智能預測之cpu使用率預測

智能預測之cpu預測

背景與目標

cpu是伺服器正常運行的比較重要的指標之一。為了保證其性能，業界通常為其設定閾值的方法來確保服務的可靠性和可用性。甚至有學者使用時間序列的預測模型來提前預測伺服器的cpu的走勢。在預測情況比較複雜的監控項時候，傳統的ARIMA或者指數平滑的方法很難達到比較好的效果，因為他們很難捕捉到以前從未出現過的情況。相反，神經網路模型由於輸入的是非線性方程，可以處理更複雜的時間序列。

本文採用神經網路模型去預測cpu的走勢，提前預測出將要發生報警的機器，儘可能將具有隱患的故障扼殺在搖籃中，提高系統的可靠性和可用性。

模型使用

獲取數據

我們採集過去7天的數據，採集間隔是1小時。使用下面代碼得到歷史的數據。

建立神經網路模型

建立神經網路模型，首先要確定輸入、隱藏和輸出層的神經元個數。

由於我們的線上業務具有天的周期性，所以我們將輸出層的個數設為24，隱藏層的個數一般為輸輸入層個數乘以2再加1，所以輸出層為49，輸出層的個數為1,，我們根據此規則建立模型：

構造數據集

訓練神經網路

訓練時候採用BP神經網路：

驗證與分析

我們可以挑選出測試集中的任意一個數據來驗證模型的好壞。

後期嘗試

上面輸出層含有一個神經元，如果想預測多個時間點的數據，可以修改輸出層的個數。

如果普通的BP神經網路的效果不理想，可以嘗試深度神經網路中的RNN模型。

推薦閱讀：