CN113849374B - 中央处理器占用率预测方法、系统、电子设备及存储介质 - Google Patents
中央处理器占用率预测方法、系统、电子设备及存储介质 Download PDFInfo
- Publication number
- CN113849374B CN113849374B CN202111142190.7A CN202111142190A CN113849374B CN 113849374 B CN113849374 B CN 113849374B CN 202111142190 A CN202111142190 A CN 202111142190A CN 113849374 B CN113849374 B CN 113849374B
- Authority
- CN
- China
- Prior art keywords
- wavelet
- stage
- component signal
- time sequence
- signal
- 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 61
- YHXISWVBGDMDLQ-UHFFFAOYSA-N moclobemide Chemical compound C1=CC(Cl)=CC=C1C(=O)NCCN1CCOCC1 YHXISWVBGDMDLQ-UHFFFAOYSA-N 0.000 claims abstract description 75
- 238000000354 decomposition reaction Methods 0.000 claims abstract description 55
- 238000012545 processing Methods 0.000 claims abstract description 50
- 230000009466 transformation Effects 0.000 claims abstract description 14
- 230000002159 abnormal effect Effects 0.000 claims abstract description 13
- 238000007781 pre-processing Methods 0.000 claims abstract description 12
- 230000006870 function Effects 0.000 claims description 96
- 238000001914 filtration Methods 0.000 claims description 27
- 230000015654 memory Effects 0.000 claims description 21
- 238000012360 testing method Methods 0.000 claims description 10
- 238000004590 computer program Methods 0.000 claims description 7
- 238000007689 inspection Methods 0.000 claims description 3
- 238000012216 screening Methods 0.000 claims description 3
- 238000013473 artificial intelligence Methods 0.000 abstract description 7
- 230000000694 effects Effects 0.000 abstract description 7
- 238000000780 augmented Dickey–Fuller test Methods 0.000 description 8
- 238000005516 engineering process Methods 0.000 description 8
- 230000008569 process Effects 0.000 description 8
- 238000009825 accumulation Methods 0.000 description 5
- 238000007726 management method Methods 0.000 description 5
- 241001123248 Arma Species 0.000 description 4
- 230000005856 abnormality Effects 0.000 description 4
- 238000010586 diagram Methods 0.000 description 4
- 238000012549 training Methods 0.000 description 4
- 238000001514 detection method Methods 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 230000008901 benefit Effects 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 238000009499 grossing Methods 0.000 description 2
- 239000004973 liquid crystal related substance Substances 0.000 description 2
- 230000007774 longterm Effects 0.000 description 2
- 238000012423 maintenance Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 230000002093 peripheral effect Effects 0.000 description 2
- 238000005070 sampling Methods 0.000 description 2
- 230000001932 seasonal effect Effects 0.000 description 2
- 238000012935 Averaging Methods 0.000 description 1
- 238000000977 Dickey–Fuller test Methods 0.000 description 1
- 238000012952 Resampling Methods 0.000 description 1
