一种基于SARIMA-WNN模型预测弹性云计算资源的方法与流程

本发明属于云计算技术领域，尤其涉及一种基于sarima-wnn模型预测弹性云计算资源的方法。

背景技术：

针对于目前云计算的普及以及广泛应用，云计算中心为租户提供以虚拟机(vm)形式的资源，为了保证众多租户的需求与租户的qos(qualityofservice，服务质量)，服务商往往需要准备足够的资源，但是资源分配滞后导致的给予租户的服务失效、sla违约频频出现的问题，以及发生资源供应过量时导致足够多资源的背后又是云计算资源的大量浪费，为了达到理想的供需平衡，所以高效的弹性云资源相关算法应运而生。

目前广泛应用于云计算的的弹性算法包括自回归积分滑动平均模型(arima)，arima-improve，向后传播神经网络(backpropagationneuralnetwork,bpnn)，sarima等。弹性云资源需求量是一种复杂、非线性时间序列数据，其受到多种因素影响，具有周期性、非线性以及突变性，很难确切地说它是一个单纯线性或者非线性系统。结合弹性云资源负载数据的周期性特征，采用sarima算法更能学习到数据中的周期信息。根据相关实验表明，以arima为基础的相关算法均对时间有较强依赖性的特征数据具有很好的预测性。arima算法对线性数据的拟合效果相对来说比较好、预测结果相对也比较精确，对于非线性数据先通过对非平稳序列进行差分平稳化处理之后，再对平稳序列进行移动回归。行技术原理上来看，该算法虽然可以用于对非线性数据进行拟合处理，但是当数据波动非常大的时候，算法的平稳化原理也决定着相应时刻预测残差的增大，本发明通过wnn神经网络的对sarima预测残差的训练学习，得到训练模型的参数与权重，通过此模型进行预测下一次sarima的预测残差可以有效的解决问题。

目前应用中较常见的前馈神经网络中又以bp网络及其改进形式居多。虽然成绩显著，它们也有各种不足，近年来提出的小波神经网络(wnn)被实践证明在许多方面都比bp网络有所改善，尤其在预测领域优点更加明显,wnn解决了梯bpnn算法中梯度下降法进行参数优化的神经网络训练模型时导致的收敛速度慢以及容易陷入局部最小等缺点，因此，可以利用sarima与wnn的线性和非线性预测能力，将二者结合起来进行弹性云资源预测可以优势互补，以提高弹性云资源需求预测的精度，sarima-wnn模型主要针对负载进行预测，在某种程度上用户行为具有很好的周期性特征，加入周期性信息将更有利于模型拟合，提高数据在时间上的相关性。因此本发明以arima算法为基础，采用了加入季节信息的sarima算法进行预测并且提出了srarima-wnn组合模型。

针对以上现有技术缺陷的分析，本发明可以借助神经网络学习领域的算法和模型来解决这些问题，并尽可能提升预测效果和质量。

技术实现要素：

针对上述问题中存在的不足之处，本发明提供一种基于sarima-wnn模型预测弹性云计算资源的方法。

为实现上述目的，本发明提供一种基于sarima-wnn模型预测弹性云计算资源的方法，包括：

步骤1、利用sarima对时间序列化的云端资源进行平稳化处理分别得出d阶非季节性差分与d阶季节性差分；

步骤2、确立sarima模型，确定d(非季节性分差次数)，p(非季节性自回归项数)，q(非季节性移动平均算子的最大滞后阶数)，d(季节性差分次数)，p(季节性自回归项数)，q(季节性移动平均算子的最大滞后阶数)参数；

步骤3、运用sarima模型进行对平稳化序列后的代码进行预测，通过预测可以得出预测结果标记为以及l残差值标记为rt；

步骤4、利用训练样本对wnn网络进行训练得出符合预测弹性云资源的模型，然后针对残差序列rt进行预测，把预测结果标记为

步骤5、最后将sarima-wnn模型预测的结果标记

首次把加入季节性的arima(sarima)与wnn组合使用，并且建立模型运用在弹性云资源的预测，使得算法优势互补，预测结果更加高效精确。

与现有技术相比，本发明的有益效果为：

本发明将加入季节性的arima(sarima)与wnn组合模型并且运用到弹性云计算资源的预测，解决了arima与wnn单一模型预测的不准确性，并且解决了传统bp神经网络等结构设计上的盲目性以及收敛速度慢等问题，提高了预测速度与准确度。

附图说明

图1为基于sarima算法模型预测下一时刻弹性云资源的流程图；

图2为wnn的网络拓扑结构图；

图3为基于wnn模型训练学习优化以及预测弹性云资源的流程图；

图4为本发明一种实施例公开的sarima-wnn组合预测弹性云资源的流程图；

具体实施方式

为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清晰、完整地描述，所描述的实施例是本发明的一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例，都应该属于本发明保护的范围。

