CN118296413A - 预测方法及相关设备 - Google Patents
预测方法及相关设备 Download PDFInfo
- Publication number
- CN118296413A CN118296413A CN202410344839.0A CN202410344839A CN118296413A CN 118296413 A CN118296413 A CN 118296413A CN 202410344839 A CN202410344839 A CN 202410344839A CN 118296413 A CN118296413 A CN 118296413A
- Authority
- CN
- China
- Prior art keywords
- time sequence
- sequence data
- maintenance time
- vector
- maintenance
- 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
- 238000000034 method Methods 0.000 title claims abstract description 61
- 238000012423 maintenance Methods 0.000 claims abstract description 162
- 230000002776 aggregation Effects 0.000 claims abstract description 94
- 238000004220 aggregation Methods 0.000 claims abstract description 94
- 239000013598 vector Substances 0.000 claims abstract description 84
- 238000012545 processing Methods 0.000 claims abstract description 44
- 238000000605 extraction Methods 0.000 claims abstract description 30
- 230000007246 mechanism Effects 0.000 claims description 15
- 238000010586 diagram Methods 0.000 claims description 12
- 238000005259 measurement Methods 0.000 claims description 10
- 238000011176 pooling Methods 0.000 claims description 8
- 230000009467 reduction Effects 0.000 claims description 6
- 238000004590 computer program Methods 0.000 claims description 3
- 238000012549 training Methods 0.000 abstract description 9
- 230000005540 biological transmission Effects 0.000 abstract description 6
- 238000004880 explosion Methods 0.000 abstract description 6
- 238000004891 communication Methods 0.000 description 11
- 238000004422 calculation algorithm Methods 0.000 description 6
- 230000006870 function Effects 0.000 description 6
- 238000004364 calculation method Methods 0.000 description 4
- 230000009471 action Effects 0.000 description 3
- 230000008901 benefit Effects 0.000 description 3
- 230000008859 change Effects 0.000 description 3
- 230000006872 improvement Effects 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 238000005457 optimization Methods 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 230000006978 adaptation Effects 0.000 description 2
- 230000006399 behavior Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 2
