[发明专利]虚拟机资源运行数据智能预测方法

说明书

本发明提供的一种虚拟机资源运行数据智能预测方法，包括S1：对虚拟机资源运行的数据进行预处理；S2：采用主成分分析法将对经预处理后的数据进行降维，得到样本矩阵Z；S3：将样本矩阵Z中的元素训练BP神经网络，得到BP神经网络的预测模型；S4：将所要预测数据所在日期的前3天的虚拟机资源运行的数据进行预处理后，输入预测模型，得到所要预测日期的数据值；本发明通过关联缺失和异常数据前后数据，并考虑前后数据与当前数据的趋势差异对缺失和异常数据分别进行补充和更新的预处理，然后将所要预测时刻的数据的前若干天的实际数据经预处理后输入通过预先训练好的BP神经网络，得到预测数据，预测精度高，实用性更广。

技术领域

本发明涉及云计算技术领域，具体涉及一种虚拟机资源运行数据智能预测方法。

背景技术

云计算技术能够为用户提供动态的虚拟资源池，所以虚拟化以及虚拟资源调度是云计算不可或缺的技术。国内外研究者们对虚拟资源调度策略进行了较多的研究，主要研究方向有：以提高资源利用率为目标的虚拟资源调度的研究、以均衡物理机资源利用率为目标的虚拟资源调度的研究、以降低能耗为目标的虚拟资源调度的研究。电力云平台的虚拟资源池中有上百台虚拟机，各应用系统占有不同资源且在不同时间处于不断变化状态，针对各虚拟机使用情况，没有平台进行精确、长期的统计分析，运维人员无法准确掌握资源使用情况及需求趋势。现有技术都是对资源利用率设置阈值，在算法上进行优化，而不对历史数据或实时数据预处理。

此外，电网云平台中虚拟资源可能处于不足或者剩余的状态，运维人员无法准确预测资源使用情况及需求趋势，造成资源浪费。

因此，需要提出一种新的虚拟机资源运行数据智能预测方法。

发明内容

有鉴于此，本发明的目的是提供一种虚拟机资源运行数据智能预测方法，通过关联缺失和异常数据前后数据，并考虑前后数据与当前数据的趋势差异对缺失和异常数据分别进行补充和更新的预处理，然后将所要预测时刻的数据的前若干天的实际数据经预处理后输入通过预先训练好的BP神经网络，得到所要预测时刻的预测数据，预测精度高，实用性更广。

本发明提供一种虚拟机资源运行数据智能预测方法，包括步骤：

S1：对虚拟机资源运行的数据进行预处理，具体如下：

S11：采集预设的连续时间段的虚拟机资源运行的数据；所述预设的连续时间段为4天；

S12：判断采集的连续时间段的虚拟机资源运行的数据中是否存在异常数据或缺失数据，若存在，则进入步骤S13，若不存在，则进入步骤S3；

S13：对异常数据或缺失数据进行预处理，更新连续时间段的虚拟机资源运行的数据；

S14：判断更新后的连续时间段的虚拟机资源运行的数据是否存在异常数据，若存在，返回步骤S13，若不存在则进入步骤S2；

S2：采用主成分分析法将对经预处理后的数据进行降维，得到样本矩阵Z；

S3：将样本矩阵Z中的元素训练BP神经网络，得到BP神经网络的预测模型；

S4：将所要预测数据所在日期的前3天的虚拟机资源运行的数据进行预处理后，输入预先建立的BP神经网络的预测模型，得到所要预测日期的数据值。

进一步，所述步骤S12中判断采集的连续时间段的虚拟机资源运行的数据中是否存在异常数据和步骤S14中判断更新后的连续时间段的虚拟机资源运行的数据是否存在异常数据具体为：

遍历当前连续时间段的虚拟机资源运行的数据，逐一判断(1-1)式是否成立，如成立，则存在异常数据，且t时刻虚拟机资源运行的数据为异常数据，若遍历当前连续时间段的虚拟机资源运行的数据，不存在数据使(1-1)式成立，则不存在异常数据；

所述(1-1)式为：