日韩成人黄色,透逼一级毛片,狠狠躁天天躁中文字幕,久久久久久亚洲精品不卡,在线看国产美女毛片2019,黄片www.www,一级黄色毛a视频直播

一種基于模糊神經(jīng)網(wǎng)絡的虛擬機能耗預測方法及系統(tǒng)的制作方法

文檔序號:10612714閱讀:212來源:國知局
一種基于模糊神經(jīng)網(wǎng)絡的虛擬機能耗預測方法及系統(tǒng)的制作方法
【專利摘要】本申請公開了一種基于模糊神經(jīng)網(wǎng)絡的虛擬機能耗預測方法及系統(tǒng),該方法包括:預先基于模糊神經(jīng)網(wǎng)絡,對虛擬機的歷史運行參數(shù)以及與虛擬機配套的物理機的歷史運行參數(shù)進行模型訓練,得到虛擬機能耗預測模型;然后將待預測虛擬機的運行參數(shù)以及與待預測虛擬機配套的物理機的運行參數(shù)輸入虛擬機能耗預測模型,得到待預測虛擬機的能耗預測值。本申請是基于模糊神經(jīng)網(wǎng)絡來構建預測模型的,能避免硬閾值分區(qū)間模擬所產(chǎn)生的誤差;同時神經(jīng)網(wǎng)絡具有對非線性函數(shù)的良好逼近能力,能更好模擬虛擬機能耗與各相關參數(shù)之間的非線性關系。另外,本申請是對虛擬機和物理機的歷史運行參數(shù)進行模型訓練的,使得預測模型能更加全面準確地對能耗進行預測。
【專利說明】
一種基于模糊神經(jīng)網(wǎng)絡的虛擬機能耗預測方法及系統(tǒng)
技術領域
[0001] 本發(fā)明涉及虛擬機技術領域,特別涉及一種基于模糊神經(jīng)網(wǎng)絡的虛擬機能耗預測 方法及系統(tǒng)。
【背景技術】
[0002] 當前,隨著互聯(lián)網(wǎng)和云計算的發(fā)展,虛擬機技術得到了越來越廣泛的應用。而對虛 擬機工作能耗的預測,不僅關乎云計算的成本和定價,而且還直接影響了虛擬機的調(diào)度和 管理。
[0003] 現(xiàn)有常用的虛擬機能耗預測方法可分為線性預測和非線性預測。其中,線性預測 方法是基于統(tǒng)計學思想,采用的是基于最小二乘的多元線性回歸模擬,不適用于多虛擬機 的復雜非線性預測,導致預測誤差較大。而在現(xiàn)有的非線性預測方法中,僅僅是簡單地根據(jù) 虛擬機CPU利用率來進行硬閾值分段模擬,對在多虛擬機的復雜環(huán)境下虛擬機的能耗預測 準確率較低。
[0004] 綜上所述可以看出,如何提高虛擬機能耗預測的準確性是目前有待解決的問題。

【發(fā)明內(nèi)容】

[0005] 有鑒于此,本發(fā)明的目的在于提供一種基于模糊神經(jīng)網(wǎng)絡的虛擬機能耗預測方法 及系統(tǒng),提高了虛擬機能耗預測的準確性。其具體方案如下:
[0006] -種基于模糊神經(jīng)網(wǎng)絡的虛擬機能耗預測方法,包括:
[0007] 預先基于模糊神經(jīng)網(wǎng)絡,對虛擬機的歷史運行參數(shù)以及與所述虛擬機配套的物理 機的歷史運行參數(shù)進行模型訓練,得到虛擬機能耗預測模型;
[0008] 將待預測虛擬機的運行參數(shù)以及與所述待預測虛擬機配套的物理機的運行參數(shù) 輸入所述虛擬機能耗預測模型,得到所述待預測虛擬機的能耗預測值。
[0009] 優(yōu)選的,所述預先基于模糊神經(jīng)網(wǎng)絡,對虛擬機的歷史運行參數(shù)以及與所述虛擬 機配套的物理機的歷史運行參數(shù)進行模型訓練,得到虛擬機能耗預測模型的過程,包括:
[0010] 獲取所述虛擬機的歷史運行參數(shù)以及與所述虛擬機配套的物理機的歷史運行參 數(shù),得到初始訓練參數(shù)集;
