业务集群容量预估模型的建立方法、装置及电子设备制造方法及图纸

本申请公开了一种业务集群容量预估模型的建立方法、装置及电子设备，涉及云计算领域。业务集群容量预估模型的建立方法包括：建立用于业务集群容量预估的自回归滑动平均模型；基于业务集群的历史业务容量使用序列，选择阻尼最小二乘法进行计算，得到残差的平方和为极小值时自回归滑动平均模型的模型参数；基于业务集群最新的业务容量使用量修正自回归滑动平均模型的模型参数，得到业务集群容量预估模型；其中，历史业务容量使用序列包括业务集群在连续多个历史时间段内的业务容量使用量。申请公开的业务集群容量预估模型的建立方法、装置及电子设备可提升模型对外界因素的响应度，提升模型预估的准确性。提升模型预估的准确性。提升模型预估的准确性。

Establishment method, device and electronic equipment of service cluster capacity prediction model

【技术实现步骤摘要】
业务集群容量预估模型的建立方法、装置及电子设备


[0001]本申请涉及云计算领域，尤其涉及一种业务集群容量预估模型的建立方法、装置及电子设备。

技术介绍

[0002]在云环境下，业务集群容量体现了该业务集群的处理能力，特别是最大处理能力。对业务集群容量的使用量进行准确预测，对于系统正常运行、业务产能规划与服务保障等都有着非常重要的意义。
[0003]目前，对业务集群容量的使用量进行预测的方式一般都是先对业务集群容量进行监控，周期性采集业务集群容量的使用量，并对采集到的历史数据进行分析，根据历史数据走势来估计未来集群容量使用情况。
[0004]然而，在实际情况中，由于复杂多变的外界环境因素影响，根据历史数据走势来预估未来集群容量使用情况往往难以实现集群容量使用情况的准确预测。

