[发明专利]基于移动平均和神经网络的虚拟机负载预测方法及系统

权利要求书

1.基于移动平均和神经网络的虚拟机负载预测方法，其特征在于，包括步骤：

S1、采集待预测时段的分时段历史负载数据以及待预测时段之前的连续负载数据；

S2、获取待预测时段的分时段历史负载数据，并使用二次移动平均法对虚拟机的负载惯性进行预测计算后，预测获得下一时段的第一负载惯性预测值；

S31、获取待预测时段之前的若干个连续时段的负载峰值序列，并获取第一负载惯性预测值；

S32、构造RBF神经网络，并将负载峰值序列和第一负载惯性预测值作为RBF神经网络的输入序列；

S33、采用RBF神经网络进行计算后，获得第二负载惯性预测值；

S4、将第二负载惯性预测值作为最终的虚拟机负载惯性预测值并输出；

所述RBF神经网络是隐层激活函数为径向基函数的一种特殊神经网络，所述径向基函数的公式如下：

其中，r表示到某一固定点的距离，σ为径向基函数的扩展常数。

2.根据权利要求1所述的基于移动平均和神经网络的虚拟机负载预测方法，其特征在于，所述步骤S1，具体包括：

S11、获得待预测时段的时间信息后，从虚拟机的历史负载数据中，采集过去若干天在该时段的负载峰值数据作为分时段历史负载数据；

S12、采集待预测时段之前的若干个连续时段的负载峰值数据作为连续负载数据。

3.根据权利要求1所述的基于移动平均和神经网络的虚拟机负载预测方法，其特征在于，所述步骤S2，具体包括：

S21、获取待预测时段的分时段历史负载数据；

S22、根据该分时段历史负载数据，使用二次移动平均法对虚拟机的负载惯性进行预测计算；

S23、将预测计算结果作为下一时段的第一负载惯性预测值。

4.根据权利要求3所述的基于移动平均和神经网络的虚拟机负载预测方法，其特征在于，所述步骤S22，其具体为：

根据该分时段历史负载数据，根据下式，使用二次移动平均法对虚拟机的负载惯性进行预测计算：

上式中，x_t、x_t-1、…x_t-(n-1)依次表示过去若干天在待预测时段的负载峰值数据，t表示周期，n表示步长，表示周期t内的一次移动平均值，表示周期t内的二次移动平均值，且预测计算过程的线性趋势预测模型如下：

其中，表示趋势预测值，a_t表示截距的估计值，b_t表示斜率的估计值，T表示系数。

5.基于移动平均和神经网络的虚拟机负载预测系统，其特征在于，包括：

采集模块，用于采集待预测时段的分时段历史负载数据以及待预测时段之前的连续负载数据；

负载水平惯性预测模块，用于获取待预测时段的分时段历史负载数据，并使用二次移动平均法对虚拟机的负载惯性进行预测计算后，预测获得下一时段的第一负载惯性预测值；

连续数据获取子模块，用于获取待预测时段之前的若干个连续时段的负载峰值序列，并获取第一负载惯性预测值；

神经网络构造子模块，用于构造RBF神经网络，并将负载峰值序列和第一负载惯性预测值作为RBF神经网络的输入序列；

神经网络计算子模块，用于采用RBF神经网络进行计算后，获得第二负载惯性预测值；

结果输出模块，用于将第二负载惯性预测值作为最终的虚拟机负载惯性预测值并输出；

所述RBF神经网络是隐层激活函数为径向基函数的一种特殊神经网络，所述径向基函数的公式如下：

其中，r表示到某一固定点的距离，σ为径向基函数的扩展常数。

6.根据权利要求5所述的基于移动平均和神经网络的虚拟机负载预测系统，其特征在于，所述采集模块，具体包括：

第一采集子模块，用于获得待预测时段的时间信息后，从虚拟机的历史负载数据中，采集过去若干天在该时段的负载峰值数据作为分时段历史负载数据；

第二采集子模块，用于采集待预测时段之前的若干个连续时段的负载峰值数据作为连续负载数据。