[发明专利]一种硬件事件的预测方法及系统

说明书

技术领域

本申请涉及云资源管理技术领域，特别涉及一种硬件事件的预测方法及系统。

背景技术

随着云计算的发展，虚拟化数据中心作为其计算和存储的核心在运维管理方面遇到了诸多问题和挑战，例如云资源利用率低下、能耗成本高昂等，均为云资源分配带来了困难。加之云上的负载应用实时变化，云资源的使用情况也会随之发生变化。何时需要补充资源，何时释放资源，将云资源合理地提供给云用户，成为虚拟化数据中心有待解决的关键问题。因此，预测云平台底层资源在未来一段时间内的变化，及时发现资源瓶颈，启动资源短缺警报，成为实现云资源动态分配优化的前提。

随着现代处理器结构变得日益复杂，程序员以及系统软件为了分析、优化程序以及有效地管理系统资源，都需要精确收集系统运行时的底层信息。常用的程序运行时底层信息收集手段包括插桩、软件模拟、硬件辅助设施和PMU(Performance Monitoring Unit，性能检测单元)。其中，性能计数器是性能监测单元的重要功能模块，也是核心技术所在。

性能计数器(performance counter)是用于硬件事件(hardware events)计数的一个寄存器，它们可以实时、低代价地监测并记录系统运行过程中产生的各类硬件事件信息。性能计数器的信息监测范围非常广，可以提供程序运行时处理器资源使用各方面信息，而且由于性能监测单元是硬件实现，不会对程序执行造成太大干扰，可以实现低代价的信息监测功能。

但是，性能计数器所记录到的关于各种硬件事件的信息数据晦涩难懂，开发人员难以理解和使用这些数据，甚至不使用。例如阿里的云产品(阿里云)日复一日地运行用户负载，产生了大量的硬件事件，却都没有好好将这些数据利用起来。实际上，这些硬件事件包含了许多有价值的信息。同时，由于云应用的多样性、应用请求的实时多变性等特点，硬件事件信息量呈爆炸性增长。因此，对于硬件事件的预测既要借助于专业的领域知识，更需要借助于数据挖掘的方法。

在对硬件事件时间序列预测的方法中，最常用的是ARIMA(自回归积分移动平均模型，Autoregressive Integrated Moving Average Model)算法。ARIMA模型可表示为ARIMA(p，d，q)，其中p为自回归项，q为移动平均项数，d为使得时间序列平稳时所做的差分次数。ARIMA模型首先将非平稳时间序列转化为平稳时间序列，然后将因变量仅对它的滞后值以及随机误差项的现值和滞后值进行回归。

ARIMA模型建立步骤包括：

1、对原序列进行平稳性检验(ADF检验)，若非平稳则确定其差分的阶数d。ARIMA模型是为平稳时间序列定义的，因此如果从一个非平稳的时间序列开始，首先需要做时间序列差分直到得到一个平稳时间序列。若对时间序列做d阶差分才得到一个平稳序列，那么在ARIMA(p，d，q)模型中，d表示差分的阶数。

2、反复测试确定ARIMA模型的参数p和q。通常需要反复检查平稳时间序列的(自)相关图和偏相关图来确定得到最佳的阶层p和阶数q。

3、检验。观察ARIMA模型的预测误差是否服从零均值、方差不变的正态分布，同时观察连续预测误差是否(自)相关，可利用单位根检验方法。

然而，对比传统的时间序列分析方法，ARIMA模型对时间序列的要求较高，假设较多。

发明内容

本申请提供了一种硬件事件的预测方法及系统，旨在至少在一定程度上解决现有技术中的上述技术问题之一。

为了解决上述问题，本申请提供了如下技术方案：

一种硬件事件的预测方法，包括以下步骤：

步骤a：利用性能计数器采集云环境下的多维硬件事件，根据所述多维硬件事件确定目标硬件事件；

步骤b：分析所述目标硬件事件的时间序列，通过所述目标硬件事件的时间序列构建HMM模型；

步骤c：通过所述HMM模型计算所述目标硬件事件在下一时刻的使用情况，完成对所述目标硬件事件的预测。

本申请实施例采取的技术方案还包括：所述步骤a还包括：对所述多维硬件事件进行预处理，所述预处理具体为：

步骤a1：将所述多维硬件事件进行归一化处理，所述归一化公式为：

在上述公式中，μ为多维硬件事件的均值，σ为多维硬件事件的标准差；

步骤a2：将所述多维硬件事件进行离散化处理，经过离散化处理的每一维硬件事件分别代表一种10个级别的观测状态；所述离散化公式为：

在上述公式中，表示向下取整。