CN110059858A - 服务器资源预测方法、装置、计算机设备及存储介质 - Google Patents
服务器资源预测方法、装置、计算机设备及存储介质 Download PDFInfo
- Publication number
- CN110059858A CN110059858A CN201910198343.6A CN201910198343A CN110059858A CN 110059858 A CN110059858 A CN 110059858A CN 201910198343 A CN201910198343 A CN 201910198343A CN 110059858 A CN110059858 A CN 110059858A
- Authority
- CN
- China
- Prior art keywords
- performance parameter
- parameter sets
- historical performance
- historical
- usage amount
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000003860 storage Methods 0.000 title claims abstract description 61
- 238000000034 method Methods 0.000 title claims abstract description 44
- 210000005036 nerve Anatomy 0.000 claims abstract description 67
- 238000002834 transmittance Methods 0.000 claims abstract description 65
- 238000012549 training Methods 0.000 claims abstract description 53
- 239000011159 matrix material Substances 0.000 claims description 86
- 238000004590 computer program Methods 0.000 claims description 14
- 239000000203 mixture Substances 0.000 claims description 11
- 238000013528 artificial neural network Methods 0.000 claims description 6
- 238000011156 evaluation Methods 0.000 claims description 6
- 238000000151 deposition Methods 0.000 claims description 2
- 238000010586 diagram Methods 0.000 description 16
- 230000006870 function Effects 0.000 description 15
- PEDCQBHIVMGVHV-UHFFFAOYSA-N Glycerine Chemical compound OCC(O)CO PEDCQBHIVMGVHV-UHFFFAOYSA-N 0.000 description 6
- 238000012544 monitoring process Methods 0.000 description 4
- 230000005540 biological transmission Effects 0.000 description 3
- 238000004891 communication Methods 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 238000012545 processing Methods 0.000 description 3
- 238000012360 testing method Methods 0.000 description 3
- 238000013459 approach Methods 0.000 description 2
- 230000008878 coupling Effects 0.000 description 2
- 238000013480 data collection Methods 0.000 description 2
- 238000013144 data compression Methods 0.000 description 2
- 230000007423 decrease Effects 0.000 description 2
- 238000009826 distribution Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000005304 joining Methods 0.000 description 2
- 238000012423 maintenance Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000003062 neural network model Methods 0.000 description 2
- 210000002569 neuron Anatomy 0.000 description 2
- 238000000714 time series forecasting Methods 0.000 description 2
- 238000004422 calculation algorithm Methods 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000005611 electricity Effects 0.000 description 1
- 238000005192 partition Methods 0.000 description 1
- 238000002360 preparation method Methods 0.000 description 1
- 238000000926 separation method Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Human Resources & Organizations (AREA)
- Strategic Management (AREA)
- General Physics & Mathematics (AREA)
- Economics (AREA)
- Entrepreneurship & Innovation (AREA)
- Development Economics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biophysics (AREA)
- Tourism & Hospitality (AREA)
- Educational Administration (AREA)
- General Business, Economics & Management (AREA)
- Operations Research (AREA)
- Marketing (AREA)
- Health & Medical Sciences (AREA)
- Game Theory and Decision Science (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Quality & Reliability (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了服务器资源预测方法、装置、计算机设备及存储介质。该方法包括:将在用户列表中所选定的用户作为目标用户,按预设的采集周期获取目标用户在预设的历史时间段内使用云服务器对应消耗的历史性能参数,以得到与目标用户对应的历史性能参数集合;根据历史性能参数集合对待训练反向传播神经网络进行模型训练,得到用于预测性能参数值的反向传播神经网络;根据历史性能参数集合及所接收的待预测时间点,对应获取当前输入序列;将当前输入序列输入至反向传播神经网络,得到与待预测时间点对应的预测值。该方法实现了利用历史数据建立服务器资源预测模型,对云服务器资源的未来使用量作出预测。
Description
技术领域
本发明涉及智能决策技术领域,尤其涉及一种服务器资源预测方法、装置、计算机设备及存储介质。
背景技术
目前,某一企业架构了云服务器,云服务器可根据用户的实际使用需求动态的分配一定存储和CPU提供给企业某一团队使用(如团队内部研发测试使用等)。云服务器的存储和CPU(即数据库和应用主机)都是按存储和CPU实际使用量收费,仅靠该团队的项目负责人的工作经验无法准确判断未来的容量需求,而且大量的资源也无法跟所有项目负责人逐个核对,这既影响到项目进展,也不利于规划云服务器的采购。
发明内容
