en) * | 2015-07-07 | 2019-02-05 | Q Bio, Inc. | Fast scanning based on magnetic resonance history |
| CN106375115B (zh) * | 2016-08-30 | 2019-12-03 | 东软集团股份有限公司 | 资源分配方法及装置 |
| CN106533750B (zh) * | 2016-10-28 | 2019-05-21 | 东北大学 | 一种云环境下非平稳型应用用户并发量的预测系统及方法 |
| CN106502799A (zh) * | 2016-12-30 | 2017-03-15 | 南京大学 | 一种基于长短时记忆网络的主机负载预测方法 |
| CN106909990A (zh) * | 2017-03-01 | 2017-06-30 | 腾讯科技（深圳）有限公司 | 一种基于历史数据的预测方法及装置 |
| CN108900333A (zh) * | 2018-06-27 | 2018-11-27 | 新华三大数据技术有限公司 | 一种无线网络质量的评估方法及评估装置 |
| CN109714395B (zh) * | 2018-12-10 | 2021-10-26 | 平安科技（深圳）有限公司 | 云平台资源使用预测方法及终端设备 |
-
2018
- 2018-12-10 CN CN201811502716.6A patent/CN109714395B/zh active Active
-
2019
- 2019-06-17 WO PCT/CN2019/091524 patent/WO2020119051A1/zh active Application Filing
Also Published As
| Publication number | Publication date |
|---|---|
| CN109714395A (zh) | 2019-05-03 |
| WO2020119051A1 (zh) | 2020-06-18 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109714395B (zh) | 云平台资源使用预测方法及终端设备 | |
| US10963292B2 (en) | Techniques to manage virtual classes for statistical tests | |
| US20130030785A1 (en) | Computer resource utilization modeling for multiple workloads | |
| WO2017053347A1 (en) | Updating attribute data structures to indicate trends in attribute data provided to automated modeling systems | |
| Yu et al. | Integrating clustering and learning for improved workload prediction in the cloud | |
| CN113051130B (zh) | 结合注意力机制的lstm网络的移动云负载预测方法及系统 | |
| CN111752706B (zh) | 资源配置方法、装置及存储介质 | |
| CN113344552A (zh) | 一种基于工程造价的多项目联合管理方法及系统 | |
| CN113377488A (zh) | 一种资源迁移的方法、系统及设备 | |
| Mahan et al. | A novel resource productivity based on granular neural network in cloud computing | |
| CN117972367B (zh) | 一种数据存储预测方法、数据存储子系统及智能计算平台 | |
| Negru et al. | Analysis of power consumption in heterogeneous virtual machine environments | |
| Sedlak et al. | Controlling data gravity and data friction: from metrics to multidimensional elasticity strategies | |
| Chen et al. | Multi-fidelity simulation modeling for discrete event simulation: An optimization perspective | |
| Baciu et al. | Cognitive visual analytics of multi-dimensional cloud system monitoring data | |
| Li et al. | Efficient multi-attribute precedence-based task scheduling for edge computing in geo-distributed cloud environment | |
| CN115577913A (zh) | 主动型负荷可调度潜力的计算方法、终端及存储介质 | |
| KR20160044623A (ko) | 리눅스 가상 서버의 로드 밸런싱 방법 | |
| WO2022227219A1 (zh) | 房产指数数据分析方法、装置、设备及存储介质 | |
| CN111598390B (zh) | 服务器高可用性评估方法、装置、设备和可读存储介质 | |
| CN111652741B (zh) | 用户偏好分析方法、装置及可读存储介质 | |
| CN114584476A (zh) | 一种流量预测方法、网络训练方法、装置及电子设备 | |
| Wang et al. | Intelligent scheduling with deep fusion of hardware-software energy-saving principles for greening stochastic nonlinear heterogeneous super-systems | |
| Duan et al. | Simulation of Cloud Computing Resource Allocation Optimization Model Based on Graph Neural Network | |
| Xing et al. | Analysis of Resource Management Methods Based on Reinforcement Learning |
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 |