CN115794586A - 云服务器软件老化预测方法、装置、设备和介质 - Google Patents
云服务器软件老化预测方法、装置、设备和介质 Download PDFInfo
- Publication number
- CN115794586A CN115794586A CN202211522614.7A CN202211522614A CN115794586A CN 115794586 A CN115794586 A CN 115794586A CN 202211522614 A CN202211522614 A CN 202211522614A CN 115794586 A CN115794586 A CN 115794586A
- Authority
- CN
- China
- Prior art keywords
- software aging
- particle
- gravity
- cloud server
- aging prediction
- 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
Images
Classifications
-
- 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
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明实施例提供一种云服务器软件老化预测方法、装置、设备和存储介质。该方法包括:获取云服务器在待预测时间段内的性能指标序列数据;对所述性能指标序列数据进行多维经验模态分解,得到多个本征模态函数IMF分量;通过预先训练好的软件老化预测模型对各IMF分量进行预测,得到各IMF分量对应的预测结果;其中,所述软件老化预测模型基于引力粒子群算法优化得到,所述引力粒子群算法基于引力搜索算法和粒子群优化算法融合后得到的;将各预测结果进行重构得到目标预测结果。该方法提高了云服务器软件老化预测结果的准确性。
Description
技术领域
本发明实施例涉及计算机数据处理技术领域,尤其涉及一种云服务器软件老化预测方法、装置、设备和存储介质。
背景技术
随着计算机网络技术的高速发展,云服务器因具有高扩展性、长时间运行和频繁信息交互的能力特点而逐渐被各大互联网服务商广泛使用。
随着云服务器软件复杂性和并发量的快速提高,云服务器所承受的服务压力越来越大,云服务器在长期高负载运行过程中,故障和资源消耗会累积,云服务器的性能就会缓慢下降,故障率也会增加,严重的甚至导致云服务器崩溃,造成服务中断,这种现象称为“软件老化”。
因此,如何对云服务器进行软件老化预测成为本领域技术人员亟待解决的技术问题。
发明内容
为了解决传统技术中存在的技术问题,本发明实施例提供一种云服务器软件老化预测方法、装置、设备和存储介质。
第一方面,本发明实施例提供一种云服务器软件老化预测方法,包括:
获取云服务器在待预测时间段内的性能指标序列数据;
对所述性能指标序列数据进行多维经验模态分解,得到多个本征模态函数IMF分量;
通过预先训练好的软件老化预测模型对各IMF分量进行预测,得到各IMF分量对应的预测结果;其中,所述软件老化预测模型基于引力粒子群算法优化得到,所述引力粒子群算法基于引力搜索算法和粒子群优化算法融合后得到的;
将各预测结果进行重构得到目标预测结果。
第二方面,本发明实施例提供一种云服务器软件老化预测装置,包括:
获取模块,用于获取云服务器在待预测时间段内的性能指标序列数据;
处理模块,用于对所述性能指标序列数据进行多维经验模态分解,得到多个本征模态函数IMF分量;
所述处理模块,还用于通过预先训练好的软件老化预测模型对各IMF分量进行预测,得到各IMF分量对应的预测结果;其中,所述软件老化预测模型基于引力粒子群算法优化得到,所述引力粒子群算法基于引力搜索算法和粒子群优化算法融合后得到的;
所述处理模块,还用于将各预测结果进行重构得到目标预测结果。
第三方面,本发明实施例还提供了一种计算机设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述程序时实现如本发明实施例第一方面提供的任一所述的云服务器软件老化预测方法的步骤。
第四方面,本发明实施例还提供了一种计算机可读存储介质,其上存储有计算机程序,该程序被处理器执行时实现如本发明实施例第一方面提供的任一所述的云服务器软件老化预测方法的步骤。
