CN114281658A - 一种集群资源使用率预测方法、装置、设备及存储介质 - Google Patents
一种集群资源使用率预测方法、装置、设备及存储介质 Download PDFInfo
- Publication number
- CN114281658A CN114281658A CN202111343725.7A CN202111343725A CN114281658A CN 114281658 A CN114281658 A CN 114281658A CN 202111343725 A CN202111343725 A CN 202111343725A CN 114281658 A CN114281658 A CN 114281658A
- Authority
- CN
- China
- Prior art keywords
- data
- prediction
- detected
- component
- time sequence
- 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.)
- Withdrawn
Links
- 238000000034 method Methods 0.000 title claims abstract description 60
- 238000000354 decomposition reaction Methods 0.000 claims abstract description 55
- 230000004044 response Effects 0.000 claims abstract description 18
- 238000012360 testing method Methods 0.000 claims abstract description 13
- 238000012216 screening Methods 0.000 claims abstract description 10
- 230000015654 memory Effects 0.000 claims description 21
- 238000007689 inspection Methods 0.000 claims description 10
- 238000004590 computer program Methods 0.000 claims description 9
- 238000007781 pre-processing Methods 0.000 claims description 5
- 230000010354 integration Effects 0.000 claims description 3
- 238000012163 sequencing technique Methods 0.000 claims description 3
- 238000001514 detection method Methods 0.000 claims description 2
- 238000012423 maintenance Methods 0.000 abstract description 15
- 238000005516 engineering process Methods 0.000 abstract description 2
- 230000008569 process Effects 0.000 description 14
- 241001123248 Arma Species 0.000 description 9
- 238000001914 filtration Methods 0.000 description 4
- 230000006870 function Effects 0.000 description 4
- 238000009499 grossing Methods 0.000 description 4
- 238000002360 preparation method Methods 0.000 description 4
- 230000009286 beneficial effect Effects 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 238000013112 stability test Methods 0.000 description 2
- 230000001360 synchronised effect Effects 0.000 description 2
