专利名称：一种基于粒子群优化神经网络的服务器性能预测方法
技术领域：
本发明涉及一种服务器性能预测方法，尤其涉及一种适用于云计算的基于粒子群优化神经网络的服务器性能预测方法，属于计算机性能管理技术领域。
背景技术：
随着云平台规模日益庞大，如何提高云环境中服务器的资源利用率，成为云管理的一个重要问题。在资源调度中为了能够及时调整资源的增加和释放、避免过度频繁的资源调度，就需要对云平台中服务器的性能进行预测。在性能预测中必须满足两方面要求:一方面，性能预测准确率要高，否则会对云平台资源调度造成重大影响，甚至导致云平台瘫痪。另一方面，由于云平台中软件系统相互共享资源，服务器系统使用资源的模式和规模是不确定的、不可控的，云平台中服务器的性能常常在短期内会出现抖动，为了避免过度频繁的资源调度，因此资源预测模型在长期预测中也要有好的性能。目前，云平台的服务器性能预测的研究较少，Huang等提出了一种基于二次指数平滑预测方法，该方法通过改进最小传统最小二乘算法来优化指数平滑预测算法，该算法可以有效提高指数平滑算法的预测效率。Ishak等提出一种基于移动平均的预测模型来预测服务器性能的发展趋势。传统预测模型要求序列必须有明显线性特征，历史数据在某条斜线上下小幅度地变化，并且要求历史数据较多，否则预测值的准确性低。由于云平台中服务器性能变化是非线性的、随机的，传统的预测方法往往不能很好地捕捉服务器性能的波动。因此，Heath等提出一种基于M/M/1排队模型预测的方法，该方法主要是通过排队模型来预测服务器的负载，然而这种预测方法在服务器负载增加迅速的情况下，预测值与实际值偏离较大。Shi等提出了一种基于马尔科夫链的预测方法，用统计学方法计算出每种状态的转移概率，通过前一时刻的状态来预测下一刻时刻的状态，能够快速进行预测。然而由于马尔科夫链方法需要事先对资源性能数据进行大量统计，建立转移矩阵比较困难。Zhang等提出了基于卡尔曼滤波的预测模型，该方法采用信号与噪声的状态空间模型，以最小均方误差的准则，根据前一时刻的估计值和当前的观测值更新状态变量的估计，求得当前估计值，能够适合于实时处理和计算机运算。Mao等提出了一种基于灰色预测的预测模型，该模型对原始数据进行生成处理来寻找系统变动的规律，生成有较强规律性的数据序列，然后建立相应的微分方程模型，从而预测事物未来发展趋势的状况，该预测模型不必考虑数据的分布规律，所需要的历史数据少，预测方法简单且易实现，短期预测精度比较高，长期预测却不准确。然而，这些预测模型由于不能很好地逼近非线性变化趋势，虽然在短期预测中精度表现良好，但是在长期预测中却不够准确。人工神经网络(Artif icial Neural Networks,简写为ANNs)也简称为神经网络(NNs)或称作连接模型(Connection Model),它是一种模范动物神经网络行为特征,进行分布式并行信息处理的算法数学模型。这种网络依靠系统的复杂程度，通过调整内部大量节点之间相互连接的关系，从而达到处理信息的目的。随着技术发展，神经网络已被广泛应用于信号处理、模式识别、优化控制等诸多领域。
神经网络的学习(训练)过程是一个迭代过程，也就是网络连接权值和阈值不断修正的过程。而粒子群优化算法(Particle Swarm Optimizimation,简称PS0)由于具有良好的全局寻优能力，通过参数调整还可具有较强的局部寻优能力，所需参数较少，编程处理简单易行等优点，已越来越多地被用于神经网络的优化。利用粒子群优化神经网络的基本原理是用粒子群中的每个个体包含神经网络的所有连接权值和阈值(即粒子编码)，每个个体通过适应度函数计算其适应度值，以适应度最大的原则迭代寻找新的最优粒子，最优粒子所包含的连接权值和阈值即为最优解，将其赋予神经网络，再通过优化后的神经网络执行模式识别、预测等工作。构建粒子群优化神经网络模型的基本步骤如下:I)选定合适的神经网络结构，包括各层的神经元个数，从而确定神经网络中的连接权值和阈值的个数；2)对神经网络连接权值和阈值进行粒子编码；3)粒子种群初始化；4)通过适应度函数计算出每个粒子的适应度值，确定个体极值和群体极值；5)更新每个粒子的位置和速度，计算新粒子的适应度值，直到满足迭代终止条件，从而得到最优粒子；6)将最优粒子所包含的连接权值和阈值赋予神经网络。由于粒子群优化神经网络具有算法复杂度低、训练时间较短等优点，因此可以考虑利用粒子群优化神经网络模型进行服务器性能的预测。然而，标准粒子群算法的寻优能力主要依赖于粒子之间的相互作用，在每次迭代过程中，粒子群中粒子不断向最优粒子逼近全局最优解，越来越多的粒子将聚集成群，而失去自己的速度，变得越来越不活跃的，难以找到的全局最优解。这种情况会严重影响预测的准确性。
