马克斯(maxcms)4.0采集规则使用方法_智能预测之cpu使用率预测

智能预测之cpu预测

背景与目标

cpu是服务器正常运行的比较重要的指标之一。为了保证其性能，业界通常为其设定阈值的方法来确保服务的可靠性和可用性。甚至有学者使用时间序列的预测模型来提前预测服务器的cpu的走势。在预测情况比较复杂的监控项时候，传统的ARIMA或者指数平滑的方法很难达到比较好的效果，因为他们很难捕捉到以前从未出现过的情况。相反，神经网络模型由于输入的是非线性方程，可以处理更复杂的时间序列。

本文采用神经网络模型去预测cpu的走势，提前预测出将要发生报警的机器，尽可能将具有隐患的故障扼杀在摇篮中，提高系统的可靠性和可用性。

模型使用

获取数据

我们采集过去7天的数据，采集间隔是1小时。使用下面代码得到历史的数据。

建立神经网络模型

建立神经网络模型，首先要确定输入、隐藏和输出层的神经元个数。

由于我们的线上业务具有天的周期性，所以我们将输入层的个数设为24，隐藏层的个数一般为输输入层个数乘以2再加1，所以输出层为49，输出层的个数为1,，我们根据此规则建立模型：

构造数据集

训练神经网络

训练时候采用BP神经网络：

验证与分析

我们可以挑选出测试集中的任意一个数据来验证模型的好坏。

后期尝试

上面输出层含有一个神经元，如果想预测多个时间点的数据，可以修改输出层的个数。

如果普通的BP神经网络的效果不理想，可以尝试深度神经网络中的RNN模型。