CN103714399B - 面向云计算***的多尺度任务量预测值的确定方法 - Google Patents

Abstract

针对目前单一尺度任务量预测方法所导致的任务量预测精度的难以控制问题，本发明提出的一种面向云计算***的多尺度任务量预测值的确定方法，综合考虑云计算***中任务量的长期趋势、周期波动和近期情况，以及当前突发的随机扰动事件，对未来某一时段的用户任务量进行科学合理的预测，给出了未来的一段时间里的任务量期望水平，为云服务提供商调整资源配置和调节云计算***规模提供重要的计划和决策支撑依据。

Description

面向云计算***的多尺度任务量预测值的确定方法

技术领域

本发明是一种针对云计算***，为了提升云计算***对未来任务量的反应能力，可采用的多尺度任务量预测值的确定方法。本技术属于计算机网络、计算机软件、分布式计算的交叉技术应用领域。

背景技术

随着当前市场竞争日益激烈和全球化，云计算服务提供商需要对它的云计算平台中的计算、存储和信息资源的管理和使用采取更加先进，更加有效率的管理运作方式。

云计算的反应能力的重要指标是指云计算对未来任务量的反应速度和预测准确度。预测是根据已知事件的规律性，去预计和推断未知事件，既包括对目前尚未发生的事件的推测，也包括对现在已经发生但我们尚未观察到的事件的推测。从狭义上理解，预测仅指对目前尚未发生的事件的推测，但不包括对现在已经发生而尚未被观察到的事件的推测。任务量预测给出了未来的一段时间里的任务量期望水平，为云计算服务提供商的资源配置提供了依据。预测分为定性预测和定量预侧：定性预测是指通过对预测对象目标运动的内在机理进行质的分析，以判断未来质的变化情况的预测；定量预侧是运用一套严密的预测理论和根据这些理论所建立的数学模型，对预测对象目标运动质的规律进行描述，据以预测未来量的变化程度。

任务量预测精度的控制是云计算预测中的重要环节，可以有效地解决***资源配置滞后于用户请求的问题。如果不能及时察觉环境变化及其变化规律性，将会影响预测结果的精度，产生较大的资源配置偏差，从而导致资源浪费或资源不足。

发明内容

技术问题：本发明的目的是提出一种面向云计算***的多尺度任务量预测值的确定方法，针对目前单一尺度任务量预测方法所导致的任务量预测精度难以控制的问题，从宏观、微观的多维因素来对未来的用户提交的任务量进行更为科学合理的预测，从而有效支撑云服务提供商的资源配置决策并保障云计算***的正常运行。

技术方案：本发明的面向云计算***的多尺度任务量预测值的确定方法，综合考虑针对***任务的长期趋势、周期波动和近期数量情况，以及当前突发的随机扰动事件，对未来某一时段的用户任务量进行科学合理的预测，给出未来的一段时间里的任务量期望水平，为云服务提供商调整资源配置和调节云计算***规模提供重要的计划和决策支撑依据。

多尺度任务量预测方法考虑的多维因素包括：

（1）长期趋势成分——指任务量数据在长期时间区间（如以年为单位）内的环比变化趋势；

（2）周期波动成分——指任务量数据在中期时间区间（如以一年内的各季度或月份为单位）内作周期性的规则波动；

（3）近期任务量成分——指任务量数据在短期时间区间（如以天为单位）内的用户任务量情况；

（4）随机扰动成分——指任务量数据由于随机突发的事件引起无规则的异常情况。

本发明面向云计算***的多尺度任务量预测值的确定方法为：

综合考虑任务量长期趋势、周期波动和近期情况，以及当前突发的随机扰动因素，计算得到下一时期的任务量预测值为F_t1,t2,t3，则：

$F_{t1,t2,t3}=\frac{w_1{L}_{t1,t2,t3}+w_2{P}_{t1,t2,t3}+w_3{S}_{t1,t2,t3}+w_4{R}_{t1,t2,t3}}{\underset{i=1}{\overset{4}{\mathrm{\Σ}}}{w}_i}---\left(1\right)$

式（1）中：t1,t2,t3指的分别是长期t1、中期t2和短期t3的多维时间尺度，联合构成一个特定的具体时间段；L_t1,t2,t3是指针对预测对象的下一时期t1,t2,t3的长期趋势预测值，P_t1,t2,t3是指针对预测对象的下一时期t1,t2,t3的周期波动预测值，S_t1,t2,t3是指针对预测对象的下一时期t1,t2,t3的近期任务量预测值，R_t1,t2,t3是指针对预测对象的下一时期t1,t2,t3的随机扰动预测值；w_i是指为以上各个预测成分设定的权值；