技术实现思路

[0005]本申请实施例提供一种业务集群容量预估模型的建立方法、装置及电子设备，以至少解决相关技术中难以实现集群容量使用情况的准确预测的问题。
[0006]本申请实施例采用下述技术方案：
[0007]一种业务集群容量预估模型的建立方法，包括：
[0008]建立用于业务集群容量预估的自回归滑动平均模型；
[0009]基于业务集群的历史业务容量使用序列，选择阻尼最小二乘法进行计算，得到残差的平方和为极小值时所述自回归滑动平均模型的模型参数；
[0010]基于业务集群最新的业务容量使用量修正所述自回归滑动平均模型的模型参数，得到所述业务集群容量预估模型；
[0011]其中，所述历史业务容量使用序列包括业务集群在连续多个历史时间段内的业务容量使用量。
[0012]一种业务集群容量预估模型的建立装置，包括：
[0013]建立模块，被配置成建立用于业务集群容量预估的自回归滑动平均模型；
[0014]计算模块，被配置成基于业务集群的历史业务容量使用序列，选择阻尼最小二乘法进行计算，得到残差的平方和为极小值时所述自回归滑动平均模型的模型参数；
[0015]修正模块，被配置成基于业务集群最新的业务容量使用量修正所述自回归滑动平均模型的模型参数，得到所述业务集群容量预估模型；
[0016]其中，所述历史业务容量使用序列包括业务集群在连续多个历史时间段内的业务容量使用量。
[0017]一种电子设备，包括：
[0018]处理器；
[0019]用于存储所述处理器可执行指令的存储器；
[0020]其中，所述处理器被配置为执行所述指令，以实现如权利要求1至8中任一项所述的业务集群容量预估模型的建立方法。
[0021]本申请实施例采用的上述至少一个技术方案能够达到以下有益效果：
[0022]由于在建立业务集群容量预估模型时选择阻尼最小二乘法进行计算，得到残差的平方和为极小值时自回归滑动平均模型的模型参数，并基于业务集群最新的业务容量使用量修正自回归滑动平均模型的模型参数，因此可提升模型对外界因素的响应度，从而提升模型预估的准确性。
附图说明
[0023]此处所说明的附图用来提供对本申请的进一步理解，构成本申请的一部分，本申请的示意性实施例及其说明用于解释本申请，并不构成对本申请的不当限定。在附图中：
[0024]图1为本申请实施例提供的业务集群容量预估模型的建立方法的流程图。
[0025]图2为本申请实施例提供的另一业务集群容量预估模型的建立方法的流程图。
[0026]图3为本申请实施例提供的对历史业务容量使用序列进行去噪的流程图。
[0027]图4为本申请实施例提供的电子设备的结构示意图。
[0028]图5为本申请实施例提供的业务集群容量预估模型的建立装置的结构示意图。
具体实施方式
[0029]为使本申请的目的、技术方案和优点更加清楚，下面将结合本申请具体实施例及相应的附图对本申请技术方案进行清楚、完整地描述。显然，所描述的实施例仅是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本申请保护的范围。
[0030]为了实现对未来集群容量使用情况的走势预估，本申请实施例提供了一种业务集群容量预估模型的建立方法、装置及电子设备，该业务集群容量预估模型的建立方法、装置及电子设备能够建立用于业务集群容量预估的自回归滑动平均模型，根据历史业务容量确认模型的模型参数，并根据最新的业务容量使用量修正模型的模型参数，从而升模型对外界因素的响应度，从而提升模型预估的准确性。
[0031]其中，业务集群是指多台服务器共同提供同一业务服务，提供该同一业务服务的服务器即为一个业务集群。
[0032]下面对本申请实施例提供的业务集群容量预估模型的建立方法进行详细说明。
[0033]本申请实施例提供的方法可以应用于服务器，该服务器可以是业务集群中的其中一个服务器或业务集群之外的其他服务器，除特别说明外，本申请实施例均以服务器为执行主体进行说明。
[0034]可以理解，所述执行主体并不构成对本申请实施例的限定。
[0035]具体的，该业务集群容量预估模型的建立方法的流程如图1所示，可以包括如下的步骤：
[0036]步骤S11，建立用于业务集群容量预估的自回归滑动平均模型。
[0037]本申请实施例中，自回归滑动平均(Autoregressive moving average model，
ARMA)模型是由自回归(Autoregressive model，AR)模型滑动平均(moving average model，MA和)模型组合构成的。所述ARMA模型的数学表达式可以为：
[0038]y
t
＝Φ1y
t-1
+Φ2y
t-2
+
…
+Φ
p
y
t-p
+Φ
t-θ1Φ
t-1-θ2Φ
t-2
-…-
θ
q
Φ
t-q
ꢀꢀ
(1)
[0039]其中，p为AR模型的阶数，q为MA模型的阶数，y
t
表示历史业务容量使用序列中在时间段t的实际业务容量使用量，y
t-p
表示时间段t之前的第p个时间段的业务容量使用量，Φ1表示时间段t的前1个时间段所对应的正相关系数，Φ2表示时间段t之前第2个时间段对应的正相关系数，Φ
p
表示时间段t之前第p个时间段对应的的正相关系数，θ1表示时间段t之前第1个时间段对应的偏相关系数，θ2表示时间段t之前第2个时间段对应的偏相关系数，θ
q
表示时间段t之前第q个时间段对应的偏相关系数，Φ
t
表示时间段t对应的残差，即实际值(实际的业务容量使用量)与预测值(预估的业务容量使用量)之间的差，Φ
t-1
表示本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种业务集群容量预估模型的建立方法，其特征在于，包括：建立用于业务集群容量预估的自回归滑动平均模型；基于业务集群的历史业务容量使用序列，选择阻尼最小二乘法进行计算，得到残差的平方和为极小值时所述自回归滑动平均模型的模型参数；基于业务集群最新的业务容量使用量修正所述自回归滑动平均模型的模型参数，得到所述业务集群容量预估模型；其中，所述历史业务容量使用序列包括业务集群在连续多个历史时间段内的业务容量使用量。2.根据权利要求1所述的方法，其特征在于，所述基于业务集群的历史业务容量使用序列，选择阻尼最小二乘法进行计算，得到残差的平方和为极小值时所述自回归滑动平均模型的模型参数之前，所述方法还包括：对所述历史业务容量使用序列进行去噪；所述基于业务集群的历史业务容量使用序列，选择阻尼最小二乘法进行计算，得到残差的平方和为极小值时所述自回归滑动平均模型的模型参数，包括：基于去噪后的历史业务容量使用序列，选择阻尼最小二乘法进行计算，得到残差的平方和为极小值时的所述模型参数。3.根据权利要求2所述的方法，其特征在于，所述对所述历史业务容量使用序列进行去噪，包括：通过分箱法对所述历史业务容量使用序列进行去噪。4.根据权利要求3所述的方法，其特征在于，所述通过分箱法对所述历史业务容量使用序列进行去噪，包括：依据数值大小对所述历史业务容量使用序列中的业务容量使用量进行排序；确定出所述历史业务容量使用序列对应的上四分位数和下四分位数；基于所述上四分位数和所述下四分位数确定出最小值与最大值；从所述历史业务容量使用序列中剔除掉所对应数值处于所述最小值与所述最大值所在区间外的业务容量使用量。5.根据权利要求4所述的方法，其特征在于，在从所述历史业务容量使用序列中剔除掉所...

【专利技术属性】
技术研发人员：张洪林，
申请(专利权)人：中国移动通信集团有限公司，
类型：发明
国别省市：