一種基于模糊神經(jīng)網(wǎng)絡(luò)的虛擬機(jī)能耗預(yù)測(cè)方法及系統(tǒng)的制作方法
【專利摘要】本申請(qǐng)公開(kāi)了一種基于模糊神經(jīng)網(wǎng)絡(luò)的虛擬機(jī)能耗預(yù)測(cè)方法及系統(tǒng)，該方法包括：預(yù)先基于模糊神經(jīng)網(wǎng)絡(luò)，對(duì)虛擬機(jī)的歷史運(yùn)行參數(shù)以及與虛擬機(jī)配套的物理機(jī)的歷史運(yùn)行參數(shù)進(jìn)行模型訓(xùn)練，得到虛擬機(jī)能耗預(yù)測(cè)模型；然后將待預(yù)測(cè)虛擬機(jī)的運(yùn)行參數(shù)以及與待預(yù)測(cè)虛擬機(jī)配套的物理機(jī)的運(yùn)行參數(shù)輸入虛擬機(jī)能耗預(yù)測(cè)模型，得到待預(yù)測(cè)虛擬機(jī)的能耗預(yù)測(cè)值。本申請(qǐng)是基于模糊神經(jīng)網(wǎng)絡(luò)來(lái)構(gòu)建預(yù)測(cè)模型的，能避免硬閾值分區(qū)間模擬所產(chǎn)生的誤差；同時(shí)神經(jīng)網(wǎng)絡(luò)具有對(duì)非線性函數(shù)的良好逼近能力，能更好模擬虛擬機(jī)能耗與各相關(guān)參數(shù)之間的非線性關(guān)系。另外，本申請(qǐng)是對(duì)虛擬機(jī)和物理機(jī)的歷史運(yùn)行參數(shù)進(jìn)行模型訓(xùn)練的，使得預(yù)測(cè)模型能更加全面準(zhǔn)確地對(duì)能耗進(jìn)行預(yù)測(cè)。
【專利說(shuō)明】
一種基于模糊神經(jīng)網(wǎng)絡(luò)的虛擬機(jī)能耗預(yù)測(cè)方法及系統(tǒng)
技術(shù)領(lǐng)域
[0001] 本發(fā)明涉及虛擬機(jī)技術(shù)領(lǐng)域，特別涉及一種基于模糊神經(jīng)網(wǎng)絡(luò)的虛擬機(jī)能耗預(yù)測(cè) 方法及系統(tǒng)。
【背景技術(shù)】
[0002] 當(dāng)前，隨著互聯(lián)網(wǎng)和云計(jì)算的發(fā)展，虛擬機(jī)技術(shù)得到了越來(lái)越廣泛的應(yīng)用。而對(duì)虛 擬機(jī)工作能耗的預(yù)測(cè)，不僅關(guān)乎云計(jì)算的成本和定價(jià)，而且還直接影響了虛擬機(jī)的調(diào)度和 管理。
[0003] 現(xiàn)有常用的虛擬機(jī)能耗預(yù)測(cè)方法可分為線性預(yù)測(cè)和非線性預(yù)測(cè)。其中，線性預(yù)測(cè) 方法是基于統(tǒng)計(jì)學(xué)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(jī) 的復(fù)雜非線性預(yù)測(cè)，導(dǎo)致預(yù)測(cè)誤差較大。而在現(xiàn)有的非線性預(yù)測(cè)方法中，僅僅是簡(jiǎn)單地根據(jù) 虛擬機(jī)CPU利用率來(lái)進(jìn)行硬閾值分段模擬，對(duì)在多虛擬機(jī)的復(fù)雜環(huán)境下虛擬機(jī)的能耗預(yù)測(cè) 準(zhǔn)確率較低。
[0004] 綜上所述可以看出，如何提高虛擬機(jī)能耗預(yù)測(cè)的準(zhǔn)確性是目前有待解決的問(wèn)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(luò)的虛擬機(jī)能耗預(yù)測(cè)方法 及系統(tǒng)，提高了虛擬機(jī)能耗預(yù)測(cè)的準(zhǔn)確性。其具體方案如下：
[0006] -種基于模糊神經(jīng)網(wǎng)絡(luò)的虛擬機(jī)能耗預(yù)測(cè)方法，包括：
[0007] 預(yù)先基于模糊神經(jīng)網(wǎng)絡(luò)，對(duì)虛擬機(jī)的歷史運(yùn)行參數(shù)以及與所述虛擬機(jī)配套的物理 機(jī)的歷史運(yùn)行參數(shù)進(jìn)行模型訓(xùn)練，得到虛擬機(jī)能耗預(yù)測(cè)模型；
[0008] 將待預(yù)測(cè)虛擬機(jī)的運(yùn)行參數(shù)以及與所述待預(yù)測(cè)虛擬機(jī)配套的物理機(jī)的運(yùn)行參數(shù) 輸入所述虛擬機(jī)能耗預(yù)測(cè)模型，得到所述待預(yù)測(cè)虛擬機(jī)的能耗預(yù)測(cè)值。
[0009] 優(yōu)選的，所述預(yù)先基于模糊神經(jīng)網(wǎng)絡(luò)，對(duì)虛擬機(jī)的歷史運(yùn)行參數(shù)以及與所述虛擬 機(jī)配套的物理機(jī)的歷史運(yùn)行參數(shù)進(jìn)行模型訓(xùn)練，得到虛擬機(jī)能耗預(yù)測(cè)模型的過(guò)程，包括：
[0010] 獲取所述虛擬機(jī)的歷史運(yùn)行參數(shù)以及與所述虛擬機(jī)配套的物理機(jī)的歷史運(yùn)行參 數(shù)，得到初始訓(xùn)練參數(shù)集；
[0011] 對(duì)所述初始訓(xùn)練參數(shù)集進(jìn)行參數(shù)篩選，將篩選出的參數(shù)作為特征值，得到相應(yīng)的 特征集；
