基于大數(shù)據(jù)分析技術(shù)的云計(jì)算資源預(yù)測(cè)研究

盧思安，侯國(guó)慶

(1. 內(nèi)蒙古農(nóng)業(yè)大學(xué)計(jì)算機(jī)與信息工程學(xué)院，內(nèi)蒙古 呼和浩特 010018；2. 內(nèi)蒙古農(nóng)業(yè)大學(xué)經(jīng)濟(jì)管理學(xué)院，內(nèi)蒙古 呼和浩特 010018)

1 引言

在網(wǎng)絡(luò)服務(wù)快速穩(wěn)定發(fā)展的大環(huán)境下，云計(jì)算技術(shù)的應(yīng)用隨著計(jì)算資源需求量的提升而逐漸普及[1]，該技術(shù)以分布式并行計(jì)算、網(wǎng)絡(luò)負(fù)載均衡、網(wǎng)格計(jì)算、網(wǎng)絡(luò)存儲(chǔ)等技術(shù)為核心[2]，通過(guò)云計(jì)算平臺(tái)控制不同硬件設(shè)備協(xié)同運(yùn)行，完成資源調(diào)度、業(yè)務(wù)訪(fǎng)問(wèn)與數(shù)據(jù)存儲(chǔ)等功能，提升硬件設(shè)備工作效率[3]。作為資源調(diào)度的基礎(chǔ)，云計(jì)算資源負(fù)載的預(yù)測(cè)領(lǐng)域云計(jì)算資源研究的主要內(nèi)容之一[4]。

針對(duì)當(dāng)前普遍使用的基于鯨魚(yú)算法等云計(jì)算資源負(fù)載預(yù)測(cè)方法不能有效體現(xiàn)負(fù)載動(dòng)態(tài)波動(dòng)情況等問(wèn)題[5]，研究基于大數(shù)據(jù)分析技術(shù)的云計(jì)算資源預(yù)測(cè)方法，利用混沌分析算法分析負(fù)載時(shí)間序列，生成學(xué)習(xí)樣本，利用支持向量機(jī)構(gòu)建預(yù)測(cè)模型，實(shí)現(xiàn)云計(jì)算資源的準(zhǔn)確預(yù)測(cè)。

2 云計(jì)算資源預(yù)測(cè)方法

2.1 預(yù)測(cè)模型構(gòu)建過(guò)程

基于大數(shù)據(jù)分析技術(shù)的云計(jì)算資源預(yù)測(cè)過(guò)程集合大數(shù)據(jù)分析技術(shù)中的時(shí)間序列混沌分析方法與支持向量機(jī)模型構(gòu)建云計(jì)算資源預(yù)測(cè)模型，該模型構(gòu)建過(guò)程如圖1所示。

圖1 云計(jì)算資源預(yù)測(cè)模型

云計(jì)算資源預(yù)測(cè)模型構(gòu)建過(guò)程中，在海量云計(jì)算資源負(fù)載的時(shí)間序列數(shù)據(jù)內(nèi)任意選取一個(gè)時(shí)間序列數(shù)據(jù)；采用時(shí)間序列混沌分析方法對(duì)所選數(shù)據(jù)進(jìn)行預(yù)處理[6]，通過(guò)互相關(guān)方法確定時(shí)間序列相空間重構(gòu)的最佳嵌入維和延遲時(shí)間；依照最佳嵌入維和延遲時(shí)間構(gòu)建一個(gè)多維時(shí)間序列，將該多維時(shí)間序列作為學(xué)習(xí)樣本；采用支持向量機(jī)訓(xùn)練學(xué)習(xí)樣本，構(gòu)建預(yù)測(cè)模型，實(shí)現(xiàn)海量數(shù)據(jù)預(yù)測(cè)。

2.2 時(shí)間序列混沌分析方法

以x={xi|i=1，2，…，N}表示一個(gè)初始云計(jì)算資源負(fù)載的時(shí)間序列，其中xi和N分別表示第i個(gè)樣本和時(shí)間序列內(nèi)的樣本數(shù)量。依照塔肯斯理論[7]，經(jīng)由判斷嵌入維m與延遲時(shí)間t′能夠確定初始云計(jì)算資源負(fù)載的時(shí)間序列的動(dòng)力學(xué)特性[8]，公式描述如下：

(1)

