cpu利用率多少算高,cpu利用率定义

　　使用上一章的运维说明，可以使用SQL，结合机器学习算法收集CPU信息，预测CPU利用率，让运维人员及时了解CPU未来的运行情况，从容应对突发问题。

　　1.预测方法简介预测算法属于有监督机器学习领域，因为需要训练历史数据，建立基于时间序列的回归模型。

　　一般时间序列可以分为趋势、季节、时期三个方面。

　　趋势：是一个长期的变化方向，不受相对较小的波动和扰动的影响；季节：与数据的性质密切相关，如昼夜、春夏秋冬等。周期：模式相似但周期性不同的数据的一般变化，如股市的周期(股票涨跌的周期)、房价的周期等。预测是进行异常检测的有效方法，尤其是其时间序列相对稳定。与这两种算法相比，ARIMA可以可靠地预测。LSTM网络对更复杂的时间序列数据更具包容性。预测不适合离群点检测。

　　ARIMA:自回归模型是一种统计模型，其输出结果线性依赖于以前的值。这是一种强大而灵活的时间序列预测方法。

　　LSTM:递归神经网络的一种变体，特别适用于基于时间序列的学习分类和预测。

　　如果时间序列不稳定，没有遵循任何可观察的趋势，或者波动幅度变化很大，那么预测效果将不会表现良好，预测对一维数据效果最好，如果需要预测多维数据，最好使用其他检测方法。

　　二。代码解释基础环境

　　本文基于python，读者需要有python环境。

　　使用特定的类。如下图：

　　使用项目类

　　语料信息可以分为三个方面：测试集(cpu-test-a.csv)、训练集(cpu-train-a.csv)和全集(cpu-full-a.csv)。针对主用户的测试集CPU利用率预测验证，针对用户的训练集CPU利用率训练，所有集=测试集训练集。语料库的具体内容如下：

　　CPU语料库

　　读取信息

　　所有集合、训练集和测试集的文件内容都是通过pandas这个分析结构化数据的工具集获得的。

　　读取语料库信息

　　训练数据图形化输出

　　通过matplotlib.pyplot输出训练集内容，输出代码如下：

　　图形输出代码

　　第一个行为定义图形的高度和宽度；二、定义并制作图形，X轴为日期，Y轴为CPU，颜色为黑色；第三行显示Y轴的标签信息。第四行显示图形标题信息。输出效果如下：

　　图形输出效果

　　建立简单的ARIMAX模型

　　ARIMA模型

　　第一个行为定义模型。稳定后的序列具有零阶差分；向上或向下的稳定趋势(恒定和稳定)应该有一阶差，最高是二阶。区别主要是平滑序列。第二个行为使用Metropolis-Hastings算法进行推理。第三步是绘制ARIMA模型的拟合图。

　　通过绘制的仿真拟合图，可以直观的知道基于训练集的模型拟合效果良好。

　　拟合图

　　测试集样本预测

　　我们选取60个预测值及其置信区间，绘制出最后100个观测点。

　　预测

　　输出效果如下(颜色越深，置信度越高):

　　测试集-ARIMA预测

　　测试集样输出

　　输出整个数据集，并将背景添加到测试数据中，以便与“测试集-ARIMA预测”图进行数值比较。

　　测试样本输出

　　输出效果如下(输出所有组样本，背景灰色为测试集数据。):

　　抽样输出

　　通过比较“样本输出”图和“测试集-ARIMA预测”图，两者的数据基本准确。

　　本章有很多待完善地方，希望自己可继续改进。另外在选择算法之前需要优先考量数据质量，数据如果污染则严重影响检测方法。

郑重声明：本文由网友发布，不代表盛行IT的观点，版权归原作者所有，仅为传播更多信息之目的，如有侵权请联系，我们将第一时间修改或删除，多谢。