- 230000010339 dilation Effects 0.000 description 2
- 238000004821 distillation Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000003068 static effect Effects 0.000 description 2
- 239000002699 waste material Substances 0.000 description 2
- 230000004931 aggregating effect Effects 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本申请提供一种预测方法及相关设备。所述方法包括：基于获取的运维时序数据的内部数据权重对运维时序数据进行树形聚合处理，得到运维时序数据聚合树；计算运维时序数据聚合树中各向量的相关系数，并基于相关系数计算得到与运维时序数据聚合树对应的特征时序数据向量；对特征时序数据向量利用引入残差连接的信息提取网络进行预测，得到运维时序数据对应的预测结果。本申请实施例通过在主编码器中引入残差连接，确保了即使堆叠网络深度，输出层也能够直接获取到更多的输入信息，从而保持模型训练的稳定性。引入生成对抗网络，对于价值函数网络的每次迭代，基于最优传输距离更新梯度，然后剪切权重，有效地解决了长序列状态梯度爆炸的问题。
Description
技术领域
本申请涉及云平台技术领域，尤其涉及一种预测方法及相关设备。
背景技术
云原生应用管理环境通过载入海量模板的形式，为各类应用提供了运行环境。现有的任务调度方法只考虑应用放置时期各节点的运行状态，并通过当前运行状态快照进行打分，选择合适的任务放置策略。应用的节点选择和资源占用情况同样也是在启动应用时进行一次性指定，无法满足应用行为发生变化(例如某一时间业务量骤增、某一动作触发资源占用率提升)动态适应的场景。传统的调度算法通常依赖于资源的最优化理论。然而，由于云原生应用具有多样化的特性，这些算法往往难以充分考虑到云原生应用工作负载的各个方面，因此无法满足对云原生应用准确调度的需求，这将会导致平台应用资源竞抢，影响应用的运行状态。同时，不能满足弹性需求的调度算法也会造成资源冗余和浪费。
云原生应用的工作负载预测具有该场景下的挑战。首先，针对同一应用，常常具有较多维度的运维数据进行支撑。同时其运维数据为时间序列，随着时间的推移和变化，其表现特征会产生时间维度上的差异性。其次，传统的时间序列预测方法及其衍生方法多用于短时间序列，对于长时间序列的方法计算开销较大，难以准确提取长时间序列运维数据序列特征。
发明内容
有鉴于此，本申请的目的在于提出一种预测方法及相关设备。
基于上述目的，本申请提供了一种预测方法，包括：
基于获取的运维时序数据的内部数据权重对所述运维时序数据进行树形聚合处理，得到运维时序数据聚合树；
计算所述运维时序数据聚合树中各向量的相关系数，并基于所述相关系数计算得到与所述运维时序数据聚合树对应的特征时序数据向量；
对所述特征时序数据向量利用引入残差连接的信息提取网络进行预测，得到所述运维时序数据对应的预测结果。
在一种可能的实现方式中，所述基于获取的运维时序数据的内部数据权重对所述运维时序数据进行树形聚合处理，得到运维时序数据聚合树，包括：
计算所述内部数据权重；
基于所述内部数据权重计算得到不同的运维时序数据间的距离度量值；
将不同的所述运维时序数据的类型作为顶点，将所述距离度量值作为边，构建运维特征描述图；
将所述运维特征描述图中小于预设阈值的所述距离度量值所对应的边进行去除，得到所述运维时序数据聚合树。
在一种可能的实现方式中，所述内部数据权重是通过下式计算的：
其中，wi表示内部数据权重，zi表示在i时刻的运维时序数据的值，n表示运维时序数据的数量。
在一种可能的实现方式中，所述相关系数是通过下式计算的：
其中，Ri,j表示相关系数，pi表示运维时序数据聚合树中的第一向量，pj表示运维时序数据聚合树中的第二向量，m表示运维时序数据聚合树中向量的个数。
在一种可能的实现方式中，所述基于所述相关系数计算得到与所述运维时序数据聚合树对应的特征时序数据向量，包括：
对所述运维时序数据聚合树中的每个运维时序数据进行标准化处理，得到处理后的运维时序数据；
将所述处理后的运维时序数据和所述相关系数进行相乘，计算得到与所述运维时序数据聚合树对应的特征时序数据向量。
在一种可能的实现方式中，所述对所述特征时序数据向量利用引入残差连接的信息提取网络进行预测，得到所述运维时序数据对应的预测结果，包括：
将所述特征时序数据向量输入引入残差连接的信息提取网络；
在所述信息提取网络的编码器，利用自注意力机制对所述特征时序数据向量进行处理，对处理后的所述特征时序数据向量进行扩张卷积并利用池化层进行降维处理；利用所述残差连接对初次自注意力机制对所述特征时序数据向量处理的结果和末次自注意力机制处理后得到的结果进行处理，得到残差连接结果；
在所述信息提取网络的解码器，利用自注意力机制对所述特征时序数据向量进行处理，对处理后的所述特征时序数据向量进行扩张卷积并利用池化层进行降维处理，并结合所述残差连接结果对所述运维时序数据的下一时序结果进行预测，得到所述运维时序数据对应的预测结果。
