CN111626472A - 一种基于深度混合云模型的场景趋势判断指标计算系统及方法 - Google Patents

Abstract

本发明涉及场景趋势判断技术领域，具体地说，涉及一种基于深度混合云模型的场景趋势判断指标计算系统及方法。其方法包括如下步骤：使用变分自编码器VAE对网络资源节点进行编码；将编码化的节点资源构建整体云模型；使用基于深度学习的云进化算法训练模型参数；使用模型进行在线场景趋势预测。该基于深度混合云模型的场景趋势判断指标计算系统中，使用变分自编码器VAE对网络资源节点进行编码表示，将编码化的节点资源构建整体云模型，并使用基于深度混合云模型进行场景趋势判断，可在不同周期维度的数据下进行预测，将训练模型使用于在线预测，并能对大规模、动态变化的网络资源进行实时预测，满足大多数的实际生产环境。

Description

一种基于深度混合云模型的场景趋势判断指标计算系统及 方法

技术领域

本发明涉及场景趋势判断技术领域，具体地说，涉及一种基于深度混合云模型的场景趋势判断指标计算系统及方法。

背景技术

现有的预测系统无法适应大规模、动态变化的网络资源，整体趋势只能作出定性标定，并且只能预测比较近的一段时间的趋势。

发明内容

本发明的目的在于提供一种基于深度混合云模型的场景趋势判断指标计算系统及方法，以解决上述背景技术中提出的问题。

为实现上述技术问题的解决，本发明的目的之一在于，提供一种基于深度混合云模型的场景趋势判断指标计算方法，其方法包括如下步骤：

S1、使用变分自编码器VAE对网络资源节点进行编码；

S2、将编码化的节点资源构建整体云模型；

S3、使用基于深度学习的云进化算法训练模型参数；

S4、使用模型进行在线场景趋势预测。

作为优选，所述使用变分自编码器VAE对网络资源节点进行编码的方法包括如下步骤：

S1.1、输入：样本X_i，损失权重α，β；

S1.2、输出：变分自编码器最优参数θ^*，

S1.3、初始化：随机初始化变分自编码器VAE的参数θ，

S1.4、迭代训练变分自编码器VAE。

作为优选，所述变分自编码器VAE的迭代训练方法包括如下步骤：

S2.1、编码器(Encoder)：输入样本X_i→条件概率分布q_θ(Z|X_i)的均值(μ)和方差(σ)；

S2.2、随机采样(Sampling)：将q_θ(Z|X_i)与正态分布

对齐，产生专属于样本X_i的正态分布(Z_i＝-μ_i+ε*σ,ε～N(0,1))，从P(Z_i)概率分布当中取样Z_i；

S2.3、解码器(Decoder)：输入取样的Z_i→条件概率分布

的均值

和方差

S2.4、计算重构损失函数：计算输入图和重构图的逐位二进制交叉熵，其公式如下：

正则化损失函数的公式如下：

S2.5、网络参数优化：对损失函数进行反向梯度传播，修正编码器和解码器网络参数，直到达到最优效果。

作为优选，所述使用基于深度学习的云进化算法训练模型参数的方法包括如下步骤：

S3.1、确定训练样本集和测试样本集；

S3.2、确定待训练参数γ和σ的范围；

S3.3、根据S3.2确定的范围确定进货模式的初始值EP(Ex，En，He)，其中En尽可能大，He≥0.05；

S3.4、利用EP(Ex，En，He)随机产生初始群落；

S3.5、将群落中所有个体值代入S3.4，产生一系列预测模型，以样本作为输入，求得各模型的预测值；

S3.6、将预测值代入适应度函数，计算群落中所有个体的适应度值，并按照一定条件淘汰种群；

S3.7、根据适应度值的大小，按照控制策略要求，选择m个最优个体，并记下此时连续平凡代数g_p和连续非平凡代数g_t；

S3.8、比较连续非平凡代数g_t与0的大小；

S3.9、比较g_p与λ_global的大小；

S3.10、比较g_p和λ_local的大小；

S3.11、求出新的En和He，以最优个体的值作为Ex，代入正向发生器产生新的种群；

S3.12、比较Q与P的大小，若Q<P，返回S3.5，否则记下此时的建群种Ex₀，将所有建群种的适应度进行比较，选择全局最优个体，则Ex₀即为最优参数；

S3.13、将最优参数向量Ex₀代入预测模型，其模型公式如下：

作为优选，所述确定的范围还包括确定初始参数群落规模n，群落三宝度大小m、种群规模向量G、全局突变阙值λ_global、局部突变阙值λ_local、总进化代数P、进货系数K、进化式变异系数L以及适应度函数。