[0012] 利用預(yù)先訓(xùn)練好的隸屬函數(shù)，對(duì)所述特征集中所有的特征值進(jìn)行模糊化處理，得 到相應(yīng)的模糊集；
[0013] 利用所述模糊集進(jìn)行BP神經(jīng)網(wǎng)絡(luò)的權(quán)值訓(xùn)練，得到相應(yīng)的模糊BP神經(jīng)網(wǎng)絡(luò)，并將 所述模糊BP神經(jīng)網(wǎng)絡(luò)確定為所述虛擬機(jī)能耗預(yù)測(cè)模型。
[0014] 優(yōu)選的，所述虛擬機(jī)的歷史運(yùn)行參數(shù)和與所述虛擬機(jī)配套的物理機(jī)的歷史運(yùn)行參 數(shù)均至少包括CPU利用率、內(nèi)存利用率、單位時(shí)間內(nèi)的執(zhí)行指令數(shù)和單位時(shí)間內(nèi)丟失的 cache 數(shù)。
[0015] 優(yōu)選的，所述對(duì)所述初始訓(xùn)練參數(shù)集進(jìn)行參數(shù)篩選，將篩選出的參數(shù)作為特征值， 得到相應(yīng)的特征集的過(guò)程，包括：
[0016] 基于主成分分析，對(duì)所述初始訓(xùn)練參數(shù)集進(jìn)行降維處理，以對(duì)所述初始訓(xùn)練參數(shù) 集進(jìn)行參數(shù)篩選，并將篩選出的參數(shù)作為特征值，相應(yīng)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(xùn)練過(guò)程，包括：
[0019] 分別對(duì)所述特征集中的每一特征值進(jìn)行聚類，并計(jì)算每一個(gè)聚類對(duì)應(yīng)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(jìn)行BP神經(jīng)網(wǎng)絡(luò)的權(quán)值訓(xùn)練的過(guò)程，包括：
[0021 ]步驟S71:對(duì)BP神經(jīng)網(wǎng)絡(luò)的權(quán)值進(jìn)行初始化；
[0022]步驟S72:獲取當(dāng)前的BP神經(jīng)網(wǎng)絡(luò)，并將所述模糊集中每一模糊參數(shù)輸入當(dāng)前的BP 神經(jīng)網(wǎng)絡(luò)，以相應(yīng)地輸出虛擬機(jī)能耗估算值；
[0023] 步驟S73:計(jì)算所述虛擬機(jī)能耗估算值與虛擬機(jī)實(shí)際能耗值之間的差值；
[0024] 步驟S74:判斷該差值是否小于預(yù)設(shè)閾值，如果是，則結(jié)束訓(xùn)練，如果否，則根據(jù)該 差值，對(duì)BP神經(jīng)網(wǎng)絡(luò)的權(quán)值進(jìn)行相應(yīng)的修正，以對(duì)BP神經(jīng)網(wǎng)絡(luò)進(jìn)行更新，并進(jìn)入步驟S72。
[0025] 本發(fā)明還公開(kāi)了一種基于模糊神經(jīng)網(wǎng)絡(luò)的虛擬機(jī)能耗預(yù)測(cè)系統(tǒng)，包括：
[0026] 模型訓(xùn)練模塊，用于預(yù)先基于模糊神經(jīng)網(wǎng)絡(luò)，對(duì)虛擬機(jī)的歷史運(yùn)行參數(shù)以及與所 述虛擬機(jī)配套的物理機(jī)的歷史運(yùn)行參數(shù)進(jìn)行模型訓(xùn)練，得到虛擬機(jī)能耗預(yù)測(cè)模型；
[0027] 能耗預(yù)測(cè)模塊，用于將待預(yù)測(cè)虛擬機(jī)的運(yùn)行參數(shù)以及與所述待預(yù)測(cè)虛擬機(jī)配套的 物理機(jī)的運(yùn)行參數(shù)輸入所述虛擬機(jī)能耗預(yù)測(cè)模型，得到所述待預(yù)測(cè)虛擬機(jī)的能耗預(yù)測(cè)值。 [0028]優(yōu)選的，所述模型訓(xùn)練模塊包括：
[0029] 訓(xùn)練參數(shù)獲取單元，用于獲取所述虛擬機(jī)的歷史運(yùn)行參數(shù)以及與所述虛擬機(jī)配套 的物理機(jī)的歷史運(yùn)行參數(shù)，得到初始訓(xùn)練參數(shù)集；
[0030] 參數(shù)篩選器，用于對(duì)所述初始訓(xùn)練參數(shù)集進(jìn)行參數(shù)篩選，將篩選出的參數(shù)作為特 征值，得到相應(yīng)的特征集；
[0031] 模糊處理單元，用于利用預(yù)先訓(xùn)練好的隸屬函數(shù)，對(duì)所述特征集中所有的特征值 進(jìn)行模糊化處理，得到相應(yīng)的模糊集；
[0032] 神經(jīng)網(wǎng)絡(luò)權(quán)值訓(xùn)練器，用于利用所述模糊集進(jìn)行BP神經(jīng)網(wǎng)絡(luò)的權(quán)值訓(xùn)練，得到相 應(yīng)的模糊BP神經(jīng)網(wǎng)絡(luò)，并將所述模糊BP神經(jīng)網(wǎng)絡(luò)確定為所述虛擬機(jī)能耗預(yù)測(cè)模型。
[0033] 優(yōu)選的，所述神經(jīng)網(wǎng)絡(luò)權(quán)值訓(xùn)練器包括：
