[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

说明书

本申请涉及一种云服务器集群负载预测方法、系统、终端以及存储介质。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。本申请实施例解决了现有预测方法难以应对高维度、高变化性、多变量的任务负载预测，以及云服务器任务负载预测不准确、预测方法过于复杂、训练时间过长、长时间序列梯度消失等问题。

技术领域

本申请属于云计算技术领域，特别涉及一种云服务器集群负载预测方法、系统、终端以及存储介质。

背景技术

作为IT技术的重要组成部分，云计算技术同时为服务提供商和客户带来了诸多好处，被认为是IT行业的一种成功的运营模式。但是云计算也面临着许多挑战，其中之一是针对动态任务负载的资源配置效率十分低下。云服务器任务负载预测不仅能方便云服务提供商更好地处理高负载问题，提高云服务器的稳定性，还能使云服务器的使用者在使用云服务时始终保持稳定的状态，因此云服务器的任务负载预测问题已经成为了决定如何选择资源配置方案的决定性问题。

目前而言，主流的云服务器任务负载预测方法主要包括：

(1)逻辑回归预测：逻辑回归预测又称Logisitic回归预测，常被应用于单变量或多变量的时间序列预测等领域，其本质为二分类问题，可以用来表示某件事情发生的可能性。逻辑回归具有实现简单，分类时计算量非常小，速度很快，存储资源低等优点。但是当特征空间很大时，逻辑回归的预测效果并不是很好，而且在预测过程中容易发生欠拟合，准确度不高。

(2)循环神经网络(Recurrent Neural Network，RNN)：循环神经网络是神经网络中的一种，该网络在处理数据时不仅考虑了当前状态的输入，还考虑了之前的信息，所以对具有序列特性的数据十分敏感。但是，由于其自身结构的原因，常常会在训练时出现梯度消失或梯度爆炸，因此，不能处理一些过长的时间序列。

(3)长短期记忆(Long Short-Term Memory，LSTM)：长短期记忆是循环神经网络的一种变体，常常被应用于训练多变量时间序列预测模型，可以解决梯度消失与梯度爆炸以及如何更好的分析、预测时间序列等问题。但是，长短期记忆所需要的样本数据量很大，如果样本数据量不足可能会造成模型预测不准确等问题。除此之外，由与自身内部结构原因，长短期记忆训练所需要的时间非常长。

发明内容

本申请提供了一种云服务器集群负载预测方法、系统、终端以及存储介质，旨在至少在一定程度上解决现有技术中的上述技术问题之一。

为了解决上述问题，本申请提供了如下技术方案：

一种云服务器集群负载预测方法，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。

本申请实施例采取的技术方案还包括：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。

本申请实施例采取的技术方案还包括：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；