基于回归方程的服务器扩容计算方法及装置与流程

本发明涉及一种服务器扩容计算方法及装置，尤其是指一种基于回归方程的服务器扩容计算方法及装置。

背景技术

企业中的系统运维工作都会涉及服务器扩容，因为随着业务的发展，原有的服务器资源可能会不足以继续支撑起用户的访问，这时就会涉及到服务器扩容工作。在传统的运维概念中，并没有办法对服务器进行一个科学的扩容计算方法，而仅仅只是通过大致估算得到一个扩容结果，这样意味着评估的准确性基本靠经验，只有丰富经验的系统维护人员才能给出较准确的预估。

有鉴于此，为了能改善系统运维中服务器扩容的准确性，有必要提供一个能科学量化扩容需求的方案。

技术实现要素：

本发明所要解决的技术问题是：一种基于回归方程的服务器扩容计算方法及装置。

为了解决上述技术问题，本发明采用的技术方案为：一种基于回归方程的服务器扩容计算方法，包括训练流程及预测流程，所述预测流程包括步骤，

s10、从服务器上收集历史访问量数据以及对应的服务器cpu使用率数据；

s20、对历史访问量数据及对应的服务器cpu使用率数据进行预处理；

s30、将预处理后的历史访问量数据及对应的服务器cpu使用率数据输入一元多项方程训练模型进行训练；

s40、训练完成后，得到一元多项式方程待预测模型；

所述预测流程包括步骤，

s50、加载一元多项式方程待预测模型；

s60、将待预测的访问量数据输入一元多项式方程待预测模型；

s70、输出一元多项式方程待预测模型计算得到的容量预测结果。

优选地，所述步骤s30具体包括，

s31、将预处理后的历史访问量数据及对应的服务器cpu使用率数据通过一元三阶多项式方程进行回归分析；

s32、将预处理后的历史访问量数据及对应的服务器cpu使用率数据使用最小二乘法优化。

优选地，所述步骤s20具体包括，对历史访问量数据及对应的服务器cpu使用率数据进行去噪音、补充数据缺失值以及规范化数据格式。

优选地，所述步骤s10具体包括，

s11、以一固定的采样时间对历史访问量数据及对应的服务器cpu使用率数据进行采样；

s12、按时间顺序对历史访问量数据及对应的服务器cpu使用率数据进行排序。

优选地，步骤s11中的采样时间为30秒或1分钟。

为了解决上述技术问题，本发明采用的另一个技术方案为：一种基于回归方程的服务器扩容计算装置，包括训练子装置及预测子装置，所述预测子装置包括，

数据收集模块，用于从服务器上收集历史访问量数据以及对应的服务器cpu使用率数据；

数据预处理模块，用于对历史访问量数据及对应的服务器cpu使用率数据进行预处理；

数据训练模块，用于将预处理后的历史访问量数据及对应的服务器cpu使用率数据输入一元多项方程训练模型进行训练；

模型存储模块，用于训练完成后，得到一元多项式方程待预测模型，并将其进行存储；

所述预测子装置包括，

模型加载模块，用于加载一元多项式方程待预测模型；

数据预测模块，用于将待预测的访问量数据输入一元多项式方程待预测模型；

预测结果输出模块，用于输出一元多项式方程待预测模型计算得到的容量预测结果。

优选地，所述模型训练模块具体包括，

回归分析单元，用于将预处理后的历史访问量数据及对应的服务器cpu使用率数据通过一元三阶多项式方程进行回归分析；

数据优化单元，用于将预处理后的历史访问量数据及对应的服务器cpu使用率数据使用最小二乘法优化。

优选地，所述数据预处理模块具体用于，对历史访问量数据及对应的服务器cpu使用率数据进行去噪音、补充数据缺失值以及规范化数据格式。

优选地，所述数据收集模块具体包括，

数据采样单元，用于以一固定的采样时间对历史访问量数据及对应的服务器cpu使用率数据进行采样；

数据排序单元，用于按时间顺序对历史访问量数据及对应的服务器cpu使用率数据进行排序。

优选地，所述数据采样单元的采样时间为30秒或1分钟。

本技术方案通过回归方程实现服务器扩容大小的预测判断，它克服了传统运维中仅仅靠经验和直觉进行容量预测的缺点，本方法通过历史访问量数据及对应的服务器cpu使用率数据训练出一个预测模型，提供一个科学的有依据的扩容方案。