在一种可能的实现方式中，所述方法还包括：
将所述预测结果和所述特征时序数据向量输入生成对抗网络；
在所述生成对抗网络，基于所述预测结果和所述特征时序数据向量对所述信息提取网络的参数进行更新。
基于同一发明构思，本申请实施例还提供了一种预测装置，包括：
聚合模块，被配置为基于获取的运维时序数据的内部数据权重对所述运维时序数据进行树形聚合处理，得到运维时序数据聚合树；
计算模块，被配置为计算所述运维时序数据聚合树中各向量的相关系数，并基于所述相关系数计算得到与所述运维时序数据聚合树对应的特征时序数据向量；
预测模块，被配置为对所述特征时序数据向量利用引入残差连接的信息提取网络进行预测，得到所述运维时序数据对应的预测结果。
基于同一发明构思，本申请实施例还提供了一种电子设备，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上述任意一项所述的预测方法。
基于同一发明构思，本申请实施例还提供了一种非暂态计算机可读存储介质，所述非暂态计算机可读存储介质存储计算机指令，所述计算机指令用于使所述计算机执行上述任一所述的预测方法。
从上面所述可以看出，本申请提供的预测方法及相关设备，基于获取的运维时序数据的内部数据权重对所述运维时序数据进行树形聚合处理，得到运维时序数据聚合树；计算所述运维时序数据聚合树中各向量的相关系数，并基于所述相关系数计算得到与所述运维时序数据聚合树对应的特征时序数据向量；对所述特征时序数据向量利用引入残差连接的信息提取网络进行预测，得到所述运维时序数据对应的预测结果。本申请实施例通过提取序列内和不同序列间的更深层次信息，根据相关系数，将统一聚合树内的多重时间序列数据生成特征时序数据。在主编码器中增加残差连接模块，修改正则卷积为扩张卷积，提取时序数据更多特征。有效确保了即使堆叠网络深度，输出层也能够直接获取到更多的输入信息，从而保持模型训练的稳定性，以增加特征的多样性，同时加速了模型的收敛速度。此外，引入生成对抗网络，对于价值函数网络的每次迭代，基于最优传输距离更新梯度，然后剪切权重，有效地解决了长序列状态梯度爆炸的问题。
附图说明
为了更清楚地说明本申请或相关技术中的技术方案，下面将对实施例或相关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申请的实施例，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附图。
图1为本申请实施例的预测方法流程示意图；
图2为本申请实施例的预测方法详细流程示意图；
图3为本申请实施例的生成运维时序数据聚合树示意图；
图4为本申请实施例的预测装置结构示意图；
图5为本申请实施例的电子设备结构示意图。
具体实施方式
为使本申请的目的、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，对本申请进一步详细说明。
需要说明的是，除非另外定义，本申请实施例使用的技术术语或者科学术语应当为本申请所属领域内具有一般技能的人士所理解的通常意义。本申请实施例中使用的“第一”、“第二”以及类似的词语并不表示任何顺序、数量或者重要性，而只是用来区分不同的组成部分。“包括”或者“包含”等类似的词语意指出现该词前面的元件或者物件涵盖出现在该词后面列举的元件或者物件及其等同，而不排除其他元件或者物件。“连接”或者“相连”等类似的词语并非限定于物理的或者机械的连接，而是可以包括电性的连接，不管是直接的还是间接的。“上”、“下”、“左”、“右”等仅用于表示相对位置关系，当被描述对象的绝对位置改变后，则该相对位置关系也可能相应地改变。
如背景技术部分所述，云原生应用管理环境通过载入海量模板的形式，为各类应用提供了运行环境。现有的任务调度方法只考虑应用放置时期各节点的运行状态，并通过当前运行状态快照进行打分，选择合适的任务放置策略。应用的节点选择和资源占用情况同样也是在启动应用时进行一次性指定，无法满足应用行为发生变化(例如某一时间业务量骤增、某一动作触发资源占用率提升)动态适应的场景。传统的调度算法通常依赖于资源的最优化理论。然而，由于云原生应用具有多样化的特性，这些算法往往难以充分考虑到云原生应用工作负载的各个方面，因此无法满足对云原生应用准确调度的需求，这将会导致平台应用资源竞抢，影响应用的运行状态。同时，不能满足弹性需求的调度算法也会造成资源冗余和浪费。
云原生应用的工作负载预测具有该场景下的挑战。首先，针对同一应用，常常具有较多维度的运维数据进行支撑。同时其运维数据为时间序列，随着时间的推移和变化，其表现特征会产生时间维度上的差异性。其次，传统的时间序列预测方法及其衍生方法多用于短时间序列，对于长时间序列的方法计算开销较大，难以准确提取长时间序列运维数据序列特征。
