負載預測方法與電子裝置制造方法
【專利摘要】本發(fā)明提出一種負載預測方法與電子裝置。在本發(fā)明中，分別在多個時間周期記錄電子裝置的多個資源負載記錄。將每一個時間周期劃分為多個時間區(qū)段，使得每一個資源負載記錄劃分成多個數據片段。對每一個時間區(qū)段在上述時間周期內的數據片段進行群集分析，以將每一個時間區(qū)段內的數據片段分群成多個群集。自每一個時間區(qū)段內的群集中，選取筆數最多的其中之一群集。計算被選擇的群集所包括的數據片段的平均值，以作為每一個時間區(qū)段的預測值。
【專利說明】負載預測方法與電子裝置
【技術領域】
[0001]本發(fā)明是有關于一種資源管理技術，且特別是有關于一種負載預測方法與電子裝置。
【背景技術】
[0002]隨著計算機運算能力的進步，生活中無時無刻都在累積大量信息，例如使用者消費行為信息、路況信息、感測數據等。面對如此大量的數據，運用云端運算的能力來分析大量數據扮演著愈來愈重要的角色。許多提供運算能力的云端服務提供者因應而生，例如著名的云端服務提供者 Amazon Elastic Compute Cloud (Amazon EC2)。Amazon EC2 是一種網絡服務，其主要功能是在云端運算平臺上提供各種規(guī)模的計算能力，提供開發(fā)人員一個便利的運算環(huán)境來執(zhí)行大規(guī)模的運算。
[0003]然而，上述云端運算平臺的系統(tǒng)資源配置方式，實際上并不能完全符合使用者的需求，例如系統(tǒng)資源無法被充分運用等。因此為了提升使用者的滿意度以及云端運算平臺的整體運算效能，通常會在云端運算平臺中，建構動態(tài)資源管理機制，以有效地調配資源給所有使用者。
[0004]目前的資源管理機制例如是透過負載預測(Load prediction)的方式來達成,其中常見的負載預測方法例如是回歸分析方法與類神經網絡方法?；貧w分析方法是根據歷史數據來找出最接近數據的多項式，但由于一般回歸分析方法會使用多維數據來進行分析，且需要記錄各種數據來增加準確度，因此需要耗費電腦系統(tǒng)較大的儲存空間與系統(tǒng)資源。此外，類神經網絡(Artificial Neural Network, ANN)則會不斷修正預測模型,且必須根據已修正的預測模型來預測下一時間點上負載的預測值，因此亦不適合拿來進行長時間后的負載預測。
[0005]承上述，如何有效地調配系統(tǒng)中的資源配置，儼然已成為制造者亟欲解決的問題
之一 O

【發(fā)明內容】

[0006]本發(fā)明提供一種負載預測方法與電子裝置，其可有效地預測電子裝置的資源負載記錄，而提升電子裝置的工作效能。
[0007]本發(fā)明提出一種負載預測方法，用于電子裝置。在負載預測方法中，分別在多個時間周期記錄多個資源負載記錄。將每一個時間周期劃分為多個時間區(qū)段，使得每一所述資源負載記錄劃分成多個數據片段。對每一個時間區(qū)段在所述時間周期內的所述數據片段進行群集分析(Clustering analysis),以將每一個時間區(qū)段內的所述數據片段分群成多個群集。自每一個時間區(qū)段內的所述群集中，選取筆數最多的其中的一群集。計算被選擇的群集所包括的數據片段的平均值，以作為每一個時間區(qū)段的預測值。
[0008]在本發(fā)明的一實施例中，上述的負載預測方法，更包括接收預測時間點，以及在所述時間區(qū)段中選擇預測時間點對應的其中一時間區(qū)段，而獲得被選擇的時間區(qū)段的預測值。
[0009]在本發(fā)明的一實施例中，上述在分別在所述時間周期記錄電子裝置的所述資源負載記錄的步驟中，包括在每一個時間周期中，依據一取樣速率取得所述資源負載記錄。因此，每一筆資源負載記錄包括多個資源使用量。
[0010]在本發(fā)明的一實施例中，上述在對每一個時間區(qū)段在所述時間周期內的所述數據片段進行群集分析的步驟中，包括計算每一個時間區(qū)段內的各數據片段之間的相似度，并依據相似度進行群集分析。
