[发明专利]基于VaDE聚类的多模型边缘云负载预测方法及装置

权利要求书

1.一种基于VaDE聚类的多模型边缘云负载预测方法，其特征在于，包括如下步骤：

S1，采集边缘云服务器的设备状态数据和资源监控数据，对所有数据进行向量化，基于PCA和全连接神经网络获取设备状态数据的第一嵌入特征；

S2，利用STL算法对负载数据进行分解，提取出负载数据的周期特征，所述负载数据是指仅包含一种特征的任一资源监控数据；

S3，将向量化后的资源监控数据、周期特征和负载数据进行组合得到第一组合特征向量，利用VaDE模型对第一组合特征向量进行分类，同时根据贝叶斯信息准则对分类的类别数量进行调整；

S4，利用位置编码对第一组合特征向量进行更新，根据步骤S3得到的分类结果将每类更新后的第一组合特征向量和对应的设备状态数据的第一嵌入特征分别输入Transformer模型进行训练得到每个分类类别所对应的负载预测模型；

S5，实时采集边缘云服务器的设备状态数据和资源监控数据，按照步骤S1、S2和S3的方法对数据依次进行处理以确认新的负载数据的分类类别，根据所确认的类别利用步骤S4得到的该类别的负载预测模型进行负载预测。

2.根据权利要求1所述的基于VaDE聚类的多模型边缘云负载预测方法，其特征在于，所述步骤S1包括：

S1.1，采集各边缘服务器的设备状态数据和资源监控数据；

S1.2，对所有数据进行预处理；

S1.3，根据数据类型对预处理后的数据进行向量化；

S1.4，利用PCA方法对向量化后的设备状态数据进行降维处理，并将处理后的数据输入全连接神经网络得到设备状态数据的第一嵌入特征。

3.根据权利要求1或2所述的基于VaDE聚类的多模型边缘云负载预测方法，其特征在于，所述设备状态数据包括设备ID、设备所在城市、拨号类型、IP地址、运营商、带宽类型和/或平均测试带宽，资源监控数据包括设备95带宽、CPU利用率和/或内存占用率。

4.根据权利要求1所述的基于VaDE聚类的多模型边缘云负载预测方法，其特征在于，所述周期特征采用S_t表示，其表达式为：

S_t＝seasonal_smooth(D_t，n_s，p)；

式中，D_t表示负载数据去趋势后的数据，n_s表示周期子序列的平衡参数，p表示负载数据的周期长度。

5.根据权利要求1所述的基于VaDE聚类的多模型边缘云负载预测方法，其特征在于，在利用位置编码对第一组合特征向量进行更新时，首先将第一组合特征向量输入全连接神经网络中得到第二嵌入特征向量，再利用位置编码操作将第一组合特征向量的位置信息并入第二嵌入特征向量得到第二组合特征向量，采用表示，对应的表达式为：

式中，pos表示位置，j表示维度，d_model表示Transformer模型的前馈神经网络的输入和输出的维度。

6.一种基于VaDE聚类的多模型边缘云负载预测装置，其特征在于，包括：

数据采集模块：用于采集边缘云服务器的设备状态数据和资源监控数据，对所有数据进行向量化，并基于PCA和全连接神经网络获取设备状态数据的第一嵌入特征；

周期特征提取模块：根据数据采集模块采集到的资源监控数据提取负载数据，并基于STL算法对负载数据进行分解，提取出周期特征；

数据分类模块：用于将数据采集模块向量化后的资源监控数据、周期特征提取模块提取出的负载数据和周期特征相结合构成第一组合特征向量，并基于VaDE模型对第一组合特征向量进行分类，同时根据贝叶斯信息准则对分类的类别数量进行调整；

负载预测模型构建模块：用于利用位置编码对分类模型构建模块得到的第一组合特征向量进行更新，并基于数据分类模块分类的结果将更新后的每类第一组合特征向量和数据采集模块输出的对应的设备状态数据的第一嵌入特征输入Transformer模型进行训练，获取每个分类类别所对应的负载预测模型；

负载在线预测模块：用于对边缘云服务器的设备状态数据和资源监控数据进行实时采集，并利用数据采集模块、周期特征提取模块和数据分类模块对实时采集到的数据进行分类确认，并根据确认后的分类类别调用负载预测模型构建模块中对应类别的负载预测模型进行负载预测。