- 238000013459 approach Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000003190 augmentative effect Effects 0.000 description 1
- 239000000945 filler Substances 0.000 description 1
- 230000014509 gene expression Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000000611 regression analysis Methods 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 230000005654 stationary process Effects 0.000 description 1
- 230000008685 targeting Effects 0.000 description 1
- 238000001744 unit root test Methods 0.000 description 1
Images
Landscapes
- Debugging And Monitoring (AREA)
Abstract
本发明涉及服务器技术领域,尤其涉及一种集群资源使用率预测方法、装置、设备及存储介质。所述方法包括:获取表征集群资源使用率的原始时序数据;采用经验模态分解算法对原始时序数据进行分解和筛选得到待检验数据,待检验数据包括若干分量;对待检验数据中的每个分量进行平稳性检验;响应于待检验数据中的某一分量属于平稳序列,则将某一分量代入预测模型得到对应的预测数据;响应于待检验数据中的分量均为平稳序列,则整合所得到所有的预测数据得到原始时序数据对应的预测结果。本发明方案采用经验模态分解解决时序数据预测中数据多样且非平稳性的问题,实现集群中各个主机资源使用情况的精准预测,有助于提升对集群资源的管理、维护效率。
Description
技术领域
本发明涉及服务器技术领域,尤其涉及一种集群资源使用率预测方法、装置、设备及存储介质。
背景技术
随着计算机服务器集群的规模化,对集群中各主机中央处理器(即CPU)、内存、磁盘等资源的使用率进行监控成为运维中非常重要的事情,如何对集群资源的使用情况进行预测进而引导运维人员进行集群资源的增容扩容,成为运维人员面临的大难题。
目前,监控系统的趋势预测功能还不成熟,运维人员不能及早发现系统问题和资源瓶颈,不能及时调度资源以保证系统稳定运行。当前针对运维数据的趋势预测方法可以分为两类:第一类是基于时间序列的方法,最具代表性的是使用累积式自回归移动平均(ARIMA)模型进行预测,但这种方法针对的是线性模型,在预测时对非线性数据的预测能力不足。第二类是包含支持向量回归(SVR),人工神经网络(BP)模型的机器学习方法。这种方法针对小样本问题,但在针对运维环境上大规模数据时容易陷入局部最优解。
发明内容
有鉴于此,有必要针对以上技术问题,提供一种集群资源使用率预测方法、装置、设备及存储介质。
根据本发明的第一方面,提供了一种集群资源使用率预测方法,所述方法包括:
获取表征集群资源使用率的原始时序数据;
采用经验模态分解算法对所述原始时序数据进行分解和筛选得到待检验数据,其中,所述待检验数据包括若干分量;
对所述待检验数据中的每个分量进行平稳性检验;
响应于所述待检验数据中的某一分量属于平稳序列,则将所述某一分量代入预测模型得到对应的预测数据;
响应于所述待检验数据中的分量均为平稳序列,则整合所得到所有的预测数据得到所述原始时序数据对应的预测结果。
在一些实施例中,所述方法还包括:
响应于所述待检验数据中的某一分量为非平稳序列,则采用小波分解算法对某一分量进行分解,得到低通分量和高通分量;
将所述低通分量和所述高通分量添加到所述待检验数据中,并返回执行所述对所述待检验数据中的每个分量进行平稳性检验的步骤。
在一些实施例中,在执行所述对所述待检验数据中的每个分量进行平稳性检验的步骤之前,所述方法还包括:
对所述原始时序数据进行最小二乘预处理,得到预处理后的时序数据。
在一些实施例中,所述采用经验模态分解算法对所述原始时序数据进行分解和筛选得到待检验数据的步骤包括:
采用经验模特分解算法对所述预处理后的时序数据进行分解,得到多个基本模态分量;
基于频率对所得到的多个基本模态分量的进行排序,从频率最大的一侧选取预设数量的基本模态分量作为待检验数据。
在一些实施例中,所述整合所得到所有的预测数据得到所述原始时序数据对应的预测结果包括:
计算所述待检验数据中所有分量对应的预测数据之和;