[0011] 對所述初始訓練參數(shù)集進行參數(shù)篩選,將篩選出的參數(shù)作為特征值,得到相應的 特征集;
[0012] 利用預先訓練好的隸屬函數(shù),對所述特征集中所有的特征值進行模糊化處理,得 到相應的模糊集;
[0013] 利用所述模糊集進行BP神經(jīng)網(wǎng)絡的權值訓練,得到相應的模糊BP神經(jīng)網(wǎng)絡,并將 所述模糊BP神經(jīng)網(wǎng)絡確定為所述虛擬機能耗預測模型。
[0014] 優(yōu)選的,所述虛擬機的歷史運行參數(shù)和與所述虛擬機配套的物理機的歷史運行參 數(shù)均至少包括CPU利用率、內(nèi)存利用率、單位時間內(nèi)的執(zhí)行指令數(shù)和單位時間內(nèi)丟失的 cache 數(shù)。
[0015] 優(yōu)選的,所述對所述初始訓練參數(shù)集進行參數(shù)篩選,將篩選出的參數(shù)作為特征值, 得到相應的特征集的過程,包括:
[0016] 基于主成分分析,對所述初始訓練參數(shù)集進行降維處理,以對所述初始訓練參數(shù) 集進行參數(shù)篩選,并將篩選出的參數(shù)作為特征值,相應地得到所述特征集。
[0017]優(yōu)選的,所述隸屬函數(shù)為基于聚類的高斯型隸屬函數(shù)。
[0018] 優(yōu)選的,所述高斯型隸屬函數(shù)的訓練過程,包括:
[0019] 分別對所述特征集中的每一特征值進行聚類,并計算每一個聚類對應的均值和方 差,生成得到高斯型隸屬函數(shù)。
[0020] 優(yōu)選的,所述利用所述模糊集進行BP神經(jīng)網(wǎng)絡的權值訓練的過程,包括:
[0021 ]步驟S71:對BP神經(jīng)網(wǎng)絡的權值進行初始化;
[0022]步驟S72:獲取當前的BP神經(jīng)網(wǎng)絡,并將所述模糊集中每一模糊參數(shù)輸入當前的BP 神經(jīng)網(wǎng)絡,以相應地輸出虛擬機能耗估算值;
[0023] 步驟S73:計算所述虛擬機能耗估算值與虛擬機實際能耗值之間的差值;
[0024] 步驟S74:判斷該差值是否小于預設閾值,如果是,則結束訓練,如果否,則根據(jù)該 差值,對BP神經(jīng)網(wǎng)絡的權值進行相應的修正,以對BP神經(jīng)網(wǎng)絡進行更新,并進入步驟S72。
[0025] 本發(fā)明還公開了一種基于模糊神經(jīng)網(wǎng)絡的虛擬機能耗預測系統(tǒng),包括:
[0026] 模型訓練模塊,用于預先基于模糊神經(jīng)網(wǎng)絡,對虛擬機的歷史運行參數(shù)以及與所 述虛擬機配套的物理機的歷史運行參數(shù)進行模型訓練,得到虛擬機能耗預測模型;
[0027] 能耗預測模塊,用于將待預測虛擬機的運行參數(shù)以及與所述待預測虛擬機配套的 物理機的運行參數(shù)輸入所述虛擬機能耗預測模型,得到所述待預測虛擬機的能耗預測值。 [0028]優(yōu)選的,所述模型訓練模塊包括:
[0029] 訓練參數(shù)獲取單元,用于獲取所述虛擬機的歷史運行參數(shù)以及與所述虛擬機配套 的物理機的歷史運行參數(shù),得到初始訓練參數(shù)集;
[0030] 參數(shù)篩選器,用于對所述初始訓練參數(shù)集進行參數(shù)篩選,將篩選出的參數(shù)作為特 征值,得到相應的特征集;
[0031] 模糊處理單元,用于利用預先訓練好的隸屬函數(shù),對所述特征集中所有的特征值 進行模糊化處理,得到相應的模糊集;
