CN112433927A - 基于时间序列聚类和lstm的云服务器老化预测方法 - Google Patents
基于时间序列聚类和lstm的云服务器老化预测方法 Download PDFInfo
- Publication number
- CN112433927A CN112433927A CN202011380406.9A CN202011380406A CN112433927A CN 112433927 A CN112433927 A CN 112433927A CN 202011380406 A CN202011380406 A CN 202011380406A CN 112433927 A CN112433927 A CN 112433927A
- Authority
- CN
- China
- Prior art keywords
- cloud server
- data
- clustering
- time sequence
- time series
- 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.)
- Pending
Links
- 230000032683 aging Effects 0.000 title claims abstract description 46
- 238000000034 method Methods 0.000 title claims abstract description 40
- 238000013135 deep learning Methods 0.000 claims abstract description 23
- 238000000354 decomposition reaction Methods 0.000 claims abstract description 13
- 238000003064 k means clustering Methods 0.000 claims abstract description 8
- 230000015654 memory Effects 0.000 claims abstract description 6
- 230000008929 regeneration Effects 0.000 claims description 20
- 238000012549 training Methods 0.000 claims description 17
- 230000006870 function Effects 0.000 claims description 7
- 238000004458 analytical method Methods 0.000 claims description 6
- 230000004913 activation Effects 0.000 claims description 4
- 238000004364 calculation method Methods 0.000 claims description 4
- 238000013528 artificial neural network Methods 0.000 claims description 3
- 238000005516 engineering process Methods 0.000 claims description 3
- 238000012795 verification Methods 0.000 claims description 2
- 238000012935 Averaging Methods 0.000 claims 1
- 230000015556 catabolic process Effects 0.000 claims 1
- 238000010586 diagram Methods 0.000 description 4
- 101001095088 Homo sapiens Melanoma antigen preferentially expressed in tumors Proteins 0.000 description 2
- 102100037020 Melanoma antigen preferentially expressed in tumors Human genes 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 230000004622 sleep time Effects 0.000 description 2
- 238000012300 Sequence Analysis Methods 0.000 description 1
- 238000009825 accumulation Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000000903 blocking effect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 239000006185 dispersion Substances 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 230000007787 long-term memory Effects 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 238000011069 regeneration method Methods 0.000 description 1
