基于时间感知的峰值聚类服务器资源预留方法

技术特征：
1.一种基于时间感知的峰值聚类服务器资源预留方法，其特征在于：包括以下步骤，s1、基于数据的动态过程，把数据集中的关于任务(t1,t2
…
tn)在某个时间片(t1,t2
…
tn)上调用某个服务器资源(r1，r2
…
rn)的原始数据，按照时间维度进行划分，使得三维的原始数据分布在各时间片上，得到时间片矩阵r；s2、对划分后的时间片矩阵r，按照任务和资源维度，使用潜在因子模型即lf模型，从稀疏的矩阵中提取密集的任务lf矩阵p和资源lf矩阵q；s3、对任务lf矩阵p和资源lf矩阵q，分别使用密度峰值聚类算法即dpc算法进行聚类，将聚类得到的离散值即不可信任务对应的时间片矩阵r中的值进行去除处理，获得待预测矩阵；s4、对得到的两个待预测矩阵，分别使用低秩矩阵分解，进行资源预留的预测，获得各自的预测矩阵；s5、将预测矩阵中设定比例的预测数据，与时间片矩阵r中的数据对比，计算平均绝对误差和均方根误差；s6、根据步骤s5得到的平均绝对误差和均方根误差，计算任务lf矩阵p中对应的rmse、mae值；s7、找出准确度最高的资源预留给目标任务，获得任务预留预测结果最好的资源列表。2.如权利要求1所述的基于时间感知的峰值聚类服务器资源预留方法，其特征在于：步骤s3中，对任务lf矩阵p和资源lf矩阵q，分别使用密度峰值聚类算法即dpc算法进行聚类，将聚类得到的离散值即不可信任务对应的时间片矩阵r中的值进行去除处理，获得待预测矩阵，具体为，s31、对任务lf矩阵p和资源lf矩阵q使用密度峰值聚类算法进行聚类后，判定是否存在离散值，如果存在时，进入步骤s32；否则，进入步骤s33；s32、根据聚类结果将时间片矩阵r中对应的值设为零，去除离散值即不可信任务，获得降噪后的矩阵r1并作为待预测矩阵；s33、根据聚类得到的邻域，将时间片矩阵r划分为邻域矩阵并作为待预测矩阵。3.如权利要求2所述的基于时间感知的峰值聚类服务器资源预留方法，其特征在于：步骤s31中，对任务lf矩阵p和资源lf矩阵q使用dpc密度峰值聚类算法进行聚类后，判定是否存在离散值，具体为，s311、矩阵中任意两个数据点之间的距离为d
ij
，计算任意数据点x
i
的局部密度ρ
i
和σ
i
，σ
i
为数据点x
i
到局部密度比它大且距离最近的数据点x
j
的距离；以ρ
i
为横轴，σ
i
为纵轴，画出数据点决策图；s312、利用决策图，将ρ
i
和σ
i
相对较高的数据点标记为簇中心，将ρ
i
相对较低但σ
i
相对较高的数据点标记为噪声点，得到聚类后的各个簇和离散值点。4.如权利要求1-3任一项所述的基于时间感知的峰值聚类服务器资源预留方法，其特征在于：步骤s4中，s4、对得到的两个待预测矩阵，分别使用低秩矩阵分解，进行资源预留的预测，获得各自的预测矩阵，具体为，s41、通过下式将每个簇的二维待预测矩阵x分解两个矩阵u和v：
其中，待预测矩阵x是一个n
×
m的矩阵，矩阵u是分解后的r
×
n的矩阵，矩阵v是分解后的r
×
m的矩阵，p代表的是第p范式；s42、使用l1范式低秩矩阵分解，因此得到：其中，
⊙
代表的是哈达玛积，w和x都为n
×
m的矩阵，矩阵w为待预测矩阵x的观测矩阵，当待预测矩阵中的元素x
ij
存在时，w
ij
为1；x
ij
不存在时，w
ij
为0；s42、为了缩小求解空间并提高优化收敛性，得到：其中，λ表示的是平衡因子，||v)||
*
表示的是奇异值之和v的轨迹范数；s43、使用增强拉格朗日乘数计算出分解后的矩阵u
opt
和v
opt
；s44、接着根据公式得到补全和恢复后的矩阵x
opt
；s45、将每个聚类后的类簇补全后的矩阵重新按照时间片矩阵r中的顺序恢复，得到补全后的矩阵b作为预测矩阵。5.如权利要求4所述的基于时间感知的峰值聚类服务器资源预留方法，其特征在于：步骤s5中，将预测矩阵中设定比例的预测数据，与原始矩阵中的数据对比，计算平均绝对误差和均方根误差，具体为，将步骤s45得到的补全后的矩阵b中预测数据和原始矩阵中的数据对比，根据以下公式分别计算mae值和rmse值：分别计算mae值和rmse值：其中，r
ui
是原始的任务预留值，是预测的任务预留值，n是预测出的预留资源的总数；rmse和mae的值越小，表示预测结果越准确。6.如权利要求1-3任一项所述的基于时间感知的峰值聚类服务器资源预留方法，其特征在于：步骤s7中，找出准确度最高的资源预留给目标任务，获得任务预留预测结果最好的资源列表，具体为，分别对当前时间的前一个时间片矩阵和后一个时间片矩阵执行步骤s2-s6，获得这两个时间片的任务lf矩阵p中对应的rmse、mae值，分别给以设定权重，然后找出准确度最高的资源预留给目标任务，获得任务预留预测结果最好的资源列表。

技术总结
本发明提供一种基于时间感知的峰值聚类服务器资源预留方法，通过把数据集中的原始数据按照时间维度进行划分，对划分后的时间片矩阵R，按照用户和服务维度，使用潜在因子模型，从稀疏的矩阵中提取密集的任务LF矩阵P和资源LF矩阵Q；分别使用密度峰值聚类算法进行聚类，将聚类得到的离散值即不可信任务进行去除处理，获得待预测矩阵；使用低秩矩阵分解，进行资源预留的预测，获得预测矩阵；计算平均绝对误差和均方根误差；获得任务预留预测结果最好的资源列表；本发明从时间维度对初始数据进行划分，充分的考虑时间因素对资源预留的影响，并对数据进行了降噪的处理，能够提高资源预留的准确性，并且能够提高资源的利用率。并且能够提高资源的利用率。并且能够提高资源的利用率。


技术研发人员：刘尚东 孟朝霞 季一木 王汝传
受保护的技术使用者：南京邮电大学
技术研发日：2022.09.14
技术公布日：2022/12/16