- 230000006978 adaptation Effects 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000003190 augmentative effect Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000000802 evaporation-induced self-assembly Methods 0.000 description 1
- 238000011990 functional testing Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 230000007787 long-term memory Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 230000010355 oscillation Effects 0.000 description 1
- 238000011056 performance test Methods 0.000 description 1
- 230000000737 periodic effect Effects 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 230000000717 retained effect Effects 0.000 description 1
- 238000012163 sequencing technique Methods 0.000 description 1
- 238000012430 stability testing Methods 0.000 description 1
- 238000000528 statistical test Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
- 238000011179 visual inspection 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
- G06F11/3003—Monitoring arrangements specially adapted to the computing system or computing system component being monitored
- G06F11/3024—Monitoring arrangements specially adapted to the computing system or computing system component being monitored where the computing system component is a central processing unit [CPU]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/02—Preprocessing
- G06F2218/04—Denoising
- G06F2218/06—Denoising by applying a scale-space analysis, e.g. using wavelet analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/12—Classification; Matching
- G06F2218/16—Classification; Matching by matching signal segments
- G06F2218/20—Classification; Matching by matching signal segments by applying autoregressive analysis
Landscapes
- Engineering & Computer Science (AREA)
- Computing Systems (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Mathematical Physics (AREA)
- Quality & Reliability (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明涉及人工智能，提供一种中央处理器占用率预测方法，包括对所获取的原始CPU数据进行预处理，获得标准CPU时间序列；将所述标准CPU时间序列进行逐级小波分解，获得小波分量信号；其中，所述小波分量信号包括一个低通分量信号和各级分解的高通分量信号；利用定阶后的包含时间序列特征的ARIMA模型对所述小波分量信号进行逐个预测，输出预测的各阶分量序列；其中，所述ARIMA模型通过AIC信息准则获取最优的自回归与移动平均阶数进行定阶；使用逆小波对所述各阶分量序列进行变换重建，确定存在占用率异常的CPU时间序列。本发明达到了CPU占用率的精准预测的技术效果。
Description
技术领域
本发明涉及人工智能技术领域，涉及一种中央处理器占用率预测方法、系统、电子设备及计算机可读存储介质。
背景技术
随着智能终端，如智能手机、平板电脑、智能家电等的普及和功能的增强，用户对于智能终端的性能要求越来越高。中央处理器(Central Processing Unit，CPU)资源作为智能终端服务器的核心资源，中央处理器占用率在运维监控中是重点之一，关乎到整个系统的运行状态以及智能终端的操作系统中提供对系统性能的分析功能。现有的中央处理器监控采用阈值报警，但是阈值报警后留给故障处理的时间有限；中央处理器的频率为GHz，但是中央处理器对负载的响应单位是ms，上述采样频率导致获取的中央处理器占用率数据的波动大、缺少统一规律，很难建立可以描述其规律的通用模型。
现有技术中的中央处理器占用率预测模型，具有中央处理器占用率预测模型预测精度低弊端。
因此，亟需一种预测精度高的中央处理器高占用率预测方法。
发明内容
本发明提供一种中央处理器占用率预测方法、系统、电子设备及计算机可读存储介质，用于解决现有技术中中央处理器高占用率预测困难的问题。
为实现上述目的，本发明提供的一种中央处理器占用率预测方法，方法包括：对所获取的原始CPU数据进行预处理，获得标准CPU时间序列；
将所述标准CPU时间序列进行逐级小波分解，获得小波分量信号；其中，所述小波分量信号包括一个低通分量信号和各级分解的高通分量信号；
利用定阶后的包含时间序列特征的ARIMA模型对所述小波分量信号进行逐个预测，输出预测的各阶分量序列；其中，所述ARIMA模型通过AIC信息准则获取最优的自回归与移动平均阶数进行定阶；