- 238000005096 rolling process Methods 0.000 description 1
- 230000006403 short-term memory Effects 0.000 description 1
- 238000009662 stress testing Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 238000013519 translation Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F11/00—Error detection; Error correction; Monitoring
- G06F11/30—Monitoring
- G06F11/34—Recording or statistical evaluation of computer activity, e.g. of down time, of input/output operation ; Recording or statistical evaluation of user activity, e.g. usability assessment
- G06F11/3466—Performance evaluation by tracing or monitoring
- G06F11/3476—Data logging
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F11/00—Error detection; Error correction; Monitoring
- G06F11/30—Monitoring
- G06F11/34—Recording or statistical evaluation of computer activity, e.g. of down time, of input/output operation ; Recording or statistical evaluation of user activity, e.g. usability assessment
- G06F11/3447—Performance evaluation by modeling
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F11/00—Error detection; Error correction; Monitoring
- G06F11/30—Monitoring
- G06F11/34—Recording or statistical evaluation of computer activity, e.g. of down time, of input/output operation ; Recording or statistical evaluation of user activity, e.g. usability assessment
- G06F11/3452—Performance evaluation by statistical analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
- G06F18/232—Non-hierarchical techniques
- G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
- G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
-
- 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
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/044—Recurrent networks, e.g. Hopfield networks
-
- 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
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- 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
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2201/00—Indexing scheme relating to error detection, to error correction, and to monitoring
- G06F2201/865—Monitoring of software
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Computing Systems (AREA)
- Evolutionary Biology (AREA)
- Molecular Biology (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Quality & Reliability (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Hardware Design (AREA)
