本發(fā)明涉及一種云服務(wù)器負(fù)載預(yù)測(cè)方法，屬于云計(jì)算應(yīng)用技術(shù)領(lǐng)域。

背景技術(shù)：

云計(jì)算是一種利用互聯(lián)網(wǎng)實(shí)現(xiàn)隨時(shí)隨地、按需、便捷地訪問共享資源池(如計(jì)算設(shè)施、存儲(chǔ)設(shè)備、應(yīng)用程序等)的計(jì)算模式，其充分利用虛擬化機(jī)制，讓客戶按需獲取需要的資源,由此可以降低中小型企業(yè)硬件維護(hù)成本等。當(dāng)前我國各類數(shù)據(jù)中心總量約43萬個(gè)，可容納服務(wù)器約500萬臺(tái)，未來5年我國對(duì)數(shù)據(jù)中心流量處理能力的需求將增長7～10倍。然而，云數(shù)據(jù)中心規(guī)模的不斷擴(kuò)大，成千上萬的計(jì)算節(jié)點(diǎn)也帶來了高能耗的問題，以一臺(tái)服務(wù)器平均功耗400瓦計(jì)算，年耗電總量約為1276億千瓦時(shí),已然超過三峽電站一年的發(fā)電總量(2014年為988億千瓦時(shí))。導(dǎo)致這種高能耗現(xiàn)象產(chǎn)生的原因不僅僅是因?yàn)橛布Y源所需能耗高，更多的是因?yàn)檫@些資源的低效率使用。云計(jì)算數(shù)據(jù)中心服務(wù)器利用率很少接近10％,而當(dāng)服務(wù)器利用率低于50％時(shí)，就會(huì)因?yàn)檫^渡供應(yīng)產(chǎn)生額外的成本。因此，保證服務(wù)器高效運(yùn)作是很有必要的?，F(xiàn)有研究提出，云服務(wù)器負(fù)載的精準(zhǔn)預(yù)測(cè)對(duì)于提高云計(jì)算系統(tǒng)的資源利用率、降低能耗、提升服務(wù)質(zhì)量、對(duì)虛擬機(jī)遷移機(jī)制具有重要意義。

通過對(duì)于服務(wù)器的負(fù)載預(yù)測(cè)，云計(jì)算系統(tǒng)可以更好的對(duì)虛擬機(jī)進(jìn)行有序部署和遷移管理，避免瞬時(shí)負(fù)載峰值或谷值觸發(fā)無謂的虛擬機(jī)遷移造成的系統(tǒng)開銷浪費(fèi)，減少虛擬機(jī)遷移帶來的網(wǎng)絡(luò)通信的壓力，在保障服務(wù)質(zhì)量和sla的前提下，提高資源利用率，延長硬件設(shè)備壽命，有效降低云計(jì)算數(shù)據(jù)中心的能耗。云數(shù)據(jù)中心服務(wù)器的負(fù)載情況，尤其是cpu負(fù)載情況，具有以下幾種特征：

(1)非線性。監(jiān)測(cè)所得負(fù)載數(shù)據(jù)無法用一次函數(shù)進(jìn)行擬合，數(shù)據(jù)具有不確定的屬性。

(2)強(qiáng)波動(dòng)性。波動(dòng)性指的是數(shù)據(jù)序列在一段短時(shí)間內(nèi)大幅上升或下跌的統(tǒng)計(jì)性指標(biāo)，在負(fù)載預(yù)測(cè)環(huán)節(jié)中，即指的是一組監(jiān)測(cè)數(shù)據(jù)在一段短時(shí)間內(nèi)會(huì)出現(xiàn)大幅上升或下跌的情況。

由于負(fù)載數(shù)據(jù)的非線性、強(qiáng)波動(dòng)性的特征，給負(fù)載預(yù)測(cè)方法確保精度高的同時(shí)減少方法開銷帶來了困難。目前已經(jīng)有不少負(fù)載預(yù)測(cè)解決方案，包括基于非啟發(fā)式方法和啟發(fā)式方法的負(fù)載預(yù)測(cè)方法。然而，這些負(fù)載預(yù)測(cè)方法的不足之處有：

