本發(fā)明涉及云服務(wù)器資源管理，尤其涉及一種云負(fù)載預(yù)測(cè)方法及裝置。

背景技術(shù)：

1、隨著云原生和微服務(wù)架構(gòu)的不斷演進(jìn)，容器化技術(shù)已經(jīng)成為現(xiàn)代軟件開發(fā)與部署中不可或缺的一部分。kubernetes(簡(jiǎn)稱k8s)作為領(lǐng)先的開源容器編排平臺(tái)，其在自動(dòng)化部署、管理和擴(kuò)展容器應(yīng)用方面的能力已被全球許多頂尖科技公司如amazon、google和microsoft所認(rèn)可和采用。這一平臺(tái)不僅優(yōu)化了開發(fā)流程，還通過其高效的資源管理策略，提高了應(yīng)用的可用性和擴(kuò)展性。然而，傳統(tǒng)的k8s資源調(diào)度器主要采用反應(yīng)式策略，即基于當(dāng)前系統(tǒng)狀態(tài)來做出資源分配決策。這種方法在應(yīng)對(duì)靜態(tài)或可預(yù)測(cè)的負(fù)載變化時(shí)表現(xiàn)良好，但在面對(duì)高度動(dòng)態(tài)和不確定的工作環(huán)境時(shí)，則可能導(dǎo)致資源分配不足或過剩，從而影響服務(wù)的穩(wěn)定性和效率。為了解決這一問題，越來越多的企業(yè)和技術(shù)開發(fā)者開始探索預(yù)測(cè)性擴(kuò)展策略。這種策略不僅分析當(dāng)前的系統(tǒng)負(fù)載，還綜合歷史數(shù)據(jù)和各種預(yù)測(cè)模型來預(yù)測(cè)未來可能的負(fù)載變化，從而提前做好資源分配和調(diào)整準(zhǔn)備。

2、預(yù)測(cè)性擴(kuò)展的主要優(yōu)點(diǎn)是能夠通過預(yù)測(cè)未來的資源需求，提前進(jìn)行資源調(diào)配，有效避免因負(fù)載突增而導(dǎo)致的資源短缺或服務(wù)中斷。此外，這種方法還可以根據(jù)預(yù)測(cè)結(jié)果動(dòng)態(tài)調(diào)整資源，以最大化資源使用效率，減少不必要的資源浪費(fèi)，從而在保障服務(wù)質(zhì)量的同時(shí)，也降低了運(yùn)營(yíng)成本。

3、盡管預(yù)測(cè)性擴(kuò)展提供了許多潛在的好處，但在實(shí)際應(yīng)用中仍面臨著一些挑戰(zhàn)。現(xiàn)有的預(yù)測(cè)模型往往需要處理復(fù)雜多變的工作負(fù)載，這對(duì)模型的準(zhǔn)確性和魯棒性提出了更高的要求。此外，不同應(yīng)用和環(huán)境下的工作負(fù)載特性可能大相徑庭，這就需要模型能夠適應(yīng)這種高度異質(zhì)性。

4、因此，為了克服這些缺陷，本技術(shù)提出了一種云負(fù)載預(yù)測(cè)方法及裝置。

技術(shù)實(shí)現(xiàn)思路

1、本技術(shù)的目的是提供一種云負(fù)載預(yù)測(cè)方法及裝置，旨在解決上述的問題。

2、為實(shí)現(xiàn)上述目的，本技術(shù)提供如下技術(shù)方案：

3、本技術(shù)提供一種云負(fù)載預(yù)測(cè)方法，包括：

4、獲取原始時(shí)間序列數(shù)據(jù)，并對(duì)所述原始時(shí)間序列數(shù)據(jù)進(jìn)行預(yù)處理，得到預(yù)處理數(shù)據(jù)；

5、對(duì)所述預(yù)處理數(shù)據(jù)進(jìn)行分解，得到短期特征、長(zhǎng)期特征和預(yù)設(shè)剩余分量；

6、將所述短期特征輸入預(yù)先構(gòu)建的短期預(yù)測(cè)模型，輸出短期信息；將所述長(zhǎng)期特征輸入預(yù)先構(gòu)建的長(zhǎng)期預(yù)測(cè)模型，輸出長(zhǎng)期信息；

7、將所述短期信息、所述長(zhǎng)期信息和所述預(yù)設(shè)剩余分量輸入多層感知機(jī)中，得到預(yù)測(cè)結(jié)果；所述預(yù)測(cè)結(jié)果用于云集群資源管理系統(tǒng)的自動(dòng)資源擴(kuò)展決策。