作为优选，所述S3.8中，比较连续非平凡代数g_t与0的大小，若g_t≥0，说明此时个体在极值邻域内，则应采取局部求精操作，即降低进化范围(减小En)、增加稳定性(减小He)、扩大搜索的精度和稳定度。

作为优选，所述S3.9中，比较g_p与λ_global的大小，若g_p＞λ_global，则进行突变操作；

所述S3.10中，比较g_p和λ_local的大小，g_p＞λ_local，说明个体达到局部最优，则进行局部求变操作，即提高En和He。

本发明的目的之二在于，提供一种基于深度混合云模型的场景趋势判断指标计算系统，包括：

编码模块，用于对网络资源节点进行编码；

构建云模型模块，用于将编码化的节点资源构建整体云模型；

训练模型参数模块，用于使用基于深度学习的云进化算法训练模型参数；

趋势预测模块，用于使用模型进行在线场景趋势预测。

本发明的目的之三在于，提供一种基于深度混合云模型的场景趋势判断指标计算装置，其中：包括处理器、存储器以及存储在所述存储器中并在所述处理器上运行的计算机程序，所述处理器执行上述计算机程序时实现如上所述基于深度混合云模型的场景趋势判断指标计算方法的步骤。

本发明的目的之四在于，提供一种计算机可读存储介质，所述存储介质中存储有至少一段程序，所述至少一段程序由上述处理器执行以实现如上述所述基于深度混合云模型的场景趋势判断指标计算方法的步骤。

与现有技术相比，本发明的有益效果：该基于深度混合云模型的场景趋势判断指标计算系统中，使用变分自编码器VAE对网络资源节点进行编码表示，与传统的数值指标的计算相比，能够将更多类型的网络资源节点纳入分析之中，比如服务器、数据库、进程、电表、带宽等，进行无差别分析，具有更广泛的适用范围和泛化能力。将编码化的节点资源构建整体云模型，并使用基于深度混合云模型进行场景趋势判断，可在不同周期维度的数据下进行预测，与传统的定周期预测相比，能够满足更多的使用要求。将训练模型使用于在线预测，并能对大规模、动态变化的网络资源进行实时预测，满足大多数的实际生产环境。