本发明实施例提供的技术方案,获取云服务器在待预测时间段内的性能指标序列数据,对性能指标序列数据进行多维经验模态分解,得到多个本征模态函数IMF分量,通过预先训练好的软件老化预测模型对各IMF分量进行预测,得到各IMF分量对应的预测结果,将各预测结果进行重构得到目标预测结果,从而实现了对云服务器软件老化的预测功能。并且,将粒子群优化算法和引力搜索算法融合后得到的引力粒子群算法具有较优的搜索能力,能够弥补粒子群优化算法和引力搜索算法各自的不足,因此,通过引力粒子群算法优化软件老化预测模型,提高了软件老化预测模型的准确性,从而提高了云服务器软件老化预测结果的准确性。
附图说明
图1为本发明实施例提供的云服务器软件老化预测方法的一种流程示意图;
图2为本发明实施例提供的一种多维经验模态分解的流程示意图;
图3为本发明实施例提供的软件老化预测模型训练过程的一种流程示意图;
图4为本发明实施例提供的软件老化预测模型的一种结构示意图;
图5为本发明实施例提供的云服务器软件老化预测装置的一种结构示意图;
图6为本发明实施例提供的计算机设备的一种结构示意图。
具体实施方式
下面结合附图和实施例对本发明作进一步的详细说明。可以理解的是,此处所描述的具体实施例仅仅用于解释本发明,而非对本发明的限定。另外还需要说明的是,为了便于描述,附图中仅示出了与本发明相关的部分而非全部结构。
为了使本申请的目的、技术方案及优点更加清楚明白,通过下述实施例并结合附图,对本申请实施例中的技术方案进行进一步详细说明。应当理解,此处所描述的具体实施例仅用以解释本申请,并不用于限定本申请。
需要说明的是,下述方法实施例的执行主体可以是云服务器软件老化预测装置,该装置可以通过软件、硬件或者软硬件结合的方式实现成为计算机设备的部分或者全部。可选地,该计算机设备可以是电脑、手机、平板或者可便携式设备等,也可以是独立的服务器或者服务器集群等,本申请实施例对计算机设备的具体类型不做限定。
图1为本发明实施例提供的云服务器软件老化预测方法的一种流程示意图。如图1所示,该方法可以包括:
S101、获取云服务器在待预测时间段内的性能指标序列数据。
其中,待预测时间段是指需要进行软件老化预测的时间段,例如,待预测时间段可以为最近一周,最近一月或者最近几个月等,具体可根据用户实际的需求进行设置。
可选地,云服务器内预设有自动化脚本,通过执行该自动化脚本即可提取云服务器在待预测时间段内的性能指标序列数据。可选地,性能指标序列数据包括CPU空闲率、可用内存、平均负载和响应时间中的至少之一。
S102、对性能指标序列数据进行多维经验模态分解,得到多个本征模态函数IMF分量。
其中,多维经验模态分解(Multiple Empirical Mode Decomposition,MEMD)属于一种多维信号分解方法,其可以将多维信息以相同的频率尺度分解为相同数量的本征模态函数(Intrinsic Mode Function,IMF)。
示例性地,图2为本发明实施例提供的一种多维经验模态分解的流程示意图,如图2所示,对性能指标序列数据的分解过程可以包括如下步骤:
(1)、获取长度为L的n维信号x(k),这里的x(k)即为上述性能指标序列数据。
(2)、基于Hammersley序列采样法确定n维空间的方向向量V。
(3)、x(k)沿方向向量V投影得到投影向量P。
(4)、对投影向量P插值映射得到信号极值点,接着,拟合M个多元信号包络,并基于M个多元信号包络确定信号x(k)的平均包络m(k)。
(5)、令h(k)=x(k)-m(k),判断h(k)是否满足IMF准则,若是,则令x(k)=x(k)-h(k),若否,则令x(k)=h(k),并继续执行上述步骤(3)。
(6)、确定是否满足停止筛选条件,若是,则令r(k)=h(k),并输出r(k)与各阶h(k),若否,则继续执行上述步骤(4)。
S103、通过预先训练好的软件老化预测模型对各IMF分量进行预测,得到各IMF分量对应的预测结果。
其中,软件老化预测模型基于引力粒子群算法优化得到,引力粒子群算法基于引力搜索算法和粒子群优化算法融合后得到的。引力搜索算法是一种基于万有引力定律与牛顿第二定律的搜索算法,粒子群优化算法是一种受到鸟类觅食行为活动的启发而提出的一种随机优化算法。引力搜索算法和粒子群优化算法都属于种群智能算法中具有良好寻优能力的算法,但两者仍存在一定的局限性。
一方面,引力搜索算法中加速度根据引力和引力质量更新的特点使粒子在速度变化时趋向于朝惯性质量大的粒子移动,不利于算法的局部搜索。而粒子群优化算法在速度更新时提供了自身经验信息,这点可有效弥补引力搜索算法的不足。另一方面,粒子群优化算法的粒子都倾向于朝着最优解聚集,易陷入局部最优解,而引力搜索算法中加速度和引力的概念有利于粒子搜索全局最优解,因此,将这两种算法相融合后得到的引力粒子群算法能够较好地实现搜索能力的平衡,具有更优的搜索性能。
