在边缘物联代理服务下的APP资源需求预测方法、装置及系统

摘要

本发明公开了在边缘物联代理服务下的APP资源需求预测方法、装置及系统，所述方法包括在边缘物联代理服务中收集APP对资源需求的原始数据，并对原始数据进行预处理，获得规范化的波动特征；将所述规范化的波动特征送入NFTSAR网络，进行训练、预测和评估，完成在边缘物联代理服务下的APP资源需求预测。本发明了一种改进的混合预测方法RSA‑NFTSAR，用于预测和识别动态物联代理系统，是一种在线学习方法，可以减少预测误差随时间的变化。

说明书

技术领域

本发明涉及神经网络和边缘计算领域，具体涉及在边缘物联代理服务下的APP资源需求预测方法、装置及系统。

背景技术

近年来，随着物联网在行业领域的逐步深入，终端设备数量急剧增加。终端设备的运行使网络末端产生了大量数据，如何从海量数据获得有效信息，变得极富挑战性。越来越多的场景需要高速响应的计算服务，而云计算平台与物理设备的松耦合使得云计算存在时延和抖动，因此，那些需要将端到端时延控制在几十毫秒内的应用程序直接从云计算平台获得的收益有限。边缘计算使用分布式计算范式，将数据、应用程序下放到边缘设备节点，计算主要或完全在分布式的边缘设备节点上执行，而不是在云中进行。作为一种新的计算范式，边缘计算将计算任务部署于接近数据产生源的网络边缘，利用边缘资源为用户提供大量服务或功能接口，大大减少上传至云数据中心的数据量，缓解网络带宽压力，同时可以更好地解决数据安全和隐私问题。

在边缘计算环境下，数据具有异构性且数据量较大，数据处理的应用程序具有多样性，不同应用程序所关联的计算任务又不尽相同，对于计算任务的管理具有较大的复杂性，而简单的中间件软件结构无法有效保证计算任务可行性、应用程序的可靠性以及资源利用的最大化。因此，需要边缘计算框架，来为基于边缘计算的应用提供降低延迟、提高数据处理实时性的架构和软件栈支撑。由于边缘物联代理处理任务的多样性和负载的变化性，需要在边缘物联代理设计自适应的资源调度机制，快速地相应不同应用对资源的需求。

已有研究AdaptiveFeedback算法能够在多种应用共享云端资源的情况下，相比于最优的离线场景的算法，对应用的平均性有很好的保证。该算法可拓展至边缘物联代理侧，以每类应用的资源使用效率为输入信息，为应用或申请更多资源，或维持当前资源，或主动释放资源；边缘物联代理在收到各个应用的资源需求后，只需做出公平的分配。资源预分配需兼顾长期收益与短期收益，有时以稍高的代价完成下一时刻的资源预分配，可以从长远角度优化长期收益。针对突发数据处理作业的资源需求及可能的预测失真，设计在线算法来实时疏散排队等待的数据处理作业。