使用逆小波对所述各阶分量序列进行变换重建，确定存在占用率异常的CPU时间序列。
进一步，优选的，将所述标准CPU时间序列进行逐级小波分解，获得小波分量信号的方法，包括：
选取中央处理器时间序列数据并计算基本小波的尺度函数系数和滤波函数系数；
将中央处理器时间序列数据和尺度函数系数经过尺度函数卷积滤波获得第一级低频输出信号；将中央处理器时间序列数据和小波函数系数经过小波函数卷积滤波获得第一级高频输出信号；
将第一级低频输出信号和第一级高频输出信号分别进行1/2下采样获得第一级低通分量信号和第一级高通分量信号；
将所述第一级低通分量信号输入第二级小波分解，将第一级低通分量信号和尺度函数系数经过尺度函数卷积滤波获得第二级低频输出信号；将第一级低通分量信号和小波函数系数经过小波函数卷积滤波获得第二级高频输出信号；
将第二级低频输出信号和第二级高频输出信号分别进行1/2下采样获得第二级低通分量信号和第二级高通分量信号；
将第二级低通分量信号作为下一级小波分解的输入，进行逐级分解，直至最后一级低通分量信号的分量周期小于预设阈值。
进一步，优选的，所述基本小波的尺度函数系数和滤波函数系数通过以下公式获取：
其中，
和hψ(k)分别为尺度函数系数与小波函数系数，/>
为尺度函数，ψ(t)为小波函数，t为卷积参数，k为参数。
进一步，优选的，所述ARIMA模型通过AIC信息准则获取最优的自回归与移动平均阶数进行定阶的方法，包括：
获取自回归与移动平均阶数为(p，q)的ARIMA模型以及所述ARIMA模型的赤池信息量；其中，p为自回归项数，q为滑动平均项数；
遍历所述ARIMA模型，并筛选赤池信息量最小的ARIMA模型；
获取赤池信息量最小的ARIMA模型的自回归与移动平均阶数为(p，q)作为最优的自回归与移动平均阶数。
进一步，优选的，在所述步骤所述ARIMA模型通过AIC信息准则获取最优的自回归与移动平均阶数进行定阶之前，包括ARIMA模型的差分阶数确定步骤：
对所获得的各级小波分量信号通过ADF检验进行稳定性判定；
对于判定为不稳定的小波分量信号取差分，并重复通过ADF检验进行稳定性判定，直至判定为稳定的小波分量信号；
获取判定为稳定的小波分量信号对应的差分；
将所述差分设置为ARIMA模型的差分阶数。
进一步，优选的，所述低通分量信号和高通分量信号分别通过以下公式获取：
其中，
为低通分量信号，/>
为高通分量信号，/>
为第i+1级低频输出信号，/>
为为第i+1级高频输出信号，t为卷积参数。
进一步，优选的，所述低频输出信号和所述高频输出信号通过以下公式获取：
其中，Xi为原信号，Xi(t)为第i级输入信号，
为第i+1级低频输出信号，
为为第i+1级高频输出信号，/>
和hψ(k)分别为尺度函数系数与小波函数系数，t为卷积参数，k为参数。
为了解决上述问题，本发明还提供一种中央处理器占用率预测系统，所述系统包括：
原始CPU数据获取单元，用于对所获取的原始CPU数据进行预处理，获得标准CPU时间序列；
多级小波分解单元，用于将所述标准CPU时间序列进行逐级小波分解，获得小波分量信号；其中，所述小波分量信号包括一个低通分量信号和各级分解的高通分量信号；
ARIMA模型预测单元，用于利用定阶后的包含时间序列特征的ARIMA模型对所述小波分量信号进行逐个预测，输出预测的各阶分量序列；其中，所述ARIMA模型通过AIC信息准则获取最优的自回归与移动平均阶数进行定阶；
预测结果输出单元，用于使用逆小波对所述各阶分量序列进行变换重建，确定存在占用率异常的CPU时间序列。
为了解决上述问题，本发明还提供一种电子设备，所述电子设备包括：
存储器，存储至少一个指令；及
处理器，执行所述存储器中存储的指令以实现上述中央处理器占用率预测方法中的步骤。
为了解决上述问题，本发明还提供一种计算机可读存储介质，所述计算机可读存储介质中存储有至少一个指令，所述至少一个指令被电子设备中的处理器执行以实现上述中央处理器占用率预测方法。
本发明的中央处理器占用率预测方法通过对所获取的原始CPU数据进行预处理，获得标准CPU时间序列；将所述标准CPU时间序列进行逐级小波分解，获得小波分量信号；其中，所述小波分量信号包括一个低通分量信号和各级分解的高通分量信号；利用定阶后的包含时间序列特征的ARIMA模型对所述小波分量信号进行逐个预测，输出预测的各阶分量序列；其中，所述ARIMA模型通过AIC信息准则获取最优的自回归与移动平均阶数进行定阶；使用逆小波对所述各阶分量序列进行变换重建，确定存在占用率异常的CPU时间序列。具有的有益效果如下：
通过借助多级小波分解得到的不同频率的分量序列，使ARIMA模型在中央处理器占用率预测中可以捕捉长时间跨度的自相关关系；并通过多级小波分解降低了ARIMA模型的预测区间长度，进而达到提高中央处理器的占用率的预测精度的技术效果。
附图说明
图1为本发明一实施例提供的中央处理器占用率预测方法的流程示意图；
图2为本发明一实施例提供的中央处理器占用率预测方法的原理示意图；
图3为本发明一实施例提供的中央处理器占用率预测系统的模块示意图；
图4为本发明一实施例提供的实现中央处理器占用率预测方法的电子设备的内部结构示意图；
本发明目的的实现、功能特点及优点将结合实施例，参照附图做进一步说明。
具体实施方式
应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。
中央处理器(CPU)主要用于解释计算机指令以及处理计算机软件中的数据，运行的程序增多会引起中央处理器占用率增大，而在中央处理器占用率过高时，会影响其他程序的运行，并可能降低服务器的执行各项操作的效能，因此，需要对中央处理器占用率进行限制。首先对于采集到的原始CPU数据，进行多步数据预处理，包括时间间隔重采样、无效值检查、缺失值填补、移动平均数据平滑等；输出处理后的标准CPU时间序列。剔除预测样本数据中的异点和/或对预测样板数据进行均值化，以避免出现因其他因素引起的冲击负荷，伪周期性和震荡现象，从而获得更为精确的预测结果。
现有技术中通过传统的时间序列预测方法进行周期性规律的中央处理器占用率数据预测，或者针对固定周期的中央处理器占用率数据波动进行去季节性操作，利用指数平滑或者ARIMA等趋势预测方式进行建模，因数据平稳性较差且数据中噪音影响较大和模型阶数影响，导致预测效果均不理想。
本申请实施例可以基于人工智能技术对相关的数据进行获取和处理。其中，人工智能(Artificial Intelligence，AI)是利用数字计算机或者数字计算机控制的机器模拟、延伸和扩展人的智能，感知环境、获取知识并使用知识获得最佳结果的理论、方法、技术及应用系统。人工智能基础技术一般包括如传感器、专用人工智能芯片、云计算、分布式存储、大数据处理技术、操作/交互系统、机电一体化等技术。本申请中人工智能软件技术主要包括计算机视觉技术、机器人技术、生物识别技术以及机器学习。
