[发明专利]基于ARIMA预测模型和灰色预测模型实现容量预测的方法

说明书

本发明公开了一种基于ARIMA预测模型和灰色预测模型实现容量预测的方法，包括如下步骤：S1：获取历史容量数据时间序列；S2：对容量历史数据进行预处理，得到样本时间序列；S3：计算容量历史数据的离散系数，根据离散系数选择预测模型；S4：通过样本时间序列建立选择的预测模型，并进行检验得到合格的预测模型；S5：获取最近一个周期的实际使用的容量数据进行预处理，得到预测数据时间序列；S6：将预测数据时间序列输入S4中获得预测结果。本发明针对不同性质的样本数据，以ARIMA预测模型和灰色预测模型相结合进行容量预测，更有针对性，适用性强；保证预测结果的准确性，给运维提供准确指导。

技术领域

本发明涉及一种容量预测方法，尤其涉及一种基于ARIMA预测模型和灰色预测模型实现容量预测的方法。

背景技术

在运维场景中，针对设备CPU使用率、内存使用率、磁盘使用率等指标的容量预测一直是一个难点。不同系统的设备所承担的业务压力不一样，且容量的用量是动态的，大部分容量指标数据离散性较大，无法准确地评估出容量使用的周期性情况。

目前运维团队只能利用监控工具，如zabbix，配置需关注指标的监控项及告警触发器，实时监控相关容量的使用情况，发生告警时，第一时间进行扩容等处理。或者人工进行预测，根据运维人员的个人经验，主观判断容量是否需要扩容。

目前的方法存在如下问题：

1.通过监控告警的方式进行容量管理，风险较大，容易影响线上业务。

2.人工预测的主观性较强，较为考验运维人员的运维能力及经验，没有保障。

ARIMA模型全称为自回归积分滑动平均模型(Autoregressive IntegratedMoving Average Model,简记ARIMA)，是由博克思(Box)和詹金斯(Jenkins)于70年代初提出一著名时间序列(Time-series Approach)预测方法，所以又称为Box-Jenkins模型、博克思-詹金斯法。其中ARIMA(p，d，q)称为差分自回归移动平均模型，AR是自回归，p为自回归项；MA为移动平均，q为移动平均项数，d为时间序列成为平稳时所做的差分次数。所谓ARIMA模型，是指将非平稳时间序列转化为平稳时间序列，然后将因变量仅对它的滞后值以及随机误差项的现值和滞后值进行回归所建立的模型。ARIMA模型根据原序列是否平稳以及回归中所含部分的不同，包括移动平均过程(MA)、自回归过程(AR)、自回归移动平均过程(ARMA)以及ARIMA过程。

灰色预测是一种对含有不确定因素的系统进行预测的方法。灰色预测通过鉴别系统因素之间发展趋势的相异程度，即进行关联分析，并对原始数据进行生成处理来寻找系统变动的规律，生成有较强规律性的数据序列，然后建立相应的微分方程模型，从而预测事物未来发展趋势的状况。其用等时距观测到的反应预测对象特征的一系列数量值构造灰色预测模型，预测未来某一时刻的特征量，或达到某一特征量的时间。

因此，提出一种基于ARIMA预测模型和灰色预测模型进行容量预测的方法是非常有必要的。

发明内容

本发明要解决的技术问题是提供一种基于ARIMA预测模型和灰色预测模型实现容量预测的方法，解决上述问题。

本发明为解决上述技术问题而采用的技术方案是提供一种基于ARIMA预测模型和灰色预测模型实现容量预测的方法，包括如下步骤：S1：获取历史容量数据时间序列；S2：对历史容量数据进行预处理，得到样本时间序列；S3：计算历史容量数据的离散系数，根据离散系数选择预测模型；S4：通过样本时间序列建立选择的预测模型，并进行检验得到合格的预测模型；S5：获取最近一个周期的实际使用的容量数据进行预处理，得到预测数据时间序列；S6：将预测数据时间序列输入步骤S4中得到合格的预测模型，获得预测结果。