CN112561119A - 一种使用arima-rnn组合模型的云服务器资源性能预测方法 - Google Patents
一种使用arima-rnn组合模型的云服务器资源性能预测方法 Download PDFInfo
- Publication number
- CN112561119A CN112561119A CN202011181522.8A CN202011181522A CN112561119A CN 112561119 A CN112561119 A CN 112561119A CN 202011181522 A CN202011181522 A CN 202011181522A CN 112561119 A CN112561119 A CN 112561119A
- Authority
- CN
- China
- Prior art keywords
- model
- data
- arima
- rnn
- sequence data
- 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
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
- G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
-
- 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
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
- Y02D10/00—Energy efficient computing, e.g. low power processors, power management or thermal management
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Business, Economics & Management (AREA)
- Software Systems (AREA)
- Mathematical Physics (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Mathematical Optimization (AREA)
- Operations Research (AREA)
- Strategic Management (AREA)
- Computational Mathematics (AREA)
- Mathematical Analysis (AREA)
- Economics (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Pure & Applied Mathematics (AREA)
- Human Resources & Organizations (AREA)
- Molecular Biology (AREA)
- Evolutionary Biology (AREA)
- Development Economics (AREA)
- Computing Systems (AREA)
- Entrepreneurship & Innovation (AREA)
- Marketing (AREA)
- General Health & Medical Sciences (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computational Linguistics (AREA)
- Game Theory and Decision Science (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Probability & Statistics with Applications (AREA)
- Health & Medical Sciences (AREA)
- Algebra (AREA)
- Databases & Information Systems (AREA)
Abstract
本发明公开了一种使用ARIMA‑RNN组合模型的云服务器资源性能预测方法,首先将序列数据进行预处理,将原始序列数据映射到[‑1,1]。确定ARIMA模型,然后对于现有的数据进行训练并预测,保存。确定RNN模型结构,使用现有数据和ARIMA模型对现有数据的预测结果对RNN模型进行训练。将ARIMA模型对于时刻t数据的预测结果和时刻t‑1,t‑2,…,t‑n的数据输入进RNN模型对时刻t的数据进行预测。本发明克服了ARIMA模型对波动较大的数据预测精度较低的局限性,克服了RNN模型收敛速度慢且不稳定的问题,最终实现了对云服务器系统性能参数预测并分析,更精确地预测软件老化现象。