参照图1所示，为本发明一实施例提供的中央处理器占用率预测方法的流程示意图。该方法可以由一个系统执行，该系统可以由软件和/或硬件实现。
在本实施例中，中央处理器占用率预测方法包括S110～S140：
S110、对所获取的原始CPU数据进行预处理，获得标准CPU时间序列。
在具体的实施过程中，原始CPU数据的获取方式可以通过生成程序提供接口，接收测试信息。然后通过网页将测试信息提交至生成服务器，进而对获取的测试信息进行进一步的预处理。需要说明的是，原始CPU数据可以包括性能测试数据、功能测试数据、适配兼容性测试数据、弱网络测试数据等类型。其中，通过生成程序提供接口的步骤为，可以是通过应用程序调用库函数，库函数将系统调用号存入累加寄存器，然后通过中断调用使系统进入内核空间，内核中的中断处理函数根据系统调用号，调用对应的内核函数，系统调用完成相应功能，将返回值存入累加寄存器，返回到中断处理函数，中断处理函数返回到库函数中，库函数将累加寄存器中的系统调用号返回至应用程序，从而确定内核空间的接口，并根据该接口发送请求以及获取请求对应的数据。
参照图2所示，为本发明一实施例提供的中央处理器占用率预测方法的原理示意图。
S120、将所述标准CPU时间序列进行逐级小波分解，获得小波分量信号，所述小波分量信号包括一个低通分量信号和各级分解的高通分量信号。
具体地说，对于步骤S110输出的中央处理器时间序列，进行多级小波分解。每级分解会获得一个低通分量与高通分量，将高通分量保留，低通分量输入下一级分解，最终获得多个高通分量与一个低通分量。即前一级小波分解输出的低频信号输入下一级小波分解，串联形成多级分解系统。直至最后一级低频信号周期略小于预测区间。总之，是为了通过多级小波分解获得不同频率的信号数据，通过不同频率的多级小波分量数据反应不同时间跨度的CPU占用率的相关性，进而解决CPU占用率难以获取周期性规律而预测不精准的问题。
在一个具体的实施例中，所述小波分解为通道数变为两倍，每通道信号的数据量变为原信号的二分之一，总信息量不变。也就是说，小波变换过程没有信息损失，可经逆变换完全恢复。该性质为小波分解固有性质，不受分解级数与小波函数选择的影响。
小波分解是信号处理领域的常见方法，而多级小波分解的原理如图2所示，单级离散小波分解(图2中WT节点)由一组预先定义的互相正交的尺度函数
与小波函数ψ(t)组成。低频分量/>
是原信号Xi经过尺度函数/>
滤波与下采样而来，高频分量/>
是原信号Xi经过尺度函数ψ(t)滤波与下采样而来。
具体地说，将所述标准CPU时间序列进行逐级小波分解，获得小波分量信号的方法，包括：
S121、选取中央处理器时间序列数据并计算基本小波的尺度函数系数和滤波函数系数；
所述基本小波的尺度函数系数和滤波函数系数通过以下公式获取：
其中，
和hψ(k)分别为尺度函数系数与小波函数系数，/>
为尺度函数，ψ(t)为小波函数，t为卷积参数，k为参数。
S122、将中央处理器时间序列数据和尺度函数系数经过尺度函数卷积滤波获得第一级低频输出信号；将中央处理器时间序列数据和小波函数系数经过小波函数卷积滤波获得第一级高频输出信号；
所述低频输出信号和所述高频输出信号通过以下公式获取：
其中，Xi为原信号，Xi(t)为第i级输入信号，
为第i+1级低频输出信号，
为为第i+1级高频输出信号，/>
和hψ(k)分别为尺度函数系数与小波函数系数，t为卷积参数，k为参数。也就是说离散小波变换的滤波过程经由卷积实现。
具体地说，所述低通分量信号为原信号通过尺度函数滤波后生成；第一级分解的高通分量信号为原信号经过小波函数滤波后生成。也就是说，当前级的低通分量信号为上一级的低通分量信号通过尺度函数滤波后生成；当前级的高通分量信号为上一级的低通分量信号经过小波函数滤波后生成。
S123、将第一级低频输出信号和第一级高频输出信号分别进行1/2下采样获得第一级低通分量信号和第一级高通分量信号；
所述低通分量信号和高通分量信号分别通过以下公式获取：
其中，
为低通分量信号，/>
为高通分量信号，/>
为第i+1级低频输出信号，/>
为为第i+1级高频输出信号，t为卷积参数。
S124、将所述第一级低通分量信号输入第二级小波分解，将第一级低通分量信号和尺度函数系数经过尺度函数卷积滤波获得第二级低频输出信号；将第一级低通分量信号和小波函数系数经过小波函数卷积滤波获得第二级高频输出信号；
S125、将第二级低频输出信号和第二级高频输出信号分别进行1/2下采样获得第二级低通分量信号和第二级高通分量信号；
S126、将第二级低通分量信号作为下一级小波分解的输入，进行逐级分解，直至最后一级低通分量信号的分量周期小于预设阈值。
以哈尔小波函数为例：
对应尺度函数系数与小波函数系数
假设原序列Xi(t)＝(Xi(1),Xi(2),…,Xi(n))
滤波后序列
滤波后的信号
与/>
经1/2下采样得到/>
与/>
总之，将所述标准CPU时间序列进行逐级小波分解，获得小波分量信号的方法，也就是说，每级小波分解信号获得一个对应的高通分量信号和一个对应的低通分量信号，并将所述高通分量信号保留，将所述低通分量信号(即低频信号)作为下一级小波分解的输入，直至最后一级的低通分量周期小于预设的阈值。其中，所述预设的阈值为预测区间。
S130、利用定阶后的包含时间序列特征的ARIMA模型对所述小波分量信号进行逐个预测，输出预测的各阶分量序列；其中，所述ARIMA模型通过AIC信息准则获取最优的自回归与移动平均阶数进行定阶。
所述通过AIC信息准则进行确定自回归与移动平均阶数的过程包括：使用AIC信息准则通过遍历参数的方式确定序列特征，进而确定自回归与移动平均阶数。
AIC信息准则被定义为：
AIC(p,q)＝-2lnL+2θ(p,q)。
其中，lnL表示ARMA的似然函数，θ(p,q)表示ARMA的阶数函数。
传统ARIMA(p，d，q)模型使用p个数据进行自回归拟合和q个数据对d阶差分后的平稳序列进行移动平均拟合，对于历史信息的捕捉受限于模型阶数。本发明的车辆部件检测方法采用多级小波分解分离出不同频率的信号分别进行拟合，使用独立的ARIMA模型捕捉不同时间跨度上的相关关系，解决模型长期记忆性问题。其中，p为自回归项数，q为滑动平均项数。
对于一般性的时间序列，ARIMA模型可以表示为以下形式：
其中，L为滞后算子，满足LXt＝Xt-1，(p,d,q)代表自回归阶数，差分阶数，移动平均阶数。s代表季节因子,εt代表t时刻的残差。φi与θi为自回归系数与移动平均系数。
