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