将所述待检验数据中所有分量对应的预测序数据之和作为所述预测结果。
在一些实施例中,所述预测模型为自回归滑动平均模型。
在一些实施例中,所述原始时序数据表征的是CPU使用率、内存使用率、磁盘资源使用率中的一种。
根据本发明的第二方面,提供了一种集群资源使用率预测装置,所述装置包括:
获取模块,配置用于获取表征集群资源使用率的原始时序数据;
经验模态分解模块,配置用于采用经验模态分解算法对所述原始时序数据进行分解和筛选得到待检验数据,其中,所述待检验数据包括若干分量;
检验模块,配置用于对所述待检验数据中的每个分量进行平稳性检验;
预测模块,配置用于响应于所述待检验数据中的某一分量属于平稳序列,则将所述某一分量代入预测模型得到对应的预测数据;
整合模块,响应于所述待检验数据中的分量均为平稳序列,则整合所得到所有的预测数据得到所述原始时序数据对应的预测结果。
根据本发明的第三方面,还提供了一种计算机设备,该计算机设备包括:
至少一个处理器;以及
存储器,存储器存储有可在处理器上运行的计算机程序,处理器执行程序时执行前述的集群资源使用率预测方法,所述方法包括:
获取表征集群资源使用率的原始时序数据;
采用经验模态分解算法对所述原始时序数据进行分解和筛选得到待检验数据,其中,所述待检验数据包括若干分量;
对所述待检验数据中的每个分量进行平稳性检验;
响应于所述待检验数据中的某一分量属于平稳序列,则将所述某一分量代入预测模型得到对应的预测数据;
响应于所述待检验数据中的分量均为平稳序列,则整合所得到所有的预测数据得到所述原始时序数据对应的预测结果。
根据本发明的第四方面,还提供了一种计算机可读存储介质,计算机可读存储介质存储有计算机程序,计算机程序被处理器执行时执行前述的集群资源使用率预测方法,所述方法包括:
获取表征集群资源使用率的原始时序数据;
采用经验模态分解算法对所述原始时序数据进行分解和筛选得到待检验数据,其中,所述待检验数据包括若干分量;
对所述待检验数据中的每个分量进行平稳性检验;
响应于所述待检验数据中的某一分量属于平稳序列,则将所述某一分量代入预测模型得到对应的预测数据;
响应于所述待检验数据中的分量均为平稳序列,则整合所得到所有的预测数据得到所述原始时序数据对应的预测结果。
上述一种集群资源使用率预测方法,首先采用经验模态分解算法对表征集群资源使用率的原始时序数据分解和筛选得到待检验数据,然后对待检验数据中的分量进行平稳性检验,假如该分量属于平稳序列则采用预测模型得该分量对应的预测数据,直至待检验数据中所有分量均为平稳序列则整合所有分量对应的预测数据得到预测结果,采用经验模态分解更好的解决时序数据预测中数据多样且非平稳性的问题,实现集群中各个主机资源使用情况的精准预测,使得运维人员可以根据预测情况快速判断资源的使用率趋势,提前做好资源扩容准备从而保障集群稳定运行,有助于提升运维人员对集群资源的管理、维护效率。
此外,本发明还提供了一种集群资源使用率预测装置、一种计算机设备和一种计算机可读存储介质,同样能实现上述技术效果,这里不再赘述。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的实施例。
图1为本发明一个实施例提供的一种集群资源使用率预测方法100的流程示意图;
图2为本发明另一个实施例提供的又一种集群资源使用率预测方法200的流程图;
图3为本发明又一个实施例中预测集群中CPU使用率的流程示意图300;
图4本发明一个实施例提供的一种集群资源使用率预测装置400的流程示意图;
图5本发明另一个实施例中计算机设备的内部结构图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚明白,以下结合具体实施例,并参照附图,对本发明实施例进一步详细说明。
需要说明的是,本发明实施例中所有使用“第一”和“第二”的表述均是为了区分两个相同名称非相同的实体或者非相同的参量,可见“第一”“第二”仅为了表述的方便,不应理解为对本发明实施例的限定,后续实施例对此不再一一说明。
在一个实施例中,请参照图1所示,图1示出了一种集群资源使用率预测方法100的流程示意图,具体来说该方法包括以下步骤:
步骤101,获取表征集群资源使用率的原始时序数据;
其中,原始时序数据可以是集群的历史运行数据或者当前采集的运行数据,在实施过程中可以将该数据存储在时序数据库中,优选地,所述原始时序数据表征的是CPU使用率、内存使用率、磁盘资源使用率中的一种。
步骤102,采用经验模态分解算法对所述原始时序数据进行分解和筛选得到待检验数据,其中,所述待检验数据包括若干分量;
