[发明专利]一种支持不规则时间间隔的虚拟机工作负载预测方法

说明书

本发明公开了一种支持不规则时间间隔的虚拟机工作负载预测方法。对虚拟机工作负载历史数据进行预处理；构建支持不规则时间间隔数据处理的N‑LSTM模型，将预处理得到的数据输入到N‑LSTM模型中对N‑LSTM模型进行训练；得到训练好的N‑LSTM模型；对虚拟机工作负载待测数据进行预处理，将预处理得到的待测数据输入到已经训练好的N‑LSTM模型中，N‑LSTM模型输出虚拟机工作负载预测结果。本发明实现了准确使用历史数据中的时间间隔信息，设计了一个能将不规则的时间间隔与请求记录有效结合进行学习的深度学习模型，以得到最优的预测结果。

技术领域

本公开涉及云计算负载预测领域，特别是涉及一种支持不规则时间间隔的虚拟机工作负载预测方法。

背景技术

云计算通过虚拟化技术，使得应用程序可直接在虚拟机上运行，每台物理机上又可同时容纳多个虚拟机。应用程序能以独立的方式共享物理机上的资源，而在大多数情况下，虚拟机的负载几乎不影响共存的虚拟机的性能。虚拟化技术有效地增加了物理机的利用率。数据中心可以提供灵活的资源配置，以适应工作量需求。

虚拟机工作负载预测问题是云计算服务中的一个重要问题。由于物理服务器的增加需要一定时间，在物理服务器使用率达到一定阈值时，能够提前预测需增加的物理服务器数量，从而为物理服务器的部署提供时间窗口，对于云服务提供商为用户提供具有高质量的服务具有重要意义。

针对上述问题，需要利用用户申请虚拟机的历史数据，来对未来用户对虚拟机的请求做出预测。业界已经有一些对工作负载进行预测的模型和方法，目前的研究主要使用递归神经网络(Recurrent Neural Network，简称RNN)，通过深度学习预测未来用户对虚拟机的请求。

目前存在的问题是：现有模型可能存在梯度消失或不能处理不规则时间间隔等。在云数据中心中，某一时间段内的虚拟机请求量即为这段时间的虚拟机负载。时间间隔是虚拟机工作负载中的一个重要属性。其对预测情况的影响主要体现在同规格虚拟机易出现同时刻进行多次请求的情况或按照某一固定的时间间隔连续请求的情况。

发明内容

为了解决现有技术的不足，本公开提供了一种支持不规则时间间隔的虚拟机工作负载预测方法，它首先将历史负载数据进行预处理，然后使用一个能够处理时间间隔的N-LSTM模型，(Long Short-Term Memory，长短期记忆网络，简称LSTM)，结合虚拟机请求的时间间隔，以固定长度的时间段为单位对历史数据进行学习，对未来时间段内的虚拟机请求进行精准预测。

第一方面，本公开提供了一种支持不规则时间间隔的虚拟机工作负载预测方法；

一种支持不规则时间间隔的虚拟机工作负载预测方法，包括：

对虚拟机工作负载历史数据进行预处理；

构建支持不规则时间间隔数据处理的N-LSTM模型，将预处理得到的数据输入到N-LSTM模型中对N-LSTM模型进行训练；得到训练好的N-LSTM模型；

对虚拟机工作负载待测数据进行预处理，将预处理得到的待测数据输入到已经训练好的N-LSTM模型中，N-LSTM模型输出虚拟机工作负载预测结果。

在一些可能的实现方式中，对虚拟机工作负载历史数据进行预处理的具体步骤为：

虚拟机工作负载历史数据，包括若干条虚拟机工作负载数据，每一条虚拟机工作负载数据包括：虚拟机型号和虚拟机响应请求的时间；针对每个型号的虚拟机，计算每天该型号虚拟机的所有请求的平均时间间隔；得到关于每个型号虚拟机的连续T天内，每天的平均请求时间间隔序列；

数据缺失值处理：取缺失值数据所在日期的前T-1天内的平均请求时间间隔的均值作为缺失数据的取值；