[0034] 權(quán)值初始化單元，用于對(duì)BP神經(jīng)網(wǎng)絡(luò)的權(quán)值進(jìn)行初始化；
[0035] 能耗估算單元，用于獲取當(dāng)前的BP神經(jīng)網(wǎng)絡(luò)，并將所述模糊集中每一模糊參數(shù)輸 入當(dāng)前的BP神經(jīng)網(wǎng)絡(luò)，以相應(yīng)地輸出虛擬機(jī)能耗估算值；
[0036] 差值計(jì)算單元，用于計(jì)算所述虛擬機(jī)能耗估算值與虛擬機(jī)實(shí)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(yù)設(shè)閾值，如果是，則結(jié)束訓(xùn)練，如果否，則根 據(jù)該差值，對(duì)BP神經(jīng)網(wǎng)絡(luò)的權(quán)值進(jìn)行相應(yīng)的修正，以對(duì)BP神經(jīng)網(wǎng)絡(luò)進(jìn)行更新，并將更新后的 BP神經(jīng)網(wǎng)絡(luò)發(fā)送至所述能耗估算單元。
[0038] 本發(fā)明中，虛擬機(jī)能耗預(yù)測(cè)方法包括:預(yù)先基于模糊神經(jīng)網(wǎng)絡(luò)，對(duì)虛擬機(jī)的歷史運(yùn) 行參數(shù)以及與虛擬機(jī)配套的物理機(jī)的歷史運(yùn)行參數(shù)進(jìn)行模型訓(xùn)練，得到虛擬機(jī)能耗預(yù)測(cè)模 型;然后將待預(yù)測(cè)虛擬機(jī)的運(yùn)行參數(shù)以及與待預(yù)測(cè)虛擬機(jī)配套的物理機(jī)的運(yùn)行參數(shù)輸入虛 擬機(jī)能耗預(yù)測(cè)模型，得到待預(yù)測(cè)虛擬機(jī)的能耗預(yù)測(cè)值?？梢?jiàn)，本發(fā)明是基于模糊神經(jīng)網(wǎng)絡(luò)來(lái) 構(gòu)建虛擬機(jī)能耗預(yù)測(cè)模型的，由于模糊神經(jīng)網(wǎng)絡(luò)能夠?qū)?shù)進(jìn)行模糊化表示，所以能夠避 免現(xiàn)有技術(shù)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(yù)測(cè)準(zhǔn)確性；同時(shí)由于神 經(jīng)網(wǎng)絡(luò)具有對(duì)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(jī)能耗與各相關(guān)參數(shù) 之間的非線性關(guān)系，提升了能耗預(yù)測(cè)準(zhǔn)確性。另外，本發(fā)明是同時(shí)對(duì)虛擬機(jī)和物理機(jī)的歷史 運(yùn)行參數(shù)進(jìn)行模型訓(xùn)練的，這表明本發(fā)明不僅考慮到虛擬機(jī)的歷史運(yùn)行參數(shù)對(duì)虛擬機(jī)能耗 的影響，還考慮到相關(guān)物理機(jī)的歷史運(yùn)行參數(shù)對(duì)虛擬機(jī)能耗的影響，從而使得最終得到的 虛擬機(jī)能耗預(yù)測(cè)模型能夠更加全面準(zhǔn)確地對(duì)虛擬機(jī)的能耗進(jìn)行預(yù)測(cè)。綜上可見(jiàn)，本發(fā)明公 開(kāi)的技術(shù)方案有效地提高了虛擬機(jī)能耗預(yù)測(cè)的準(zhǔn)確性。
【附圖說(shuō)明】
[0039] 為了更清楚地說(shuō)明本發(fā)明實(shí)施例或現(xiàn)有技術(shù)中的技術(shù)方案，下面將對(duì)實(shí)施例或現(xiàn) 有技術(shù)描述中所需要使用的附圖作簡(jiǎn)單地介紹，顯而易見(jiàn)地，下面描述中的附圖僅僅是本 發(fā)明的實(shí)施例，對(duì)于本領(lǐng)域普通技術(shù)人員來(lái)講，在不付出創(chuàng)造性勞動(dòng)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(shí)施例公開(kāi)的一種基于模糊神經(jīng)網(wǎng)絡(luò)的虛擬機(jī)能耗預(yù)測(cè)方法流程 圖；
[0041 ]圖2為本發(fā)明實(shí)施例公開(kāi)的虛擬機(jī)能耗預(yù)測(cè)模型構(gòu)建流程圖；
[0042] 圖3為本發(fā)明實(shí)施例公開(kāi)的BP神經(jīng)網(wǎng)絡(luò)的權(quán)值訓(xùn)練流程圖；
[0043] 圖4為本發(fā)明實(shí)施例公開(kāi)的一種基于模糊神經(jīng)網(wǎng)絡(luò)的虛擬機(jī)能耗預(yù)測(cè)系統(tǒng)結(jié)構(gòu)示 意圖。
【具體實(shí)施方式】
[0044]下面將結(jié)合本發(fā)明實(shí)施例中的附圖，對(duì)本發(fā)明實(shí)施例中的技術(shù)方案進(jìn)行清楚、完 整地描述，顯然，所描述的實(shí)施例僅僅是本發(fā)明一部分實(shí)施例，而不是全部的實(shí)施例。基于 本發(fā)明中的實(shí)施例，本領(lǐng)域普通技術(shù)人員在沒(méi)有做出創(chuàng)造性勞動(dòng)前提下所獲得的所有其他 實(shí)施例，都屬于本發(fā)明保護(hù)的范圍。