其中，长期趋势预测值L_t1,t2,t3主要反映任务量的总体发展水平，设实际的长期任务量历史数值为L_t1-1,t2,t3′，L_t1-2,t2,t3′，L_t1-3,t2,t3′，……，L_t1-x,t2,t3′，首先计算出长期趋势的环比速度：

$v_1=\frac{L_{t1-1,t2,t3}^{\′}}{L_{t1-2,t2,t3}^{\′}},v_2=\frac{L_{t1-2,t2,t3}^{\′}}{L_{t1-3,t2,t3}^{\′}},v_3=\frac{L_{t1-3,t2,t3}^{\′}}{L_{t1-4,t2,t3}^{\′}},......,v_{x-1}=\frac{L_{t1-x+1,t2,t3}^{\′}}{L_{t1-x,t2,t3}^{\′}}---\left(2\right)$

然后计算出长期趋势的平均环比速度

$\stackrel{\‾}{v}=\sqrt[x-1]{v_1{v}_2...v_{x-1}}=\sqrt[x-1]{\frac{L_{t1-1,t2,t3}^{\′}}{L_{t1-2,t2,t3}^{\′}}\·\frac{L_{t1-2,t2,t3}^{\′}}{L_{t1-3,t2,t3}^{\′}}\·\frac{L_{t1-3,t2,t3}^{\′}}{L_{t1-4,t2,t3}^{\′}}\·......\·\frac{L_{t1-x+1,t2,t3}^{\′}}{L_{t1-x,t2,t3}^{\′}}}=\sqrt[x-1]{\frac{L_{t1-1,t2,t3}^{\′}}{L_{t1-x,t2,t3}^{\′}}}---\left(3\right)$

由此可以得出L_t1,t2,t3为：

$L_{t1,t2,t3}=L_{t1-1,t2,t3}^{\′}\·\stackrel{\‾}{v}=L_{t1-1,t2,t3}^{\′}\·\sqrt[x-1]{\frac{L_{t1-1,t2,t3}^{\′}}{L_{t1-x,t2,t3}^{\′}}}---\left(4\right).$

所述的周期波动预测值P_t1,t2,t3主要是考虑了中期用户任务量周期性波动规律，设实际任务量历史数值为P_t1,t2-1,t3′，P_t1,t2-2,t3′，P_t1,t2-3,t3′，……，P_t1,t2-y,t3′，则：

P_t1,t2,t3＝P_t1,t2-1,t3+μ(P_t1,t2-1,t3′-P_t1,t2-1,t3)＝μP_t1,t2-1,t3′+(1-μ)P_t1,t2-1,t3（5）

式（5）中的μ是预测误差调节系数，式（4）表明当前针对下一时间段的预测值P_t1,t2,t3是当前时间段的实际值P_t1,t2-1,t3′与上次针对当前时间段的预测值P_t1,t2-1,t3的加权平均，式（5）可进一步演绎为：

P_t1,t2,t3＝μP_t1,t2-1,t3′+(1-μ)(μP_t1,t2-2,t3′+(1-μ)P_t1,t2-2,t3)

＝μP_t1,t2-1,t3′+(1-μ)μP_t1,t2-2,t3′+(1-μ)²(μP_t1,t2-3,t3′+(1-μ)P_t1,t2-3,t3)（6）

＝……

这表明根据历史的周期波动预测情况和历史上实际的用户任务量情况可计算得出下一时间段的周期波动预测值P_t1,t2,t3。

所述的近期任务量预测值S_t1,t2,t3主要是选取短期一段时期内的用户任务量情况来进行加权平均以预测未来时间段任务量情况；设用户的近期任务量情况为S_t1,t2,t3-1′,S_t1,t2,t3-2′,S_t1,t2,t3-3′,……,S_t1,t2,t3-z′，则：

$S_{t1,t2,t3}={\mathrm{\α}}_1{S}_{t1,t2,t3-1}^{\′}+{\mathrm{\α}}_2{S}_{t1,t2,t3-2}^{\′}+{\mathrm{\α}}_3{S}_{t1,t2,t3-3}^{\′}+......+{\mathrm{\α}}_z{S}_{t1,t2,t3-z}^{\′},\underset{i}{\overset{z}{\mathrm{\Σ}}}{\mathrm{\α}}_i=1---\left(7\right)$