发明内容

针对上述问题，本发明提出在边缘物联代理服务下的APP资源需求预测方法、装置及系统，能够预测未来的资源利用率。

为了实现上述技术目的，达到上述技术效果，本发明通过以下技术方案实现：

第一方面，本发明提供了一种在边缘物联代理服务下的APP资源需求预测方法，包括：

在边缘物联代理服务中收集APP对资源需求的原始数据，并对原始数据进行预处理，获得规范化的波动特征；

将所述规范化的波动特征送入NFTSAR网络，进行训练、预测和评估，完成在边缘物联代理服务下的APP资源需求预测。

可选地，所述规范化的波动特征的获取方法包括：

对原始数据进行聚集；

对于聚集后的数据，使用递归两阶段分解方法RSA识别资源使用中的波动特征；

对得到的波动特征数据进行规范化，获得规范化的波动特征。

可选地，所述RSA方法包括SSA阶段和AFEEMD阶段。

可选地，所述SSA阶段具体为：

初始化窗口长度L，时间序列样本的初始数量N，提取出隐含成分的数量m，将时间序列的样本数据转移到Hankel矩阵Y上；

对所述Hankel矩阵Y进行奇异值分解，矩阵Y有如下形式：

从奇异值分解得到的d个成分中选择m个作为趋势分量；

基于所述趋势分量，通过数学变换组合得到一个新的矩阵，对这个矩阵进行对角平均化，得到一个新的时间序列。

可选地，所述AFEEMD阶段具体为：

基于SSA阶段中获得的时间序列，并确定添加白噪声的适当频率上限；

将白噪声添加到所述时间序列中的信号中，生成新的信号；

对所述新的信号进行EMD操作提取得到IMF，即为波动特征。

可选地，所述将所述规范化的波动特征送入NFTSAR网络，进行训练、预测和评估，具体为：

从所述规范化的波动特征中提取关于资源需求量的知识，生成模糊规则的先行命题；

基于所述先行命题，计算模糊规则对APP资源需求变化时间序列预测的影响因子，输出规则的触发强度；

使用带可变遗忘因子的递推最小二乘算法处理所述触发强度，更新NFTS和AR的参数；

产生NFTS和AR的输出，形成输出数据；

对所述输出数据恢复到原始范围，重建需求数据，即为预测结果数据。

第二方面，本发明提供了一种在边缘物联代理服务下的APP资源需求预测装置，包括：

波动特征获取单元，用于在边缘物联代理服务中收集APP对资源需求的原始数据，并对原始数据进行预处理，获得规范化的波动特征；

预测单元，用于将所述规范化的波动特征送入NFTSAR网络，进行训练、预测和评估，完成在边缘物联代理服务下的APP资源需求预测。

可选地，所述规范化的波动特征的获取方法包括：

对原始数据进行聚集；

对于聚集后的数据，使用递归两阶段分解方法RSA识别资源使用中的波动特征；

对得到的波动特征数据进行规范化，获得规范化的波动特征。

可选地，所述RSA方法包括SSA阶段和AFEEMD阶段；

所述SSA阶段具体为：

初始化窗口长度L，时间序列样本的初始数量N，提取出隐含成分的数量m，将时间序列的样本数据转移到Hankel矩阵Y上；

对所述Hankel矩阵Y进行奇异值分解，矩阵Y有如下形式：

从奇异值分解得到的d个成分中选择m个作为趋势分量；

基于所述趋势分量，通过数学变换组合得到一个新的矩阵，对这个矩阵进行对角平均化，得到一个新的时间序列；

所述AFEEMD阶段具体为：

基于SSA阶段中获得的时间序列，并确定添加白噪声的适当频率上限；

将白噪声添加到所述时间序列中的信号中，生成新的信号；

对所述新的信号进行EMD操作提取得到IMF，即为波动特征。

可选地，所述将所述规范化的波动特征送入NFTSAR网络，进行训练、预测和评估，具体为：

从所述规范化的波动特征中提取关于资源需求量的知识，生成模糊规则的先行命题；

基于所述先行命题，计算模糊规则对APP资源需求变化时间序列预测的影响因子，输出规则的触发强度；

使用带可变遗忘因子的递推最小二乘算法处理所述触发强度，更新NFTS和AR的参数；

产生NFTS和AR的输出，形成输出数据；

对所述输出数据恢复到原始范围，重建需求数据，即为预测结果数据。

第三方面，本发明提供了一种在边缘物联代理服务下的APP资源需求预测系统，包括存储介质和处理器；

所述存储介质用于存储指令；

所述处理器用于根据所述指令进行操作以执行根据第一方面中任一项所述的方法。

与现有技术相比，本发明的有益效果：

本发明包括特征化和预测两步的总体思路。在特征化阶段，识别主机的历史资源使用模式。也就是说，这一阶段提取了资源利用模式的周期性和不规则性事件。在预测阶段，预测实时主机的资源使用水平。本发明结合了两阶段分解技术和NFTSAR网络来表征和预测资源的使用。其中分解技术是SSA和AFEEMD的递归混合，即RSA。综上所述，本发明提出了一种改进的混合预测方法RSA-NFTSAR，用于预测和识别动态物联代理系统，是一种在线学习方法，可以减少预测误差随时间的变化。