[0045] 本發(fā)明實(shí)施例公開(kāi)了一種基于模糊神經(jīng)網(wǎng)絡(luò)的虛擬機(jī)能耗預(yù)測(cè)方法，參見(jiàn)圖1所 示，該方法包括：
[0046] 步驟S11:預(yù)先基于模糊神經(jīng)網(wǎng)絡(luò)，對(duì)虛擬機(jī)的歷史運(yùn)行參數(shù)以及與虛擬機(jī)配套的 物理機(jī)的歷史運(yùn)行參數(shù)進(jìn)行模型訓(xùn)練，得到虛擬機(jī)能耗預(yù)測(cè)模型；
[0047]步驟S12:將待預(yù)測(cè)虛擬機(jī)的運(yùn)行參數(shù)以及與待預(yù)測(cè)虛擬機(jī)配套的物理機(jī)的運(yùn)行 參數(shù)輸入虛擬機(jī)能耗預(yù)測(cè)模型，得到待預(yù)測(cè)虛擬機(jī)的能耗預(yù)測(cè)值。
[0048] 需要說(shuō)明的是，本實(shí)施例中的模糊神經(jīng)網(wǎng)絡(luò)可以選擇模糊徑向基神經(jīng)網(wǎng)絡(luò)，也可 以采用模糊BP神經(jīng)網(wǎng)絡(luò)(BP，即Back Propagation，反向傳播）。
[0049] 另外，本實(shí)施例在基于模糊神經(jīng)網(wǎng)絡(luò)來(lái)進(jìn)行模型訓(xùn)練時(shí)，不僅僅是對(duì)虛擬機(jī)的歷 史運(yùn)行參數(shù)進(jìn)行模型訓(xùn)練，同時(shí)還對(duì)物理機(jī)的歷史運(yùn)行參數(shù)進(jìn)行模型訓(xùn)練，這樣使得本發(fā) 明實(shí)施例不僅考慮到虛擬機(jī)的歷史運(yùn)行參數(shù)對(duì)虛擬機(jī)能耗的影響，還考慮到相關(guān)物理機(jī)的 歷史運(yùn)行參數(shù)對(duì)虛擬機(jī)能耗的影響，從而使得最終得到的虛擬機(jī)能耗預(yù)測(cè)模型能夠更加全 面準(zhǔn)確地對(duì)虛擬機(jī)的能耗進(jìn)行預(yù)測(cè)。
[0050] 在利用上述模型訓(xùn)練方法訓(xùn)練出虛擬機(jī)能耗預(yù)測(cè)模型后，當(dāng)需要對(duì)待預(yù)測(cè)虛擬機(jī) 的能耗進(jìn)行預(yù)測(cè)，則只需將待預(yù)測(cè)虛擬機(jī)當(dāng)前的運(yùn)行參數(shù)以及與該待預(yù)測(cè)虛擬機(jī)配套使用 的物理機(jī)當(dāng)前的運(yùn)行參數(shù)輸入上述虛擬機(jī)能耗預(yù)測(cè)模型中，便可得到該待預(yù)測(cè)虛擬機(jī)的能 耗預(yù)測(cè)值。
[0051] 可見(jiàn)，本發(fā)明實(shí)施例是基于模糊神經(jīng)網(wǎng)絡(luò)來(lái)構(gòu)建虛擬機(jī)能耗預(yù)測(cè)模型的，由于模 糊神經(jīng)網(wǎng)絡(luò)能夠?qū)?shù)進(jìn)行模糊化表示，所以能夠避免現(xiàn)有技術(shù)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(yù)測(cè)準(zhǔn)確性；同時(shí)由于神經(jīng)網(wǎng)絡(luò)具有對(duì)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(jī)能耗與各相關(guān)參數(shù)之間的非線性關(guān)系，提升了能耗預(yù)測(cè) 準(zhǔn)確性。另外，本發(fā)明實(shí)施例是同時(shí)對(duì)虛擬機(jī)和物理機(jī)的歷史運(yùn)行參數(shù)進(jìn)行模型訓(xùn)練的，這 表明本發(fā)明實(shí)施例不僅考慮到虛擬機(jī)的歷史運(yùn)行參數(shù)對(duì)虛擬機(jī)能耗的影響，還考慮到相關(guān) 物理機(jī)的歷史運(yùn)行參數(shù)對(duì)虛擬機(jī)能耗的影響，從而使得最終得到的虛擬機(jī)能耗預(yù)測(cè)模型能 夠更加全面準(zhǔn)確地對(duì)虛擬機(jī)的能耗進(jìn)行預(yù)測(cè)。綜上可見(jiàn)，本發(fā)明實(shí)施例公開(kāi)的技術(shù)方案有 效地提高了虛擬機(jī)能耗預(yù)測(cè)的準(zhǔn)確性。
[0052] 本發(fā)明實(shí)施例公開(kāi)了一種具體的基于模糊神經(jīng)網(wǎng)絡(luò)的虛擬機(jī)能耗預(yù)測(cè)方法，相對(duì) 于上一實(shí)施例，本實(shí)施例對(duì)技術(shù)方案作了進(jìn)一步的說(shuō)明和優(yōu)化。具體的：
[0053]參見(jiàn)圖2所示，上一實(shí)施例步驟S11中，預(yù)先基于模糊神經(jīng)網(wǎng)絡(luò)，對(duì)虛擬機(jī)的歷史運(yùn) 行參數(shù)以及與虛擬機(jī)配套的物理機(jī)的歷史運(yùn)行參數(shù)進(jìn)行模型訓(xùn)練，得到虛擬機(jī)能耗預(yù)測(cè)模 型的過(guò)程，具體可以包括：
