1 .一种分布式数据库负载均衡预测方法,其特征在于,包括步骤:
采集每个本地数据节点上的负载指标,构成训练集数据;其中,所述负载指标包括CPU
利用率R
c
、内存利用率R
m
、网络下行速度S
d
以及网络上行速度S
u
;并且,每一秒采集一次所述
的负载指标,共采集2T秒,构成训练集数据L=[R
c
,R
m
,S
d
,S
u
];
初始化多层循环神经网络模型:确定多层循环神经网络模型的隐藏层个数以及多层循
环神经网络模型每层的神经元个数n
m
;将多层循环神经网络模型输入层和每个隐藏层的神
经元之间的网络连接权重 随机初始化,并记做
从训练集数据中提取第1条至第T条数据,并且将每组数据通过如下公式进行映射:
x
i
=[1 ,sin(L(i)) ,cos(L(i))]
将映射后的数据作为多层循环神经网络模型的输入x
i
;
从训练集数据中提取第T+1条至第2T条数据作为多层循环神经网络模型的输出y
i
,训练
所述多层循环神经网络模型;
通过如下公式计算多层循环神经网络模型每个隐含层的输出:
其中,x
i
为网络输入, 为网络输出, 和 分别代表第一层隐含层和第二层隐含层的
输出, 为h
1
层与输入之间的权重矩阵, 为h
1
层不同时间序列之间的权重矩阵, 为
h
1
层与h
2
层之间的权重矩阵, 为h
2
层不同时间序列之间的权重矩阵, 为h
1
层的偏置,
为h
2
层的偏置,b
y
为输出层的偏置,tanh为激活函数;
计算多层循环神经网络模型每个隐含层的输出误差,根据如下公式:
根据计算获得的输出误差,通过对多层循环神经网络模型的全部权重进行更新,直至
所述输出误差在预设的允许范围内,多层循环神经网络模型训练结束;
从训练集数据中提取第T+1条至第2T条数据,并将第T+1条到第2T条数据作为多层循环
神经网络模型的输入,多层循环神经网络模型的输出为预测2T+1至3T时间段的本地数据节
点的负载指标。
2.一种多层循环神经网络预测分析器,其特征在于,包括:
数据采集单元,用于采集每个本地数据节点上的负载指标,构成训练集数据;其中,所
述数据采集单元的负载指标包括CPU利用率R
c
、内存利用率R
m
、网络下行速度S
d
以及网络上
行速度S
u
;并且,所述数据采集单元每一秒采集一次所述的负载指标,共采集2T秒,构成训
练集数据L=[R
c
,R
m
,S
d
,S
u
];
模型初始化单元,用于初始化多层循环神经网络模型:确定多层循环神经网络模型的
隐藏层个数以及多层循环神经网络模型每层的神经元个数n
m
;将多层循环神经网络模型输
权 利 要 求 书
1/3 页
2
评论