[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

说明书

本发明公开了基于移动平均和神经网络的虚拟机负载预测方法及系统，该方法包括：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；S3、获取待预测时段之前的连续负载数据，结合第一负载惯性预测值，采用RBF神经网络预测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。本发明可降低连续负载预测的滞后性，改善负载预测的及时性，提高预测准确度，而且对异常情况的适应灵活度强，可广泛应用于虚拟机的负载预测领域中。

技术领域

本发明涉及数据处理领域，特别是涉及基于移动平均和神经网络的虚拟机负载预测方法和系统。

背景技术

名词解释：

基础设施即服务：英文缩写IaaS，将虚拟机、存储空间、数据库等基础设施作为服务，以虚拟机的形式，提供给用户使用；

虚拟机：指通过软件模拟的具有完整硬件系统功能的、运行在一个完全隔离环境中的完整计算机系统；

负载：某一时刻虚拟机的内存使用量、或CPU使用量、或网络带宽使用量等；

二次移动平均法：将观察期的数据由远而近按一定跨越期进行一次移动平均，然后在一次平均值的基础上进行第二次移动平均计算，得到最终的预测值；

RBF神经网络：使用径向基函数作为隐层节点激活函数的一种神经网络，具有训练时间短、数学解释性好、能够逼近任意函数的特点。

基础设施即服务(IaaS)云中，为了使IaaS云在节省能源消耗的情况下始终保持理想的运行状态，IaaS云平台需要根据实际运行情况，自动自发地调整虚拟机部署，自发进行虚拟机调度。对于云平台未来运行负载情况的预测，能够为虚拟机调度提供有力的量化依据，为虚拟机调度提供更高的能动性和灵活性。因此对未来一段时间内的云环境虚拟机负载情况进行预测，具有其必要性。

现有技术采用的虚拟机负载预测方法，多为根据待预测时刻前若干个时刻的连续负载情况，构造时间序列，并采用一定的数学计算方法(如指数平滑法、模板匹配等方法)，计算待预测时刻的负载预测情况。然而，云环境下的负载存在突然变化的情况，即它的变化不是缓步平滑上升或下降的；但是在私有IaaS环境下，虚拟机的负载又具有一定的周期规律性，在某一具体时刻具有偏高或偏低的负载水平惯性。现有技术忽略了每个具体时刻的负载水平惯性，使得预测模块不能及时的预知待预测时刻的突变可能，导致预测具有一定的滞后性。另外，如果只采用分时段的预测方式，对于某一异常日，预测方法不能获知当天的异常状况，依旧根据原本的规律进行预测计算，得到的预测结果会因为脱离了当日实际的虚拟机运行情况，导致较严重的过高或过低预测，导致资源严重浪费，或者由于预测不足导致云平台动荡。

总的来说，目前的虚拟机负载预测方法存在一定的滞后性，及时性差，而且预测准确度、灵活度较低。

发明内容

为了解决上述的技术问题，本发明的目的是提供基于移动平均和神经网络的虚拟机负载预测方法，本发明的另一目的是提供基于移动平均和神经网络的虚拟机负载预测系统。

本发明解决其技术问题所采用的技术方案是：

基于移动平均和神经网络的虚拟机负载预测方法，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；

S3、获取待预测时段之前的连续负载数据，结合第一负载惯性预测值，采用RBF神经网络预测获得第二负载惯性预测值；