[0054] 步驟S111:獲取虛擬機(jī)的歷史運(yùn)行參數(shù)以及與虛擬機(jī)配套的物理機(jī)的歷史運(yùn)行參 數(shù)，得到初始訓(xùn)練參數(shù)集；
[0055] 步驟S112:對(duì)初始訓(xùn)練參數(shù)集進(jìn)行參數(shù)篩選，將篩選出的參數(shù)作為特征值，得到相 應(yīng)的特征集；
[0056] 步驟S113:利用預(yù)先訓(xùn)練好的隸屬函數(shù)，對(duì)特征集中所有的特征值進(jìn)行模糊化處 理，得到相應(yīng)的模糊集；
[0057]步驟S114:利用模糊集進(jìn)行BP神經(jīng)網(wǎng)絡(luò)的權(quán)值訓(xùn)練，得到相應(yīng)的模糊BP神經(jīng)網(wǎng)絡(luò)， 并將模糊BP神經(jīng)網(wǎng)絡(luò)確定為虛擬機(jī)能耗預(yù)測(cè)模型。
[0058]可以理解的是，上述虛擬機(jī)的歷史運(yùn)行參數(shù)和與虛擬機(jī)配套的物理機(jī)的歷史運(yùn)行 參數(shù)均至少包括CPU利用率、內(nèi)存利用率、單位時(shí)間內(nèi)的執(zhí)行指令數(shù)和單位時(shí)間內(nèi)丟失的 cache數(shù)(cache，即高速緩沖存儲(chǔ)器）。
[0059] 另外，上述步驟S112中，對(duì)初始訓(xùn)練參數(shù)集進(jìn)行參數(shù)篩選，將篩選出的參數(shù)作為特 征值，得到相應(yīng)的特征集的過(guò)程，具體可以包括:基于主成分分析，對(duì)初始訓(xùn)練參數(shù)集進(jìn)行 降維處理，以對(duì)初始訓(xùn)練參數(shù)集進(jìn)行參數(shù)篩選，并將篩選出的參數(shù)作為特征值，相應(yīng)地得到 特征集。當(dāng)然，本實(shí)施例也可以采用相關(guān)性分析，來(lái)對(duì)上述初始訓(xùn)練參數(shù)進(jìn)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(xùn)練過(guò)程，包括：分別對(duì)特征集中的每一特征值進(jìn)行聚 類，并計(jì)算每一個(gè)聚類對(duì)應(yīng)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(dá)式為：
[0062]
[0063] 其中，Xl表示第i個(gè)特征值，表示特征集中第i個(gè)特征值的第j個(gè)聚類的均值 表示特征集中第i個(gè)特征值的第j個(gè)聚類的方差。需要說(shuō)明的是，一個(gè)特征值對(duì)應(yīng)的聚類個(gè) 數(shù)可以是1個(gè)，也可以大于1。
[0064] 當(dāng)然，本實(shí)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(jiàn)圖3所示，上述步驟S114中，利用模糊集進(jìn)行BP神經(jīng)網(wǎng)絡(luò)的權(quán)值訓(xùn)練的 過(guò)程，具體包括：
[0066]步驟S1141:對(duì)BP神經(jīng)網(wǎng)絡(luò)的權(quán)值進(jìn)行初始化；
[0067]步驟S1142:獲取當(dāng)前的BP神經(jīng)網(wǎng)絡(luò)，并將模糊集中每一模糊參數(shù)輸入當(dāng)前的BP神 經(jīng)網(wǎng)絡(luò)，以相應(yīng)地輸出虛擬機(jī)能耗估算值；
[0068] 步驟S1143:計(jì)算虛擬機(jī)能耗估算值與虛擬機(jī)實(shí)際能耗值之間的差值；
[0069] 步驟S1144:判斷該差值是否小于預(yù)設(shè)閾值，如果是，則結(jié)束訓(xùn)練，如果否，則根據(jù) 該差值，對(duì)BP神經(jīng)網(wǎng)絡(luò)的權(quán)值進(jìn)行相應(yīng)的修正，以對(duì)BP神經(jīng)網(wǎng)絡(luò)進(jìn)行更新，并進(jìn)入步驟 S1142〇
[0070] 可見(jiàn)，本實(shí)施例在進(jìn)行BP神經(jīng)網(wǎng)絡(luò)的權(quán)值訓(xùn)練時(shí)，是通過(guò)反復(fù)比較虛擬機(jī)能耗估 算值與虛擬機(jī)實(shí)際能耗值之間的差值，如果該差值大于或等于預(yù)設(shè)閾值，則對(duì)BP神經(jīng)網(wǎng)絡(luò) 的權(quán)值進(jìn)行相應(yīng)的修正，否則認(rèn)為此時(shí)訓(xùn)練出來(lái)的BP神經(jīng)網(wǎng)絡(luò)已經(jīng)符合誤差要求，停止訓(xùn) 練便可。
[0071] 相應(yīng)的，本發(fā)明實(shí)施例公開(kāi)了一種基于模糊神經(jīng)網(wǎng)絡(luò)的虛擬機(jī)能耗預(yù)測(cè)系統(tǒng)，參 見(jiàn)圖4所示，該系統(tǒng)包括：