Description
技术领域
本发明属于时间序列预测技术领域,具体涉及的一种使用 ARIMA-RNN组合模型的云服务器资源性能预测方法。
背景技术
随着云计算的发展,云服务器使用越来越普遍。云服务器具有长 期运行、高复杂性和资源交换频繁的特点,这增加了资源耗尽和软件 系统出现异常和故障的风险。随着故障和资源消耗的累积,云服务器 系统会出现缓慢的性能下降,故障率增加甚至崩溃。这种现象称为“软 件老化”。软件老化受到许多因素影响,如软件出现异常、资源利用, 工作负载等。云服务器系统出现软件老化现象是一个普遍的现象。例 如,随着云服务系统的长期运行,系统性能逐步下降,服务器响应时 间逐渐增长。当服务器响应时间超过临界阈值时,云服务器系统进入 未服务状态,称为“伪故障”。企业系统(尤其是云平台)中老化导致的意外中断可能导致巨大的收入损失。一项调查显示,IT停机时间平 均每年可达14小时,导致损失265亿美金。因此,对云服务器系统 资源和性能数据进行预测是应对软件老化现象的关键。
一种有效且常用的应对软件的方法是“软件再生”技术。它通过清 理故障,在发生完全或部分新状态故障之前主动恢复系统。软件再生 技术很大程度上取决于进行软件再生的时间。停机时间或者由此类操 作引起的开销是不可忽略的,频繁的软件再生可能会对系统可用性造 成负面影响。相反,理想的软件再生策略是在系统接近故障前进行系 统恢复。
因此对软件老化趋势的准确预测,计算老化阈值,可以为云系统 在线预维护提供理论依据。现有的对于云服务器系统软件老化趋势的 预测方法大多数为时间序列分析或智能算法。时间序列分析法采用 ARMA、粒子滤波等模型进行趋势预测,模型简单,但所需数据量大 且对于波动较大的数据预测精度较低。智能算法包括神经网络、支持 向量机等,该类算法在预测时间序列数据时,预测精度亦不高。云服 务器资源和性能数据具有非线性、随机性和突发性的特点,因此上述 现有的预测方法预测云服务器资源和性能数据的精度不高,尤其是数 据变化较为剧烈的区间内,预测精度更低。
发明内容
本发明的目的是提供一种使用ARIMA-RNN组合模型的云服务 器资源性能预测方法。解决了现有技术中存在的对云服务系统老化趋 势预测过程中精度不高的问题,克服了ARIMA模型对波动较大的数 据预测精度较低的局限性,基于灰色关联度分析法,提出了时间序列 数据相关性计算方法,来确定组合模型中数据输入数量和维度,克服 了RNN模型收敛速度慢且不稳定的问题,最终实现了对云服务器系 统性能参数预测并分析,更精确地预测软件老化现象。
本发明所采用的技术方案是,一种使用ARIMA-RNN组合模型 的云服务器资源性能预测方法,包括以下步骤:
步骤1,收集云服务器的资源和性能数据。
步骤2,获取云服务器资源和性能序列数据,所述资源和性能序 列数据包括:CPU空闲率、可用内存、平均负载和响应时间等。
步骤3,对步骤2获取得的序列数据进行预处理操作。
步骤4,使用步骤3得到的数据构建ARIMA模型,并获得ARIMA 模型对步骤3所得数据的预测值。
步骤5,计算步骤3得到的序列数据的平均相关性,并构建RNN 模型。
步骤6,使用步骤3和步骤4得到结果训练RNN模型。
步骤7,利用ARIMA模型的预测值和现有的序列数据对未来数 据进行预测。
步骤3中,对序列数据采用归一化处理方法进行预处理,将原始 序列数据映射到(-1,1),具体公式是:
计算得序列数据的最大值和平均值,分别记为xmax和xmean;
使用序列数据中的每个数据减去xmean再除以xmax。
步骤4中,构建ARIMA模型具体方法是:
对序列数据进行差分操作,直到通过ADF单位根检验方法的平 稳性检验;通过观察自相关函数和偏自相关函数得到ARIMA模型的 可能参数;确定最佳的ARIMA模型。
步骤5中,求得序列数据的平均相关,并构建RNN模型的具体 方法是:
计算序列数据中时刻t的数据与时刻t-1,t-2,…,t-p的数据之间的 相关性;求取序列数据中所有时刻与其之前时刻数据相关性的平均值; 确定序列数据中相关性较强数据的个数。
计算序列的平均相关的具体方法为:
使用灰色关联分析法衡量序列相关程度的方法确定时刻t的值 x[t]分别和时刻t-1的值x[t-1],时刻t-2的值x[t-2],…,时刻t-p的 值x[t-p]的平均相关性,即共N-p个数据分别与其本身之前p个数 据的p个相关系数的平均值(其中t=p,p+1,…,N)。从而确定RNN模 型输入层神经元的个数,因为我们要对时刻t的值进行预测,因此 RNN模型输出层神经元的个数设为1,再通过一个经验公式 确定RNN模型隐藏层神经元的个数;
其中h为隐藏层神经元的个数,m为输入层神经元的个数,n为 输出层神经元的个数。
RNN模型包括输入层、隐藏层和输出层,其中将步骤3所得到 的序列数据和步骤4中ARIMA模型的预测结果作为输入层的输入, 所述输出层为ARIMA-RNN组合模型的预测结果;所述隐藏层使用 tanh作为激活函数。