综合上述考虑，本申请实施例提出一种预测方法，基于获取的运维时序数据的内部数据权重对所述运维时序数据进行树形聚合处理，得到运维时序数据聚合树；计算所述运维时序数据聚合树中各向量的相关系数，并基于所述相关系数计算得到与所述运维时序数据聚合树对应的特征时序数据向量；对所述特征时序数据向量利用引入残差连接的信息提取网络进行预测，得到所述运维时序数据对应的预测结果。本申请实施例通过提取序列内和不同序列间的更深层次信息，根据相关系数，将统一聚合树内的多重时间序列数据生成特征时序数据。在主编码器中增加残差连接模块，修改正则卷积为扩张卷积，提取时序数据更多特征。有效确保了即使堆叠网络深度，输出层也能够直接获取到更多的输入信息，从而保持模型训练的稳定性，以增加特征的多样性，同时加速了模型的收敛速度。此外，引入生成对抗网络，对于价值函数网络的每次迭代，基于最优传输距离更新梯度，然后剪切权重，有效地解决了长序列状态梯度爆炸的问题。
以下，通过具体的实施例来详细说明本申请实施例的技术方案。
参考图1，本申请实施例的预测方法，包括以下步骤：
步骤S101，基于获取的运维时序数据的内部数据权重对所述运维时序数据进行树形聚合处理，得到运维时序数据聚合树；
步骤S102，计算所述运维时序数据聚合树中各向量的相关系数，并基于所述相关系数计算得到与所述运维时序数据聚合树对应的特征时序数据向量；
步骤S103，对所述特征时序数据向量利用引入残差连接的信息提取网络进行预测，得到所述运维时序数据对应的预测结果。
参考图2，为本申请实施例的预测方法详细流程示意图。
如图2中所示，首先构建运维时序数据聚合树，即图中的运维数据树形聚合部分，之后将每个运维时序数据聚合树转化为特征时序数据，进一步的，将特征时序数据输入至信息提取网络(Informer)中，利用多头稀疏概率自注意力机制对特征时序数据进行处理，之后利用扩张卷积核池化层对处理后的特征时序数据进行处理，结合残差模块进一步对初次自注意力机制对所述特征时序数据向量处理的结果和末次自注意力机制处理后得到的结果进行处理，得到残差连接结果，之后将残差连接结果引入解码器中以得到最终的预测结果并输出。与此同时，利用生成对抗网络(WGAN)基于所述预测结果和所述特征时序数据向量对所述信息提取网络的参数进行更新。
以下结合图1和图2对本申请的实施例做具体说明。
针对步骤S101，基于获取的运维时序数据的内部数据权重对所述运维时序数据进行树形聚合处理，得到运维时序数据聚合树。
在一些实施例中，所述基于获取的运维时序数据的内部数据权重对所述运维时序数据进行树形聚合处理，得到运维时序数据聚合树，包括：计算所述内部数据权重；基于所述内部数据权重计算得到不同的运维时序数据间的距离度量值；将不同的所述运维时序数据的类型作为顶点，将所述距离度量值作为边，构建运维特征描述图；将所述运维特征描述图中小于预设阈值的所述距离度量值所对应的边进行去除，得到所述运维时序数据聚合树。
在一些实施例中，所述内部数据权重是通过下式计算的：
其中，wi表示内部数据权重，zi表示在i时刻的运维时序数据的值，n表示运维时序数据的数量。
在本申请实施例中，云原生异构任务工作负载由多种时序数据(如CPU、Mem、JobArrive、Network IO、DiskIO等)描述而成，在多种类型的时序数据之间存在潜在的分层和分组相关性。因此，根据运维数据进行树形聚合，从而达到降维的目的。首先将时序运维数据内部数据权重wi用欧氏距离来进行表示，具体参考上述公式计算。
然后，表示出经过wi加权的不同运维时序数据间的距离度量：
其中，z和p代表两种不同的类型的运维时序数据，d(z,p)代表其两种不同的类型的运维时序数据间的距离度量。
参考图3，为本申请实施例的生成运维时序数据聚合树示意图。
如图3所示，进一步的，将不同的运维时序数据的类型作为图中的顶点，其边的权重为不同种类运维数据中的距离度量，生成针对某一云原生任务的运维特征描述图。在运维特征描述图的基础上，根据边的权重不同，删除掉权重较小(即相关性较小)的边(排序后去掉后20％)，将运维特征描述图生成几张独立的树形图，相关性较强的几类运维特征指标聚合为树型结构来进行表示。需要注意的是，在本申请的实施例中，权重较小的阈值设置为排序后的20％对应的值，本申请实施例给出的阈值仅为示例性的，本领域技术人员可以根据自身需求对其进行适应性设置，在本申请实施例中并不做相关限制。
针对步骤S102，计算所述运维时序数据聚合树中各向量的相关系数，并基于所述相关系数计算得到与所述运维时序数据聚合树对应的特征时序数据向量。
在一些实施例中，所述相关系数是通过下式计算的：
其中，Ri,j表示相关系数，pi表示运维时序数据聚合树中的第一向量，pj表示运维时序数据聚合树中的第二向量，m表示运维时序数据聚合树中向量的个数。
在一些实施例中，所述基于所述相关系数计算得到与所述运维时序数据聚合树对应的特征时序数据向量，包括：对所述运维时序数据聚合树中的每个运维时序数据进行标准化处理，得到处理后的运维时序数据；将所述处理后的运维时序数据和所述相关系数进行相乘，计算得到与所述运维时序数据聚合树对应的特征时序数据向量。
在本申请实施例中，为了进一步密集地获取全局上下文信息，提取序列内和不同序列间的更深层次信息，根据相关系数，将统一聚合树内的多重时间序列数据生成特征时序数据。每个运维时序数据聚合树内包含了多种相关性较高的运维时序指标数据。采用向量表示每一类时序运维数据，集合T来表示运维时序数据聚合树。
其中，t表示每一个聚合树内时序数据的种类数量，n表示运维时序数据的数量，m表示运维时序数据聚合树中向量的个数。
本申请提出了一个相关层来计算运维时序数据聚合树T内各向量之间的相关性，其中相关系数的运算方式参考上述公式。
