本發(fā)明屬于云平臺(tái)資源調(diào)度領(lǐng)域，涉及云平臺(tái)資源預(yù)測(cè)技術(shù)，具體是基于wt-iwoa-gru模型的云平臺(tái)資源預(yù)測(cè)方法。

背景技術(shù)：

1、目前，云計(jì)算已成為it領(lǐng)域的主流技術(shù)，其提供的彈性資源和按需服務(wù)模式吸引了廣泛關(guān)注。隨著云計(jì)算應(yīng)用的增加，對(duì)資源的合理利用和優(yōu)化管理變得至關(guān)重要。云平臺(tái)的資源包括計(jì)算、存儲(chǔ)和網(wǎng)絡(luò)等多種資源，如何有效地預(yù)測(cè)和管理這些資源的使用情況，以提高資源利用率、降低成本，是當(dāng)前云計(jì)算面臨的重要挑戰(zhàn)之一。云計(jì)算環(huán)境下用戶需求的不確定性較大，隨時(shí)可能出現(xiàn)突發(fā)性的資源需求變化，傳統(tǒng)的資源管理方法往往無(wú)法滿足這種動(dòng)態(tài)變化的需求。

2、wt-iwoa-gru模型是一種基于小波變換(wavelet?transform,wt)、改進(jìn)鯨魚優(yōu)化算法(improved?whale?optimization?algorithm,iwoa)和門控循環(huán)單元(gate?recurrentunit,gru)的模型，是一種可以應(yīng)用于云平臺(tái)資源預(yù)測(cè)的模型；目前，大多數(shù)云平臺(tái)資源預(yù)測(cè)方法，難以預(yù)測(cè)未來(lái)一段時(shí)間內(nèi)云平臺(tái)所需的計(jì)算、存儲(chǔ)和網(wǎng)絡(luò)等資源量，從而使云服務(wù)提供商能夠更好地規(guī)劃和調(diào)整資源配置，避免云平臺(tái)資源浪費(fèi)，降低成本。

3、因此，本發(fā)明公開了一種基于wt-iwoa-gru模型的云平臺(tái)資源預(yù)測(cè)方法，用于解決以上技術(shù)問(wèn)題。

技術(shù)實(shí)現(xiàn)思路

1、本發(fā)明旨在至少解決現(xiàn)有技術(shù)中存在的技術(shù)問(wèn)題之一；為此，本發(fā)明提出了基于wt-iwoa-gru模型的云平臺(tái)資源預(yù)測(cè)方法，用于解決對(duì)云平臺(tái)資源的預(yù)測(cè)中，難以預(yù)測(cè)未來(lái)一段時(shí)間內(nèi)云平臺(tái)所需的計(jì)算、存儲(chǔ)和網(wǎng)絡(luò)等資源量的技術(shù)問(wèn)題，本發(fā)明通過(guò)對(duì)云平臺(tái)資源時(shí)間序列數(shù)據(jù)進(jìn)行預(yù)處理并建立基于gru神經(jīng)網(wǎng)絡(luò)的云平臺(tái)資源預(yù)測(cè)模型，利用改進(jìn)鯨魚優(yōu)化算法優(yōu)化云平臺(tái)資源預(yù)測(cè)模型的超參數(shù)，利用優(yōu)化后的云平臺(tái)資源預(yù)測(cè)模型對(duì)未來(lái)云平臺(tái)資源進(jìn)行預(yù)測(cè)解決了上述問(wèn)題。

2、為實(shí)現(xiàn)上述目的，本發(fā)明的第一方面提供了基于wt-iwoa-gru模型的云平臺(tái)資源預(yù)測(cè)方法，包括：

3、s1：收集云平臺(tái)資源時(shí)間序列數(shù)據(jù)；

4、s2：對(duì)云平臺(tái)資源時(shí)間序列數(shù)據(jù)進(jìn)行預(yù)處理；其中，預(yù)處理包括小波變換和數(shù)據(jù)歸一化；

5、s3：根據(jù)s2所得數(shù)據(jù)，建立基于gru神經(jīng)網(wǎng)絡(luò)的云平臺(tái)資源預(yù)測(cè)模型；

6、s4：利用改進(jìn)鯨魚優(yōu)化算法優(yōu)化云平臺(tái)資源預(yù)測(cè)模型的超參數(shù)；

7、s5：利用優(yōu)化后的云平臺(tái)資源預(yù)測(cè)模型對(duì)未來(lái)云平臺(tái)資源進(jìn)行預(yù)測(cè)。

8、優(yōu)選的，所述收集云平臺(tái)資源時(shí)間序列數(shù)據(jù)，包括cpu利用率、數(shù)據(jù)庫(kù)響應(yīng)時(shí)間、網(wǎng)絡(luò)帶寬、空閑內(nèi)存。

9、優(yōu)選的，所述對(duì)云平臺(tái)資源時(shí)間序列數(shù)據(jù)進(jìn)行預(yù)處理，包括：

10、利用小波變換對(duì)原始云平臺(tái)資源數(shù)據(jù)進(jìn)行特征提取，小波變換的具體公式為：

11、

12、其中，x(t)是原始云平臺(tái)資源序列，w(a,b)是尺度參數(shù)a和平移參數(shù)b下的小波系數(shù)，ψa,b(t)是小波函數(shù)在尺度參數(shù)a和平移參數(shù)b下的縮放和平移版本；