本发明的有益效果是:本发明ARIMA-RNN组合模型的云服务 器资源性能预测方法克服了ARIMA模型对波动较大的数据预测精度 较低的局限性,并且引入了对时间序列数据预测精度更高的循环神经 网络,最终实现了对云服务器资源和性能预测并分析,更精确地预测 软件老化现象。
附图说明
图1为本发明一种使用ARIMA-RNN组合模型的云服务器资源 性能预测方法云服务器系统数据库查询响应时间;
图2为本发明一种使用ARIMA-RNN组合模型的云服务器资源 性能预测方法响应时间映射值;
图3为本发明一种使用ARIMA-RNN组合模型的云服务器资源 性能预测方法自相关图;
图4为本发明一种使用ARIMA-RNN组合模型的云服务器资源 性能预测方法偏自相关图;
图5本发明一种使用ARIMA-RNN组合模型的云服务器资源性 能预测方法各个数据与其历史数据的平均相关系数;
图6为本发明一种使用ARIMA-RNN组合模型的云服务器资源 性能预测方法ARIMA-RNN组合模型结构;
图7为本发明一种使用ARIMA-RNN组合模型的云服务器资源 性能预测方法ARIMA-RNN组合模型与其它模型预测效果比较图;
图8为本发明一种使用ARIMA-RNN组合模型的云服务器资源 性能预测方法ARIMA-RNN组合模型与其它模型各点预测绝对误差 值图;
图9为本发明一种使用ARIMA-RNN组合模型的云服务器资源 性能预测方法ARIMA-RNN组合模型和RNN模型收敛趋势对比图。
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。
本发明的目的是提供一种使用ARIMA-RNN组合模型的云服务 器资源性能预测方法,包括以下步骤:
步骤1,收集云服务器的资源和性能数据。
步骤2,获取云服务器资源和性能序列数据,所述资源和性能序 列数据包括:CPU空闲率、可用内存、平均负载和响应时间等。
步骤3,对步骤2获取得的序列数据进行预处理操作。
步骤4,使用步骤3得到的数据构建ARIMA模型,并获得ARIMA 模型对步骤3所得数据的预测值。
步骤5,计算步骤3得到的序列数据的平均相关性,并构建RNN 模型。
步骤6,使用步骤3和步骤4得到结果训练RNN模型。
步骤7,利用ARIMA模型的预测值和现有的序列数据未来数据 进行预测。
步骤3中,对序列数据采用归一化处理方法进行预处理,将原始 序列数据映射到[-1,1],具体方法是:
计算得序列数据的最大值和平均值,分别记为xmax和xmean;
使用序列数据中的每个数据减去xmean再除以xmax。
步骤4中,构建ARIMA模型具体方法是:
对序列数据进行差分操作,直到通过ADF单位根检验方法的平 稳性检验;通过观察自相关函数和偏自相关函数得到ARIMA模型的 可能参数;确定最佳的ARIMA模型。
步骤5中,求得序列数据的平均相关,并构建RNN模型的具体 方法是:
计算序列数据中时刻t的数据与时刻t-1,t-2,…,t-p的数据之间的 相关性;求取序列数据中所有时刻与其之前时刻数据相关性的平均值; 确定序列数据中相关性较强数据的个数。
计算序列的平均相关的具体方法为:
使用灰色关联分析法衡量序列相关程度的方法确定时刻t的值 x[t]分别和时刻t-1的值x[t-1],时刻t-2的值x[t-2],…,时刻t-p 的值x[t-p]的平均相关性,即共N-p个数据分别与其本身之前p个 数据的p个相关系数的平均值(其中t=p,p+1,…,N)。从而确定RNN 模型输入层神经元的个数,因为我们要对时刻t的值进行预测,因此 RNN模型输出层神经元的个数设为1,再通过一个经验公式 确定RNN模型隐藏层神经元的个数;
其中h为隐藏层神经元的个数,m为输入层神经元的个数,n为 输出层神经元的个数。
RNN模型包括输入层、隐藏层和输出层,其中将步骤3所得到 的序列数据和步骤4中ARIMA模型的预测结果作为输入层的输入, 所述输出层为ARIMA-RNN组合模型的预测结果;所述隐藏层使用 tanh作为激活函数。
使用ARIMA-RNN组合模型的云服务器资源性能预测方法包括: 首先将序列数据进行预处理,将原始序列数据映射到[-1,1]。确定 ARIMA模型,然后对于现有的数据进行训练并预测,保存。确定RNN 模型结构,使用现有数据和ARIMA模型对现有数据的预测结果对RNN模型进行训练。将ARIMA模型对于时刻t数据的预测结果和时 刻t-1,t-2,…,t-n的数据输入进RNN模型对时刻t的数据进行预测。
上述将序列数据进行预处理;首先取得序列数据的平均值,记为 xmean。求得原始数据的最大值,记为xmax。用序列数据中的每个数 据减去xmean。将待处理的时间序列数据除以xmax。
上述使用ARIMA模型对于现有的数据进行训练并预测,保存; 对数据进行差分处理直到通过ADF单位根检验方法的平稳性检验。 通过计算自相关函数和偏自相关函数确定ARIMA模型的参数。使用 确定好参数的ARIMA模型训练并对现有数据进行预测。