8、進(jìn)一步的，在獲取原始時(shí)間序列數(shù)據(jù)，并對(duì)所述原始時(shí)間序列數(shù)據(jù)進(jìn)行預(yù)處理，得到預(yù)處理數(shù)據(jù)的步驟中，具體包括下述步驟：

9、采用z分?jǐn)?shù)對(duì)所述原始時(shí)間序列數(shù)據(jù)進(jìn)行規(guī)范化，計(jì)算公式為：

10、

11、其中x為原始時(shí)間序列數(shù)據(jù)；n為數(shù)據(jù)點(diǎn)的數(shù)量；μ為原始時(shí)間序列數(shù)據(jù)的平均值；σ為原始時(shí)間序列數(shù)據(jù)的標(biāo)準(zhǔn)差；z為標(biāo)準(zhǔn)化后的數(shù)據(jù)值，即預(yù)處理數(shù)據(jù)。

12、進(jìn)一步的，在將所述短期特征輸入預(yù)先構(gòu)建的短期預(yù)測(cè)模型，輸出短期信息的步驟中，具體包括下述步驟：

13、采用基于gru算法作為所述短期預(yù)測(cè)模型；

14、所述短期特征輸入至一維卷積中；將卷積后的特征再輸入至兩層gru網(wǎng)絡(luò)中；

15、通過relu激活函數(shù)、正則化和密集層，生成短期信息作為輸出。

16、進(jìn)一步的，所述gru算法中還包括：

17、假設(shè)在時(shí)間步t，選取輸入的短期特征xt、過去隱藏狀態(tài)ht-1以及短期預(yù)測(cè)模型的參數(shù)w；

18、計(jì)算當(dāng)前時(shí)間步的更新門zt，重置門rt和候選隱藏狀態(tài)

19、zt＝σ(wz·[ht-1,xt])

20、rt＝σ(wr·[ht-1,xt])

21、

22、其中σ為sigmoid函數(shù)；⊙為元素級(jí)乘法；[·]為矩陣乘法；tanh為雙曲正切函數(shù)，表示為：

23、

24、基于更新門zt和候選隱藏狀態(tài)計(jì)算當(dāng)前隱藏狀態(tài)ht，公式為：

25、

26、其中更新門zt控制過去隱蔵狀態(tài)ht-1與侯選隱藏狀態(tài)之間的平衡。

27、進(jìn)一步的，在將所述長(zhǎng)期特征輸入預(yù)先構(gòu)建的長(zhǎng)期預(yù)測(cè)模型，輸出長(zhǎng)期信息的步驟中，具體包括下述步驟：

28、將所述原始時(shí)間序列數(shù)據(jù)通過嵌入層轉(zhuǎn)換為高維向量表示，包括兩個(gè)部分：值嵌入和時(shí)間嵌入；其中值嵌入為時(shí)間序列中的數(shù)值，時(shí)間嵌入用于捕捉時(shí)間信息；

29、輸入嵌入后，采用自注意力機(jī)制對(duì)長(zhǎng)時(shí)間序列進(jìn)行建模；

30、通過多尺度卷積模塊，提取長(zhǎng)時(shí)間序列中的局部特征和模式；

31、通過若干個(gè)編碼器層堆疊對(duì)嵌入后的長(zhǎng)時(shí)間序列進(jìn)行處理，提取長(zhǎng)時(shí)間序列的特征信息；由解碼器層生成預(yù)測(cè)結(jié)果；其中所述編碼器層包括自注意力機(jī)制、多尺度卷積模塊、殘差連接和歸一化層；

32、在編碼器層輸出后，將長(zhǎng)時(shí)間序列的中間狀態(tài)進(jìn)行稀疏化處理；

33、通過全連接層將解碼器層生成的預(yù)測(cè)結(jié)果映射至預(yù)測(cè)的時(shí)間序列值上，輸出長(zhǎng)期信息。

34、進(jìn)一步的，所述長(zhǎng)期預(yù)測(cè)模型中，還包括：

35、在自注意力機(jī)制中，對(duì)于每個(gè)注意力頭部i計(jì)算注意力分?jǐn)?shù)矩陣，公式為：

36、

37、其中qi、ki和vi分別為第i個(gè)頭部的查詢、鍵和值矩陣；dk為鍵向量的維度；

38、通過引入稀疏誘導(dǎo)機(jī)制，獲取查詢和鍵之間的關(guān)系，具體公式為：

39、

40、其中m(qi,k)為計(jì)算注意力分?jǐn)?shù)的函數(shù)；qi為查詢向量，測(cè)量查詢和鍵之間的相似性；k為鍵向量集合，即注意力機(jī)制中的鍵；ki是鍵向量集合中的一個(gè)元素，長(zhǎng)度為lk；