发明内容
本发明所要解决的技术问题在克服现有技术不足，提供一种基于粒子群优化神经网络的服务器性能预测方法，利用改进的粒子群优化神经网络对服务器的性能进行预测，提高了预测模型的准确性和实时性。本发明具体采用以下技术方案解决上述技术问题:一种基于粒子群优化神经网络的服务器性能预测方法，首先选取待预测服务器性能参数的历史数据，进行预处理，获得训练样本；然后利用训练样本对神经网络进行训练；最后利用训练好的神经网络对未来时刻的待预测服务器性能参数进行预测；在对神经网络进行训练时，利用粒子群算法对所述神经网络的连接权值和阈值进行优化，具体包括以下步骤:步骤1、对所要优化的连接权值和阈值进行粒子编码，并确定粒子群规模，粒子的位置和速度，学习因子和惯性权重，其中每个粒子的维数为所要优化的连接权值和阈值的总数量；步骤2、初始化种群；步骤3、迭代更新:步骤301、计算当前粒子群中各粒子的适应度；步骤302、更新当前每个粒子的个体极值和粒子群体的全局最优极值；
步骤303、计算当前粒子群的聚集度，若聚集度大于预设的聚集度阈值，则保留全
局最优的粒子，并利用随机生成的n-l个范围为
权利要求
1.一种基于粒子群优化神经网络的服务器性能预测方法，首先选取待预测服务器性能参数的历史数据，进行预处理，获得训练样本；然后利用训练样本对神经网络进行训练 ’最后利用训练好的神经网络对未来时刻的待预测服务器性能参数进行预测；其特征在于，在对神经网络进行训练时，利用粒子群算法对所述神经网络的连接权值和阈值进行优化，具体包括以下步骤: 步骤1、对所要优化的连接权值和阈值进行粒子编码，并确定粒子群规模，粒子的位置和速度，学习因子和惯性权重，其中每个粒子的维数为所要优化的连接权值和阈值的总数量; 步骤2、初始化种群； 步骤3、迭代更新: 步骤301、计算当前粒子群中各粒子的适应度； 步骤302、更新当前每个粒子的个体极值和粒子群体的全局最优极值； 步骤303、计算当前粒子群的聚集度，若聚集度大于预设的聚集度阈值，则保留全局最优的粒子，并利用随机生成的/7-1个范围为
2.如权利要求1所述基于粒子群优化神经网络的服务器性能预测方法，其特征在于，所述神经网络为Elman神经网络。
3.如权利要求2所述基于粒子群优化神经网络的服务器性能预测方法，其特征在于，所述Elman神经网络的输入层节点数按照以下方法确定: 设训练样本集中样本总数为八每个样本为t个连续的历史数据组成的时间序列Jfi = (XlfX2l-^Xt)，对于每个样本，利用以下公式计算该样本中除了、以外的每个历史数据A与χ 之间的相关度Λ，…, -1:
4.如权利要求1 3任一项所述基于粒子群优化神经网络的服务器性能预测方法，其特征在于，所述适应度为所述神经网络的均方差，按照下式得到:
全文摘要
本发明公开了一种基于粒子群优化神经网络的服务器性能预测方法，属于计算机性能管理技术领域。本发明基于改进的Elman神经网络对云计算下的服务器进行性能预测。首先，根据样本数据的相关性确定Elman神经网络输入层节点数目，然后，通过基于粒子群分布的PSO算法对Elman神经网络进行训练。在基于粒子分布的PSO算法中引入粒子聚集度的概念，在聚集度较高时打散粒子群，保持粒子群的多样性，提高算法的寻优能力。本发明提出的预测模型在短期预测和长期预测中均保持了较好的精度，且提高了神经网络的训练速度。
文档编号G06N3/08GK103164742SQ20131011311
公开日2013年6月19日 申请日期2013年4月2日 优先权日2013年4月2日
发明者程春玲, 李阳, 张登银, 张怡婷, 万腾 申请人:南京邮电大学