本发明实施例提供了一种服务器资源预测方法、装置、计算机设备及存储介质,旨在解决现有技术中在已知的云服务器的存储和CPU的当前实际使用量和历史实际使用量时,无法根据经验准确判断未来的容量需求的问题。
第一方面,本发明实施例提供了一种服务器资源预测方法,其包括:
将在用户列表中所选定的用户作为目标用户,按预设的采集周期获取所述目标用户在预设的历史时间段内使用云服务器对应消耗的历史性能参数,以得到与所述目标用户对应的历史性能参数集合;其中,所述历史性能参数至少包括存储使用量和CPU使用量;
根据所述历史性能参数集合对待训练反向传播神经网络进行模型训练,得到用于预测性能参数值的反向传播神经网络;
根据所述历史性能参数集合及所接收的待预测时间点,对应获取当前输入序列;以及
将所述当前输入序列输入至所述反向传播神经网络,得到与所述待预测时间点对应的预测值。
第二方面,本发明实施例提供了一种服务器资源预测装置,其包括:
历史集合获取单元,用于将在用户列表中所选定的用户作为目标用户,按预设的采集周期获取所述目标用户在预设的历史时间段内使用云服务器对应消耗的历史性能参数,以得到与所述目标用户对应的历史性能参数集合;其中,所述历史性能参数至少包括存储使用量和CPU使用量;
模型训练单元,用于根据所述历史性能参数集合对待训练反向传播神经网络进行模型训练,得到用于预测性能参数值的反向传播神经网络;
当前序列获取单元,用于根据所述历史性能参数集合及所接收的待预测时间点,对应获取当前输入序列;以及
预测值获取单元,用于将所述当前输入序列输入至所述反向传播神经网络,得到与所述待预测时间点对应的预测值。
第三方面,本发明实施例又提供了一种计算机设备,其包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现上述第一方面所述的服务器资源预测方法。
第四方面,本发明实施例还提供了一种计算机可读存储介质,其中所述计算机可读存储介质存储有计算机程序,所述计算机程序当被处理器执行时使所述处理器执行上述第一方面所述的服务器资源预测方法。
本发明实施例提供了一种服务器资源预测方法、装置、计算机设备及存储介质。该方法包括将在用户列表中所选定的用户作为目标用户,按预设的采集周期获取所述目标用户在预设的历史时间段内使用云服务器对应消耗的历史性能参数,以得到与所述目标用户对应的历史性能参数集合;其中,所述历史性能参数至少包括存储使用量和CPU使用量;根据所述历史性能参数集合对待训练反向传播神经网络进行模型训练,得到用于预测性能参数值的反向传播神经网络;根据所述历史性能参数集合及所接收的待预测时间点,对应获取当前输入序列;将所述当前输入序列输入至所述反向传播神经网络,得到与所述待预测时间点对应的预测值。该方法实现了利用历史数据建立服务器资源预测模型,对云服务器资源的未来使用量作出预测。
附图说明
为了更清楚地说明本发明实施例技术方案,下面将对实施例描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1为本发明实施例提供的服务器资源预测方法的流程示意图;
图2为本发明实施例提供的服务器资源预测方法的子流程示意图;
图3为本发明实施例提供的服务器资源预测方法的另一子流程示意图;
图4为本发明实施例提供的服务器资源预测方法的另一子流程示意图;
图5为本发明实施例提供的服务器资源预测方法的另一子流程示意图;
图6为本发明实施例提供的服务器资源预测装置的示意性框图;
图7为本发明实施例提供的服务器资源预测装置的子单元示意性框图;
图8为本发明实施例提供的服务器资源预测装置的另一子单元示意性框图;
图9为本发明实施例提供的服务器资源预测装置的另一子单元示意性框图;
图10为本发明实施例提供的服务器资源预测装置的另一子单元示意性框图;
图11为本发明实施例提供的计算机设备的示意性框图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
应当理解,当在本说明书和所附权利要求书中使用时,术语“包括”和“包含”指示所描述特征、整体、步骤、操作、元素和/或组件的存在,但并不排除一个或多个其它特征、整体、步骤、操作、元素、组件和/或其集合的存在或添加。
还应当理解,在此本发明说明书中所使用的术语仅仅是出于描述特定实施例的目的而并不意在限制本发明。如在本发明说明书和所附权利要求书中所使用的那样,除非上下文清楚地指明其它情况,否则单数形式的“一”、“一个”及“该”意在包括复数形式。
还应当进一步理解,在本发明说明书和所附权利要求书中使用的术语“和/或”是指相关联列出的项中的一个或多个的任何组合以及所有可能组合,并且包括这些组合。
请参阅图1,图1为本发明实施例提供的服务器资源预测方法的流程示意图,该服务器资源预测方法应用于服务器中,该方法通过安装于服务器中的应用软件进行执行。
如图1所示,该方法包括步骤S110~S140。
S110、将在用户列表中所选定的用户作为目标用户,按预设的采集周期获取所述目标用户在预设的历史时间段内使用云服务器对应消耗的历史性能参数,以得到与所述目标用户对应的历史性能参数集合;其中,所述历史性能参数至少包括存储使用量和CPU使用量。
在本实施例中,若某一企业架构了云服务器,云服务器可根据用户的实际使用需求动态的分配一定存储和CPU提供给企业某一团队使用(如团队内部研发测试使用等)。例如,企业的A团队申请使用了云服务器中的100G存储和4个CPU,那云服务器可以监控获取A团队在在预设的历史时间段内使用服务器对应消耗的历史性能参数,得到与所述目标用户对应的历史性能参数集合;其中,所述历史性能参数至少包括存储使用量和CPU使用量。
由于云服务器针对各用户申请的服务器资源(即存储使用量和CPU使用量)是可以实时监控或者是定期监控的,故通过云服务器能获取指定用户(即目标用户)在指定时间段的服务器资源使用情况。例如,在云服务器中预测本年度A团队使用云服务器的性能参数时,A团队在前5年内的历史性能参数均可以通过历史数据采集到,例如本年度为2018年,则以预设的数据采集周期15天来获取A团队在历史时间段内(如2013年-2017年)的历史性能参数。
在一实施例中,如图2所示,步骤S110包括:
S111、按所述采集周期获取所述目标用户在所述历史时间段内使用云服务器对应消耗的存储使用量,得到与所述目标用户对应的第一历史性能参数集合;
S112、将所述第一历史性能参数集合以年份进行分组,得到与所述第一历史性能参数集合对应的多个存储使用量序列,以组成存储使用量序列集合;
S113、按所述采集周期获取所述目标用户在所述历史时间段内使用云服务器对应消耗的CPU使用量,得到与所述目标用户对应的第二历史性能参数集合;
S114、将所述第二历史性能参数集合以年份进行分组,得到与所述第二历史性能参数集合对应的多个CPU使用量序列,以组成CPU使用量序列集合;
S115、由所述储使用量序列集合和所述CPU用量序列集合组成与所述目标用户对应的历史性能参数集合。
在本实施例中,例如A团队2013年1月上半月内存使用量(平均值为)为70G,CPU使用量为4个;2013年1月下半月内存使用量为80G,CPU使用量为6个;……;则2013年的内存使用量简记为序列1、序列1具体为[70 80 71 60 50 60 70 60 76 80 77 79 70 80 71 6050 60 70 60 76 80 77 79],CPU使用量简记为序列2、序列2具体为[4 6 3 4 5 6 3.5 43.8 3.74 4.1 4.15 3.55 4.05 3.55 2.75 2.3 3.5 3.85 4 3.55 4.4 6.1 7]。同样的,2014年-2017年的内存使用量和CPU使用量也能用同样方式获取。例如,2014年的内存使用量简记为序列3,2014年的CPU使用量简记为序列4,2015年的内存使用量简记为序列5,2015年的CPU使用量简记为序列6,2016年的内存使用量简记为序列7,2016年的CPU使用量简记为序列8,2017年的内存使用量简记为序列9,2017年的CPU使用量简记为序列10。其中,序列1、序列3、序列5、序列7、序列9组成了第一历史性能参数集合,序列2、序列4、序列6、序列8、序列10组成了第二历史性能参数集合。
通过上述方式,得到了服务器A对应的历史性能参数集合由序列1-序列10组成。当获取了与所述目标用户对应的历史性能参数集合,即可以历史性能参数集合为训练集训练预测模型。
S120、根据所述历史性能参数集合对待训练反向传播神经网络进行模型训练,得到用于预测性能参数值的反向传播神经网络。
在本实施例中,以所述历史性能参数集合中的数据作为训练集对待训练反向传播神经网络进行模型训练,可以得到预测云服务器的资源使用量的预测模型(即反向传播神经网络)。
在一实施例中,如图3所示,步骤S120包括:
S121、获取在所述历史性能参数集合中与所选定的参数对应的目标性能参数集合,以由所述目标性能参数集合各序列按行组成的目标矩阵;
S122、将所述目标矩阵中最后一行的行向量移除得到训练矩阵,将所述训练矩阵中每一列向量作为待训练反向传播神经网络的输入,将所述目标矩阵最后一行的行向量中与所述训练矩阵各列向量一一对应的向量值作为待训练反向传播神经网络的输出,对所述待训练反向传播神经网络进行训练,得到反向传播神经网络。
