[发明专利]基于LSTM-ACO模型预测云服务器资源性能的方法

权利要求书

1.基于LSTM-ACO模型预测云服务器资源性能的方法，其特征在于，包括以下步骤：

步骤1，收集云服务器的资源和性能数据；

步骤2，获取云服务器资源和性能序列数据，所述资源和性能序列数据包括：CPU空闲率、可用内存、平均负载和响应时间；

步骤3，对步骤2获取得的序列数据进行预处理操作；

步骤4，使用步骤3得到的数据构建LSTM模型，并利用该模型获得LSTM模型对步骤3所得数据的预测值；

步骤5，利用蚁群算法对步骤4得到的LSTM模型来进行参数优化，构建LSTM-ACO模型；

步骤6，使用步骤5得到的LSTM-ACO模型预测步骤3得到的数据并与步骤4得到的数据对比；

步骤7，利用LSTM-ACO模型的预测值和现有的序列数据对未来数据进行预测。

2.根据权利要求1所述的基于LSTM-ACO模型预测云服务器资源性能的方法，其特征在于，所述步骤3中，对序列数据采用归一化处理方法进行预处理，将原始序列数据映射到[0,1]，具体方法是：

计算得序列数据的最大值和最小值，分别记为X_max和X_min；

使用序列数据中的每个数据减去X_min再除以X_min-X_min。

3.根据权利要求1所述的基于LSTM-ACO模型预测云服务器资源性能的方法，其特征在于，所述步骤4中，构建LSTM模型的方法是：

构建模型包括输入层、隐藏层、输出层、网络训练以及网络预测5个功能模块；输入层负责对原始响应时间序列进行初步处理以满足网络输入要求，隐藏层采用LSTM细胞搭建单层循环神经网络，输出层提供预测结果网络，网络预测采用迭代的方法逐点预测。

4.根据权利要求3所述的基于LSTM-ACO模型预测云服务器资源性能的方法，其特征在于，所述构建LSTM模型的具体步骤为：

首先在输入层中，定义已经归一化后的原始响应时间序列为F_o＝{f₁,f₂,…,f_n}，则划分的训练集和测试集可以表示为F_tr＝{f₁,f₂,…,f_m}和F_te＝{f_m+1,f_m+2,…,f_n}，满足约束条件mn和m,n∈N；为了适应隐藏层输入的特点，应用数据分割的方法对F_tr进行处理，设分割长度取值为L，则分割后的模型为X＝{X₁,X₂,…,X_L}，X_p＝{f_p,f_p+1,…,f_m-L+p-1}，并有1≤p≤L；p,L∈N。对应的理论输出为Y＝{Y₁,Y₂,…,Y_L},Y_P＝{f_p+1,f_p+2,…,f_m-L+p}；

接下来，将X输入隐藏层，隐藏层包含L个按前后时刻连接的同构LSTM细胞，X经过隐藏层后的输出可以表示为P＝{P₁,P₂,…,P_L}，P_p＝LSTM_forward(X_p,C_p-1,H_p-1)，式中C_p-1和H_p-1分别为前一个LSTM细胞的状态和输出；LSTM_forward表示LSTM向前细胞计算方法。设定细胞状态向量大小为S_state，则C_p-1和H_p-1两个向量的大小均为S_state；可以看出隐藏层输出P、模型输入X和理论输出Y都是维度为(m－L,L)的二维数组。选用均方误差作为误差计算公式，训练过程的损失函数可以定义为：设定损失函数最小为优化目标，不断更新网络权重，进而得到最终的隐藏层网络。