- General Health & Medical Sciences (AREA)
- Probability & Statistics with Applications (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Computer And Data Communications (AREA)
Abstract
本发明公开了一种基于时间序列聚类和深度学习LSTM的云服务器老化预测方法。对云服务器上性能资源时间序列数据进行提取，包括CPU空闲率数据和系统可用内存数据；对时间序列数据进行小波包分解预处理；对预处理后的数据进行K‑means聚类，统计出现频次最高的聚类中心，利用聚类后的结果构建深度学习LSTM模型，根据LSTM模型的时间序列预测值对软件老化趋势进行预测，本发明利用小波包分解克服了传统预测方法对非平稳时间序列数据和波动较大的时间序列数据预测准确度较低的局限性，从而能够更精确地预测软件老化趋势。解决了针对云服务器软件老化现象如何在最佳的时间点进行软件再生的问题。
Description
技术领域
本发明属于时间序列预测技术领域，具体涉及一种基于时间序列聚类和深度学习LSTM的云服务器老化预测方法。
背景技术
随着云计算技术的发展，云服务器在越来越多的领域得到应用。云服务器是一种简单高效、安全可靠、可弹性伸缩处理的计算服务。云服务器与家用主机的使用时间完全不同。家用主机不需要连续使用，因此家用主机可以有比较长的休眠时间。而云服务器则不同，不同公司的对云服务器的使用时间段不同，这就使得部分服务器根本不存在休眠的时间，需要长期运行并且频繁地交换资源。长时间运行的云服务器经常会出现软件老化的问题。软件老化是由系统内部错误的累积引起的，当云服务器出现难以解决的问题(例如，缺乏计算资源)时，经常会出现与老化相关的故障，进而导致云服务器性能大幅下降并且故障率增加，甚至可能会导致云服务器从正常运行状态转为宕机状态。根据不完全统计的数据显示，金融企业每次宕机的平均损失约为1000万美金。一些大型网站通常会有访问的高峰阶段，例如春运期间的铁路购票网站、购物节期间的电商平台以及最新数码产品的发布会等，都会给云服务器带来巨大的负载压力。而一旦出现云服务器宕机，将对使用云服务器的企业带来灾难性的损失。
现阶段主要通过软件再生解决软件老化问题。软件再生是一种主动预维护的容错技术，该技术一般通过应用程序或系统重新启动，将软件回滚到稳定状态，来清除软件老化对云服务器性能的影响。研究云服务器上的软件老化问题一般分为三个阶段：(1)压力测试阶段，旨在观察工作负载的增加对云服务器系统内部状态的影响。(2)等待阶段，观察工作负载增加后的云系统的状态。此阶段目的在于突出系统中软件老化所造成的影响。由于软件老化是一个累积过程，因此即使取消了工作负载，其影响也可能保留在系统中。如果系统没有执行软件再生操作仍能恢复到稳定状态，则说明没有产生软件老化问题。(3)再生阶段，目的在于执行了软件再生操作后，观察软件再生操作是否可以缓解“等待阶段”中存在的软件老化问题。影响软件再生效果的因素主要是进行软件再生的时间节点，频繁的软件再生会对云服务器可用性造成影响，理想的软件再生策略是临近系统故障前进行软件再生操作。所以，如何准确地预测云服务器软件老化趋势从而获取老化临界值，是解决软件老化问题的关键。传统的预测云服务器老化趋势方法多为时间序列分析法和智能算法。
发明内容
本发明的目的是提供一种基于时间序列聚类和深度学习LSTM的云服务器老化预测方法。针对云服务器性能资源时间序列数据利用K-means聚类算法进行聚类，之后利用深度学习LSTM模型对云服务器老化趋势进行预测，根据预测时间序列数据分析并判定进行软件再生的时间点。解决了针对云服务器软件老化现象如何在最佳的时间点进行软件再生的问题。
本发明所采用的技术方案是,基于时间序列聚类和深度学习LSTM的云服务器老化预测方法，具体包括以下步骤：
步骤1，对云服务器上性能资源时间序列数据进行提取，包括CPU空闲率数据和系统可用内存数据；
步骤2，对步骤1中得到的时间序列数据进行小波包分解预处理；
步骤3，对步骤2中预处理后的数据进行K-means聚类，以聚类数K＝4分别聚类100次，统计出现频次最高的聚类中心，利用DBI(Davies-Bouldin)指标评价聚类结果；
步骤4，利用聚类后的结果构建深度学习LSTM模型，训练LSTM模型以增加准确率，并对云服务器资源时间序列数据进行预测；
步骤5，使用均方根误差和平均绝对百分比误差验证模型精度；
步骤6，根据LSTM模型的时间序列预测数据，对软件老化趋势进行预测，检验数据的拟合程度，根据预测数据阈值判定软件再生的时间节点。
本发明的特点还在于：
步骤2中，对时间序列数据的预处理。因为云服务器资源的时间序列数据为非平稳时间序列，为了将高频信息和低频信息进行分离，避免高频信息的过拟合，本发明在建立预测模型前首先对数据进行频域分析。频域分析采用三层小波包分解技术，小波包分解是在小波分析的基础上发展而来，克服了小波分析高频频段对应的频率分辨率较差，以及低频频段对应的时间分辨率较差的缺点。
步骤3中，采用K-means聚类算法对云服务器资源的时间序列数据进行多次聚类。K-means算法用欧式距离表示数据之间的差异，通过直接求均值计算聚类的中心点，其步骤如下：
步骤3.1，选择初始聚类中心点m1，m2，…，mk，…，mN；
步骤3.2，将其他对象分配到与其距离最小的中心点所在的类；
步骤3.3，按照欧式距离的平均值最小的原则更新每个聚类的中心点；
