[发明专利]一种基于极限学习机的云工作流调度器压力预测方法

说明书

本发明公开了一种基于极限学习机的云工作流调度器压力预测方法，通过将调度器CPU时间片占有率、内存占用率作为调度器压力参数，以调度器压力参数作为输入，以对应的调度器在达到满载前还能接收工作流的数量作为标签，建立训练样本集；采用该训练样本集完成对云工作流调度器压力预测模型的训练，以调度器压力预测模型预测调度器在达到满载状态之前预计还可接收工作流的数量，在一定程度上能够满足云工作流在调度问题上调度器压力预测的需要，为相关调度问题中压力评估和可接受工作流数量提供了新的方法。

技术领域

本发明属于云工作流调度技术领域，具体涉及一种基于极限学习机的云工作流调度器压力预测方法。

背景技术

云工作流调度问题是云平台与云计算中的核心技术之一，近几年来，云平台与云计算的发展有巨大的进步，对各领域产生了不同程度的影响。云计算具有超大规模、虚拟化、按需服务、高可靠和高伸缩性等优势，云计算是一种集中式大数据处理，云平台像一个庞大的资源池，采用云技术能够完成容器的迁移，通过云平台能够高效地完成各种科研工作。相比于边缘计算，云平台有更好的延展性和安全保障，可靠性更强。云工作流是在云计算环境下工作流管理系统的一种新的应用。云工作流中的系统调度问题则是云计算中的核心问题之一，在云平台和云计算调度器模块的开发测试过程中，经常会出现调度器压力过大但控制器依然分配给各子调度器工作流的情况，这会导致调度器CPU时间片占有率过大或内存占用过多并最终使运行失败，出现“卡死”等情况。

发明内容

有鉴于此，本发明提供了一种基于极限学习机的云工作流调度器压力预测方法，实现了小样本情况下对云工作流调度器能够接收工作流数量的预测。

本发明提供的一种基于极限学习机的云工作流调度器压力预测方法，包括以下步骤：

步骤1、将云工作流调度器的内存占用率、CPU时间片占有率、已接收工作流数量及已接收子任务数量作为调度器压力数据；以所述调度器压力数据作为输入，以对应的调度器在达到满载前还能接收工作流的数量作为标签构建训练样本集；

步骤2、建立基于极限学习机的云工作流调度器压力预测模型，如下式所示：

Hβ＝Y (1)

其中，H为隐藏层节点的输出，β为输出权值，Y为云工作流期望输出矩阵，N为样本个数，L为隐含层节点的个数，g(x)为激活函数，S_i为所述云工作流调度器压力预测模型的输入，W_i＝[w_i1,w_i1,...,w_in]^T为输入到隐藏层节点之间的输入权值矩阵，b_i为第i个隐藏节点的偏置，W_i和b_i生成后保持不变；β_i为隐藏层到输出之间的输出权值矩阵；

步骤3、采用所述步骤1生成的所述训练样本集完成对所述基于极限学习机的云工作流调度器压力预测模型的训练；

步骤4、使用中，将待预测的调度器压力数据输入所述步骤3训练得到的基于极限学习机的云工作流调度器压力预测模型，得到所述待预测调度器在达到满载状态之前预计还可接收工作流的数量。

进一步地，所述步骤1中所述训练样本集的构建包括：将所述调度器压力数据进行归一化预处理形成压力值特征向量，由所述压力值特征向量与其对应的标签构建训练样本数据集。

进一步地，所述训练样本集的构建包括以下步骤：