[0072] 模型訓(xùn)練模塊41，用于預(yù)先基于模糊神經(jīng)網(wǎng)絡(luò)，對(duì)虛擬機(jī)的歷史運(yùn)行參數(shù)以及與 虛擬機(jī)配套的物理機(jī)的歷史運(yùn)行參數(shù)進(jìn)行模型訓(xùn)練，得到虛擬機(jī)能耗預(yù)測(cè)模型；
[0073] 能耗預(yù)測(cè)模塊42,用于將待預(yù)測(cè)虛擬機(jī)的運(yùn)行參數(shù)以及與待預(yù)測(cè)虛擬機(jī)配套的物 理機(jī)的運(yùn)行參數(shù)輸入虛擬機(jī)能耗預(yù)測(cè)模型，得到待預(yù)測(cè)虛擬機(jī)的能耗預(yù)測(cè)值。
[0074] 具體的，上述模型訓(xùn)練模塊可以包括訓(xùn)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(luò)權(quán)值訓(xùn)練器;其中，
[0075] 訓(xùn)練參數(shù)獲取單元，用于獲取虛擬機(jī)的歷史運(yùn)行參數(shù)以及與虛擬機(jī)配套的物理機(jī) 的歷史運(yùn)行參數(shù)，得到初始訓(xùn)練參數(shù)集；
[0076] 參數(shù)篩選器，用于對(duì)初始訓(xùn)練參數(shù)集進(jìn)行參數(shù)篩選，將篩選出的參數(shù)作為特征值， 得到相應(yīng)的特征集；
[0077] 模糊處理單元，用于利用預(yù)先訓(xùn)練好的隸屬函數(shù)，對(duì)特征集中所有的特征值進(jìn)行 模糊化處理，得到相應(yīng)的模糊集；
[0078] 神經(jīng)網(wǎng)絡(luò)權(quán)值訓(xùn)練器，用于利用模糊集進(jìn)行BP神經(jīng)網(wǎng)絡(luò)的權(quán)值訓(xùn)練，得到相應(yīng)的 模糊BP神經(jīng)網(wǎng)絡(luò)，并將模糊BP神經(jīng)網(wǎng)絡(luò)確定為虛擬機(jī)能耗預(yù)測(cè)模型。
[0079] 另外，本實(shí)施例中的神經(jīng)網(wǎng)絡(luò)權(quán)值訓(xùn)練器具體可以包括權(quán)值初始化單元、能耗估 算單元、差值計(jì)算單元和判斷單元。其中，
[0080] 權(quán)值初始化單元，用于對(duì)BP神經(jīng)網(wǎng)絡(luò)的權(quán)值進(jìn)行初始化；
[0081] 能耗估算單元，用于獲取當(dāng)前的BP神經(jīng)網(wǎng)絡(luò)，并將模糊集中每一模糊參數(shù)輸入當(dāng) 前的BP神經(jīng)網(wǎng)絡(luò)，以相應(yīng)地輸出虛擬機(jī)能耗估算值；
[0082] 差值計(jì)算單元，用于計(jì)算虛擬機(jī)能耗估算值與虛擬機(jī)實(shí)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(yù)設(shè)閾值，如果是，則結(jié)束訓(xùn)練，如果否，則根 據(jù)該差值，對(duì)BP神經(jīng)網(wǎng)絡(luò)的權(quán)值進(jìn)行相應(yīng)的修正，以對(duì)BP神經(jīng)網(wǎng)絡(luò)進(jìn)行更新，并將更新后的 BP神經(jīng)網(wǎng)絡(luò)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(luò)發(fā)送至能耗估算單元時(shí)，還 會(huì)通知能耗估算單元利用更新后的BP神經(jīng)網(wǎng)絡(luò)進(jìn)行能耗估算。
[0085]可見(jiàn)，本發(fā)明實(shí)施例是基于模糊神經(jīng)網(wǎng)絡(luò)來(lái)構(gòu)建虛擬機(jī)能耗預(yù)測(cè)模型的，由于模 糊神經(jīng)網(wǎng)絡(luò)能夠?qū)?shù)進(jìn)行模糊化表示，所以能夠避免現(xiàn)有技術(shù)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(yù)測(cè)準(zhǔn)確性；同時(shí)由于神經(jīng)網(wǎng)絡(luò)具有對(duì)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(jī)能耗與各相關(guān)參數(shù)之間的非線性關(guān)系，提升了能耗預(yù)測(cè) 準(zhǔn)確性。另外，本發(fā)明實(shí)施例是同時(shí)對(duì)虛擬機(jī)和物理機(jī)的歷史運(yùn)行參數(shù)進(jìn)行模型訓(xùn)練的，這 表明本發(fā)明實(shí)施例不僅考慮到虛擬機(jī)的歷史運(yùn)行參數(shù)對(duì)虛擬機(jī)能耗的影響，還考慮到相關(guān) 物理機(jī)的歷史運(yùn)行參數(shù)對(duì)虛擬機(jī)能耗的影響，從而使得最終得到的虛擬機(jī)能耗預(yù)測(cè)模型能 夠更加全面準(zhǔn)確地對(duì)虛擬機(jī)的能耗進(jìn)行預(yù)測(cè)。綜上可見(jiàn)，本發(fā)明實(shí)施例公開(kāi)的技術(shù)方案有 效地提高了虛擬機(jī)能耗預(yù)測(cè)的準(zhǔn)確性。
