基于改进灰狼优化支持向量回归的网络云亚健康预测研究论文

SCI论文（www.lunwensci.com）

　　摘 要 ：网络云资源池亚健康状态趋势预测对设备性能最大程度的释放以及服务器安全等问题具有十分重要的现实意义。 针对网络云亚健康状态演化趋势无规则、不确定等特性,同时考虑适用模型的实效性与准确性,本文提出了一种基于改进灰狼 优化支持向量回归的网络云亚健康预测模型,并从数据库中提取融合相关指标的时序特征进行实证研究。对比结果显示,本文 所提预测模型具有较为突出的精确性与稳定性,可为网络云资源池的建设与平稳运行提供切实有效的帮助。

　　【Abstract】： Predicting the sub health status trend of network cloud resource pools is of great practical significance for maximizing device performance and addressing server security issues. In response to the characteristics of irregular and uncertain evolution trends of network cloud sub health status, and considering the effectiveness and accuracy of applicable models, this paper proposes a network cloud sub health prediction model based on improved grey wolf optimization support vector regression, and extracts temporal features of relevant indicators from the database for empirical research. The comparison results show that the prediction model proposed in this article has outstanding accuracy and stability, which can provide practical and effective assistance for the construction and smooth operation of network cloud resource pools.

　　【Key words】：network cloud;sub health;support vector regression;prediction model

　　0 引言

　　我国在“十四五”规划和 2035 年远景目标纲要中 提出,支持有条件的大型企业打造一体化数字平台,强 化全流程数据贯通,形成数据驱动的智能决策能力,提 升企业整体运行效率。伴随着 5G 业务的迅速发展,云 计算、边缘计算等新兴技术的普及, IT 系统的软硬件 设备种类与数量都随着业务发展高速增长,且其内部网 络中各个软硬件之间的关联关系也变得更加复杂。目前 以 SDN/NFV 为代表的云网协同技术在不同的领域得到 了广泛的应用 [1],同时网络云作为算力网络基础设施建设,其规模也正急剧扩大,而网络云基础设施的稳定性 对云上业务的运行具有极其深远的影响。

　　1 相关理论基础

　　1.1 网络云亚健康

　　亚健康(Suboptimal Health Status) 也称为“亚 健康状态”或“亚健康状况”,是指个体在生理、心理 或社会功能方面出现了不适或轻微异常,还未达到明确 的疾病状态,但其健康状态已经低于正常范围。

　　网络云亚健康状态是由于我们的设备和资源池在长 期高强度的工作下,其机体性能、运行速度和计算能力大幅度降低但资源消耗量提升的一种介于健康与故障之 间的中间态。资源池内设备处于亚健康的状态,往往给 网络云稳定运行带来严重的隐患,且网络云亚健康状态 受多种因素共同影响,其内部机理复杂,演化趋势具有 无规则、不确定等特点,对网络云亚健康状态及时预测 研判并积极采取不同的应对措施是网络云资源池建设领 域的重大任务之一。传统的检测识别方式无法覆盖各业 务场景,难以对设备的亚健康状态进行检测识别。因此 本文基于群智能优化算法和机器学习,提出了一种融合 各指标数据时序特征的网络云亚健康预测模型,经实验 对比,其对亚健康场景的识别和预测精确性远高于其余 模型,为网络云资源池的建设和企业的智能化运维提供 了切实有效的帮助。

　　1.2 灰狼优化算法

　　灰狼优化算法 [2] 是一种新的智能优化算法,其原理 是模拟灰狼在自然界中的等级制度与猎捕策略,可用如 下数学模型表示 ：

　　(1)包围 ：灰狼在捕食的过程中首先要寻找并向 猎物逐渐靠近,狼群与猎物的距离 D 和距离更新公式 如式(1)、式(2)所示 ：

　　其中, t 表示迭代次数, Xp (t) 表示第 t 次迭代时猎 物的位置, X(t) 表示在 t 次迭代时灰狼个体的位置, B 为收敛因子, C 为常量,通过调整这二者的大小,使得 灰狼可以处于猎物周围的不同位置。

　　(2)猎捕 ：当灰狼对猎物包围完成后, 开始猎物行 为,如式(3) - 式(7)所示 ：

　　其中, Da, Db, Dc 分别表示前三头狼与狼群其余灰 狼的距离, X(t+1) 为每次更新后灰狼的具体位置。

　　1.3 支持向量回归

　　支持向量回归 [3] (Support Vector Regression,SVR) 是 SVM 的衍生模型,其基本原理是对于给定的样本数 据集合 V=(xm,ym),i=1.2.…,n,xm ∈ Rd，ym ∈ Rd, 其中xm 为输入样本值, ym 为对应的输出值, n 为训练的样本数, 建立高维特征空间的回归模型如式(8)所示 ：

　　其中, xi ∈ Rd 为样本集, d 为输入变量的维度,∅ (x) 为输入输出的映射关系, ω 和 b 分别为回归权重和偏置 值, y 为待拟合的预测函数值,通过惩罚风险函数 R(C) 得到如式(9)所示 ：

　　其中, ||ω ||2 为惩罚系数, C 为惩罚系数的参数, ε 为不敏感函数参数, Lε (y) 为不敏感损失函数,引入松弛 变量因子 δ, δ>0.则公式(9)变为如式(10)所示 ：

　　引入拉格朗日乘子 ai 和 ai* 构造 P 拉格朗日函数, 公式(10)优化的对偶问题变为如式(11)所示 ：

　　其中, K(xi,x) 为核函数,选用宽度为 σ 的高斯核径向 基核函数,利用 KKT 条件,得到最终的 SVR 函数公式 如式(12)所示 ：

　　其中, C、g 分别为惩罚系数与核函数的参数,其 结果直接影响 SVR 的预测性能。

　　2 改进灰狼优化支持向量回归的网络云亚健康预测模型

　　网络云时序特征趋势变化曲线是一种典型的时间序 列,具有线性不可分的特点 [4]。使用 SVR 模型进行时 序趋势预测时本质是通过核函数将样本点的数据从低维 空间投射到更高维空间并将非线性问题转换为线性问 题。而惩罚系数 C 和核函数 g 直接影响趋势预测结果, 本文在已有相关研究的基础上提出了一种基于 KENT 映射初始化搜索种群、自适应惯性权重灰狼位置更新的 改进灰狼优化算法(EGWO)。通过对标准测试函数进行实验,验证了改进后的算法具有较强的全局搜索能 力、较快的收敛速度以及较好的稳定性能。

　　2.1 KENT 映射初始化种群

　　为了克服 GWO 算法种群初始化不均匀,使用 KENT 映射 [5] 对灰狼种群进行初始化,如式(13)所示 ：

　　式(13) 中 ：a 指的是混沌映射系统的控制参数, Xn 指种群的初试条件, Xn+1 指初始条件在 KENT 映射中 产生的随机序列。

　　利用 KENT 映射初始化种群的数学表达如式(14) 所示 ：

　　式(14) 中 ：ub 为自变量取值的上界, lb 为自变量 取值的下界, Cα 为混沌因子。

　　2.2 自适应惯性权重的灰狼位置更新

　　在群智能算法的寻优过程中,容易在某一区域陷入 局部最优,为平衡 GWO 算法的全局和局部搜索能力, 首先在灰狼位置更新时引入基于非线性递减函数的惯性 权重因子,并且将种群成功率作为反馈参数对惯性权重 因子自适应调整 [6]。

　　改进的灰狼位置更新公式如式(15)、式(16)所示 ：

　　其中, ωj 为初始惯性权重, ωk 为达到最大迭代次 数后的最终惯性权重, δ 为线性控制参数。

　　2.3 改进灰狼算法(EGWO)有效性验证

　　为验证改进后灰狼优化算法的有效性,选取 CEC2017[7] 中的标准高维函数进行测试, 函数具体表达式详见文献 [7]。 将改进后的灰狼优化算法 EGWO 与传统灰狼优化算法 GWO 和经典的遗传优化算法 GA 以及应用较为广泛的 粒子群优化算法 PSO 进行对比。设置算法种群规模为 N=30.迭代优化 300 次,其余参数设置均为默认值, 可以得出,改进后的灰狼优化算法均有较为突出的表 现,收敛速度较快。为了进一步衡量算法的性能,对上 述四种优化算法均循环 30 次,求其运行结果的最小值、 最大值、平均值和标准差,经过 30 次求解,该算法性 能在绝大部分测试函数上都具有较为平稳的表现。由此 可见,本文提出的 EGWO 模型在全局搜索和收敛速度 方面均有不俗的表现,同时算法的稳定性也优于其他模型,因此改进是有效的。

　　3 模型构建

　　3.1 基于改进灰狼优化支持向量回归的网络云亚健康预测

　　Step1 ：数据导入和归一化。

　　Step2 ：利用 KENT 映射的方法初始化灰狼种群个 体的初始位置。

　　Step3 ：设置算法参数 ：灰狼种群规模 N,最大迭 代次数 Maxiter,待优化参数个数和参数取值范围。

　　Step4 ：以灰狼个体的坐标分量作为对应待优化超 参数(C, g)的值,代入到 SVR 模型中进行训练并计 算其适应度。

　　Step5 ：将适应度最小的前三只狼分别选为 α , β , δ 狼,其对应的位置分别为Xα , Xβ , Xδ。

　　Step6 ：更新参数值和每个灰狼个体位置。

　　Step7 ：重复 Step4 至 Step6.直到达到最大迭代 次数。

　　Step8 ：将得到的最大超参数(C, g)用于 EGWO- SVR 模型预测。

　　Step9 ：求出预测值并进行相关预测输出。

　　3.2 模型评价指标

　　本文选取均方根误差、平均绝对百分比误差、回归模 型的决定系数作为预测效果的衡量指标,对应公式如 式(17)、式(18)、式(19)所示 ：

　　4 实例分析

　　4.1 数据来源

　　为验证所提预测模型的可行性与准确性,本文从数 据库中获取并融合服务器运行时的各指标时序特征数 据, 数据采集时间为 2023 年 5 月 22 日至 2023 年 5 月 29 日。该案例数据集共 7 天,间隔 5 分钟采集,共 672 个样本点,按照 3:1 的比例划分训练集与测试集。

　　4.2 实验结果对比分析

　　设置 EGWO-SVR、GWO-SVR、GA-SVR 三种优化 算法的参数,将种群个体数量设为 30.最大迭代次数 500 次, PSO-SVR 的种群数量设为 100. 迭代寻优 500 次, C1、C2 分别取 1.5、1.6.待优化的超参数(C, g) 取值范围均为(0.01 ～ 100)。为验证不同模型算法预测结果的稳定性,对上述四种模型运行 30 次后取其平 均值,最终得到预测结果、预测相对误差,各指标平均 值如表 1 所示。

　　通过对图表的数据进行比较可以看出, EGWO-SVR 的各评价指标均优于其余三种模型,显示了其较为优秀 的全局寻优能力。其中, EGWO-SVR 模型求出的指标 MAPE=3.86%, 低于 GWO-SVR 的 7.89%、PSO-SVR 的 13.09%、GA-SVR 的 20.29% ;指标RMSE=1.94%, 低 于 GWO-SVR 的 3.33%、PSO-SVR 的 5.66%、GA-SVR 的 9.16%;回归系数 R2=99.87%, 高于 GWO-SVR 的 99.60%、 PSO-SV 的 98.86%、GA-SVR 的 97.01%。数据结果表明, EGWO-SVR 模型的三个评价指标均显著优于其三种预 测模型,由此可见,本文提出的 EGWO-SVR 网络云亚 健康预测模型有较为突出的准确性与稳定性。

　　5 结论

　　网络云亚健康状态受多种因素共同影响,其状态的 演化是一个动态的、多元的、互动的过程,想要更好地 明晰网络云亚健康状态构成的机理,需综合多学科知 识,从多维度和多角度对其进行分析理解,进一步深入 研究有助于我们辨析造成其亚健康的原因,从而将似是 而非的恐慌转化为防患于未然的洞察。

　　本文在传统 GWO 模型的基础上,通过 KENT 映射初始化种群搜索位置、自适应惯性权重的灰狼位置更 新,保证搜索个体均匀分布和种群位置的多样化,平衡 GWO 算法的全局和局部搜索能力,加快模型收敛的同 时最大程度避免了算法陷入局部最优,进而构建出基于 EGWO-SVR 的网络云亚健康预测模型。

　　对比实验结果显示,本文所构建的 EGWO-SVR 模 型在网络云亚健康状态的预测中,有较为突出的稳定性 与准确性,并通过实例验证其在样本数量较少时仍具有 很好的预测性能,证明了该模型的有效性。诚然,本文 算法的有效性还需进一步大量实例验证,为网络云资源 池的建设与平稳运行提供切实有效的帮助。

　　参考文献

　　[1] 刘绪忠,张金娟,孟庆岩,等.网络云智慧运维模式创新实践 [J].山东通信技术,2022.42(4):33-36+39.
　　[2] VAPNIK V,LEVIN E,CUN Y L,et al.Measuring the VC- dimension of a Learning Machine[J].Neural Computation, 1994.6(5):851-876.
　　[3] 刘杰,曹静,赵昕.基于OOB-GWO-SVR的风电机组齿轮箱故 障预警[J].电子测量与仪器学报,2022.36(12):97-105.
　　[4] SYAFARUDDIN,NARIMATSU H,MIYAUCHI H,et al.Optimal Energy Utilization of Photovoltaic Systems Using the Non-Binary Genetic Algorithm[J].Energy Technology and Policy,2015.2(1):10-18.
　　[5] 罗佳欣,何登旭.基于改进郊狼优化算法的充电站选址定容 规划[J].计算机应用研究,2022.39(3):751-757.
　　[6] 白钰,彭珍瑞.基于自适应惯性权重的樽海鞘群算法[J].控制 与决策,2022.37(1):237-246.
　　[7] DEVI R M,PREMKUMAR M,KIRUTHIGA G,et al. IGJO:An Improved Golden JackelOptimization Algorithm Using Local Escaping Operator for Feature Selection Problems[J].Neural Processing Letters,2023:1-89.
 
 
关注SCI论文创作发表，寻求SCI论文修改润色、SCI论文代发表等服务支撑，请锁定SCI论文网！

文章出自SCI论文网转载请注明出处：https://www.lunwensci.com/jisuanjilunwen/74515.html