[0011]本發(fā)明提出一種電子裝置，其包括記錄模塊、劃分模塊、分群模塊、選擇模塊以及計算模塊。記錄模塊分別在多個時間周期記錄電子裝置的多個資源負載記錄。劃分模塊將每一個時間周期劃分為多個時間區(qū)段，使得每一所述資源負載記錄劃分成多個數據片段。分群模塊對每一個時間區(qū)段在所述時間周期內的所述數據片段進行群集分析，用以將每一個時間區(qū)段內的所述數據片段分群成多個群集。選擇模塊自每一個時間區(qū)段內的所述群集中，選取筆數最多的其中的一群集。計算模塊用以計算被選擇的群集所包括的數據片段的平均值，以作為每一個時間區(qū)段的預測值。
[0012]在本發(fā)明的一實施例中，上述的電子裝置更包括接收模塊以及預測模塊。接收模塊接收預測時間點。預測模塊耦接于接收模塊，以在所述時間區(qū)段中選擇預測時間點對應的其中一時間區(qū)段，而獲得被選擇的時間區(qū)段的預測值。
[0013]在本發(fā)明的一實施例中，上述的記錄模塊在每一個時間周期中，依據一取樣速率取得一資源負載記錄。
[0014]在本發(fā)明的一實施例中，上述的分群模塊計算每一個時間區(qū)段內的各數據片段之間的相似度，并依據相似度進行群集分析。
[0015]本發(fā)明提出一種負載預測方法，用于電子裝置。在負載預測方法中，分別在多個時間周期記錄電子裝置的多個資源負載記錄。將每一個時間周期劃分為多個時間區(qū)段，使得每一所述歷史資源負載記錄劃分成多個數據片段。接收預測時間點。在所述時間區(qū)段中選擇預測時間點對應的其中一預測時間區(qū)段。對預測時間區(qū)段在所述時間周期內的所述數據片段進行群集分析，以將所述數據片段分群成多個群集。自所述群集中，選取筆數最多的其中之一群集。計算被選擇的群集所包括的數據片段的平均值，以作為預測時間點的預測值。
[0016]本發(fā)明提出一種電子裝置，其包括記錄模塊、劃分模塊、接收模塊、預測模塊、分群模塊、選擇模塊以及計算模塊。記錄模塊分別在多個時間周期記錄電子裝置的多個資源負載記錄。劃分模塊將每一個時間周期劃分為多個時間區(qū)段，使得每一所述歷史資源負載記錄劃分成多個數據片段。接收模塊接收一預測時間點。預測模塊在所述時間區(qū)段中選擇預測時間點對應的其中一預測時間區(qū)段。分群模塊對預測時間區(qū)段在所述時間周期內的所述數據片段進行群集分析，以將所述數據片段分群成多個群集。選擇模塊自所述群集中，選取筆數最多的其中之一群集。計算模塊計算被選擇的群集所包括的數據片段的平均值，以作為預測時間點的預測值。
[0017]基于上述，本負載預測方法會根據電子裝置在多個時間周期被記錄的多個資源負載記錄，來預測在預測時間點時的資源負載記錄。其中，會將每一個時間周期分成多個時間區(qū)段，并分別在各時間區(qū)段中選取大部分所記錄的資源負載記錄的平均值以作為各時間區(qū)段的資源負載記錄的預測值。據此，可有效地預測資源負載記錄發(fā)生在未來時間點上的預測值，并可依據此預測值來調整電子裝置中的資源使用分配，而達到提升工作效能的目地?！緦＠綀D】

【附圖說明】
[0018]為讓本發(fā)明的上述目的、特征和優(yōu)點能更明顯易懂，以下結合附圖對本發(fā)明的【具體實施方式】作詳細說明，其中:
[0019]圖1是依照本發(fā)明第一實施例所繪示的負載預測方法的流程圖。
[0020]圖2是依照本發(fā)明第二實施例所繪示的負載預測方法的流程圖。
[0021]圖3A是依照本發(fā)明第三實施例所繪示的電子裝置的方塊圖。
[0022]圖3B是依照本發(fā)明第四實施例所繪示的電子裝置的方塊圖。
[0023]主要元件符號說明:
[0024]300、300’:電子裝置
[0025]302:記錄模塊
[0026]304:劃分模塊
[0027]306:分群模塊
[0028]308:選擇模塊
[0029]310:計算模塊
[0030]312:接收模塊
[0031]314:預測模塊
[0032]S102?S110、S202?S214:負載預測方法的各步驟【具體實施方式】
[0033]本發(fā)明提供一種負載預測方法與電子裝置，可有效地預測電子裝置的資源負載記錄。為了使本發(fā)明的內容更容易明了，以下特舉諸實施例作為本發(fā)明確實能夠據以實施的范例。
[0034]第一實施例
[0035]圖1是依照本發(fā)明第一實施例所繪示的負載預測方法的流程圖。本實施例中的負載預測方法，適用于電子裝置，其中電子裝置具有處理單元，而可利用處理單元執(zhí)行儲存于儲存單元中的多個程序碼片段，借以來實現下列負載預測方法的各步驟。
