(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202111623888.0 (22)申请日 2021.12.28 (71)申请人 西安理工大 学 地址 710048 陕西省西安市碑林区金花 南 路5号 (72)发明人 孟海宁　杨哲　童新宇　朱磊　 张嘉薇　冯锴　 (74)专利代理 机构 西安弘理专利事务所 61214 专利代理师 徐瑶 (51)Int.Cl. G06F 11/00(2006.01) G06F 11/07(2006.01) G06N 3/04(2006.01) G06N 3/08(2006.01) (54)发明名称 基于时间序列分割的云服务器性能衰退预 测方法 (57)摘要 本发明公开了基于时间序列分割的云服务 器性能衰退预测方法， 首先将云服务器上的性能 资源时间序列数据进行提取； 对 得到的时间序列 数据采用DT W‑BU时间序列分割算法进行分解； 对 分割后的子序列分别构建LSTM模型， 对云服务器 资源时间序列数据进行预测； 使用均方根误差和 平均绝对百分比误差验证模型精度； 根据LS TM模 型的时间序列预测数据， 对系统性能衰退趋势进 行预测， 检验数据的拟合程度， 根据预测数据阈 值判定软件 再生的时间节点； 本发 明可提高云服 务器性能衰退预测结果的精度， 避免预测过程出 现过拟合现象， 并解决了针对云服务器性能衰退 现象如何在最佳的时间点进行 软件再生的问题。 权利要求书2页 说明书5页 附图4页 CN 114528129 A 2022.05.24 CN 114528129 A 1.基于时间序列分割的云服务器性能衰退预测方法， 其特征在于， 具体按以下步骤实 施： 步骤1， 将云服 务器上的性能资源时间序列数据进行提取； 步骤2， 将步骤1中得到的时间序列数据， 采用DTW ‑BU算法分割成新的子序列； 步骤3， 对步骤2分割后的多个子序列分别构建LSTM模型， 训练LSTM模型， 并对云服务器 资源时间序列数据进行 预测； 步骤4， 将步骤3预测训练后的子序列合并； 步骤5， 使用均方根 误差和平均绝对百分比误差验证模型精度； 步骤6， 根据LSTM模型的时间序列预测数据， 对系 统性能衰退趋势进行预测， 检验数据 的拟合程度， 根据预测数据阈值判定软件再生的时间节点。 2.根据权利要求1所述的基于时间序列分割的云服务器性能衰退预测方法， 其特征在 于， 所述步骤1中云服务器上的性能资源时间序列数据包括CPU空闲率数据和系统可用内存 数据。 3.根据权利要求1所述的基于时间序列分割的云服务器性能衰退预测方法， 其特征在 于， 所述步骤2中分割过程具体为： 步骤2.1， 云服务器性能衰退原始时间序列X＝(x1,x2,…xT)， 长度为T， 将时间序列X数 据段两两连接， 分割成T/2个分段； 步骤2.2， 计算两 两分段Segi和Segj的相似性度量DTW 值， 计算公式如下： 其中ωt表示第t个变量对应的权重值， 且 |hti‑htj|和|di‑ dj|分别表示两个分段Segi和Segj在第t个变量上趋势、 均值和时间跨度上的差异性， ε、 λ和 γ分别代表 三者差异的权重值， 同时有 ε+λ+γ＝1； 这里DTW值越小， 表明两个时间序列分段 越相似； 步骤2.3， 循环地从中选择最小的DTW值， 如果该最小值小于设定的分割阈值δ， 则合并 对应的两个分段Segi和Segj； 步骤2.4， 重复步骤2.1至步骤2.3， 直到所有分段的DTW值均不小于分割阈值δ， 分割结 束； 步骤2.5， 得到序列X分割后的特 征相似的d个子序列 {Seg1， Seg2,…,Segd}。 4.根据权利要求1所述的基于时间序列分割的云服务器性能衰退预测方法， 其特征在 于， 所述步骤3具体按以下步骤实施： 步骤3.1， 原 始数据转 化， 将云资源时间序列数据进行 数据归一 化； 步骤3.2， 生成模型训练数据集， 确定训练集的窗口长度； 步骤3.3， 进行网络模型 结构的确定和调整； 步骤3.4， 对 模型训练和结果预测。 5.根据权利要求1所述的基于时间序列分割的云服务器性能衰退预测方法， 其特征在 于， 所述步骤5中验证过程具体为： 将步骤3中预测结果与实际时间序列进行拟合验证预测 精确度。 对云服务器资源实际监测数据和模型预测数据进行均方根误差(RMSE)和平均绝对百权　利　要　求　书 1/2 页 2 CN 114528129 A 2分比误差(MAPE)对比， 计算公式如下式： 式中， actual(t)表示实际的时间序列数据； forecast(t)表示LSTM模型预测的时间序 列数据； RMSE表示 误差的平方的期望值； MAPE的值越小， 预测模型拥有更好的精确度； 将云服务器的性能资源时间序列数据按4:1的比例随机分为训练集和验证集； 然后将 时间序列数据作为参数导入模型得到预测数据， 与实际的云资源时间序列相比得到拟合曲 线。 6.根据权利要求1所述的基于时间序列分割的云服务器性能衰退预测方法， 其特征在 于， 所述步骤6中根据LSTM模 型的云服务器 资源时间序列预测数据阈值， 从而判定进 行软件 再生的时间节点， 为云服务器处于临近宕机时的状态， 在此时选择进行软件再生操作以保 持系统处于良好 运行的状态。权　利　要　求　书 2/2 页 3 CN 114528129 A 3