上述确定RNN模型结构;使用灰色关联分析法衡量序列相关程 度的方法确定时刻t的值x[t]分别和时刻t-1的值x[t-1],时刻t-2 的值x[t-2],…,时刻t-p的值x[t-p]的平均相关性,即共N-p个数据 分别与其本身之前p个数据的p个相关系数的平均值(其中 t=p,p+1,…,N)。从而确定RNN模型输入层神经元的个数。因为我们 要对时刻t的值进行预测,因此RNN模型输出层神经元的个数设为1, 再通过一个经验公式确定RNN模型隐藏层神经元的 个数(其中h为隐藏层神经元的个数,m为输入层神经元的个数,n 为输出层神经元的个数)。
上述对RNN模型进行训练;使用ARIMA模型对于时刻t的预 测结果和时刻t-1,t-2,…,t-p的值作为RNN模型的输入来预测时刻t 的值,进行训练并预测。
本实施例采用云系统服务器数据库查询响应时间作为示例,每隔 50个点取值作图,如图1所示。ARIMA-RNN组合模型预测结果与 ARIMA和RNN单一模型的预测效果比较图如图7所示,序列数据 各点的绝对误差对比如图8所示,组合模型和传统RNN模型的收敛 趋势如图9所示,不同模型的误差对比如表1所示,我们分别采用均 方根误差RMSE、平均绝对误差MAE以及平均绝对百分比误差 MAPE作为评价指标,公式分别如式(1)(2)(3)所示,其中RMSE为标 准差,N为数据样本的个数,ypredictive为预测值,ytrue为实际值。
表1不同模型的预测误差对比
具体步骤如下:
步骤1,收集云服务器的资源和性能数据。
步骤2,获取云服务器资源和性能序列数据,所述资源和性能序 列数据包括:CPU空闲率、可用内存、平均负载和响应时间等。
步骤3:数据预处理。对云服务器进行老化预测前,需要对数据 进行预处理,否则模型预测过程的收敛性差,从而数据训练难度和时 间增加,最后导致预测误差较大。我们采用归一化处理方法,将云服 务器原始数据映射到(-1,1)区间,使得预测模型稳定且预测收敛速度 快,处理结果如图2所示。具体包括以下步骤:
步骤3.1,求得序列数据的平均值记为xmean,最大值记为xmax;
步骤3.2,使用序列数据减去xmean;
步骤3.3,使用步骤3.2得到的序列数据除以最大值xmax。
步骤4:使用ARIMA模型对于现有的数据进行训练并预测,保 存。ARIMA-RNN组合模型需要使用ARIMA模型对于时刻t的预测 值作为RNN模型的输入。因此需要先行使用步骤3处理过的序列数 据确定ARIMA模型具体参数并训练和预测。具体包括以下步骤:
步骤4.1,对于步骤3得到的序列数据进行差分处理,直到通过 ADF单位根检验方法的平稳性检验,如表2所示。结合ACF和PACF 函数确定ARIMA模型参数的大致取值范围,本实验ACF和PACF 函数如图3和图4所示,最后通过赤池信息量准则(Akaike InformationCriterion,AIC)对ARIMA模型参数进行最佳估计,通过AIC值确定 最佳的ARIMA模型,如表3所示。
表2 ADF单位根检验
表3各模型AIC值
步骤4.2,使用步骤3的到的数据对步骤4.1确定的ARIMA模型 进行训练并保存。
步骤4.3,使用步骤4.2训练完成的ARIMA模型对步骤3的序列 数据进行预测,得到ARIMA模型对于步骤3数据的预测值。
步骤5:确定RNN模型结构。使用RNN模型之前需要确定RNN 模型的结构。具体包括以下步骤:
步骤5.1,过灰色关联度分析计算序列数据中所有元素与它之前 p(实例设p=15)个元素的关联系数(即x[t]分别与x[t-1],x[t- 2,…,xt-p的关联系数),并计算得所有元素与其之前元素的关联系数 的平均值如式(4)所示,如图5所示,选取关联度保持较大的元素 个数。
步骤5.2,RNN模型输入层神经元的个数为步骤5.1所得结果加 1(ARIMA模型的预测值),RNN模型输出层神经元的个数设为1, 通过经验公式,如式(5)确定RNN模型隐藏层神经元的个数(其中 h为隐藏层神经元的个数,m为输入层神经元的个数,n为输出层神 经元的个数α∈{0≤x≤10,x∈Z},ARIMA-RNN组合模型结构如图6 所示。
步骤6:RNN模型训练。使用ARIMA模型对于时刻t的预测值 和时刻t-1,t-2,…,t-p的实际值(其中p为RNN输入层神经元的个数) 作为RNN模型的输入来预测时刻t的值。具体包括以下步骤:
步骤6.1,使用大小为m(m<N,其中N为数据个数)的滑动窗 口遍历序列数据构造输入特征向量,即时刻t(t=0,1,…,N-1)数据的特 征向量为X‘t=[xt-1,xt-2,…,xt-m],时刻t的标签记为yt,即yt=xt。 则训练数据集{X‘t,yt|t=m,m+1,m+2,…,N};
步骤6.2,将步骤(2)得到的序列数据截断,从第m个时刻开始取 值,即α={αm,αm+1,…,αN},使得截断后的ARIMA预测数据与步 骤(1)的标签数据y={ym,ym+1,…,yN}数据一一对应;
步骤6.3,初始化RNN各个权重矩阵和偏移向量的值;
步骤6.4,计算数据集中样本的特征向量xt在ARIMA-RNN组合 模型中的输出值;