41、通過卷積、激活和最大池化操作生成下一層的特征表示，具體公式為：

42、

43、其中為時(shí)間步t的j+1層的特征表示，通過卷積操作、指數(shù)線性單元激活函數(shù)和最大池化操作獲得；為時(shí)間步t的j層的特征表示，其中ab為預(yù)設(shè)的切片或子集選擇。

44、進(jìn)一步的，所述多層感知機(jī)包括：由若干個(gè)神經(jīng)元組成的輸入層、由若干個(gè)神經(jīng)元和隱藏層組成的輸出層；其中所述輸入層和輸出層都采用relu激活函數(shù)。

45、本技術(shù)提供一種云負(fù)載預(yù)測(cè)裝置，包括：

46、預(yù)處理模塊：獲取原始時(shí)間序列數(shù)據(jù)，并對(duì)所述原始時(shí)間序列數(shù)據(jù)進(jìn)行預(yù)處理，得到預(yù)處理數(shù)據(jù)；

47、分解模塊：對(duì)所述預(yù)處理數(shù)據(jù)進(jìn)行分解，得到短期特征、長(zhǎng)期特征和預(yù)設(shè)剩余分量；

48、預(yù)測(cè)模塊：將所述短期特征輸入預(yù)先構(gòu)建的短期預(yù)測(cè)模型，輸出短期信息；將所述長(zhǎng)期特征輸入預(yù)先構(gòu)建的長(zhǎng)期預(yù)測(cè)模型，輸出長(zhǎng)期信息；

49、輸出模塊：將所述短期信息、所述長(zhǎng)期信息和所述預(yù)設(shè)剩余分量輸入多層感知機(jī)中，得到預(yù)測(cè)結(jié)果；所述預(yù)測(cè)結(jié)果用于云集群資源管理系統(tǒng)的自動(dòng)資源擴(kuò)展決策。

50、本技術(shù)提供一種設(shè)備，所述設(shè)備包括處理器、與所述處理器耦接的存儲(chǔ)器，其中，所述存儲(chǔ)器存儲(chǔ)有用于實(shí)現(xiàn)一種云負(fù)載預(yù)測(cè)方法的程序指令；所述處理器用于執(zhí)行所述存儲(chǔ)器存儲(chǔ)的所述程序指令以實(shí)現(xiàn)一種云負(fù)載預(yù)測(cè)。

51、本技術(shù)提供一種存儲(chǔ)介質(zhì)，存儲(chǔ)有處理器可運(yùn)行的程序指令，所述程序指令用于執(zhí)行一種云負(fù)載預(yù)測(cè)方法。

52、本技術(shù)提供了一種云負(fù)載預(yù)測(cè)方法及裝置，具有以下有益效果：

53、(1)本技術(shù)通過將原始時(shí)間序列數(shù)據(jù)分解為短期特征、長(zhǎng)期特征和預(yù)設(shè)剩余分量；幫助預(yù)測(cè)模型捕捉長(zhǎng)期和短期時(shí)間序列中的信息；通過集成長(zhǎng)期和短期時(shí)間序列信息，能夠更全面地理解云工作負(fù)載的時(shí)間變化，從而實(shí)現(xiàn)更智能和自適應(yīng)的彈性擴(kuò)展決策；

54、(2)通過精確的負(fù)載預(yù)測(cè)和資源調(diào)度，本技術(shù)旨在減少資源浪費(fèi)，優(yōu)化系統(tǒng)性能，提高服務(wù)質(zhì)量，從而滿足用戶需求并支持云平臺(tái)的可持續(xù)發(fā)展；增強(qiáng)了對(duì)負(fù)載時(shí)間變化的全面理解，使得彈性擴(kuò)展的決策更加智能和適應(yīng)性更強(qiáng)；

55、(3)通過創(chuàng)新的數(shù)據(jù)處理和多層感知器(mlp)算法，能夠在不同的預(yù)測(cè)場(chǎng)景中提供準(zhǔn)確的資源需求預(yù)測(cè)，以支持更有效的資源管理和調(diào)度策略；

56、(4)通過真實(shí)軌跡和測(cè)試平臺(tái)評(píng)估了幾種基線方法的有效性和可用性，結(jié)果表明，本技術(shù)提出的方法在減少服務(wù)水平目標(biāo)(slo)違約和改善資源利用率方面具有顯著效果。