CN115827257B - 用于处理器体系的cpu容量预测方法及其*** - Google Patents
用于处理器体系的cpu容量预测方法及其*** Download PDFInfo
- Publication number
- CN115827257B CN115827257B CN202310133156.6A CN202310133156A CN115827257B CN 115827257 B CN115827257 B CN 115827257B CN 202310133156 A CN202310133156 A CN 202310133156A CN 115827257 B CN115827257 B CN 115827257B
- Authority
- CN
- China
- Prior art keywords
- feature
- cpu
- feature map
- residual
- capacity
- 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.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 51
- 238000012545 processing Methods 0.000 claims abstract description 22
- 239000013598 vector Substances 0.000 claims description 173
- 238000012546 transfer Methods 0.000 claims description 66
- 238000000605 extraction Methods 0.000 claims description 55
- 238000013527 convolutional neural network Methods 0.000 claims description 37
- 238000003062 neural network model Methods 0.000 claims description 35
- 239000011159 matrix material Substances 0.000 claims description 31
- 230000004927 fusion Effects 0.000 claims description 25
- 230000006870 function Effects 0.000 claims description 20
- 230000008447 perception Effects 0.000 claims description 20
- 238000010586 diagram Methods 0.000 claims description 19
- 238000013528 artificial neural network Methods 0.000 claims description 16
- 230000004913 activation Effects 0.000 claims description 6
- 230000004931 aggregating effect Effects 0.000 claims description 6
- 238000011176 pooling Methods 0.000 claims description 6
- 230000007704 transition Effects 0.000 claims 2
- 238000004590 computer program Methods 0.000 description 9
- 238000013135 deep learning Methods 0.000 description 8
- 238000005065 mining Methods 0.000 description 8
- 230000008901 benefit Effects 0.000 description 6
- 238000012512 characterization method Methods 0.000 description 6
- 238000012549 training Methods 0.000 description 5
- 230000002776 aggregation Effects 0.000 description 4
- 238000004220 aggregation Methods 0.000 description 4
- 230000008859 change Effects 0.000 description 4
- 230000008569 process Effects 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 239000002699 waste material Substances 0.000 description 2
- 238000007792 addition Methods 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000000354 decomposition reaction Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 230000002452 interceptive effect Effects 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000003058 natural language processing Methods 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 230000006798 recombination Effects 0.000 description 1
- 238000005215 recombination Methods 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 238000013519 translation Methods 0.000 description 1
Images
Classifications
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
- Y02D10/00—Energy efficient computing, e.g. low power processors, power management or thermal management
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Complex Calculations (AREA)
Abstract
本申请涉及智能预测领域,其具体地公开了一种用于处理器体系的CPU容量预测方法及其***,其通过采用基于深度学习的深度神经网络模型挖掘出各个CPU单元的剩余CPU容量在时间维度上的动态关联特征以及所述各个CPU单元的剩余CPU容量间相互的关联性关系。这样,能够准确地预测CPU容量,以对CPU容量有更好的把控,防止其过载或者性能无法满足处理任务需求,以维持处理器体系的性能稳定性和可靠性。
Description
技术领域
本申请涉及智能预测领域,且更为具体地,涉及一种用于处理器体系的CPU容量预测方法及其***。
背景技术
随着数据处理的日益集中,IBM Z系列大型主机(Mainframe)已成为银行业核心业务处理平台的首选。由于金融市场具有业务量大、种类繁多、处理流程复杂的特点,所以对计算机***性能进行监控,尤其是对CPU性能的监控,是计算机资源合理配置和计算机***有效运行的保障。
随着***平台的用户量增加,在处理器体系出现瓶颈前,需要怎样合理分配CPU资源才能保障处理器体系的顺畅运行,保证其能够满足处理任务需求,是困扰大多运维人员进行容量规划的难题。传统数据中心容量规划主要以经验为主,为了保障处理器体系的性能,经常采用过量分配资源的方式,这会导致数据中心服务器资源利用率整体非常低,造成资源浪费。
因此,期望一种优化的用于处理器体系的CPU容量预测方案。
发明内容
为了解决上述技术问题,提出了本申请。本申请的实施例提供了一种用于处理器体系的CPU容量预测方法及其***,其通过采用基于深度学习的深度神经网络模型挖掘出各个CPU单元的剩余CPU容量在时间维度上的动态关联特征以及所述各个CPU单元的剩余CPU容量间相互的关联性关系。这样,能够准确地预测CPU容量,以对CPU容量有更好的把控,防止其过载或者性能无法满足处理任务需求,以维持处理器体系的性能稳定性和可靠性。