步骤6.5,计算步骤(6.4)中得到预测序列与期望序列之间的误 差(误差函数为均方误差,具体如公式(6)所示),利用反向传播算 法调整各个权重矩阵和偏移向量的值,使误差函数达到最小值;
步骤6.6,判断训练次数是否达到最大值。若达到最大值则保存 调整好的权重矩阵和偏移向量,转到步骤(6.4)并输出预测结果; 否则转到步骤(6.5)。
步骤7,利用ARIMA模型的预测值和现有的序列数据未来数据 进行预测。
Claims (6)
1.一种使用ARIMA-RNN组合模型的云服务器资源性能预测方法,其特征在于,包括以下步骤:
步骤1,收集云服务器的资源和性能数据。
步骤2,获取云服务器资源和性能序列数据,所述资源和性能序列数据包括:CPU空闲率、可用内存、平均负载和响应时间等。
步骤3,对步骤2获取得的序列数据进行预处理操作。
步骤4,使用步骤3得到的数据构建ARIMA模型,并获得ARIMA模型对步骤3所得数据的预测值。
步骤5,计算步骤3得到的序列数据的平均相关性,并构建RNN模型。
步骤6,使用步骤3和步骤4得到结果训练RNN模型。
步骤7,利用ARIMA模型的预测值和现有的序列数据未来数据进行预测。
2.根据权利要求1所述的一种使用ARIMA-RNN组合模型的云服务器资源性能预测方法,其特征在于,所述步骤3中,对序列数据采用归一化处理方法进行预处理,将原始序列数据映射到[-1,1],具体方法是:
计算得序列数据的最大值和平均值,分别记为xmax和xmean;
使用序列数据中的每个数据减去xmean再除以xmax。
3.根据权利要求1所述的一种使用ARIMA-RNN组合模型的云服务器资源性能预测方法,其特征在于,所述步骤4中,构建ARIMA模型具体方法是:
对序列数据进行差分操作,直到通过ADF单位根检验方法的平稳性检验;通过观察自相关函数和偏自相关函数得到ARIMA模型的可能参数;确定最佳的ARIMA模型。
4.根据权利要求1所述的一种使用ARIMA-RNN组合模型的云服务器资源性能预测方法,其特征在于,所述步骤5中,求得序列数据的平均相关,并构建RNN模型的具体方法是:
计算序列数据中时刻t的数据与时刻t-1,t-2,…,t-p的数据之间的相关性;求取序列数据中所有时刻与其之前时刻数据相关性的平均值;确定序列数据中相关性较强数据的个数。
5.根据权利要求4所述的一种使用ARIMA-RNN组合模型的云服务器资源性能预测方法,其特征在于,计算序列的平均相关的具体方法为:
使用灰色关联分析法衡量序列相关程度的方法确定时刻t的值x[t]分别和时刻t-1的值x[t-1],时刻t-2的值x[t-2],…,时刻t-p的值x[t-p]的平均相关性,即共N-p个数据分别与其本身之前p个数据的p个相关系数的平均值(其中t=p,p+1,…,N)。从而确定RNN模型输入层神经元的个数,因为我们要对时刻t的值进行预测,因此RNN模型输出层神经元的个数设为1,再通过一个经验公式 确定RNN模型隐藏层神经元的个数;
其中h为隐藏层神经元的个数,m为输入层神经元的个数,n为输出层神经元的个数。
6.根据权利要求1所述的一种使用ARIMA-RNN组合模型的云服务器资源性能预测方法,其特征在于,所述RNN模型包括输入层、隐藏层和输出层,其中将步骤3所得到的序列数据和步骤4中ARIMA模型的预测结果作为输入层的输入,所述输出层为ARIMA-RNN组合模型的预测结果;所述隐藏层使用tanh作为激活函数。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011181522.8A CN112561119B (zh) | 2020-10-29 | 2020-10-29 | 一种使用arima-rnn组合模型的云服务器资源性能预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011181522.8A CN112561119B (zh) | 2020-10-29 | 2020-10-29 | 一种使用arima-rnn组合模型的云服务器资源性能预测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112561119A true CN112561119A (zh) | 2021-03-26 |
CN112561119B CN112561119B (zh) | 2023-05-30 |
Family
ID=75042632
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011181522.8A Active CN112561119B (zh) | 2020-10-29 | 2020-10-29 | 一种使用arima-rnn组合模型的云服务器资源性能预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112561119B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113641445A (zh) * | 2021-07-02 | 2021-11-12 | 山东师范大学 | 基于深度确定性策略的云资源自适应配置方法及系统 |