附图说明

为了使本发明的内容更容易被清楚地理解，下面根据具体实施例并结合附图，对本发明作进一步详细的说明，其中：

图1是本发明一种实施例的预测方法的流程图；

图2是本发明一种实施例的对于时间序列分解RSA方法的循环示意图；

图3是本发明一种实施例的NFTSAR网络的结构。

具体实施方式

为了使本发明的目的、技术方案及优点更加清楚明白，以下结合实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明的保护范围。

下面结合附图对本发明的应用原理作详细的描述。

实施例1

本发明实施例中提供了一种在边缘物联代理服务下的APP资源需求预测方法，包括以下步骤：

(1)在边缘物联代理服务中收集APP对资源需求的原始数据，并对原始数据进行预处理，获得规范化的波动特征；

(2)将所述规范化的波动特征送入NFTSAR网络，进行训练、预测和评估，完成在边缘物联代理服务下的APP资源需求预测。

如图1所示，本发明实施例中的预测方法主要包括预处理、训练、预测和评价四个步骤组成。

在预处理步骤中，从原始数据中提取数据。首先，将数据聚合到一个分钟单位级别。假设每5分钟记录一个时间戳，聚合的数据被传递到分解步骤，分解步骤负责提取和识别APP在资源使用中的波动特征。具体地，本发明实施例中提出了一种由SSA和AFEEMD方法组成的递归两相分解策略。在第一阶段，将聚集的数据传递给SSA，以降低原始数据的噪声。在利用SSA方法进行降噪之后，在第二阶段，利用AFEEMD将资源使用预测任务分解为若干简单的预测子任务。

然后，将分解的数据标准化到区间(0,1)，并将其作为输入数据发送给NFTSAR网络。NFTSAR网络是一种基于神经模糊Takagi-Sugeno网络(NFTS)。NFTS在一个单一的框架中同时具有模糊逻辑和神经网络的优点，并且有一个具有学习能力的模糊推理系统。在这里，本发明通过将NFTS与线性AR组合来改进NFTS网络，以综合基于数据和模型的方法的优点。

除预处理阶段外，RSA-NFTSAR还有三个操作阶段：训练阶段、预测阶段和评估阶段。训练阶段确定属于NFTSAR网络部分的参数。当时间序列的观测可用时，此阶段就会开始运行。此阶段分析n个先前的资源使用值，以便预测在n+1时刻边缘物联代理上即将发生的资源使用。如果没有可用数据，就会进入预测步骤。训练结束后，评估阶段会检查模型的精度。评估阶段对于决策是非常重要的一步，为此，需要将预测数据转换为原始格式，并计算MSE、MAPE和RMSE来评估其精度。

时间序列是在连续的等距时间点上获取的一系列数字，其中每个数据点都是在不同时间戳捕获的测量值。一般来说，一个时间序列的数据可以被表示为一个N×M的二维矩阵。

X＝[X(1),...,X(j),...,X(N)]

X(j)＝[X

这里N是时间戳的总数，M是在第j个时间戳处输入变量的数量，X(j)表示输入变量在第j次的观察值(1≤j≤N)，X

如图2所示，递归两阶段分解方法RSA由SSA和AFEEMD组成。该方法从时间序列数据中提取趋势分量、不规则分量和周期性分量，以较低的计算代价去除噪声。RSA方法包括8个步骤，前4个步骤(嵌入、奇异值分解、三重特征分组和对角平均)与SSA阶段有关，后3个步骤(高频规定、集成试验和最终提取)与AFEEMD阶段有关。该方法执行递归更新(第8步)以降低计算复杂度并加快提取过程。所提出的方法总结在图2中并描述如下。