根据本申请的一个方面,提供了一种用于处理器体系的CPU容量预测方法,其包括:获取处理器体系中多个CPU单元在预定时间段内多个预定时间点的剩余CPU容量;将所述各个CPU单元在预定时间段内多个预定时间点的剩余CPU容量按照时间维度排列为输入向量后通过多尺度邻域特征提取模块以得到多个剩余CPU容量特征向量;计算所述多个剩余CPU容量特征向量中每两个剩余CPU容量特征向量之间的转移矩阵以得到多个转移矩阵;将所述多个转移矩阵按照通道维度聚合为三维输入张量后通过作为特征提取器的卷积神经网络模型以得到CPU剩余容量关联特征图;将所述CPU剩余容量关联特征图通过非局部神经网络模型以得到解码特征图;对所述解码特征图进行特征分布调制以得到优化解码特征图;以及将所述优化解码特征图通过解码器进行解码回归以得到用于表示所述处理器体系的CPU容量的预测值的解码值。
在上述用于处理器体系的CPU容量预测方法中,所述多尺度邻域特征提取模块,包括:第一卷积层、与所述第一卷积层并行的第二卷积层,以及,与所述第一卷积层和所述第二卷积层连接的级联层,其中,所述第一卷积层使用具有第一尺度的一维卷积核,所述第二卷积层使用具有第二尺度的一维卷积核。
在上述用于处理器体系的CPU容量预测方法中,所述将所述各个CPU单元在预定时间段内多个预定时间点的剩余CPU容量按照时间维度排列为输入向量后通过多尺度邻域特征提取模块以得到多个剩余CPU容量特征向量,包括:将所述剩余CPU容量输入向量输入所述多尺度邻域特征提取模块的第一卷积层以得到第一邻域尺度剩余CPU容量特征向量,其中,所述第一卷积层具有第一长度的第一一维卷积核;将所述剩余CPU容量输入向量输入所述多尺度邻域特征提取模块的第二卷积层以得到第二邻域尺度剩余CPU容量特征向量,其中,所述第二卷积层具有第二长度的第二一维卷积核,所述第一长度不同于所述第二长度;以及,将所述第一邻域尺度剩余CPU容量特征向量和所述第二邻域尺度剩余CPU容量特征向量进行级联以得到所述多个剩余CPU容量特征向量。
在上述用于处理器体系的CPU容量预测方法中,所述将所述剩余CPU容量输入向量输入所述多尺度邻域特征提取模块的第一卷积层以得到第一邻域尺度剩余CPU容量特征向量,包括:使用所述多尺度邻域特征提取模块的第一卷积层以如下公式对所述剩余CPU容量输入向量进行一维卷积编码以得到所述第一邻域尺度剩余CPU容量特征向量;其中,所述公式为:
,
其中,
a为第一卷积核在
x方向上的宽度,为第一卷积核参数向量,为与卷积核函数运算的局部向量矩阵,
w为第一卷积核的尺寸,
X表示所述剩余CPU容量输入向量;以及,所述将所述剩余CPU容量输入向量输入所述多尺度邻域特征提取模块的第二卷积层以得到第二邻域尺度剩余CPU容量特征向量,包括:使用所述多尺度邻域特征提取模块的第二卷积层以如下公式对所述剩余CPU容量输入向量进行一维卷积编码以得到所述第二邻域尺度剩余CPU容量特征向量;其中,所述公式为:
,
其中,b为第二卷积层在
x方向上的宽度,为第二卷积层参数向量,为与卷积核函数运算的局部向量矩阵,m为第二卷积层的尺寸,
X表示所述剩余CPU容量输入向量。
在上述用于处理器体系的CPU容量预测方法中,所述计算所述多个剩余CPU容量特征向量中每两个剩余CPU容量特征向量之间的转移矩阵以得到多个转移矩阵,包括:以如下公式计算所述多个剩余CPU容量特征向量中每两个剩余CPU容量特征向量之间的转移矩阵以得到多个转移矩阵;其中,所述公式为:
,
其中和表示所述多个剩余CPU容量特征向量中每两个剩余CPU容量特征向量,表示所述多个转移矩阵。
在上述用于处理器体系的CPU容量预测方法中,所述将所述多个转移矩阵按照通道维度聚合为三维输入张量后通过作为特征提取器的卷积神经网络模型以得到CPU剩余容量关联特征图,包括:使用所述作为特征提取器的卷积神经网络模型的各层在层的正向传递中分别对输入数据进行:对输入数据进行卷积处理以得到卷积特征图;对所述卷积特征图进行基于局部特征矩阵的池化以得到池化特征图;以及,对所述池化特征图进行非线性激活以得到激活特征图;其中,所述作为特征提取器的卷积神经网络的最后一层的输出为所述CPU剩余容量关联特征图,所述作为特征提取器的卷积神经网络的第一层的输入为所述三维输入张量。
在上述用于处理器体系的CPU容量预测方法中,所述将所述CPU剩余容量关联特征图通过非局部神经网络模型以得到解码特征图,包括:将所述CPU剩余容量关联特征图分别输入所述非局部神经网络模型的第一点卷积层、第二点卷积层和第三点卷积层以得到第一特征图、第二特征图和第三特征图;计算所述第一特征图和所述第二特征图的按位置加权和以得到中间融合特征图;将所述中间融合特征图输入Softmax函数以对所述中间融合特征图中各个位置的特征值进行归一化以得到归一化中间融合特征图;计算所述归一化中间融合特征图和所述第三特征图的按位置加权和以得到再融合特征图;将所述再融合特征图通过嵌入高斯相似性函数以计算所述再融合特征图中各个位置的特征值间的相似性以得到全局感知特征图;将所述全局感知特征图通过所述非局部神经网络模型的第四点卷积层以得到通道调整全局感知特征图;以及,计算所述通道调整全局感知特征图和所述CPU剩余容量关联特征图的按位置加权和以得到所述解码特征图。
在上述用于处理器体系的CPU容量预测方法中,所述对所述解码特征图进行特征分布调制以得到优化解码特征图,包括:以如下公式对所述解码特征图进行特征分布调制以得到所述优化解码特征图;其中,所述公式为:
,
其中是所述解码特征图的预定特征值,是所述解码特征图的所述预定特征值以外的其它特征值,且是所述解码特征图的所有特征值的均值,且是所述解码特征图的尺度,是数值的指数运算,所述数值的指数运算表示以所述数值为幂的自然指数函数值,是所述优化解码特征图的预定特征值。
在上述用于处理器体系的CPU容量预测方法中,所述将所述优化解码特征图通过解码器进行解码回归以得到用于表示所述处理器体系的CPU容量的预测值的解码值,包括:使用所述解码器以如下公式将所述优化解码特征图通过解码器进行解码回归以得到用于表示所述处理器体系的CPU容量的预测值的解码值;其中,所述公式为:,其中表示所述优化解码特征图,是所述解码值,是权重矩阵,表示矩阵相乘。
根据本申请的另一方面,提供了一种用于处理器体系的CPU容量预测***,其包括:容量信息获取模块,用于获取处理器体系中多个CPU单元在预定时间段内多个预定时间点的剩余CPU容量;多尺度邻域特征提取模块,用于将所述各个CPU单元在预定时间段内多个预定时间点的剩余CPU容量按照时间维度排列为输入向量后通过多尺度邻域特征提取模块以得到多个剩余CPU容量特征向量;转移模块,用于计算所述多个剩余CPU容量特征向量中每两个剩余CPU容量特征向量之间的转移矩阵以得到多个转移矩阵;卷积模块,用于将所述多个转移矩阵按照通道维度聚合为三维输入张量后通过作为特征提取器的卷积神经网络模型以得到CPU剩余容量关联特征图;非局部神经网络模块,用于将所述CPU剩余容量关联特征图通过非局部神经网络模型以得到解码特征图;特征分布调制模块,用于对所述解码特征图进行特征分布调制以得到优化解码特征图;以及解码回归模块,用于将所述优化解码特征图通过解码器进行解码回归以得到用于表示所述处理器体系的CPU容量的预测值的解码值。
根据本申请的 再一方面,提供了一种电子设备,包括:处理器;以及,存储器,在所述存储器中存储有计算机程序指令,所述计算机程序指令在被所述处理器运行时使得所述处理器执行如上所述的用于处理器体系的CPU容量预测方法。
根据本申请的又一方面,提供了一种计算机可读介质,其上存储有计算机程序指令,所述计算机程序指令在被处理器运行时使得所述处理器执行如上所述的用于处理器体系的CPU容量预测方法。
与现有技术相比,本申请提供的一种用于处理器体系的CPU容量预测方法及其***,其通过采用基于深度学习的深度神经网络模型挖掘出各个CPU单元的剩余CPU容量在时间维度上的动态关联特征以及所述各个CPU单元的剩余CPU容量间相互的关联性关系。这样,能够准确地预测CPU容量,以对CPU容量有更好的把控,防止其过载或者性能无法满足处理任务需求,以维持处理器体系的性能稳定性和可靠性。
附图说明
通过结合附图对本申请实施例进行更详细的描述,本申请的上述以及其他目的、特征和优势将变得更加明显。附图用来提供对本申请实施例的进一步理解,并且构成说明书的一部分,与本申请实施例一起用于解释本申请,并不构成对本申请的限制。在附图中,相同的参考标号通常代表相同部件或步骤。
图1为根据本申请实施例的用于处理器体系的CPU容量预测方法的流程图。
图2为根据本申请实施例的用于处理器体系的CPU容量预测方法的架构示意图。
图3为根据本申请实施例的用于处理器体系的CPU容量预测方法中多尺度邻域特征提取的流程图。
