[发明专利]一种基于粒子群优化神经网络的服务器性能预测方法

说明书

技术领域

本发明涉及一种服务器性能预测方法，尤其涉及一种适用于云计算的基于粒子群优化神经网络的服务器性能预测方法，属于计算机性能管理技术领域。

背景技术

随着云平台规模日益庞大，如何提高云环境中服务器的资源利用率，成为云管理的一个重要问题。在资源调度中为了能够及时调整资源的增加和释放、避免过度频繁的资源调度，就需要对云平台中服务器的性能进行预测。在性能预测中必须满足两方面要求：一方面，性能预测准确率要高，否则会对云平台资源调度造成重大影响，甚至导致云平台瘫痪。另一方面，由于云平台中软件系统相互共享资源，服务器系统使用资源的模式和规模是不确定的、不可控的，云平台中服务器的性能常常在短期内会出现抖动，为了避免过度频繁的资源调度，因此资源预测模型在长期预测中也要有好的性能。

目前，云平台的服务器性能预测的研究较少，Huang等提出了一种基于二次指数平滑预测方法，该方法通过改进最小传统最小二乘算法来优化指数平滑预测算法，该算法可以有效提高指数平滑算法的预测效率。Ishak等提出一种基于移动平均的预测模型来预测服务器性能的发展趋势。传统预测模型要求序列必须有明显线性特征，历史数据在某条斜线上下小幅度地变化，并且要求历史数据较多，否则预测值的准确性低。由于云平台中服务器性能变化是非线性的、随机的，传统的预测方法往往不能很好地捕捉服务器性能的波动。因此，Heath等提出一种基于M/M/1排队模型预测的方法，该方法主要是通过排队模型来预测服务器的负载，然而这种预测方法在服务器负载增加迅速的情况下，预测值与实际值偏离较大。Shi等提出了一种基于马尔科夫链的预测方法，用统计学方法计算出每种状态的转移概率，通过前一时刻的状态来预测下一刻时刻的状态，能够快速进行预测。然而由于马尔科夫链方法需要事先对资源性能数据进行大量统计，建立转移矩阵比较困难。Zhang等提出了基于卡尔曼滤波的预测模型，该方法采用信号与噪声的状态空间模型，以最小均方误差的准则，根据前一时刻的估计值和当前的观测值更新状态变量的估计，求得当前估计值，能够适合于实时处理和计算机运算。Mao等提出了一种基于灰色预测的预测模型，该模型对原始数据进行生成处理来寻找系统变动的规律，生成有较强规律性的数据序列，然后建立相应的微分方程模型，从而预测事物未来发展趋势的状况，该预测模型不必考虑数据的分布规律，所需要的历史数据少，预测方法简单且易实现，短期预测精度比较高，长期预测却不准确。然而，这些预测模型由于不能很好地逼近非线性变化趋势，虽然在短期预测中精度表现良好，但是在长期预测中却不够准确。

人工神经网络（Artificial Neural Networks，简写为ANNs）也简称为神经网络（NNs）或称作连接模型（Connection Model），它是一种模范动物神经网络行为特征，进行分布式并行信息处理的算法数学模型。这种网络依靠系统的复杂程度，通过调整内部大量节点之间相互连接的关系，从而达到处理信息的目的。随着技术发展，神经网络已被广泛应用于信号处理、模式识别、优化控制等诸多领域。

神经网络的学习（训练）过程是一个迭代过程，也就是网络连接权值和阈值不断修正的过程。而粒子群优化算法（Particle Swarm Optimizimation，简称PSO）由于具有良好的全局寻优能力，通过参数调整还可具有较强的局部寻优能力，所需参数较少，编程处理简单易行等优点，已越来越多地被用于神经网络的优化。利用粒子群优化神经网络的基本原理是用粒子群中的每个个体包含神经网络的所有连接权值和阈值（即粒子编码），每个个体通过适应度函数计算其适应度值，以适应度最大的原则迭代寻找新的最优粒子，最优粒子所包含的连接权值和阈值即为最优解，将其赋予神经网络，再通过优化后的神经网络执行模式识别、预测等工作。构建粒子群优化神经网络模型的基本步骤如下：

1)选定合适的神经网络结构，包括各层的神经元个数，从而确定神经网络中的连接权值和阈值的个数；

2)对神经网络连接权值和阈值进行粒子编码；

3)粒子种群初始化；

4)通过适应度函数计算出每个粒子的适应度值，确定个体极值和群体极值；

5)更新每个粒子的位置和速度，计算新粒子的适应度值，直到满足迭代终止条件，从而得到最优粒子；

6）将最优粒子所包含的连接权值和阈值赋予神经网络。