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 PDF

Info

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
Application number
CN202011181522.8A
Other languages
English (en)
Other versions
CN112561119B (zh
Inventor
孟海宁
童新宇
石月开
朱磊
冯锴
黑新宏
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Xian University of Technology
Original Assignee
Xian University of Technology
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Xian University of Technology filed Critical Xian University of Technology
Priority to CN202011181522.8A priority Critical patent/CN112561119B/zh
Publication of CN112561119A publication Critical patent/CN112561119A/zh
Application granted granted Critical
Publication of CN112561119B publication Critical patent/CN112561119B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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

一种使用ARIMA-RNN组合模型的云服务器资源性能预测方法
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
Figure BDA0002750323040000041
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
Figure BDA0002750323040000071
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
Figure BDA0002750323040000081
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。
Figure BDA0002750323040000091
Figure BDA0002750323040000092
Figure BDA0002750323040000093
表1不同模型的预测误差对比
Figure BDA0002750323040000094
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
Figure BDA0002750323040000111
表3各模型AIC值
Figure BDA0002750323040000112
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。
Figure BDA0002750323040000121
其中，
Figure BDA0002750323040000122
为序列数据所有数据与其前p个数据关联系数的平均值， kis[i]为序列数据中时刻i的数据分别与时刻i-1,i-2,…,i-p的数据之间 的关联系数。
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。
Figure BDA0002750323040000123
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；
Figure BDA0002750323040000131
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
Figure FDA0002750323030000021
Figure FDA0002750323030000022
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。
CN202011181522.8A 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 Active CN112561119B (zh)

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)

* Cited by examiner, † Cited by third party
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)

* Cited by examiner, † Cited by third party
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

Patent Citations (8)

* Cited by examiner, † Cited by third party
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)

* Cited by examiner, † Cited by third party
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)

* Cited by examiner, † Cited by third party
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