其中,经验模态分解算法(Empirical Mode Decomposition,简称EMD)是依据数据自身的时间尺度特征来进行信号分解,无须预先设定任何基函数,经过EMD分解可以得到若干分量,从所得到若干分量重筛选出部分分量作为待检验数据。
步骤103,对所述待检验数据中的每个分量进行平稳性检验;
其中,平稳性检验的方式可以是任何现有的序列平稳性检验方法,包括但不限于ADF检验(即Augmented Dickey-Fuller test)。ADF检验又称为单位根检验,指检验序列中是否存在单位根,因为存在单位根就是非平稳时间序列了。单位根就是指单位根过程,可以证明,序列中存在单位根过程就不平稳,会使回归分析中存在伪回归。
步骤104,响应于所述待检验数据中的某一分量属于平稳序列,则将所述某一分量代入预测模型得到对应的预测数据;
其中,预测模型可以是任何现有的数据预测模型,该预测模型可以通过预先配置参数设定为使用若干周期的数据预测若干周期的数据,例如代入到预测模型的数据为七天的数据,该预测模型的输出可以是三天数据,可以理解的是在实施过程具体用户可以根据实际需求设定该预测模型的参数,本实施例并不对其进行限定。优选的,所述预测模型为自回归滑动平均模型(Auto-Regressive Moving Average Model,简称ARMA模型)。具体来说ARMA模型的用法是将该分量数据作为输入数据,而ARMA模型的输出数据即为所得到的预测数据。当然在具体实施过程原始数据的规模和预测数据的规模并不限于以上所列举的七天和三天,周期也可以小时、分钟等等更小单位进行预测,当然周期也可以多天或者月等等更大的单位进行预测,以上内容不应理解为对本发明方法的限制,仅用于举例说明。
步骤105,响应于所述待检验数据中的分量均为平稳序列,则整合所得到所有的预测数据得到所述原始时序数据对应的预测结果。
上述一种集群资源使用率预测方法,首先采用经验模态分解算法对表征集群资源使用率的原始时序数据分解和筛选得到待检验数据,然后对待检验数据中的分量进行平稳性检验,假如该分量属于平稳序列则采用预测模型的该分量对应的预测数据,直至待检验数据中所有分量均为平稳序列则整合所有分量对应的预测数据得到预测结果,采用经验模态分解更好的解决时序数据预测中数据多样且非平稳性的问题,实现集群中各个主机资源使用情况的精准预测,使得运维人员可以根据预测情况快速判断资源的使用率趋势,提前做好资源扩容准备从而保障集群稳定运行,有助于提升运维人员对集群资源的管理、维护效率。
在又一个实施例中,请结合图2所示,图2示出了本发明另一个实施例提供的又一种集群资源使用率预测方法200的流程图,具体包括以下步骤:
步骤201,获取表征集群资源使用率的原始时序数据;
步骤202,对所述原始时序数据进行最小二乘预处理,得到预处理后的时序数据;
步骤203,采用经验模特分解算法对所述预处理后的时序数据进行分解,得到多个基本模态分量;
步骤204,基于频率对所得到的多个基本模态分量的进行排序,从频率最大的一侧选取预设数量的基本模态分量作为待检验数据。
步骤205,对所述待检验数据中的每个分量进行平稳性检验;
步骤206,响应于所述待检验数据中的某一分量属于平稳序列,则将所述某一分量代入预测模型得到对应的预测数据;
步骤207,响应于所述待检验数据中的某一分量为非平稳序列,则采用小波分解算法对某一分量进行分解,得到低通分量和高通分量;
步骤208,将所述低通分量和所述高通分量添加到所述待检验数据中,并返回执行步骤205;
需要说明的是,待检验数据中的各个分量可能存在平稳序列,也可能存在非平稳序列,对于以上两种不同的分量,加入该分量属于非平稳序列,则需要再次进行小波分解,进而会再次得到多个分量,由此进行多次小波分解直至所得到的所有分量都分解成平稳序列为止,因而上述过程中分解包括一次经验模态分解和若干次小波分解,小波分解的执行次数取决于所得到的分量是否为平稳序列。
步骤209,计算所述待检验数据中所有分量对应的预测数据之和;
步骤210,将所述待检验数据中所有分量对应的预测序数据之和作为所述预测结果。
上述集群资源使用率预测方法,通过对经验模态分解所得到的用意检验的分量重不平稳序列进行小波分解,即采用经验模特分解结合小波分解的方式,采用一次经验模态分解和若干次小波分解保证了预测数据的平稳性,同时有选择性的对部分分量进行小波分解显著地减少了数据的数量,提升了数据预测效率,此外分解前的预处理还有有助于提升数据预测的准确性,降低噪声干扰,提高集群资源使用率预测的准确性。
在另一个实施例中,为了便于理解本发明的技术方案,下面以集群中CPU的使用率预测为例进行详细说明,具体实施方式如下:
步骤301,通过数据采集工具,对集群的CPU使用率、内存使用率、磁盘使用率等进行数据采集,并将采集到的数据存储到时序数据库。