步骤3.4，重复步骤3.2、步骤3.3，直至K-means算法收敛。
步骤3.1中，选择初始聚类中心点使用K-means++方法，其思想可以描述为：在选取第一个聚类中心(n＝1)时采取随机的方法，假设已经选取了n个初始聚类中心(0<n<K)，则在选取第n+1个聚类中心时，距离当前n个聚类中心越远的点将有更高的概率被选为第n+1个聚类中心。
步骤4，利用聚类后得到的结果构建深度学习LSTM模型，时间序列模型依赖于事件发生的先后顺序，同样大小的值改变顺序后输入模型产生的结果不同。长短期记忆网络(LSTM)是一种特殊的神经网络，能够学习云服务器长期运行的老化规律。其具体步骤如下：
步骤4.1，原始数据转化，将云资源时间序列数据进行数值化；
步骤4.2，生成模型训练数据集，确定训练集的窗口长度；
步骤4.3，网络模型结构的确定和调整；
步骤4.4，模型训练和结果预测。
步骤4.3中，网络的训练过程涉及许多参数的调整，包括LSTM模块的激活函数、接收LSTM输出的完全连接人工神经网络的激活函数，以及为了防止过度拟合需要确定每一层网络节点的舍弃率、误差的计算方式、权重参数的迭代更新方式、模型训练的迭代次数epoch和单次训练样本数batch size等参数。
步骤4.4中，为了提高模型的预测精度，将云服务器的性能资源时间序列数据按4:1的比例随机分为训练集和验证集。然后将时间序列数据作为参数导入模型得到预测数据，与实际的云资源时间序列相比得到拟合曲线。
步骤6中，根据LSTM模型的云服务器资源时间序列预测数据阈值，从而判定进行软件再生的时间节点，为云服务器处于临近宕机时的状态，在此时选择进行软件再生操作以保持系统处于良好运行的状态。
本发明的有益效果是：本发明采用聚类算法和深度学习LSTM模型结合的预测方法对云服务器老化趋势进行预测，并且对时间序列数据进行小波包分解的预处理。克服了传统预测方法对非平稳时间序列数据和波动较大的时间序列数据预测准确度较低的局限性。从而能够更精确地预测云服务器老化趋势，为软件再生操作提供准确执行的时间节点。
附图说明
图1是本发明一种基于时间序列聚类和深度学习LSTM的云服务器老化预测方法整体流程图；
图2是本发明一种基于时间序列聚类和深度学习LSTM的云服务器老化预测方法云服务器CPU空闲资源时间序列图；
图3是本发明一种基于时间序列聚类和深度学习LSTM的云服务器老化预测方法云服务器系统可用内存资源时间序列图；
图4是本发明一种基于时间序列聚类和深度学习LSTM的云服务器老化预测方法三层小波包分解过程图；
图5是本发明一种基于时间序列聚类和深度学习LSTM的云服务器老化预测方法K-means聚类具体流程图；
图6是本发明一种基于时间序列聚类和深度学习LSTM的云服务器老化预测方法所用的深度学习LSTM模型结构图。
具体实施方式
下面结合附图和具体实施方式对本发明进行详细说明。
如图1所示，本发明基于时间序列聚类和深度学习LSTM的云服务器老化预测方法，具体包括以下步骤：
步骤1，提取云服务器上性能资源时间序列数据，包括CPU空闲率数据和系统可用内存数据，时间序列数据具体如图2和图3所示。
步骤2，对步骤1提取出的数据进行预处理。云服务器资源时间序列为非平稳时间序列，为了将其中的高频信息和低频信息分离，避免高频信息的过度拟合，本发明在对数据进行聚类和建立模型前首先对其进行三层小波包分解处理。小波包分解可以克服高频频段对应的频率分辨率较差，低频频段对应的时间分辨率较差的缺点。具体定义公式如式(1)、(2)和(3)所示。
其中p是频率参数q是尺度参数；r是平移参数h(r)，g(r)是一组共轭镜像滤波器函数。小波包分解的过程是将离散信号通过一个低通滤波器h和一个高通滤波器g进行滤波。三层小波包分解过程如图4所示。
步骤3，对步骤2中预处理后的数据进行K-means聚类并根据指标评价聚类结果，K-means过程如图5所示。
步骤3的具体过程如下：
步骤3.1，采用K-means++算法确定初始聚类中心点m1，m2，…，mk，…，mN；
步骤3.2，将除聚类中心之外的其他对象分配到与其距离最小的中心点所在的类。
步骤3.3，按照欧式距离的平均值最小的原则更新每个聚类的中心点；
步骤3.4，重复步骤3.2、步骤3.3，直至K-means算法收敛。
步骤3.5，多次聚类试验后，对同一聚类数不同聚类中心的DBI值进行比较来评价聚类结果，DBI是度量每个类最大相似度的均值。其计算公式如式(4)所示：
其中N为聚类结果分为N个类；Si、Sj变量定义为类内数据到类中心的平均距离，代表了类i、j中各时间序列的分散程度；Mi，j定义为类i中心与类j中心间的距离。
针对云服务器CPU空闲率和系统可用内存时间序列数据，聚类结果可描述为四类：1、初始阶段；2、轻负载阶段；3、重负载阶段；4、宕机临界阶段。
其中初始阶段描述为CPU空闲率和系统可用内存在70％～100％之间，为云服务器刚开始运行负载的阶段；轻负载阶段描述为CPU空闲率和系统可用内存在40％～80％以内，为云服务器运行较轻负载，正常运行的阶段；重负载阶段描述为CPU空闲率和系统可用内存在10％～40％之间，为云服务器运行较重负载，系统开始出现运行缓慢、卡顿等一系列老化迹象的阶段；宕机临界阶段描述为CPU空闲率和系统可用内存在0％～10％之间，此时云服务器运行负载压力极大，系统随时可能发生因软件老化导致的宕机现象。
步骤4，根据步骤3中聚类结果建立LSTM模型进行预测，步骤3得到的聚类结果中初始阶段和轻负载阶段都为云服务器处于正常、良好的运行状态，所以只需要对重负载阶段及之后的宕机临界阶段进行预测。这两个阶段云服务器会出现因软件老化引起的系统运行缓慢、卡顿等迹象，到了宕机临界状态如不进行软件再生操作，可能出现云服务器宕机等后果。LSTM模型的结构如图6所示。
