[发明专利]一种云服务器集群负载预测方法、系统、终端以及存储介质

权利要求书

1.一种云服务器集群负载预测方法，其特征在于，包括：

获取云数据中心的云服务器集群任务负载数据；

利用S-MTF算法将所述任务负载数据由多变量时间序列转化为有监督学习序列；

将所述转化后的任务负载数据输入训练好的基于卷积-门控循环单元的esDNN模型，通过所述esDNN网络模型对所述云数据中心在未来预设时间内的负载状态进行预测。

2.根据权利要求1所述的云服务器集群负载预测方法，其特征在于，所述获取的任务负载数据包括时间戳、机器编号、CPU利用率以及内存占用大小。

3.根据权利要求2所述的云服务器集群负载预测方法，其特征在于，所述获取云数据中心的云服务器集群任务负载数据之后还包括：

对所述任务负载数据进行数据清洗与数据归一化；

所述数据清洗具体为：删除所述任务负载数据中包含空数据的冗余项，然后，按照时间序列对所述任务负载数据进行分类，利用分组函数计算出具有相同时间戳的每个参数的平均值；

所述数据归一化具体为：使用MinMaxScaler对每个数据进行变换，将每个数据缩放为介于0与1之间的小数，MinMaxScaler操作公式为：

X_scaled＝X_std*(X_max-X_min)+X_min

上式中，X代表待处理数据的集合，X_std代表将集合X的值转化为标准化值的中间值，X_min和X_max分别为集合中的最小和最大数据，X_scaled为最终归一化处理后的数据。

4.根据权利要求1所述的云服务器集群负载预测方法，其特征在于，所述利用S-MTF算法将所述任务负载数据由多变量时间序列转化为有监督学习序列具体为：

首先，同时获取当前时刻t的时间序列数据E(t)、上一时刻的时间序列数据E(t-1)以及下一时刻的时间序列数据E(t+1)；

然后，分别将E(t)与E(t-1)和E(t+1)进行重组，得到转化中间过程中的时间序列重组数据L(i-1)，C(i)与F(i+1)；

最后，将L(i-1)，C(i)与F(i+1)三个数据进行拼接，分别得到当前时刻、上一时刻以及下一时刻对应的有监督学习序列S(n)，S(n-1)与S(n+1)。

5.根据权利要求1至4任一项所述的云服务器集群负载预测方法，其特征在于，所述esDNN模型的第一层为1D CNN模型，所述1D CNN模型包括输入层、卷积层、池化层、非线性层和全连接层；所述esDNN模型的第二层为GRU层；所述GRU包括更新门、重置门、候选隐藏层以及输出门，各门控单元计算公式为：

z_t＝σ(W_z·[h_t-1，x_t])

r_t＝σ(W_r·[h_t-1，x_t])

y′_t＝tanh(W·[r_t*h_t-1，x_t])

y_t＝(1-z_t)*h_t-1+z_t*y′_t

上式中，z_t为更新门，r_t为重置门，yt为候选隐藏层，y_t为输出门；σ代表激活函数，W、W_z、W_h分别为在GRU单元内传播的矩阵；h_t代表当前GRU单元的输出值，h_t-1代表上一个GRU单元的输出值；x_t代表当前时刻传出的待预测值，矩阵W由x_t转化而成。