CN112631890B 基于lstm-aco模型预测云服务器资源性能的方法 （憨猴科技集团有限公司）.docxVIP

(19)国家知识产权局

(12)发明专利

(10)授权公告号CN112631890B(45)授权公告日2025.01.10

(21)申请号202011642231.4

(22)申请日2020.12.31

(65)同一申请的已公布的文献号申请公布号CN112631890A

(43)申请公布日2021.04.09

(73)专利权人憨猴科技集团有限公司

地址100071北京市丰台区南四环西路186

号四区4号楼8层15室

(72)发明人孟海宁李维石月开童新宇

冯锴朱磊黑新宏

(74)专利代理机构北京壹川鸣知识产权代理事务所(特殊普通合伙)11765

专利代理师周宏建

(51)Int.CI.

GO6F11/34(2006.01)

GO6N3/006(2023.01)

GO6N3/0442(2023.01)

GO6N3/049(2023.01)

GO6N3/045(2023.01)

GO6N3/08(2023.01)

(56)对比文件

CN108965024A,2018.12.07

CN109034898A,2018.12.18

审查员丁川

权利要求书2页说明书8页附图5页

(54)发明名称

基于LSTM-ACO模型预测云服务器资源性能

的方法

(57)摘要

本发明公开基于LSTM-ACO模型预测云服务器资源性能的方法，首先将时间序列数据进行预处理，将原始序列数据映射到[0,1]区间。然后确定LSTM模型，对于现有的数据进行训练并预测，并利用蚁群算法优化LSTM模型。最后将LSTM模型对于时刻t数据的预测结果和时刻t-1,t-2,…,

CN112631890Bt-n的数据，输入给LSTM-ACO模型，并对时刻t的数据进行预测。本发明基于LSTM-ACO模型预测云服务器资源性能的方法，克服了传统的预测方法预测过程中精度不高的问题，且利用ACO对LSTM参数进行优化，避免模型陷入局部最优解的问题，提高了预测收敛速度。最终实现了对云服务

CN112631890B

响应时间(s)

响应时间(s)

响应时间序列数据

CN112631890B权利要求书1/2页

2

1.基于LSTM-ACO模型预测云服务器资源性能的方法，其特征在于，包括以下步骤：

步骤1,收集云服务器的资源和性能数据；

步骤2,获取云服务器资源和性能序列数据，所述资源和性能序列数据包括：CPU空闲率、可用内存、平均负载和响应时间；

步骤3,对步骤2获取得的序列数据进行预处理操作；

步骤4,使用步骤3得到的数据构建LSTM模型，并利用该模型获得LSTM模型对步骤3所得数据的预测值；

步骤5,利用蚁群算法对步骤4得到的LSTM模型来进行参数优化，构建LSTM-ACO模型；

步骤6,使用步骤5得到的LSTM-ACO模型预测步骤3得到的数据并与步骤4得到的数据对

比；

步骤7,利用LSTM-ACO模型的预测值和现有的序列数据对未来数据进行预测；

所述步骤4中，构建LSTM模型的方法是：

构建模型包括输入层、隐藏层、输出层、网络训练以及网络预测5个功能模块；输入层负责对原始响应时间序列进行初步处理以满足网络输入要求，隐藏层采用LSTM细胞搭建单层循环神经网络，输出层提供预测结果网络，网络预测采用迭代的方法逐点预测；

所述步骤5中，利用蚁群算法优化LSTM模型的具体方法是：

1)随机产生一个有多个个体的蚂蚁种群；

2)初始化参数：蚂蚁规模M、最大迭代次数Nmax、初次迭代次数N=1、信息素重要程度因子a、启发函数重要程度因子β、信息素挥发因子p、信息素挥发总量Q、信息素量t;(t)=C;

3)待优化的参数总数设置为m,将其组成一个集合P,1≤i≤m,每个参数随机获取一个非零值，组成另一个集合Spi;

4)m只蚂蚁随机放在r个顶点上，启动全部蚂蚁，蚂蚁k,k=1,2,…,M;随机的从Sp;中获取一组参数值，按照公式(1)蚁群路径选择概率公式，选择集合中的下一组参数值，直到每一只蚂蚁完全获取一组参数值，概率公式如下公式(1):

公式(1)

其中t;(pi)为集合Sp;中某j组权阈值组合的信息素浓度；

5)将k,k=1,2,…,M;只蚂蚁获取的值作为LSTM参数，对样本进行训练，得出实际输出与期望输出的误差值σ,其中σ=|0utputa—0