[发明专利]一种基于注意力机制的集群资源预测方法和装置

说明书

本发明公开提供了一种基于注意力机制的集群资源预测方法和装置，采用改进的注意力机制，并将其集成到LSTM中，可以挖掘多个时间序列之间的相关性，并提出使用多个时间序列进行集群内资源需求预测的方案，有效提高了预测的准确率，能更加有效的辅助资源规划，从而提高集群的资源利用率，更有效地降低数据中心的运维成本。

技术领域

本发明涉及集群资源管理技术领域，更具体的说是涉及一种基于注意力机制的集群资源预测方法和装置。

背景技术

目前的数据中心的体量越来越大，有效地对数据中心内的集群进行资源管理可以提高硬件资源的利用率，减少运维成本，提高运维的利润。其中一个有效提高资源利用率的方法就是对集群未来的资源需求进行预测，从而提前进行资源规划，减少资源的浪费。

目前进行集群资源需求预测主要是使用集群资源的时间序列数据。而常见的时间序列预测模型有ARIMA(整合移动平均自回归模型)，VAR(向量自回归模型)，GBRT(梯度提升回归树)LSTM(长短期记忆网络)等，他们都可以直接用于集群内的资源需求预测。

但是目前集群资源预测方法存在两个主要的问题：1.这些方法主要使用单个时间序列作为特征进行预测的(如ARIMA)，几乎没有使用多个时间序列来进行资源需求预测的。预测的准确性依赖于这个时间序列的历史值是否蕴含明显的规律；2.目前虽然已有很多通用的多时间序列预测模型(如VAR)，这些模型方法没有考虑数据中心内集群的特点，特别是没有考虑集群内应用负载之间的相关性和相互干扰，上述两个问题都会导致集群资源预测结果不准确。

因此，如何提供一种集群资源预测结果准确的方法是本领域技术人员亟需解决的问题。

发明内容

有鉴于此，本发明提供了一种基于注意力机制的集群资源预测方法和装置，使用多个资源时间序列来进行未来资源需求量的预测，而且还针对集群内应用负载对资源使用的特点，采用改进的深度学习注意力机制来挖掘多个资源需求时间序列之间的相关性，能够有效提高资源预测的准确率。

为了实现上述目的，本发明采用如下技术方案：

一种基于注意力机制的集群资源预测方法，包括：

S1：将上一时刻第一隐藏层状态、与目标实例同属于一个部署单元的所有时间序列数据、与目标实例同属于一个主机单元的所有时间序列数据以及历史时刻的目标时序作为输入注意力层的输入，得到第一输入向量；

S2：将所述第一输入向量输入到LSTM编码器，得到当前第一隐藏层状态；

S3：将所述当前第一隐藏层状态和上一时刻第二隐藏层状态输入到时间相关性注意力层，得到上下文向量；

S4：将所述上下文向量、上一时刻第二隐藏层状态和历史时刻的目标时序输入到LSTM解码器，得到当前第二隐藏层状态；

S5：将所述当前第二隐藏层状态和所述上下文向量进行线性变换，得到预测值。

优选的，步骤S1具体包括：

S11：将上一时刻第一隐藏层状态以及与目标实例同属于一个部署单元的所有时间序列数据作为部署单元注意力层的输入，得到部署单元注意力层输出向量；

S12：将上一时刻第一隐藏层状态以及与目标实例同属于一个主机单元的所有时间序列数据作为主机单元注意力层的输入，得到主机单元注意力输出向量；

S13：将上一时刻第一隐藏层状态以及历史时刻的目标时序作为自相关性注意力层的输入，得到自相关性注意力层输出向量；

S14：将部署单元注意力层输出向量、主机单元注意力输出向量和自相关性注意力层输出向量合并作为第一输入向量。

优选的，步骤S11具体包括：