[0086]最后，還需要說(shuō)明的是，在本文中，術(shù)語(yǔ)"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(guò)程、方法、物品或者設(shè)備不僅包括那些 要素，而且還包括沒(méi)有明確列出的其他要素，或者是還包括為這種過(guò)程、方法、物品或者設(shè) 備所固有的要素。在沒(méi)有更多限制的情況下，由語(yǔ)句"包括一個(gè)……"限定的要素，并不排除 在包括所述要素的過(guò)程、方法、物品或者設(shè)備中還存在另外的相同要素。
[0087]以上對(duì)本發(fā)明所提供的一種基于模糊神經(jīng)網(wǎng)絡(luò)的虛擬機(jī)能耗預(yù)測(cè)方法及系統(tǒng)進(jìn) 行了詳細(xì)介紹，本文中應(yīng)用了具體個(gè)例對(duì)本發(fā)明的原理及實(shí)施方式進(jìn)行了闡述，以上實(shí)施 例的說(shuō)明只是用于幫助理解本發(fā)明的方法及其核心思想；同時(shí)，對(duì)于本領(lǐng)域的一般技術(shù)人 員，依據(jù)本發(fā)明的思想，在【具體實(shí)施方式】及應(yīng)用范圍上均會(huì)有改變之處，綜上所述，本說(shuō)明 書內(nèi)容不應(yīng)理解為對(duì)本發(fā)明的限制。
【主權(quán)項(xiàng)】
1. 一種基于模糊神經(jīng)網(wǎng)絡(luò)的虛擬機(jī)能耗預(yù)測(cè)方法，其特征在于，包括： 預(yù)先基于模糊神經(jīng)網(wǎng)絡(luò)，對(duì)虛擬機(jī)的歷史運(yùn)行參數(shù)以及與所述虛擬機(jī)配套的物理機(jī)的 歷史運(yùn)行參數(shù)進(jìn)行模型訓(xùn)練，得到虛擬機(jī)能耗預(yù)測(cè)模型； 將待預(yù)測(cè)虛擬機(jī)的運(yùn)行參數(shù)以及與所述待預(yù)測(cè)虛擬機(jī)配套的物理機(jī)的運(yùn)行參數(shù)輸入 所述虛擬機(jī)能耗預(yù)測(cè)模型，得到所述待預(yù)測(cè)虛擬機(jī)的能耗預(yù)測(cè)值。2. 根據(jù)權(quán)利要求1所述的基于模糊神經(jīng)網(wǎng)絡(luò)的虛擬機(jī)能耗預(yù)測(cè)方法，其特征在于，所述 預(yù)先基于模糊神經(jīng)網(wǎng)絡(luò)，對(duì)虛擬機(jī)的歷史運(yùn)行參數(shù)以及與所述虛擬機(jī)配套的物理機(jī)的歷史 運(yùn)行參數(shù)進(jìn)行模型訓(xùn)練，得到虛擬機(jī)能耗預(yù)測(cè)模型的過(guò)程，包括： 獲取所述虛擬機(jī)的歷史運(yùn)行參數(shù)以及與所述虛擬機(jī)配套的物理機(jī)的歷史運(yùn)行參數(shù)，得 到初始訓(xùn)練參數(shù)集； 對(duì)所述初始訓(xùn)練參數(shù)集進(jìn)行參數(shù)篩選，將篩選出的參數(shù)作為特征值，得到相應(yīng)的特征 集； 利用預(yù)先訓(xùn)練好的隸屬函數(shù)，對(duì)所述特征集中所有的特征值進(jìn)行模糊化處理，得到相 應(yīng)的模糊集； 利用所述模糊集進(jìn)行BP神經(jīng)網(wǎng)絡(luò)的權(quán)值訓(xùn)練，得到相應(yīng)的模糊BP神經(jīng)網(wǎng)絡(luò)，并將所述 模糊BP神經(jīng)網(wǎng)絡(luò)確定為所述虛擬機(jī)能耗預(yù)測(cè)模型。3. 根據(jù)權(quán)利要求2所述的基于模糊神經(jīng)網(wǎng)絡(luò)的虛擬機(jī)能耗預(yù)測(cè)方法，其特征在于，所述 虛擬機(jī)的歷史運(yùn)行參數(shù)和與所述虛擬機(jī)配套的物理機(jī)的歷史運(yùn)行參數(shù)均至少包括CPU利用 率、內(nèi)存利用率、單位時(shí)間內(nèi)的執(zhí)行指令數(shù)和單位時(shí)間內(nèi)丟失的cache數(shù)。4. 根據(jù)權(quán)利要求2所述的基于模糊神經(jīng)網(wǎng)絡(luò)的虛擬機(jī)能耗預(yù)測(cè)方法，其特征在于，所述 對(duì)所述初始訓(xùn)練參數(shù)集進(jìn)行參數(shù)篩選，將篩選出的參數(shù)作為特征值，得到相應(yīng)的特征集的 過(guò)程，包括： 基于主成分分析，對(duì)所述初始訓(xùn)練參數(shù)集進(jìn)行降維處理，以對(duì)所述初始訓(xùn)練參數(shù)集進(jìn) 行參數(shù)篩選，并將篩選出的參數(shù)作為特征值，相應(yīng)地得到所述特征集。5. 根據(jù)權(quán)利要求2所述的基于模糊神經(jīng)網(wǎng)絡(luò)的虛擬機(jī)能耗預(yù)測(cè)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(quán)利要求5所述的基于模糊神經(jīng)網(wǎng)絡(luò)的虛擬機(jī)能耗預(yù)測(cè)方法，其特征在于，所述 高斯型隸屬函數(shù)的訓(xùn)練過(guò)程，包括： 分別對(duì)所述特征集中的每一特征值進(jìn)行聚類，并計(jì)算每一個(gè)聚類對(duì)應(yīng)的均值和方差， 生成得到高斯型隸屬函數(shù)。