[发明专利]复杂系统仿真应用的云计算资源智能分配方法与装置

权利要求书

1.一种复杂系统仿真应用的云计算资源智能分配方法，所述方法包括：

采集复杂系统仿真应用的实时运行信息；

从所述实时运行信息中抽取特征数据，得到所述复杂系统仿真应用的运行特征数据集；

将所述运行特征数据集输入训练好的预测模型，通过所述预测模型根据所述运行特征数据集进行云计算资源预测，得到所需云计算资源；

为所述复杂系统仿真应用分配与所述所需云计算资源相等的云计算资源；

生成仿真数据集，并从所述仿真数据集中抽取训练特征数据集；

评价所述训练特征数据集中各训练特征数据的特征能力；所述特征能力是利用卡方检验评价各所述训练特征数据之间的关联度， 利用信息熵评价各所述训练特征数据对预测结果的影响程度， 结合所述关联度和所述影响程度确定的；

选择所述特征能力最大的训练特征数据作为已选特征加入候选特征集，剩余的训练特征数据作为未选特征；

评价各所述未选特征的特征能力以及各所述未选特征与所述已选特征的冗余性，得到评价结果；

选择所述评价结果最优的所述未选特征作为已选特征加入候选特征集；

返回评价各所述未选特征的特征能力以及各所述未选特征与所述已选特征的冗余性的步骤，直至满足迭代要求得到最优的候选特征集为止；

利用所述候选特征集对预设的预测模型进行训练，得到训练好的预测模型。

2.根据权利要求1所述的方法，其特征在于，所述预设的预测模型包括至少一个预测子模型；所述利用所述候选特征集对预设的预测模型进行训练，得到训练好的预测模型，包括：

获取模型类别数量，生成与所述模型类别数量相等的随机数；

根据各所述随机数分别为各所述预测子模型进行模型配置，分别得到各所述预测子模型对应的基础模型；所述基础模型的总数量等于所述预测子模型的数量与所述模型类别数量的乘积；

利用所述候选特征集中的训练特征数据分别对各所述基础模型进行训练，分别得到各个训练好的基础模型；

计算各所述基础模型的精度和误差的加权值，选择所述加权值最高的基础模型作为目标模型，剩余的所述基础模型根据对应的所述加权值进行降序排序，得到非目标模型序列；其中，所述加权值的计算方式如下：

n表示样本数量，y_i 表示第i个 样本的真实值，表示第i个样本的预测值，表示模型的准确率，表示样本真实值的均值，作为基准预测模型，表示基准预测模型与基础模型的相对误差，λ表示用户对模型精度的偏好，0≤λ≤1；

将所述目标模型与所述非目标模型序列中当前排序最高的所述基础模型进行组合，得到组合模型，将所述组合模型作为候选模型；

从所述非目标模型序列中去除组成所述候选模型的基础模型，得到更新后的非目标模型序列；

将所述候选模型与更新后的所述非目标模型序列中当前排序最高的所述基础模型进行组合，得到新的组合模型，将新的所述组合模型作为候选模型；

返回从所述目标模型序列中去除组成所述候选模型的基础模型的步骤，直至更新后的非目标模型序列为空；

获取每一次组合得到的候选模型，并计算各所述候选模型的加权值；

从每一次组合得到的各所述候选模型以及所述目标模型中选择加权值最高的为最终的预测模型。

3.根据权利要求1所述的方法，其特征在于，所述生成仿真数据集，并从所述仿真数据集中抽取训练特征数据集，包括：

配置多个运行特征不同的复杂系统仿真应用，并将配置的各所述复杂系统仿真应用进行部署运行；

采集配置的各所述复杂系统仿真应用的运行信息，得到仿真数据集；

对所述仿真数据集进行异常值清理和数据标准化处理，得到标准数据集；

从所述标准数据集中抽取特征数据，得到训练特征数据集。