在本实施例中,反向传播神经网络简记为BP网络(Back-ProPagation Network),通过样本数据的训练,不断修正网络权值和阈值使误差函数沿负梯度方向下降,逼近期望输出。它是一种应用较为广泛的神经网络模型,多用于函数逼近、模型识别分类、数据压缩和时间序列预测等。
BP网络由输入层、隐含层和输出层组成,隐含层可以有一层或多层,例如一个m×k×n的三层BP网络模型,网络选用S型传递函数通过反传误差函数(ti为期望输出、Oi为网络的计算输出),不断调节网络权值和阈值使误差函数E达到极小。
在选取隐含层k的个数时,参照经验公式其中n为输入层神经元个数,m为输出层神经元个数,a为[1,10]之间的常数。在本申请中,n=4,m=1,选择a=2,k取5即可。
在本实施例中,在设计BP网络的输入时,例如可以将2013年1月上半月-2016年1月上半月的内存使用量组成第一项输入序列,将2013年1月下半月-2016年1月下半月的内存使用量组成第二项输入序列,……,将2013年12月上半月-2016年12月上半月的内存使用量组成第二十三项输入序列,将2013年12月下半月-2016年12月下半月的内存使用量组成第二十四项输入序列;将2017年1月上半月的内存使用量组成与第一项输入序列对应的第一项输出值,将2017年1月下半月的内存使用量组成与第二项输入序列对应的第二项输出值,……,将2017年12月上半月的内存使用量组成与第二十三项输入序列对应的第二十三项输出值,将2017年12月下半月的内存使用量组成与第二十四项输入序列对应的第二十四项输出值。通过上述24组输入序列和24组输出值对所述待训练反向传播神经网络进行训练,得到反向传播神经网络。
在一实施例中,如图4所示,步骤S121之后还包括:
S1211、按行获取所述目标矩阵中每一行向量,将每一行向量的各向量值与相邻的前一向量值比较以计算数值增长率;
S1212、若存在行向量的向量值与相邻的前一向量值比较得到的当前数值增长率超出预设的增长率阈值,将对应的向量值根据预设的数值替换策略进行替换,得到更新后的目标矩阵。
在本实施例中,为了防止在目标矩阵个行向量中存在行向量的各向量值中存在噪音点,需要将每一行向量的各向量值与相邻的前一向量值比较以计算数值增长率,例如若每一行向量的各向量值与相邻的前一向量值相比较而得到的当前数值增长率超出50%,则表示当前向量值为噪音点,需要根据预设的数值替换策略进行替换(例如将当前向量值替换为相邻的前一向量值的1.25倍数值),以得到更新后的目标矩阵。
S130、根据所述历史性能参数集合及所接收的待预测时间点,对应获取当前输入序列。
在一实施例中,如图5所示,步骤S130包括:
S131、获取所述待预测时间点与所述目标矩阵中最后一行行向量对应时间点的时间间隔,将所述时间间隔除以一年以得到间隔数;
S132、若所述间隔数等于1,将所述目标矩阵中的第一行行向量移除得到调整后矩阵,将所述调整后矩阵中与所述待预测时间点对应的列向量作为当前输入序列。
在本实施例中,例如若待预测时间点为2018年7月上半月,则由目标矩阵中2014年7月上半月对应的向量值、2015年7月上半月对应的向量值、2016年7月上半月对应的向量值、2017年7月上半月对应的向量值组成当前输入序列。其中待预测时间点为2018年7月上半月,目标矩阵最后一行中存在2017年7月上半月的时间点,2018年7月上半月与2017年7月上半月的时间点的时间间隔除以一年等于1,故将所述目标矩阵中的第一行行向量移除得到调整后矩阵,将所述调整后矩阵中与所述待预测时间点对应的列向量(即2017年7月上半月的时间点对应向量值所在的列向量)作为当前输入序列。
若所述间隔数大于1,例如所述间隔数为2,此时需预测2019年7月上半月的时间点的预测值。此时需要分两步执行,先预测出2018年7月上半月的时间点的预测值,再将2018年7月上半月的时间点的预测值作为当前输入序列最后一行的向量值,将2015年7月上半月的时间点的向量值作为当前输入序列第一行的向量值、2016年7月上半月的时间点的向量值作为当前输入序列第二行的向量值、2017年7月上半月的时间点的向量值分别作为当前输入序列第三行的向量值,组成当前输入序列输入至所述反向传播神经网络得到2019年7月上半月的时间点的向量值。
S140、将所述当前输入序列输入至所述反向传播神经网络,得到与所述待预测时间点对应的预测值。
在本实施例中,例如已知2014年7月上半月对应的向量值、2015年7月上半月对应的向量值、2016年7月上半月对应的向量值、2017年7月上半月对应的向量值,在预测2018年7月上半月对应的向量值时,即可将由训练矩阵中2014年7月上半月对应的向量值、2015年7月上半月对应的向量值、2016年7月上半月对应的向量值、2017年7月上半月对应的向量值组成当前输入序列输入至所述反向传播神经网络,得到与所述待预测时间点对应的预测值。实现了对内存使用量的预测,能便于云服务器的维护人员及时的根据不同的目标用户动态部署内存和CPU。
该方法实现了利用历史数据建立服务器资源预测模型,对云服务器资源的未来使用量作出预测。
本发明实施例还提供一种服务器资源预测装置,该服务器资源预测装置用于执行前述服务器资源预测方法的任一实施例。具体地,请参阅图6,图6是本发明实施例提供的服务器资源预测装置的示意性框图。该服务器资源预测装置100可以配置于服务器中。
如图6所示,服务器资源预测装置100包括历史集合获取单元110、模型训练单元120、当前序列获取单元130、预测值获取单元140。
历史集合获取单元110,用于将在用户列表中所选定的用户作为目标用户,按预设的采集周期获取所述目标用户在预设的历史时间段内使用云服务器对应消耗的历史性能参数,以得到与所述目标用户对应的历史性能参数集合;其中,所述历史性能参数至少包括存储使用量和CPU使用量。
在本实施例中,若某一企业架构了云服务器,云服务器可根据用户的实际使用需求动态的分配一定存储和CPU提供给企业某一团队使用(如团队内部研发测试使用等)。例如,企业的A团队申请使用了云服务器中的100G存储和4个CPU,那云服务器可以监控获取A团队在在预设的历史时间段内使用服务器对应消耗的历史性能参数,得到与所述目标用户对应的历史性能参数集合;其中,所述历史性能参数至少包括存储使用量和CPU使用量。
由于云服务器针对各用户申请的服务器资源(即存储使用量和CPU使用量)是可以实时监控或者是定期监控的,故通过云服务器能获取指定用户(即目标用户)在指定时间段的服务器资源使用情况。例如,在云服务器中预测本年度A团队使用云服务器的性能参数时,A团队在前5年内的历史性能参数均可以通过历史数据采集到,例如本年度为2018年,则以预设的数据采集周期15天来获取A团队在历史时间段内(如2013年-2017年)的历史性能参数。
在一实施例中,如图7所示,历史集合获取单元110包括:
第一集合获取单元111,用于按所述采集周期获取所述目标用户在所述历史时间段内使用云服务器对应消耗的存储使用量,得到与所述目标用户对应的第一历史性能参数集合;
第一分组单元112,用于将所述第一历史性能参数集合以年份进行分组,得到与所述第一历史性能参数集合对应的多个存储使用量序列,以组成存储使用量序列集合;
第二集合获取单元113,用于按所述采集周期获取所述目标用户在所述历史时间段内使用云服务器对应消耗的CPU使用量,得到与所述目标用户对应的第二历史性能参数集合;
第二分组单元114,用于将所述第二历史性能参数集合以年份进行分组,得到与所述第二历史性能参数集合对应的多个CPU使用量序列,以组成CPU使用量序列集合;
组合单元115,用于由所述储使用量序列集合和所述CPU用量序列集合组成与所述目标用户对应的历史性能参数集合。
在本实施例中,例如A团队2013年1月上半月内存使用量(平均值为)为70G,CPU使用量为4个;2013年1月下半月内存使用量为80G,CPU使用量为6个;……;则2013年的内存使用量简记为序列1、序列1具体为[70 80 71 60 50 60 70 60 76 80 77 79 70 80 71 6050 60 70 60 76 80 77 79],CPU使用量简记为序列2、序列2具体为[4 6 3 4 5 6 3.5 43.8 3.74 4.1 4.15 3.55 4.05 3.55 2.75 2.3 3.5 3.85 4 3.55 4.4 6.1 7]。同样的,2014年-2017年的内存使用量和CPU使用量也能用同样方式获取。例如,2014年的内存使用量简记为序列3,2014年的CPU使用量简记为序列4,2015年的内存使用量简记为序列5,2015年的CPU使用量简记为序列6,2016年的内存使用量简记为序列7,2016年的CPU使用量简记为序列8,2017年的内存使用量简记为序列9,2017年的CPU使用量简记为序列10。其中,序列1、序列3、序列5、序列7、序列9组成了第一历史性能参数集合,序列2、序列4、序列6、序列8、序列10组成了第二历史性能参数集合。
通过上述方式,得到了服务器A对应的历史性能参数集合由序列1-序列10组成。当获取了与所述目标用户对应的历史性能参数集合,即可以历史性能参数集合为训练集训练预测模型。
模型训练单元120,用于根据所述历史性能参数集合对待训练反向传播神经网络进行模型训练,得到用于预测性能参数值的反向传播神经网络。
在本实施例中,以所述历史性能参数集合中的数据作为训练集对待训练反向传播神经网络进行模型训练,可以得到预测云服务器的资源使用量的预测模型(即反向传播神经网络)。
