【技術實現步驟摘要】
本專利技術涉及網絡資源預測，具體為一種基于深度學習的伴隨云工作負載預測算法。
技術介紹
1、由于異構服務類型和動態工作負載的高度可變性和多維性，資源使用的精確估計是一項復雜且具有挑戰性的問題。在過去的幾年中，資源使用預測引起了廣泛的關注。
2、在大規模分布式系統中，若不能準確估計資源使用，可能導致資源浪費，增加運營成本；或者資源分配不足，影響系統性能和服務質量，甚至導致系統崩潰。例如，某視頻流媒體服務由于未能精確估計資源需求，在熱門劇集上線時出現嚴重卡頓，用戶體驗大幅下降。
3、因此，如何有效地解決由于異構服務類型和動態工作負載的高度可變性和多維性所帶來的資源使用精確估計難題，成為了當前
中亟待解決的重要問題
技術實現思路
1、為實現以上目的，本專利技術通過以下技術方案予以實現：一種基于深度學習的伴隨云工作負載預測算法，包括：
2、非地面移動網絡模塊，該非地面移動網絡具體為搭載服務器和5g移動基站的無人機在機動過程中構建的一個靈活而高效的通信、計算網絡，能夠滿足臨機場景下資源受限的物聯網設備通信和計算需求。
3、非地面移動網絡既提供計算資源，又提供網絡資源，主要應用方向是為強臨機性場景的服務需求提供資源保障。這類場景通常無預設基礎設施，并且自然、社會和信息環境呈現出更強的不確定性。智能服務又體現出顯著的時間、空間和資源需求變化快速的特征。非地面移動網絡由于其結構的靈活性、節點的機動性以及可搭載資源的多樣性，對地面網絡有不錯的補充
4、本地預測模型，該本地預測模型具體為非地面移動網絡中針對單個節點資源余量進行預測的方法。這種方法側重于利用節點本地的歷史數據，主要為過去一個特定時間窗口內的資源狀態。通過對這些數據進行深入分析，預測模型能夠捕捉到資源使用的變化規律和趨勢，并據此對未來一段時間內節點的資源余量進行估計。
5、預測可用資源對于非地面移動網絡實現網絡和計算資源的高效分配至關重要，它是維持非地面移動網絡穩定運作的基礎。通過不斷地對可用資源進行預測，我們可以對網絡狀態和節點性能的未來趨勢有一個基本的了解。這樣的預測能夠幫助實現網絡和計算資源的智能配置，使得非地面移動網絡能夠依據預測結果和服務需求自動進行帶寬調整和計算資源的分配。這樣做可以預防潛在的性能問題，減少服務中斷的可能性，并確保系統在面臨不同的工作負載和網絡條件時都能維持穩定的運行。
6、可用資源協同預測模塊，該可用資源協同預測模塊通過采用聯邦學習框架來充分利用分布在不同節點上的數據。在這個過程中，每個節點的模型都是基于本地數據集進行訓練的，然后通過加密通信協議將模型的參數更新匯總到全局模型中。這樣，全局模型就能夠整合來自多個節點的知識和信息，從而提高預測的準確度和魯棒性。
7、優選的，所述非地面移動網絡具體包括以下步驟：
8、步驟一、根據非地面移動節點的位置信息進行聚類，將非地面移動網絡劃分為多個集群；
9、步驟二、在每個集群中選舉master節點，master節點負責集群內參數的匯聚和分發；
10、步驟三、在集群中的每個worker節點進行本地模型的訓練，并將參數發送給master節點；
11、步驟四、master節點依照聚合策略構建全局模型，并更新后的模型發送給worker節點。
12、優選的，所述步驟一中非地面移動節點的位置信息進行聚類具體算法為：
13、非地面移動網絡的節點集合為，位置信息集合為，通過聚類可以得到非地面移動網絡的集群集合，其中。
14、優選的，所述步驟二中選舉master節點具體為：
15、根據節點的位置信息和當前的資源狀態計算得分，根據得分選舉出當前周期的master節點。
16、優選的，所述步驟三中本地模型訓練具體算法為：
17、表示非地面移動網絡中的第個集群的，第個worker節點，它的可用資源數據可以表示為，總共有個時間間隔；
18、為需要預測的目標可用資源，則可用資源預測問題可描述為：
19、
20、其中，表示所選擇的預測模型，為相應的模型參數。
21、在前饋神經網絡中利用基于黑洞現象的改進啟發式方法來訓練神經元。并還通過計算最近預測的偏差來捕獲預測誤差趨勢，進一步提高預測的準確性。
22、通過頂部稀疏自動編碼器（tsa）旨在有效地從原始高維工作負載數據中提取工作負載的基本表示。將tsa和門控循環單元（gru）塊集成到rnn中，以消除長期內存依賴性，以實現對高度變化的工作負載的自適應和準確預測。
23、本專利技術提供了一種基于深度學習的伴隨云工作負載預測算法。具備以下有益效果：
24、一、該基于深度學習的伴隨云工作負載預測算法，通過在前饋神經網絡中利用基于黑洞現象的改進啟發式方法來訓練神經元。并還通過計算最近預測的偏差來捕獲預測誤差趨勢，進一步提高預測的準確性。
25、二、該基于深度學習的伴隨云工作負載預測算法，通過頂部稀疏自動編碼器（tsa）旨在有效地從原始高維工作負載數據中提取工作負載的基本表示。將tsa和門控循環單元（gru）塊集成到rnn中，以消除長期內存依賴性，以實現對高度變化的工作負載的自適應和準確預測。
本文檔來自技高網...【技術保護點】
1.一種基于深度學習的伴隨云工作負載預測算法，其特征在于，包括：
2.根據權利要求1所述的一種基于深度學習的伴隨云工作負載預測算法，其特征在于：所述非地面移動網絡具體包括以下步驟：
3.根據權利要求2所述的一種基于深度學習的伴隨云工作負載預測算法，其特征在于：所述步驟一中非地面移動節點的位置信息進行聚類具體算法為：
4.根據權利要求3所述的一種基于深度學習的伴隨云工作負載預測算法，其特征在于：所述步驟二中選舉master節點具體為：
5.根據權利要求4所述的一種基于深度學習的伴隨云工作負載預測算法，其特征在于，所述步驟三中本地模型訓練具體算法為：
【技術特征摘要】
1.一種基于深度學習的伴隨云工作負載預測算法，其特征在于，包括：
2.根據權利要求1所述的一種基于深度學習的伴隨云工作負載預測算法，其特征在于：所述非地面移動網絡具體包括以下步驟：
3.根據權利要求2所述的一種基于深度學習的伴隨云工作負載預測算法，其特征在于：所述步驟一中非地...
【專利技術屬性】
技術研發人員：吳冠霖，高原，曹江，王雙雙，李朋，
申請(專利權)人：中國人民解放軍軍事科學院戰爭研究院，
類型：發明
國別省市：
還沒有人留言評論。發表了對其他瀏覽者有用的留言會獲得科技券。