在本实施例中,软件老化预测模型是预先基于反向传播(Back Propagation,BP)神经网络和引力粒子群算法构建和训练得到的。
其中,BP神经网络的训练由信息正向传播和误差反向传播两个过程组成,基本原理为从输入层进入网络的信息经由隐藏层向输出层正向传播,得到预测输出,并计算期望输出和预测输出之间的误差。网络的预测输出和各层神经元的连接权值以及偏置值有关,因此,当误差反向传播回隐藏层时,会调整隐藏层与输出层、隐藏层与输入层间的连接权值以及偏置值,以使误差不断减小,直至达到收敛。
但是,由于云服务器的性能指标数据存在随机性、非周期性的特点,直接采用标准的BP神经网络构建的软件老化预测模型来进行预测会存在预测精度不高的问题。为此,本发明实施例中引入了引力粒子群算法,引力粒子群算法融合了引力搜索算法和粒子群优化算法的优点,具有更好的寻优能力,通过引力粒子算法对基于BP神经网络构建的软件老化预测模型的模型参数进行不断优化,不仅加快了模型的收敛,而且,通过大量的仿真结果表明,基于通过引力粒子群算法优化后的软件老化预测模型的预测结果误差更小、精确度高以及训练次数更少。
这样,在得到性能指标序列数据经过多维经验模态分解后得到的IMF分量之后,将IMF分量直接输入至软件老化预测模型,由软件老化预测模型各层的计算,就可以得到IMF分量对应的预测结果。
S104、将各预测结果进行重构得到目标预测结果。
在得到各IMF分量对应的预测结果之后,将各预测结果叠加重构即可得到完整的目标预测结果。
可选地,还可以判断目标预测结果是否达到预设告警条件,若目标预测结果达到预设告警条件,则可以按照预设方式输出告警信息。
其中,预设方式可以包括高亮、闪烁、背景颜色突出、字体颜色突出或者蜂鸣器报警等方式中的至少一种。例如,在相应的页面上高亮显示告警信息。
可选地,还可以将告警信息发送至云服务器管理人员的终端中,以提醒云服务器管理人员,从而达到软件老化预警的目的,且通过不同维度或角度进行预警,确保了预警的效果。
本发明实施例提供的云服务器软件老化预测方法,获取云服务器在待预测时间段内的性能指标序列数据,对性能指标序列数据进行多维经验模态分解,得到多个本征模态函数IMF分量,通过预先训练好的软件老化预测模型对各IMF分量进行预测,得到各IMF分量对应的预测结果,将各预测结果进行重构得到目标预测结果,从而实现了对云服务器软件老化的预测。并且,将粒子群优化算法和引力搜索算法融合后得到的引力粒子群算法具有较优的搜索能力,能够弥补粒子群优化算法和引力搜索算法各自的不足,因此,通过引力粒子群算法优化软件老化预测模型,提高了软件老化预测模型的准确性,从而提高了云服务器软件老化预测结果的准确性。
图3为本发明实施例提供的软件老化预测模型训练过程的一种流程示意图。如图3所示,软件老化预测模型训练过程可以包括如下步骤:
S301、获取云服务器的历史性能指标序列数据,得到样本数据集。
其中,可以获取云服务器在历史时间段内的性能指标序列数据,并将获取的数据作为样本数据集。例如,可以将云服务器在过去1年,甚至过去几年的性能指标序列数据作为软件老化预测模型训练时的样本数据集。
S302、基于反向传播BP神经网络,构建软件老化预测模型。
在本实施例中,基于BP神经网络结构,确定需要的隐藏层数量及各层神经元的数量,从而构建得到软件老化预测模型。
示例性地,图4为本发明实施例提供的软件老化预测模型的一种结构示意图,图4仅是软件老化预测模型包含一个隐藏层为例示出。如图4所示,软件老化预测模型中包括输入层、隐藏层以及输出层,输入层包括a个神经元,隐藏层包括b个神经元,输出层包括c个神经元,图中的空心圆表示各层的神经元,{x1,x2,x3,……,xa}为输入层神经元的输入值,{t1,t2,……,tb}为隐藏层神经元的输出值,{y1,y2,……,yc}为输出层神经元的输出值,wij为隐藏层神经元j和输入层神经元i之间的权值,wij 1为输出层神经元j和隐藏层神经元i之间的权值,当然,输入层和隐藏层还可以包括偏置神经元(图4未示出),偏置神经元用于提供用于计算的偏置值。为了增加软件老化预测模型的非线性,可选地,输入层与首个隐藏层之间、以及各隐藏层之间采用的激活函数可以为Relu,输出层采用的激活函数可以为softmax。
S303、根据样本数据集和引力粒子群算法,对软件老化预测模型进行训练。
在本实施例中,采用样本数据集对软件老化预测模型进行训练,在此基础上,还可以通过引力粒子群算法进行调优,从而得到最终可用于进行软件老化预测的软件老化预测模型。