下面结合附图对本发明做进一步的详细描述：

本发明提供一种基于sarima-wnn模型预测弹性云计算资源的方法，将其他传统的单个模型进行了高效的组合，设计了一个预测速度更快，更精确的组合模型。该模型解决了传统点一模型存在的几个比较严重的问题，例如预测不准确、以及不准确后无补偿等问题。同时该组合模型加入了季节性周期元素，使得arima预测的精度更高；该方法包括：

步骤1、利用sarima对时间序列化的云端资源进行平稳化处理分别得出d阶非季节性差分与d阶季节性差分；

步骤2、确立sarima模型，确定d(非季节性分差次数)，p(非季节性自回归项数)，q(非季节性移动平均算子的最大滞后阶数)，d(季节性差分次数)，p(季节性自回归项数)，q(季节性移动平均算子的最大滞后阶数)等参数；

步骤3、运用sarima模型进行对平稳化序列后的代码进行预测，通过预测可以得出预测结果标记为以及l残差值标记为rt；

步骤4、利用训练样本对wnn网络进行训练得出符合预测弹性云资源的模型，然后针对残差序列rt进行有效的预测，这里把预测结果标记为

步骤5、最后将sarima-wnn模型预测的结果标记

本发明提出一种基于sarima-wnn模型预测弹性云计算资源的方法的具体实现过程如下：

首先需要分析基于周期为s的时间序列模型，一般的表达式如下：

其中，l为非季节性云资源时间序列的滞后算子，l^s为季节性云资源时间序列的滞后算子，δ^d为d次云资源的非季节性差分，为d次云资源的非季节性差分，φp代表了系数为p的自回归(ma(q))多项式，θq代表了系数为q的移动平均多项式，bq代表系数为q的季节移动平均多项式，δ与δs分别表示非季节与s期季节性差分，d，d分别表示的非季节与季节性差分数，它们把时间性季节序列yt转换为一个平稳的时间序列，ut是白噪声，φp(l)与ap(l^s)用来分别表示为非季节与季节性自回归算子或者称为自回归特征多项式，θq(l)与bq(l^s)用来分别称为非季节与季节移动平均算子或者称为移动平均特征多项式；p表示为非季节性自回归项数，q表示为非季节性移动平均算子的最大滞后阶数，p表示为季节性自回归项数，q表示为季节性移动平均算子的最大滞后阶数,上述的模型可以用sarima(q，d，q)(p，d，q)s来表示，然后应用wnn神经对sarima(q，d，q)(p，d，q)s残差序列进行预测，最终得到sarima-wnn组合模型的结果。其中，如果s＝4，则表示为4个季度，如果s＝12则表示为12个月份，或者s＝24，则表示为24个小时，另外具有平稳性的条件是φp(l)ap(l^s)＝0的根必须在单位圆以外。以及具有可逆性的条件是θq(l)bq(l^s)的根必须在单位圆以外。模型建立好之后，接下来就是根据图1所示的流程图进行测试训练优化模型，大体分为以下六个步骤：

(1)主要针对云计算资源数据非平稳序列进行平稳化处理。如果数据序列是非平稳的序列，那么需要对数据进行差分处理。

(2)根据时间序列模型的识别规则，建立相应的sarima模型。

(3)然后进行参数估计，检验是否具有统计意义。

(4)接下来进行假设检验，判断残差序列是否为白噪声。

(5)最后利用已通过检验的模型进行预测分析。

然后需要针对小波神经网络模型(wnn)进行分析如下：

wnn小波神经网络模型是以误差反传神经网络拓扑结构为基础的网络，与bp神经网络类似。在小波神经网络中，信号向前传播的同时，误差反向传播，不同的是小波神经网络隐含层节点的传递函数为小波基函数。如图2中wnn的网络拓扑结构图中，图中的x＝(x1，x2，x3...xm)^t表示为输入层的输入样本，其中的表示为小波函数，具体的小波函数是morlet母小波基函数，小波函数包含了尺度伸缩因子aij以及时间平移因子bij。其中的wij表示为输入层到隐藏层的输入权值，wjk为隐藏层到输出层的权值，y＝(y1，y2，y3...yn)^t表示为预测输出值，也即是输出的结果值。图3表示了基于wnn模型训练学习优化以及预测弹性云资源预测的流程图，由图可以看出我们把首先把数据分为训练数据和测试数据，我们运用训练数据把构建好的wnn模型进行训练，分别得出网络的权值以及伸缩平移因子，得出最优的wnn模型，然后根据测试数据进行拟合预测拟合预测数据，得出最终预测数据。