图4为根据本申请实施例的用于处理器体系的CPU容量预测方法中卷积神经网络编码的流程图。
图5为根据本申请实施例的用于处理器体系的CPU容量预测方法中非局部神经网络编码的流程图。
图6为根据本申请实施例的用于处理器体系的CPU容量预测***的框图。
图7为根据本申请实施例的电子设备的框图。
具体实施方式
下面,将参考附图详细地描述根据本申请的示例实施例。显然,所描述的实施例仅仅是本申请的一部分实施例,而不是本申请的全部实施例,应理解,本申请不受这里描述的示例实施例的限制。
场景概述:如背景技术中所言,传统数据中心容量规划主要以经验为主,为了保障处理器体系的性能,经常采用过量分配资源的方式,这会导致数据中心服务器资源利用率整体非常低,造成资源浪费。因此,期望一种优化的用于处理器体系的CPU容量预测方案。
相应地,考虑到为了对CPU容量有更好的把控需要对于CPU的容量进行预测,而在实际进行CPU的容量预测时,可以通过对于处理器体系中多个CPU单元的剩余CPU容量进行时间维度上的动态变化分析来进行。但是,由于处理器体系由多个CPU单元构成,各个CPU单元的剩余CPU容量不仅在时间维度上具有着不断变化的特性,而且所述各个CPU单元的剩余CPU容量间也具有着相互的关联性关系,这对于处理器体系的CPU容量的实时预测带来了难度。因此,在对于处理器体系的CPU容量进行预测的过程中,难点在于如何 以此来准确地预测CPU容量,以对CPU容量有更好的把控,防止其过载或者性能无法满足处理任务需求,以维持处理器体系的性能稳定性和可靠性。
近年来,深度学***。
深度学习以及神经网络的发展为挖掘所述处理器体系的各个CPU单元的剩余CPU容量间的时序关联关系提供了新的解决思路和方案。本领域普通技术人员应知晓,基于深度学习的深度神经网络模型可以通过适当的训练策略,例如通过梯度下降的反向传播算法来调整所述深度神经网络模型的参数以使之能够模拟事物之间的复杂的非线性关联,而这显然适合于模拟并建立所述处理器体系的各个CPU单元的剩余CPU容量间的复杂时序关联关系。
具体地,在本申请的技术方案中,首先,获取处理器体系中多个CPU单元在预定时间段内多个预定时间点的剩余CPU容量。接着,考虑到所述处理器体系中各个CPU单元的剩余CPU容量在时间维度上具有着波动性,其在所述预定时间段内的不同时间周期跨度下具有着不同的变化特征,因此,为了能够准确地提取出这种时序动态变化特征来进行准确地CPU容量预测,在本申请的技术方案中,进一步将所述各个CPU单元在预定时间段内多个预定时间点的剩余CPU容量按照时间维度排列为输入向量后通过多尺度邻域特征提取模块中进行特征挖掘,以提取出所述各个CPU单元的剩余CPU容量在所述预定时间段内的不同时间跨度下的动态多尺度邻域关联特征,从而得到对应于多个CPU单元的多个剩余CPU容量特征向量。
然后,考虑到在所述处理器体系中,所述处理器体系的CPU容量与其中的多个CPU单元的剩余CPU容量有关,并且,所述各个CPU单元的剩余CPU容量间也具有着关联性关系。也就是说,所述各个CPU单元的剩余CPU容量间的关联性共同决定了处理器体系的CPU整体容量,若想准确地对于处理器体系的CPU容量进行预测,需要对于所述各个CPU单元的剩余CPU容量进行关联性的特征挖掘。具体地,在本申请的技术方案中,计算所述多个剩余CPU容量特征向量中每两个剩余CPU容量特征向量之间的转移矩阵,以此来表示所述多个CPU单元中每两个CPU单元的剩余CPU容量间的关联性特征分布信息,从而得到多个转移矩阵。
进一步地,在得到所述多个CPU单元中每两个CPU单元的剩余CPU容量间的关联性特征分布信息后,为了探究所述各个CPU单元的剩余CPU容量的关联性特征对于处理器体系的CPU容量变化的影响,在本申请的技术方案中,进一步将所述多个转移矩阵按照通道维度聚合为三维输入张量后通过作为特征提取器的卷积神经网络模型中进行特征挖掘,以得到CPU剩余容量关联特征图。特别地,这里,所述卷积神经网络模型为具有三维卷积核的卷积神经网络模型,所述卷积卷积神经网络模型的卷积核为三维卷积核,其具有W(宽度)、H(高度)和C(通道维度),使用所述具有三维卷积核的卷积神经网络模型能够提取出所述各个CPU单元的剩余CPU容量的关联性在样本维度上关于所述处理器体系整体的CPU容量的关联变化特征。
接着,又考虑到由于卷积是典型的局部操作,其只能提取到所述处理器体系局部的剩余CPU容量的特征关联,而无法关注全局,会影响对于所述处理器体系的CPU容量预测精准度。而对于所述各个CPU单元的剩余CPU容量来说,所述各个CPU单元的剩余CPU容量的关联性特征构成所述处理器体系整体的CPU容量特征,并且,所述各个CPU单元的剩余CPU容量特征之间并非是孤立存在的,所述各个CPU单元的剩余CPU容量特征分布间的关联性产生前景目标。因此,在本申请的技术方案中,为了更精准地对于所述处理器体系的CPU容量进行预测,使用非局部神经网络来进一步进行所述各个CPU单元的CPU剩余容量关联特征提取。也就是,将所述CPU剩余容量关联特征图通过非局部神经网络模型,以通过非局部神经网络模型来扩展特征感受野,从而得到解码特征图。特别地,这里,所述非局部神经网络通过计算所述各个CPU单元的CPU剩余容量特征间的相似度捕获隐藏的依赖信息,进而建模上下文特征,使网络关注所述各个CPU单元的CPU剩余容量特征间的全局整体内容,进而在解码、预测任务中提升主干网络特征提取能力。
然后,进一步再将所述优化解码特征图通过解码器中进行解码回归以得到用于表示所述处理器体系的CPU容量的预测值的解码值。这样,能够准确地预测处理器体系的CPU容量,以防止其过载或者性能无法满足处理任务需求,使其能够维持处理器体系的性能稳定性和可靠性。
特别地,在本申请的技术方案中,通过将所述多个转移矩阵按照通道维度聚合为三维输入张量后通过作为特征提取器的卷积神经网络模型得到所述CPU剩余容量关联特征图,并将所述CPU剩余容量关联特征图通过非局部神经网络模型得到所述解码特征图,可以使得所述解码特征图包括各个CPU单元的时序转移特征之间的通道排列维度下的丰富的局部和全局特征,即时序转移-通道交叉维度下的局部和全局关联特征。
但另一方面,由于所述解码特征图表达了交叉维度下的丰富的局部和全局关联特征,这就使得所述解码特征图在通过解码器进行解码回归时,其与所述解码器的权重矩阵之间的拟合负担重,从而影响所述解码器的训练速度和解码回归结果的准确性。
因此,优选地对所述解码特征图进行回归表征平展化,具体表示为:
,
是所述解码特征图的预定特征值,是所述解码特征图的所述预定特征值以外的其它特征值,且是所述解码特征图的所有特征值的均值,且是所述解码特征图的尺度,即宽度乘以高度乘以通道数。
这里,所述解码特征图的回归表征平展化将用于高维特征空间内的特征分布的回归表征的有限多面体流形进行平展,同时保持流形的各平面之间的固有距离,并基于空间直观地避免交叉,其实质上是将该有限多面体流形分解为基于直角面相交和同顶点相交的立方体晶格,从而获得回归平面的平展的“切片”聚集性,即所述解码特征图沿各个维度的特征分布的聚集性。这样,就增强了所述解码特征图对于解码器的权重矩阵的拟合性能,从而提升了所述解码特征图通过解码器进行解码回归的训练速度和解码结果的准确性。这样,能够准确地预测处理器体系的CPU容量,以对CPU容量有更好的把控,防止其过载或者性能无法满足处理任务需求,以维持处理器体系的性能稳定性和可靠性。
基于此,本申请提出了一种用于处理器体系的CPU容量预测方法,其包括:获取处理器体系中多个CPU单元在预定时间段内多个预定时间点的剩余CPU容量;将所述各个CPU单元在预定时间段内多个预定时间点的剩余CPU容量按照时间维度排列为输入向量后通过多尺度邻域特征提取模块以得到多个剩余CPU容量特征向量;计算所述多个剩余CPU容量特征向量中每两个剩余CPU容量特征向量之间的转移矩阵以得到多个转移矩阵;将所述多个转移矩阵按照通道维度聚合为三维输入张量后通过作为特征提取器的卷积神经网络模型以得到CPU剩余容量关联特征图;将所述CPU剩余容量关联特征图通过非局部神经网络模型以得到解码特征图;对所述解码特征图进行特征分布调制以得到优化解码特征图;以及,将所述优化解码特征图通过解码器进行解码回归以得到用于表示所述处理器体系的CPU容量的预测值的解码值。
在介绍了本申请的基本原理之后,下面将参考附图来具体介绍本申请的各种非限制性实施例。