在一个实施例中,可选地,上述S303的过程可以为:根据样本数据集,对软件老化预测模型进行训练,得到软件老化预测模型的初始模型参数;根据引力粒子群算法对初始模型参数进行优化,得到软件老化预测模型的目标模型参数。
其中,软件老化预测模型中的模型参数即为各层神经元之间的权值以及偏置值。在得到样本数据集之后,可以对样本数据集进行标注,以样本数据集作为软件老化预测模型的输入,标注结果为期望输出,通过软件老化预测模型对样本数据集中的数据进行预测,并计算软件老化预测模型的预测输出与期望输出之间的误差,并基于误差反向调整软件老化预测模型中的模型参数,经过预设次数的训练后,得到初始模型参数。
进一步地,通过引力粒子群算法对初始模型参数进行调整更新,再次回到上述模型训练过程中进行迭代训练,直至软件老化预测模型达到收敛条件。
在一种可选地实施方式中,根据引力粒子群算法对初始模型参数进行优化,得到软件老化预测模型的目标模型参数的过程可以包括以下步骤:
(1)、建立适应度函数,并基于初始模型参数初始化引力粒子群信息。
其中,可以基于软件老化预测模型的预测输出与期望输出的均方差,建立适应度函数。进一步地,基于初始模型参数初始化引力粒子群信息,这里引力粒子群信息可以包括惯性权重初始值w0及其衰减率wdamp、粒子数量N、空间维度D、学习因子c1和c2、引力常数初始值G0及衰减常数α、粒子的初始化位置X和速度V。
(2)、基于适应度函数确定每个粒子的适应度值,并基于适应度值确定每个粒子的历史最优位置和粒子群的历史全局最优位置。
在上述引力粒子群信息确定后即利用初始化粒子的位置对软件老化预测模型中各层神经元权值和偏置值逐一编码,训练软件老化预测模型。在每一次的迭代中,通过上述适应度函数计算每个粒子的适应度值,如果该适应度值优于粒子的历史最优适应度值,则更新粒子的历史最优位置,即将该适应度值对应的位置作为粒子的历史最优位置;如果该适应度值优于粒子群的历史最优适应度值,则更新粒子群的历史全局最优位置,即将该适应度值对应的位置作为粒子群的历史全局最优位置。
(3)、根据历史最优位置和历史全局最优位置,更新每个粒子的速度和位置,并重复执行基于所述适应度函数确定每个粒子的适应度值的步骤,直至达到收敛条件,从而得到软件预测模型的目标模型参数。
其中,上述收敛条件为粒子的适应度值满足预设适应度值,或者上述收敛条件为达到预设的最大迭代次数。因此,引力粒子群算法假设具有N个粒子的D维解空间中第i个粒子的位置为可选地,上述根据历史最优位置和历史全局最优位置,更新每个粒子的速度和位置的过程可以为:
①、确定粒子在t时刻的引力质量和在第d维空间所受的万有引力。
具体的,在第t次迭代时(也即t时刻)粒子i的引力质量Mi(t)可以通过下述公式1和公式2计算得到:
其中,fiti(t)表示第t次迭代时粒子i的适应度值,best(t)表示第t次迭代时粒子群中最优的适应度值,worst(t)表示第t次迭代时粒子群中最差的适应度值,mi(t)表示粒子i在第t次迭代时的质量。
公式4:G(t)=G0×e-αt/T。
其中,ε为一常量,以防止分母为0,Rij(t)为第t次迭代时粒子i和粒子j的欧式距离,表示粒子j在第d维空间上的位置,表示粒子i在第d维空间上的位置,Mj(t)表示粒子j的引力质量,G(t)表示第t次迭代时的引力常数,随着迭代次数的增加而减少,T为最大迭代次数。
其中,rand为0到1之间的随机数。
②、基于万有引力和引力质量,确定粒子在第d维空间上的加速度。
③、基于所述加速度、随机生成的对角矩阵、重力加速度、惯性权重、所述粒子在t时刻的位置以及在t时刻的速度,确定所述粒子在t+1时刻的速度,并根据所述粒子在t+1时刻的速度和在t时刻的位置,确定所述粒子在t+1时刻的位置。
在更新完毕每个粒子的速度和位置之后,并重复执行基于适应度函数确定每个粒子的适应度值的步骤,直至达到所设置的最大迭代次数,而后再回到模型训练过程进行迭代训练,即将经过引力粒子群算法优化后的模型参数返回给软件老化预测模型,并测试软件老化预测模型的输出结果是否收敛,若不收敛,则由引力粒子群算法继续进行优化调整,直至达到模型收敛条件,将模型收敛时对应的权值和偏置值确定为软件老化预测模型的目标模型参数。
为了验证引力粒子群算法的优势,可以分别对采用标准的BP神经网络所构建的软件老化预测模型A、基于粒子群优化算法优化的BP神经网络所构建的软件老化预测模型B、基于引力搜索算法优化的BP神经网络所构建的软件老化预测模型C以及本发明实施例提供的基于引力粒子群算法优化的BP神经网络所构建的软件老化预测模型D进行对比,使用误差均方根和误差均方根方差作为评价指标,表1为上述四者的对比结果。