[0032] 神經(jīng)網(wǎng)絡權值訓練器,用于利用所述模糊集進行BP神經(jīng)網(wǎng)絡的權值訓練,得到相 應的模糊BP神經(jīng)網(wǎng)絡,并將所述模糊BP神經(jīng)網(wǎng)絡確定為所述虛擬機能耗預測模型。
[0033] 優(yōu)選的,所述神經(jīng)網(wǎng)絡權值訓練器包括:
[0034] 權值初始化單元,用于對BP神經(jīng)網(wǎng)絡的權值進行初始化;
[0035] 能耗估算單元,用于獲取當前的BP神經(jīng)網(wǎng)絡,并將所述模糊集中每一模糊參數(shù)輸 入當前的BP神經(jīng)網(wǎng)絡,以相應地輸出虛擬機能耗估算值;
[0036] 差值計算單元,用于計算所述虛擬機能耗估算值與虛擬機實際能耗值之間的差 值;
[0037] 判斷單元,用于判斷該差值是否小于預設閾值,如果是,則結束訓練,如果否,則根 據(jù)該差值,對BP神經(jīng)網(wǎng)絡的權值進行相應的修正,以對BP神經(jīng)網(wǎng)絡進行更新,并將更新后的 BP神經(jīng)網(wǎng)絡發(fā)送至所述能耗估算單元。
[0038] 本發(fā)明中,虛擬機能耗預測方法包括:預先基于模糊神經(jīng)網(wǎng)絡,對虛擬機的歷史運 行參數(shù)以及與虛擬機配套的物理機的歷史運行參數(shù)進行模型訓練,得到虛擬機能耗預測模 型;然后將待預測虛擬機的運行參數(shù)以及與待預測虛擬機配套的物理機的運行參數(shù)輸入虛 擬機能耗預測模型,得到待預測虛擬機的能耗預測值??梢姡景l(fā)明是基于模糊神經(jīng)網(wǎng)絡來 構建虛擬機能耗預測模型的,由于模糊神經(jīng)網(wǎng)絡能夠對參數(shù)進行模糊化表示,所以能夠避 免現(xiàn)有技術中硬閾值分區(qū)間模擬所產(chǎn)生的誤差,有利于提高能耗預測準確性;同時由于神 經(jīng)網(wǎng)絡具有對非線性函數(shù)的良好逼近能力,從而能夠更好地模擬虛擬機能耗與各相關參數(shù) 之間的非線性關系,提升了能耗預測準確性。另外,本發(fā)明是同時對虛擬機和物理機的歷史 運行參數(shù)進行模型訓練的,這表明本發(fā)明不僅考慮到虛擬機的歷史運行參數(shù)對虛擬機能耗 的影響,還考慮到相關物理機的歷史運行參數(shù)對虛擬機能耗的影響,從而使得最終得到的 虛擬機能耗預測模型能夠更加全面準確地對虛擬機的能耗進行預測。綜上可見,本發(fā)明公 開的技術方案有效地提高了虛擬機能耗預測的準確性。
【附圖說明】
[0039] 為了更清楚地說明本發(fā)明實施例或現(xiàn)有技術中的技術方案,下面將對實施例或現(xiàn) 有技術描述中所需要使用的附圖作簡單地介紹,顯而易見地,下面描述中的附圖僅僅是本 發(fā)明的實施例,對于本領域普通技術人員來講,在不付出創(chuàng)造性勞動的前提下,還可以根據(jù) 提供的附圖獲得其他的附圖。
[0040] 圖1為本發(fā)明實施例公開的一種基于模糊神經(jīng)網(wǎng)絡的虛擬機能耗預測方法流程 圖;
[0041 ]圖2為本發(fā)明實施例公開的虛擬機能耗預測模型構建流程圖;
[0042] 圖3為本發(fā)明實施例公開的BP神經(jīng)網(wǎng)絡的權值訓練流程圖;
[0043] 圖4為本發(fā)明實施例公開的一種基于模糊神經(jīng)網(wǎng)絡的虛擬機能耗預測系統(tǒng)結構示 意圖。
【具體實施方式】