附图说明

图1为本发明的整体流程框图；

图2为本发明的深度学习的云进化算法训练模型图；

图3为本发明的网络资源节点进行编码方法图；

图4为本发明的VAE的迭代训练方法图；

图5为本发明的训练模型参数的方法图；

图6为本发明的基于深度混合云模型的场景趋势判断指标计算系统模块图；

图7为本发明实施例所涉及的指标计算装置结构。

具体实施方式

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

请参阅图1-图7所示，本发明提供一种技术方案：

本发明提供一种基于深度混合云模型的场景趋势判断指标计算方法，包括其方法包括如下步骤：

S1、使用变分自编码器VAE对网络资源节点进行编码；

S2、将编码化的节点资源构建整体云模型；

S3、使用基于深度学习的云进化算法训练模型参数；

S4、使用模型进行在线场景趋势预测。

本实施例中，使用变分自编码器VAE对网络资源节点进行编码的方法包括如下步骤：

S1.1、输入：样本X_i，损失权重α，β；

S1.2、输出：变分自编码器最优参数θ^*，

S1.3、初始化：随机初始化变分自编码器VAE的参数θ，

S1.4、迭代训练变分自编码器VAE。

进一步的，变分自编码器VAE的迭代训练方法包括如下步骤：

S2.1、编码器(Encoder)：输入样本X_i→条件概率分布q_θ(Z|X_i)的均值(μ)和方差(σ)；

S2.2、随机采样(Sampling)：将q_θ(Z|X_i)与正态分布

对齐，产生专属于样本X_i的正态分布(Z_i＝-μ_i+ε*σ,ε～N(0,1))，从P(Z_i)概率分布当中取样Z_i；

S2.3、解码器(Decoder)：输入取样的Z_i→条件概率分布

的均值

和方差

S2.4、计算重构损失函数：计算输入图和重构图的逐位二进制交叉熵，其公式如下：

其中，正则化损失函数的公式如下：

S2.5、网络参数优化：对损失函数进行反向梯度传播，修正编码器和解码器网络参数，直到达到最优效果。

具体的，使用基于深度学习的云进化算法训练模型参数的方法包括如下步骤：

S3.1、确定训练样本集和测试样本集；

S3.2、确定待训练参数γ和σ的范围；

S3.3、根据S3.2确定的范围确定进货模式的初始值EP(Ex，En，He)，其中En尽可能大，He≥0.05；

S3.4、利用EP(Ex，En，He)随机产生初始群落；

S3.5、将群落中所有个体值代入S3.4，产生一系列预测模型，以样本作为输入，求得各模型的预测值；

S3.6、将预测值代入适应度函数，计算群落中所有个体的适应度值，并按照一定条件淘汰种群；

S3.7、根据适应度值的大小，按照控制策略要求，选择m个最优个体，并记下此时连续平凡代数g_p和连续非平凡代数g_t；

S3.8、比较连续非平凡代数g_t与0的大小；

S3.9、比较g_p与λ_global的大小；

S3.10、比较g_p和λ_local的大小；

S3.11、求出新的En和He，以最优个体的值作为Ex，代入正向发生器产生新的种群；

S3.12、比较Q与P的大小，若Q<P，返回S3.5，否则记下此时的建群种Ex₀，将所有建群种的适应度进行比较，选择全局最优个体，则Ex₀即为最优参数；

S3.13、将最优参数向量Ex₀代入预测模型，其模型公式如下：

值得说明的是，确定的范围还包括确定初始参数群落规模n，群落三宝度大小m、种群规模向量G、全局突变阙值λ_global、局部突变阙值λ_local、总进化代数P、进货系数K、进化式变异系数L以及适应度函数。

再进一步的，S3.8中，比较连续非平凡代数g_t与0的大小，若g_t≥0，说明此时个体在极值邻域内，则应采取局部求精操作，即降低进化范围(减小En)、增加稳定性(减小He)、扩大搜索的精度和稳定度。

具体的，S3.9中，比较g_p与λ_global的大小，若g_p＞λ_global，则进行突变操作。

值得说明的是，S3.10中，比较g_p和λ_local的大小，g_p＞λ_local，说明个体达到局部最优，则进行局部求变操作，即提高En和He。

本发明提出一种基于深度混合云模型的场景趋势判断指标计算系统，包括：

编码模块，用于对网络资源节点进行编码；

构建云模型模块，用于将编码化的节点资源构建整体云模型；

训练模型参数模块，用于使用基于深度学习的云进化算法训练模型参数；

趋势预测模块，用于使用模型进行在线场景趋势预测。

需要说明的是，上述编码模块、构建云模型模块、训练模型参数模块和趋势预测模块的功能具体参见各模块对应的方法部分的描述，这里就不再赘述。

参阅图7，示出了本发明实施例所涉及的一种基于深度混合云模型的场景趋势判断指标计算装置结构示意图，该装置包括处理器101、存储器102和总线103。

处理器包101括一个或一个以上处理核心，处理器101通过总线103与处理器101相连，存储器102用于存储程序指令，处理器102执行存储器102中的程序指令时实现上述一种基于深度混合云模型的场景趋势判断指标计算方法。

可选的，存储器102可以由任何类型的易失性或非易失性存储设备或者它们的组合实现，如静态随时存取存储器(SRAM)，电可擦除可编程只读存储器(EEPROM)，可擦除可编程只读存储器(EPROM)，可编程只读存储器(PROM)，只读存储器(ROM)，磁存储器，快闪存储器，磁盘或光盘。

此外，本发明还提供了一种计算机可读存储介质，存储介质中存储有至少一段程序，至少一段程序由处理器执行以实现如上述基于深度混合云模型的场景趋势判断指标计算方法的步骤。

可选的，本发明还提供了一种包含指令的计算机程序产品，当其在计算机上运行时，使得计算机执行上述各方面基于深度混合云模型的场景趋势判断指标计算方法。

本领域普通技术人员可以理解实现上述实施例的全部或部分步骤可以通过硬件来完成，也可以通过程序来指令相关的硬件完成，所述的程序可以存储与一种计算机可读存储介质中，上述提到的存储介质可以是只读存储器，磁盘或光盘等。

以上显示和描述了本发明的基本原理、主要特征和本发明的优点。本行业的技术人员应该了解，本发明不受上述实施例的限制，上述实施例和说明书中描述的仅为本发明的优选例，并不用来限制本发明，在不脱离本发明精神和范围的前提下，本发明还会有各种变化和改进，这些变化和改进都落入要求保护的本发明范围内。本发明要求保护范围由所附的权利要求书及其等效物界定。

Claims (10)