表1
序号 | 对比项目 | 误差均方根 | 误差均方根方差 |
1 | 软件老化预测模型A | 59.78 | 2.68 |
2 | 软件老化预测模型B | 53.92 | 3.84 |
3 | 软件老化预测模型C | 52.19 | 3.65 |
4 | 软件老化预测模型D | 43.79 | 2.76 |
由表1可知,基于引力粒子群优化的BP神经网络所构建的软件老化预测模型D的误差比其他几种方法都低,即采用本实施例所提供的模型训练方法得到的软件老化预测模型具有良好的预测性能。
在本实施例中,通过获取云服务器的历史性能指标序列数据,得到样本数据集,基于反向传播BP神经网络,构建软件老化预测模型,根据样本数据集和引力粒子群算法,对软件老化预测模型进行训练。由于引力粒子群算法融合了引力搜索算法和粒子群优化算法各自的优点,使得引力粒子群算法具有更优的搜索性能,那么通过引力粒子算法对基于BP神经网络构建的软件老化预测模型的模型参数进行优化,提高了软件老化预测模型的预测性能的准确性。
图5为本发明实施例提供的云服务器软件老化预测装置的一种结构示意图。如图5所示,该装置可以包括:获取模块501和处理模块502。
具体的,获取模块501用于获取云服务器在待预测时间段内的性能指标序列数据;
处理模块502用于对所述性能指标序列数据进行多维经验模态分解,得到多个本征模态函数IMF分量;
所述处理模块502还用于通过预先训练好的软件老化预测模型对各IMF分量进行预测,得到各IMF分量对应的预测结果;其中,所述软件老化预测模型基于引力粒子群算法优化得到,所述引力粒子群算法基于引力搜索算法和粒子群优化算法融合后得到的;
所述处理模块502还用于将各预测结果进行重构得到目标预测结果。在上述实施例的基础上,可选地,获取模块501还用于在所述获取云服务器在待预测时间段内的性能指标序列数据之前,获取云服务器的历史性能指标序列数据,得到样本数据集;
处理模块502还用于基于反向传播BP神经网络,构建软件老化预测模型;根据所述样本数据集和引力粒子群算法,对所述软件老化预测模型进行训练。
在上述实施例的基础上,可选地,处理模块502具体用于根据所述样本数据集,对所述软件老化预测模型进行训练,得到所述软件老化预测模型的初始模型参数;根据所述引力粒子群算法对所述初始模型参数进行优化,得到所述软件老化预测模型的目标模型参数。
在上述实施例的基础上,可选地,处理模块502具体用于建立适应度函数,并基于所述初始模型参数初始化引力粒子群信息;基于所述适应度函数确定每个粒子的适应度值,并基于适应度值确定每个粒子的历史最优位置和粒子群的历史全局最优位置;根据所述历史最优位置和所述历史全局最优位置,更新每个粒子的速度和位置,并重复执行所述基于所述适应度函数确定每个粒子的适应度值的步骤,直至达到收敛条件,从而得到所述软件预测模型的目标模型参数。
在上述实施例的基础上,可选地,处理模块502具体用于确定粒子在t时刻的引力质量和在第d维空间所受的万有引力;基于所述万有引力和引力质量,确定所述粒子在第d维空间上的加速度;基于所述加速度、随机生成的对角矩阵、重力加速度、惯性权重、所述粒子在t时刻的位置以及在t时刻的速度,确定所述粒子在t+1时刻的速度,并根据所述粒子在t+1时刻的速度和在t时刻的位置,确定所述粒子在t+1时刻的位置。
在上述实施例的基础上,可选地,处理模块502还用于若所述目标预测结果达到预设告警条件,则按照预设方式输出告警信息。
可选地,所述性能指标序列数据包括以下至少之一:CPU空闲率、可用内存、平均负载和响应时间。
图6为本发明实施例提供的计算机设备的一种结构示意图,如图6所示,该设备包括处理器610、存储器620、输入装置630和输出装置640;该设备中处理器610的数量可以是一个或多个,图6中以一个处理器610为例;该设备中的处理器610、存储器620、输入装置630和输出装置640可以通过总线或其他方式连接,图6中以通过总线连接为例。
存储器620作为一种计算机可读存储介质,可用于存储软件程序、计算机可执行程序以及模块,如本发明实施例中的云服务器软件老化预测方法对应的程序指令/模块(例如,云服务器软件老化预测装置中的获取模块501和处理模块502)。处理器610通过运行存储在存储器620中的软件程序、指令以及模块,从而执行上述设备的各种功能应用以及数据处理,即实现上述的云服务器软件老化预测方法。