[0044]下面將結合本發(fā)明實施例中的附圖,對本發(fā)明實施例中的技術方案進行清楚、完 整地描述,顯然,所描述的實施例僅僅是本發(fā)明一部分實施例,而不是全部的實施例。基于 本發(fā)明中的實施例,本領域普通技術人員在沒有做出創(chuàng)造性勞動前提下所獲得的所有其他 實施例,都屬于本發(fā)明保護的范圍。
[0045] 本發(fā)明實施例公開了一種基于模糊神經(jīng)網(wǎng)絡的虛擬機能耗預測方法,參見圖1所 示,該方法包括:
[0046] 步驟S11:預先基于模糊神經(jīng)網(wǎng)絡,對虛擬機的歷史運行參數(shù)以及與虛擬機配套的 物理機的歷史運行參數(shù)進行模型訓練,得到虛擬機能耗預測模型;
[0047]步驟S12:將待預測虛擬機的運行參數(shù)以及與待預測虛擬機配套的物理機的運行 參數(shù)輸入虛擬機能耗預測模型,得到待預測虛擬機的能耗預測值。
[0048] 需要說明的是,本實施例中的模糊神經(jīng)網(wǎng)絡可以選擇模糊徑向基神經(jīng)網(wǎng)絡,也可 以采用模糊BP神經(jīng)網(wǎng)絡(BP,即Back Propagation,反向傳播)。
[0049] 另外,本實施例在基于模糊神經(jīng)網(wǎng)絡來進行模型訓練時,不僅僅是對虛擬機的歷 史運行參數(shù)進行模型訓練,同時還對物理機的歷史運行參數(shù)進行模型訓練,這樣使得本發(fā) 明實施例不僅考慮到虛擬機的歷史運行參數(shù)對虛擬機能耗的影響,還考慮到相關物理機的 歷史運行參數(shù)對虛擬機能耗的影響,從而使得最終得到的虛擬機能耗預測模型能夠更加全 面準確地對虛擬機的能耗進行預測。
[0050] 在利用上述模型訓練方法訓練出虛擬機能耗預測模型后,當需要對待預測虛擬機 的能耗進行預測,則只需將待預測虛擬機當前的運行參數(shù)以及與該待預測虛擬機配套使用 的物理機當前的運行參數(shù)輸入上述虛擬機能耗預測模型中,便可得到該待預測虛擬機的能 耗預測值。
[0051] 可見,本發(fā)明實施例是基于模糊神經(jīng)網(wǎng)絡來構建虛擬機能耗預測模型的,由于模 糊神經(jīng)網(wǎng)絡能夠對參數(shù)進行模糊化表示,所以能夠避免現(xiàn)有技術中硬閾值分區(qū)間模擬所產(chǎn) 生的誤差,有利于提高能耗預測準確性;同時由于神經(jīng)網(wǎng)絡具有對非線性函數(shù)的良好逼近 能力,從而能夠更好地模擬虛擬機能耗與各相關參數(shù)之間的非線性關系,提升了能耗預測 準確性。另外,本發(fā)明實施例是同時對虛擬機和物理機的歷史運行參數(shù)進行模型訓練的,這 表明本發(fā)明實施例不僅考慮到虛擬機的歷史運行參數(shù)對虛擬機能耗的影響,還考慮到相關 物理機的歷史運行參數(shù)對虛擬機能耗的影響,從而使得最終得到的虛擬機能耗預測模型能 夠更加全面準確地對虛擬機的能耗進行預測。綜上可見,本發(fā)明實施例公開的技術方案有 效地提高了虛擬機能耗預測的準確性。
[0052] 本發(fā)明實施例公開了一種具體的基于模糊神經(jīng)網(wǎng)絡的虛擬機能耗預測方法,相對 于上一實施例,本實施例對技術方案作了進一步的說明和優(yōu)化。具體的:
[0053]參見圖2所示,上一實施例步驟S11中,預先基于模糊神經(jīng)網(wǎng)絡,對虛擬機的歷史運 行參數(shù)以及與虛擬機配套的物理機的歷史運行參數(shù)進行模型訓練,得到虛擬機能耗預測模 型的過程,具體可以包括:
[0054] 步驟S111:獲取虛擬機的歷史運行參數(shù)以及與虛擬機配套的物理機的歷史運行參 數(shù),得到初始訓練參數(shù)集;