7. 根據(jù)權(quán)利要求2所述的基于模糊神經(jīng)網(wǎng)絡(luò)的虛擬機(jī)能耗預(yù)測(cè)方法，其特征在于，所述 利用所述模糊集進(jìn)行BP神經(jīng)網(wǎng)絡(luò)的權(quán)值訓(xùn)練的過(guò)程，包括： 步驟S71:對(duì)BP神經(jīng)網(wǎng)絡(luò)的權(quán)值進(jìn)行初始化； 步驟S72:獲取當(dāng)前的BP神經(jīng)網(wǎng)絡(luò)，并將所述模糊集中每一模糊參數(shù)輸入當(dāng)前的BP神經(jīng) 網(wǎng)絡(luò)，以相應(yīng)地輸出虛擬機(jī)能耗估算值； 步驟S73:計(jì)算所述虛擬機(jī)能耗估算值與虛擬機(jī)實(shí)際能耗值之間的差值； 步驟S74:判斷該差值是否小于預(yù)設(shè)閾值，如果是，則結(jié)束訓(xùn)練，如果否，則根據(jù)該差值， 對(duì)BP神經(jīng)網(wǎng)絡(luò)的權(quán)值進(jìn)行相應(yīng)的修正，以對(duì)BP神經(jīng)網(wǎng)絡(luò)進(jìn)行更新，并進(jìn)入步驟S72。8. -種基于模糊神經(jīng)網(wǎng)絡(luò)的虛擬機(jī)能耗預(yù)測(cè)系統(tǒng)，其特征在于，包括： 模型訓(xùn)練模塊，用于預(yù)先基于模糊神經(jīng)網(wǎng)絡(luò)，對(duì)虛擬機(jī)的歷史運(yùn)行參數(shù)以及與所述虛 擬機(jī)配套的物理機(jī)的歷史運(yùn)行參數(shù)進(jìn)行模型訓(xùn)練，得到虛擬機(jī)能耗預(yù)測(cè)模型； 能耗預(yù)測(cè)模塊，用于將待預(yù)測(cè)虛擬機(jī)的運(yùn)行參數(shù)以及與所述待預(yù)測(cè)虛擬機(jī)配套的物理 機(jī)的運(yùn)行參數(shù)輸入所述虛擬機(jī)能耗預(yù)測(cè)模型，得到所述待預(yù)測(cè)虛擬機(jī)的能耗預(yù)測(cè)值。9. 根據(jù)權(quán)利要求8所述的基于模糊神經(jīng)網(wǎng)絡(luò)的虛擬機(jī)能耗預(yù)測(cè)系統(tǒng)，其特征在于，所述 模型訓(xùn)練模塊包括： 訓(xùn)練參數(shù)獲取單元，用于獲取所述虛擬機(jī)的歷史運(yùn)行參數(shù)以及與所述虛擬機(jī)配套的物 理機(jī)的歷史運(yùn)行參數(shù)，得到初始訓(xùn)練參數(shù)集； 參數(shù)篩選器，用于對(duì)所述初始訓(xùn)練參數(shù)集進(jìn)行參數(shù)篩選，將篩選出的參數(shù)作為特征值， 得到相應(yīng)的特征集； 模糊處理單元，用于利用預(yù)先訓(xùn)練好的隸屬函數(shù)，對(duì)所述特征集中所有的特征值進(jìn)行 模糊化處理，得到相應(yīng)的模糊集； 神經(jīng)網(wǎng)絡(luò)權(quán)值訓(xùn)練器，用于利用所述模糊集進(jìn)行BP神經(jīng)網(wǎng)絡(luò)的權(quán)值訓(xùn)練，得到相應(yīng)的 模糊BP神經(jīng)網(wǎng)絡(luò)，并將所述模糊BP神經(jīng)網(wǎng)絡(luò)確定為所述虛擬機(jī)能耗預(yù)測(cè)模型。10. 根據(jù)權(quán)利要求9所述的基于模糊神經(jīng)網(wǎng)絡(luò)的虛擬機(jī)能耗預(yù)測(cè)系統(tǒng)，其特征在于，所 述神經(jīng)網(wǎng)絡(luò)權(quán)值訓(xùn)練器包括： 權(quán)值初始化單元，用于對(duì)BP神經(jīng)網(wǎng)絡(luò)的權(quán)值進(jìn)行初始化； 能耗估算單元，用于獲取當(dāng)前的BP神經(jīng)網(wǎng)絡(luò)，并將所述模糊集中每一模糊參數(shù)輸入當(dāng) 前的BP神經(jīng)網(wǎng)絡(luò)，以相應(yīng)地輸出虛擬機(jī)能耗估算值； 差值計(jì)算單元，用于計(jì)算所述虛擬機(jī)能耗估算值與虛擬機(jī)實(shí)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(yù)設(shè)閾值，如果是，則結(jié)束訓(xùn)練，如果否，則根據(jù)該 差值，對(duì)BP神經(jīng)網(wǎng)絡(luò)的權(quán)值進(jìn)行相應(yīng)的修正，以對(duì)BP神經(jīng)網(wǎng)絡(luò)進(jìn)行更新，并將更新后的BP神 經(jīng)網(wǎng)絡(luò)發(fā)送至所述能耗估算單元。
【文檔編號(hào)】G06N7/04GK105975385SQ201610279167
【公開(kāi)日】2016年9月28日
【申請(qǐng)日】2016年4月28日
【發(fā)明人】趙雅倩
【申請(qǐng)人】浪潮(北京)電子信息產(chǎn)業(yè)有限公司