示例性方法:图1为根据本申请实施例的用于处理器体系的CPU容量预测方法的流程图。如图1所示,根据本申请实施例的用于处理器体系的CPU容量预测方法,包括步骤:S110,获取处理器体系中多个CPU单元在预定时间段内多个预定时间点的剩余CPU容量;S120,将所述各个CPU单元在预定时间段内多个预定时间点的剩余CPU容量按照时间维度排列为输入向量后通过多尺度邻域特征提取模块以得到多个剩余CPU容量特征向量;S130,计算所述多个剩余CPU容量特征向量中每两个剩余CPU容量特征向量之间的转移矩阵以得到多个转移矩阵;S140,将所述多个转移矩阵按照通道维度聚合为三维输入张量后通过作为特征提取器的卷积神经网络模型以得到CPU剩余容量关联特征图;S150,将所述CPU剩余容量关联特征图通过非局部神经网络模型以得到解码特征图;S160,对所述解码特征图进行特征分布调制以得到优化解码特征图;以及,S170,将所述优化解码特征图通过解码器进行解码回归以得到用于表示所述处理器体系的CPU容量的预测值的解码值。
图2为根据本申请实施例的用于处理器体系的CPU容量预测方法的架构示意图。如图2所示,在该网络结构中,首先,获取处理器体系中多个CPU单元在预定时间段内多个预定时间点的剩余CPU容量;再将所述各个CPU单元在预定时间段内多个预定时间点的剩余CPU容量按照时间维度排列为输入向量后通过多尺度邻域特征提取模块以得到多个剩余CPU容量特征向量;其次,计算所述多个剩余CPU容量特征向量中每两个剩余CPU容量特征向量之间的转移矩阵以得到多个转移矩阵;将所述多个转移矩阵按照通道维度聚合为三维输入张量后通过作为特征提取器的卷积神经网络模型以得到CPU剩余容量关联特征图;接着,将所述CPU剩余容量关联特征图通过非局部神经网络模型以得到解码特征图;然后,对所述解码特征图进行特征分布调制以得到优化解码特征图;进而,将所述优化解码特征图通过解码器进行解码回归以得到用于表示所述处理器体系的CPU容量的预测值的解码值。
具体地,在步骤S110中,获取处理器体系中多个CPU单元在预定时间段内多个预定时间点的剩余CPU容量。考虑到为了对CPU容量有更好的把控需要对于CPU的容量进行预测,而在实际进行CPU的容量预测时,可以通过对于处理器体系中多个CPU单元的剩余CPU容量进行时间维度上的动态变化分析来进行,因此,在本申请的技术方案中,首先,获取处理器体系中多个CPU单元在预定时间段内多个预定时间点的剩余CPU容量。
具体地,在步骤S120中,将所述各个CPU单元在预定时间段内多个预定时间点的剩余CPU容量按照时间维度排列为输入向量后通过多尺度邻域特征提取模块以得到多个剩余CPU容量特征向量。考虑到所述处理器体系中各个CPU单元的剩余CPU容量在时间维度上具有着波动性,其在所述预定时间段内的不同时间周期跨度下具有着不同的变化特征,因此,为了能够准确地提取出这种时序动态变化特征来进行准确地CPU容量预测,在本申请的技术方案中,进一步将所述各个CPU单元在预定时间段内多个预定时间点的剩余CPU容量按照时间维度排列为输入向量后通过多尺度邻域特征提取模块中进行特征挖掘,以提取出所述各个CPU单元的剩余CPU容量在所述预定时间段内的不同时间跨度下的动态多尺度邻域关联特征,从而得到对应于多个CPU单元的多个剩余CPU容量特征向量。在本申请的技术方案中,所述将所述各个CPU单元在预定时间段内多个预定时间点的剩余CPU容量按照时间维度排列为输入向量后通过多尺度邻域特征提取模块以得到多个剩余CPU容量特征向量,包括:将所述剩余CPU容量输入向量输入所述多尺度邻域特征提取模块的第一卷积层以得到第一邻域尺度剩余CPU容量特征向量,其中,所述第一卷积层具有第一长度的第一一维卷积核;将所述剩余CPU容量输入向量输入所述多尺度邻域特征提取模块的第二卷积层以得到第二邻域尺度剩余CPU容量特征向量,其中,所述第二卷积层具有第二长度的第二一维卷积核,所述第一长度不同于所述第二长度;以及,将所述第一邻域尺度剩余CPU容量特征向量和所述第二邻域尺度剩余CPU容量特征向量进行级联以得到所述多个剩余CPU容量特征向量。其中,所述多尺度邻域特征提取模块,包括:第一卷积层、与所述第一卷积层并行的第二卷积层,以及,与所述第一卷积层和所述第二卷积层连接的级联层,其中,所述第一卷积层使用具有第一尺度的一维卷积核,所述第二卷积层使用具有第二尺度的一维卷积核。更具体地,所述将所述剩余CPU容量输入向量输入所述多尺度邻域特征提取模块的第一卷积层以得到第一邻域尺度剩余CPU容量特征向量,包括:使用所述多尺度邻域特征提取模块的第一卷积层以如下公式对所述剩余CPU容量输入向量进行一维卷积编码以得到所述第一邻域尺度剩余CPU容量特征向量;其中,所述公式为:
,
其中,
a为第一卷积核在
x方向上的宽度,为第一卷积核参数向量、为与卷积核函数运算的局部向量矩阵,
w为第一卷积核的尺寸,
X表示所述剩余CPU容量输入向量;以及,所述将所述剩余CPU容量输入向量输入所述多尺度邻域特征提取模块的第二卷积层以得到第二邻域尺度剩余CPU容量特征向量,包括:使用所述多尺度邻域特征提取模块的第二卷积层以如下公式对所述剩余CPU容量输入向量进行一维卷积编码以得到所述第二邻域尺度剩余CPU容量特征向量;其中,所述公式为:
,
其中,b为第二卷积层在
x方向上的宽度,为第二卷积层参数向量,为与卷积核函数运算的局部向量矩阵,m为第二卷积层的尺寸,
X表示所述剩余CPU容量输入向量;更具体地,在本申请的一个具体示例中,可通过级联的方式将所述第一邻域尺度剩余CPU容量特征向量和所述第二邻域尺度剩余CPU容量特征向量进行级联以得到所述多个剩余CPU容量特征向量,具体地:以如下公式来融合所述第一邻域尺度剩余CPU容量特征向量和所述第二邻域尺度剩余CPU容量特征向量以得到所述多个剩余CPU容量特征向量;其中,所述公式为:,其中,表示所述第一邻域尺度剩余CPU容量特征向量,表示所述第二邻域尺度剩余CPU容量特征向量,表示级联函数,表示所述多个剩余CPU容量特征向量。
图3为根据本申请实施例的用于处理器体系的CPU容量预测方法中多尺度邻域特征提取的流程图。如图3所示,在所述多尺度邻域特征提取过程中,包括:S210,将所述剩余CPU容量输入向量输入所述多尺度邻域特征提取模块的第一卷积层以得到第一邻域尺度剩余CPU容量特征向量,其中,所述第一卷积层具有第一长度的第一一维卷积核;S220,将所述剩余CPU容量输入向量输入所述多尺度邻域特征提取模块的第二卷积层以得到第二邻域尺度剩余CPU容量特征向量,其中,所述第二卷积层具有第二长度的第二一维卷积核,所述第一长度不同于所述第二长度;以及,S230,将所述第一邻域尺度剩余CPU容量特征向量和所述第二邻域尺度剩余CPU容量特征向量进行级联以得到所述多个剩余CPU容量特征向量。
具体地,在步骤S130中,计算所述多个剩余CPU容量特征向量中每两个剩余CPU容量特征向量之间的转移矩阵以得到多个转移矩阵。考虑到在所述处理器体系中,所述处理器体系的CPU容量与其中的多个CPU单元的剩余CPU容量有关,并且,所述各个CPU单元的剩余CPU容量间也具有着关联性关系。也就是说,所述各个CPU单元的剩余CPU容量间的关联性共同决定了处理器体系的CPU整体容量,若想准确地对于处理器体系的CPU容量进行预测,需要对于所述各个CPU单元的剩余CPU容量进行关联性的特征挖掘。具体地,在本申请的技术方案中,计算所述多个剩余CPU容量特征向量中每两个剩余CPU容量特征向量之间的转移矩阵,以此来表示所述多个CPU单元中每两个CPU单元的剩余CPU容量间的关联性特征分布信息,从而得到多个转移矩阵。具体地,所述计算所述多个剩余CPU容量特征向量中每两个剩余CPU容量特征向量之间的转移矩阵以得到多个转移矩阵,包括:以如下公式计算所述多个剩余CPU容量特征向量中每两个剩余CPU容量特征向量之间的转移矩阵以得到多个转移矩阵;其中,所述公式为:
,其中和表示所述多个剩余CPU容量特征向量中每两个剩余CPU容量特征向量,表示所述多个转移矩阵。
具体地,在步骤S140中,将所述多个转移矩阵按照通道维度聚合为三维输入张量后通过作为特征提取器的卷积神经网络模型以得到CPU剩余容量关联特征图。进一步地,在得到所述多个CPU单元中每两个CPU单元的剩余CPU容量间的关联性特征分布信息后,为了探究所述各个CPU单元的剩余CPU容量的关联性特征对于处理器体系的CPU容量变化的影响,在本申请的技术方案中,进一步将所述多个转移矩阵按照通道维度聚合为三维输入张量后通过作为特征提取器的卷积神经网络模型中进行特征挖掘,以得到CPU剩余容量关联特征图。特别地,这里,所述卷积神经网络模型为具有三维卷积核的卷积神经网络模型,所述卷积卷积神经网络模型的卷积核为三维卷积核,其具有W(宽度)、H(高度)和C(通道维度),使用所述具有三维卷积核的卷积神经网络模型能够提取出所述各个CPU单元的剩余CPU容量的关联性在样本维度上关于所述处理器体系整体的CPU容量的关联变化特征。具体地,所述卷积神经网络的各层在层的正向传递中分别对输入数据进行:使用卷积模块以三维卷积核对输入数据进行三维卷积编码以得到卷积特征图;使用池化模块对所述卷积特征图进行池化处理以得到池化特征图;以及,使用激活模块对所述池化特征图的各个位置的特征值进行非线性激活以得到CPU剩余容量关联特征图;其中,所述卷积神经网络的第一层的输入为将所述多个转移矩阵按照通道维度聚合得到的三维输入张量,所述卷积神经网络的最后一层的输出为所述CPU剩余容量关联特征图。