[0055] 步驟S112:對初始訓練參數(shù)集進行參數(shù)篩選,將篩選出的參數(shù)作為特征值,得到相 應的特征集;
[0056] 步驟S113:利用預先訓練好的隸屬函數(shù),對特征集中所有的特征值進行模糊化處 理,得到相應的模糊集;
[0057]步驟S114:利用模糊集進行BP神經(jīng)網(wǎng)絡的權值訓練,得到相應的模糊BP神經(jīng)網(wǎng)絡, 并將模糊BP神經(jīng)網(wǎng)絡確定為虛擬機能耗預測模型。
[0058]可以理解的是,上述虛擬機的歷史運行參數(shù)和與虛擬機配套的物理機的歷史運行 參數(shù)均至少包括CPU利用率、內(nèi)存利用率、單位時間內(nèi)的執(zhí)行指令數(shù)和單位時間內(nèi)丟失的 cache數(shù)(cache,即高速緩沖存儲器)。
[0059] 另外,上述步驟S112中,對初始訓練參數(shù)集進行參數(shù)篩選,將篩選出的參數(shù)作為特 征值,得到相應的特征集的過程,具體可以包括:基于主成分分析,對初始訓練參數(shù)集進行 降維處理,以對初始訓練參數(shù)集進行參數(shù)篩選,并將篩選出的參數(shù)作為特征值,相應地得到 特征集。當然,本實施例也可以采用相關性分析,來對上述初始訓練參數(shù)進行參數(shù)篩選。
[0060] 上述步驟S113中的隸屬函數(shù)可以為基于聚類的高斯型隸屬函數(shù)
[0061] 其中,高斯型隸屬函數(shù)的訓練過程,包括:分別對特征集中的每一特征值進行聚 類,并計算每一個聚類對應的均值和方差,生成得到高斯型隸屬函數(shù)。其中,高斯型隸屬函 數(shù)的表達式為:
[0062]
[0063] 其中,Xl表示第i個特征值,表示特征集中第i個特征值的第j個聚類的均值 表示特征集中第i個特征值的第j個聚類的方差。需要說明的是,一個特征值對應的聚類個 數(shù)可以是1個,也可以大于1。
[0064] 當然,本實施例除了采用高斯型隸屬函數(shù),也可以采用同樣基于聚類的三角形隸 屬函數(shù)。
[0065]另外,參見圖3所示,上述步驟S114中,利用模糊集進行BP神經(jīng)網(wǎng)絡的權值訓練的 過程,具體包括:
[0066]步驟S1141:對BP神經(jīng)網(wǎng)絡的權值進行初始化;
[0067]步驟S1142:獲取當前的BP神經(jīng)網(wǎng)絡,并將模糊集中每一模糊參數(shù)輸入當前的BP神 經(jīng)網(wǎng)絡,以相應地輸出虛擬機能耗估算值;
[0068] 步驟S1143:計算虛擬機能耗估算值與虛擬機實際能耗值之間的差值;
[0069] 步驟S1144:判斷該差值是否小于預設閾值,如果是,則結束訓練,如果否,則根據(jù) 該差值,對BP神經(jīng)網(wǎng)絡的權值進行相應的修正,以對BP神經(jīng)網(wǎng)絡進行更新,并進入步驟 S1142〇
[0070] 可見,本實施例在進行BP神經(jīng)網(wǎng)絡的權值訓練時,是通過反復比較虛擬機能耗估 算值與虛擬機實際能耗值之間的差值,如果該差值大于或等于預設閾值,則對BP神經(jīng)網(wǎng)絡 的權值進行相應的修正,否則認為此時訓練出來的BP神經(jīng)網(wǎng)絡已經(jīng)符合誤差要求,停止訓 練便可。
[0071] 相應的,本發(fā)明實施例公開了一種基于模糊神經(jīng)網(wǎng)絡的虛擬機能耗預測系統(tǒng),參 見圖4所示,該系統(tǒng)包括:
[0072] 模型訓練模塊41,用于預先基于模糊神經(jīng)網(wǎng)絡,對虛擬機的歷史運行參數(shù)以及與 虛擬機配套的物理機的歷史運行參數(shù)進行模型訓練,得到虛擬機能耗預測模型;