(1)非啟發(fā)式方法預(yù)測(cè)精度低，對(duì)于波動(dòng)性數(shù)據(jù)很難預(yù)測(cè)準(zhǔn)確；

(2)啟發(fā)式方法處理開銷大，方法中的多次迭代造成了極大的計(jì)算開銷，無法適用于要求實(shí)時(shí)性較強(qiáng)的負(fù)載預(yù)測(cè)；

(3)方法的預(yù)測(cè)時(shí)間粒度、目標(biāo)粒度均太大，有些負(fù)載預(yù)測(cè)方法以天為時(shí)間單位預(yù)測(cè)整體云環(huán)境負(fù)載，目的僅僅是預(yù)測(cè)當(dāng)日可能的數(shù)據(jù)中心任務(wù)量，以確認(rèn)當(dāng)日開啟的服務(wù)器數(shù)量，對(duì)于云數(shù)據(jù)中心實(shí)時(shí)管理貢獻(xiàn)很小，節(jié)省能耗有限。

技術(shù)實(shí)現(xiàn)要素：

本發(fā)明所要解決的技術(shù)問題是提供一種云服務(wù)器負(fù)載預(yù)測(cè)方法，針對(duì)負(fù)載數(shù)據(jù)的特點(diǎn)，融合云模型與馬爾可夫鏈優(yōu)點(diǎn)，實(shí)現(xiàn)云模型與馬爾可夫鏈的有機(jī)結(jié)合，實(shí)現(xiàn)針對(duì)云服務(wù)器負(fù)載的預(yù)測(cè)。

本發(fā)明為了解決上述技術(shù)問題采用以下技術(shù)方案：本發(fā)明設(shè)計(jì)了一種云服務(wù)器負(fù)載預(yù)測(cè)方法，用于針對(duì)云服務(wù)中心進(jìn)行負(fù)載預(yù)測(cè)，包括如下步驟：

步驟a.獲得云服務(wù)中心所對(duì)應(yīng)的云模型h，并針對(duì)云模型h中的各個(gè)子云函數(shù)，將彼此重疊大于預(yù)設(shè)重疊閾值的各個(gè)子云函數(shù)進(jìn)行合并，更新云模型h，并進(jìn)入步驟b；

步驟b.獲得云模型h所對(duì)應(yīng)的馬爾可夫轉(zhuǎn)移矩陣p'(n)，并進(jìn)入步驟c；

步驟c.針對(duì)云服務(wù)中心當(dāng)前時(shí)刻t的負(fù)載數(shù)據(jù)at，以及云服務(wù)中心上一時(shí)刻(t-1)的負(fù)載數(shù)據(jù)at-1，進(jìn)行歸一化處理，獲得at所對(duì)應(yīng)的歸一化數(shù)據(jù)xt，然后計(jì)算獲得xt分別相對(duì)云模型h中各個(gè)子云函數(shù)hn的隸屬度μ(xt)n，并進(jìn)入步驟d，其中，n＝{1、…、n}，n表示云模型h中子云函數(shù)的數(shù)量；

步驟d.針對(duì)xt相對(duì)云模型h中各個(gè)子云函數(shù)hn隸屬度μ(xt)n，判斷是否所有隸屬度μ(xt)n均低于隸屬度閾值μlimit，是則保留最大隸屬度值，其余隸屬度值設(shè)為0，更新xt相對(duì)云模型集合h中各個(gè)子云函數(shù)hn隸屬度為μ'(xt)n，并進(jìn)入步驟f；否則進(jìn)入步驟e；

步驟e.針對(duì)xt相對(duì)云模型h中各個(gè)子云函數(shù)hn隸屬度μ(xt)n，判斷是否存在低于隸屬度閾值μlimit的隸屬度，是則將該隸屬度值設(shè)為0，更新xt相對(duì)云模型集合h中各個(gè)子云函數(shù)hn隸屬度為μ'(xt)n，并進(jìn)入步驟f；否則直接將xt相對(duì)云模型h中各個(gè)子云函數(shù)hn隸屬度μ(xt)n設(shè)為μ'(xt)n，并進(jìn)入步驟f；

步驟f.針對(duì)xt相對(duì)云模型h中各個(gè)子云函數(shù)hn的隸屬度μ'(xt)n，構(gòu)成初始矩陣p(0)，并根據(jù)p(n)＝p(0)p'(n)，獲得一步轉(zhuǎn)移隸屬矩陣p(n)，然后進(jìn)入步驟g；

