[发明专利]虚拟机承载状态的预测方法、装置、设备及介质

说明书

本申请实施例提供一种虚拟机承载状态的预测方法、装置、设备及介质。该方法包括：获取虚拟机的承载数据；根据承载数据确定虚拟机的承载状态；基于虚拟机的承载状态确定承载数据的数据类型，数据类型包括波动型、平稳型或周期型；在数据类型为波动型的情况下，利用第一训练模型计算预设时间段内的承载数据预测值；在数据类型为平稳型的情况下，利用第二训练模型计算预设时间段内的承载数据预测值；在数据类型为周期型的情况下，利用长短期记忆网络LSTM算法训练模型计算预设时间段内的承载数据预测值。根据本申请实施例，可以根据虚拟机承载数据的数据类型选择不同的训练模型来预测未来一段时间内虚拟机的承载数据值。

技术领域

本申请属于云计算平台的资源优化领域，尤其涉及一种虚拟机承载状态的预测方法、装置、设备及介质。

背景技术

随着虚拟机的规模愈加庞大，导致不同的应用系统之间的资源的使用频繁出现不均衡的情况，而现有的关于虚拟机承载状态的方法是依据大量历史数据分别设置的关于扩容或缩容的阈值，当虚拟机的负载状态值超过阈值时会给出与阈值相应的扩容建议或缩容建议，在获得建议之后也需要一段时间优化虚拟资源，无法提前对虚拟机进行相关操作，且现有方法也无法考虑到数据呈现出来的不同特征，并提前给出相对应的扩容建议或缩容建议。

因此，如何针对承载数据呈现出来的不同特征预测未来一段时间内虚拟机的承载数据是一个亟待解决的问题。

发明内容

本申请实施例提供一种虚拟机承载状态的预测方法、装置、设备及介质，能够根据虚拟机承载数据的数据类型选择不同的训练模型来预测未来一段时间内虚拟机的数据值。

第一方面，本申请实施例提供一种虚拟机承载状态的预测方法，方法包括：获取虚拟机的承载数据；根据承载数据确定虚拟机的承载状态；基于虚拟机的承载状态确定承载数据的数据类型，数据类型包括波动型、平稳型或周期型；在数据类型为波动型的情况下，利用第一训练模型计算预设时间段内的承载数据预测值；在数据类型为平稳型的情况下，利用第二训练模型计算预设时间段内的承载数据预测值；在数据类型为周期型的情况下，利用长短期记忆网络LSTM算法训练模型计算预设时间段内的承载数据预测值；其中，承载数据预测值用于确定虚拟机的承载状态。

在第一方面的一些实施例中，获取虚拟机的承载数据，包括：利用最邻近插值法补全虚拟机的历史承载数据的缺省值，获取虚拟机的承载数据。

在第一方面的一些实施例中，根据承载数据确定虚拟机的承载状态，包括；在预设范围内的承载数据大于第一阈值的情况下，确定虚拟机的承载状态为待扩容态；在预设范围内的承载数据小于第二阈值的情况下，确定虚拟机的承载状态为待缩容态；在预设范围内的承载数据存在于第一阈值和第二阈值之间的情况下，确定虚拟机的承载状态为正常态，其中，第一阈值小于第二阈值。

在第一方面的一些实施例中，基于虚拟机的承载状态确定承载数据的数据类型，包括：在虚拟机的承载状态为正常态的情况下，获取虚拟机的多个承载数据集合；根据多个承载数据集合中的承载数据计算多个承载数据集合的相似度；确定相似度大于第三阈值的承载数据集合的数量；在承载数据集合的数量小于第四阈值的情况下，确定承载数据集合中的承载数据的数据类型为波动型；在承载数据集合的数量大于第四阈值的情况下，判断承载数据集合的变异系数是否满足预设条件；在变异系数满足预设条件的情况下，确定承载数据集合中的承载数据的数据类型为周期型；在变异系数不满足预设条件的情况下，确定承载数据集合中的承载数据的数据类型为平稳型。