步骤4的具体过程如下：
步骤4.1，建立LSTM预测模型，然后对模型中的参数进行设定；
步骤4.2，使用训练数据对LSTM模型进行训练；
步骤4.3，根据训练好的模型进行评估，是否满足精确度等要求。若不满足，则重复步骤4.2进行训练，模型中损失函数计算采用平均绝对误差；
步骤4.4，根据训练好的模型对实际数据进行预测，得出预测结果。
步骤5，将步骤4中预测结果与实际时间序列进行拟合验证预测精确度。
为了判断模型的精确度，对云服务器资源实际监测数据和模型预测数据进行均方根误差(RMSE)和平均绝对百分比误差(MAPE)对比，计算公式如下所示：
其中actual(t)表示实际的时间序列数据；forecast(t)表示LSTM模型预测的时间序列数据；RMSE表示误差的平方的期望值；MAPE的值越小，说明预测模型拥有更好的精确度。
步骤6，检验LSTM模型预测数据与原始数据的拟合程度，当云服务器资源预测时间序列显示处于宕机临界状态下，即CPU空闲率和系统可用内存在0％～10％之间，此时云服务器运行负载压力极大，系统随时可能发生因软件老化导致的宕机现象。选择在此时进行软件再生操作，以保持系统处于正常、良好运行的状态。
Claims (5)
1.基于时间序列聚类和深度学习LSTM的云服务器老化预测方法，具体包括以下步骤：
步骤1，提取云服务器上CPU空闲率和系统可用内存时间序列数据；
步骤2，对步骤1的数据进行三层小波包分解预处理；
步骤3，对步骤2预处理后的数据进行K-means聚类并根据DBI指标评价聚类结果；
步骤4，对步骤3中得到的聚类结果建立LSTM模型并进行模型训练和预测；
步骤5，用均方根误差和平均绝对百分比误差函数，验证步骤4中的云服务器资源时间序列预测值与原始时间序列的预测精确度；
步骤6，检验LSTM模型预测时间序列和实际时间序列的拟合程度，根据云服务器资源时间序列预测数据，对软件老化趋势进行分析并判定最佳的软件再生时间点。
2.如权利要求1所述的基于时间序列聚类和深度学习LSTM的云服务器老化预测方法，其特征在于：所述步骤2中，首先对云服务器资源数据进行预处理，对数据进行频域分析；频域分析采用三层小波包分解技术，通过三层小波包分解对时间序列进行更加精细的分析，它将时间序列进行多层次划分，对每个分解后的频带进行再次划分；并且根据被分析时间序列的特征选择相应频带，对时间序列数据进行特征聚类。
3.如权利要求1所述的基于时间序列聚类和深度学习LSTM的云服务器老化预测方法，其特征在于：所述步骤3中，采用所述K-means聚类算法对云服务器资源的时间序列数据进行多次聚类；K-means算法用欧式距离表示数据之间的差异，通过直接求均值来计算聚类的中心点，其步骤如下：
步骤3.1，选择初始聚类中心点m1，m2，…，mk，…，mN；
步骤3.2，将其他对象分配到与其距离最小的中心点所在的类；
步骤3.3，按照欧式距离的平均值最小的原则更新每个聚类的中心点；
步骤3.4，重复步骤3.2、步骤3.3，直至算法K-means收敛。
步骤3.1中，选择初始聚类中心点使用K-means++方法，其思想可以描述为：在选取第一个聚类中心n＝1时通过随机的方法，假设已经选取了n个初始聚类中心0<n<K，则在选取第n+1个聚类中心时，距离当前n个聚类中心越远的点会有更高的概率被选为第n+1个聚类中心。
4.如权利要求1所述的基于时间序列聚类和深度学习LSTM的云服务器老化预测方法，其特征在于：所述步骤4中，利用聚类后得到的结果构建深度学习LSTM模型，其具体步骤如下：
步骤4.1，提取重负载阶段和宕机临界阶段的时间序列数据并转化，将云服务器资源时间序列数据进行数值化；
步骤4.2，生成模型训练数据集，确定训练集的窗口长度；
步骤4.3，网络模型结构和参数的确定和调整；
步骤4.4，模型训练和结果预测。
步骤4.1中，经过步骤3聚类得到四种类别的时间序列数据，分别为初始阶段、轻负载阶段、重负载阶段和宕机临界阶段。其中初始阶段和轻负载阶段都为云服务器都处于正常、良好运行的状态，所以只需要针对出现老化迹象的重负载阶段和系统接近崩溃的宕机临界阶段进行预测。
步骤4.3中，网络的模型结构确定涉及到许多参数的调整，包括需要确定LSTM模块的激活函数、确定接收LSTM输出的完全连接人工神经网络的激活函数、为了防止过度拟合需要确定每一层网络节点的舍弃率、确定误差的计算方式、确定权重参数的迭代更新方式、确定模型训练的epoch和batch size等参数。
步骤4.4中，为了防止过度拟合，将云资源时间序列数据按4:1的比例随机拆分为训练集和验证集训练模型。然后将时间序列数据作为参数导入模型便可得到预测时间序列数据，与实际的云资源时间序列数据相比便可得到拟合曲线。
5.如权利要求1所述的基于时间序列聚类和深度学习LSTM的云服务器老化预测方法，其特征在于：所述步骤6中，检验LSTM模型预测数据与原始数据的拟合程度，当云服务器资源预测时间序列显示处于宕机临界状态下，此时CPU空闲率和系统可用内存在0％～10％之间，云服务器运行负载压力极大，系统随时可能出现宕机现象。选择在此时进行软件再生操作，以保持系统处于正常、良好运行的状态。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011380406.9A CN112433927A (zh) | 2020-11-30 | 2020-11-30 | 基于时间序列聚类和lstm的云服务器老化预测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011380406.9A CN112433927A (zh) | 2020-11-30 | 2020-11-30 | 基于时间序列聚类和lstm的云服务器老化预测方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN112433927A true CN112433927A (zh) | 2021-03-02 |