通过计算相关系数后，可以得出聚合树内每个节点间的相关系数，即各运维指标间的相似性度量。然后对每个运维时序数据进行标准化处理，处理公式如下：
其中，表示聚合树内第t类的第i个运维时序数据，表示聚合树内第t类的最小运维时序数据，表示聚合树内第t类的最大运维时序数据。
进一步的，利用相关系数作为权重，将标准化后的数据与相关系数相乘，最终得到描述云原生应用工作负载信息的特征向量。最后，每个聚合树生成一个特征向量，多个聚合树的特征向量生成特征时序数据向量的集合。
针对步骤S103，对所述特征时序数据向量利用引入残差连接的信息提取网络进行预测，得到所述运维时序数据对应的预测结果。
在一些实施例中，所述对所述特征时序数据向量利用引入残差连接的信息提取网络进行预测，得到所述运维时序数据对应的预测结果，包括：将所述特征时序数据向量输入引入残差连接的信息提取网络；在所述信息提取网络的编码器，利用自注意力机制对所述特征时序数据向量进行处理，对处理后的所述特征时序数据向量进行扩张卷积并利用池化层进行降维处理；利用所述残差连接对初次自注意力机制对所述特征时序数据向量处理的结果和末次自注意力机制处理后得到的结果进行处理，得到残差连接结果；在所述信息提取网络的解码器，利用自注意力机制对所述特征时序数据向量进行处理，对处理后的所述特征时序数据向量进行扩张卷积并利用池化层进行降维处理，并结合所述残差连接结果对所述运维时序数据的下一时序结果进行预测，得到所述运维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：将所述预测结果和所述特征时序数据向量输入生成对抗网络；在所述生成对抗网络，基于所述预测结果和所述特征时序数据向量对所述信息提取网络的参数进行更新。
在本申请的实施例中，在信息提取网络中，增加残差连接模块，修改正则卷积为扩张卷积，提取时序数据更多特征。增加残差连接的关键方法是通过在主编码器中引入残差连接。其核心理念是引入了一种“直接映射”的方式，即每一层的输出不仅包含该层的原始信息，还包含了该层经过非线性变换后的新信息。这种设计确保了即使堆叠网络深度，输出层也能够直接获取到更多的输入信息，从而保持模型训练的稳定性。效果在于增加了特征的多样性，同时加速了模型的收敛速度。
原有Informer网络的蒸馏操作，直接将每一层多头注意力机制输出的结果进行降维，会在一定意义上丢失相应的信息和数据，因此本申请实施例将蒸馏操作中的正则卷积改进为扩张卷积并通过池化层进行降维，在降低计算量的同时进一步提升了其信息的提取效率。
在一些实施例中，通过下式表示扩张卷积的计算过程：
其中，表示扩张卷积结果，表示大小为K的卷积核，xt为t时刻的运维时序数据，ck表示卷积中的滤波器，d表示扩张系数。
进一步的，在Informer的训练过程中引入WGAN，基于最优传输距离(Wasserstein)更新梯度，解决长序列状态梯度爆炸的问题。引入WGAN，通过生成器(Generator)和价值函数网络(Critic)的模式，通过更新Critic的n次迭代，之后更新生成器。对于Critic的每次迭代，基于Wasserstein距离更新梯度，然后剪切权重，有效地解决了长序列状态梯度爆炸的问题，同时能够有效提取非周期性分量。
具体的训练过程如下所示：
首先进行初始化参数：
设置梯度惩罚系数(λ)、批量大小(m)、评论者迭代次数(ncritic)、动量值(mMADGRAD)、学习率(αt)以及初始Critic参数(w0)和初始Generator参数(θ0)。
之后是训练循环的具体步骤：
在Generator参数(θ)未收敛的情况下，执行以下步骤：
首先，Critic迭代：
对于每个Critic迭代(1到ncritic次)：
通过采样真实数据和生成器输出，获取一批真实数据和生成数据。
计算每一对真实数据和生成数据的Critic损失(LC)。
将所有批次的Critic损失取平均值，并使用MADGRAD优化器更新Critic参数(w)。
之后进行Generator更新：
采样一个生成器输出的批次。
计算生成器输出的损失(LG)。
使用MADGRAD优化器更新Generator参数(θ)，目标是最小化生成器输出的损失。
最后进行重复训练循环，直到生成器参数收敛为止。
上述的
其中为长度为T的单变量时间序列，xt为其在时间t的值。将拆分为长度为S的N个时间序列，使得数据集其中表示中的第i个时间序列，D(·)是鉴别器函数，用于评估数据的真实性。MADGRAD表示基于AdaGrad的双平均形式进行模型优化。
通过上述实施例可以看出，本申请实施例所述的预测方法，基于获取的运维时序数据的内部数据权重对所述运维时序数据进行树形聚合处理，得到运维时序数据聚合树；计算所述运维时序数据聚合树中各向量的相关系数，并基于所述相关系数计算得到与所述运维时序数据聚合树对应的特征时序数据向量；对所述特征时序数据向量利用引入残差连接的信息提取网络进行预测，得到所述运维时序数据对应的预测结果。本申请实施例通过提取序列内和不同序列间的更深层次信息，根据相关系数，将统一聚合树内的多重时间序列数据生成特征时序数据。在主编码器中增加残差连接模块，修改正则卷积为扩张卷积，提取时序数据更多特征。有效确保了即使堆叠网络深度，输出层也能够直接获取到更多的输入信息，从而保持模型训练的稳定性，以增加特征的多样性，同时加速了模型的收敛速度。此外，引入生成对抗网络，对于价值函数网络的每次迭代，基于最优传输距离更新梯度，然后剪切权重，有效地解决了长序列状态梯度爆炸的问题。