式(1)內(nèi)，M=N-(m-1)t′表示相空間內(nèi)的點(diǎn)數(shù)。

分析式(1)得到，時(shí)間序列相空間重構(gòu)的核心在于m與t′。確定m與t′的方法較多，但互相關(guān)方法具有較高的通用性[9]，利用該方法能夠同時(shí)確定m值與t′值，由此在進(jìn)行云計(jì)算資源負(fù)載時(shí)間序列數(shù)據(jù)相空間重構(gòu)時(shí)的可采用互相關(guān)方法。

將初始云計(jì)算資源負(fù)載的時(shí)間序列分為子序列，利用式(2)描述互相關(guān)方法的關(guān)聯(lián)積分

(2)

(3)

利用式(4)表示序列x={xi}的檢驗(yàn)統(tǒng)計(jì)量

C(m，N，r，t)=C(m，N，r，t)-Cm(m，N，r，t)

(4)

式(4)內(nèi)，r為x={xi}的半徑。

劃分x={xi|i=1，2，…，N}能夠獲取t個(gè)子序列，由此得到

(5)

依據(jù)分塊均值方法確定式(5)的統(tǒng)計(jì)量[10]，公式描述如下

(6)

式(6)內(nèi)，r表示隨機(jī)兩點(diǎn)間的距離。

設(shè)定N→∞，由此得到

(7)

在x={xi|i=1，2，…，N}長(zhǎng)度無(wú)窮大的條件下，所有S(m，r，t)值為0，但現(xiàn)實(shí)環(huán)境里，x={xi|i=1，2，…，N}長(zhǎng)度并不是無(wú)窮大的，所以S(m，r，t)值不為0，通過(guò)局部最大時(shí)間間隔法確定r最小的時(shí)間點(diǎn)[11]，得到

ΔS1(m，t)=max{S1(m，rj，t，N)}

min{S1(m，rj，t，N)}

(8)

使(8)內(nèi)，rj表示第j個(gè)半徑值。

由式(8)得到，最佳t′為ΔS1(m，t)—t間第一個(gè)局部極小值，由此可得

(9)

(10)

t′w=(m-1)t′

(11)

依照最佳嵌入維和延遲時(shí)間構(gòu)建一個(gè)多維時(shí)間序列，以此為學(xué)習(xí)樣本利用支持向量機(jī)訓(xùn)練學(xué)習(xí)樣本，構(gòu)建預(yù)測(cè)模型，完成預(yù)測(cè)目的。

2.3 支持向量機(jī)

以?(x)表示非線(xiàn)性映射函數(shù)，利用?(x)將學(xué)習(xí)樣本映射至高維特征空間內(nèi)[12]，在高維空間內(nèi)實(shí)施線(xiàn)性回歸處理，以式(12)表示支持向量機(jī)回歸函數(shù)

f(x)=w·?(x)+b

(12)

式(12)內(nèi)，w和b分別表示權(quán)向量和偏置向量。依照最低風(fēng)險(xiǎn)需求[13]，利用式(13)所示的優(yōu)化問(wèn)題描述式(12)

(13)

(14)

(15)

利用核函數(shù)K(xi，x)取代(?(xi)，?(x))，得到

(16)

選取徑向基核函數(shù)作為支持向量機(jī)核函數(shù)，由此得到：

(17)

式(17)內(nèi)，σ表示徑向基核函數(shù)寬度參數(shù)。

由式(16)、(17)得到，通過(guò)確定最優(yōu)支持向量?jī)蓚€(gè)參數(shù)H和σ，確定相應(yīng)的f(x)函數(shù)值，即可實(shí)現(xiàn)云計(jì)算資源負(fù)載預(yù)測(cè)模型構(gòu)建的目的。參數(shù)H和σ直接影響模型的質(zhì)量，因此采用蝙蝠算法[15]優(yōu)化參數(shù)H和σ，具體優(yōu)化過(guò)程如圖2所示。

圖2 蝙蝠算法優(yōu)化支持向量機(jī)模型參數(shù)過(guò)程

3 測(cè)試分析

實(shí)驗(yàn)為驗(yàn)證本文所研究的基于大數(shù)據(jù)分析技術(shù)的云計(jì)算資源預(yù)測(cè)方法的應(yīng)用性，選取某云計(jì)算系統(tǒng)內(nèi)CPU單分鐘內(nèi)的負(fù)載歷史數(shù)據(jù)為測(cè)試對(duì)象，其具體情況如圖3所示。采用MATLAB軟件為仿真工具，驗(yàn)證本文方法的應(yīng)用性。

