[发明专利]一种基于非监督特征学习的主机负载预测方法

摘要

本发明是一种针对云计算中心主机的负载预测方法，属于云计算领域。本发明解决的问题是：针对云计算环境中主机负载的变化更加剧烈，噪声更大的问题，提出了一种将未来一段时间内的负载分割成若干连续的时间段，对这些时间段内的平均负载进行预测。本发明的主要算法的核心部分在于利用非监督的特征学习的方法对历史数据进行特征提取，将自动学习到的特征作为分类器的输入，分类器的分类结果作为预测的负载。本发明将传统的负载预测问题从回归问题转化成分类问题，通过与目前已有的一些方法相比较，本发明提出的方法能够取得更加精确的预测结果。

主权项

一种基于非监督学习的主机负载预测的方法及系统，其特征是包含以下主要步骤： 学习过程： 步骤101、数据采集。采集前n天所有主机负载的历史数据。利用主机上的CPU检测工具每隔5分钟获取CPU的负载数据。将采集到其他主机的历史数据作为Unlabeled Set(无标签数据集)，要预测的主机数据作为Labeled Set(有标签数据集)。 步骤102、非监督特征学习。将无标签数据输入到稀疏自编码网络中进行特征学习，利用自学习网络提取输入数据的高层表达。通过最小化代价函数，得到的权重系数和偏置项的值。 步骤103、利用softmax分类器学习。利用从非监督特征学习的得到的权重系数和偏置项的值可以计算训练集的输入特征，将这些特征作为softmax分类器的输入，进行训练得到softmax分类器的参数。 预测过程： 步骤201、数据采集。利用主机上的CPU检测工具每隔5分钟获取当前主机的负载数据。 步骤202、主机负载预测。将采集到的数据输入稀疏自编码网络中，自编码网络的输出作为softmax分类器的输入，最终得到的分类结果就是我们预测的负载值。