[发明专利]一种负载预测方法、装置及设备

说明书

本申请实施例提供了一种负载预测方法、装置及设备，获取所述计算节点中多个负载的时间序列数据，将时间序列数据输入至预先构建的负载预测模型，得到计算节点的CPU负载预测值，负载预测模型是在基于注意力机制的神经网络模型和自回归模型的基础上训练得到的，可见，负载预测模型的输入是多种负载的时间序列数据，不仅关注了不同负载的时间特征，还能够获得多种负载之间的依赖关系，有助于负载预测模型输出CPU负载预测值的准确性，并且负载预测模型是利用基于注意力机制的神经网络模型和自回归模型的基础上训练得到的，能够进一步提高CPU负载预测值的准确性，以便得到计算集群系统中每个计算节点的中央处理器CPU负载预测值的准确结果。

技术领域

本发明涉及计算机领域，特别涉及一种负载预测方法及装置。

背景技术

随着计算机技术的快速发展，对于计算机的计算资源的需求越来越高。但是单一的计算机的计算资源已经无法满足对于资源和算力的需求。由此提出了计算集群系统，计算集群系统中包括多台计算机，可以利用多台计算机进行并行计算达到高性能的计算效果。

计算集群系统中每个计算机可以作为一个计算节点，完成计算任务中的一部分内容。由于每个计算节点的计算资源是有限的，因此根据每个计算节点的计算资源进行与其匹配的任务分配非常重要。如果任务分配不合理，导致某些计算节点的负载值过高，导致该计算节点任务完成速率较低甚至出现该计算节点无法工作的情况出现。可以通过预测每个计算节点的当前负载状态，得到当前计算节点的计算资源情况，进而进行合理的任务分配，以提高计算集群系统的计算性能。

因此，现在急需一种计算集群系统的负载预测方法。

发明内容

有鉴于此，本申请的目的在于提供一种负载预测方法，能够得到计算集群系统中每个计算节点的中央处理器CPU负载预测值，并在后续根据该CPU负载预测值进行任务分配，提高计算集群系统的计算性能。

为实现上述目的，本申请有如下技术方案：

本申请实施例提供了一种负载预测方法，应用于计算集群系统，所述计算集群系统包括多个计算节点，所述方法包括：

获取所述计算节点中多个负载的时间序列数据；所述多个负载包括中央处理器CPU、内存、磁盘和网络；

将所述时间序列数据输入至预先构建的负载预测模型，得到所述计算节点的CPU负载预测值；所述负载预测模型是在基于注意力机制的神经网络模型和自回归模型的基础上训练得到的。

可选地，所述负载预测模型的构建方式如下：

获取所述计算节点中多个负载的训练时间序列数据以及CPU负载训练值；

利用所述训练时间序列数据和所述CPU负载训练值，对初始负载预测模型进行训练，得到所述负载预测模型。

可选地，所述初始负载预测模型包括预处理层、循环层、卷积层、注意力机制层、自回归模型和全连接层。

可选地，所述将所述时间序列数据输入至预先构建的负载预测模型，得到所述计算节点的CPU负载预测值包括：

将所述时间序列数据输入所述预处理层进行归一化处理，得到输入序列；

将所述输入序列输入所述自回归模型，得到线性特征向量；

将所述输入序列输入所述循环层，得到隐层状态矩阵，所述隐层状态矩阵包括多个时刻的隐层状态向量；

将所述隐层状态矩阵输入所述卷积层，得到所述计算节点中多个负载的依赖关系特征矩阵；

将所述依赖关系特征矩阵输入所述注意力机制层，得到非线性特征向量；