在嵌入阶段，用户初始化三个参数N,L,m的值。L为窗口长度，N为时间序列样本的初始数量，m为提取出隐含成分的数量。初始化之后，聚集得到的序列化数据X＝[X(1),...,X(N)]会被转移到一个L×K的Hankel矩阵Y＝(Y

下一步奇异值分解(SVD)中，Hankel矩阵Y会被进行奇异值分解。令协方差矩阵C

Y＝Y

在三重特征分组步骤中，d个成分中的m个被选出来作为趋势分量。定义

在对角平均化步骤中，分组后的分解中每个矩阵

在利用SSA方法提取隐藏的趋势分量并去除噪声后，第二阶段开始对时间序列进行再次细化，并检测提取的时间序列X

第一步，频率规定，负责确定添加白噪声的适当频率上限。首先，所添加的噪声的频率上限f

令N为原始信号的长度，c

在集成试验步骤，白噪声的一对值(η(t),-η(t))就被加入到信号X

然后，对有噪声的信号(P(t),N(t))进行EMD操作，这会生成一系列的IMF，从而得到残差。

其中

其中c

χ＝X

其中X

χ＝X

两阶段分解方法中的最后一步被称为递归更新，主要负责更新方法中的参数，减少时间开销。因此，第一次运行完的训练方法之后，分解方法中的递归更新循环就会开始。在递归步骤，对于每个时间序列样本X(k),k＝N+1,N+2,...,

通过上述分解方法对输入数据的处理，把最终得到的结果再次进行规范化，得到(0,1)范围的数据，然后送入NFTSAR网络来预测未来的APP资源需求量。

NFTSAR网络：在非线性系统建模方法中，NFTS预测模型因其在稠密区域具有良好的泛化性和逼近性而受到广泛关注，它在一个单一的框架中同时具有模糊逻辑和神经网络的优点。因此使用NFTS网络来预测物联代理未来的资源使用情况。预测模型的网络结构分别如图3所示。网络有五层，同一层的所有节点都具有相似的功能。原始数据经过两阶段分解方法得到趋势、周期和不规则分量，送到NFTSAR网络进行训练数据。下面，将结合图3描述NFTSAR网络的每一层。

第一层：在提取隐藏分量之后，第一层就会启动。该层利用从隐藏分量数据中提取的知识，生成模糊规则的先行命题。首先，对于每一个时刻t都会生成一个数据流d

因为不同分量的数据可能会在取值上游显著的差别，所以需要对d

其中

其中N+1为两阶段分解方法中初始条件后的第一个时刻t。

然后使用一个基于AnYa算法的无监督学习方法来从

其中R为云或者模糊规则的数量，

其中M

最开始，使用先来的数据创建一个云。然后从N+1时刻开始演变过程。随着数据流对现有云的密度产生影响，本地密度值

第二层研究模糊规则在时间序列预测中的影响。下一个节点的触发强度就是该层的输出。通过将隶属函数中输入/输出变量的隶属度相乘，为每个规则分配一个度(等式28)。

激活度表示这些规则对其他规则的影响程度。

然后把这些数据权重进行归一化，归一化的触发强度计算方式如下

其中

每一条规则都有前驱和后继部分。每个规则的前驱使用输入数据的信息，每个规则的后继计算模型的输出。根据所使用的结果类型，就可以确定结果参数了。由于模型的结构可以根据输入数据进行修改，因此这里采用递归策略来估计模型的参数。相应的模糊推理系统(TS)如下。

其中

第三层：使用带可变遗忘因子(WRLS-VFF)的递推最小二乘算法来更新后继参数。WRLS-VFF是递推最小二乘(RLS)方法的改进版本，具有更好的跟踪系统突然变化的性能。WRLS-VFF具有一个最佳的动态遗忘因子，该因子通过最小化均方噪声的后验误差获得，并且通常在平稳和非平稳环境中都具有更好的性能。此外，WRLS-VFF使误差函数最小化。因此，本文采用WRLS-VFF。

第四层：NFTS和AR在这一层分别产生输出，分别使用如下公式产生：

参数集合

第五层：最后一层计算NFTSAR的输出。这是对X(t)