式（7）中的α_i是权重调节系数。

所述的随机扰动预测值R_t1,t2,t3受到随机突发的事件的影响，依赖人的主观判定，通过定性预测中的专家调查法、用户期望调查法人为的估算出来。

有益效果：本发明提出的一种面向云计算***的多尺度任务量预测值的确定方法，可达到如下的效果：

（1）科学合理。单一尺度任务量预测方法所导致的任务量预测精度的难以控制，本发明的面向云计算***的多尺度任务量预测方法，综合考虑针对任务量的长期趋势、周期波动和近期情况，以及当前突发的随机扰动事件，对用户任务量预测显然更为科学合理。

（2）简洁高效。方法采用易于理解的加权平均等方法来得出最终的数值结果，容易实施和部署，且方法的计算开销也较低。

（3）灵活。方法采用的调节系数都是用户可以灵活调节设置的，且随机扰动预测值也主要是依赖人的主观判定，这也为云计算***用户提供了一个灵活的接口。

具体实施方式

本发明可具体实施于云计算***中。本发明方法综合考虑针对任务量的长期趋势、周期波动和近期情况，以及当前突发的随机扰动事件，对未来某一时段的用户任务量预测值进行科学合理的计算，给出了未来的一段时间里的任务量期望水平，为云服务提供商调整资源配置和调节云计算***规模提供重要的计划和决策支撑依据。

本方法主要是依据长期趋势、周期波动、近期任务量和随机扰动因素计算得到下一时期的任务量预测值为F_t1,t2,t3，则：

$F_{t1,t2,t3}=\frac{w_1{L}_{t1,t2,t3}+w_2{P}_{t1,t2,t3}+w_3{S}_{t1,t2,t3}+w_4{R}_{t1,t2,t3}}{\underset{i=1}{\overset{4}{\mathrm{\Σ}}}{w}_i}---\left(8\right)$

式（8）中（t1,t2,t3）指的分别是长期（t1）、中期（t2）和短期（t3）的多维时间尺度，联合构成一个特定的具体时间段；L_t1,t2,t3是指针对预测对象的下一时期（t1,t2,t3）的长期趋势预测值，P_t1,t2,t3是指针对预测对象的下一时期（t1,t2,t3）的周期波动预测值，S_t1,t2,t3是指针对预测对象的下一时期（t1,t2,t3）的近期任务量预测值，R_t1,t2,t3是指针对预测对象的下一时期（t1,t2,t3）的随机扰动预测值；w_i是指为以上各个预测成分设定的权值，为用户提供动态调整各个成分对于预测结果的重要程度的接口。

1、长期趋势预测值L_t1,t2,t3

长期趋势预测值L_t1,t2,t3应能反映任务量的总体发展水平。设实际的长期任务量历史数值为L_t1-1,t2,t3′，L_t1-2,t2,t3′，L_t1-3,t2,t3′，……，L_t1-x,t2,t3′，首先计算出长期趋势的环比速度：

$v_1=\frac{L_{t1-1,t2,t3}^{\′}}{L_{t1-2,t2,t3}^{\′}},v_2=\frac{L_{t1-2,t2,t3}^{\′}}{L_{t1-3,t2,t3}^{\′}},v_3=\frac{L_{t1-3,t2,t3}^{\′}}{L_{t1-4,t2,t3}^{\′}},......,v_{x-1}=\frac{L_{t1-x+1,t2,t3}^{\′}}{L_{t1-x,t2,t3}^{\′}}---\left(9\right)$

然后计算出长期趋势的平均环比速度

$\stackrel{\‾}{v}=\sqrt[x-1]{v_1{v}_2...v_{x-1}}=\sqrt[x-1]{\frac{L_{t1-1,t2,t3}^{\′}}{L_{t1-2,t2,t3}^{\′}}\·\frac{L_{t1-2,t2,t3}^{\′}}{L_{t1-3,t2,t3}^{\′}}\·\frac{L_{t1-3,t2,t3}^{\′}}{L_{t1-4,t2,t3}^{\′}}\·......\·\frac{L_{t1-x+1,t2,t3}^{\′}}{L_{t1-x,t2,t3}^{\′}}}=\sqrt[x-1]{\frac{L_{t1-1,t2,t3}^{\′}}{L_{t1-x,t2,t3}^{\′}}}---\left(10\right)$

由此可以得出L_t1,t2,t3为：

$L_{t1,t2,t3}=L_{t1-1,t2,t3}^{\′}\·\stackrel{\‾}{v}=L_{t1-1,t2,t3}^{\′}\·\sqrt[x-1]{\frac{L_{t1-1,t2,t3}^{\′}}{L_{t1-x,t2,t3}^{\′}}}---\left(11\right)$

2、周期波动预测值P_t1,t2,t3

周期波动预测值P_t1,t2,t3主要是考虑了中期用户任务量周期性波动规律。设实际任务量历史数值为P_t1,t2-1,t3′，P_t1,t2-2,t3′，P_t1,t2-3,t3′，……，P_t1,t2-y,t3′，则：