在一个具体的实施例中，在所述步骤所述ARIMA模型通过AIC信息准则获取最优的自回归与移动平均阶数进行定阶之前，包括ARIMA模型的差分阶数确定步骤：对所获得的各级小波分量信号通过ADF检验进行稳定性判定；对于判定为不稳定的小波分量信号取差分，并重复通过ADF检验进行稳定性判定，直至判定为稳定的小波分量信号；获取判定为稳定的小波分量信号对应的差分；将所述差分设置为ARIMA模型的差分阶数。由该过程确定ARIMA模型的差分阶数d。
需要说明的是，ADF(Augmented Dickey-Fuller test)，ADF是Dickey-Fuller检验的增广形式。在使用很多时间序列模型的时候，如ARMA、ARIMA，需要时间序列是平稳的；因此增加了通过ADF需要进行平稳性检验，除了用肉眼检测的方法，另外比较常用的严格的统计检验方法就是ADF检验，也叫做单位根检验。
作为本实施例的改进，所述ARIMA模型通过AIC信息准则获取最优的自回归与移动平均阶数进行定阶的方法，包括：获取自回归与移动平均阶数为(p，q)的ARIMA模型以及所述ARIMA模型的赤池信息量；遍历所述ARIMA模型，并筛选赤池信息量最小的ARIMA模型；获取赤池信息量最小的ARIMA模型的自回归与移动平均阶数为(p，q)作为最优的自回归与移动平均阶数。
对于Xt序列建立的ARIMA(p，d，q)模型等价于对于d阶差分后的ΔdXt序列建立的ARMA(p，q)模型：
其中，bi与ai为自回归系数与移动平均系数。
按照之前步骤确定的最优参数建立ARIMA(p，d，q)模型，用于逐步预测。预测公式如下：
然后进行d阶差分的还原：
E(Xt+1)＝Xt+ΔXt+…+Δd-1Xt+E(ΔdXt+1)
使用上述方法对每个分量序列进行预测。得到N+1个预测序列。
S140、使用逆小波对所述各阶分量序列进行变换重建，确定存在占用率异常的CPU时间序列。
从ARIMA模型预测的各级预测分量序列中通过逆小波变换重建预测的CPU时间序列。对于重建后的预测CPU序列应用异常检测方法，可以发现异常，为智能运维提供预警。在预测序列中发现异常后，可以借助小波分解的频率分量进一步帮助定位异常根因。
在一个具体的实施例中，对重建序列使用阈值告警进行筛查，当发现高占用异常时，通过对N+1级小波信号分别进行重建，可以获得重建序列分解到不同频率的分量上的构成。将各级重建分量按照报警时瞬时值从大到小排序，找到其中最大的一级或多级分量。即可得到该异常的时间周期性信息。假设是第i级高频信号
(或低频信号/>
),那么该异常的出现规律以2i-1(2n)为周期。借助ARIMA模型系数φi与θi，确定异常前i次观测值可能对其产生的影响。
综上，本发明的一种中央处理器占用率预测方法通过借助多级小波分解得到的不同频率的分量序列，使ARIMA模型在中央处理器占用率预测中可以捕捉长时间跨度的自相关关系，进而解决CPU占用预测困难的问题；针对ARIMA模型长期预测会出现误差积累的问题，通过多级小波分解的下采样作用降低了ARIMA模型的预测区间长度，进而提高了基于ARIMA模型的中央处理器的占用率预测精度；本发明的中央处理器占用率预测方法通过多级小波变换和ARIMA模型，在不同频率分量上分别对原始CPU数据进行CPU占用率预测，且ARIMA模型训练所需参数较少，较少出现拟合问题，并且达到了对异常值的鲁棒性好的技术效果。与现有技术中通过采用LSTM或者TCN等神经网络方式进行中央处理器占用率预测相比，具有训练样本量小，且训练成本较低；2)获得的预测结果可解释性较好，实现对中央处理器高占用异常进行归因分析的技术效果。
如图3所示，本发明提供一种中央处理器占用率预测系统300，本发明可以安装于电子设备中。根据实现的功能，该中央处理器占用率预测系统300可以包括原始CPU数据获取单元310、多级小波分解单元320、ARIMA模型预测单元330以及预测结果输出单元340。本发明所述单元也可以称之为模块，是指一种能够被电子设备处理器所执行，并且能够完成固定功能的一系列计算机程序段，其存储在电子设备的存储器中。
在本实施例中，关于各模块/单元的功能如下：
原始CPU数据获取单元310，用于对所获取的原始CPU数据进行预处理，获得标准CPU时间序列；
多级小波分解单元320，用于将所述标准CPU时间序列进行逐级小波分解，获得小波分量信号；其中，所述小波分量信号包括一个低通分量信号和各级分解的高通分量信号；
ARIMA模型预测单元330，用于利用定阶后的包含时间序列特征的ARIMA模型对所述小波分量信号进行逐个预测，输出预测的各阶分量序列；其中，所述ARIMA模型通过AIC信息准则获取最优的自回归与移动平均阶数进行定阶；
预测结果输出单元340，用于使用逆小波对所述各阶分量序列进行变换重建，确定存在占用率异常的CPU时间序列。
本发明的中央处理器占用率预测系统300，通过借助多级小波分解得到的不同频率的分量序列，使ARIMA模型在中央处理器占用率预测中可以捕捉长时间跨度的自相关关系，进而解决CPU占用预测困难的问题；针对ARIMA模型长期预测会出现误差积累的问题，通过多级小波分解的下采样作用降低了ARIMA模型的预测区间长度，进而提高了基于ARIMA模型的中央处理器的占用率预测精度；本发明的中央处理器占用率预测方法通过多级小波变换和ARIMA模型，在不同频率分量上分别对原始CPU数据进行CPU占用率预测，且ARIMA模型训练所需参数较少，较少出现拟合问题，并且达到了对异常值的鲁棒性好的技术效果。
如图4所示，本发明提供一种中央处理器占用率预测方法的电子设备4。
该电子设备4可以包括处理器40、存储器41和总线，还可以包括存储在存储器41中并可在所述处理器40上运行的计算机程序，如中央处理器占用率预测程序42。
其中，所述存储器41至少包括一种类型的可读存储介质，所述可读存储介质包括闪存、移动硬盘、多媒体卡、卡型存储器(例如：SD或DX存储器等)、磁性存储器、磁盘、光盘等。所述存储器41在一些实施例中可以是电子设备4的内部存储单元，例如该电子设备4的移动硬盘。所述存储器41在另一些实施例中也可以是电子设备4的外部存储设备，例如电子设备4上配备的插接式移动硬盘、智能存储卡(Smart Media Card，SMC)、安全数字(SecureDigital，SD)卡、闪存卡(Flash Card)等。进一步地，所述存储器41还可以既包括电子设备4的内部存储单元也包括外部存储设备。所述存储器41不仅可以用于存储安装于电子设备4的应用软件及各类数据，例如中央处理器占用率预测程序的代码等，还可以用于暂时地存储已经输出或者将要输出的数据。
所述处理器40在一些实施例中可以由集成电路组成，例如可以由单个封装的集成电路所组成，也可以是由多个相同功能或不同功能封装的集成电路所组成，包括一个或者多个中央处理器(Central Processing unit，中央处理器)、微处理器、数字处理芯片、图形处理器及各种控制芯片的组合等。所述处理器40是所述电子设备的控制核心(ControlUnit)，利用各种接口和线路连接整个电子设备的各个部件，通过运行或执行存储在所述存储器41内的程序或者模块(例如中央处理器占用率预测程序等)，以及调用存储在所述存储器41内的数据，以执行电子设备4的各种功能和处理数据。