步驟g.分別針對(duì)云模型h中的各個(gè)子云函數(shù)hn，生成以enn為期望、以hen為熵的正態(tài)隨機(jī)數(shù)yn，作為子云函數(shù)hn所對(duì)應(yīng)的權(quán)值，進(jìn)而獲得云模型h中各個(gè)子云函數(shù)hn分別所對(duì)應(yīng)的權(quán)值yn，然后進(jìn)入步驟h；其中，enn表示云模型h中第n個(gè)子云函數(shù)hn所對(duì)應(yīng)的數(shù)學(xué)期望，hen表示云模型h中第n個(gè)子云函數(shù)hn所對(duì)應(yīng)的超熵；

步驟h.針對(duì)一步轉(zhuǎn)移隸屬矩陣p(n)中xt相對(duì)云模型h中各個(gè)子云函數(shù)hn的隸屬度μ”(xt)n，以及云模型h中各個(gè)子云函數(shù)hn分別所對(duì)應(yīng)的權(quán)值yn，進(jìn)行加權(quán)平均處理，所獲結(jié)果即為云服務(wù)中心下一時(shí)刻的負(fù)載預(yù)測(cè)值。

作為本發(fā)明的一種優(yōu)選技術(shù)方案，所述步驟c中，采用如下公式：

計(jì)算獲得xt分別相對(duì)云模型h中各個(gè)子云函數(shù)hn的隸屬度μ(xt)n，并進(jìn)入步驟d，其中，n＝{1、…、n}，n表示云模型集合h中子云函數(shù)的數(shù)量；exn表示云模型集合h中第n個(gè)子云函數(shù)hn所對(duì)應(yīng)的熵。

作為本發(fā)明的一種優(yōu)選技術(shù)方案：所述步驟d中，對(duì)于隸屬度閾值μlimit的獲取方式為，針對(duì)各個(gè)隸屬度μ(xt)n所逆推的期望值，判斷期望值是否落在[-∞，exn-3enn]∪[exn+3enn,+∞]，是則將該期望值所對(duì)應(yīng)的隸屬度值設(shè)為0；否則不做操作；其中，exn表示云模型h中與期望值相對(duì)應(yīng)的子云函數(shù)所對(duì)應(yīng)的熵，enn表示云模型h中與期望值相對(duì)應(yīng)的子云函數(shù)所對(duì)應(yīng)的數(shù)學(xué)期望。

作為本發(fā)明的一種優(yōu)選技術(shù)方案：所述步驟g中，分別針對(duì)云模型h中的各個(gè)子云函數(shù)hn，根據(jù)如下模型：

生成以enn為期望、以hen為熵的正態(tài)隨機(jī)數(shù)yn，作為預(yù)測(cè)數(shù)值序列{y1,…,yn}，分別作為各子云函數(shù)hn所對(duì)應(yīng)的權(quán)值。

作為本發(fā)明的一種優(yōu)選技術(shù)方案，所述步驟b，按如下設(shè)計(jì)，獲得云模型集合h所對(duì)應(yīng)的馬爾可夫轉(zhuǎn)移矩陣p'(n)；

將已構(gòu)建的兩個(gè)云模型和中的云從1開始進(jìn)行編號(hào)，獲得狀態(tài)集ja{ja(1),…,ja(la)}和jb{jb(1),…,jb(lb)}，求得交叉狀態(tài)集合：

將其每行銜接成為一個(gè)一維向量t：

(ja(1)jb(1)，ja(1)jb(2)，…，ja(1)jb(lb),ja(2)jb(1),…,ja(la)jb(lb))

如此，通過該狀態(tài)集合求解馬爾可夫狀態(tài)轉(zhuǎn)移矩陣，進(jìn)而云模型集合h所對(duì)應(yīng)的馬爾可夫轉(zhuǎn)移矩陣p'(n)。

本發(fā)明所述一種云服務(wù)器負(fù)載預(yù)測(cè)方法采用以上技術(shù)方案與現(xiàn)有技術(shù)相比，具有以下技術(shù)效果：

(1)本發(fā)明設(shè)計(jì)的云服務(wù)器負(fù)載預(yù)測(cè)方法，針對(duì)負(fù)載數(shù)據(jù)的特點(diǎn)，融合云模型與馬爾可夫鏈優(yōu)點(diǎn)，提出一種云服務(wù)器負(fù)載預(yù)測(cè)方法，該方法沿用云模型的歷史數(shù)據(jù)樣本訓(xùn)練方法，在預(yù)測(cè)數(shù)值的計(jì)算隸屬度環(huán)節(jié)通過馬爾科夫預(yù)測(cè)思想求得預(yù)測(cè)隸屬度向量，再根據(jù)預(yù)測(cè)隸屬度向量，對(duì)云模型采用預(yù)測(cè)值加權(quán)求和方式，實(shí)現(xiàn)云模型與馬爾可夫鏈的有機(jī)結(jié)合，并且給出了該方法多維化的方法；

(2)本發(fā)明設(shè)計(jì)的云服務(wù)器負(fù)載預(yù)測(cè)方法中，保留了云模型預(yù)測(cè)方法中通過歷史數(shù)據(jù)建立云模型的方法，提出以云模型中的每一個(gè)云作為一個(gè)狀態(tài)，以當(dāng)前數(shù)據(jù)對(duì)云的隸屬度建立馬爾可夫初始矩陣，以歷史數(shù)據(jù)的狀態(tài)轉(zhuǎn)移情況建立馬爾可夫轉(zhuǎn)移矩陣，以此求得一步轉(zhuǎn)移隸屬度結(jié)果，通過此隸屬度加權(quán)法求得預(yù)測(cè)值；

(3)本發(fā)明設(shè)計(jì)的云服務(wù)器負(fù)載預(yù)測(cè)方法中，對(duì)于需要綜合考慮多種因素負(fù)載預(yù)測(cè)情況，提出在多維變量時(shí)建立狀態(tài)轉(zhuǎn)移矩陣，以此進(jìn)行負(fù)載預(yù)測(cè)；

(4)本發(fā)明設(shè)計(jì)的云服務(wù)器負(fù)載預(yù)測(cè)方法，減少了負(fù)載預(yù)測(cè)計(jì)算開銷，提高實(shí)時(shí)預(yù)測(cè)性能。

附圖說明

圖1是本發(fā)明所設(shè)計(jì)云服務(wù)器負(fù)載預(yù)測(cè)方法的流程示意圖；

圖2a是實(shí)施例中云的示意圖；

圖2b是實(shí)施例中云模型的示意圖；

圖3是云模型的預(yù)測(cè)方法流程示意。

具體實(shí)施方式

下面結(jié)合說明書附圖對(duì)本發(fā)明的具體實(shí)施方式作進(jìn)一步詳細(xì)的說明。

基于非啟發(fā)式的負(fù)載預(yù)測(cè)方法包括馬爾可夫鏈預(yù)測(cè)方法。馬爾可夫過程指的是一種無后效性的隨機(jī)過程，可以用于離散時(shí)間序列的預(yù)測(cè)。馬爾可夫鏈?zhǔn)菨M足馬爾可夫性質(zhì)的隨機(jī)過程。

基于啟發(fā)式方法的負(fù)載預(yù)測(cè)主要思路是通過對(duì)歷史數(shù)據(jù)的學(xué)習(xí)，訓(xùn)練得出預(yù)測(cè)模型，然后對(duì)該模型輸入當(dāng)前數(shù)值，得到預(yù)測(cè)數(shù)值。云模型預(yù)測(cè)方法是啟發(fā)式方法的一種，其做法是將大量歷史數(shù)據(jù)進(jìn)行提煉得出體現(xiàn)數(shù)據(jù)分布特征的云函數(shù)集合，稱為云模型，然后根據(jù)當(dāng)前數(shù)據(jù)判斷其下一步隸屬的云模型，通過撒點(diǎn)法獲得下一個(gè)預(yù)測(cè)值?；谠颇Ｐ偷念A(yù)測(cè)方法優(yōu)勢(shì)具體體現(xiàn)在不確定性上，該方法對(duì)于波動(dòng)性較大的數(shù)據(jù)預(yù)測(cè)有優(yōu)勢(shì)。

定義1：云與云滴.設(shè)u為定量論域，c是u上的定性概念，x是定義于u上的隨機(jī)變量x的一次隨機(jī)實(shí)現(xiàn)，x對(duì)c的隸屬度μc(x)∈[0,1]是一隨機(jī)且有穩(wěn)定傾向，則x在論域u上的分布稱為云(cloud)，x稱為云滴。

云模型集合中一個(gè)典型的云如圖2a所示，圖2a中的每一個(gè)點(diǎn)都是一個(gè)云滴。一個(gè)云可以記為c(ex,en,he)，其中ex表示云的數(shù)學(xué)期望，即整個(gè)云當(dāng)中最有可能表述該定性概念的值；en表示云的熵，表示該數(shù)學(xué)期望的離散程度；另有概念he表示云的超熵，即熵的離散程度。一個(gè)預(yù)測(cè)集合的數(shù)值波動(dòng)范圍越大，就是模糊性越大，這個(gè)可以由熵表示出來；而預(yù)測(cè)結(jié)果的隨機(jī)性，由超熵的大小來表示。對(duì)一組數(shù)據(jù)整體描述的云的集合，就稱為云模型，一個(gè)典型的云模型如圖2b所示，圖2b中數(shù)值為0和1時(shí)，表示的云是半云，半云是為了削弱邊際條件對(duì)預(yù)測(cè)結(jié)果的影響，只取邊際條件云的一半計(jì)入預(yù)測(cè)數(shù)值的過程。

將生成云滴與云模型的過程稱為云發(fā)生器，云發(fā)生器分為正向云發(fā)生器與逆向云發(fā)生器兩種。云模型的預(yù)測(cè)方法流程圖見圖3所示，通過逆向云發(fā)生器提煉歷史數(shù)據(jù)的核心信息，統(tǒng)計(jì)得出數(shù)據(jù)符合的云模型集合，然后根據(jù)當(dāng)前數(shù)據(jù)選擇符合預(yù)測(cè)預(yù)期的對(duì)應(yīng)云模型，再用正向云發(fā)生器獲取預(yù)測(cè)數(shù)值。

定義2：正向云發(fā)生器.正向云發(fā)生器指的是依據(jù)云模型的數(shù)字特征生成滿足條件的點(diǎn){x,μ}，從而獲取預(yù)測(cè)值的過程。

正態(tài)云隸屬函數(shù)γ(x)具體定義為：

其中ex表示云的數(shù)學(xué)期望，即整個(gè)云當(dāng)中最有可能表述該定性概念的值；en表示云的熵，表示該數(shù)學(xué)期望的離散程度；另有概念he表示云的超熵，即熵的離散程度。一個(gè)預(yù)測(cè)集合的數(shù)值波動(dòng)范圍越大，就是模糊性越大，這個(gè)可以由熵表示出來；而預(yù)測(cè)結(jié)果的隨機(jī)性，可以由超熵表示出來。

定義3：逆向云發(fā)生器.逆向云發(fā)生器指的是從相當(dāng)數(shù)量的云滴中確定這些特征值的數(shù)學(xué)期望、熵和超熵的過程。

逆向云發(fā)生器完成的是由定量數(shù)值到定性概念的變遷。通過統(tǒng)計(jì)分析等技術(shù)將一定數(shù)量的定量值有效轉(zhuǎn)換成以云模型的三個(gè)數(shù)字特征所表述的定性概念。要逆向建立一個(gè)云模型，首先需要對(duì)原始數(shù)據(jù)進(jìn)行數(shù)據(jù)歸一化的處理，然后進(jìn)行擬合、云變化、躍升，得到一個(gè)定性的概念。大部分的逆向云模型擬合采用取峰值法，對(duì)于定量值即每個(gè)zi(x)中的x序列，c(ex,en,he)即為通過逆向云發(fā)生器所求得的對(duì)應(yīng)數(shù)值區(qū)間的一個(gè)原始云模型，提取原始云模型信息的計(jì)算方法為：

step1：計(jì)算xi的數(shù)據(jù)樣本的均值一階樣本絕對(duì)中心距樣本方差

step2：找到負(fù)載數(shù)據(jù)的頻率分布統(tǒng)計(jì)中的各個(gè)峰值所在的位置，將其對(duì)應(yīng)的橫坐標(biāo)定義為云的期望；

step3：熵

step4：超熵

云模型的建立會(huì)涉及到相似度的問題，即兩個(gè)云之間重疊部分過大。所以對(duì)于初步建立好了的數(shù)據(jù)云模型，需要進(jìn)行云概念的躍升，即將相似的云模型進(jìn)行比較以及合并，從兩個(gè)云的接近程度以及兩個(gè)云之間重疊的大小進(jìn)行考慮。將原始云模型集合進(jìn)行躍升后即可得到云模型集合。

另外需要明確一個(gè)正態(tài)云的3en準(zhǔn)則，定義為：論域u中的云滴對(duì)概念c有貢獻(xiàn)的主要位于區(qū)間[ex-3en,ex+3en]，而區(qū)間[ex-3en,ex+3en]外云滴的貢獻(xiàn)微乎其微，可以忽略。主要貢獻(xiàn)度入下表1所示，所以在討論云模型預(yù)測(cè)得出的值的時(shí)候，無需考慮區(qū)間[ex-3en,ex+3en]以外可能產(chǎn)生的值。

表1

所設(shè)計(jì)云服務(wù)器負(fù)載預(yù)測(cè)方法的貢獻(xiàn)在于：根據(jù)云計(jì)算負(fù)載數(shù)據(jù)特征，提出了一種馬爾可夫鏈和云模型的混合預(yù)測(cè)方法。該方法保留了云模型預(yù)測(cè)方法中通過歷史數(shù)據(jù)建立云模型的方法，提出以云模型中的每一個(gè)云作為一個(gè)狀態(tài)，以當(dāng)前數(shù)據(jù)對(duì)云的隸屬度建立馬爾可夫初始矩陣，以歷史數(shù)據(jù)的狀態(tài)轉(zhuǎn)移情況建立馬爾可夫轉(zhuǎn)移矩陣，以此求得一步轉(zhuǎn)移隸屬度結(jié)果，通過此隸屬度加權(quán)法求得預(yù)測(cè)值。并且對(duì)于需要綜合考慮多種因素負(fù)載預(yù)測(cè)情況，該方法進(jìn)一步提出多維化的方法，提出在多維變量時(shí)建立狀態(tài)轉(zhuǎn)移矩陣，以此進(jìn)行負(fù)載預(yù)測(cè)。該方法方法減少負(fù)載預(yù)測(cè)計(jì)算開銷，提高實(shí)時(shí)預(yù)測(cè)性能。

具體如圖1所示，本發(fā)明設(shè)計(jì)了一種云服務(wù)器負(fù)載預(yù)測(cè)方法，用于針對(duì)云服務(wù)中心進(jìn)行負(fù)載預(yù)測(cè)，實(shí)際應(yīng)用過程當(dāng)中，具體包括如下步驟：

步驟a.獲得云服務(wù)中心所對(duì)應(yīng)的云模型h，并針對(duì)云模型h中的各個(gè)子云函數(shù)，將彼此重疊大于預(yù)設(shè)重疊閾值的各個(gè)子云函數(shù)進(jìn)行合并，更新云模型h，并進(jìn)入步驟b。

步驟b，按如下設(shè)計(jì)，獲得云模型集合h所對(duì)應(yīng)的馬爾可夫轉(zhuǎn)移矩陣p'(n)，并進(jìn)入步驟c。

將已構(gòu)建的兩個(gè)云模型和中的云從1開始進(jìn)行編號(hào)，獲得狀態(tài)集ja{ja(1),…,ja(la)}和jb{jb(1),…,jb(lb)}，求得交叉狀態(tài)集合：

將其每行銜接成為一個(gè)一維向量t：

(ja(1)jb(1)，ja(1)jb(2)，…，ja(1)jb(lb),ja(2)jb(1),…,ja(la)jb(lb))

如此，通過該狀態(tài)集合求解馬爾可夫狀態(tài)轉(zhuǎn)移矩陣，進(jìn)而云模型集合h所對(duì)應(yīng)的馬爾可夫轉(zhuǎn)移矩陣p'(n)。

步驟c.針對(duì)云服務(wù)中心當(dāng)前時(shí)刻t的負(fù)載數(shù)據(jù)at，以及云服務(wù)中心上一時(shí)刻(t-1)的負(fù)載數(shù)據(jù)at-1，進(jìn)行歸一化處理，獲得at所對(duì)應(yīng)的歸一化數(shù)據(jù)xt，然后采用如下公式：

計(jì)算獲得xt分別相對(duì)云模型h中各個(gè)子云函數(shù)hn的隸屬度μ(xt)n，并進(jìn)入步驟d，其中，n＝{1、…、n}，n表示云模型集合h中子云函數(shù)的數(shù)量；exn表示云模型集合h中第n個(gè)子云函數(shù)hn所對(duì)應(yīng)的熵。

步驟d.針對(duì)xt相對(duì)云模型h中各個(gè)子云函數(shù)hn隸屬度μ(xt)n，判斷是否所有隸屬度μ(xt)n均低于隸屬度閾值μlimit，是則保留最大隸屬度值，其余隸屬度值設(shè)為0，更新xt相對(duì)云模型集合h中各個(gè)子云函數(shù)hn隸屬度為μ'(xt)n，并進(jìn)入步驟f；否則進(jìn)入步驟e。

上述步驟d中，對(duì)于隸屬度閾值μlimit的獲取方式為，針對(duì)各個(gè)隸屬度μ(xt)n所逆推的期望值，判斷期望值是否落在[-∞，exn-3enn]∪[exn+3enn,+∞]，是則將該期望值所對(duì)應(yīng)的隸屬度值設(shè)為0；否則不做操作；其中，exn表示云模型h中與期望值相對(duì)應(yīng)的子云函數(shù)所對(duì)應(yīng)的熵，enn表示云模型h中與期望值相對(duì)應(yīng)的子云函數(shù)所對(duì)應(yīng)的數(shù)學(xué)期望。

步驟e.針對(duì)xt相對(duì)云模型h中各個(gè)子云函數(shù)hn隸屬度μ(xt)n，判斷是否存在低于隸屬度閾值μlimit的隸屬度，是則將該隸屬度值設(shè)為0，更新xt相對(duì)云模型集合h中各個(gè)子云函數(shù)hn隸屬度為μ'(xt)n，并進(jìn)入步驟f；否則直接將xt相對(duì)云模型h中各個(gè)子云函數(shù)hn隸屬度μ(xt)n設(shè)為μ'(xt)n，并進(jìn)入步驟f。

步驟f.針對(duì)xt相對(duì)云模型h中各個(gè)子云函數(shù)hn的隸屬度μ'(xt)n，構(gòu)成初始矩陣p(0)，并根據(jù)p(n)＝p(0)p'(n)，獲得一步轉(zhuǎn)移隸屬矩陣p(n)，然后進(jìn)入步驟g。

步驟g.分別針對(duì)云模型h中的各個(gè)子云函數(shù)hn，根據(jù)如下模型：

生成以enn為期望、以hen為熵的正態(tài)隨機(jī)數(shù)yn，作為預(yù)測(cè)數(shù)值序列{y1,…,yn}，分別作為各子云函數(shù)hn所對(duì)應(yīng)的權(quán)值；進(jìn)而獲得云模型h中各個(gè)子云函數(shù)hn分別所對(duì)應(yīng)的權(quán)值yn，然后進(jìn)入步驟h；其中，enn表示云模型h中第n個(gè)子云函數(shù)hn所對(duì)應(yīng)的數(shù)學(xué)期望，hen表示云模型h中第n個(gè)子云函數(shù)hn所對(duì)應(yīng)的超熵。

步驟h.針對(duì)一步轉(zhuǎn)移隸屬矩陣p(n)中xt相對(duì)云模型h中各個(gè)子云函數(shù)hn的隸屬度μ”(xt)n，以及云模型h中各個(gè)子云函數(shù)hn分別所對(duì)應(yīng)的權(quán)值yn，進(jìn)行加權(quán)平均處理，所獲結(jié)果即為云服務(wù)中心下一時(shí)刻的負(fù)載預(yù)測(cè)值。

上面結(jié)合附圖對(duì)本發(fā)明的實(shí)施方式作了詳細(xì)說明，但是本發(fā)明并不限于上述實(shí)施方式，在本領(lǐng)域普通技術(shù)人員所具備的知識(shí)范圍內(nèi)，還可以在不脫離本發(fā)明宗旨的前提下做出各種變化。