圖3 測(cè)試對(duì)象圖

3.1 測(cè)試對(duì)象時(shí)間序列分析

Lyapunov指數(shù)法是一種定性分析時(shí)間序列的混沌性方法，采用該方法分析測(cè)試對(duì)象混沌特性，通過(guò)傅立葉變換處理測(cè)試對(duì)象，確定測(cè)試對(duì)象平均軌道周期。利用本文方法確定測(cè)試對(duì)象的最佳嵌入維與延遲時(shí)間，獲取重構(gòu)后的測(cè)試對(duì)象多維時(shí)間序列。確定序列內(nèi)各點(diǎn)的離散時(shí)間和鄰近點(diǎn)距離，并求解均值。

通過(guò)上述過(guò)程確定Lyapunov指數(shù)為0.0996，該值大于0，因此能夠說(shuō)明圖3所示的測(cè)試對(duì)象存在混沌特性。采用本文方法分析測(cè)試對(duì)象的最佳嵌入維與延遲時(shí)間所得結(jié)果如圖4所示。由此得到，最佳延遲時(shí)間為8，最佳嵌入窗為12，據(jù)此得到最優(yōu)嵌入維數(shù)為3。

3.2 預(yù)測(cè)結(jié)果

以測(cè)試對(duì)象時(shí)間序列分析所得的各項(xiàng)參數(shù)為基礎(chǔ)構(gòu)建測(cè)試對(duì)象負(fù)載學(xué)習(xí)樣本，以圖3內(nèi)數(shù)據(jù)的最后10s為測(cè)試樣本，錢(qián)50s數(shù)據(jù)點(diǎn)為訓(xùn)練樣本進(jìn)行學(xué)習(xí)，構(gòu)建預(yù)測(cè)模型，進(jìn)行單步預(yù)測(cè)和多步預(yù)測(cè)，所得結(jié)果如圖5所示。

分析圖5(a)內(nèi)的單步預(yù)測(cè)結(jié)果得到，本文模型能夠有效地跟蹤測(cè)試對(duì)象的變化趨勢(shì)，獲取高精度的測(cè)試對(duì)象預(yù)測(cè)結(jié)果。

圖5 預(yù)測(cè)結(jié)果

由于云計(jì)算資源負(fù)載預(yù)測(cè)的主要目的是預(yù)測(cè)未來(lái)固定時(shí)間內(nèi)負(fù)載的波動(dòng)情況，而單步預(yù)測(cè)的結(jié)果通常僅體現(xiàn)下一時(shí)刻負(fù)載的情況，無(wú)法體現(xiàn)長(zhǎng)時(shí)間的波動(dòng)情況，因此需要進(jìn)行多步預(yù)測(cè)。

分析圖5(b)所示的多步預(yù)測(cè)結(jié)果得到，采用本文方法進(jìn)行多步預(yù)測(cè)所得結(jié)果與單步預(yù)測(cè)所得結(jié)果相比較差，但依舊能夠較好地呈現(xiàn)測(cè)試對(duì)象的波動(dòng)情況，預(yù)測(cè)結(jié)果能夠?yàn)闇y(cè)試對(duì)象管理提供有效的輔助。

3.3 預(yù)測(cè)能力

以平均絕對(duì)誤差、均方根誤差、均方誤差和均方根誤差為評(píng)價(jià)指標(biāo)，評(píng)價(jià)本文方法對(duì)1小時(shí)和2小時(shí)間隔的預(yù)測(cè)結(jié)果，所得結(jié)果如表1所示。

表1 不同時(shí)間間隔的預(yù)測(cè)結(jié)果

分析表1得到，在不同時(shí)間間隔條件下，本文方法均可精準(zhǔn)地預(yù)測(cè)測(cè)試對(duì)象負(fù)載值，由此說(shuō)明本文方法具有較好的泛化能力。

4 結(jié)論

本文研究基于大數(shù)據(jù)分析技術(shù)的云計(jì)算資源預(yù)測(cè)方法，對(duì)云計(jì)算資源負(fù)載進(jìn)行預(yù)測(cè)，所得結(jié)果顯示本文方法能夠準(zhǔn)確預(yù)測(cè)短時(shí)間內(nèi)的負(fù)載情況，而針對(duì)長(zhǎng)時(shí)間的負(fù)載預(yù)測(cè)也能夠得到較好的效果，預(yù)測(cè)結(jié)果能夠?yàn)闇y(cè)試對(duì)象管理提供有效的輔助。