Family
ID=74698376
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202011380406.9A Pending CN112433927A (zh) | 2020-11-30 | 2020-11-30 | 基于时间序列聚类和lstm的云服务器老化预测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112433927A (zh) |
Cited By (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113205368A (zh) * | 2021-05-25 | 2021-08-03 | 合肥供水集团有限公司 | 一种基于时序用水数据的工商户聚类方法 |
| CN113298128A (zh) * | 2021-05-14 | 2021-08-24 | 西安理工大学 | 基于时间序列聚类的云服务器异常检测方法 |
| CN113377639A (zh) * | 2021-06-11 | 2021-09-10 | 西安理工大学 | 基于ga-gru模型的云服务器老化预测方法 |
| CN113705657A (zh) * | 2021-08-24 | 2021-11-26 | 华北电力大学 | 一种基于差分法消除多重共线性的逐步聚类统计降尺度方法 |
| CN113791960A (zh) * | 2021-08-20 | 2021-12-14 | 西安理工大学 | 基于eggm模型预测云服务器软件老化的方法 |
| CN113962142A (zh) * | 2021-09-26 | 2022-01-21 | 西安交通大学 | 一种基于两段式lstm的数据中心温度预测方法及系统 |
| CN114510872A (zh) * | 2022-01-10 | 2022-05-17 | 西安理工大学 | 基于自注意力机制dlstm的云服务器老化预测方法 |
| CN114691459A (zh) * | 2022-03-17 | 2022-07-01 | 中国人民解放军国防科技大学 | 一种软件系统老化预测方法及系统 |
| US12047260B2 (en) | 2021-07-02 | 2024-07-23 | Walmart Apollo, Llc | Systems and methods for network incident management |
Citations (12)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110263846A (zh) * | 2019-06-18 | 2019-09-20 | 华北电力大学 | 基于故障数据深度挖掘及学习的故障诊断方法 |
| KR20200005206A (ko) * | 2018-07-06 | 2020-01-15 | 에임시스템 주식회사 | 기계 학습 기반의 설비 이상 분류 시스템 및 방법 |
| CN110968426A (zh) * | 2019-11-29 | 2020-04-07 | 西安交通大学 | 一种基于在线学习的边云协同k均值聚类的模型优化方法 |
| CN111126445A (zh) * | 2019-11-29 | 2020-05-08 | 国网辽宁省电力有限公司经济技术研究院 | 一种面向智能电表海量数据的多步聚合负荷预测方法 |
| CN111353482A (zh) * | 2020-05-25 | 2020-06-30 | 天津开发区精诺瀚海数据科技有限公司 | 一种基于lstm的疲劳因子隐性异常检测及故障诊断方法 |
| CN111369070A (zh) * | 2020-03-13 | 2020-07-03 | 西安理工大学 | 一种基于包络线聚类的多模融合光伏功率预测方法 |
| US20200300970A1 (en) * | 2019-03-18 | 2020-09-24 | Samsung Electronics Co., Ltd. | Method and apparatus for biometric authentication using face radar signal |
| CN111800535A (zh) * | 2019-04-09 | 2020-10-20 | Oppo广东移动通信有限公司 | 终端运行状态的评估方法、装置、存储介质及电子设备 |
| CN111860982A (zh) * | 2020-07-06 | 2020-10-30 | 东北大学 | 一种基于vmd-fcm-gru的风电场短期风电功率预测方法 |
| CN111881023A (zh) * | 2020-07-10 | 2020-11-03 | 武汉理工大学 | 一种基于多模型对比的软件老化预测方法及装置 |
| WO2020220437A1 (zh) * | 2019-04-29 | 2020-11-05 | 东北大学 | 一种基于AdaBoost-Elman的虚拟机软件老化预测方法 |