步骤302,对时序数据用最小二乘平滑滤波预处理,使用最小二乘平滑滤波对原始数据进行平滑滤波,降低噪声的干扰,可以有效的抑制非线性模型过拟合的出现。
步骤303,使用EMD将对最小二乘平滑滤波处理后的数据分解为多个分量,按照频率由高到低排名提取IMF分量,例如可以选择前三个最高的IMF分量用于后续检验。
EMD的基本原理如下:将一个频率不规则的波化为多个单一频率的波加残波的形式。原波形=∑IMF+余波。这种方法的本质是通过数据的特征时间尺度来获得本征波动模式,然后分解数据。分解过程是找出原数据序列X(t)所有的极大值点,并用三次样条插值函数拟合形成原数据的上包络线;找出所有的极小值点,并将所有的极小值点通过三次样条插值函数拟合形成数据的下包络线,上包络线和下包络线的均值记作ml,将原数据序列X(t)减去该平均包络ml,根据公式1得到一个新的数据序列hl:
X(t)-ml=hl 公式1;
步骤304,对所提取的IMF分量分别进行ADF平稳性检验;
步骤305,若数据为平稳序列,则直接使用ARMA模型进行预测。当{X(n),n=0,±1,±2…}是平稳过程,若对任意的n满足公式2:
X(n)-φ1X(n-1)-…-φpX(n-p)=ξ(n)-θ1ξ(n-1)-…-θqξ(n-q) 公式2;
其中,ξ(n)是方差为σ2的白噪声,则X(n)包含了p阶自回归和q阶滑动平均过程,简称ARMA(p,q)过程。ARMA(p,q)模型表示为公式3:
X(n)=φ1X(n-1)+…+φpX(n-p)+ξ(n)-θ1ξ(n-1)-…-θqξ(n-q) 公式3;
步骤306,若该分量数据为非平稳序列,对数据进行小波分解,分解出低通分量与高通分量。接着对小波分解后的分量数据重新进行ADF平稳性检验,若各个分量上满足平稳性要求,进行下一步,否则针对不平稳的序列继续进行小波分解,直到各个分量上的数据全为平稳序列为止,要对各个分量上的数据分别使用ARMA预测之后进行组合,得到预测值。其中小波分解是通过重构运算从低频系数中可以得到原CPU使用率数据的低频分量,从高频系数中可以的到原CPU使用率数据的高频分量。
其中的低频系数可表述为公式4:
lj=h0*l0 公式4;
式中,lj表示低频系数,h0表示低通分解滤波器,*表示卷积运算符,l0表示原始数据。
其中的高频系数可表述为公式5:
hj+1=f1*hj 公式5;
式中,hj表示高频系数,f1表示高通分解滤波器,*表示卷积运算符,h0表示原始数据。
CPU使用率数据的IMF分量经过小波分解后得到低频和高频系数,经过重构运算后,得到时间序列的低频和高频分量。
其中的低频分量可表述为公式6:
Lj=g0*lj 公式6;
式中,g0表示低通重构滤波器,Lj表示低通分量。
其中的高频分量可表述为公式7:
Hj=g1*hj 公式7;
式中,g1表示高通重构滤波器,Hj表示高通分量。
步骤307,将以上步骤中的各分量预测值进行组合得到最终预测结果。
具体举例来说,假设EMD分解后提取了两个IMF分量进行检验,记作IMF分量1和MF分量2,如果IMF分量1属于平稳序列,则直接使用ARMA对IMF分量进行预测得到预测值1,如果IMF分量2不属于平稳序列,则将IMF分量2小波分解为低频分量1和高频分量2,然后检验低频分量1和高频分量2是否属于平稳序列,假设均属于平稳序列则用ARMA对低频分量1和高频分量2进行预测得到预测值2和预测值3,最后将预测值1、预测值2和预测值3加和作为最终的CPU用使用率预测结果。采用以上各步骤可以实现集群中各个主机资源使用情况的精准预测,通过预测的情况,使得运维人员可以根据预测情况快速判断资源的使用率趋势,提前做好资源扩容准备从而保障集群稳定运行,此外还可以有效提升运维人员的效率,进而提升自己的产品在市场中的竞争力。
需要说明的,虽然本实施例以CPU使用率作为示例,但是在具体实施过程中对于集群中其他类型的资源使用率数据,如内存使用率、磁盘使用率等等进行预测均可以采用以上步骤实施,同样能实现上述技术效果,这里不再赘述。
在又一个实施例中,请结合图4所示,本发明还提供了一种集群资源使用率预测装置,所述装置包括:
获取模块401,配置用于获取表征集群资源使用率的原始时序数据;
经验模态分解模块402,配置用于采用经验模态分解算法对所述原始时序数据进行分解和筛选得到待检验数据,其中,所述待检验数据包括若干分量;
检验模块403,配置用于对所述待检验数据中的每个分量进行平稳性检验;
预测模块404,配置用于响应于所述待检验数据中的某一分量属于平稳序列,则将所述某一分量代入预测模型得到对应的预测数据;
整合模块405,响应于所述待检验数据中的分量均为平稳序列,则整合所得到所有的预测数据得到所述原始时序数据对应的预测结果。
