[发明专利]基于BP神经网络的系统资源预测方法及系统

说明书

本发明提供了基于BP神经网络的系统资源预测方法及系统，方法包括提取电网数据库中表征系统资源利用信息的数据集合，所述数据集合中包括多个采集数据项，每个采集数据项包括采集时间和当前采集时间下的数据值；根据所述数据集合，基于时段特征、用户特征和功能特征形成BP神经网络模型的输入数；将所述输入数据输入训练好的BP神经网络模型中，得到当前输入数据下的系统资源使用量。本发明利用机器学习方法分析预测资源需求量，对提取到的数据集合进行合理选取，使得输入数据的简洁性和与预测数据的相关性得到提高，减少了预测模型的复杂度，同时合理地指导系统中资源的分配，最终达到降本增效的目的。

技术领域

本发明涉及机器学习技术领域，尤其是基于BP神经网络的系统资源预测方法及系统。

背景技术

随着我国信息化进程的快速发展，“互联网+”概念的逐步深化，信息化系统的建设进入了持续的高发期，成为当今社会不可缺少的一部分。但是，由于系统管理人员无法预知业务系统的资源需求量，需求量预测过高会导致额外的资源分配，造成资源浪费；需求量预测不足，系统的部分资源请求得不到满足，会导致进程挂起，而对于信息化系统而言，准确的预测系统所需分配资源将是极为重要的，这将有助于确保在需要时系统可以使用足够的资源。因此，眼下的难题之一就是构建场景资源预估系统，在系统资源分配之前，对场景进行资源的预估，合理准确的分配系统资源，防止资源不足或浪费。

在传统的系统环境中，系统资源的成功预测有助于决策何时采购硬件资源以及何时进行系统更新。此外，在新兴的云环境中，对系统资源的准确预测能够改进系统的整合并提高系统的使用率。由于虚拟机不具有物理边界而具有更大的灵活性，资源预测变得尤为重要。

目前的一些结合机器学习对系统资源进行预测的专利或是结合了启发式算法，或是使用了复杂网络，但是都没有结合需要预测的值来选取数据，为凸显数据选取的重要性，因而造成预测过程过于复杂的问题。

发明内容

本发明提供了基于BP神经网络的系统资源预测方法及系统，用于解决现有预测方法未充分考虑数据选取的重要性，导致预测过程过于复杂的问题。

为实现上述目的，本发明采用下述技术方案：

本发明第一方面提供了一种基于BP神经网络的系统资源预测方法，所述方法包括以下步骤：

提取电网数据库中表征系统资源利用信息的数据集合，所述数据集合中包括多个采集数据项，每个采集数据项包括采集时间和当前采集时间下的数据值；

根据所述数据集合，基于用户特征和功能特征形成BP神经网络模型的输入数据，所述用户特征包括用户登录时间和登录系统名称，所述功能特征包括功能名称和功能登录次数；

将所述输入数据输入训练好的BP神经网络模型中，得到当前输入数据下的系统资源使用量。

进一步地，所述数据集合包括：

从用户登录记录数据库中筛选出用户登录次数和登录时间；

从功能使用技术数据库中筛选出系统功能使用记录；

从性能指标数据库中筛选出不同系统对应的资源使用量。

进一步地，所述方法在提取到数据集合后，还包括步骤：

以时间为指标，分别形成用户登录次数、系统功能使用及资源使用量的列表；

以系统名作为共同属性，将得到的列表合并，合并后的表格中包含时间维度、用户维度、功能维度和系统分配资源维度。

进一步地，所述BP神经网络模型以用户特征和功能特征作为输入，以系统资源使用量作为输出；

所述BP神经网络模型的拓扑结构包括一个输入层、两个隐藏层和一个输出层。

进一步地，所述BP神经网络模型的训练过程为：