使用区间(0,1)内的均匀分布来产生

最后，NFTSAR在时刻t的输出就是

训练和预测阶段：神经网络的特征是基于结构(神经元如何相互连接)、训练方法(如何确定连接神经元之间的权重)和传递函数。神经网络的训练就是确定其结构中的参数。如果时间序列是可用的，则训练上述方法，并添加或删除模糊规则来执行t-1时刻的隐藏分量数据与t时刻的提前一步时间序列数据之间的映射。

当没有可用数据时，预测阶段开始工作。在这个时候，NFTSAR不会变化，模糊规则也不会更新。这意味着NFTSAR的结构在预测阶段是固定的。因此，递归两阶段分解不会运行，因为没有可用的数据来提取隐藏分量。为了识别隐藏模式并建立数据流d

之后，第二层和第三层就可以正常运行了。时间序列是基于隐藏分量分解来计算的，以创建APP未来的资源使用数据。然后，该资源使用数据就会被标准化。

实施例2

基于与实施例1相同的发明构思，本发明实施例中提供了一种在边缘物联代理服务下的APP资源需求预测装置，包括：

波动特征获取单元，用于在边缘物联代理服务中收集APP对资源需求的原始数据，并对原始数据进行预处理，获得规范化的波动特征；

预测单元，用于将所述规范化的波动特征送入NFTSAR网络，进行训练、预测和评估，完成在边缘物联代理服务下的APP资源需求预测。

可选地，所述规范化的波动特征的获取方法包括：

对原始数据进行聚集；

对于聚集后的数据，使用递归两阶段分解方法RSA识别资源使用中的波动特征；

对得到的波动特征数据进行规范化，获得规范化的波动特征。

在本发明实施例的一种具体实施方式中，所述RSA方法包括SSA阶段和AFEEMD阶段；

所述SSA阶段具体为：

初始化窗口长度L，时间序列样本的初始数量N，提取出隐含成分的数量m，将时间序列的样本数据转移到Hankel矩阵Y上；

对所述Hankel矩阵Y进行奇异值分解，矩阵Y有如下形式：

从奇异值分解得到的d个成分中选择m个作为趋势分量；

基于所述趋势分量，通过数学变换组合得到一个新的矩阵，对这个矩阵进行对角平均化，得到一个新的时间序列；

所述AFEEMD阶段具体为：

基于SSA阶段中获得的时间序列，并确定添加白噪声的适当频率上限；

将白噪声添加到所述时间序列中的信号中，生成新的信号；

对所述新的信号进行EMD操作提取得到IMF，即为波动特征。

在本发明实施例的一种具体实施方式中，所述将所述规范化的波动特征送入NFTSAR网络，进行训练、预测和评估，具体为：

从所述规范化的波动特征中提取关于资源需求量的知识，生成模糊规则的先行命题；

基于所述先行命题，获取模糊规则对APP资源需求变化时间序列预测的影响因子；

使用带可变遗忘因子的递推最小二乘算法来更新NFTS和AR的参数；

产生NFTS和AR的输出，形成输出数据；

对所述输出数据恢复到原始范围，重建需求数据，即为预测结果数据。

实施例3

本发明实施例中提供了一种在边缘物联代理服务下的APP资源需求预测系统，包括存储介质和处理器；

所述存储介质用于存储指令；

所述处理器用于根据所述指令进行操作以执行根据实施例中任一项所述的方法。

本领域内的技术人员应明白，本申请的实施例可提供为方法、系统、或计算机程序产品。因此，本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。

本申请是参照根据本申请实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。

这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。

这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。

最后应当说明的是：以上实施例仅用以说明本发明的技术方案而非对其限制，尽管参照上述实施例对本发明进行了详细的说明，所属领域的普通技术人员应当理解：依然可以对本发明的具体实施方式进行修改或者等同替换，而未脱离本发明精神和范围的任何修改或者等同替换，其均应涵盖在本发明的权利要求保护范围之内。