需要说明的是，本申请实施例的方法可以由单个设备执行，例如一台计算机或服务器等。本实施例的方法也可以应用于分布式场景下，由多台设备相互配合来完成。在这种分布式场景的情况下，这多台设备中的一台设备可以只执行本申请实施例的方法中的某一个或多个步骤，这多台设备相互之间会进行交互以完成所述的方法。
需要说明的是，上述对本申请的一些实施例进行了描述。其它实施例在所附权利要求书的范围内。在一些情况下，在权利要求书中记载的动作或步骤可以按照不同于上述实施例中的顺序来执行并且仍然可以实现期望的结果。另外，在附图中描绘的过程不一定要求示出的特定顺序或者连续顺序才能实现期望的结果。在某些实施方式中，多任务处理和并行处理也是可以的或者可能是有利的。
基于同一发明构思，与上述任意实施例方法相对应的，本申请还提供了一种预测装置。
参考图4，所述预测装置，包括：
聚合模块41，被配置为基于获取的运维时序数据的内部数据权重对所述运维时序数据进行树形聚合处理，得到运维时序数据聚合树；
计算模块42，被配置为计算所述运维时序数据聚合树中各向量的相关系数，并基于所述相关系数计算得到与所述运维时序数据聚合树对应的特征时序数据向量；
预测模块43，被配置为对所述特征时序数据向量利用引入残差连接的信息提取网络进行预测，得到所述运维时序数据对应的预测结果。
为了描述的方便，描述以上装置时以功能分为各种模块分别描述。当然，在实施本申请时可以把各模块的功能在同一个或多个软件和/或硬件中实现。
上述实施例的装置用于实现前述任一实施例中相应的预测方法，并且具有相应的方法实施例的有益效果，在此不再赘述。
基于同一发明构思，与上述任意实施例方法相对应的，本申请还提供了一种电子设备，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上任意一实施例所述的预测方法。
图5示出了本实施例所提供的一种更为具体的电子设备硬件结构示意图，该设备可以包括：处理器1010、存储器1020、输入/输出接口1030、通信接口1040和总线1050。其中处理器1010、存储器1020、输入/输出接口1030和通信接口1040通过总线1050实现彼此之间在设备内部的通信连接。
处理器1010可以采用通用的CPU(Central Processing Unit，中央处理器)、微处理器、应用专用集成电路(Application Specific Integrated Circuit，ASIC)、或者一个或多个集成电路等方式实现，用于执行相关程序，以实现本说明书实施例所提供的技术方案。
存储器1020可以采用ROM(Read Only Memory，只读存储器)、RAM(Random AccessMemory，随机存取存储器)、静态存储设备，动态存储设备等形式实现。存储器1020可以存储操作系统和其他应用程序，在通过软件或者固件来实现本说明书实施例所提供的技术方案时，相关的程序代码保存在存储器1020中，并由处理器1010来调用执行。
输入/输出接口1030用于连接输入/输出模块，以实现信息输入及输出。输入输出/模块可以作为组件配置在设备中(图中未示出)，也可以外接于设备以提供相应功能。其中输入设备可以包括键盘、鼠标、触摸屏、麦克风、各类传感器等，输出设备可以包括显示器、扬声器、振动器、指示灯等。
通信接口1040用于连接通信模块(图中未示出)，以实现本设备与其他设备的通信交互。其中通信模块可以通过有线方式(例如USB、网线等)实现通信，也可以通过无线方式(例如移动网络、WIFI、蓝牙等)实现通信。
总线1050包括一通路，在设备的各个组件(例如处理器1010、存储器1020、输入/输出接口1030和通信接口1040)之间传输信息。
需要说明的是，尽管上述设备仅示出了处理器1010、存储器1020、输入/输出接口1030、通信接口1040以及总线1050，但是在具体实施过程中，该设备还可以包括实现正常运行所必需的其他组件。此外，本领域的技术人员可以理解的是，上述设备中也可以仅包含实现本说明书实施例方案所必需的组件，而不必包含图中所示的全部组件。
上述实施例的电子设备用于实现前述任一实施例中相应的预测方法，并且具有相应的方法实施例的有益效果，在此不再赘述。
基于同一发明构思，与上述任意实施例方法相对应的，本申请还提供了一种非暂态计算机可读存储介质，所述非暂态计算机可读存储介质存储计算机指令，所述计算机指令用于使所述计算机执行如上任一实施例所述的预测方法。
本实施例的计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括，但不限于相变内存(PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、其他类型的随机存取存储器(RAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、快闪记忆体或其他内存技术、只读光盘只读存储器(CD-ROM)、数字多功能光盘(DVD)或其他光学存储、磁盒式磁带，磁带磁磁盘存储或其他磁性存储设备或任何其他非传输介质，可用于存储可以被计算设备访问的信息。