[0073] 能耗預測模塊42,用于將待預測虛擬機的運行參數(shù)以及與待預測虛擬機配套的物 理機的運行參數(shù)輸入虛擬機能耗預測模型,得到待預測虛擬機的能耗預測值。
[0074] 具體的,上述模型訓練模塊可以包括訓練參數(shù)獲取單元、參數(shù)篩選器、模糊處理單 元和神經(jīng)網(wǎng)絡權值訓練器;其中,
[0075] 訓練參數(shù)獲取單元,用于獲取虛擬機的歷史運行參數(shù)以及與虛擬機配套的物理機 的歷史運行參數(shù),得到初始訓練參數(shù)集;
[0076] 參數(shù)篩選器,用于對初始訓練參數(shù)集進行參數(shù)篩選,將篩選出的參數(shù)作為特征值, 得到相應的特征集;
[0077] 模糊處理單元,用于利用預先訓練好的隸屬函數(shù),對特征集中所有的特征值進行 模糊化處理,得到相應的模糊集;
[0078] 神經(jīng)網(wǎng)絡權值訓練器,用于利用模糊集進行BP神經(jīng)網(wǎng)絡的權值訓練,得到相應的 模糊BP神經(jīng)網(wǎng)絡,并將模糊BP神經(jīng)網(wǎng)絡確定為虛擬機能耗預測模型。
[0079] 另外,本實施例中的神經(jīng)網(wǎng)絡權值訓練器具體可以包括權值初始化單元、能耗估 算單元、差值計算單元和判斷單元。其中,
[0080] 權值初始化單元,用于對BP神經(jīng)網(wǎng)絡的權值進行初始化;
[0081] 能耗估算單元,用于獲取當前的BP神經(jīng)網(wǎng)絡,并將模糊集中每一模糊參數(shù)輸入當 前的BP神經(jīng)網(wǎng)絡,以相應地輸出虛擬機能耗估算值;
[0082] 差值計算單元,用于計算虛擬機能耗估算值與虛擬機實際能耗值之間的差值;
[0083] 判斷單元,用于判斷該差值是否小于預設閾值,如果是,則結束訓練,如果否,則根 據(jù)該差值,對BP神經(jīng)網(wǎng)絡的權值進行相應的修正,以對BP神經(jīng)網(wǎng)絡進行更新,并將更新后的 BP神經(jīng)網(wǎng)絡發(fā)送至能耗估算單元。
[0084] 可以理解的是,上述判斷單元將更新后的BP神經(jīng)網(wǎng)絡發(fā)送至能耗估算單元時,還 會通知能耗估算單元利用更新后的BP神經(jīng)網(wǎng)絡進行能耗估算。
[0085]可見,本發(fā)明實施例是基于模糊神經(jīng)網(wǎng)絡來構建虛擬機能耗預測模型的,由于模 糊神經(jīng)網(wǎng)絡能夠對參數(shù)進行模糊化表示,所以能夠避免現(xiàn)有技術中硬閾值分區(qū)間模擬所產(chǎn) 生的誤差,有利于提高能耗預測準確性;同時由于神經(jīng)網(wǎng)絡具有對非線性函數(shù)的良好逼近 能力,從而能夠更好地模擬虛擬機能耗與各相關參數(shù)之間的非線性關系,提升了能耗預測 準確性。另外,本發(fā)明實施例是同時對虛擬機和物理機的歷史運行參數(shù)進行模型訓練的,這 表明本發(fā)明實施例不僅考慮到虛擬機的歷史運行參數(shù)對虛擬機能耗的影響,還考慮到相關 物理機的歷史運行參數(shù)對虛擬機能耗的影響,從而使得最終得到的虛擬機能耗預測模型能 夠更加全面準確地對虛擬機的能耗進行預測。綜上可見,本發(fā)明實施例公開的技術方案有 效地提高了虛擬機能耗預測的準確性。