在一实施例中,如图8所示,模型训练单元120包括:
目标矩阵获取单元121,用于获取在所述历史性能参数集合中与所选定的参数对应的目标性能参数集合,以由所述目标性能参数集合各序列按行组成的目标矩阵;
训练单元122,用于将所述目标矩阵中最后一行的行向量移除得到训练矩阵,将所述训练矩阵中每一列向量作为待训练反向传播神经网络的输入,将所述目标矩阵最后一行的行向量中与所述训练矩阵各列向量一一对应的向量值作为待训练反向传播神经网络的输出,对所述待训练反向传播神经网络进行训练,得到反向传播神经网络。
在本实施例中,反向传播神经网络简记为BP网络(Back-ProPagation Network),通过样本数据的训练,不断修正网络权值和阈值使误差函数沿负梯度方向下降,逼近期望输出。它是一种应用较为广泛的神经网络模型,多用于函数逼近、模型识别分类、数据压缩和时间序列预测等。
BP网络由输入层、隐含层和输出层组成,隐含层可以有一层或多层,例如一个m×k×n的三层BP网络模型,网络选用S型传递函数通过反传误差函数(ti为期望输出、Oi为网络的计算输出),不断调节网络权值和阈值使误差函数E达到极小。
在选取隐含层k的个数时,参照经验公式其中n为输入层神经元个数,m为输出层神经元个数,a为[1,10]之间的常数。在本申请中,n=4,m=1,选择a=2,k取5即可。
在本实施例中,在设计BP网络的输入时,例如可以将2013年1月上半月-2016年1月上半月的内存使用量组成第一项输入序列,将2013年1月下半月-2016年1月下半月的内存使用量组成第二项输入序列,……,将2013年12月上半月-2016年12月上半月的内存使用量组成第二十三项输入序列,将2013年12月下半月-2016年12月下半月的内存使用量组成第二十四项输入序列;将2017年1月上半月的内存使用量组成与第一项输入序列对应的第一项输出值,将2017年1月下半月的内存使用量组成与第二项输入序列对应的第二项输出值,……,将2017年12月上半月的内存使用量组成与第二十三项输入序列对应的第二十三项输出值,将2017年12月下半月的内存使用量组成与第二十四项输入序列对应的第二十四项输出值。通过上述24组输入序列和24组输出值对所述待训练反向传播神经网络进行训练,得到反向传播神经网络。
在一实施例中,如图9所示,模型训练单元120还包括:
增长率计算单元1211,用于按行获取所述目标矩阵中每一行向量,将每一行向量的各向量值与相邻的前一向量值比较以计算数值增长率;
目标矩阵更新单元1212,用于若存在行向量的向量值与相邻的前一向量值比较得到的当前数值增长率超出预设的增长率阈值,将对应的向量值根据预设的数值替换策略进行替换,得到更新后的目标矩阵。
在本实施例中,为了防止在目标矩阵个行向量中存在行向量的各向量值中存在噪音点,需要将每一行向量的各向量值与相邻的前一向量值比较以计算数值增长率,例如若每一行向量的各向量值与相邻的前一向量值相比较而得到的当前数值增长率超出50%,则表示当前向量值为噪音点,需要根据预设的数值替换策略进行替换(例如将当前向量值替换为相邻的前一向量值的1.25倍数值),以得到更新后的目标矩阵。
当前序列获取单元130,用于根据所述历史性能参数集合及所接收的待预测时间点,对应获取当前输入序列。
在一实施例中,如图10所示,当前序列获取单元130包括:
间隔数计算单元131,用于获取所述待预测时间点与所述目标矩阵中最后一行行向量对应时间点的时间间隔,将所述时间间隔除以一年以得到间隔数;
输入序列获取单元132,用于若所述间隔数等于1,将所述目标矩阵中的第一行行向量移除得到调整后矩阵,将所述调整后矩阵中与所述待预测时间点对应的列向量作为当前输入序列。
在本实施例中,例如若待预测时间点为2018年7月上半月,则由目标矩阵中2014年7月上半月对应的向量值、2015年7月上半月对应的向量值、2016年7月上半月对应的向量值、2017年7月上半月对应的向量值组成当前输入序列。其中待预测时间点为2018年7月上半月,目标矩阵最后一行中存在2017年7月上半月的时间点,2018年7月上半月与2017年7月上半月的时间点的时间间隔除以一年等于1,故将所述目标矩阵中的第一行行向量移除得到调整后矩阵,将所述调整后矩阵中与所述待预测时间点对应的列向量(即2017年7月上半月的时间点对应向量值所在的列向量)作为当前输入序列。
若所述间隔数大于1,例如所述间隔数为2,此时需预测2019年7月上半月的时间点的预测值。此时需要分两步执行,先预测出2018年7月上半月的时间点的预测值,再将2018年7月上半月的时间点的预测值作为当前输入序列最后一行的向量值,将2015年7月上半月的时间点的向量值作为当前输入序列第一行的向量值、2016年7月上半月的时间点的向量值作为当前输入序列第二行的向量值、2017年7月上半月的时间点的向量值分别作为当前输入序列第三行的向量值,组成当前输入序列输入至所述反向传播神经网络得到2019年7月上半月的时间点的向量值。
预测值获取单元140,用于将所述当前输入序列输入至所述反向传播神经网络,得到与所述待预测时间点对应的预测值。
在本实施例中,例如已知2014年7月上半月对应的向量值、2015年7月上半月对应的向量值、2016年7月上半月对应的向量值、2017年7月上半月对应的向量值,在预测2018年7月上半月对应的向量值时,即可将由训练矩阵中2014年7月上半月对应的向量值、2015年7月上半月对应的向量值、2016年7月上半月对应的向量值、2017年7月上半月对应的向量值组成当前输入序列输入至所述反向传播神经网络,得到与所述待预测时间点对应的预测值。实现了对内存使用量的预测,能便于云服务器的维护人员及时的根据不同的目标用户动态部署内存和CPU。
该装置实现了利用历史数据建立服务器资源预测模型,对云服务器资源的未来使用量作出预测。
上述服务器资源预测装置可以实现为计算机程序的形式,该计算机程序可以在如图11所示的计算机设备上运行。
请参阅图11,图11是本发明实施例提供的计算机设备的示意性框图。该计算机设备500是服务器,服务器可以是独立的服务器,也可以是多个服务器组成的服务器集群。
参阅图11,该计算机设备500包括通过***总线501连接的处理器502、存储器和网络接口505,其中,存储器可以包括非易失性存储介质503和内存储器504。
该非易失性存储介质503可存储操作***5031和计算机程序5032。该计算机程序5032被执行时,可使得处理器502执行服务器资源预测方法。
该处理器502用于提供计算和控制能力,支撑整个计算机设备500的运行。
该内存储器504为非易失性存储介质503中的计算机程序5032的运行提供环境,该计算机程序5032被处理器502执行时,可使得处理器502执行服务器资源预测方法。
该网络接口505用于进行网络通信,如提供数据信息的传输等。本领域技术人员可以理解,图11中示出的结构,仅仅是与本发明方案相关的部分结构的框图,并不构成对本发明方案所应用于其上的计算机设备500的限定,具体的计算机设备500可以包括比图中所示更多或更少的部件,或者组合某些部件,或者具有不同的部件布置。
其中,所述处理器502用于运行存储在存储器中的计算机程序5032,以实现如下功能:将在用户列表中所选定的用户作为目标用户,按预设的采集周期获取所述目标用户在预设的历史时间段内使用云服务器对应消耗的历史性能参数,以得到与所述目标用户对应的历史性能参数集合;其中,所述历史性能参数至少包括存储使用量和CPU使用量;根据所述历史性能参数集合对待训练反向传播神经网络进行模型训练,得到用于预测性能参数值的反向传播神经网络;根据所述历史性能参数集合及所接收的待预测时间点,对应获取当前输入序列;以及将所述当前输入序列输入至所述反向传播神经网络,得到与所述待预测时间点对应的预测值。
在一实施例中,处理器502在执行所述按预设的采集周期获取所述目标用户在预设的历史时间段内使用云服务器对应消耗的历史性能参数,以得到与所述目标用户对应的历史性能参数集合的步骤时,执行如下操作:按所述采集周期获取所述目标用户在所述历史时间段内使用云服务器对应消耗的存储使用量,得到与所述目标用户对应的第一历史性能参数集合;将所述第一历史性能参数集合以年份进行分组,得到与所述第一历史性能参数集合对应的多个存储使用量序列,以组成存储使用量序列集合;按所述采集周期获取所述目标用户在所述历史时间段内使用云服务器对应消耗的CPU使用量,得到与所述目标用户对应的第二历史性能参数集合;将所述第二历史性能参数集合以年份进行分组,得到与所述第二历史性能参数集合对应的多个CPU使用量序列,以组成CPU使用量序列集合;由所述储使用量序列集合和所述CPU用量序列集合组成与所述目标用户对应的历史性能参数集合。
在一实施例中,处理器502在执行所所述根据所述历史性能参数集合对待训练反向传播神经网络进行模型训练,得到用于预测性能参数值的反向传播神经网络的步骤时,执行如下操作:获取在所述历史性能参数集合中与所选定的参数对应的目标性能参数集合,以由所述目标性能参数集合各序列按行组成的目标矩阵;将所述目标矩阵中最后一行的行向量移除得到训练矩阵,将所述训练矩阵中每一列向量作为待训练反向传播神经网络的输入,将所述目标矩阵最后一行的行向量中与所述训练矩阵各列向量一一对应的向量值作为待训练反向传播神经网络的输出,对所述待训练反向传播神经网络进行训练,得到反向传播神经网络。
