[发明专利]结合注意力机制的LSTM网络的移动云负载预测方法及系统

说明书

本发明公开了一种结合注意力机制的LSTM网络的移动云负载预测方法及系统，属于移动云负载预测领域。可应用于云计算虚拟机、云计算主机、云数据中心的各种负载预测。方法具体包括：对云监控系统收集到的负载特征序列进行归一化处理；采用联合特征选择方法选取与目标负载特征最相关的特征；采用在线预测的无抽取的小波变换技术分解目标负载特征序列；构建结合注意力机制的LSTM网络的移动云负载预测模型MCLPM‑LSTMN‑AM；对MCLPM‑LSTMN‑AM模型进行训练；利用训练好的MCLPM‑LSTMN‑AM模型进行移动云目标负载序列的单步及多步预测。本发明的方法预测准确率高，可以有效应用于移动云计算负载的预测。

技术领域

本发明属于移动云负载预测领域，特别涉及一种结合注意力机制的LSTM网络的移动云负载预测方法及系统。

背景技术

随着移动互联网的发展，云计算的关注热点开始向移动设备转移。移动支付、移动游戏以及虚拟现实这些日益复杂的移动设备的广泛应用给移动终端的计算和存储能力带来了极大的挑战，移动云计算技术应运而生。许多科技公司都为其移动云服务产品提供了弹性的自动伸缩功能，能够在系统运行时动态改变系统的资源分配量。在这一背景下，在云数据中心精确地进行资源管理非常重要。准确的资源管理可以通过减少开启的机器数量来促进数据中心绿色计算。现有的资源管理方案通常分为被动管理资源和主动管理资源两种。在被动管理方案下，当主机工作负载增加或减少到预设的特定阈值时，将进行资源管理或虚拟机迁移。但是，这种方案下，可能会导致因为虚拟机的供应和迁移耗时过长而无法应对工作负载突然变化所造成的违反服务水平协议(Service-Level Agreement，SLA)的问题。主动管理方案则通过识别可能的资源使用模式和所需的主要资源来预测未来时间的主机工作负载，可解决被动资源管理方案响应慢无法应对负载快速变化的问题。所以，主动方案下的负载预测可以大幅度提高云数据中心的运行效率、资源利用率，有助于实现智能资源拓展，对满足SLA具有重要意义。因此，云计算中的负载预测已成为研究的热点。

现有的负载预测算法主要分成三大类，传统的基于时间序列数据的负载统计预测模型、基于机器学习技术的负载预测模型和集成的负载预测模型。

传统的预测模型的数据规律通过对大量数据进行统计分析得到，统计预测模型有自回归模型(AR，Autoregressive model)、自回归移动平均模型(ARMA，Autoregressivemoving average model)以和差分自回归移动平均模型(ARIMA，AutoregressiveIntegrated Moving Average model)等。但不幸的是，这些模型高度依赖所收集数据的固定形式和工作人员有经验的参数调整，并且传统方法很难进行长时间预测。近年来，将机器学习技术用于解决这些问题正成为研究热点，机器学习方法作为新兴工具被用在了负载预测中，如贝叶斯方法、支持向量机算法(SVM，Support Vector Machine)、随机森林算法、神经网络等。然而由于移动云计算负载波动大，预测难度大，因此很多机器学习模型无法有效利用长期依赖关系，预测精度不高，难以针对移动云计算负载波动大、任务周期短的特点进行预测。因此，一些结合了多种预测算法的集成预测算法已经成为解决负荷预测问题的一个有效的技术途径。通过将多种预测模型相结合，往往可以得到更好的性能。

发明内容

本发明的目的在于针对上述现有技术存在的问题，提供一种结合注意力机制的LSTM网络的移动云负载预测方法，能够对移动云主机负载进行准确的单步和多步预测。

实现本发明目的的技术解决方案为：一种结合注意力机制的LSTM网络的移动云负载预测方法，所述方法包括以下步骤：

步骤1，对云监控系统收集到的负载特征序列进行归一化处理；

步骤2，采用联合特征选择方法选取与目标负载特征最相关的特征；

步骤3，采用在线预测的无抽取的小波变换技术分解目标负载特征序列；