13、選擇daubechies小波作為小波函數(shù)，將分解層數(shù)設(shè)定為3進(jìn)行小波分解；

14、對(duì)小波分解后的子序列進(jìn)行數(shù)據(jù)歸一化，數(shù)據(jù)歸一化的具體公式為：

15、

16、其中，x是云平臺(tái)資源序列，xmin是序列中的最小值，xmax是序列中的最大值，xnormalized是歸一化后的數(shù)據(jù)。

17、優(yōu)選的，所述建立基于gru神經(jīng)網(wǎng)絡(luò)的云平臺(tái)資源預(yù)測(cè)模型，包括：

18、令云平臺(tái)資源輸入序列為xt＝(x1,x2,x3…xd)；其中，d為時(shí)間窗口，t為子序列中第t個(gè)時(shí)刻的云平臺(tái)資源值；

19、進(jìn)行重置門rt、更新門zt和候選隱藏狀態(tài)的計(jì)算，基于所述重置門rt、更新門zt和候選隱藏狀態(tài)計(jì)算得到新的隱藏狀態(tài)ht，具體的計(jì)算公式為：

20、

21、將ht作為最終網(wǎng)絡(luò)預(yù)測(cè)結(jié)果進(jìn)行輸出。

22、優(yōu)選的，所述進(jìn)行重置門rt、更新門zt和候選隱藏狀態(tài)的計(jì)算，包括：

23、通過(guò)公式(3)計(jì)算得到重置門rt，具體的計(jì)算公式為：

24、rt＝σ(wr·[ht-1,xt])(3)；

25、其中，σ表示sigmoid激活函數(shù)，wr是與重置門相關(guān)的權(quán)重矩陣，[ht-1,xt]表示將前一時(shí)間步的隱藏狀態(tài)ht-1與當(dāng)前時(shí)間步的輸入xt拼接而成的向量；

26、通過(guò)公式(4)計(jì)算得到更新門zt，具體的計(jì)算公式為：

27、zt＝σ(wz·[ht-1,xt])(4)；

28、其中，wz是與更新門相關(guān)的權(quán)重矩陣；

29、通過(guò)公式(5)計(jì)算得到候選隱藏狀態(tài)具體的計(jì)算公式為：

30、

31、其中，tanh表示雙曲正切激活函數(shù)，⊙表示逐元素相乘，wh是與候選隱藏狀態(tài)相關(guān)的權(quán)重矩陣。

32、優(yōu)選的，所述利用改進(jìn)鯨魚優(yōu)化算法優(yōu)化云平臺(tái)資源預(yù)測(cè)模型的超參數(shù)，包括：

33、a1：將云平臺(tái)資源預(yù)測(cè)模型的時(shí)間窗口和隱藏層節(jié)點(diǎn)數(shù)標(biāo)記為超參數(shù)，并對(duì)超參數(shù)進(jìn)行初始化設(shè)置；其中，初始化設(shè)置包括初始化超參數(shù)范圍、鯨魚數(shù)量、學(xué)習(xí)率和迭代次數(shù)；

34、a2：初始化鯨魚種群，根據(jù)初始化后鯨魚種群的位置建立并訓(xùn)練云平臺(tái)資源預(yù)測(cè)模型；將鯨魚種群位置的均方誤差mse設(shè)定為適應(yīng)度函數(shù)，并根據(jù)適應(yīng)度函數(shù)計(jì)算每個(gè)鯨魚的適應(yīng)度值；

35、a3：通過(guò)包圍獵物操作、泡泡網(wǎng)攻擊操作和搜索獵物操作更新鯨魚個(gè)體的位置，基于所述位置建立并訓(xùn)練云平臺(tái)資源預(yù)測(cè)模型，更新鯨魚的適應(yīng)度值；

36、a4：判斷是否達(dá)到最大迭代次數(shù)；是，解碼最優(yōu)鯨魚個(gè)體的位置，將所述最優(yōu)鯨魚個(gè)體的位置對(duì)應(yīng)的超參數(shù)作為云平臺(tái)資源模型的最佳超參數(shù)；否，跳轉(zhuǎn)至a3。

37、優(yōu)選的，所述初始化鯨魚種群，包括：

38、通過(guò)公式(7)計(jì)算隨機(jī)生成指定數(shù)量的鯨魚，具體的計(jì)算公式為：

39、xi＝dmax+d×(dmax-dmin)(7)；

40、其中，xi是第i個(gè)鯨魚的位置，dmax為超參數(shù)范圍的最大值，dmin為超參數(shù)范圍的最小值，d為[0,1]之間的隨機(jī)數(shù)。