所述总线可以是外设部件互连标准(peripheral component interconnect，简称PCI)总线或扩展工业标准结构(extended industry standard architecture，简称EISA)总线等。该总线可以分为地址总线、数据总线、控制总线等。所述总线被设置为实现所述存储器41以及至少一个处理器40等之间的连接通信。
图4仅示出了具有部件的电子设备，本领域技术人员可以理解的是，图4示出的结构并不构成对所述电子设备4的限定，可以包括比图示更少或者更多的部件，或者组合某些部件，或者不同的部件布置。
例如，尽管未示出，所述电子设备4还可以包括给各个部件供电的电源(比如电池)，优选地，电源可以通过电源管理系统与所述至少一个处理器40逻辑相连，从而通过电源管理系统实现充电管理、放电管理、以及功耗管理等功能。电源还可以包括一个或一个以上的直流或交流电源、再充电系统、电源故障检测电路、电源转换器或者逆变器、电源状态指示器等任意组件。所述电子设备4还可以包括多种传感器、蓝牙模块、Wi-Fi模块等，在此不再赘述。
进一步地，所述电子设备4还可以包括网络接口，可选地，所述网络接口可以包括有线接口和/或无线接口(如WI-FI接口、蓝牙接口等)，通常用于在该电子设备4与其他电子设备之间建立通信连接。
可选地，该电子设备4还可以包括用户接口，用户接口可以是显示器(Display)、输入单元(比如键盘(Keyboard))，可选地，用户接口还可以是标准的有线接口、无线接口。可选地，在一些实施例中，显示器可以是LED显示器、液晶显示器、触控式液晶显示器以及OLED(Organic Light-Emitting Diode，有机发光二极管)触摸器等。其中，显示器也可以适当的称为显示屏或显示单元，用于显示在电子设备4中处理的信息以及用于显示可视化的用户界面。
应该了解，所述实施例仅为说明之用，在专利申请范围上并不受此结构的限制。
所述电子设备4中的所述存储器41存储的中央处理器占用率预测程序42是多个指令的组合，在所述处理器40中运行时，可以实现：对所获取的原始CPU数据进行预处理，获得标准CPU时间序列；将所述标准CPU时间序列进行逐级小波分解，获得小波分量信号；其中，所述小波分量信号包括一个低通分量信号和各级分解的高通分量信号；利用定阶后的包含时间序列特征的ARIMA模型对所述小波分量信号进行逐个预测，输出预测的各阶分量序列；其中，所述ARIMA模型通过AIC信息准则获取最优的自回归与移动平均阶数进行定阶；使用逆小波对所述各阶分量序列进行变换重建，确定存在占用率异常的CPU时间序列。
具体地，所述处理器40对上述指令的具体实现方法可参考图1对应实施例中相关步骤的描述，在此不赘述。需要强调的是，为进一步保证上述中央处理器占用率预测程序的私密和安全性，上述数据库高可用处理数据存储于本服务器集群所处区块链的节点中。
进一步地，所述电子设备4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。所述计算机可读介质可以包括：能够携带所述计算机程序代码的任何实体或系统、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(ROM，Read-Only Memory)。
本发明实施例还提供一种计算机可读存储介质，所述存储介质可以是非易失性的，也可以是易失性的，所述存储介质存储有计算机程序，所述计算机程序被处理器执行时实现：对所获取的原始CPU数据进行预处理，获得标准CPU时间序列；将所述标准CPU时间序列进行逐级小波分解，获得小波分量信号；其中，所述小波分量信号包括一个低通分量信号和各级分解的高通分量信号；利用定阶后的包含时间序列特征的ARIMA模型对所述小波分量信号进行逐个预测，输出预测的各阶分量序列；其中，所述ARIMA模型通过AIC信息准则获取最优的自回归与移动平均阶数进行定阶；使用逆小波对所述各阶分量序列进行变换重建，确定存在占用率异常的CPU时间序列。
具体地，所述计算机程序被处理器执行时具体实现方法可参考实施例中央处理器占用率预测方法中相关步骤的描述，在此不赘述。
在本发明所提供的几个实施例中，应该理解到，所揭露的设备，系统和方法，可以通过其它的方式实现。例如，以上所描述的系统实施例仅仅是示意性的，例如，所述模块的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式。
所述作为分离部件说明的模块可以是或者也可以不是物理上分开的，作为模块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模块来实现本实施例方案的目的。
另外，在本发明各个实施例中的各功能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，也可以采用硬件加软件功能模块的形式实现。
对于本领域技术人员而言，显然本发明不限于上述示范性实施例的细节，而且在不背离本发明的精神或基本特征的情况下，能够以其他的具体形式实现本发明。
因此，无论从哪一点来看，均应将实施例看作是示范性的，而且是非限制性的，本发明的范围由所附权利要求而不是上述说明限定，因此旨在将落在权利要求的等同要件的含义和范围内的所有变化涵括在本发明内。不应将权利要求中的任何附关联图标记视为限制所涉及的权利要求。
本发明所指区块链是分布式数据存储、点对点传输、共识机制、加密算法等计算机技术的新型应用模式。区块链(Blockchain)，本质上是一个去中心化的数据库，是一串使用密码学方法相关联产生的数据块，每一个数据块中包含了一批次网络交易的信息，用于验证其信息的有效性(防伪)和生成下一个区块。区块链可以包括区块链底层平台、平台产品服务层以及应用服务层等。
此外，显然“包括”一词不排除其他单元或步骤，单数不排除复数。系统权利要求中陈述的多个单元或系统也可以由一个单元或系统通过软件或者硬件来实现。第二等词语用来表示名称，而并不表示任何特定的顺序。
最后应说明的是，以上实施例仅用以说明本发明的技术方案而非限制，尽管参照较佳实施例对本发明进行了详细说明，本领域的普通技术人员应当理解，可以对本发明的技术方案进行修改或等同替换，而不脱离本发明技术方案的精神和范围。
Claims (9)
1.一种中央处理器占用率预测方法，其特征在于，方法包括：
对所获取的原始CPU数据进行预处理，获得标准CPU时间序列；
将所述标准CPU时间序列进行逐级小波分解，获得小波分量信号；其中，所述小波分量信号包括一个低通分量信号和各级分解的高通分量信号；