图4为根据本申请实施例的用于处理器体系的CPU容量预测方法中卷积神经网络编码的流程图。如图4所示,在所述卷积神经网络的编码过程中,包括:使用所述作为特征提取器的卷积神经网络模型的各层在层的正向传递中分别对输入数据进行:S310,对输入数据进行卷积处理以得到卷积特征图;S320,对所述卷积特征图进行基于局部特征矩阵的池化以得到池化特征图;以及,S330,对所述池化特征图进行非线性激活以得到激活特征图;其中,所述作为特征提取器的卷积神经网络的最后一层的输出为所述CPU剩余容量关联特征图,所述作为特征提取器的卷积神经网络的第一层的输入为所述三维输入张量。
具体地,在步骤S150中,将所述CPU剩余容量关联特征图通过非局部神经网络模型以得到解码特征图。应可以理解,由于卷积是典型的局部操作,其只能提取到所述处理器体系局部的剩余CPU容量的特征关联,而无法关注全局,会影响对于所述处理器体系的CPU容量预测精准度。而对于所述各个CPU单元的剩余CPU容量来说,所述各个CPU单元的剩余CPU容量的关联性特征构成所述处理器体系整体的CPU容量特征,并且,所述各个CPU单元的剩余CPU容量特征之间并非是孤立存在的,所述各个CPU单元的剩余CPU容量特征分布间的关联性产生前景目标。因此,在本申请的技术方案中,为了更精准地对于所述处理器体系的CPU容量进行预测,使用非局部神经网络来进一步进行所述各个CPU单元的CPU剩余容量关联特征提取。也就是,将所述CPU剩余容量关联特征图通过非局部神经网络模型,以通过非局部神经网络模型来扩展特征感受野,从而得到解码特征图。特别地,这里,所述非局部神经网络通过计算所述各个CPU单元的CPU剩余容量特征间的相似度捕获隐藏的依赖信息,进而建模上下文特征,使网络关注所述各个CPU单元的CPU剩余容量特征间的全局整体内容,进而在解码、预测任务中提升主干网络特征提取能力。
图5为根据本申请实施例的用于处理器体系的CPU容量预测方法中非局部神经网络编码的流程图。如图5所示,在所述非局部神经网络编码过程中,包括:S410,将所述CPU剩余容量关联特征图分别输入所述非局部神经网络模型的第一点卷积层、第二点卷积层和第三点卷积层以得到第一特征图、第二特征图和第三特征图;S420,计算所述第一特征图和所述第二特征图的按位置加权和以得到中间融合特征图;S430,将所述中间融合特征图输入Softmax函数以对所述中间融合特征图中各个位置的特征值进行归一化以得到归一化中间融合特征图;S440,计算所述归一化中间融合特征图和所述第三特征图的按位置加权和以得到再融合特征图;S450,将所述再融合特征图通过嵌入高斯相似性函数以计算所述再融合特征图中各个位置的特征值间的相似性以得到全局感知特征图;S460,将所述全局感知特征图通过所述非局部神经网络模型的第四点卷积层以得到通道调整全局感知特征图;以及,S470,计算所述通道调整全局感知特征图和所述CPU剩余容量关联特征图的按位置加权和以得到所述解码特征图。
具体地,在步骤S160中,对所述解码特征图进行特征分布调制以得到优化解码特征图。特别地,在本申请的技术方案中,通过将所述多个转移矩阵按照通道维度聚合为三维输入张量后通过作为特征提取器的卷积神经网络模型得到所述CPU剩余容量关联特征图,并将所述CPU剩余容量关联特征图通过非局部神经网络模型得到所述解码特征图,可以使得所述解码特征图包括各个CPU单元的时序转移特征之间的通道排列维度下的丰富的局部和全局特征,即时序转移-通道交叉维度下的局部和全局关联特征。但另一方面,由于所述解码特征图表达了交叉维度下的丰富的局部和全局关联特征,这就使得所述解码特征图在通过解码器进行解码回归时,其与所述解码器的权重矩阵之间的拟合负担重,从而影响所述解码器的训练速度和解码回归结果的准确性。因此,优选地对所述解码特征图进行回归表征平展化,具体表示为:
,
其中是所述解码特征图的预定特征值,是所述解码特征图的所述预定特征值以外的其它特征值,且是所述解码特征图的所有特征值的均值,且是所述解码特征图的尺度,是数值的指数运算,所述数值的指数运算表示以所述数值为幂的自然指数函数值,是所述优化解码特征图的预定特征值。这里,所述解码特征图的回归表征平展化将用于高维特征空间内的特征分布的回归表征的有限多面体流形进行平展,同时保持流形的各平面之间的固有距离,并基于空间直观地避免交叉,其实质上是将该有限多面体流形分解为基于直角面相交和同顶点相交的立方体晶格,从而获得回归平面的平展的“切片”聚集性,即所述解码特征图沿各个维度的特征分布的聚集性。这样,就增强了所述解码特征图对于解码器的权重矩阵的拟合性能,从而提升了所述解码特征图通过解码器进行解码回归的训练速度和解码结果的准确性。这样,能够准确地预测处理器体系的CPU容量,以对CPU容量有更好的把控,防止其过载或者性能无法满足处理任务需求,以维持处理器体系的性能稳定性和可靠性。
具体地,在步骤S170中,将所述优化解码特征图通过解码器进行解码回归以得到用于表示所述处理器体系的CPU容量的预测值的解码值。在本申请的技术方案中,将所述优化解码特征图通过解码器中进行解码回归以得到用于表示所述处理器体系的CPU容量的预测值的解码值。这样,能够准确地预测处理器体系的CPU容量,以防止其过载或者性能无法满足处理任务需求,使其能够维持处理器体系的性能稳定性和可靠性。在一个具体示例中,所述将所述优化解码特征图通过解码器进行解码回归以得到用于表示所述处理器体系的CPU容量的预测值的解码值,包括:使用所述解码器以如下公式将所述优化解码特征图通过解码器进行解码回归以得到用于表示所述处理器体系的CPU容量的预测值的解码值;其中,所述公式为:,其中表示所述优化解码特征图,是所述解码值,是权重矩阵,表示矩阵相乘。
综上,根据本申请实施例的用于处理器体系的CPU容量预测方法被阐明,其通过采用基于深度学习的深度神经网络模型挖掘出各个CPU单元的剩余CPU容量在时间维度上的动态关联特征以及所述各个CPU单元的剩余CPU容量间相互的关联性关系。这样,能够准确地预测CPU容量,以对CPU容量有更好的把控,防止其过载或者性能无法满足处理任务需求,以维持处理器体系的性能稳定性和可靠性。
示例性***:图6为根据本申请实施例的用于处理器体系的CPU容量预测***的框图。如图6所示,根据本申请实施例的用于处理器体系的CPU容量预测***300,包括:容量信息获取模块310;多尺度邻域特征提取模块320;转移模块330;卷积模块340;非局部神经网络模块350;特征分布调制模块360;以及,解码回归模块370。
其中,所述容量信息获取模块310,用于获取处理器体系中多个CPU单元在预定时间段内多个预定时间点的剩余CPU容量;所述多尺度邻域特征提取模块320,用于将所述各个CPU单元在预定时间段内多个预定时间点的剩余CPU容量按照时间维度排列为输入向量后通过多尺度邻域特征提取模块以得到多个剩余CPU容量特征向量;所述转移模块330,用于计算所述多个剩余CPU容量特征向量中每两个剩余CPU容量特征向量之间的转移矩阵以得到多个转移矩阵;所述卷积模块340,用于将所述多个转移矩阵按照通道维度聚合为三维输入张量后通过作为特征提取器的卷积神经网络模型以得到CPU剩余容量关联特征图;所述非局部神经网络模块350,用于将所述CPU剩余容量关联特征图通过非局部神经网络模型以得到解码特征图;所述特征分布调制模块360,用于对所述解码特征图进行特征分布调制以得到优化解码特征图;以及,所述解码回归模块370,用于将所述优化解码特征图通过解码器进行解码回归以得到用于表示所述处理器体系的CPU容量的预测值的解码值。
在一个示例中,在上述用于处理器体系的CPU容量预测***300中,所述多尺度邻域特征提取模块320,进一步用于:将所述剩余CPU容量输入向量输入所述多尺度邻域特征提取模块的第一卷积层以得到第一邻域尺度剩余CPU容量特征向量,其中,所述第一卷积层具有第一长度的第一一维卷积核;将所述剩余CPU容量输入向量输入所述多尺度邻域特征提取模块的第二卷积层以得到第二邻域尺度剩余CPU容量特征向量,其中,所述第二卷积层具有第二长度的第二一维卷积核,所述第一长度不同于所述第二长度;以及,将所述第一邻域尺度剩余CPU容量特征向量和所述第二邻域尺度剩余CPU容量特征向量进行级联以得到所述多个剩余CPU容量特征向量。其中,所述多尺度邻域特征提取模块,包括:第一卷积层、与所述第一卷积层并行的第二卷积层,以及,与所述第一卷积层和所述第二卷积层连接的级联层,其中,所述第一卷积层使用具有第一尺度的一维卷积核,所述第二卷积层使用具有第二尺度的一维卷积核。更具体地,所述将所述剩余CPU容量输入向量输入所述多尺度邻域特征提取模块的第一卷积层以得到第一邻域尺度剩余CPU容量特征向量,包括:使用所述多尺度邻域特征提取模块的第一卷积层以如下公式对所述剩余CPU容量输入向量进行一维卷积编码以得到所述第一邻域尺度剩余CPU容量特征向量;其中,所述公式为:
