一種基于深度置信網的云計算負載預測方法
【技術領域】
[0001]本發明涉及云計算大數據計算、計算智能領域，特別涉及一種基于深度置信網的云計算負載預測方法。
【背景技術】
[0002]對云計算環境下的負載的預測是極為困難的。相對于網格計算和高性能計算而言，由于用戶與云平臺的交互和其上傳得云任務類型在時間和空間上高度變化，使得云負載表現出高度的非線性性質，從而導致傳統的線性或概率模型不能表現出其在應對網格和高性能系統時的良好效果。
[0003]作為深度神經網絡的一員，深度置信網是由RBM (Restricted BoltzmannMachines)組成的多層神經網絡。一個RBM能夠獲取數據的內在模式或特征，而由多個RBM疊成的深度置信網能夠獲取特征的特征，從而建立起高度的非線性預測模型。通過采用對比散度算法對RBM進行預訓練并使用BP優化網絡結構比直接使用BP優化算法能達到更好的實驗效果。
[0004]最接近本發明的技術有:
[0005]UD.Sheng提出一種基于Bayes模型的預測算法去預測谷歌云集群主機負載。然而獲取Bayes模型的前驗信息往往很困難，這使得此模型容易產生簡單結果，從而降低預測精度。
[0006]2、S.Chen采用了分形建模技術去預測谷歌云任務的資源請求。然而，采用分形建模技術對數據建模的前提條件是數據具有自相似性。這樣，一個好的預測結果就要求云屬性具有自相似性，這也使得其應用范圍受到限制。
【發明內容】
[0007]為解決現有技術的不足，本發明提出了一種基于深度置信網的云負載預測方法。
[0008]本發明的技術方案是這樣實現的:
[0009]一種基于深度置信網的云計算負載預測方法，包括以下步驟:
[0010]步驟(I)，從云集群中提取并聚合負載觀測值；
[0011]步驟(2)，對步驟(I)的觀測值進行差分變換以降低數據的線性度，歸一化數據，分析數據內部的自相關和自回歸特性；
[0012]步驟(3)，按照從下到上的順序逐層訓練RBM，并通過BP算法優化整體網絡結構；
[0013]步驟(4)，使用前一步訓練出的網絡對云屬性進行長短期預測；
[0014]步驟(5)，將步驟(4)中的預測結果進行與步驟(2)相反的逆變換，得到原數據的預測值。
[0015]可選地，本發明的基于深度置信網的云計算負載預測方法，還包括步驟(6)，將預測結果與傳統方法的預測結果進行評價，得出評價結果。
[0016]本發明的有益效果是:
[0017](I)把深度置信網對非線性數據良好的擬合特性與高度變化的云屬性相結合，預測誤差小；
[0018](2)適合長線預測。
【附圖說明】
[0019]為了更清楚地說明本發明實施例或現有技術中的技術方案，下面將對實施例或現有技術描述中所需要使用的附圖作簡單地介紹，顯而易見地，下面描述中的附圖僅僅是本發明的一些實施例，對于本領域普通技術人員來講，在不付出創造性勞動的前提下，還可以根據這些附圖獲得其他的附圖。
[0020]圖1為本發明一種基于深度置信網的云計算負載預測方法的流程圖；
[0021]圖2為本發明一種基于深度置信網的云計算負載預測方法的網絡拓撲圖。
【具體實施方式】
[0022]下面將結合本發明實施例中的附圖，對本發明實施例中的技術方案進行清楚、完整地描述，顯然，所描述的實施例僅僅是本發明一部分實施例，而不是全部的實施例。基于本發明中的實施例，本領域普通技術人員在沒有做出創造性勞動前提下所獲得的所有其他實施例，都屬于本發明保護的范圍。
[0023]圖1所示為基于深度置信網的云負載預測方法的系統流程圖，圖2所示為其網絡拓撲圖。