利用定阶后的包含时间序列特征的ARIMA模型对所述小波分量信号进行逐个预测，输出预测的各阶分量序列；其中，所述ARIMA模型通过AIC信息准则获取最优的自回归与移动平均阶数进行定阶；
使用逆小波对所述各阶分量序列进行变换重建，确定存在占用率异常的CPU时间序列；
将所述标准CPU时间序列进行逐级小波分解，获得小波分量信号的方法，包括：
选取中央处理器时间序列数据并计算基本小波的尺度函数系数和滤波函数系数；
将中央处理器时间序列数据和尺度函数系数经过尺度函数卷积滤波获得第一级低频输出信号；将中央处理器时间序列数据和小波函数系数经过小波函数卷积滤波获得第一级高频输出信号；
将所述第一级低频输出信号和第一级高频输出信号分别进行1/2下采样，以获得第一级低通分量信号和第一级高通分量信号；
将所述第一级低通分量信号输入第二级小波分解，将第一级低通分量信号和尺度函数系数经过尺度函数卷积滤波获得第二级低频输出信号；将第一级低通分量信号和小波函数系数经过小波函数卷积滤波获得第二级高频输出信号；
将所述第二级低频输出信号和第二级高频输出信号分别进行1/2下采样获得第二级低通分量信号和第二级高通分量信号；
将第二级低通分量信号作为下一级小波分解的输入，进行逐级分解，直至最后一级低通分量信号的分量周期小于预设阈值。
2.如权利要求1所述的中央处理器占用率预测方法，其特征在于，所述基本小波的尺度函数系数和滤波函数系数通过以下公式获取：
其中，
和hψ(k)分别为尺度函数系数与小波函数系数，/>
为尺度函数，ψ(t)为小波函数，t为卷积参数，k为参数。
3.如权利要求1所述的中央处理器占用率预测方法，其特征在于，所述ARIMA模型通过AIC信息准则获取最优的自回归与移动平均阶数进行定阶的方法，包括：
获取自回归与移动平均阶数为(p，q)的ARIMA模型以及所述ARIMA模型的赤池信息量；其中，p为自回归项数，q为滑动平均项数；
遍历所述ARIMA模型，并筛选赤池信息量最小的ARIMA模型；
获取赤池信息量最小的ARIMA模型的自回归与移动平均阶数为(p，q)作为最优的自回归与移动平均阶数。
4.如权利要求3所述的中央处理器占用率预测方法，其特征在于，在所述步骤所述ARIMA模型通过AIC信息准则获取最优的自回归与移动平均阶数进行定阶之前，包括ARIMA模型的差分阶数确定步骤：
对所获得的各级小波分量信号通过ADF检验进行稳定性判定；
对于判定为不稳定的小波分量信号取差分，并重复通过ADF检验进行稳定性判定，直至判定为稳定的小波分量信号；
获取判定为稳定的小波分量信号对应的差分；
将所述差分设置为ARIMA模型的差分阶数。
5.如权利要求1所述的中央处理器占用率预测方法，其特征在于，所述低通分量信号和高通分量信号分别通过以下公式获取：
其中，
为低通分量信号，/>
为高通分量信号，/>
为第i+1级低频输出信号，/>
为第i+1级高频输出信号，t为卷积参数。
6.如权利要求5所述的中央处理器占用率预测方法，其特征在于，
所述低频输出信号和所述高频输出信号通过以下公式获取：
其中，Xi为原信号，Xi(t)为第i级输入信号，
为第i+1级低频输出信号，/>
为第i+1级高频输出信号，/>
和/>
分别为尺度函数系数与小波函数系数，t为卷积参数，k为参数。
7.一种中央处理器占用率预测系统，其特征在于，所述系统包括：
原始CPU数据获取单元，用于对所获取的原始CPU数据进行预处理，获得标准CPU时间序列；
多级小波分解单元，用于将所述标准CPU时间序列进行逐级小波分解，获得小波分量信号；其中，所述小波分量信号包括一个低通分量信号和各级分解的高通分量信号；将所述标准CPU时间序列进行逐级小波分解，获得小波分量信号的方法，包括：选取中央处理器时间序列数据并计算基本小波的尺度函数系数和滤波函数系数；将中央处理器时间序列数据和尺度函数系数经过尺度函数卷积滤波获得第一级低频输出信号；将中央处理器时间序列数据和小波函数系数经过小波函数卷积滤波获得第一级高频输出信号；将所述第一级低频输出信号和第一级高频输出信号分别进行1/2下采样，以获得第一级低通分量信号和第一级高通分量信号；将所述第一级低通分量信号输入第二级小波分解，将第一级低通分量信号和尺度函数系数经过尺度函数卷积滤波获得第二级低频输出信号；将第一级低通分量信号和小波函数系数经过小波函数卷积滤波获得第二级高频输出信号；将所述第二级低频输出信号和第二级高频输出信号分别进行1/2下采样获得第二级低通分量信号和第二级高通分量信号；将第二级低通分量信号作为下一级小波分解的输入，进行逐级分解，直至最后一级低通分量信号的分量周期小于预设阈值；
ARIMA模型预测单元，用于利用定阶后的包含时间序列特征的ARIMA模型对所述小波分量信号进行逐个预测，输出预测的各阶分量序列；其中，所述ARIMA模型通过AIC信息准则获取最优的自回归与移动平均阶数进行定阶；
预测结果输出单元，用于使用逆小波对所述各阶分量序列进行变换重建，确定存在占用率异常的CPU时间序列。
8.一种电子设备，其特征在于，所述电子设备包括：
至少一个处理器；以及，
与所述至少一个处理器通信连接的存储器；其中，
所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行如权利要求1至6中任一所述的中央处理器占用率预测方法中的步骤。
9.一种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6中任一所述的中央处理器占用率预测方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111142190.7A CN113849374B (zh) | 2021-09-28 | 2021-09-28 | 中央处理器占用率预测方法、系统、电子设备及存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111142190.7A CN113849374B (zh) | 2021-09-28 | 2021-09-28 | 中央处理器占用率预测方法、系统、电子设备及存储介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN113849374A CN113849374A (zh) | 2021-12-28 |
| CN113849374B true CN113849374B (zh) | 2023-06-20 |
Family
ID=78980759
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202111142190.7A Active CN113849374B (zh) | 2021-09-28 | 2021-09-28 | 中央处理器占用率预测方法、系统、电子设备及存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113849374B (zh) |