,
其中,
a为第一卷积核在
x方向上的宽度,为第一卷积核参数向量,为与卷积核函数运算的局部向量矩阵,
w为第一卷积核的尺寸,
X表示所述剩余CPU容量输入向量;以及,所述将所述剩余CPU容量输入向量输入所述多尺度邻域特征提取模块的第二卷积层以得到第二邻域尺度剩余CPU容量特征向量,包括:使用所述多尺度邻域特征提取模块的第二卷积层以如下公式对所述剩余CPU容量输入向量进行一维卷积编码以得到所述第二邻域尺度剩余CPU容量特征向量;其中,所述公式为:
,
其中,b为第二卷积层在
x方向上的宽度,为第二卷积层参数向量,为与卷积核函数运算的局部向量矩阵,m为第二卷积层的尺寸,
X表示所述剩余CPU容量输入向量。
在一个示例中,在上述用于处理器体系的CPU容量预测***300中,所述转移模块330,进一步用于:以如下公式计算所述多个剩余CPU容量特征向量中每两个剩余CPU容量特征向量之间的转移矩阵以得到多个转移矩阵;其中,所述公式为:,其中和表示所述多个剩余CPU容量特征向量中每两个剩余CPU容量特征向量,表示所述多个转移矩阵。
在一个示例中,在上述用于处理器体系的CPU容量预测***300中,所述卷积模块340,进一步用于:使用所述作为特征提取器的卷积神经网络模型的各层在层的正向传递中分别对输入数据进行:对输入数据进行卷积处理以得到卷积特征图;对所述卷积特征图进行基于局部特征矩阵的池化以得到池化特征图;以及,对所述池化特征图进行非线性激活以得到激活特征图;其中,所述作为特征提取器的卷积神经网络的最后一层的输出为所述CPU剩余容量关联特征图,所述作为特征提取器的卷积神经网络的第一层的输入为所述三维输入张量。
在一个示例中,在上述用于处理器体系的CPU容量预测***300中,所述非局部神经网络模块350,进一步用于:将所述CPU剩余容量关联特征图分别输入所述非局部神经网络模型的第一点卷积层、第二点卷积层和第三点卷积层以得到第一特征图、第二特征图和第三特征图;计算所述第一特征图和所述第二特征图的按位置加权和以得到中间融合特征图;将所述中间融合特征图输入Softmax函数以对所述中间融合特征图中各个位置的特征值进行归一化以得到归一化中间融合特征图;计算所述归一化中间融合特征图和所述第三特征图的按位置加权和以得到再融合特征图;将所述再融合特征图通过嵌入高斯相似性函数以计算所述再融合特征图中各个位置的特征值间的相似性以得到全局感知特征图;将所述全局感知特征图通过所述非局部神经网络模型的第四点卷积层以得到通道调整全局感知特征图;以及,计算所述通道调整全局感知特征图和所述CPU剩余容量关联特征图的按位置加权和以得到所述解码特征图。
在一个示例中,在上述用于处理器体系的CPU容量预测***300中,所述特征分布调制模块360,进一步用于:以如下公式对所述解码特征图进行特征分布调制以得到所述优化解码特征图;其中,所述公式为:
,
其中是所述解码特征图的预定特征值,是所述解码特征图的所述预定特征值以外的其它特征值,且是所述解码特征图的所有特征值的均值,且是所述解码特征图的尺度,是数值的指数运算,所述数值的指数运算表示以所述数值为幂的自然指数函数值,是所述优化解码特征图的预定特征值。
在一个示例中,在上述用于处理器体系的CPU容量预测***300中,所述解码回归模块370,进一步用于:使用所述解码器以如下公式将所述优化解码特征图通过解码器进行解码回归以得到用于表示所述处理器体系的CPU容量的预测值的解码值;其中,所述公式为:,其中表示所述优化解码特征图,是所述解码值,是权重矩阵,表示矩阵相乘。
综上,根据本申请实施例的用于处理器体系的CPU容量预测***300被阐明,其通过采用基于深度学习的深度神经网络模型挖掘出各个CPU单元的剩余CPU容量在时间维度上的动态关联特征以及所述各个CPU单元的剩余CPU容量间相互的关联性关系。这样,能够准确地预测CPU容量,以对CPU容量有更好的把控,防止其过载或者性能无法满足处理任务需求,以维持处理器体系的性能稳定性和可靠性。
如上所述,根据本申请实施例的用于处理器体系的CPU容量预测***可以实现在各种终端设备中。在一个示例中,根据本申请实施例的用于处理器体系的CPU容量预测***300可以作为一个软件模块和/或硬件模块而集成到终端设备中。例如,该用于处理器体系的CPU容量预测***300可以是该终端设备的操作***中的一个软件模块,或者可以是针对于该终端设备所开发的一个应用程序;当然,该用于处理器体系的CPU容量预测***300同样可以是该终端设备的众多硬件模块之一。
替换地,在另一示例中,该用于处理器体系的CPU容量预测***300与该终端设备也可以是分立的设备,并且该用于处理器体系的CPU容量预测***300可以通过有线和/或无线网络连接到该终端设备,并且按照约定的数据格式来传输交互信息。
示例性电子设备:下面,参考图7来描述根据本申请实施例的电子设备。
图7图示了根据本申请实施例的电子设备的框图。
如图7所示,电子设备10包括一个或多个处理器11和存储器12。
处理器11可以是中央处理单元(CPU)或者具有数据处理能力和/或指令执行能力的其他形式的处理单元,并且可以控制电子设备10中的其他组件以执行期望的功能。
存储器12可以包括一个或多个计算机程序产品,所述计算机程序产品可以包括各种形式的计算机可读存储介质,例如易失性存储器和/或非易失性存储器。所述易失性存储器例如可以包括随机存取存储器(RAM)和/或高速缓冲存储器(cache)等。所述非易失性存储器例如可以包括只读存储器(ROM)、硬盘、闪存等。在所述计算机可读存储介质上可以存储一个或多个计算机程序指令,处理器11可以运行所述程序指令,以实现上文所述的本申请的各个实施例的用于处理器体系的CPU容量预测方法中的功能以及/或者其他期望的功能。在所述计算机可读存储介质中还可以存储诸如优化分类特征图等各种内容。
在一个示例中,电子设备10还可以包括:输入装置13和输出装置14,这些组件通过总线***和/或其他形式的连接机构(未示出)互连。
该输入装置13可以包括例如键盘、鼠标等等。
该输出装置14可以向外部输出各种信息,包括解码值等。该输出装置14可以包括例如显示器、扬声器、打印机、以及通信网络及其所连接的远程输出设备等等。
当然,为了简化,图7中仅示出了该电子设备10中与本申请有关的组件中的一些,省略了诸如总线、输入/输出接口等等的组件。除此之外,根据具体应用情况,电子设备10还可以包括任何其他适当的组件。
示例性计算机程序产品和计算机可读存储介质:除了上述方法和设备以外,本申请的实施例还可以是计算机程序产品,其包括计算机程序指令,所述计算机程序指令在被处理器运行时使得所述处理器执行本说明书上述“示例性方法”部分中描述的根据本申请各种实施例的用于处理器体系的CPU容量预测方法中的功能中的步骤。
所述计算机程序产品可以以一种或多种程序设计语言的任意组合来编写用于执行本申请实施例操作的程序代码,所述程序设计语言包括面向对象的程序设计语言,诸如Java、C++等,还包括常规的过程式程序设计语言,诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算设备上执行、部分地在用户设备上执行、作为一个独立的软件包执行、部分在用户计算设备上部分在远程计算设备上执行、或者完全在远程计算设备或服务器上执行。
此外,本申请的实施例还可以是计算机可读存储介质,其上存储有计算机程序指令,所述计算机程序指令在被处理器运行时使得所述处理器执行本说明书上述“示例性方法”部分中描述的根据本申请各种实施例的用于处理器体系的CPU容量预测方法中的功能中的步骤。
所述计算机可读存储介质可以采用一个或多个可读介质的任意组合。可读介质可以是可读信号介质或者可读存储介质。可读存储介质例如可以包括但不限于电、磁、光、电磁、红外线、或半导体的***、装置或器件,或者任意以上的组合。可读存储介质的更具体的例子(非穷举的列表)包括:具有一个或多个导线的电连接、便携式盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。
以上结合具体实施例描述了本申请的基本原理,但是,需要指出的是,在本申请中提及的优点、优势、效果等仅是示例而非限制,不能认为这些优点、优势、效果等是本申请的各个实施例必须具备的。另外,上述公开的具体细节仅是为了示例的作用和便于理解的作用,而非限制,上述细节并不限制本申请为必须采用上述具体的细节来实现。
本申请中涉及的器件、装置、设备、***的方框图仅作为例示性的例子并且不意图要求或暗示必须按照方框图示出的方式进行连接、布置、配置。如本领域技术人员将认识到的,可以按任意方式连接、布置、配置这些器件、装置、设备、***。诸如“包括”、“包含”、“具有”等等的词语是开放性词汇,指“包括但不限于”,且可与其互换使用。这里所使用的词汇“或”和“和”指词汇“和/或”,且可与其互换使用,除非上下文明确指示不是如此。这里所使用的词汇“诸如”指词组“诸如但不限于”,且可与其互换使用。