| CN111915059A (zh) * | 2020-06-29 | 2020-11-10 | 西安理工大学 | 基于注意力机制的Seq2seq泊位占有率预测方法 |
-
2020
- 2020-11-30 CN CN202011380406.9A patent/CN112433927A/zh active Pending
Patent Citations (12)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR20200005206A (ko) * | 2018-07-06 | 2020-01-15 | 에임시스템 주식회사 | 기계 학습 기반의 설비 이상 분류 시스템 및 방법 |
| US20200300970A1 (en) * | 2019-03-18 | 2020-09-24 | Samsung Electronics Co., Ltd. | Method and apparatus for biometric authentication using face radar signal |
| CN111800535A (zh) * | 2019-04-09 | 2020-10-20 | Oppo广东移动通信有限公司 | 终端运行状态的评估方法、装置、存储介质及电子设备 |
| WO2020220437A1 (zh) * | 2019-04-29 | 2020-11-05 | 东北大学 | 一种基于AdaBoost-Elman的虚拟机软件老化预测方法 |
| CN110263846A (zh) * | 2019-06-18 | 2019-09-20 | 华北电力大学 | 基于故障数据深度挖掘及学习的故障诊断方法 |
| CN110968426A (zh) * | 2019-11-29 | 2020-04-07 | 西安交通大学 | 一种基于在线学习的边云协同k均值聚类的模型优化方法 |
| CN111126445A (zh) * | 2019-11-29 | 2020-05-08 | 国网辽宁省电力有限公司经济技术研究院 | 一种面向智能电表海量数据的多步聚合负荷预测方法 |
| CN111369070A (zh) * | 2020-03-13 | 2020-07-03 | 西安理工大学 | 一种基于包络线聚类的多模融合光伏功率预测方法 |
| CN111353482A (zh) * | 2020-05-25 | 2020-06-30 | 天津开发区精诺瀚海数据科技有限公司 | 一种基于lstm的疲劳因子隐性异常检测及故障诊断方法 |
| CN111915059A (zh) * | 2020-06-29 | 2020-11-10 | 西安理工大学 | 基于注意力机制的Seq2seq泊位占有率预测方法 |
| CN111860982A (zh) * | 2020-07-06 | 2020-10-30 | 东北大学 | 一种基于vmd-fcm-gru的风电场短期风电功率预测方法 |
| CN111881023A (zh) * | 2020-07-10 | 2020-11-03 | 武汉理工大学 | 一种基于多模型对比的软件老化预测方法及装置 |
Non-Patent Citations (5)
| Title |
|---|
| ASIYE K. OZCANLI等: "Deep learning methods and applications for electrical power systems: A comprehensive review", INT J ENERGY RES, 27 February 2020 (2020-02-27), pages 7136 - 7157 * |
| 欧阳红兵;黄亢;闫洪举;: "基于LSTM神经网络的金融时间序列预测", 中国管理科学, no. 04, 15 April 2020 (2020-04-15) * |
| 翁国庆;龚阳光;舒俊鹏;黄飞腾;: "基于聚类LSTM深度学习模型的主动配电网电能质量预测", 高技术通讯, no. 07, 15 July 2020 (2020-07-15) * |
| 谭宇宁;党伟超;潘理虎;白尚旺;: "基于SATLSTM的Web系统老化趋势预测", 计算机应用与软件, no. 04, 12 April 2020 (2020-04-12) * |
| 郑瑞骁: "考虑温度模糊化的多层长短时记忆神经网络短期负荷预测", 电力自动化设备, 30 September 2020 (2020-09-30), pages 181 - 186 * |
Cited By (14)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113298128A (zh) * | 2021-05-14 | 2021-08-24 | 西安理工大学 | 基于时间序列聚类的云服务器异常检测方法 |
| CN113298128B (zh) * | 2021-05-14 | 2024-04-02 | 西安理工大学 | 基于时间序列聚类的云服务器异常检测方法 |
| CN113205368B (zh) * | 2021-05-25 | 2022-11-29 | 合肥供水集团有限公司 | 一种基于时序用水数据的工商户聚类方法 |
| CN113205368A (zh) * | 2021-05-25 | 2021-08-03 | 合肥供水集团有限公司 | 一种基于时序用水数据的工商户聚类方法 |
| CN113377639A (zh) * | 2021-06-11 | 2021-09-10 | 西安理工大学 | 基于ga-gru模型的云服务器老化预测方法 |