Families Citing this family (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114528934A (zh) * | 2022-02-18 | 2022-05-24 | 中国平安人寿保险股份有限公司 | 时序数据异常检测方法、装置、设备及介质 |
| CN114944831A (zh) * | 2022-05-12 | 2022-08-26 | 中国科学技术大学先进技术研究院 | 多周期时间序列数据分解方法、装置、设备及存储介质 |
| CN118298363B (zh) * | 2024-06-03 | 2024-08-09 | 珠海安士佳电子有限公司 | 基于轨迹分析的家中人员往来监测与预警方法及系统 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103748993B (zh) * | 2009-05-31 | 2011-02-16 | 北京理工大学 | 一种基于多序列组合的主机负载预测方法 |
| CN110210658A (zh) * | 2019-05-22 | 2019-09-06 | 东南大学 | 基于小波变换的Prophet与高斯过程用户网络流量预测方法 |
| CN110839016A (zh) * | 2019-10-18 | 2020-02-25 | 平安科技（深圳）有限公司 | 异常流量监测方法、装置、设备及存储介质 |
| CN112311488A (zh) * | 2020-11-05 | 2021-02-02 | 上海应用技术大学 | 基于小波分解的频谱感知方法 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20090217282A1 (en) * | 2008-02-26 | 2009-08-27 | Vikram Rai | Predicting cpu availability for short to medium time frames on time shared systems |
-
2021
- 2021-09-28 CN CN202111142190.7A patent/CN113849374B/zh active Active
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103748993B (zh) * | 2009-05-31 | 2011-02-16 | 北京理工大学 | 一种基于多序列组合的主机负载预测方法 |
| CN110210658A (zh) * | 2019-05-22 | 2019-09-06 | 东南大学 | 基于小波变换的Prophet与高斯过程用户网络流量预测方法 |
| CN110839016A (zh) * | 2019-10-18 | 2020-02-25 | 平安科技（深圳）有限公司 | 异常流量监测方法、装置、设备及存储介质 |
| CN112311488A (zh) * | 2020-11-05 | 2021-02-02 | 上海应用技术大学 | 基于小波分解的频谱感知方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN113849374A (zh) | 2021-12-28 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN113849374B (zh) | 中央处理器占用率预测方法、系统、电子设备及存储介质 | |
| CN109634801B (zh) | 数据趋势分析方法、系统、计算机装置及可读存储介质 | |
| CN112148577A (zh) | 数据异常检测方法、装置、电子设备及存储介质 | |
| CN112685273A (zh) | 异常检测方法、装置、计算机设备和存储介质 | |
| US20150379110A1 (en) | Automated methods and systems for calculating hard thresholds | |
| CN113837596B (zh) | 一种故障确定方法、装置、电子设备及存储介质 | |
| CN113852603A (zh) | 网络流量的异常检测方法、装置、电子设备和可读介质 | |
| CN114429250B (zh) | 应用于工业互联网的故障预测方法、装置及电子设备 | |
| CN112612887A (zh) | 日志处理方法、装置、设备和存储介质 | |
| CN114418189A (zh) | 水质等级预测方法、系统、终端设备及存储介质 | |
| CN113609445A (zh) | 多源异构监测数据处理方法、终端设备及可读存储介质 | |
| CN116539994A (zh) | 基于多源时间序列数据的变电站主设备运行状态检测方法 | |
| CN112148566B (zh) | 计算引擎的监控方法、装置、电子设备及存储介质 | |
| CN112149880A (zh) | 用户规模预测方法、装置、电子设备及存储介质 | |
| CN118035717A (zh) | 电容式电压互感器误差状态预测方法、装置及电子设备 | |
| CN111339063B (zh) | 假设数据智能管理方法、装置及计算机可读存储介 | |
| CN114500075A (zh) | 用户异常行为检测方法、装置、电子设备及存储介质 | |
| CN114237962A (zh) | 告警根因判断方法、模型训练方法、装置、设备和介质 | |
| CN113850686A (zh) | 投保概率确定方法、装置、存储介质及电子设备 | |
| CN112685610A (zh) | 虚假注册账号识别方法及相关装置 | |
| CN111755125B (zh) | 分析患者测量指标的方法、装置、介质及电子设备 | |
| CN113657623B (zh) | 电力设备状态诊断效果确定方法、装置、终端及存储介质 | |
| CN118037472B (zh) | 财务数据处理方法及相关装置 | |
| CN116402321B (zh) | 物品需求量确定方法及装置、电子设备和存储介质 | |
| CN115238805B (zh) | 异常数据识别模型的训练方法及相关设备 |
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 |