基于LSTM的CPU资源负载情况预测方法与流程

技术特征：
1.一种基于lstm的cpu资源负载情况预测方法，其特征在于，包括：构建lstm算法模型；对所述lstm算法模型进行训练；以及利用训练好的lstm算法模型进行cpu资源负载情况预测。2.根据权利要求1所述的基于lstm的cpu资源负载情况预测方法，其特征在于，在对lstm算法模型进行训练时，采用非饱和激活函数relu函数作为激活函数；其中，relu激活函数的表达式为：3.根据权利要求1所述的基于lstm的cpu资源负载情况预测方法，其特征在于，在对lstm算法模型进行训练时，采用hyperopt进行模型参数调整。4.根据权利要求1所述的基于lstm的cpu资源负载情况预测方法，其特征在于，在对所述lstm算法模型进行训练之前，还包括：获取cpu资源使用率训练数据；对所述cpu资源使用率训练数据进行数据平滑与归一化处理；利用数据平滑与归一化处理后的数据构建训练集与测试集，以对所述lstm算法模型进行训练。5.根据权利要求1所述的基于lstm的cpu资源负载情况预测方法，其特征在于，在利用训练好的lstm算法模型进行cpu资源负载情况预测之前，还包括：获取cpu资源使用率待预测数据；对所述cpu资源使用率待预测数据进行数据平滑与归一化处理。6.根据权利要求4或5所述的基于lstm的cpu资源负载情况预测方法，其特征在于，采用滑动平均法对数据做平滑处理，滑动平均法公式为：f
t
＝(a
t-1
a
t-2
a
t-3

…
a
t-n
)/n式中，t为当前时刻，a
t-1
为上一时刻的数据，n为滑动平均的个数；所述归一化处理即通过对数据进行压缩与平移，以达到使数据绝对值落在1以内，归一化公式为：式中，x为当前数据，x
*
为归一化后的数据，max和min分别为这组数据的最大值和最小值。7.根据权利要求1所述的基于lstm的cpu资源负载情况预测方法，其特征在于，在对lstm算法模型进行训练时，采用dropout方法降低层间过拟合程度，并采用adam方法作为最优化方法；其中，adam方法的计算公式为：式中，θ
t
为adam方法的输出，α表示学习率，θ
t-1
为待更新参数，m
t
为偏一阶矩估计；v
t
为偏二阶矩估计；和为矩估计的指数衰减率；ε为正数。
8.根据权利要求1所述的基于lstm的cpu资源负载情况预测方法，其特征在于，在对lstm算法模型进行训练时，采用均方误差对训练数据的输出值同真实值进行误差计算，其中，均方误差公式为：式中，m为数据集个数，h(x
i
)为输出值，y
i
为真实值。9.根据权利要求1所述的基于lstm的cpu资源负载情况预测方法，其特征在于，在对lstm算法模型进行训练时，以预测误差最小为目标函数，采用贝叶斯优化方法对lstm神经网络隐藏层数目、学习率、训练次数、遗忘率dropout进行参数组合寻优。10.根据权利要求1所述的基于lstm的cpu资源负载情况预测方法，其特征在于，在利用训练好的lstm算法模型进行cpu资源负载情况预测时，采用平自相关系数进行平稳性分析，其中，自相关系数的定义为：式中，k为阶数，为原始序列的均值，x
i
对应被拆分的原始序列的第i项，x
i k
对应被拆分的原始序列移动k步后的序列的第i项。

技术总结
本发明提供了一种基于LSTM的CPU资源负载情况预测方法，包括：构建LSTM算法模型；对所述LSTM算法模型进行训练；以及利用训练好的LSTM算法模型进行CPU资源负载情况预测。本发明基于LSTM的CPU资源负载情况预测方法加快了模型的收敛速度，提高模型的预测准确率，能够提前预警CPU资源负载情况，从而帮助系统管理员提前开展资源调度等工作，高效利用地CPU资源，防止故障发生。止故障发生。止故障发生。


技术研发人员：樊文杰 陈岚 张贺
受保护的技术使用者：中国科学院微电子研究所
技术研发日：2020.05.08
技术公布日：2021/11/8