附图说明

下面结合附图详述本发明的具体结构。

图1为本发明的基于回归方程的服务器扩容计算方法流程框图；

图2为本发明的基于回归方程的服务器扩容计算装置的功能模块框图；

图3为本发明的服务器的cpu使用率与访问量关系图；

图4为本发明的历史访问量数据以及对应的服务器cpu使用率数据图。

具体实施方式

为详细说明本发明的技术内容、构造特征、所实现目的及效果，以下结合实施方式并配合附图详予说明。

请参阅图1，一种基于回归方程的服务器扩容计算方法，包括训练流程及预测流程，所述预测流程包括步骤，

s10、从服务器上收集历史访问量数据以及对应的服务器cpu使用率数据；

s20、对历史访问量数据及对应的服务器cpu使用率数据进行预处理；

s30、将预处理后的历史访问量数据及对应的服务器cpu使用率数据输入一元多项方程训练模型进行训练；

s40、训练完成后，得到一元多项式方程待预测模型；

所述预测流程包括步骤，

s50、加载一元多项式方程待预测模型；

s60、将待预测的访问量数据输入一元多项式方程待预测模型；

s70、输出一元多项式方程待预测模型计算得到的容量预测结果。

本技术方案中，需要找出cpu使用率与访问量之间的关系，假设对于某台服务器的cpu使用率和访问量之间的关系如图3所示，其中横坐标是cpu的使用率，而纵坐标是访问量，将收集到的历史访问量数据及对应的服务器cpu使用率数据通过一元多项式方程进行回归分析。假设方程为y＝ax³+bx²+cx+d，根据数据样本集，并通过最小二乘法来优化方程，求解过程主要通过迭代算法实现，首先初始化参数，然后确定迭代方向，最后不断向迭代方向寻找最优解，直到满足条件；得到方程的确切表达式后，就能够通过访问量来预测容量大小了，此方法计算能够准确计算出扩容服务器的大小，使服务器的扩容更加合理。服务器扩容大小的计算具体为，可以先根据方程式计算最大的访问量a，然后用扩容后要达到的访问量b除于a并取整再加1，得到的结果即为扩容的服务器大小。例如：a＝1000，b＝3500，则(int)(b/a)+1＝(int)(3500/1000)+1＝4。

在一具体实施例中，所述步骤s30具体包括，

s31、将预处理后的历史访问量数据及对应的服务器cpu使用率数据通过一元三阶多项式方程进行回归分析；

s32、将预处理后的历史访问量数据及对应的服务器cpu使用率数据使用最小二乘法优化。

本实施例中，通过将历史访问量数据及对应的服务器cpu使用率数据通过一元三阶多项式方程进行回归分析，能够得到历史访问量与cpu使用率的相关关系，然后再使用最小二乘法对数据进行拟合，从而获得优化后的访问量与cpu使用率的关系，能够准确地获得服务器扩容的预测模型。

在一具体实施例中，所述步骤s20具体包括，对历史访问量数据及对应的服务器cpu使用率数据进行去噪音、补充数据缺失值以及规范化数据格式。

本实施例中，数据在传输过程中会受到各种干扰，因此需要对数据去噪音处理，将干扰进行排除；对缺失的数据进行补充，能够保证输入数据的完整性，以此保证计算出的模型的准确性；将数据的格式进行统一化处理，有利于数据的一致性和完整性。

在一具体实施例中，所述步骤s10具体包括，

s11、以一固定的采样时间对历史访问量数据及对应的服务器cpu使用率数据进行采样；

s12、按时间顺序对历史访问量数据及对应的服务器cpu使用率数据进行排序。

本实施例中，从服务器上收集历史访问量数据以及对应的服务器cpu使用率数据，比如一周或一个月的数据作为数据样本，使用近期的数据作为样本能更准确地体现整体的水平。另外，该数据样本的采样时间间隔为30秒或1分钟，将其按照时间先后顺序排列起来，比如某一天的数据，请参阅图4，每一天的第一分钟认为是第一时刻，第二分钟认为是第二时刻，以此类推，一天一共有1440个时刻，假如采样了一周的数据则有1440*7个样本。