[0086]最后,還需要說明的是,在本文中,術語"包括"、"包含"或者其任何其他變體意在 涵蓋非排他性的包含,從而使得包括一系列要素的過程、方法、物品或者設備不僅包括那些 要素,而且還包括沒有明確列出的其他要素,或者是還包括為這種過程、方法、物品或者設 備所固有的要素。在沒有更多限制的情況下,由語句"包括一個……"限定的要素,并不排除 在包括所述要素的過程、方法、物品或者設備中還存在另外的相同要素。
[0087]以上對本發(fā)明所提供的一種基于模糊神經(jīng)網(wǎng)絡的虛擬機能耗預測方法及系統(tǒng)進 行了詳細介紹,本文中應用了具體個例對本發(fā)明的原理及實施方式進行了闡述,以上實施 例的說明只是用于幫助理解本發(fā)明的方法及其核心思想;同時,對于本領域的一般技術人 員,依據(jù)本發(fā)明的思想,在【具體實施方式】及應用范圍上均會有改變之處,綜上所述,本說明 書內(nèi)容不應理解為對本發(fā)明的限制。
【主權項】
1. 一種基于模糊神經(jīng)網(wǎng)絡的虛擬機能耗預測方法,其特征在于,包括: 預先基于模糊神經(jīng)網(wǎng)絡,對虛擬機的歷史運行參數(shù)以及與所述虛擬機配套的物理機的 歷史運行參數(shù)進行模型訓練,得到虛擬機能耗預測模型; 將待預測虛擬機的運行參數(shù)以及與所述待預測虛擬機配套的物理機的運行參數(shù)輸入 所述虛擬機能耗預測模型,得到所述待預測虛擬機的能耗預測值。2. 根據(jù)權利要求1所述的基于模糊神經(jīng)網(wǎng)絡的虛擬機能耗預測方法,其特征在于,所述 預先基于模糊神經(jīng)網(wǎng)絡,對虛擬機的歷史運行參數(shù)以及與所述虛擬機配套的物理機的歷史 運行參數(shù)進行模型訓練,得到虛擬機能耗預測模型的過程,包括: 獲取所述虛擬機的歷史運行參數(shù)以及與所述虛擬機配套的物理機的歷史運行參數(shù),得 到初始訓練參數(shù)集; 對所述初始訓練參數(shù)集進行參數(shù)篩選,將篩選出的參數(shù)作為特征值,得到相應的特征 集; 利用預先訓練好的隸屬函數(shù),對所述特征集中所有的特征值進行模糊化處理,得到相 應的模糊集; 利用所述模糊集進行BP神經(jīng)網(wǎng)絡的權值訓練,得到相應的模糊BP神經(jīng)網(wǎng)絡,并將所述 模糊BP神經(jīng)網(wǎng)絡確定為所述虛擬機能耗預測模型。3. 根據(jù)權利要求2所述的基于模糊神經(jīng)網(wǎng)絡的虛擬機能耗預測方法,其特征在于,所述 虛擬機的歷史運行參數(shù)和與所述虛擬機配套的物理機的歷史運行參數(shù)均至少包括CPU利用 率、內(nèi)存利用率、單位時間內(nèi)的執(zhí)行指令數(shù)和單位時間內(nèi)丟失的cache數(shù)。4. 根據(jù)權利要求2所述的基于模糊神經(jīng)網(wǎng)絡的虛擬機能耗預測方法,其特征在于,所述 對所述初始訓練參數(shù)集進行參數(shù)篩選,將篩選出的參數(shù)作為特征值,得到相應的特征集的 過程,包括: 基于主成分分析,對所述初始訓練參數(shù)集進行降維處理,以對所述初始訓練參數(shù)集進 行參數(shù)篩選,并將篩選出的參數(shù)作為特征值,相應地得到所述特征集。5. 根據(jù)權利要求2所述的基于模糊神經(jīng)網(wǎng)絡的虛擬機能耗預測方法,其特征在于,所述 隸屬函數(shù)為基于聚類的高斯型隸屬函數(shù)。6. 根據(jù)權利要求5所述的基于模糊神經(jīng)網(wǎng)絡的虛擬機能耗預測方法,其特征在于,所述 高斯型隸屬函數(shù)的訓練過程,包括: 分別對所述特征集中的每一特征值進行聚類,并計算每一個聚類對應的均值和方差, 生成得到高斯型隸屬函數(shù)。