还需要指出的是,在本申请的装置、设备和方法中,各部件或各步骤是可以分解和/或重新组合的。这些分解和/或重新组合应视为本申请的等效方案。
提供所公开的方面的以上描述以使本领域的任何技术人员能够做出或者使用本申请。对这些方面的各种修改对于本领域技术人员而言是非常显而易见的,并且在此定义的一般原理可以应用于其他方面而不脱离本申请的范围。因此,本申请不意图被限制到在此示出的方面,而是按照与在此公开的原理和新颖的特征一致的最宽范围。
为了例示和描述的目的已经给出了以上描述。此外,此描述不意图将本申请的实施例限制到在此公开的形式。尽管以上已经讨论了多个示例方面和实施例,但是本领域技术人员将认识到其某些变型、修改、改变、添加和子组合。
Claims (9)
1.一种用于处理器体系的CPU容量预测方法,其特征在于,包括:
获取处理器体系中多个CPU单元在预定时间段内多个预定时间点的剩余CPU容量;
将各个所述CPU单元在预定时间段内多个预定时间点的剩余CPU容量按照时间维度排列为输入向量后通过多尺度邻域特征提取模块以得到多个剩余CPU容量特征向量;
计算所述多个剩余CPU容量特征向量中每两个剩余CPU容量特征向量之间的转移矩阵以得到多个转移矩阵;
将所述多个转移矩阵按照通道维度聚合为三维输入张量后通过作为特征提取器的卷积神经网络模型以得到CPU剩余容量关联特征图;
将所述CPU剩余容量关联特征图通过非局部神经网络模型以得到解码特征图;
对所述解码特征图进行特征分布调制以得到优化解码特征图;以及
将所述优化解码特征图通过解码器进行解码回归以得到用于表示所述处理器体系的CPU容量的预测值的解码值;
其中,将所述CPU剩余容量关联特征图通过非局部神经网络模型以得到解码特征图,包括:
将所述CPU剩余容量关联特征图分别输入所述非局部神经网络模型的第一点卷积层、第二点卷积层和第三点卷积层以得到第一特征图、第二特征图和第三特征图;
计算所述第一特征图和所述第二特征图的按位置加权和以得到中间融合特征图;
将所述中间融合特征图输入Softmax函数以对所述中间融合特征图中各个位置的特征值进行归一化以得到归一化中间融合特征图;
计算所述归一化中间融合特征图和所述第三特征图的按位置加权和以得到再融合特征图;
将所述再融合特征图通过嵌入高斯相似性函数以计算所述再融合特征图中各个位置的特征值间的相似性以得到全局感知特征图;
将所述全局感知特征图通过所述非局部神经网络模型的第四点卷积层以得到通道调整全局感知特征图;以及
计算所述通道调整全局感知特征图和所述CPU剩余容量关联特征图的按位置加权和以得到所述解码特征图。
2.根据权利要求1所述的用于处理器体系的CPU容量预测方法,其特征在于,所述多尺度邻域特征提取模块,包括:第一卷积层、与所述第一卷积层并行的第二卷积层,以及,与所述第一卷积层和所述第二卷积层连接的级联层,其中,所述第一卷积层使用具有第一尺度的一维卷积核,所述第二卷积层使用具有第二尺度的一维卷积核。
3.根据权利要求2所述的用于处理器体系的CPU容量预测方法,其特征在于,所述将各个所述CPU单元在预定时间段内多个预定时间点的剩余CPU容量按照时间维度排列为输入向量后通过多尺度邻域特征提取模块以得到多个剩余CPU容量特征向量,包括:
将所述剩余CPU容量输入向量输入所述多尺度邻域特征提取模块的第一卷积层以得到第一邻域尺度剩余CPU容量特征向量,其中,所述第一卷积层具有第一长度的第一一维卷积核;
将所述剩余CPU容量输入向量输入所述多尺度邻域特征提取模块的第二卷积层以得到第二邻域尺度剩余CPU容量特征向量,其中,所述第二卷积层具有第二长度的第二一维卷积核,所述第一长度不同于所述第二长度;以及
将所述第一邻域尺度剩余CPU容量特征向量和所述第二邻域尺度剩余CPU容量特征向量进行级联以得到所述多个剩余CPU容量特征向量。
4.根据权利要求3所述的用于处理器体系的CPU容量预测方法,其特征在于,
所述将所述剩余CPU容量输入向量输入所述多尺度邻域特征提取模块的第一卷积层以得到第一邻域尺度剩余CPU容量特征向量,包括:使用所述多尺度邻域特征提取模块的第一卷积层以如下公式对所述剩余CPU容量输入向量进行一维卷积编码以得到所述第一邻域尺度剩余CPU容量特征向量;
其中,所述公式为:
,
其中,a为第一卷积核在x方向上的宽度、为第一卷积核参数向量、为与卷积核函数运算的局部向量矩阵,w为第一卷积核的尺寸,X表示所述剩余CPU容量输入向量;以及所述将所述剩余CPU容量输入向量输入所述多尺度邻域特征提取模块的第二卷积层以得到第二邻域尺度剩余CPU容量特征向量,包括:使用所述多尺度邻域特征提取模块的第二卷积层以如下公式对所述剩余CPU容量输入向量进行一维卷积编码以得到所述第二邻域尺度剩余CPU容量特征向量;
其中,所述公式为:
,
其中,b为第二卷积核在x方向上的宽度、为第二卷积核参数向量、为与卷积核函数运算的局部向量矩阵,m为第二卷积核的尺寸,X表示所述剩余CPU容量输入向量。
5.根据权利要求4所述的用于处理器体系的CPU容量预测方法,其特征在于,所述计算所述多个剩余CPU容量特征向量中每两个剩余CPU容量特征向量之间的转移矩阵以得到多个转移矩阵,包括:以如下公式计算所述多个剩余CPU容量特征向量中每两个剩余CPU容量特征向量之间的转移矩阵以得到多个转移矩阵;
其中,所述公式为:
,
其中和表示所述多个剩余CPU容量特征向量中每两个剩余CPU容量特征向量,表示所述多个转移矩阵。
6.根据权利要求5所述的用于处理器体系的CPU容量预测方法,其特征在于,所述将所述多个转移矩阵按照通道维度聚合为三维输入张量后通过作为特征提取器的卷积神经网络模型以得到CPU剩余容量关联特征图,包括:使用所述作为特征提取器的卷积神经网络模型的各层在层的正向传递中分别对输入数据进行:
对输入数据进行卷积处理以得到卷积特征图;
对所述卷积特征图进行基于局部特征矩阵的池化以得到池化特征图;以及
对所述池化特征图进行非线性激活以得到激活特征图;
其中,所述作为特征提取器的卷积神经网络的最后一层的输出为所述CPU剩余容量关联特征图,所述作为特征提取器的卷积神经网络的第一层的输入为所述三维输入张量。
7.根据权利要求6所述的用于处理器体系的CPU容量预测方法,其特征在于,所述对所述解码特征图进行特征分布调制以得到优化解码特征图,包括:
以如下公式对所述解码特征图进行特征分布调制以得到所述优化解码特征图;
其中,所述公式为:
,
其中是所述解码特征图的预定特征值,是所述解码特征图的所述预定特征值以外的其它特征值,且是所述解码特征图的所有特征值的均值,且是所述解码特征图的尺度,是数值的指数运算,所述数值的指数运算表示以所述数值为幂的自然指数函数值,是所述优化解码特征图的预定特征值。
8.根据权利要求7所述的用于处理器体系的CPU容量预测方法,其特征在于,所述将所述优化解码特征图通过解码器进行解码回归以得到用于表示所述处理器体系的CPU容量的预测值的解码值,包括:使用所述解码器以如下公式将所述优化解码特征图通过解码器进行解码回归以得到用于表示所述处理器体系的CPU容量的预测值的解码值;
其中,所述公式为:,其中表示所述优化解码特征图,是所述解码值,是权重矩阵,表示矩阵相乘。
9.一种用于处理器体系的CPU容量预测***,其特征在于,包括:
容量信息获取模块,用于获取处理器体系中多个CPU单元在预定时间段内多个预定时间点的剩余CPU容量;
多尺度邻域特征提取模块,用于将各个所述CPU单元在预定时间段内多个预定时间点的剩余CPU容量按照时间维度排列为输入向量后通过多尺度邻域特征提取模块以得到多个剩余CPU容量特征向量;
转移模块,用于计算所述多个剩余CPU容量特征向量中每两个剩余CPU容量特征向量之间的转移矩阵以得到多个转移矩阵;
卷积模块,用于将所述多个转移矩阵按照通道维度聚合为三维输入张量后通过作为特征提取器的卷积神经网络模型以得到CPU剩余容量关联特征图;
非局部神经网络模块,用于将所述CPU剩余容量关联特征图通过非局部神经网络模型以得到解码特征图;
特征分布调制模块,用于对所述解码特征图进行特征分布调制以得到优化解码特征图;以及
解码回归模块,用于将所述优化解码特征图通过解码器进行解码回归以得到用于表示所述处理器体系的CPU容量的预测值的解码值;