存储器620可主要包括存储程序区和存储数据区,其中,存储程序区可存储操作系统、至少一个功能所需的应用程序;存储数据区可存储根据终端的使用所创建的数据等。此外,存储器620可以包括高速随机存取存储器,还可以包括非易失性存储器,例如至少一个磁盘存储器件、闪存器件、或其他非易失性固态存储器件。在一些实例中,存储器620可进一步包括相对于处理器610远程设置的存储器,这些远程存储器可以通过网络连接至设备/终端/服务器。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
输入装置630可用于接收输入的数字或字符信息,以及产生与上述设备的用户设置以及功能控制有关的键信号输入。输出装置640可包括显示屏等显示设备。
在一个实施例中,还提供一种包含计算机可执行指令的存储介质,所述计算机可执行指令在由计算机处理器执行时用于执行一种云服务器软件老化预测方法,该方法包括:
获取云服务器在待预测时间段内的性能指标序列数据;
对所述性能指标序列数据进行多维经验模态分解,得到多个本征模态函数IMF分量;
通过预先训练好的软件老化预测模型对各IMF分量进行预测,得到各IMF分量对应的预测结果;其中,所述软件老化预测模型基于引力粒子群算法优化得到,所述引力粒子群算法基于引力搜索算法和粒子群优化算法融合后得到的;
将各预测结果进行重构得到目标预测结果。
当然,本发明实施例所提供的一种包含计算机可执行指令的存储介质,其计算机可执行指令不限于如上所述的方法操作,还可以执行本发明任意实施例所提供的云服务器软件老化预测方法中的相关操作。
上述实施例中提供的云服务器软件老化预测装置、设备以及存储介质可执行本发明任意实施例所提供的云服务器软件老化预测方法,具备执行该方法相应的功能模块和有益效果。未在上述实施例中详尽描述的技术细节,可参见本发明任意实施例所提供的云服务器软件老化预测方法。
通过以上关于实施方式的描述,所属领域的技术人员可以清楚地了解到,本发明可借助软件及必需的通用硬件来实现,当然也可以通过硬件实现,但很多情况下前者是更佳的实施方式。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来,该计算机软件产品可以存储在计算机可读存储介质中,如计算机的软盘、只读存储器(Read-Only Memory,ROM)、随机存取存储器(RandomAccess Memory,RAM)、闪存(FLASH)、硬盘或光盘等,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行本发明各个实施例所述的方法。
值得注意的是,上述搜索装置的实施例中,所包括的各个单元和模块只是按照功能逻辑进行划分的,但并不局限于上述的划分,只要能够实现相应的功能即可;另外,各功能单元的具体名称也只是为了便于相互区分,并不用于限制本发明的保护范围。
注意,上述仅为本发明的较佳实施例及所运用技术原理。本领域技术人员会理解,本发明不限于这里所述的特定实施例,对本领域技术人员来说能够进行各种明显的变化、重新调整和替代而不会脱离本发明的保护范围。因此,虽然通过以上实施例对本发明进行了较为详细的说明,但是本发明不仅仅限于以上实施例,在不脱离本发明构思的情况下,还可以包括更多其他等效实施例,而本发明的范围由所附的权利要求范围决定。
Claims (10)
1.一种云服务器软件老化预测方法,其特征在于,包括:
获取云服务器在待预测时间段内的性能指标序列数据;
对所述性能指标序列数据进行多维经验模态分解,得到多个本征模态函数IMF分量;
通过预先训练好的软件老化预测模型对各IMF分量进行预测,得到各IMF分量对应的预测结果;其中,所述软件老化预测模型基于引力粒子群算法优化得到,所述引力粒子群算法基于引力搜索算法和粒子群优化算法融合后得到的;
将各预测结果进行重构得到目标预测结果。
2.根据权利要求1所述的方法,其特征在于,在所述获取云服务器在待预测时间段内的性能指标序列数据之前,还包括:
获取云服务器的历史性能指标序列数据,得到样本数据集;
基于反向传播BP神经网络,构建软件老化预测模型;
根据所述样本数据集和引力粒子群算法,对所述软件老化预测模型进行训练。
3.根据权利要求2所述的方法,其特征在于,所述根据所述样本数据集和引力粒子群算法,对所述软件老化预测模型进行训练,包括:
根据所述样本数据集,对所述软件老化预测模型进行训练,得到所述软件老化预测模型的初始模型参数;
根据所述引力粒子群算法对所述初始模型参数进行优化,得到所述软件老化预测模型的目标模型参数。
4.根据权利要求3所述的方法,其特征在于,所述根据所述引力粒子群算法对所述初始模型参数进行优化,得到所述软件老化预测模型的目标模型参数,包括:
建立适应度函数,并基于所述初始模型参数初始化引力粒子群信息;
基于所述适应度函数确定每个粒子的适应度值,并基于适应度值确定每个粒子的历史最优位置和粒子群的历史全局最优位置;
根据所述历史最优位置和所述历史全局最优位置,更新每个粒子的速度和位置,并重复执行所述基于所述适应度函数确定每个粒子的适应度值的步骤,直至达到收敛条件,从而得到所述软件老化预测模型的目标模型参数。
5.根据权利要求4所述的方法,其特征在于,所述根据所述历史最优位置和所述历史全局最优位置,更新每个粒子的速度和位置,包括:
确定粒子在t时刻的引力质量和在第d维空间所受的万有引力;
基于所述万有引力和引力质量,确定所述粒子在第d维空间上的加速度;
基于所述加速度、随机生成的对角矩阵、重力加速度、惯性权重、所述粒子在t时刻的位置以及在t时刻的速度,确定所述粒子在t+1时刻的速度,并根据所述粒子在t+1时刻的速度和在t时刻的位置,确定所述粒子在t+1时刻的位置。
6.根据权利要求1至5中任一项所述的方法,其特征在于,还包括:
若所述目标预测结果达到预设告警条件,则按照预设方式输出告警信息。
7.根据权利要求1至5中任一项所述的方法,其特征在于,所述性能指标序列数据包括以下至少之一:
CPU空闲率、可用内存、平均负载和响应时间。
8.一种云服务器软件老化预测装置,其特征在于,包括:
获取模块,用于获取云服务器在待预测时间段内的性能指标序列数据;
处理模块,用于对所述性能指标序列数据进行多维经验模态分解,得到多个本征模态函数IMF分量;
所述处理模块,还用于通过预先训练好的软件老化预测模型对各IMF分量进行预测,得到各IMF分量对应的预测结果;其中,所述软件老化预测模型基于引力粒子群算法优化得到,所述引力粒子群算法基于引力搜索算法和粒子群优化算法融合后得到的;
所述处理模块,还用于将各预测结果进行重构得到目标预测结果。
9.一种计算机设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,其特征在于,所述处理器执行所述程序时实现如权利要求1-7中任一所述的云服务器软件老化预测方法。
10.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,该程序被处理器执行时实现如权利要求1-7中任一所述的云服务器软件老化预测方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211522614.7A CN115794586A (zh) | 2022-11-30 | 2022-11-30 | 云服务器软件老化预测方法、装置、设备和介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211522614.7A CN115794586A (zh) | 2022-11-30 | 2022-11-30 | 云服务器软件老化预测方法、装置、设备和介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115794586A true CN115794586A (zh) | 2023-03-14 |
Family
ID=85443959
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211522614.7A Pending CN115794586A (zh) | 2022-11-30 | 2022-11-30 | 云服务器软件老化预测方法、装置、设备和介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115794586A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117407264A (zh) * | 2023-12-13 | 2024-01-16 | 苏州元脑智能科技有限公司 | 内存老化剩余时间的预测方法、装置、计算机设备及介质 |
-
2022
- 2022-11-30 CN CN202211522614.7A patent/CN115794586A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117407264A (zh) * | 2023-12-13 | 2024-01-16 | 苏州元脑智能科技有限公司 | 内存老化剩余时间的预测方法、装置、计算机设备及介质 |