结合上述两种的算法，本发明提出了基于sarima预测模型以及wnn神经网络模型的组合进行弹性云资源进行预测，结合了sarima与wnn各自的优点，预测结果比单一的模型预测的精度更高，结合图4进行整合的弹性云资源进行预测，首先利用sarima对时间序列化的云端资源进行平稳化处理分别得出d阶非季节性差分与d阶季节性差分；确立sarima模型，确定d，p，q，d，p，q等参数；运用sarima模型进行对平稳化序列后的代码进行预测，通过预测可以得出预测结果以及残差；利用训练样本对wnn网络进行训练得出符合预测弹性云资源的模型，然后针对sarima预测的残差序列作为wnn模型的输入数据；经过wnn训练好的模型进行预测，最后得出把sarima模型预测的结果与经过wnn模型进行的残差序列进行预测的结果相加得出最终的预测结果。以上是该模型的主要步骤。

1.实验仿真预测

首先进行实验数据的前期准备，为了更好的贴合模拟数据的效果的准确度本发明选用的实验验数据是具有典型云资源需求特征的负载数据，通过对获取的2008年奥运会web直播网站连续两个月的访问记录，经过对数据按照小时的访问量进行了归纳预处理。然后根据组合模型的流程图，把准备好的数据进行预测，当然我们根据上述需求，我们把数据分为两个部分，一部分作为训练模型使用，本发明把前一个半月的访问数据作为训练样本，另一部分作为测试样本，本发明把剩下的半个月的数据负载作为测试样本。

为了评价预测组合模型的准确性，本发明采用了预测分析中最常使用的两个指标平均绝对误差(mae)和平均均方根误差(rmse)来作为评价预测精度的依据，mae能更好的反映出预测误差的实际情况，其计算公式如下所示

式子中fi表示了预测值，yi表示了真实值。rmse则可以评价数据的变化程度，rmse的值越小说明用预测模型来描述实验数据具有的精确度更高，其计算公式如下所示

经过对测试数据结果的分析，结果表明使用两者结合的sarima-wnn预测方法要优于使用单一预测方法，其中平均绝对误差(mae)相较于sarima与wnn分别提高了55％和89％，平均均方根误差(rmse)相较sarima与wnn分别提高了51％和88％，由此可以看出使用sarima-wnn进行预测的准确度比使用单一算法模型有了很大的提升，此外，平均绝对误差百分比(mape)相较于sarima的7％和wnn的35％提升到4％，可以比较好的拟合出云资源负载变化趋势与走向。因此本发明的sraima-wnn组合算法模型有更高的预测精确度与效率，组合的模型具有较高合理性与准确性。综合来看，采用本发明的预测算法模型，误差在万级别范围内的准确率达到92％以上，所以，采用本发明的sarima-wnn预测算法模型可以满足弹性云环境下的性能的需求。经过仿真实验结果分析，本模型解决了arima与wnn单一模型预测的不准确性，并且解决了传统bp神经网络等结构设计上的盲目性以及收敛速度慢等问题，提高了预测速度与准确度。综上所述此模型运用在云端资源的预测是一个比较理想的算法模型。

本发明的基于sarima-wnn模型预测弹性云计算资源的方法，云端资源是一种比较复杂并且是季节性与非季节性并存的时间序列数据，这里的季节表示很多时间序列中，存在有非常明显的周期性变化，这里的季节性包括季度，月份，星期，甚至每天，每小时。利用季节时间序列模型(seasonalautoregressiveintegratedmovingaveragemodel,sarima)结合小波神经网络(waveletneuralnetwork,wnn)预测模型，实现优势互补，提高预测精度。sarima是在arima模型的基础上加入了季节周期性因素，将过去一段周期性的云资源需求数据输入到sarima(q，d，q)(p，d，q)s模型中,分别得出d(非季节性分差次数)，p(非季节性自回归项数)，q(非季节性移动平均算子的最大滞后阶数)，d(季节性差分次数)，p(季节性自回归项数)，q(季节性移动平均算子的最大滞后阶数)。运用sarima模型进行对平稳化序列后的代码进行预测，通过预测可以得出预测结果标记为以及l残差值标记为rt；利用训练样本对wnn网络进行训练得出符合预测弹性云资源的模型，然后针对残差序列rt进行预测，把预测结果标记为最后得到sarima-wnn模型预测的结果。本发明能解决了单一模型预测不准确性以及传统的基于梯度下降法进行参数优化的神经网络训练模型时导致的收敛速度慢以及容易陷入局部最小等缺点。