CN116307298A (zh) * | 2023-05-23 | 2023-06-23 | 中国石油大学(华东) | 一种基于多源异构张量数据的组合碳排放预测模型 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2019001722A1 (en) * | 2017-06-29 | 2019-01-03 | Huawei Technologies Co., Ltd. | SYSTEMS AND METHOD FOR PREDICTING FLOWS IN A NETWORK |
CN110149237A (zh) * | 2019-06-13 | 2019-08-20 | 东北大学 | 一种Hadoop平台计算节点负载预测方法 |
CN110222714A (zh) * | 2019-05-05 | 2019-09-10 | 河海大学 | 一种基于arma与bp神经网络的太阳总辐照资源预测方法 |
CN110389820A (zh) * | 2019-06-28 | 2019-10-29 | 浙江大学 | 一种基于v-TGRU模型进行资源预测的私有云任务调度方法 |
US20200042799A1 (en) * | 2018-07-31 | 2020-02-06 | Didi Research America, Llc | System and method for point-to-point traffic prediction |
CN110912737A (zh) * | 2019-11-14 | 2020-03-24 | 国网浙江省电力有限公司信息通信分公司 | 一种基于混合模型的动态感知性能预告警方法 |
US20200097810A1 (en) * | 2018-09-25 | 2020-03-26 | Oracle International Corporation | Automated window based feature generation for time-series forecasting and anomaly detection |
CN111695730A (zh) * | 2020-06-09 | 2020-09-22 | 浙江大学 | 基于arima及rnn的立磨振动预测方法及装置 |
-
2020
- 2020-10-29 CN CN202011181522.8A patent/CN112561119B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2019001722A1 (en) * | 2017-06-29 | 2019-01-03 | Huawei Technologies Co., Ltd. | SYSTEMS AND METHOD FOR PREDICTING FLOWS IN A NETWORK |
US20200042799A1 (en) * | 2018-07-31 | 2020-02-06 | Didi Research America, Llc | System and method for point-to-point traffic prediction |
US20200097810A1 (en) * | 2018-09-25 | 2020-03-26 | Oracle International Corporation | Automated window based feature generation for time-series forecasting and anomaly detection |
CN110222714A (zh) * | 2019-05-05 | 2019-09-10 | 河海大学 | 一种基于arma与bp神经网络的太阳总辐照资源预测方法 |
CN110149237A (zh) * | 2019-06-13 | 2019-08-20 | 东北大学 | 一种Hadoop平台计算节点负载预测方法 |
CN110389820A (zh) * | 2019-06-28 | 2019-10-29 | 浙江大学 | 一种基于v-TGRU模型进行资源预测的私有云任务调度方法 |
CN110912737A (zh) * | 2019-11-14 | 2020-03-24 | 国网浙江省电力有限公司信息通信分公司 | 一种基于混合模型的动态感知性能预告警方法 |
CN111695730A (zh) * | 2020-06-09 | 2020-09-22 | 浙江大学 | 基于arima及rnn的立磨振动预测方法及装置 |