P_t1,t2,t3＝P_t1,t2-1,t3+μ(P_t1,t2-1,t3′-P_t1,t2-1,t3)＝μP_t1,t2-1,t3′+(1-μ)P_t1,t2-1,t3（12）

式（12）中的μ是预测误差调节系数。式（4）表明当前针对下一时间段的预测值P_t1,t2,t3是当前时间段的实际值P_t1,t2-1,t3′与上次针对当前时间段的预测值P_t1,t2-1,t3的加权平均，式（12）可进一步演绎为：

P_t1,t2,t3＝μP_t1,t2-1,t3′+(1-μ)(μP_t1,t2-2,t3′+(1-μ)P_t1,t2-2,t3)

＝μP_t1,t2-1,t3′+(1-μ)μP_t1,t2-2,t3′+(1-μ)²(μP_t1,t2-3,t3′+(1-μ)P_t1,t2-3,t3)（13）

＝……

这表明根据历史的周期波动预测情况和历史上实际的用户任务量情况可计算得出下一时间段的周期波动预测值P_t1,t2,t3。

3、近期任务量预测值S_t1,t2,t3

近期任务量预测值S_t1,t2,t3主要是选取短期一段时期内的用户任务量情况来进行加权平均以预测未来时间段任务量情况。设近期的用户任务量情况为S_t1,t2,t3-1′,S_t1,t2,t3-2′,S_t1,t2,t3-3′,……,S_t1,t2,t3-z′，则：

$S_{t1,t2,t3}={\mathrm{\α}}_1{S}_{t1,t2,t3-1}^{\′}+{\mathrm{\α}}_2{S}_{t1,t2,t3-2}^{\′}+{\mathrm{\α}}_3{S}_{t1,t2,t3-3}^{\′}+......+{\mathrm{\α}}_z{S}_{t1,t2,t3-z}^{\′},\underset{i}{\overset{z}{\mathrm{\Σ}}}{\mathrm{\α}}_i=1---\left(14\right)$

式（14）中的α_i是权重调节系数。

4、随机扰动预测值R_t1,t2,t3

随机扰动预测值R_t1,t2,t3主要是受到随机突发的事件的影响，这种影响是难以依赖计算机自动计算得到，因此主要是依赖人的主观判定，主要可通过定性预测中的专家调查法、用户期望调查法、部门主管意见和销售人员意见汇集法来人为的估算出来，即本发明方法为云计算***用户提供了一个灵活的接口，让用户自身的经验也可作为预测的参数之一。

Claims (4)

1.一种面向云计算***的多尺度任务量预测值的确定方法，其特征在于：

综合考虑任务量长期趋势、周期波动和近期情况，以及当前突发的随机扰动因素，计算得到下一时期的任务量预测值为F_t1,t2,t3，则：

$F_{t1,t2,t3}=\frac{w_1{L}_{t1,t2,t3}+w_{2t}{P}_{t1,t2,t3}+w_3{S}_{t1,t2,t3}+w_4{R}_{t1,t2,t3}}{\underset{i=1}{\overset{4}{\Σ}}{w}_i}---\left(1\right)$

式(1)中：t1,t2,t3指的分别是长期t1、中期t2和短期t3的多维时间尺度，联合构成一个特定的具体时间段；L_t1,t2,t3是指针对预测对象的下一时期t1,t2,t3的长期趋势预测值，P_t1,t2,t3是指针对预测对象的下一时期t1,t2,t3的周期波动预测值，S_t1,t2,t3是指针对预测对象的下一时期t1,t2,t3的近期任务量预测值，R_t1,t2,t3是指针对预测对象的下一时期t1,t2,t3的随机扰动预测值；w_i是指为以上各个预测成分设定的权值；

其中，长期趋势预测值L_t1,t2,t3主要反映任务量的总体发展水平，设实际的长期任务量历史数值为L'_t1-1,t2,t3，L'_t1-2,t2,t3，L'_t1-3,t2,t3，直至L'_t1-x,t2,t3，首先计算出长期趋势的环比速度：

$\begin{array}{ccccc}{v}_1=\frac{L_{t1-1,t2,t3}^{\′}}{L_{t1-2,t2,t3}^{\′}},& v_2=\frac{L_{t1-2,t2,t3}^{\′}}{L_{t1-3,t2,t3}^{\′}}& v_3=\frac{L_{t1-3,t2,t3}^{\′}}{L_{t1-4,t2,t3}^{\′}},& \mathrm{......},& v_{x-1}=\frac{L_{t1-x+1,t2,t3}^{\′}}{L_{t1-x,t2,t3}^{\′}}\end{array}---\left(2\right)$