上述实施例的存储介质存储的计算机指令用于使所述计算机执行如上任一实施例所述的预测方法，并且具有相应的方法实施例的有益效果，在此不再赘述。
所属领域的普通技术人员应当理解：以上任何实施例的讨论仅为示例性的，并非旨在暗示本申请的范围(包括权利要求)被限于这些例子；在本申请的思路下，以上实施例或者不同实施例中的技术特征之间也可以进行组合，步骤可以以任意顺序实现，并存在如上所述的本申请实施例的不同方面的许多其它变化，为了简明它们没有在细节中提供。
另外，为简化说明和讨论，并且为了不会使本申请实施例难以理解，在所提供的附图中可以示出或可以不示出与集成电路(IC)芯片和其它部件的公知的电源/接地连接。此外，可以以框图的形式示出装置，以便避免使本申请实施例难以理解，并且这也考虑了以下事实，即关于这些框图装置的实施方式的细节是高度取决于将要实施本申请实施例的平台的(即，这些细节应当完全处于本领域技术人员的理解范围内)。在阐述了具体细节(例如，电路)以描述本申请的示例性实施例的情况下，对本领域技术人员来说显而易见的是，可以在没有这些具体细节的情况下或者这些具体细节有变化的情况下实施本申请实施例。因此，这些描述应被认为是说明性的而不是限制性的。
尽管已经结合了本申请的具体实施例对本申请进行了描述，但是根据前面的描述，这些实施例的很多替换、修改和变型对本领域普通技术人员来说将是显而易见的。例如，其它存储器架构(例如，动态RAM(DRAM))可以使用所讨论的实施例。
本申请实施例旨在涵盖落入所附权利要求的宽泛范围之内的所有这样的替换、修改和变型。因此，凡在本申请实施例的精神和原则之内，所做的任何省略、修改、等同替换、改进等，均应包含在本申请的保护范围之内。
Claims (10)
1.一种预测方法，其特征在于，包括：
基于获取的运维时序数据的内部数据权重对所述运维时序数据进行树形聚合处理，得到运维时序数据聚合树；
计算所述运维时序数据聚合树中各向量的相关系数，并基于所述相关系数计算得到与所述运维时序数据聚合树对应的特征时序数据向量；
对所述特征时序数据向量利用引入残差连接的信息提取网络进行预测，得到所述运维时序数据对应的预测结果。
2.根据权利要求1所述的方法，其特征在于，所述基于获取的运维时序数据的内部数据权重对所述运维时序数据进行树形聚合处理，得到运维时序数据聚合树，包括：
计算所述内部数据权重；
基于所述内部数据权重计算得到不同的运维时序数据间的距离度量值；
将不同的所述运维时序数据的类型作为顶点，将所述距离度量值作为边，构建运维特征描述图；
将所述运维特征描述图中小于预设阈值的所述距离度量值所对应的边进行去除，得到所述运维时序数据聚合树。
3.根据权利要求1或2所述的方法，其特征在于，所述内部数据权重是通过下式计算的：
其中，wi表示内部数据权重，zi表示在i时刻的运维时序数据的值，n表示运维时序数据的数量。
4.根据权利要求1所述的方法，其特征在于，所述相关系数是通过下式计算的：
其中，Ri,j表示相关系数，pi表示运维时序数据聚合树中的第一向量，pj表示运维时序数据聚合树中的第二向量，m表示运维时序数据聚合树中向量的个数。
5.根据权利要求1所述的方法，其特征在于，所述基于所述相关系数计算得到与所述运维时序数据聚合树对应的特征时序数据向量，包括：
对所述运维时序数据聚合树中的每个运维时序数据进行标准化处理，得到处理后的运维时序数据；
将所述处理后的运维时序数据和所述相关系数进行相乘，计算得到与所述运维时序数据聚合树对应的特征时序数据向量。
6.根据权利要求1所述的方法，其特征在于，所述对所述特征时序数据向量利用引入残差连接的信息提取网络进行预测，得到所述运维时序数据对应的预测结果，包括：
将所述特征时序数据向量输入引入残差连接的信息提取网络；
在所述信息提取网络的编码器，利用自注意力机制对所述特征时序数据向量进行处理，对处理后的所述特征时序数据向量进行扩张卷积并利用池化层进行降维处理；利用所述残差连接对初次自注意力机制对所述特征时序数据向量处理的结果和末次自注意力机制处理后得到的结果进行处理，得到残差连接结果；
在所述信息提取网络的解码器，利用自注意力机制对所述特征时序数据向量进行处理，对处理后的所述特征时序数据向量进行扩张卷积并利用池化层进行降维处理，并结合所述残差连接结果对所述运维时序数据的下一时序结果进行预测，得到所述运维时序数据对应的预测结果。
7.根据权利要求6所述的方法，其特征在于，所述方法还包括：
将所述预测结果和所述特征时序数据向量输入生成对抗网络；
在所述生成对抗网络，基于所述预测结果和所述特征时序数据向量对所述信息提取网络的参数进行更新。
8.一种预测装置，其特征在于，包括：
聚合模块，被配置为基于获取的运维时序数据的内部数据权重对所述运维时序数据进行树形聚合处理，得到运维时序数据聚合树；
计算模块，被配置为计算所述运维时序数据聚合树中各向量的相关系数，并基于所述相关系数计算得到与所述运维时序数据聚合树对应的特征时序数据向量；
预测模块，被配置为对所述特征时序数据向量利用引入残差连接的信息提取网络进行预测，得到所述运维时序数据对应的预测结果。