CN117407264B (zh) * | 2023-12-13 | 2024-02-23 | 苏州元脑智能科技有限公司 | 内存老化剩余时间的预测方法、装置、计算机设备及介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
JP7157154B2 (ja) | 性能予測ニューラルネットワークを使用したニューラルアーキテクチャ探索 | |
EP3711000B1 (en) | Regularized neural network architecture search | |
Tencaliec et al. | Flexible semiparametric generalized Pareto modeling of the entire range of rainfall amount | |
US11741373B2 (en) | Turbulence field update method and apparatus, and related device thereof | |
CN111027686B (zh) | 一种滑坡位移的预测方法、装置及设备 | |
US20230021555A1 (en) | Model training based on parameterized quantum circuit | |
Takikawa et al. | Real-time inference with large-scale temporal bayes nets | |
US11704570B2 (en) | Learning device, learning system, and learning method | |
CN107766573B (zh) | 基于数据处理的商品推荐方法、装置、设备和存储介质 | |
US10963802B1 (en) | Distributed decision variable tuning system for machine learning | |
US20230342606A1 (en) | Training method and apparatus for graph neural network | |
CN115358487A (zh) | 面向电力数据共享的联邦学习聚合优化系统及方法 | |
WO2023217127A1 (zh) | 一种因果关系确定方法及相关设备 | |
CN115794586A (zh) | 云服务器软件老化预测方法、装置、设备和介质 | |
CN111325254A (zh) | 构建条件关系网络、进行条件业务处理的方法及装置 | |
WO2022115656A1 (en) | Data source correlation techniques for machine learning and convolutional neural models | |
CN115238909A (zh) | 一种基于联邦学习的数据价值评估方法及其相关设备 | |
US20210166131A1 (en) | Training spectral inference neural networks using bilevel optimization | |
Shahraki et al. | Last significant trend change detection method for offline poisson distribution datasets | |
JP7306432B2 (ja) | 情報処理方法、情報処理装置及びプログラム | |
EP4106231A1 (en) | Selection of physics-specific model for determination of characteristics of radio frequency signal propagation | |
CN114566048A (zh) | 一种基于多视角自适应时空图网络的交通控制方法 | |
US20240127045A1 (en) | Optimizing algorithms for hardware devices | |
CN110348001A (zh) | 一种词向量训练方法和服务器 | |
US20240119295A1 (en) | Generalized Bags for Learning from Label Proportions |
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 |