CN113553150B 一种云服务器集群负载预测方法、系统、终端以及存储介质 （深圳先进技术研究院）

本申请涉及一种云服务器集群负载预测方中心的云服务器集群任务负载数据；利用S-MTF算法将所述任务负载数据由多变量时间序列转数据输入训练好的基于卷积-门控循环单元的本申请实施例解决了现有预测方法难以应对高服务器任务负载预测不准确、预测方法过于复2利用S-MTF算法将所述任务负载数据由多变量时间将所述转化后的任务负载数据输入训练好的基于卷积-门控循所述利用S-MTF算法将所述任务负载数据由多变量时间序列转化为有监督学习序列具然后，分别将E(t)与E(t-1)和E(t+1)进行重所述数据归一化具体为：使用MinMaxScaler对每个数据进行变换，将4.根据权利要求1至3任一项所述的云服务器集群负载预测方法，其特征在于，所述t-1t-1tz35.根据权利要求4所述的云服务器集群负载预测6.根据权利要求5所述的云服务器集群负载预测方法，其特征在于，所述通过所述esDNN网络模型对所述云数据中心在未来预基于所述云数据中心在未来预设时间段内的负载状态变化趋势，利用自动扩7.一种利用权利要求1所述云服务器集群负载预测方法的云服务器集群负载预测系数据转化模块：用于利用S-MTF算法将所述任务负载数据由多变量时间序列转化为有监督学习序列；负载预测模块：用于将所述转化后的任务负载数据输入训练好的基于卷积-门控循环所述存储器存储有用于实现权利要求1-6任一项所述的云服务器集群负载预测方法的所述处理器用于执行所述存储器存储的所述程序指令以控制云服务器集群负行权利要求1至6任一项所述云服务器集群负4[0012]将所述转化后的任务负载数据输入训练好的基于卷积-门控循环单元的esDNN模5[0020]上式中，X代表待处理数据的集合，Xstd代表将集合X的值转化为标准化值的中间[0021]本申请实施例采取的技术方案还包括：所述利用S-MTF算法将所述任务负载数据[0022]同时获取当前时刻t的时间序列数据E(t)、上一时刻的时间序列数据E(t-1)以及])])z[0035]本申请实施例采取的技术方案还包括：所述通过所述esDNN网络模型对所述云数6[0039]数据转化模块：用于利用S-MTF算法将所述任务负载数据由多变量时间序列转化[0040]负载预测模块：用于将所述转化后的任务负载数据输入训练好的基于卷积-门控[0043]所述处理器用于执行所述存储器存储的所述程序指令以控制云服务器集群负载学习中的卷积-门控循环单元对云服务器集群任务负载状态进行准确预测，并利用自动扩7的任务负载数据包括时间戳time_stamp、机器编号machine_id、CPU利用率cpu_util_使用MinMaxScaler对每个数据进行变换，将每个数据缩放为介于0与1之间的小数。上式中，X代表待处理数据的集合，Xstd代表将集合X的值转化为标准化值的中间[0061]在本申请其他实施例中，也可采用将维度表达式改为非维度表达式的归一化方[0062]S3：利用S-MTF算法(SlidingWindowforMultivariateTimeSeriesFore-法在处理对应时间t的时间序列时，会同时获取当前时刻的时间序列数据E(t)以及相邻两8[0065]S4：将转化后的任务负载数据输入训练好的基于卷积-门控循环单元的esDNN[0066]本步骤中，esDNN模型的网络结构包括两层，第一层为CNN模型(Convolutional输入门合并成一个"更新门"的GRU，可以有效避免传统算法中(例如BPTT算法)存在的梯度z量输入。该特性使得激活函数Swish可以很容易地替换那些以单个标量作为输入的激活函9于之前至少两个时间段的平均活跃机器数与整体机器数量之比作为自动扩展机制的触发量时间序列转化为有监督学习序列，基于深度学习中的卷积-门控循环单元对云服务器集[0084]为了验证本申请实施例的可行性和有效性，通过使用来自于Alibaba的云服务器集群的任务负载数据集cluster-trace-v2018以及来自Google的云服务器集群的任务负载[0087]数据转化模块42：用于利用S-MTF算法将任务负载数据由多变量时间序列转化为[0088]负载预测模块43：用于将转化后的任务负载数据输入训练好的基于卷积-门控循[0094]对所公开的实施例的上述说明，使本领域专业技术人员能够实现或使用本申