请参阅图2，一种基于回归方程的服务器扩容计算装置，包括训练子装置及预测子装置，所述预测子装置包括，

数据收集模块，用于从服务器上收集历史访问量数据以及对应的服务器cpu使用率数据；

数据预处理模块，用于对历史访问量数据及对应的服务器cpu使用率数据进行预处理；

数据训练模块，用于将预处理后的历史访问量数据及对应的服务器cpu使用率数据输入一元多项方程训练模型进行训练；

模型存储模块，用于训练完成后，得到一元多项式方程待预测模型，并将其进行存储；

所述预测子装置包括，

模型加载模块，用于加载一元多项式方程待预测模型；

数据预测模块，用于将待预测的访问量数据输入一元多项式方程待预测模型；

预测结果输出模块，用于输出一元多项式方程待预测模型计算得到的容量预测结果。

本技术方案中，需要找出cpu使用率与访问量之间的关系，假设对于某台服务器的cpu使用率和访问量之间的关系如图3所示，其中横坐标是cpu的使用率，而纵坐标是访问量，将收集到的历史访问量数据及对应的服务器cpu使用率数据通过一元多项式方程进行回归分析。假设方程为y＝ax³+bx²+cx+d，根据数据样本集，并通过最小二乘法来优化方程，求解过程主要通过迭代算法实现，首先初始化参数，然后确定迭代方向，最后不断向迭代方向寻找最优解，直到满足条件；得到方程的确切表达式后，就能够通过访问量来预测容量大小了，此方法计算能够准确计算出扩容服务器的大小，使服务器的扩容更加合理。服务器扩容大小的计算具体为，可以先根据方程式计算最大的访问量a，然后用扩容后要达到的访问量b除于a并取整再加1，得到的结果即为扩容的服务器大小。例如：a＝1000，b＝3500，则(int)(b/a)+1＝(int)(3500/1000)+1＝4。

在一具体实施例中，所述模型训练模块具体包括，

回归分析单元，用于将预处理后的历史访问量数据及对应的服务器cpu使用率数据通过一元三阶多项式方程进行回归分析；

数据优化单元，用于将预处理后的历史访问量数据及对应的服务器cpu使用率数据使用最小二乘法优化。

本实施例中，回归分析单元通过将历史访问量数据及对应的服务器cpu使用率数据通过一元三阶多项式方程进行回归分析，能够得到历史访问量与cpu使用率的相关关系，数据优化单元使用最小二乘法对数据进行拟合，从而获得优化后的访问量与cpu使用率的关系，能够准确地获得服务器扩容的预测模型。

在一具体实施例中，所述数据预处理模块具体用于，对历史访问量数据及对应的服务器cpu使用率数据进行去噪音、补充数据缺失值以及规范化数据格式。

本实施例中，数据在传输过程中会受到各种干扰，因此数据预处理模块需要对数据去噪音处理，将干扰进行排除；对缺失的数据进行补充，能够保证输入数据的完整性，以此保证计算出的模型的准确性；将数据的格式进行统一化处理，有利于数据的一致性和完整性。

在一具体实施例中，所述数据收集模块具体包括，

数据采样单元，用于以一固定的采样时间对历史访问量数据及对应的服务器cpu使用率数据进行采样；

数据排序单元，用于按时间顺序对历史访问量数据及对应的服务器cpu使用率数据进行排序。

本实施例中，数据收集模块从服务器上收集历史访问量数据以及对应的服务器cpu使用率数据，比如一周或一个月的数据作为数据样本，使用近期的数据作为样本能更准确地体现整体的水平。另外，该数据样本的采样时间间隔优选为30秒或1分钟，将其按照时间先后顺序排列起来，比如某一天的数据，请参阅图4，每一天的第一分钟认为是第一时刻，第二分钟认为是第二时刻，以此类推，一天一共有1440个时刻，假如采样了一周的数据则有1440*7个样本。

此处第一、第二……只代表其名称的区分，不代表它们的重要程度和位置有什么不同。

此处，上、下、左、右、前、后只代表其相对位置而不表示其绝对位置

以上所述仅为本发明的实施例，并非因此限制本发明的专利范围，凡是利用本发明说明书及附图内容所作的等效结构或等效流程变换，或直接或间接运用在其他相关的技术领域，均同理包括在本发明的专利保护范围内。