Non-Patent Citations (3)
Title |
---|
GUOYAN XU等: "A Water Level Prediction Model Based on ARIMA-RNN", 《2019 IEEE FIFTH INTERNATIONAL CONFERENCE ON BIG DATA COMPUTING SERVICE AND APPLICATIONS (BIGDATASERVICE)》 * |
丁为民;唐瑞华;程军;张倩敏;方周;: "基于QoE的自适应云桌面关键技术改进研究", 佳木斯大学学报(自然科学版) * |
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 * |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113641445A (zh) * | 2021-07-02 | 2021-11-12 | 山东师范大学 | 基于深度确定性策略的云资源自适应配置方法及系统 |
CN113641445B (zh) * | 2021-07-02 | 2024-03-26 | 山东师范大学 | 基于深度确定性策略的云资源自适应配置方法及系统 |
CN116307298A (zh) * | 2023-05-23 | 2023-06-23 | 中国石油大学(华东) | 一种基于多源异构张量数据的组合碳排放预测模型 |
CN116307298B (zh) * | 2023-05-23 | 2023-08-18 | 中国石油大学(华东) | 一种基于多源异构张量数据的组合碳排放预测方法 |
Also Published As
Publication number | Publication date |
---|---|
CN112561119B (zh) | 2023-05-30 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111046564B (zh) | 两阶段退化产品的剩余寿命预测方法 | |
CN110413227B (zh) | 一种硬盘设备的剩余使用寿命在线预测方法和系统 | |
CN111913803A (zh) | 一种基于akx混合模型的服务负载细粒度预测方法 | |
CN112561119A (zh) | 一种使用arima-rnn组合模型的云服务器资源性能预测方法 | |
CN110708318A (zh) | 基于改进的径向基神经网络算法的网络异常流量预测方法 | |
Xu et al. | Evolutionary spectral clustering with adaptive forgetting factor | |
CN112433927A (zh) | 基于时间序列聚类和lstm的云服务器老化预测方法 | |
CN115310674A (zh) | 基于并行神经网络模型LDformer的长时间序列预测方法 | |
CN112214342B (zh) | 一种联邦学习场景中高效的错误数据检测方法 | |
CN112363896A (zh) | 日志异常检测系统 | |
CN112784920A (zh) | 云边端协同的旋转部件对抗域自适应故障诊断方法 | |
CN114510871A (zh) | 基于思维进化和lstm的云服务器性能衰退预测方法 | |
CN110083518B (zh) | 一种基于AdaBoost-Elman的虚拟机软件老化预测方法 | |
CN108984851B (zh) | 一种带时延估计的加权高斯模型软测量建模方法 | |
CN113487086A (zh) | 设备剩余使用寿命预测方法、装置、计算机设备和介质 | |
CN112069045A (zh) | 基于隐马尔可夫的云平台软件性能预测方法 | |
CN113821419A (zh) | 一种基于svr和高斯函数的云服务器老化预测方法 | |
CN112631890A (zh) | 基于lstm-aco模型预测云服务器资源性能的方法 | |
CN115099135A (zh) | 一种改进的人工神经网络多类型作业功耗预测方法 | |
CN116069618A (zh) | 一种面向应用场景的国产化系统评估方法 | |
CN114943328A (zh) | 基于bp神经网络非线性组合的sarima-gru时序预测模型 | |
CN113821401A (zh) | 基于wt-ga-gru模型的云服务器故障诊断方法 | |
CN112667394B (zh) | 一种计算机资源利用率优化方法 | |
CN109978038B (zh) | 一种集群异常判定方法及装置 | |
CN113361625A (zh) | 一种联邦学习场景中带有隐私保护的错误数据检测方法 |
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 |