[发明专利]预测主机的批量运行时长的方法、系统、装置及存储介质

权利要求书

1.一种预测主机的批量运行时长的方法，其特征在于，所述方法包括：

通过性能数据库获取所述主机批量运行时的性能数据集合，通过历史数据库获取历史批量运行时长；

根据预设的筛选规则筛选所述性能数据集合中的元素，获取关联性能数据集合；

将所述关联性能数据集合和所述历史批量运行时长投入预设的学习模型中进行训练，获取时长预测模型；

根据所述时长预测模型对主机的批量运行时长进行预测。

2.如权利要求1所述的方法，其特征在于，所述根据预设的筛选规则筛选所述性能数据集合中的元素，获取关联性能数据集合包括：

对于所述性能数据集合中的元素，分别执行以下操作：

将所述元素作为自变量，所述历史批量运行时长作为因变量，计算皮尔逊相关系数；

若所述皮尔逊相关系数大于预设的阈值，则确定所述元素为关联元素；

将筛选出的所有关联元素的集合作为所述关联性能数据集合。

3.如权利要求1所述的方法，其特征在于，所述根据预设的筛选规则筛选所述性能数据集合中的元素，获取关联性能数据集合包括：

对于所述性能数据集合中的元素，分别执行以下操作：

将所述元素作为自变量，所述历史批量运行时长作为因变量，计算皮尔逊相关系数；

若所述皮尔逊相关系数大于预设的阈值，则获取所述皮尔逊相关系数的统计量；

根据所述统计量获取对应的概率值；

判断所述概率值是否小于预设值，

若小于，则确定所述元素为关联元素；

将筛选出的所有关联元素的集合作为所述关联性能数据集合。

4.如权利要求1所述的方法，其特征在于，所述预设的学习模型为梯度提升树回归模型，模型公式如下：

F_M(X)＝y₁h₁(X)+y₂h₂(X)+…+y_ih_i(X)+…+y_Mh_M(X)；

F_M(X)＝F_M-1(X)+y_Mh_M(X)；

其中，F_M(X)为因变量，X为自变量，h_i(X)为基本算法，y_i为权重，M为所述基本算法的个数。

5.如权利要求4所述的方法，其特征在于，

所述h_i(X)为决策树算法。

6.如权利要求4所述的方法，其特征在于，所述将所述关联性能数据集合和所述历史批量运行时长投入预设的学习模型中进行训练包括：

将所述关联性能数据集合作为自变量，所述历史批量运行时长作为因变量，投入所述梯度提升树回归模型进行训练。

7.如权利要求6所述的方法，其特征在于，所述将所述关联性能数据集合和所述历史批量运行时长投入预设的学习模型中进行训练还包括：

通过损失函数对所述梯度提升树回归模型进行修正。

8.一种预测主机的批量运行时长的系统，其特征在于，所述系统包括：

数据获取模块，用于通过性能数据库获取所述主机批量运行时的性能数据集合，通过历史数据库获取历史批量运行时长；

数据筛选模块，用于根据预设的筛选规则筛选所述性能数据集合中的元素，获取关联性能数据集合；

模型训练模块，用于将所述关联性能数据集合和所述历史批量运行时长投入预设的学习模型中进行训练，获取时长预测模型；

预测模块，用于根据所述时长预测模型对主机的批量运行时长进行预测。