[发明专利]一种基于宽度学习的虚拟机性能预测方法

说明书

本发明公开了一种基于宽度学习的虚拟机性能预测方法，通过建立基于宽度学习的虚拟机性能预测模型，随机产生输入到特征节点之间的输入权值矩阵、特征节点到增强节点之间的输入权值矩阵、特征节点的偏置和增强节点的偏置，再采用基于迭代式的最小二乘法求解宽度学习模型的输出权值矩阵，能够在无须人为参与的情况下实现对虚拟机性能的精确预测，能够克服现有方法中存在学习速度慢、网络训练时间长、网络难以收敛、过拟合和容易陷入局部的缺点，在一定程度上能够满足虚拟机性能预测的需要，同时为更准确地进行虚拟机性能预测提供了新思路和新途径。

技术领域

本发明属于云计算技术领域，具体涉及一种基于宽度学习的虚拟机性能预测方法。

背景技术

计算是推动信息技术能力实现按需供给、促进信息技术和数据资源充分利用的全新业态,是信息化发展的重大变革和必然趋势。虚拟化技术是云计算的关键使能技术,利用虚拟化技术将大量的物理服务器资源转换为可灵活按需分配的虚拟资源。虚拟机性能预测不仅对云计算的成本与定价至关重要,而且直接影响虚拟机调度策略的制定。

当前虚拟机性能预测方法主要包括线性预测方法与非线性预测方法。线性预测方法一般是基于统计学习理论,采用基于最小二乘的多元线性回归拟合方法,该方法的预测误差较大,不适用于多个虚拟机的非线性预测；非线性预测方法是基于机器学习理论,采用基于传统神经网络的复杂非线性预测方法,该方法存在学习速度慢、网络训练时间长、网络难以收敛、过拟合和容易陷入局部最优等问题。在多虚拟机的复杂环境下,利用基于传统神经网络的非线性预测方法预测虚拟机性能精度较低。

采用基于宽度学习模型的方法预测虚拟机性能，能够克服当前虚拟机性能预测方法中存在的主要不足。但是，现有技术中基于宽度学习模型的训练过程中采用岭回归方法，通过试凑法获取最优正则化系数的方式，求取输出权值矩阵，这种方法需要人为调整正则化系数，对于人为因素依赖性过高，从而降低了预测精度和效率。

发明内容

有鉴于此，本发明提供了一种基于宽度学习的虚拟机性能预测方法，采用基于宽度学习的虚拟机性能预测模型，通过利用基于迭代式的最小二乘法求取输出权值，从而获取全局最优解，优化网络结构，实现对虚拟机性能的精确预测，能够有效提高预测精度和效率。

本发明提供的一种基于宽度学习的虚拟机性能预测方法，具体包括如下步骤：

采用虚拟机性能特征值和基准测试程序在虚拟机上的运行时间的历史数据构建训练样本集，输出为选定时间点的基准测试程序在虚拟机上的运行时间，输入为所述选定时间点前的多个时间点的虚拟机性能特征值；

建立基于宽度学习的虚拟机性能预测模型，随机产生输入到特征节点之间的输入权值矩阵、特征节点到增强节点之间的输入权值矩阵、特征节点的偏置和增强节点的偏置，将所述训练样本集输入到建立的所述预测模型中，采用基于迭代式的最小二乘法求解所述预测模型的输出权值矩阵，完成所述预测模型的训练；

采用当前时间点前的多个时间点的虚拟机性能特征值输入到训练得到的所述预测模型中，预测当前时间点的虚拟机性能，即基准测试程序在虚拟机上的运行时间。

进一步地，所述基于迭代式的最小二乘法求解所述预测模型的输出权值矩阵包括如下步骤：

定义，L为所述预测模型中的第L个节点，L的初始值为L＝1，且1≤L≤b+d；E^N×1为所述预测模型的误差，其初始值为E^N×1＝Y^N×1，Y^N×1为所述预测模型的理想输出矩阵；其中，N表示样本个数，b表示特征节点的个数，d表示增强节点的个数；

步骤1、根据最小二乘法采用公式(1)计算第L个节点的输出权值矩阵：