在一实施例中,处理器502在执行所述获取在所述历史性能参数集合中与所选定的参数对应的目标性能参数集合,以由所述目标性能参数集合各序列按行组成的目标矩阵的步骤之后,执行如下操作:按行获取所述目标矩阵中每一行向量,将每一行向量的各向量值与相邻的前一向量值比较以计算数值增长率;若存在行向量的向量值与相邻的前一向量值比较得到的当前数值增长率超出预设的增长率阈值,将对应的向量值根据预设的数值替换策略进行替换,得到更新后的目标矩阵。
在一实施例中,处理器502在执行所述根据所述历史性能参数集合及所接收的待预测时间点,对应获取当前输入序列的步骤时,执行如下操作:获取所述待预测时间点与所述目标矩阵中最后一行行向量对应时间点的时间间隔,将所述时间间隔除以一年以得到间隔数;若所述间隔数等于1,将所述目标矩阵中的第一行行向量移除得到调整后矩阵,将所述调整后矩阵中与所述待预测时间点对应的列向量作为当前输入序列。
本领域技术人员可以理解,图11中示出的计算机设备的实施例并不构成对计算机设备具体构成的限定,在其他实施例中,计算机设备可以包括比图示更多或更少的部件,或者组合某些部件,或者不同的部件布置。例如,在一些实施例中,计算机设备可以仅包括存储器及处理器,在这样的实施例中,存储器及处理器的结构及功能与图11所示实施例一致,在此不再赘述。
应当理解,在本发明实施例中,处理器502可以是中央处理单元(CentralProcessing Unit,CPU),该处理器502还可以是其他通用处理器、数字信号处理器(DigitalSignal Processor,DSP)、专用集成电路(Application Specific Integrated Circuit,ASIC)、现成可编程门阵列(Field-Programmable GateArray,FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。其中,通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
在本发明的另一实施例中提供计算机可读存储介质。该计算机可读存储介质可以为非易失性的计算机可读存储介质。该计算机可读存储介质存储有计算机程序,其中计算机程序被处理器执行时实现以下步骤:将在用户列表中所选定的用户作为目标用户,按预设的采集周期获取所述目标用户在预设的历史时间段内使用云服务器对应消耗的历史性能参数,以得到与所述目标用户对应的历史性能参数集合;其中,所述历史性能参数至少包括存储使用量和CPU使用量;根据所述历史性能参数集合对待训练反向传播神经网络进行模型训练,得到用于预测性能参数值的反向传播神经网络;根据所述历史性能参数集合及所接收的待预测时间点,对应获取当前输入序列;以及将所述当前输入序列输入至所述反向传播神经网络,得到与所述待预测时间点对应的预测值。
在一实施例中,所述按预设的采集周期获取所述目标用户在预设的历史时间段内使用云服务器对应消耗的历史性能参数,以得到与所述目标用户对应的历史性能参数集合,包括:按所述采集周期获取所述目标用户在所述历史时间段内使用云服务器对应消耗的存储使用量,得到与所述目标用户对应的第一历史性能参数集合;将所述第一历史性能参数集合以年份进行分组,得到与所述第一历史性能参数集合对应的多个存储使用量序列,以组成存储使用量序列集合;按所述采集周期获取所述目标用户在所述历史时间段内使用云服务器对应消耗的CPU使用量,得到与所述目标用户对应的第二历史性能参数集合;将所述第二历史性能参数集合以年份进行分组,得到与所述第二历史性能参数集合对应的多个CPU使用量序列,以组成CPU使用量序列集合;由所述储使用量序列集合和所述CPU用量序列集合组成与所述目标用户对应的历史性能参数集合。
在一实施例中,所述根据所述历史性能参数集合对待训练反向传播神经网络进行模型训练,得到用于预测性能参数值的反向传播神经网络,包括:获取在所述历史性能参数集合中与所选定的参数对应的目标性能参数集合,以由所述目标性能参数集合各序列按行组成的目标矩阵;将所述目标矩阵中最后一行的行向量移除得到训练矩阵,将所述训练矩阵中每一列向量作为待训练反向传播神经网络的输入,将所述目标矩阵最后一行的行向量中与所述训练矩阵各列向量一一对应的向量值作为待训练反向传播神经网络的输出,对所述待训练反向传播神经网络进行训练,得到反向传播神经网络。
在一实施例中,所述获取在所述历史性能参数集合中与所选定的参数对应的目标性能参数集合,以由所述目标性能参数集合各序列按行组成的目标矩阵之后,还包括:按行获取所述目标矩阵中每一行向量,将每一行向量的各向量值与相邻的前一向量值比较以计算数值增长率;若存在行向量的向量值与相邻的前一向量值比较得到的当前数值增长率超出预设的增长率阈值,将对应的向量值根据预设的数值替换策略进行替换,得到更新后的目标矩阵。
在一实施例中,所述根据所述历史性能参数集合及所接收的待预测时间点,对应获取当前输入序列,包括:获取所述待预测时间点与所述目标矩阵中最后一行行向量对应时间点的时间间隔,将所述时间间隔除以一年以得到间隔数;若所述间隔数等于1,将所述目标矩阵中的第一行行向量移除得到调整后矩阵,将所述调整后矩阵中与所述待预测时间点对应的列向量作为当前输入序列。
所属领域的技术人员可以清楚地了解到,为了描述的方便和简洁,上述描述的设备、装置和单元的具体工作过程,可以参考前述方法实施例中的对应过程,在此不再赘述。本领域普通技术人员可以意识到,结合本文中所公开的实施例描述的各示例的单元及算法步骤,能够以电子硬件、计算机软件或者二者的结合来实现,为了清楚地说明硬件和软件的可互换性,在上述说明中已经按照功能一般性地描述了各示例的组成及步骤。这些功能究竟以硬件还是软件方式来执行取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能,但是这种实现不应认为超出本发明的范围。
在本发明所提供的几个实施例中,应该理解到,所揭露的设备、装置和方法,可以通过其它的方式实现。例如,以上所描述的装置实施例仅仅是示意性的,例如,所述单元的划分,仅仅为逻辑功能划分,实际实现时可以有另外的划分方式,也可以将具有相同功能的单元集合成一个单元,例如多个单元或组件可以结合或者可以集成到另一个***,或一些特征可以忽略,或不执行。另外,所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口、装置或单元的间接耦合或通信连接,也可以是电的,机械的或其它的形式连接。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本发明实施例方案的目的。
另外,在本发明各个实施例中的各功能单元可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以是两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现,也可以采用软件功能单元的形式实现。
所述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个存储介质中。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的部分,或者该技术方案的全部或部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(ROM,Read-Only Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述,仅为本发明的具体实施方式,但本发明的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本发明揭露的技术范围内,可轻易想到各种等效的修改或替换,这些修改或替换都应涵盖在本发明的保护范围之内。因此,本发明的保护范围应以权利要求的保护范围为准。
Claims (10)
1.一种服务器资源预测方法,其特征在于,包括:
将在用户列表中所选定的用户作为目标用户,按预设的采集周期获取所述目标用户在预设的历史时间段内使用云服务器对应消耗的历史性能参数,以得到与所述目标用户对应的历史性能参数集合;其中,所述历史性能参数至少包括存储使用量和CPU使用量;
根据所述历史性能参数集合对待训练反向传播神经网络进行模型训练,得到用于预测性能参数值的反向传播神经网络;
根据所述历史性能参数集合及所接收的待预测时间点,对应获取当前输入序列;以及
将所述当前输入序列输入至所述反向传播神经网络,得到与所述待预测时间点对应的预测值。
2.根据权利要求1所述的服务器资源预测方法,其特征在于,所述按预设的采集周期获取所述目标用户在预设的历史时间段内使用云服务器对应消耗的历史性能参数,以得到与所述目标用户对应的历史性能参数集合,包括:
按所述采集周期获取所述目标用户在所述历史时间段内使用云服务器对应消耗的存储使用量,得到与所述目标用户对应的第一历史性能参数集合;
将所述第一历史性能参数集合以年份进行分组,得到与所述第一历史性能参数集合对应的多个存储使用量序列,以组成存储使用量序列集合;
按所述采集周期获取所述目标用户在所述历史时间段内使用云服务器对应消耗的CPU使用量,得到与所述目标用户对应的第二历史性能参数集合;
将所述第二历史性能参数集合以年份进行分组,得到与所述第二历史性能参数集合对应的多个CPU使用量序列,以组成CPU使用量序列集合;