7. 根據(jù)權利要求2所述的基于模糊神經(jīng)網(wǎng)絡的虛擬機能耗預測方法,其特征在于,所述 利用所述模糊集進行BP神經(jīng)網(wǎng)絡的權值訓練的過程,包括: 步驟S71:對BP神經(jīng)網(wǎng)絡的權值進行初始化; 步驟S72:獲取當前的BP神經(jīng)網(wǎng)絡,并將所述模糊集中每一模糊參數(shù)輸入當前的BP神經(jīng) 網(wǎng)絡,以相應地輸出虛擬機能耗估算值; 步驟S73:計算所述虛擬機能耗估算值與虛擬機實際能耗值之間的差值; 步驟S74:判斷該差值是否小于預設閾值,如果是,則結束訓練,如果否,則根據(jù)該差值, 對BP神經(jīng)網(wǎng)絡的權值進行相應的修正,以對BP神經(jīng)網(wǎng)絡進行更新,并進入步驟S72。8. -種基于模糊神經(jīng)網(wǎng)絡的虛擬機能耗預測系統(tǒng),其特征在于,包括: 模型訓練模塊,用于預先基于模糊神經(jīng)網(wǎng)絡,對虛擬機的歷史運行參數(shù)以及與所述虛 擬機配套的物理機的歷史運行參數(shù)進行模型訓練,得到虛擬機能耗預測模型; 能耗預測模塊,用于將待預測虛擬機的運行參數(shù)以及與所述待預測虛擬機配套的物理 機的運行參數(shù)輸入所述虛擬機能耗預測模型,得到所述待預測虛擬機的能耗預測值。9. 根據(jù)權利要求8所述的基于模糊神經(jīng)網(wǎng)絡的虛擬機能耗預測系統(tǒng),其特征在于,所述 模型訓練模塊包括: 訓練參數(shù)獲取單元,用于獲取所述虛擬機的歷史運行參數(shù)以及與所述虛擬機配套的物 理機的歷史運行參數(shù),得到初始訓練參數(shù)集; 參數(shù)篩選器,用于對所述初始訓練參數(shù)集進行參數(shù)篩選,將篩選出的參數(shù)作為特征值, 得到相應的特征集; 模糊處理單元,用于利用預先訓練好的隸屬函數(shù),對所述特征集中所有的特征值進行 模糊化處理,得到相應的模糊集; 神經(jīng)網(wǎng)絡權值訓練器,用于利用所述模糊集進行BP神經(jīng)網(wǎng)絡的權值訓練,得到相應的 模糊BP神經(jīng)網(wǎng)絡,并將所述模糊BP神經(jīng)網(wǎng)絡確定為所述虛擬機能耗預測模型。10. 根據(jù)權利要求9所述的基于模糊神經(jīng)網(wǎng)絡的虛擬機能耗預測系統(tǒng),其特征在于,所 述神經(jīng)網(wǎng)絡權值訓練器包括: 權值初始化單元,用于對BP神經(jīng)網(wǎng)絡的權值進行初始化; 能耗估算單元,用于獲取當前的BP神經(jīng)網(wǎng)絡,并將所述模糊集中每一模糊參數(shù)輸入當 前的BP神經(jīng)網(wǎng)絡,以相應地輸出虛擬機能耗估算值; 差值計算單元,用于計算所述虛擬機能耗估算值與虛擬機實際能耗值之間的差值; 判斷單元,用于判斷該差值是否小于預設閾值,如果是,則結束訓練,如果否,則根據(jù)該 差值,對BP神經(jīng)網(wǎng)絡的權值進行相應的修正,以對BP神經(jīng)網(wǎng)絡進行更新,并將更新后的BP神 經(jīng)網(wǎng)絡發(fā)送至所述能耗估算單元。
【文檔編號】G06N7/04GK105975385SQ201610279167
【公開日】2016年9月28日
【申請日】2016年4月28日
【發(fā)明人】趙雅倩
【申請人】浪潮(北京)電子信息產(chǎn)業(yè)有限公司
網(wǎng)友詢問留言 已有0條留言
  • 還沒有人留言評論。精彩留言會獲得點贊!
1