上述一种集群资源使用率预测装置,首先采用经验模态分解算法对表征集群资源使用率的原始时序数据分解和筛选得到待检验数据,然后对待检验数据中的分量进行平稳性检验,假如该分量属于平稳序列则采用预测模型得该分量对应的预测数据,直至待检验数据中所有分量均为平稳序列则整合所有分量对应的预测数据得到预测结果,采用经验模态分解更好的解决时序数据预测中数据多样且非平稳性的问题,实现集群中各个主机资源使用情况的精准预测,使得运维人员可以根据预测情况快速判断资源的使用率趋势,提前做好资源扩容准备从而保障集群稳定运行,有助于提升运维人员对集群资源的管理、维护效率。
需要说明的是,关于集群资源使用率预测装置的具体限定可以参见上文中对集群资源使用率预测方法的限定,在此不再赘述。上述集群资源使用率预测装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中,也可以以软件形式存储于计算机设备中的存储器中,以便于处理器调用执行以上各个模块对应的操作。
根据本发明的另一方面,提供了一种计算机设备,该计算机设备可以是服务器,其内部结构图请参照图5所示。该计算机设备包括通过系统总线连接的处理器、存储器、网络接口和数据库。其中,该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统、计算机程序和数据库。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的数据库用于存储数据。该计算机设备的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时实现以上所述的集群资源使用率预测方法,具体来说,所述方法包括以下步骤:
获取表征集群资源使用率的原始时序数据;
采用经验模态分解算法对所述原始时序数据进行分解和筛选得到待检验数据,其中,所述待检验数据包括若干分量;
对所述待检验数据中的每个分量进行平稳性检验;
响应于所述待检验数据中的某一分量属于平稳序列,则将所述某一分量代入预测模型得到对应的预测数据;
响应于所述待检验数据中的分量均为平稳序列,则整合所得到所有的预测数据得到所述原始时序数据对应的预测结果。
根据本发明的又一方面,提供了一种计算机可读存储介质,其上存储有计算机程序,计算机程序被处理器执行时实现以上所述的集群资源使用率预测方法,具体来说,包括执行以下步骤:
获取表征集群资源使用率的原始时序数据;
采用经验模态分解算法对所述原始时序数据进行分解和筛选得到待检验数据,其中,所述待检验数据包括若干分量;
对所述待检验数据中的每个分量进行平稳性检验;
响应于所述待检验数据中的某一分量属于平稳序列,则将所述某一分量代入预测模型得到对应的预测数据;
响应于所述待检验数据中的分量均为平稳序列,则整合所得到所有的预测数据得到所述原始时序数据对应的预测结果。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程,是可以通过计算机程序来指令相关的硬件来完成,所述的计算机程序可存储于一非易失性计算机可读取存储介质中,该计算机程序在执行时,可包括如上述各方法的实施例的流程。其中,本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用,均可包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器(ROM)、可编程ROM(PROM)、电可编程ROM(EPROM)、电可擦除可编程ROM(EEPROM)或闪存。易失性存储器可包括随机存取存储器(RAM)或者外部高速缓冲存储器。作为说明而非局限,RAM以多种形式可得,诸如静态RAM(SRAM)、动态RAM(DRAM)、同步DRAM(SDRAM)、双数据率SDRAM(DDRSDRAM)、增强型SDRAM(ESDRAM)、同步链路(Synchlink)DRAM(SLDRAM)、存储器总线(Rambus)直接RAM(RDRAM)、直接存储器总线动态RAM(DRDRAM)、以及存储器总线动态RAM(RDRAM)等。
以上实施例的各技术特征可以进行任意的组合,为使描述简洁,未对上述实施例中的各个技术特征所有可能的组合都进行描述,然而,只要这些技术特征的组合不存在矛盾,都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本申请的几种实施方式,其描述较为具体和详细,但并不能因此而理解为对发明专利范围的限制。应当指出的是,对于本领域的普通技术人员来说,在不脱离本申请构思的前提下,还可以做出若干变形和改进,这些都属于本申请的保护范围。因此,本申请专利的保护范围应以所附权利要求为准。
Claims (10)
