-
公开(公告)号：CN104063747A
公开(公告)日：2014-09-24
申请号：CN201410294472.2
申请日：2014-06-26
Applicant: 上海交通大学
IPC: G06Q10/04
Abstract: 本发明涉及一种分布式系统中的性能异常预测方法及系统，通过分布式环境的监控系统采集历史性能数据以及实时性能数据，采用特征值提取描述数据的特征，构建出性能变量的模式，并通过朴素贝叶斯分类训练出分类模型，由当前数据模式从历史数据模式进行比较，并在历史数据模式中找到一个与当前数据模式最相似的模式，最后根据贝叶斯预测模型推断出当前数据模式是否是异常状态。本发明本针对分布式系统中的性能异常预测，全面考虑变量的特征的问题，准确率更高，采用机器学习方法贝叶斯模型来指导预测，并实时检测出性能异常情况，并对检测出的预测通过之前得出的贝叶斯模型进行了评估分析，提供了预测的置信度，自动化程度高，提高了预测的可靠性与实用性。
-
公开(公告)号：CN104135510A
公开(公告)日：2014-11-05
申请号：CN201410337251.9
申请日：2014-07-16
Applicant: 上海交通大学
Abstract: 本发明涉及一种基于模式匹配的分布式计算环境性能预测方法及系统，通过采集服务器的性能数据，把当前性能数据模式与历史数据的数值一一对比以及当前的性能数据变化率模式与历史数据的变化率一一对比，从历史数据中找到相似的模式，从历史数据中找到相似模式截止时间点后的性能数据值作为预测结果或乘以权重加权作为预测结果，提高服务器对资源调度的准确性与可靠性，使得分布式计算环境下对处于不稳态情况的性能数据进行长期预测的预测效果更理想。
-
Patent Agency Ranking
公开(公告)号：CN104010029B
公开(公告)日：2017-09-08
申请号：CN201410198278.4
申请日：2014-05-12
Applicant: 上海交通大学
Abstract: 一种基于横向纵向信息集成的分布式计算环境性能预测方法，首先，把一个长的时间序列数据切分成多个等长度的子时间序列，各子时间序列的长度为T；之后，采用纵向预测算法使用指数型平滑曲线算法进行预测对之前所有生成的子时间序列进行预测，计算出周期与周期之间的关联性，得到纵向预测数据并对得到的纵向预测数据进行整合；最后，采用横向预测算法通过在时间周期内两个时间点之间的关系对上一步得到的纵向预测数据进行预测，找到周期内的数据的联系，构建关系模型，对寻找的所有时间周期内存在的横向关系存储起来，进行周期内预测，加权叠加预测结果，并调整横向关系，得到最终预测结果。本发明提高了服务器对资源调度的准确性与可靠性。
-
公开(公告)号：CN104268063A
公开(公告)日：2015-01-07
申请号：CN201410321062.2
申请日：2014-07-07
Applicant: 上海交通大学
IPC: G06F11/34
Abstract: 本发明涉及一种基于趋势分析的分布式系统性能预测方法及系统，通过采集服务器的性能数据，通过快速傅里叶变换检测出性能数据潜在周期性波形，并分解出多个波形，然后计算每个波形的波段变化量或者占有率，根据变化量或者占有率的趋势来预测每个波段长期的变化趋势，最后根据预测的变化量进行波形合并，得到性能数据的长期预测结果。本发明针对服务器性能数据的特点，通过循环预测对性能数据进行长期预测，通过对性能数据波形进行分解，并根据分解出来的组成波形进行增量分析与占有率变化分析，从历史数据中找到相似的趋势来指导预测，达到准确的性能数据预测，提高服务器对资源调度的准确性与可靠性。
-
公开(公告)号：CN104021045A
公开(公告)日：2014-09-03
申请号：CN201410183205.8
申请日：2014-05-04
Applicant: 上海交通大学
IPC: G06F9/50
Abstract: 一种基于模式融合的CPU负载多步预测方法，首先，把一个时间序列数据切分成多个数据模式的集合，统计各个数据模式的个数；之后对得到的所有模式与个数，设定一个过滤因子过滤一些不常出现的模式；然后，对于一些相差不大的模式，合并成一些通用的趋势模式，并根据这些通用的趋势模式进行匹配，匹配过程中采用汉明距离度量模式与模式之间的方向距离，使用欧几里得距离度量实际距离；找到一些近似模式后，采用平均规则策略或均匀下降策略根据这些模式的后面的值来进行多步预测；最后，采用多个模式长度来指导预测，并根据每个模式长度的预测值进行融合，采用Adaboost算法进行合成，得到最终结果。本发明具有准确性高、可靠性高的优点。
-
公开(公告)号：CN104010029A
公开(公告)日：2014-08-27
申请号：CN201410198278.4
申请日：2014-05-12
Applicant: 上海交通大学
Abstract: 一种基于横向纵向信息集成的分布式计算环境性能预测方法，首先，把一个长的时间序列数据切分成多个等长度的子时间序列，各子时间序列的长度为T；之后，采用纵向预测算法使用指数型平滑曲线算法进行预测对之前所有生成的子时间序列进行预测，计算出周期与周期之间的关联性，得到纵向预测数据并对得到的纵向预测数据进行整合；最后，采用横向预测算法通过在时间周期内两个时间点之间的关系对上一步得到的纵向预测数据进行预测，找到周期内的数据的联系，构建关系模型，对寻找的所有时间周期内存在的横向关系存储起来，进行周期内预测，加权叠加预测结果，并调整横向关系，得到最终预测结果。本发明提高了服务器对资源调度的准确性与可靠性。
-
公开(公告)号：CN104008426A
公开(公告)日：2014-08-27
申请号：CN201410205434.5
申请日：2014-05-15
Applicant: 上海交通大学
IPC: G06Q10/04
Abstract: 本发明公开了一种基于集成学习的分布式计算环境性能预测方法，针对分布式服务器性能的特点，使用集成学习方法对服务器性能进行预测。在集成学习过程中，采用对每种预测器的参数进行优化，并从预测中优选选择一些效果较好的预测器，并把这些预测器集成起来，集成的方法采用加权或者评分算法得到最后的集成结果，该集成预测模型不仅降低了预测误差，同时又达到了对不同数据集的很好的适应性。
-
-
-
-
-
-
Search Results
7
records
(took 0.019 seconds)