| US12047260B2 (en) | 2021-07-02 | 2024-07-23 | Walmart Apollo, Llc | Systems and methods for network incident management |
| CN113791960A (zh) * | 2021-08-20 | 2021-12-14 | 西安理工大学 | 基于eggm模型预测云服务器软件老化的方法 |
| CN113705657B (zh) * | 2021-08-24 | 2024-01-19 | 华北电力大学 | 一种基于差分法消除多重共线性的逐步聚类统计降尺度方法 |
| CN113705657A (zh) * | 2021-08-24 | 2021-11-26 | 华北电力大学 | 一种基于差分法消除多重共线性的逐步聚类统计降尺度方法 |
| CN113962142A (zh) * | 2021-09-26 | 2022-01-21 | 西安交通大学 | 一种基于两段式lstm的数据中心温度预测方法及系统 |
| CN113962142B (zh) * | 2021-09-26 | 2024-04-19 | 西安交通大学 | 一种基于两段式lstm的数据中心温度预测方法及系统 |
| CN114510872A (zh) * | 2022-01-10 | 2022-05-17 | 西安理工大学 | 基于自注意力机制dlstm的云服务器老化预测方法 |
| CN114691459A (zh) * | 2022-03-17 | 2022-07-01 | 中国人民解放军国防科技大学 | 一种软件系统老化预测方法及系统 |
| CN114691459B (zh) * | 2022-03-17 | 2024-09-24 | 中国人民解放军国防科技大学 | 一种软件系统老化预测方法及系统 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN112433927A (zh) | 基于时间序列聚类和lstm的云服务器老化预测方法 | |
| US20220075670A1 (en) | Systems and methods for replacing sensitive data | |
| WO2020077682A1 (zh) | 一种服务质量评估模型的训练方法及装置 | |
| US11562252B2 (en) | Systems and methods for expanding data classification using synthetic data generation in machine learning models | |
| US20190079965A1 (en) | Apparatus and method for real time analysis, predicting and reporting of anomalous database transaction log activity | |
| CN111198817B (zh) | 一种基于卷积神经网络的SaaS软件故障诊断方法及装置 | |
| CN110912737A (zh) | 一种基于混合模型的动态感知性能预告警方法 | |
| CN114297036B (zh) | 数据处理方法、装置、电子设备及可读存储介质 | |
| CN110083518B (zh) | 一种基于AdaBoost-Elman的虚拟机软件老化预测方法 | |
| CN113961759A (zh) | 基于属性图表示学习的异常检测方法 | |
| CN114609994B (zh) | 基于多粒度正则化重平衡增量学习的故障诊断方法及装置 | |
| CN115562978A (zh) | 基于业务场景的性能测试系统及方法 | |
| CN114546797A (zh) | 基于时序分解的云虚拟机老化预测方法 | |
| CN117828371B (zh) | 一种综合运维平台的业务信息智能分析方法 | |
| CN113628043B (zh) | 基于数据分类的投诉有效性判断方法、装置、设备及介质 | |
| CN111327480A (zh) | 移动边缘环境下的Web服务多元QoS监控方法 | |
| CN111027591A (zh) | 一种面向大规模集群系统的节点故障预测方法 | |
| CN110516792A (zh) | 基于小波分解和浅层神经网络的非平稳时间序列预测方法 | |
| CN109977131A (zh) | 一种房型匹配系统 | |
| Dang et al. | seq2graph: discovering dynamic dependencies from multivariate time series with multi-level attention | |
| CN116933119A (zh) | 一种基于卷积神经网络的信号数据去除趋势方法 | |
| CN113821401A (zh) | 基于wt-ga-gru模型的云服务器故障诊断方法 | |
| CN113850483A (zh) | 一种企业信用风险评级系统 | |
| CN116723083B (zh) | 一种云服务器在线故障诊断方法及装置 | |
| CN118691321A (zh) | 基于边缘计算的网上车市汽车分站数据管控平台 |
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 |