[发明专利]基于隐马尔可夫的云平台软件性能预测方法

权利要求书

1.基于隐马尔可夫的云平台的软件性能预测方法，其特征在于，具体按照如下步骤实施：

步骤1，从待预测云平台的各个业务模块中采集影响性能的参数，得到实验样本特征集合，然后进行预处理；

步骤2，确定初始隐马尔可夫模型λ＝(A，B，π)；

步骤3，给定观测序列，计算在步骤2确定的初始隐马尔可夫模型下的观测序列出现的概率；

步骤4，已知隐马尔可夫模型和观测序列，求性能预测结果序列。

2.基于隐马尔可夫的云平台的软件性能预测方法，其特征在于，采用平均百分比误差法对步骤4的性能预测结果序列进行评价。

3.根据权利要求1所述的基于隐马尔可夫的云平台的软件性能预测方法，其特征在于，所述步骤1中的预处理具体为：将实验样本特征集合中的所有参数进行归一化处理，生成一个长度为N的数据序列。

4.根据权利要求3所述的基于隐马尔可夫的云平台的软件性能预测方法，其特征在于，所述步骤2具体为：

步骤2.1，将步骤1中得到的数据序列定义为模型的N个隐状态，t时刻的隐状态表示为qt，则有qt∈[S₁,…,S_N]，S₁-S_N表示N个隐状态；

步骤2.2，确定观测序列O＝(O₁,O₂,...,O_T)，O_T为T时刻模型的状态，则t时刻模型的状态表示为O_t，t∈T；

步骤2.3，确定隐马尔可夫模型状态概率分布矩阵A，A＝{a_ij}，1≤i，j≤N，a_ij表示从第i状态到第j状态的概率，则在任意时刻t，有公式(1)：

a_ij＝P[q_t+1＝S_j|q_t＝S_i]，1≤N，j≤N (1)；

即就是：a_ij等于在t+1的时刻时隐状态为S_j的概率；

步骤2.4，确定隐马尔可夫模型观测概率分布矩阵B，B＝{b_j(O)}，1≤j≤N，b_j(O)表示状态j的随机观测输出概率，如公式(2)：

b_j(O)＝P(O_t|q_t＝S_j)，1≤j≤N (2)；

步骤2.5，确定初始状态概率分布为π₁＝P(q₁＝S₁)，1≤i≤N，π₁代表最初的隐状态q₁所处的观测概率；

步骤2.6，根据步骤2.3-2.5确定的初始状态概率分布、状态转移概率分布、观测概率分布，将隐马尔可夫模型简化为三元组：λ＝(π，A，B)。

5.根据权利要求4所述的基于隐马尔可夫的云平台的软件性能预测方法，其特征在于，所述步骤3具体为：已知观测序列O＝(o₁,o₂，...，o_T)和步骤2中确定的模型λ＝(π，A，B)，计算观测序列发生的概率P[O|λ]：

其中，α_T(i)为前向因子。