然后计算出长期趋势的平均环比速度

$\stackrel{\‾}{v}=\sqrt[x-1]{\begin{array}{cccc}{v}_1& v_2& \mathrm{...}& v_{x-1}\end{array}}=\sqrt[x-1]{\frac{L_{t1-1,t2,t3}^{\′}}{L_{t1-2,t2,t3}^{\′}}\·\frac{L_{t1-2,t2,t3}^{\′}}{L_{t1-3,t2,t3}^{\′}}\·\frac{L_{t1-3,t2,t3}^{\′}}{L_{t1-4,t2,t3}^{\′}}\·\mathrm{......}\·\frac{L_{t1-x+1,t2,t3}^{\′}}{L_{t1-x,t2,t3}^{\′}}}=\sqrt[x-1]{\frac{L_{t1-1,t2,t3}^{\′}}{L_{t1-x,t2,t3}^{\′}}}---\left(3\right)$

由此可以得出L_t1,t2,t3为：

$L_{t1,t2,t3}=L_{t1-1,t2,t3}^{\′}\·\stackrel{\‾}{v}=L_{t1-1,t2,t3}^{\′}\·\sqrt[x-1]{\frac{L_{t1-1,t2,t3}^{\′}}{L_{t1-x,t2,t3}^{\′}}}---\left(4\right).$

2.根据权利要求1所述的面向云计算***的多尺度任务量预测值的确定方法，其特征在于所述的周期波动预测值P_t1,t2,t3主要是考虑了中期用户任务量周期性波动规律，设实际任务量历史数值为P′_t1,t2-1,t3，P′_t1,t2-2,t3，P′_t1,t2-3,t3，直至P′_t1,t2-y,t3，则：

P_t1,t2,t3＝P_t1,t2-1,t3+μ(P′_t1,t2-1,t3-P_t1,t2-1,t3)＝μP′_t1,t2-1,t3+(1-μ)P_t1,t2-1,t3(5)

式(5)中的μ是预测误差调节系数，式(5)表明当前针对下一时间段的预测值P_t1,t2,t3是当前时间段的实际值P′_t1,t2-1,t3与上次针对当前时间段的预测值P_t1,t2-1,t3的加权平均，式(5)可进一步演绎为：

$\begin{array}{c}{P}_{t1,t2,t3}={\mathrm{\μP}}_{t1,t2-1,t3}^{\′}+(1-\mathrm{\μ})({\mathrm{\μP}}_{t1,t2-2,t3}^{\′}+(1-\mathrm{\μ}\left)P_{t1,t2-2,t3}\right)\\ ={\mathrm{\μP}}_{t1,t2-1,t3}^{\′}+(1-\mathrm{\μ}){\mathrm{\μP}}_{t1,t2-2,t3}^{\′}+{(1-\mathrm{\μ})}^2({\mathrm{\μP}}_{t1,t2-3,t3}^{\′}+(1-\mathrm{\μ}\left)P_{t1,t2-3,t3}\right)\end{array}---\left(6\right)$

这表明根据历史的周期波动预测情况和历史上实际的用户任务量情况可计算得出下一时间段的周期波动预测值P_t1,t2,t3。

3.根据权利要求1所述的面向云计算***的多尺度任务量预测值的确定方法，其特征在于所述的近期任务量预测值S_t1,t2,t3主要是选取短期一段时期内的用户任务量情况来进行加权平均以预测未来时间段任务量情况；设用户的近期任务量情况为S′_t1,t2,t3-1,S′_t1,t2,t3-2,S′_t1,t2,t3-3直至S′_t1,t2,t3-z，则：

$S_{t1,t2,t3}={\mathrm{\α}}_1{S}_{t1,t2,t3-1}^{\′}+{\mathrm{\α}}_2{S}_{t1,t2,t3-2}^{\′}+{\mathrm{\α}}_3{S}_{t1,t2,t3-3}^{\′}+\mathrm{......}+{\mathrm{\α}}_z{S}_{t1,t2,t3-z}^{\′},\underset{i}{\overset{z}{\Σ}}{\mathrm{\α}}_i=1---\left(7\right)$

式(7)中的α_i是权重调节系数。

4.根据权利要求1所述的面向云计算***的多尺度任务量预测值的确定方法，其特征在于所述的随机扰动预测值R_t1,t2,t3受到随机突发的事件的影响，依赖人的主观判定，通过定性预测中的专家调查法、用户期望调查法人为的估算出来。