[发明专利]一种基于时间序列聚类的云计算能耗预测方法

说明书

本发明公开了一种基于时间序列聚类的云计算能耗预测方法，进行特征提取和向量化映射，应用聚类算法对子序列进行分类，产生同质簇，按簇来分别构建模型、训练和预测，基于深度学习、自编码器、GAF方法、卷积自编码器、基于输入子序列的聚类算法等方法实现挖掘能耗数据的动态特性和相关多变量之间的高阶非线性关系，降低时间复杂性，时间序列预测模型的选择有较大的灵活性，在预测的性能和精度方面有较大提升。

技术领域

本发明涉及一种云计算能耗预测方法，尤其涉及一种基于时间序列聚类的云计算能耗预测方法。

背景技术

云计算描述了一种基于互联网的IT服务增加、使用和交付模式，通常涉及通过互联网来提供动态易扩展而且经常是虚拟化的资源。云计算依赖资源的共享达成规模经济，在基础设施(如电力网)中有广泛的应用。服务提供者集成大量的资源供多个用户使用，用户可以请求更多资源，并随时调整使用量，将不需要的资源释放回整个架构。随着云计算规模的不断扩大，对计算能力的需求促进了数据中心的快速发展，与此同时数据中心的能耗也在迅速增加。数据中心中处于运行状态的服务器平均消耗峰值功率的10％-50％，而闲置的服务器消耗的功率可高达峰值功率的60％，造成了大量的电能浪费。不仅给数据中心运营商带来了高昂的成本，也对环境造成了伤害。为了克服这些问题，将功率的有效预测与工作负载调度相结合，保持负载平衡，帮助数据中心运营商进行工作流调度，优化能源利用率，降低能耗，需要对数据中心的能耗进行预测和分析。

现今已有时间序列预测的模型，如ARIMA(Autoregressive Integrated MovingAverage model)、LSTM(Long Short term Memory network)、GRU(Gated Recurrent Unit)等，直接对整体数据进行训练和预测时，不能充分考虑功耗数据的动态特性，多变量之间的高阶非线性关系未被有效发掘，能耗数据的时序复杂性较高，在处理大规模数据时，预测的性能和精度不足。

申请号CN201810845198.1公开了一种基于相空间的云计算能耗优化方法和系统，主要包括获取云计算系统中所有的节点以及节点的上下文环境信息，建立能耗模型；测量节点所有正在执行的任务的总能耗，根据该总能耗建立静态能耗相空间；采用能耗模型预测新增任务所需的能耗并建立动态能耗相空间；根据静态能耗相空间计算得到最优子相空间；预测新增任务在最优子相空间中各节点的能耗，根据静态能耗相空间和动态能耗相空间设计任务调度算法并确定新增任务的最优任务分配方案。然而对数据中心的能耗与相关节点组件之间的关系进行建模需要专业的领域知识和精确的测量工具，且一些节点的能耗不易测量。同时除了上下文环境信息，能耗还受到其他外部因素的影响，具有难以捕捉的动态规律，无法进行针对性的能耗预测。

申请号CN201911052854.3公开了一种基于GRU神经网络预测数据中心能耗效率值PUE的方法，收集数据中心能耗相关的属性数据；对收集到的属性数据进行归一化及特征选择；利用特征选择算法选出与预测值相关性最大的m个属性数据，通过构建GRU预测模型来进行能耗预测，该方法未能考虑到能耗时间序列特征多变量之间的高阶非线性关系，特征选择容易丢失变量之间所包含的隐藏信息，影响预测结果的精确性。

申请号CN201910604965.4公开了一种基于多变量灰色模型时间序列的车流量预测方法，主要包括基于数据分解的多变量时间序列融合预测模型和基于结果加权的多变量时间序列融合预测模型中进行时间序列预测，将预测值与实际值进行对比输出最终结果。通过构建两种时间序列预测模型，将两种模型的预测结果的平均值作为最终预测值。由于基于结果加权的多变量时间序列融合预测模型的构建依赖于另一个预测模型的训练结果，容易产生较大误差，且最后结果仅为两种模型预测结果的平均值，未能充分考虑两种模型之间的内在关系，无法有效保证预测的准确性和稳定性。

发明内容

发明目的：针对上述现有技术的缺陷，本发明提供一种基于时间序列聚类的云计算能耗预测方法，有效地捕捉能耗数据的动态特性，降低时序数据的复杂性，更准确地进行时间序列预测。