公开(公告)号：CN112486687B

公开(公告)日：2022-09-27

申请号：CN202011396557.3

申请日：2020-12-03

Applicant: 重庆邮电大学

Inventor： 王进 ,  马梦涵 ,  李辰宇 ,  徐其成 ,  舒雅宁 ,  彭浩 ,  孙开伟 ,  刘彬

IPC: G06F9/50 ,  G06F11/30 ,  G06N3/04 ,  G06N3/08

Abstract: 本发明涉及大数据处理技术和云平台资源负载技术领域，特别涉及一种基于多任务学习时间序列的云平台工作负载预测方法，包括获取工作负载数据，采用滑动窗口的方法划分数据，对划分的每个时间间隔的数据构建基础特征、交叉特征、时序趋势特征、用户行为关联特征，并采用二维SHAP进行特征选择；将选择的特征输入传入TCN‑LSTM模型中，采用多任务学习的方式，共有三个任务，分别为：预测T时间段的CPU平均利用率、预测T时间段的正在运行的作业数、预测T时间段的平均内存利用率；本发明通过对工作负载相关的指标的历史趋势进行把控，而不单一只关注当前监控点的工作负载情况，快速的感知业务的波峰波谷，从而对云平台的资源进行动态的调度。

公开(公告)号：CN112486687A

公开(公告)日：2021-03-12

申请号：CN202011396557.3

申请日：2020-12-03

Applicant: 重庆邮电大学

Inventor： 王进 ,  马梦涵 ,  李辰宇 ,  徐其成 ,  舒雅宁 ,  彭浩 ,  孙开伟 ,  刘彬

IPC: G06F9/50 ,  G06F11/30 ,  G06N3/04 ,  G06N3/08

Abstract: 本发明涉及大数据处理技术和云平台资源负载技术领域，特别涉及一种基于多任务学习时间序列的云平台工作负载预测方法，包括获取工作负载数据，采用滑动窗口的方法划分数据，对划分的每个时间间隔的数据构建基础特征、交叉特征、时序趋势特征、用户行为关联特征，并采用二维SHAP进行特征选择；将选择的特征输入传入TCN‑LSTM模型中，采用多任务学习的方式，共有三个任务，分别为：预测T时间段的CPU平均利用率、预测T时间段的正在运行的作业数、预测T时间段的平均内存利用率；本发明通过对工作负载相关的指标的历史趋势进行把控，而不单一只关注当前监控点的工作负载情况，快速的感知业务的波峰波谷，从而对云平台的资源进行动态的调度。