[0024]本發明基于深度置信網的云負載預測方法，其預測過程包括6個步驟:預處理步驟，預分析步驟，訓練步驟，預測步驟，后處理步驟，評價步驟。
[0025]下面結合圖1與圖2，對基于深度置信網的云負載預測方法的具體流程進行詳細說明:
[0026]步驟(I)，預處理:從云集群中提取并聚合負載觀測值。
[0027]步驟(2)，預分析:對前一步驟的觀測值進行差分變換以降低數據的線性度，歸一化數據，分析數據內部的自相關和自回歸特性。
[0028]步驟(3)，訓練:按照從下到上的順序逐層訓練RBM，并通過BP算法優化整體網絡結構。
[0029]步驟(4)，預測:使用前一步訓練出的網絡對云負載進行長短期預測。
[0030]步驟(5)，將步驟(4)預測的結果進行與步驟(2)相反的逆變換，得到原數據的預測值。
[0031]進行完上述步驟之后，本發明基于深度置信網的云負載預測方法還可以包括步驟
(6)，即評價步驟，將預測結果與傳統方法的預測結果進行評價，得出評價結果。
[0032]本發明基于深度置信網的云負載預測方法，通過RMI協議從每個云節點中收集屬性觀測值，并送至屬性處理中心；而且，實現了基于深度置信網的預測組件，通過提前訓練歷史數據對將來一段時間內的云負載進行估計。
[0033]本發明基于深度置信網的云負載預測方法，能夠為云平臺的資源調度提供可靠依據，具有預測誤差小、適合長線預測等優點，在充分利用DBN對復雜非線性數據強建模能力的前提下，實時讀取云負載觀測值，計算未來某時間段最可能的資源消耗估計，達到云資源高效調度和使用。
[0034]以上所述僅為本發明的較佳實施例而已，并不用以限制本發明，凡在本發明的精神和原則之內，所作的任何修改、等同替換、改進等，均應包含在本發明的保護范圍之內。
【主權項】
1.一種基于深度置信網的云計算負載預測方法，其特征在于，包括以下步驟: 步驟(I)，從云集群中提取并聚合負載觀測值； 步驟(2)，對步驟(I)的觀測值進行差分變換以降低數據的線性度，歸一化數據，分析數據內部的自相關和自回歸特性； 步驟(3)，按照從下到上的順序逐層訓練RBM，并通過BP算法優化整體網絡結構； 步驟(4)，使用前一步訓練出的網絡對云屬性進行長短期預測； 步驟(5)，將步驟(4)中的預測結果進行與步驟(2)相反的逆變換，得到原數據的預測值。2.如權利要求1所述的基于深度置信網的云計算負載預測方法，其特征在于，還包括步驟(6)，將預測結果與傳統方法的預測結果進行評價，得出評價結果。
【專利摘要】本發明提出了一種基于深度置信網的云計算負載預測方法，包括以下步驟：步驟(1)，從云集群中提取并聚合負載觀測值；步驟(2)，對步驟(1)的觀測值進行差分變換以降低數據的線性度，歸一化數據，分析數據內部的自相關和自回歸特性；步驟(3)，按照從下到上的順序逐層訓練RBM，并通過BP算法優化整體網絡結構；步驟(4)，使用前一步訓練出的網絡對云屬性進行長短期預測；步驟(5)，將步驟(4)中的預測結果進行與步驟(2)相反的逆變換，得到原數據的預測值。本發明基于深度置信網的云負載預測方法，能夠為云平臺的資源調度提供可靠依據，具有預測誤差小、適合長線預測等優點，達到云資源高效調度和使用。
【IPC分類】H04L29/08, H04L12/24
【公開號】CN104954185
【申請號】CN201510330961
【發明人】張衛山, 段鵬程, 宮文娟, 盧清華, 李忠偉
【申請人】中國石油大學(華東)
【公開日】2015年9月30日
【申請日】2015年6月9日