1.一种集群资源使用率预测方法,其特征在于,所述方法包括:
获取表征集群资源使用率的原始时序数据;
采用经验模态分解算法对所述原始时序数据进行分解和筛选得到待检验数据,其中,所述待检验数据包括若干分量;
对所述待检验数据中的每个分量进行平稳性检验;
响应于所述待检验数据中的某一分量属于平稳序列,则将所述某一分量代入预测模型得到对应的预测数据;
响应于所述待检验数据中的分量均为平稳序列,则整合所得到所有的预测数据得到所述原始时序数据对应的预测结果。
2.根据权利要求1所述的集群资源使用率预测方法,其特征在于,所述方法还包括:
响应于所述待检验数据中的某一分量为非平稳序列,则采用小波分解算法对某一分量进行分解,得到低通分量和高通分量;
将所述低通分量和所述高通分量添加到所述待检验数据中,并返回执行所述对所述待检验数据中的每个分量进行平稳性检验的步骤。
3.根据权利要求2所述的集群资源使用率预测方法,其特征在于,在执行所述对所述待检验数据中的每个分量进行平稳性检验的步骤之前,所述方法还包括:
对所述原始时序数据进行最小二乘预处理,得到预处理后的时序数据。
4.根据权利要求3所述的集群资源使用率预测方法,其特征在于,所述采用经验模态分解算法对所述原始时序数据进行分解和筛选得到待检验数据的步骤包括:
采用经验模特分解算法对所述预处理后的时序数据进行分解,得到多个基本模态分量;
基于频率对所得到的多个基本模态分量的进行排序,从频率最大的一侧选取预设数量的基本模态分量作为待检验数据。
5.根据权利要求1所述的集群资源使用率预测方法,其特征在于,所述整合所得到所有的预测数据得到所述原始时序数据对应的预测结果包括:
计算所述待检验数据中所有分量对应的预测数据之和;
将所述待检验数据中所有分量对应的预测序数据之和作为所述预测结果。
6.根据权利要求1所述的集群资源使用率预测方法,其特征在于,所述预测模型为自回归滑动平均模型。
7.根据权利要求1所述的集群资源使用率预测方法,其特征在于,所述原始时序数据表征的是CPU使用率、内存使用率、磁盘资源使用率中的一种。
8.一种集群资源使用率预测装置,其特征在于,所述装置包括:
获取模块,配置用于获取表征集群资源使用率的原始时序数据;
经验模态分解模块,配置用于采用经验模态分解算法对所述原始时序数据进行分解和筛选得到待检验数据,其中,所述待检验数据包括若干分量;
检验模块,配置用于对所述待检验数据中的每个分量进行平稳性检验;
预测模块,配置用于响应于所述待检验数据中的某一分量属于平稳序列,则将所述某一分量代入预测模型得到对应的预测数据;
整合模块,响应于所述待检验数据中的分量均为平稳序列,则整合所得到所有的预测数据得到所述原始时序数据对应的预测结果。
9.一种计算机设备,其特征在于,包括:
至少一个处理器;以及
存储器,所述存储器存储有可在所述处理器中运行的计算机程序,所述处理器执行所述程序时执行权利要求1-7任意一项所述的集群资源使用率预测方法。
10.一种计算机可读存储介质,所述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执行权利要求1-7任意一项所述的集群资源使用率预测方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111343725.7A CN114281658A (zh) | 2021-11-13 | 2021-11-13 | 一种集群资源使用率预测方法、装置、设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111343725.7A CN114281658A (zh) | 2021-11-13 | 2021-11-13 | 一种集群资源使用率预测方法、装置、设备及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114281658A true CN114281658A (zh) | 2022-04-05 |
Family
ID=80869102
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111343725.7A Withdrawn CN114281658A (zh) | 2021-11-13 | 2021-11-13 | 一种集群资源使用率预测方法、装置、设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114281658A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114860552A (zh) * | 2022-07-11 | 2022-08-05 | 北京首信科技股份有限公司 | 性能监控方法、服务器、客户端、电子设备及其存储介质 |
