[发明专利]基于LSTM-ACO模型预测云服务器资源性能的方法

说明书

本发明公开基于LSTM‑ACO模型预测云服务器资源性能的方法，首先将时间序列数据进行预处理，将原始序列数据映射到[0,1]区间。然后确定LSTM模型，对于现有的数据进行训练并预测，并利用蚁群算法优化LSTM模型。最后将LSTM模型对于时刻t数据的预测结果和时刻t‑1,t‑2,…,t‑n的数据，输入给LSTM‑ACO模型，并对时刻t的数据进行预测。本发明基于LSTM‑ACO模型预测云服务器资源性能的方法，克服了传统的预测方法预测过程中精度不高的问题，且利用ACO对LSTM参数进行优化，避免模型陷入局部最优解的问题，提高了预测收敛速度。最终实现了对云服务器资源和性能预测，更精确地预测软件老化现象。

技术领域

本发明属于时间序列预测技术领域，具体涉及一种基于长短期记忆(LongShort-TermMemory，LSTM)循环神经网络与蚁群算法(Ant Colony Optimization，ACO)的模型预测云服务器资源性能的方法。

背景技术

随着现代计算机技术和云计算的发展，云服务器使用越来越普遍。云服务器具有长期运行、高复杂性和资源交换频繁的特点，这增加了资源耗尽和软件系统出现异常和故障的风险。随着故障和资源消耗的累积，云服务器系统会出现缓慢的性能下降，故障率增加甚至崩溃。这种现象称为“软件老化”。软件老化的主要原因包括操作系统资源的消耗、数据的破坏以及误差的积累。这些现象都是随时间的推移逐渐积累，会使软件的性能恶化并可能导致软件系统的突然崩溃或停机。

在重要的系统，如军事国防、电信系统、金融系统、证券系统、商业系统等应用中，随着系统复杂性的提高，系统错误因素越来越集中在软件系统中，而其中越来越值得关注的问题就是软件老化。一旦系统的软件发生故障，就会影响整个业务系统的正常运行，给企业事业单位带来无可估量的经济损失。

常用的应对软件老化的方法是“软件再生”技术。该技术通过清理故障，在全局故障或部分故障发生之前主动恢复系统。软件再生技术很大程度上取决于软件再生的时间。停机时间或者由此类操作引起的开销是不可忽略的，频繁的软件再生可能会对系统可用性造成负面影响。而理想的软件再生策略是在系统接近故障前进行恢复。

因此对软件老化趋势的准确预测，计算老化阈值，可以为云系统在线预维护提供理论依据。现有的对于云服务器系统软件老化趋势的预测方法，大多数为时间序列分析或智能算法。时间序列分析法采用循环神经网络、粒子滤波等模型进行趋势预测，模型简单，但所需数据量大且对于波动较大的数据预测精度较低。智能算法包括神经网络、支持向量机等，该类算法在预测时间序列数据时，预测精度亦不高。云服务器资源和性能数据具有非线性、随机性和突发性的特点，因此上述现有的预测方法云服务器资源和性能数据的预测精度不高，尤其是数据变化较为剧烈的区间内，预测精度更低。

发明内容

本发明的目的是提供一种使用LSTM-ACO模型的云服务器资源性能预测方法。解决了传统的预测方法对波动较大的云服务器资源性能数据，预测精度不高的问题。并且提出了利用蚁群算法来优化参数的时间序列数据计算方法，克服了模型预测过程中易陷入局部最优解、收敛速度慢且不稳定的问题。LSTM-ACO预测方法能够提取云服务器系统的特征变化，最终实现了对云服务器系统性能参数的高准确率预测并分析，更精确地预测软件老化现象。

本发明所采用的技术方案是，一种使用LSTM-ACO模型的云服务器资源性能预测方法，包括以下步骤：

步骤1，收集云服务器系统的资源和性能数据；

步骤2，获取云服务器系统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模型进行参数优化得到LSTM-ACO模型；