9.一种电子设备，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至7任意一项所述的方法。
10.一种非暂态计算机可读存储介质，所述非暂态计算机可读存储介质存储计算机指令，其特征在于，所述计算机指令用于使计算机执行权利要求1至7任一所述方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410344839.0A CN118296413A (zh) | 2024-03-25 | 2024-03-25 | 预测方法及相关设备 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410344839.0A CN118296413A (zh) | 2024-03-25 | 2024-03-25 | 预测方法及相关设备 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN118296413A true CN118296413A (zh) | 2024-07-05 |
Family
ID=91687001
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202410344839.0A Pending CN118296413A (zh) | 2024-03-25 | 2024-03-25 | 预测方法及相关设备 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN118296413A (zh) |
-
2024
- 2024-03-25 CN CN202410344839.0A patent/CN118296413A/zh active Pending
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US20180018555A1 (en) | System and method for building artificial neural network architectures | |
| JP6815708B2 (ja) | インフルエンザ予測モデルの生成方法、装置及びコンピュータ可読記憶媒体 | |
| CN112434188B (zh) | 一种异构数据库的数据集成方法、装置及存储介质 | |
| US20230229896A1 (en) | Method and computing device for determining optimal parameter | |
| CN115456167B (zh) | 轻量级模型训练方法、图像处理方法、装置及电子设备 | |
| CN115238855A (zh) | 基于图神经网络的时序知识图谱的补全方法及相关设备 | |
| Struharik | Decision tree ensemble hardware accelerators for embedded applications | |
| CN111432003A (zh) | 应用于云计算的数据推送方法、装置、电子设备及系统 | |
| CN113971224A (zh) | 图像检索系统、方法和相关设备 | |
| CN114781654A (zh) | 联邦迁移学习方法、装置、计算机设备及介质 | |
| CN117971487A (zh) | 一种高性能算子生成方法、装置、设备及存储介质 | |
| EP3745319A1 (en) | Optimization apparatus and optimization method | |
| CN110348581B (zh) | 用户特征群中用户特征寻优方法、装置、介质及电子设备 | |
| CN115469931B (zh) | 一种循环程序的指令优化方法、装置、系统、设备及介质 | |
| CN111798263A (zh) | 一种交易趋势的预测方法和装置 | |
| CN118296413A (zh) | 预测方法及相关设备 | |
| CN107944045B (zh) | 基于t分布哈希的图像检索方法及系统 | |
| CN116542366A (zh) | 风电功率预测模型的训练方法和风电功率预测方法 | |
| CN116382658A (zh) | Ai模型的编译方法、装置、计算机设备及存储介质 | |
| CN114448661B (zh) | 慢速拒绝服务攻击检测方法及相关设备 | |
| CN116205737A (zh) | 应用于金融系统的数据分析方法及云服务器 | |
| CN111552477B (zh) | 数据处理方法和装置 | |
| CN115185689A (zh) | 基于云计算节点关联的数据存储动态均衡方法及其系统 | |
| CN114330719A (zh) | 从事件的时序图中发现关联规则的方法及电子设备 | |
| CN111340182B (zh) | 一种输入特征逼近的低复杂度cnn训练方法与装置 |
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 |