由所述储使用量序列集合和所述CPU用量序列集合组成与所述目标用户对应的历史性能参数集合。
3.根据权利要求2所述的服务器资源预测方法,其特征在于,所述根据所述历史性能参数集合对待训练反向传播神经网络进行模型训练,得到用于预测性能参数值的反向传播神经网络,包括:
获取在所述历史性能参数集合中与所选定的参数对应的目标性能参数集合,以由所述目标性能参数集合各序列按行组成的目标矩阵;
将所述目标矩阵中最后一行的行向量移除得到训练矩阵,将所述训练矩阵中每一列向量作为待训练反向传播神经网络的输入,将所述目标矩阵最后一行的行向量中与所述训练矩阵各列向量一一对应的向量值作为待训练反向传播神经网络的输出,对所述待训练反向传播神经网络进行训练,得到反向传播神经网络。
4.根据权利要求3所述的服务器资源预测方法,其特征在于,所述获取在所述历史性能参数集合中与所选定的参数对应的目标性能参数集合,以由所述目标性能参数集合各序列按行组成的目标矩阵之后,还包括:
按行获取所述目标矩阵中每一行向量,将每一行向量的各向量值与相邻的前一向量值比较以计算数值增长率;
若存在行向量的向量值与相邻的前一向量值比较得到的当前数值增长率超出预设的增长率阈值,将对应的向量值根据预设的数值替换策略进行替换,得到更新后的目标矩阵。
5.根据权利要求2所述的服务器资源预测方法,其特征在于,所述根据所述历史性能参数集合及所接收的待预测时间点,对应获取当前输入序列,包括:
获取所述待预测时间点与所述目标矩阵中最后一行行向量对应时间点的时间间隔,将所述时间间隔除以一年以得到间隔数;
若所述间隔数等于1,将所述目标矩阵中的第一行行向量移除得到调整后矩阵,将所述调整后矩阵中与所述待预测时间点对应的列向量作为当前输入序列。
6.一种服务器资源预测装置,其特征在于,包括:
历史集合获取单元,用于将在用户列表中所选定的用户作为目标用户,按预设的采集周期获取所述目标用户在预设的历史时间段内使用云服务器对应消耗的历史性能参数,以得到与所述目标用户对应的历史性能参数集合;其中,所述历史性能参数至少包括存储使用量和CPU使用量;
模型训练单元,用于根据所述历史性能参数集合对待训练反向传播神经网络进行模型训练,得到用于预测性能参数值的反向传播神经网络;
当前序列获取单元,用于根据所述历史性能参数集合及所接收的待预测时间点,对应获取当前输入序列;以及
预测值获取单元,用于将所述当前输入序列输入至所述反向传播神经网络,得到与所述待预测时间点对应的预测值。
7.根据权利要求6所述的服务器资源预测装置,其特征在于,所述历史集合获取单元,包括:
第一集合获取单元,用于按所述采集周期获取所述目标用户在所述历史时间段内使用云服务器对应消耗的存储使用量,得到与所述目标用户对应的第一历史性能参数集合;
第一分组单元,用于将所述第一历史性能参数集合以年份进行分组,得到与所述第一历史性能参数集合对应的多个存储使用量序列,以组成存储使用量序列集合;
第二集合获取单元,用于按所述采集周期获取所述目标用户在所述历史时间段内使用云服务器对应消耗的CPU使用量,得到与所述目标用户对应的第二历史性能参数集合;
第二分组单元,用于将所述第二历史性能参数集合以年份进行分组,得到与所述第二历史性能参数集合对应的多个CPU使用量序列,以组成CPU使用量序列集合;
组合单元,用于由所述储使用量序列集合和所述CPU用量序列集合组成与所述目标用户对应的历史性能参数集合。
8.根据权利要求7所述的服务器资源预测装置,其特征在于,所述模型训练单元,包括:
目标矩阵获取单元,用于获取在所述历史性能参数集合中与所选定的参数对应的目标性能参数集合,以由所述目标性能参数集合各序列按行组成的目标矩阵;
训练单元,用于将所述目标矩阵中最后一行的行向量移除得到训练矩阵,将所述训练矩阵中每一列向量作为待训练反向传播神经网络的输入,将所述目标矩阵最后一行的行向量中与所述训练矩阵各列向量一一对应的向量值作为待训练反向传播神经网络的输出,对所述待训练反向传播神经网络进行训练,得到反向传播神经网络。
9.一种计算机设备,包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序,其特征在于,所述处理器执行所述计算机程序时实现如权利要求1至5中任一项所述的服务器资源预测方法。
10.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质存储有计算机程序,所述计算机程序当被处理器执行时使所述处理器执行如权利要求1至5任一项所述的服务器资源预测方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910198343.6A CN110059858A (zh) | 2019-03-15 | 2019-03-15 | 服务器资源预测方法、装置、计算机设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910198343.6A CN110059858A (zh) | 2019-03-15 | 2019-03-15 | 服务器资源预测方法、装置、计算机设备及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN110059858A true CN110059858A (zh) | 2019-07-26 |
Family
ID=67316996
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910198343.6A Pending CN110059858A (zh) | 2019-03-15 | 2019-03-15 | 服务器资源预测方法、装置、计算机设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110059858A (zh) |
Cited By (21)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111026626A (zh) * | 2019-11-29 | 2020-04-17 | 中国建设银行股份有限公司 | Cpu消耗量预估、预估模型训练方法及装置 |
CN111125097A (zh) * | 2019-11-29 | 2020-05-08 | 中盈优创资讯科技有限公司 | 报表调度方法及装置 |
CN111277445A (zh) * | 2020-02-17 | 2020-06-12 | 网宿科技股份有限公司 | 一种评估在线节点服务器性能的方法及装置 |
CN111598390A (zh) * | 2019-10-16 | 2020-08-28 | 中国南方电网有限责任公司 | 服务器高可用性评估方法、装置、设备和可读存储介质 |
CN111625440A (zh) * | 2020-06-04 | 2020-09-04 | 中国银行股份有限公司 | 一种预测性能参数的方法及装置 |
CN111680835A (zh) * | 2020-06-05 | 2020-09-18 | 广州汇量信息科技有限公司 | 一种风险预测方法、装置、存储介质及电子设备 |
CN111694814A (zh) * | 2020-05-27 | 2020-09-22 | 平安银行股份有限公司 | 日期分区表批量扩展方法、装置、计算机设备及存储介质 |
CN111935025A (zh) * | 2020-07-08 | 2020-11-13 | 腾讯科技(深圳)有限公司 | 一种tcp传输性能的控制方法、装置、设备和介质 |
CN111985726A (zh) * | 2020-08-31 | 2020-11-24 | 重庆紫光华山智安科技有限公司 | 资源数量预测方法、装置、电子设备及存储介质 |
CN112001116A (zh) * | 2020-07-17 | 2020-11-27 | 新华三大数据技术有限公司 | 一种云资源容量预测方法及装置 |
CN112182069A (zh) * | 2020-09-30 | 2021-01-05 | 中国平安人寿保险股份有限公司 | 代理人留存预测方法、装置、计算机设备及存储介质 |
CN112527470A (zh) * | 2020-05-27 | 2021-03-19 | 上海有孚智数云创数字科技有限公司 | 用于预测性能指标的模型训练方法、装置及可读存储介质 |
CN112783740A (zh) * | 2020-12-30 | 2021-05-11 | 科大国创云网科技有限公司 | 一种基于时间序列特征的服务器性能预测方法及*** |
CN113254153A (zh) * | 2021-05-20 | 2021-08-13 | 深圳市金蝶天燕云计算股份有限公司 | 流程任务处理方法、装置、计算机设备和存储介质 |
CN113268403A (zh) * | 2021-05-25 | 2021-08-17 | 中国联合网络通信集团有限公司 | 时间序列的分析预测方法、装置、设备及存储介质 |
CN113271606A (zh) * | 2021-04-21 | 2021-08-17 | 北京邮电大学 | 云原生移动网络稳定性保障的业务调度方法及电子设备 |
