[发明专利]基于霍尔特指数平滑法的状态预测模型生成方法

说明书

技术领域

本发明涉及一种基于霍尔特指数平滑法的状态预测模型生成方法。

背景技术

近年来，随着社交网络、电子商务和在线视频等新一代大规模互联网应用的普及，云计算迅猛发展。数据中心作为云计算的核心，其性能对上层云计算服务具有重要影响。然而，目前数据中心存在着电能消耗过高、资源使用率过低以及资源使用不平衡等突出问题，这些问题严重制约了云计算数据中心的性能。为改善数据中心的整体性能，利用虚拟机迁移技术对虚拟机进行动态管理，成为了数据中心管理研究领域的热点话题。

虚拟机动态管理包括三个过程：(1)主机触发迁移时机的决策；(2)迁移虚拟机的选择；(3)虚拟机放置位置的选择。其中主机触发迁移时机的决策是虚拟机动态管理的首要步骤，核心是对主机状态进行检测，如果主机处于低负载状态，则触发低负载迁移，将该主机上所有正在运行的虚拟机迁移到数据中心的其他物理主机上，并将该主机切换至休眠状态；如果主机处于过载状态，则触发过载迁移，从该主机上迁移部分虚拟机到数据中心的其他物理主机上。

目前常用的主机状态检测策略是基于滑动窗口的两级状态检测策略。

上述检测策略的基本思想是：首先进行一级检测，统计滑动窗口内的主机状态数据，当滑动窗口内超出预定阀值的状态数据达到一定比例P时，对主机的状态进行预判断，然后进入二级检测；二级检测对主机下一时刻的状态数据进行预测，只有预测的状态数据仍超出阈值时，才对一级检测预判的主机状态进行最终确认。两级状态检测策略的有效性直接依赖于状态数据预测的准确性，而目前提出的状态预测模型在主机状态数据出现趋势变化时，存在预测滞后的缺点，因此难以保证预测结果的准确性；此外，已有状态预测模型静态设定模型参数难以适应主机状态数据的动态变化，因此亟需提出更有效的状态预测模型。

发明内容

本发明的目的在于提出一种基于霍尔特指数平滑法的状态预测模型生成方法，以解决现有状态预测模型存在预测滞后的缺点，同时很好地适应主机状态数据的动态变化。

本发明为了实现上述目的，采用如下技术方案：

基于霍尔特指数平滑法的状态预测模型生成方法，包括如下步骤：

s1.基于霍尔特指数平滑法构建状态预测模型

状态预测模型相关的公式如下：

S_t＝αX_t+(1-α)(S_t-1+b_t-1) (1)

b_t＝γ(S_t-S_t-1)+(1-γ)b_t-1 (2)

其中，x_t表示主机在t时刻状态数据的监控值；

α和γ为平滑系数，反映了近期数据对预测结果的影响，α和γ取值范围均为(0,1)；

S_t-1、S_t分别表示t-1、t时刻平滑值，反映了状态数据的整体水平；

b_t-1、b_t分别表示t-1、t时刻趋势值，反映了状态数据的变化趋势；

表示主机在t+1刻的状态数据预测值；

s2.对状态预测模型平滑系数进行动态优化，得到较优的状态预测模型

以状态预测模型SSE最小化为目标，动态优化平滑系数α和γ

SSE定义如下：

其中，表示主机在t时刻的状态数据预测值；

基于Fabonacci数列在二维空间对α和γ进行搜索；Fabonacci数列满足以下定义：

F₀＝F₁＝1 (5)

F_n+1＝F_n+F_n-1 (6)

其中，n≥1，n∈N^*，N^*表示正整数；

基于Fabonacci数列对状态预测模型平滑系数α和γ优化的过程为：

建立以α轴为横轴、以γ轴为纵轴的二维空间搜索坐标系；

设定搜索空间是正方形，且第k步搜索空间S_k在α轴和γ轴上投影区间都为[a_k,b_k]，在投影区间[a_k,b_k]内利用Fabonacci数列计算坐标位置，分别用λ_k和μ_k表示，计算公式如下：