41、優(yōu)選的，所述包圍獵物操作，包括：

42、將t作為當(dāng)前迭代次數(shù)，通過(guò)公式(8)進(jìn)行包圍獵物操作，具體的公式為：

43、

44、其中，tmax為最大迭代次數(shù)，a和c為系數(shù)向量，x(t)為當(dāng)前鯨魚位置，x(t+1)為得到的鯨魚位置，x*(t)為當(dāng)前最優(yōu)鯨魚位置，r1和r2為[0,1]范圍內(nèi)的隨機(jī)向量，a表示在鯨魚搜索過(guò)程中線性衰減至0。

45、優(yōu)選的，所述泡泡網(wǎng)攻擊操作，包括：

46、通過(guò)公式(9)進(jìn)行泡泡網(wǎng)攻擊操作，具體的公式為：

47、

48、其中，b為常數(shù)，表示螺旋的形狀；i為[-1,1]之間的隨機(jī)向量，p為[0,1]之間的隨機(jī)數(shù)，和為鯨魚位置的自適應(yīng)權(quán)重。

49、優(yōu)選的，所述搜索獵物操作，包括：

50、通過(guò)公式(10)進(jìn)行搜索獵物操作，具體的公式為：

51、

52、其中，xrand表示當(dāng)前鯨魚群體中的隨機(jī)位置矢量。

53、與現(xiàn)有技術(shù)相比，本發(fā)明的有益效果是：

54、1.本發(fā)明通過(guò)對(duì)云平臺(tái)資源時(shí)間序列數(shù)據(jù)進(jìn)行預(yù)處理并建立基于gru神經(jīng)網(wǎng)絡(luò)的云平臺(tái)資源預(yù)測(cè)模型，利用改進(jìn)鯨魚優(yōu)化算法優(yōu)化云平臺(tái)資源預(yù)測(cè)模型的超參數(shù)，利用優(yōu)化后的云平臺(tái)資源預(yù)測(cè)模型對(duì)未來(lái)云平臺(tái)資源進(jìn)行預(yù)測(cè)，解決了對(duì)云平臺(tái)資源的預(yù)測(cè)中，難以預(yù)測(cè)未來(lái)一段時(shí)間內(nèi)云平臺(tái)所需的計(jì)算、存儲(chǔ)和網(wǎng)絡(luò)等資源量的技術(shù)問(wèn)題；本發(fā)明能夠提高云平臺(tái)資源預(yù)測(cè)的準(zhǔn)確性和時(shí)效性，以及能夠適用于具有復(fù)雜特性的云平臺(tái)資源時(shí)間序列預(yù)測(cè)。

55、2.云平臺(tái)資源時(shí)間序列具有周期性、突發(fā)性和隨機(jī)性等變化特征，小波變換能夠在時(shí)域和頻域分析云平臺(tái)時(shí)序數(shù)據(jù)，既能夠提取云平臺(tái)資源時(shí)間序列的整體變化趨勢(shì)，同時(shí)也能夠保留云平臺(tái)資源時(shí)間序列的局部特征。本方法利用小波變換對(duì)云平臺(tái)資源序列進(jìn)行多尺度分析，將原始云平臺(tái)資源序列分解成若干高頻與低頻序列，后續(xù)利用神經(jīng)網(wǎng)絡(luò)對(duì)云平臺(tái)資源數(shù)據(jù)的變化趨勢(shì)及波動(dòng)性特征進(jìn)行學(xué)習(xí)，構(gòu)建基于小波分解與重構(gòu)的云平臺(tái)資源預(yù)測(cè)模型。

56、3.云平臺(tái)資源時(shí)間序列具有長(zhǎng)期相關(guān)性，傳統(tǒng)方法本質(zhì)上仍是歷史數(shù)據(jù)以及歷史噪聲的線性組合，只適用于處理非平穩(wěn)序列，針對(duì)云平臺(tái)資源序列難以得到一個(gè)精確的預(yù)測(cè)結(jié)果。本方法使用gru神經(jīng)網(wǎng)絡(luò)，該模型通過(guò)引入更新門和重置門的機(jī)制，能夠更有效地捕捉云平臺(tái)資源時(shí)間序列長(zhǎng)期依賴關(guān)系，得到更準(zhǔn)確的長(zhǎng)序列預(yù)測(cè)結(jié)果。同時(shí),gru神經(jīng)網(wǎng)絡(luò)避免了傳統(tǒng)神經(jīng)網(wǎng)絡(luò)的梯度消失和梯度爆炸問(wèn)題，進(jìn)一步提升了模型預(yù)測(cè)性能，更適用于具有復(fù)雜特性的云平臺(tái)資源時(shí)間序列預(yù)測(cè)。

57、4.針對(duì)神經(jīng)網(wǎng)絡(luò)超參數(shù)對(duì)預(yù)測(cè)結(jié)果影響較大且調(diào)參困難的問(wèn)題，本方法利用鯨魚優(yōu)化算法優(yōu)化gru模型的超參數(shù)，能夠避免模型陷入局部最優(yōu)，進(jìn)一步提升模型的預(yù)測(cè)精度。同時(shí)在現(xiàn)有鯨魚優(yōu)化算法的基礎(chǔ)之上，引入自適應(yīng)權(quán)重，進(jìn)一步提升算法的搜索能力和收斂速度。