-
2021
- 2021-11-13 CN CN202111343725.7A patent/CN114281658A/zh not_active Withdrawn
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114860552A (zh) * | 2022-07-11 | 2022-08-05 | 北京首信科技股份有限公司 | 性能监控方法、服务器、客户端、电子设备及其存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US20220045509A1 (en) | Method and system of predicting electric system load based on wavelet noise reduction and emd-arima | |
CN111459700A (zh) | 设备故障的诊断方法、诊断装置、诊断设备及存储介质 | |
CN107992410B (zh) | 软件质量监测方法、装置、计算机设备和存储介质 | |
CN110689141B (zh) | 风力发电机组的故障诊断方法及设备 | |
CN110391840B (zh) | 太阳同步轨道卫星遥测参数异常判断方法和系统 | |
WO2020125929A1 (en) | Apparatus and method for detecting an anomaly among successive events and computer program product therefor | |
CN109308225B (zh) | 一种虚拟机异常检测方法、装置、设备及存储介质 | |
CN111814964A (zh) | 基于空气质量状况预报的空气污染处理方法及存储介质 | |
CN111796233B (zh) | 双母线接线形式下多台电压互感器继发性误差的评估方法 | |
CN112506752A (zh) | 基于时序数据趋势预测的运维方法、装置及设备 | |
CN114281658A (zh) | 一种集群资源使用率预测方法、装置、设备及存储介质 | |
CN113238714A (zh) | 基于历史监测数据的磁盘容量预测方法及系统、存储介质 | |
CN111626498B (zh) | 设备运行状态预测方法、装置、设备及存储介质 | |
CN112631881A (zh) | 基于时序数据趋势预测的运维方法、装置及设备 | |
CN113792939A (zh) | 基于混合威布尔分布的电能表可靠性预测方法及装置 | |
Avritzer et al. | A multivariate characterization and detection of software performance antipatterns | |
CN116706992A (zh) | 一种分布式光伏集群的自适应功率预测方法、装置和设备 | |
CN113110961B (zh) | 设备异常检测方法、装置、计算机设备及可读存储介质 | |
CN110377519B (zh) | 大数据系统的性能容量测试方法、装置、设备及存储介质 | |
CN112664410B (zh) | 一种基于大数据的机组在线监测系统建模方法 | |
CN114970665A (zh) | 模型训练方法、电解电容剩余寿命预测方法及系统 | |
Poghosyan et al. | Managing cloud infrastructures by a multi-layer data analytics | |
CN115794369A (zh) | 内存占用数值的预测方法及装置、存储介质、终端 | |
CN104735063A (zh) | 一种用于云基础设施的安全评测方法 | |
CN112214911A (zh) | 一种电源的健康状态预测方法 |
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 | ||
WW01 | Invention patent application withdrawn after publication | ||
WW01 | Invention patent application withdrawn after publication |
Application publication date: 20220405 |