[发明专利]虚拟机的功耗预测模型训练方法、功耗预测方法及装置

权利要求书

1.一种虚拟机的功耗预测模型训练方法，其特征在于，所述虚拟机配置在公有云的物理机上，所述方法包括：

获取所述虚拟机的第一配置数据与第一负载动态数据，以及所述物理机的第一测量功耗数据；

根据所述虚拟机的负载类型构建对应神经网络结构的功耗预测模型，并将所述第一配置数据与所述第一负载动态数据作为功耗预测模型的输入，基于所述第一测量功耗数据进行监督训练，获得所述虚拟机的功耗预测模型。

2.根据权利要求1所述的方法，其特征在于，所述根据所述虚拟机的负载类型构建对应神经网络结构的功耗预测模型，并将所述第一配置数据与所述第一负载动态数据作为功耗预测模型的输入，基于所述第一测量功耗数据进行监督训练，获得所述虚拟机的功耗预测模型，包括：

根据所述第一负载动态数据确定所述虚拟机的负载类型；

根据所述负载类型构建对应神经网络结构的所述功耗预测模型；

将所述第一配置数据与所述第一负载动态数据输入所述功耗预测模型，并获得所述功耗预测模型输出的第一预测功耗数据；

根据所述第一预测功耗数据与所述第一测量功耗数据对所述功耗预测模型进行监督训练。

3.根据权利要求2所述的方法，其特征在于，所述根据所述第一预测功耗数据与所述第一测量功耗数据对所述功耗预测模型进行监督训练，包括：

根据所述第一预测功耗数据确定所述物理机的总第一预测功耗数据；

在所述第一测量功耗数据与所述总第一预测功耗数据的第一差值不符合收敛条件的情况下，根据所述第一差值调整所述功耗预测模型的模型参数；

在所述第一差值符合收敛条件的情况下，确定所述功耗预测模型的模型参数。

4.根据权利要求3所述的方法，其特征在于，相同所述负载类型的所述虚拟机为两个以上，所述根据所述第一差值调整所述功耗预测模型的模型参数之后，还包括：

在所述神经网络结构对应的所述功耗预测模型间共享所述模型参数。

5.根据权利要求1所述的方法，其特征在于，所述根据所述虚拟机的负载类型构建对应神经网络结构的功耗预测模型，并将所述第一配置数据与所述第一负载动态数据作为功耗预测模型的输入，基于所述第一测量功耗数据进行监督训练，获得所述虚拟机的功耗预测模型之后，还包括：

在所述功耗预测模型运行时长达到反馈周期的情况下，采集所述虚拟机的第二配置数据与第二负载动态数据，以及所述物理机的第二测量功耗数据；

将所述第二配置数据与所述第二负载动态数据输入所述功耗预测模型中，获取所述虚拟机对应的第二预测功耗数据；

根据所述第二预测功耗数据确定所述物理机的总第二预测功耗数据；

在所述第二测量功耗数据与所述总第二预测功耗数据的第二差值符合调整条件的情况下，根据所述第二差值调整所述功耗预测模型的模型参数。

6.根据权利要求2所述的方法，其特征在于，所述根据所述第一负载动态数据确定所述虚拟机的负载类型，包括：

根据所述第一负载动态数据确定不同所述虚拟机间的相关度；

根据所述相关度确定所述虚拟机所属的所述负载类型。

7.一种虚拟机的功耗预测方法，其特征在于，所述虚拟机配置在公有云的物理机上，所述方法包括：

获取所述虚拟机的第三配置数据与第三负载动态数据；

将所述第三配置数据与所述第三负载动态数据输入所述虚拟机的功耗预测模型中，并获得所述功耗预测模型输出的第三预测功耗数据，所述功耗预测模型采用权利要求1至6任一所述的虚拟机的功耗预测模型训练方法得到。