CN113422801A (zh) * | 2021-05-13 | 2021-09-21 | 河南师范大学 | 边缘网络节点内容分配方法、***、装置及计算机设备 |
CN113642638A (zh) * | 2021-08-12 | 2021-11-12 | 云知声智能科技股份有限公司 | 容量调整方法、模型的训练方法、装置、设备、存储介质 |
WO2022110444A1 (zh) * | 2020-11-30 | 2022-06-02 | 中国科学院深圳先进技术研究院 | 云原生资源动态预测方法、装置、计算机设备及存储介质 |
WO2022142120A1 (zh) * | 2020-12-31 | 2022-07-07 | 平安科技(深圳)有限公司 | 基于人工智能的数据检测方法、装置、服务器及存储介质 |
CN115883392A (zh) * | 2023-02-21 | 2023-03-31 | 浪潮通信信息***有限公司 | 算力网络的数据感知方法、装置、电子设备及存储介质 |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20080126881A1 (en) * | 2006-07-26 | 2008-05-29 | Tilmann Bruckhaus | Method and apparatus for using performance parameters to predict a computer system failure |
US20080222646A1 (en) * | 2007-03-06 | 2008-09-11 | Lev Sigal | Preemptive neural network database load balancer |
CN103678004A (zh) * | 2013-12-19 | 2014-03-26 | 南京大学 | 一种基于非监督特征学习的主机负载预测方法 |
CN105373830A (zh) * | 2015-12-11 | 2016-03-02 | 中国科学院上海高等研究院 | 误差反向传播神经网络的预测方法、***及服务器 |
CN105550323A (zh) * | 2015-12-15 | 2016-05-04 | 北京国电通网络技术有限公司 | 一种分布式数据库负载均衡预测方法和预测分析器 |
US20170351948A1 (en) * | 2016-06-01 | 2017-12-07 | Seoul National University R&Db Foundation | Apparatus and method for generating prediction model based on artificial neural network |
CN107608781A (zh) * | 2016-07-11 | 2018-01-19 | 华为软件技术有限公司 | 一种负载预测方法、装置以及网元 |
CN109284871A (zh) * | 2018-09-30 | 2019-01-29 | 北京金山云网络技术有限公司 | 资源调整方法、装置和云平台 |
WO2019019255A1 (zh) * | 2017-07-25 | 2019-01-31 | 平安科技(深圳)有限公司 | 建立预测模型的装置、方法、预测模型建立程序及计算机可读存储介质 |
-
2019
- 2019-03-15 CN CN201910198343.6A patent/CN110059858A/zh active Pending
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20080126881A1 (en) * | 2006-07-26 | 2008-05-29 | Tilmann Bruckhaus | Method and apparatus for using performance parameters to predict a computer system failure |
US20080222646A1 (en) * | 2007-03-06 | 2008-09-11 | Lev Sigal | Preemptive neural network database load balancer |
CN103678004A (zh) * | 2013-12-19 | 2014-03-26 | 南京大学 | 一种基于非监督特征学习的主机负载预测方法 |
CN105373830A (zh) * | 2015-12-11 | 2016-03-02 | 中国科学院上海高等研究院 | 误差反向传播神经网络的预测方法、***及服务器 |
CN105550323A (zh) * | 2015-12-15 | 2016-05-04 | 北京国电通网络技术有限公司 | 一种分布式数据库负载均衡预测方法和预测分析器 |
US20170351948A1 (en) * | 2016-06-01 | 2017-12-07 | Seoul National University R&Db Foundation | Apparatus and method for generating prediction model based on artificial neural network |
CN107608781A (zh) * | 2016-07-11 | 2018-01-19 | 华为软件技术有限公司 | 一种负载预测方法、装置以及网元 |
WO2019019255A1 (zh) * | 2017-07-25 | 2019-01-31 | 平安科技(深圳)有限公司 | 建立预测模型的装置、方法、预测模型建立程序及计算机可读存储介质 |
CN109284871A (zh) * | 2018-09-30 | 2019-01-29 | 北京金山云网络技术有限公司 | 资源调整方法、装置和云平台 |
Non-Patent Citations (5)
Title |
---|
WANG JINA;YAN YONGMING;GUO JUN: "Research on the Prediction Model of CPU Utilization Based on ARIMA-BP Neural Network", MATEC WEB OF CONFERENCES, vol. 65, pages 1 - 4 * |
吴长伟: "基于BP神经网络的负载均衡技术的研究", 信息科技, no. 2013, pages 139 - 26 * |
王磊: "基于服务组合的"***的***"的可靠性时间序列预测方法及关键技术研究", 基础科学;信息科技, no. 2017, pages 139 - 5 * |
陈志佳;朱元昌;邸彦强;冯少冲;: "基于改进神经网络的IaaS云资源需求预测方法", 华中科技大学学报(自然科学版), no. 01, pages 51 - 56 * |
鲍一丹, 吴燕萍, 何勇: "BP神经网络最优组合预测方法及其应用", 农机化研究, no. 03, pages 166 - 168 * |
Cited By (34)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111598390B (zh) * | 2019-10-16 | 2023-12-01 | 中国南方电网有限责任公司 | 服务器高可用性评估方法、装置、设备和可读存储介质 |
CN111598390A (zh) * | 2019-10-16 | 2020-08-28 | 中国南方电网有限责任公司 | 服务器高可用性评估方法、装置、设备和可读存储介质 |
CN111125097A (zh) * | 2019-11-29 | 2020-05-08 | 中盈优创资讯科技有限公司 | 报表调度方法及装置 |
CN111026626A (zh) * | 2019-11-29 | 2020-04-17 | 中国建设银行股份有限公司 | Cpu消耗量预估、预估模型训练方法及装置 |
CN111125097B (zh) * | 2019-11-29 | 2024-03-15 | 中盈优创资讯科技有限公司 | 报表调度方法及装置 |
CN111277445A (zh) * | 2020-02-17 | 2020-06-12 | 网宿科技股份有限公司 | 一种评估在线节点服务器性能的方法及装置 |
CN111277445B (zh) * | 2020-02-17 | 2022-06-07 | 网宿科技股份有限公司 | 一种评估在线节点服务器性能的方法及装置 |
CN111694814A (zh) * | 2020-05-27 | 2020-09-22 | 平安银行股份有限公司 | 日期分区表批量扩展方法、装置、计算机设备及存储介质 |
CN112527470B (zh) * | 2020-05-27 | 2023-05-26 | 上海有孚智数云创数字科技有限公司 | 用于预测性能指标的模型训练方法、装置及可读存储介质 |
CN111694814B (zh) * | 2020-05-27 | 2024-04-09 | 平安银行股份有限公司 | 日期分区表批量扩展方法、装置、计算机设备及存储介质 |