1.一种基于深度混合云模型的场景趋势判断指标计算方法，其方法包括如下步骤：

S1、使用变分自编码器VAE对网络资源节点进行编码；

S2、将编码化的节点资源构建整体云模型；

S3、使用基于深度学习的云进化算法训练模型参数；

S4、使用模型进行在线场景趋势预测。

2.根据权利要求1所述的基于深度混合云模型的场景趋势判断指标计算方法，其特征在于：所述使用变分自编码器VAE对网络资源节点进行编码的方法包括如下步骤：

S1.1、输入：样本X_i，损失权重α，β；

S1.2、输出：变分自编码器最优参数θ^*，

S1.3、初始化：随机初始化变分自编码器VAE的参数θ，

S1.4、迭代训练变分自编码器VAE。

3.根据权利要求2所述的基于深度混合云模型的场景趋势判断指标计算方法，其特征在于：所述变分自编码器VAE的迭代训练方法包括如下步骤：

S2.1、编码器：输入样本X_i→条件概率分布q_θ(Z|X_i)的均值(μ)和方差(σ)；

S2.2、随机采样：将q_θ(Z|X_i)与正态分布

对齐，产生专属于样本X_i的正态分布(Z_i＝-μ_i+ε*σ,ε～N(0,1))，从P(Z_i)概率分布当中取样Z_i；

S2.3、解码器：输入取样的Z_i→条件概率分布

的均值

和方差

S2.4、计算重构损失函数：计算输入图和重构图的逐位二进制交叉熵，其公式如下：

S2.5、网络参数优化：对损失函数进行反向梯度传播，修正编码器和解码器网络参数，直到达到最优效果。

4.根据权利要求1所述的基于深度混合云模型的场景趋势判断指标计算方法，其特征在于：所述使用基于深度学习的云进化算法训练模型参数的方法包括如下步骤：

S3.1、确定训练样本集和测试样本集；

S3.2、确定待训练参数γ和σ的范围；

S3.3、根据S3.2确定的范围确定进货模式的初始值EP(Ex，En，He)；

S3.4、利用EP(Ex，En，He)随机产生初始群落；

S3.5、将群落中所有个体值代入S3.4，产生一系列预测模型，以样本作为输入，求得各模型的预测值；

S3.6、将预测值代入适应度函数，计算群落中所有个体的适应度值；

S3.7、根据适应度值的大小，按照控制策略要求，选择m个最优个体，并记下此时连续平凡代数g_p和连续非平凡代数g_t；

S3.8、比较连续非平凡代数g_t与0的大小；

S3.9、比较g_p与λ_global的大小；

S3.10、比较g_p和λ_local的大小；

S3.11、求出新的En和He，以最优个体的值作为Ex，代入正向发生器产生新的种群；

S3.12、比较Q与P的大小，若Q<P，返回S3.5，否则记下此时的建群种Ex₀，将所有建群种的适应度进行比较，选择全局最优个体，则Ex₀即为最优参数；

S3.13、将最优参数向量Ex₀代入预测模型，其模型公式如下：

5.根据权利要求4所述的基于深度混合云模型的场景趋势判断指标计算方法，其特征在于：所述确定的范围还包括确定初始参数群落规模n，群落三宝度大小m、种群规模向量G、全局突变阙值λ_global、局部突变阙值λ_local、总进化代数P、进货系数K、进化式变异系数L以及适应度函数。

6.根据权利要求4所述的基于深度混合云模型的场景趋势判断指标计算方法，其特征在于：所述S3.8中，比较连续非平凡代数g_t与0的大小，若g_t≥0，则采取局部求精操作。

7.根据权利要求4所述的基于深度混合云模型的场景趋势判断指标计算方法，其特征在于：所述S3.9中，比较g_p与λ_global的大小，若g_p＞λ_global，则进行突变操作；

所述S3.10中，比较g_p和λ_local的大小，g_p＞λ_local，则进行局部求变操作。

8.一种基于深度混合云模型的场景趋势判断指标计算系统，包括：

编码模块，用于对网络资源节点进行编码；

构建云模型模块，用于将编码化的节点资源构建整体云模型；

训练模型参数模块，用于使用基于深度学习的云进化算法训练模型参数；

趋势预测模块，用于使用模型进行在线场景趋势预测。

9.一种基于深度混合云模型的场景趋势判断指标计算装置，其特征在于：包括处理器、存储器以及存储在所述存储器中并在所述处理器上运行的计算机程序，所述处理器执行上述计算机程序时实现如权利要求1-7中任一所述基于深度混合云模型的场景趋势判断指标计算方法的步骤。

10.一种计算机可读存储介质，其特征在于，所述存储介质中存储有至少一段程序，所述至少一段程序由上述处理器执行以实现如权利要求1-7中任一所述的基于深度混合云模型的场景趋势判断指标计算方法的步骤。

Images