[发明专利]一种基于边缘计算的资源预测方法及系统

说明书

本发明提供的基于边缘计算的资源预测方法及系统，在预测对象的转换以及预处理过程，有效的避免的噪声等干扰因素，提高了预测的准确性和鲁棒性，模型的中间层设计融入尽可能多的先验信息，以保证预测值校正和资源预测模型的权重更新的有根据的进行。循环式的正向传播，反向传递，让预测值的误差逐渐减小并收敛，同时，设立相应的判断条件，以保证循环传播和传递过程的有效的进行。

技术领域

本发明涉及边缘计算领域，特别涉及一种基于边缘计算的资源预测方法及系统。

背景技术

在互联网时代下，时下应用最多流行的云计算将计算、存储等服务集中化，利用共享数据中心基础设施和规模经济来降低成本。然而在服务的过程中，数据传输的时延等问题逐渐凸显。同时，智能终端的数量呈指数型的增长，云计算已无法匹配海量数据处理，具体变现为带宽受限，高延时，安全性以及能耗。因此靠近数据源头的网络边缘建立集计算，存储和应用的开放平台能就近提供服务，其实时性、安全隐私保护、数据优化、应用智能等需求可得到进一步的提升，故边缘计算的作用域逐渐扩大。

虽然，搭配了分布式的边缘计算之后，通过智能路由等设备和技术，在不同设备之间传输数据可以有效减少网络流量，降低数据中心的负荷。但是，所建立的边缘平台主要集中局域网下的相对性能较低的计算设备，有限的可利用资源将资源的优化利用成为重要考虑的问题之一。同时，资源优化利用的前提在于对迁移任务的资源需求的准确掌握，以便于进行合理的资源分配。

任务的资源需求包含CPU的占用率、内存的需求量、存储空间、带宽等。针对某一请求任务，对其分配的资源和执行时间呈现一定规律，资源预测的目的在于找出这一对应规律，在保障用户服务质量的前提下,最小化资源供给,减少用户开销。通常情况下，首先必须得到测试样本数据，一次测试，包含服务时间及所需预测的资源使用量。其次，通过预处理，数理统计方法进行资源预测模型的抽象和对应规律挖掘。一般情况下，由于资源相互之间的复杂影响关系，很难去得到准确的数学映射关系式，神经网络的出现则很好的解决了这一难题，通过合理的参数设置即可进行数据训练，从而得到相应的训练模型。

运用神经网络或者其他机器学习方法虽然可以避免去衡量资源之间的相互影响，简化预测模型的建立。但同时，神经网络的结构设计直接关系于预测模型的预测精准度。如若设计的不合理，其预测准确度较低，严重影响平台的资源利用率，造成资源浪费。并且，网络设计的合理性取决于输入输出及中间层的相互作用，设计过程带有一定的随机性。所以预测模型的设计难度较大，复杂度高，准确度也不能得到保证。

发明内容

本发明实施例提供了一种基于边缘计算的资源预测方法及系统，旨在解决低准确率和设计过程高复杂度两方面问题，经过相应预处理过程后，转换预测参数，从而可以有效的去避免复杂度，同时，预测参数的转变也让模型的准确度得到提升。

第一方面，本发明提供一种基于边缘计算的资源预测方法，所述方法包括：

获取节点的资源状态数据作为输入进行预测得到待处理任务所需的资源预测值；

按照所述资源预测值在给定分配资源的环境下对所述待处理任务的执行时间进行预测得到预测执行时间；

根据所述预测执行时间确定时间误差并当所述时间误差符合预设条件时对所述资源预测值进行反馈以使得所述资源预测值的概率分布服从高斯分布。

作为一种可选的方案，所述资源状态数据包括CPU、RAM实时使用率、所述待处理任务类型、所述待处理任务输入参数的长度、带宽以及执行时间。

作为一种可选的方案，所述获取节点的资源状态数据作为输入进行预测得到待处理任务所需的资源预测值，包括：

采用资源消耗的均值作为预测参数；

建立一步预测模型，将所述资源状态数据作为输入进行一步预测得到待处理任务所需的资源预测值。