CN112527470A (zh) * | 2020-05-27 | 2021-03-19 | 上海有孚智数云创数字科技有限公司 | 用于预测性能指标的模型训练方法、装置及可读存储介质 |
CN111625440A (zh) * | 2020-06-04 | 2020-09-04 | 中国银行股份有限公司 | 一种预测性能参数的方法及装置 |
CN111680835A (zh) * | 2020-06-05 | 2020-09-18 | 广州汇量信息科技有限公司 | 一种风险预测方法、装置、存储介质及电子设备 |
CN111935025B (zh) * | 2020-07-08 | 2023-10-17 | 腾讯科技(深圳)有限公司 | 一种tcp传输性能的控制方法、装置、设备和介质 |
CN111935025A (zh) * | 2020-07-08 | 2020-11-13 | 腾讯科技(深圳)有限公司 | 一种tcp传输性能的控制方法、装置、设备和介质 |
CN112001116A (zh) * | 2020-07-17 | 2020-11-27 | 新华三大数据技术有限公司 | 一种云资源容量预测方法及装置 |
CN111985726B (zh) * | 2020-08-31 | 2023-04-18 | 重庆紫光华山智安科技有限公司 | 资源数量预测方法、装置、电子设备及存储介质 |
CN111985726A (zh) * | 2020-08-31 | 2020-11-24 | 重庆紫光华山智安科技有限公司 | 资源数量预测方法、装置、电子设备及存储介质 |
CN112182069B (zh) * | 2020-09-30 | 2023-11-24 | 中国平安人寿保险股份有限公司 | 代理人留存预测方法、装置、计算机设备及存储介质 |
CN112182069A (zh) * | 2020-09-30 | 2021-01-05 | 中国平安人寿保险股份有限公司 | 代理人留存预测方法、装置、计算机设备及存储介质 |
WO2022110444A1 (zh) * | 2020-11-30 | 2022-06-02 | 中国科学院深圳先进技术研究院 | 云原生资源动态预测方法、装置、计算机设备及存储介质 |
CN112783740B (zh) * | 2020-12-30 | 2022-11-18 | 科大国创云网科技有限公司 | 一种基于时间序列特征的服务器性能预测方法及*** |
CN112783740A (zh) * | 2020-12-30 | 2021-05-11 | 科大国创云网科技有限公司 | 一种基于时间序列特征的服务器性能预测方法及*** |
WO2022142120A1 (zh) * | 2020-12-31 | 2022-07-07 | 平安科技(深圳)有限公司 | 基于人工智能的数据检测方法、装置、服务器及存储介质 |
CN113271606B (zh) * | 2021-04-21 | 2022-08-05 | 北京邮电大学 | 云原生移动网络稳定性保障的业务调度方法及电子设备 |
CN113271606A (zh) * | 2021-04-21 | 2021-08-17 | 北京邮电大学 | 云原生移动网络稳定性保障的业务调度方法及电子设备 |
CN113422801A (zh) * | 2021-05-13 | 2021-09-21 | 河南师范大学 | 边缘网络节点内容分配方法、***、装置及计算机设备 |
CN113422801B (zh) * | 2021-05-13 | 2022-12-06 | 河南师范大学 | 边缘网络节点内容分配方法、***、装置及计算机设备 |
CN113254153B (zh) * | 2021-05-20 | 2023-10-13 | 深圳市金蝶天燕云计算股份有限公司 | 流程任务处理方法、装置、计算机设备和存储介质 |
CN113254153A (zh) * | 2021-05-20 | 2021-08-13 | 深圳市金蝶天燕云计算股份有限公司 | 流程任务处理方法、装置、计算机设备和存储介质 |
CN113268403B (zh) * | 2021-05-25 | 2023-10-31 | 中国联合网络通信集团有限公司 | 时间序列的分析预测方法、装置、设备及存储介质 |
CN113268403A (zh) * | 2021-05-25 | 2021-08-17 | 中国联合网络通信集团有限公司 | 时间序列的分析预测方法、装置、设备及存储介质 |
CN113642638A (zh) * | 2021-08-12 | 2021-11-12 | 云知声智能科技股份有限公司 | 容量调整方法、模型的训练方法、装置、设备、存储介质 |
CN115883392A (zh) * | 2023-02-21 | 2023-03-31 | 浪潮通信信息***有限公司 | 算力网络的数据感知方法、装置、电子设备及存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110059858A (zh) | 服务器资源预测方法、装置、计算机设备及存储介质 | |
CN103853786B (zh) | 数据库参数的优化方法与*** | |
BenDor et al. | Ecological and economic sustainability in fishery management: a multi-agent model for understanding competition and cooperation | |
CN103297626A (zh) | 排班方法及装置 | |
Hawkins et al. | A goal programming model for capital budgeting | |
CN105843679B (zh) | 自适应众核资源调度方法 | |
CN106779253A (zh) | 一种计及光伏的配电网短期负荷预测方法及装置 | |
Mendoza et al. | A fuzzy multiple objective linear programming approach to forest planning under uncertainty | |
Yang et al. | An uncertain workforce planning problem with job satisfaction | |
CN109804360A (zh) | 安全智能联网架构、处理和执行 | |
CN108549276A (zh) | 一种智能交互控制制水设备的方法及*** | |
CN109542585A (zh) | 一种支持不规则时间间隔的虚拟机工作负载预测方法 | |
CN103455509B (zh) | 一种获取时间窗口模型参数的方法和*** | |
Jangra et al. | An efficient load balancing framework for deploying resource schedulingin cloud based communication in healthcare | |
CN111816291A (zh) | 一种设备维护方法及装置 | |
Chang | A study of due-date assignment rules with constrained tightness in a dynamic job shop | |
CN111415261B (zh) | 银行***的流控阈值动态更新的控制方法、***和装置 | |
Kurniawan et al. | Makassar smart city operation center priority optimization using fuzzy multi-criteria decision-making | |
Chen et al. | A genetic algorithm for the optimization of admission scheduling strategy in hospitals | |
CN110209656A (zh) | 数据处理方法及装置 | |
CN110334517A (zh) | 可信策略的更新方法及装置、可信安全管理平台 | |
Chen et al. | A new method for fuzzy group decision-making based on interval linguistic labels | |
Mehra et al. | Adaptive load-balancing strategies for distributed systems | |
CN110099415A (zh) | 一种基于流量预测的云无线接入网计算资源分配方法及*** | |
CN110378580A (zh) | 一种电网故障多代理***择优诊断方法及装置 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20190726 |
|
WD01 | Invention patent application deemed withdrawn after publication |