其中,所述非局部神经网络模块,用于:将所述CPU剩余容量关联特征图分别输入所述非局部神经网络模型的第一点卷积层、第二点卷积层和第三点卷积层以得到第一特征图、第二特征图和第三特征图;计算所述第一特征图和所述第二特征图的按位置加权和以得到中间融合特征图;将所述中间融合特征图输入Softmax函数以对所述中间融合特征图中各个位置的特征值进行归一化以得到归一化中间融合特征图;计算所述归一化中间融合特征图和所述第三特征图的按位置加权和以得到再融合特征图;将所述再融合特征图通过嵌入高斯相似性函数以计算所述再融合特征图中各个位置的特征值间的相似性以得到全局感知特征图;将所述全局感知特征图通过所述非局部神经网络模型的第四点卷积层以得到通道调整全局感知特征图;以及,计算所述通道调整全局感知特征图和所述CPU剩余容量关联特征图的按位置加权和以得到所述解码特征图。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310133156.6A CN115827257B (zh) | 2023-02-20 | 2023-02-20 | 用于处理器体系的cpu容量预测方法及其*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310133156.6A CN115827257B (zh) | 2023-02-20 | 2023-02-20 | 用于处理器体系的cpu容量预测方法及其*** |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115827257A CN115827257A (zh) | 2023-03-21 |
CN115827257B true CN115827257B (zh) | 2023-05-05 |
Family
ID=85521860
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310133156.6A Active CN115827257B (zh) | 2023-02-20 | 2023-02-20 | 用于处理器体系的cpu容量预测方法及其*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115827257B (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116095089B (zh) * | 2023-04-11 | 2023-06-16 | 云南远信科技有限公司 | 遥感卫星数据处理方法及*** |
CN116404212B (zh) * | 2023-05-22 | 2024-02-27 | 中国电建集团江西省电力建设有限公司 | 锌铁液流电池***容量均衡控制方法及*** |
CN116652681A (zh) * | 2023-05-24 | 2023-08-29 | 浙江沃沃阀门有限公司 | 锻钢阀阀盖自动化多工位机加工设备及方法 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115144312A (zh) * | 2022-06-29 | 2022-10-04 | 杭州里莹网络科技有限公司 | 基于物联网的室内空气细颗粒测量方法及其*** |
CN115205821A (zh) * | 2022-07-11 | 2022-10-18 | 杭州隽睿信息科技有限公司 | 智能车辆检测***及其检测方法 |
Family Cites Families (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US9912973B2 (en) * | 2014-08-07 | 2018-03-06 | Echostar Technologies L.L.C. | Systems and methods for facilitating content discovery based on viewer ratings |
CN115222798A (zh) * | 2022-07-11 | 2022-10-21 | 杭州超阳科技有限公司 | 车辆加工状态监测***及其方法 |
CN115082745B (zh) * | 2022-08-22 | 2022-12-30 | 深圳市成天泰电缆实业发展有限公司 | 基于图像的电缆绞线质量检测方法及其*** |
CN115409649A (zh) * | 2022-08-29 | 2022-11-29 | 华能国际电力开发公司吉林通榆风电分公司 | 风电场能量管理***及其方法 |
CN115529166A (zh) * | 2022-09-05 | 2022-12-27 | 浙江御安信息技术有限公司 | 基于多源数据的网络安全扫描风险管控***及其方法 |
CN115660569A (zh) * | 2022-09-07 | 2023-01-31 | 杭州聚医智联科技有限公司 | 居家养老智慧管理平台及其方法 |
CN115683255A (zh) * | 2022-10-13 | 2023-02-03 | 陕西省君凯电子科技有限公司 | 基于数据协整分析的油耗计量***及其方法 |
-
2023
- 2023-02-20 CN CN202310133156.6A patent/CN115827257B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115144312A (zh) * | 2022-06-29 | 2022-10-04 | 杭州里莹网络科技有限公司 | 基于物联网的室内空气细颗粒测量方法及其*** |
CN115205821A (zh) * | 2022-07-11 | 2022-10-18 | 杭州隽睿信息科技有限公司 | 智能车辆检测***及其检测方法 |
Also Published As
Publication number | Publication date |
---|---|
CN115827257A (zh) | 2023-03-21 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN115827257B (zh) | 用于处理器体系的cpu容量预测方法及其*** | |
US11829880B2 (en) | Generating trained neural networks with increased robustness against adversarial attacks | |
CN110929622A (zh) | 视频分类方法、模型训练方法、装置、设备及存储介质 | |
CN115203380A (zh) | 基于多模态数据融合的文本处理***及其方法 | |
CN112418292B (zh) | 一种图像质量评价的方法、装置、计算机设备及存储介质 | |
CN111523677B (zh) | 实现对机器学习模型的预测结果进行解释的方法及装置 | |
CN115759658B (zh) | 适用于智慧城市的企业能耗数据管理*** | |
CN111783974A (zh) | 模型构建及图像处理方法、装置、硬件平台及存储介质 | |
CN116015837A (zh) | 用于计算机网络信息安全的入侵检测方法及*** | |
CN117170685B (zh) | 一种数据处理方法、装置、设备及介质 | |
WO2023179429A1 (zh) | 一种视频数据的处理方法、装置、电子设备及存储介质 | |
CN112529071B (zh) | 一种文本分类方法、***、计算机设备和存储介质 | |
CN116579618B (zh) | 基于风险管理的数据处理方法、装置、设备及存储介质 | |
CN111078881B (zh) | 细粒度情感分析方法、***、电子设备和存储介质 | |
CN115878330A (zh) | 线程的运行控制方法及其*** | |
CN116684330A (zh) | 基于人工智能的流量预测方法、装置、设备及存储介质 | |
CN113343020B (zh) | 基于人工智能的图像处理方法、装置及电子设备 | |
CN116624977B (zh) | 一种基于人工智能的楼宇自控***及其方法 | |
CN116167833B (zh) | 基于联邦学习的互联网金融风险控制***及其方法 | |
CN112926341A (zh) | 文本数据处理方法、装置 | |
CN113705293A (zh) | 图像场景的识别方法、装置、设备及可读存储介质 | |
CN116467485B (zh) | 一种视频图像检索构建***及其方法 | |
CN116526670A (zh) | 面向电力大数据可视化的信息融合方法 | |
WO2022223052A1 (zh) | 加速器、计算机***和方法 | |
US20230139396A1 (en) | Using learned physical knowledge to guide feature engineering |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |