基于组合注意力模型EAAT的云KPI数据预测方法

为了准确分析云计算集群日常监控中KPI(Key Performance Indicator)数据的动态和变化趋势,并预测后续发展,达到提高云计算集群高可用性的目标,本文提出三分频的基于组合注意力模型的EWT-ARIMA-Auto-TPA (EAAT)云KPI数据预测方法.首先基于经验小波变换(Empirical Wavelet Transform, EWT)得到云KPI数据低中高频的内在模态变量(Intrinsic Mode Functions, IMFs)降低数据预测的复杂程度.其次,根据分解得到的低中高频IMFs信息特征,分别运用ARIMA、Autoformer、TPA-BiLSTM模型对每类IMFs进行预测.最后,将分类预测后结果经过逆变换IEWT加以合并得出预测结果.本文预测方法在谷歌和亚马逊的4个数据集上得到了验证,无论数据是否具有周期性或者稳定性,本文预测方法都有较好的结果,综合效果比对比模型有较大提升.