[0036]請參照圖1，于步驟S102中，處理單元分別在多個時間周期記錄多個資源負載記錄。具體來說，例如處理單元以每隔d分鐘(d為正整數)作為取樣速率，以在多個時間點分別擷取一資源使用量。也就是說，每一筆資源負載記錄皆包括多筆資源使用量。舉例而言，假設時間周期為24小時，且假設處理單元以每隔2分鐘來取得每一筆資源負載記錄，則每一筆資源負載記錄包括720筆的資源使用量。
[0037]換言之，處理單元會依據取樣速率在每個時間周期內取得多筆資源使用量，并記錄為資源負載記錄。也就是說，每個時間周期皆具有對應的一筆資源負載記錄。假設時間周期為I天，則每天皆會記錄有一筆資源負載記錄，即當天的歷史記錄。
[0038]之后，于步驟S104中，處理單元會將每一個時間周期劃分為多個時間區(qū)段，使得每一筆資源負載記錄劃分成多個數據片段。舉例來說，假設時間周期為一天，且處理單元將一天分成4個時間區(qū)段，則每一個時間區(qū)段的時間為6小時，即，將每一天的資源負載記錄劃分為0:00-6:00,6:00-12:00、12:00-18:00以及18:00-24:00等六個數據片段。以取樣速率為2分鐘為例，每一個數據片段中皆分別包括有I 80筆資源使用量。另外，在每個時間區(qū)段會包括多個時間周期在該時間區(qū)段的數據片段。以10筆資源負載記錄而言，即10天的歷史記錄，在時間區(qū)段6:00-12:00會包括10筆數據片段，也就是這10天中在6:00-12:00的數據片段。其余亦以此類推。
[0039]于步驟S106中，處理單元會對每一個時間區(qū)段在上述時間周期內的數據片段進行群集分析，以將每一個時間區(qū)段內的數據片段分群成多個群集。詳細而言，處理單元在進行群集分析時，可在每一個時間區(qū)段內的各數據片段中，計算在相同時間點所取得的資源負載記錄之間的距離總和，據以利用此距離總和計算出在每一個時間區(qū)段內的各數據片段之間的一相似度，并將具有較大相似度的數據片段分成同一群集，其中處理單元利如是透過序列間編輯距離(Edit Distance on Real sequence, EDR)演算法、最長共同子序列(Longest Common Subsequence, LCS)演算法、實補償編輯距離(Edit distance with RealPenalty, ERP)演算法或動態(tài)時間校正(Dynamic Time Warping, DTW)演算法等,不限于上述，但本實施例的處理單元透過EDR演算法來計算相似度為較佳。
[0040]另外，上述群集分析例如是透過k均值聚類(K-means)分群法、空間聚演算法(Density-Based Spatial Clustering of Applications with Noise, DBScan)、或是透過階層式分群法(Hierarchical clustering),以將每一時間周期各時間區(qū)段中的數據片段分成多個群集。本實施例以k均值聚類(K-means)分群法為較佳，但本實施例并不限制群集分析的方法。
[0041]接著，于步驟S I 08中，處理單元會自每一個時間區(qū)段內的群集中，選取筆數最多的其中之一群集。
[0042]并且，于步驟SllO中，處理單元會計算被選擇的群集所包括的數據片段的平均值，以作為每一個時間區(qū)段的預測值。亦即，處理單元會將被選擇的群集所包括的數據片段中的資源負載記錄取平均，并求出此群集的平均值來做為預測時間點的資源負載記錄。
[0043]基于上述，本實施例可利用電子裝置在多個時間周期所記錄的多個資源負載記錄，來預測電子裝置在預測時間點時的資源負載記錄。其中，電子裝置可借由群組分析的計算，來預測資源負載記錄，借以在每一個時間區(qū)段內，選取大部分所記錄的資源負載記錄的平均值以作為每一個時間區(qū)段的資源負載記錄的預測值。據此，可有效地預測資源負載記錄在不同時間區(qū)段中的預測值，并可依據此預測值來調整電子裝置中的資源使用分配，而達到提升工作效能的目地。
[0044]以云端伺服系統(tǒng)而言，電子裝置例如為云端伺服系統(tǒng)中的其中一個節(jié)點裝置(為一實體裝置)。上述資源負載記錄例如為云端伺服系統(tǒng)中的伺服節(jié)點裝置或計算節(jié)點裝置或者上述兩者統(tǒng)計而得的資源負載記錄。電子裝置可依據所獲得的預測值來決定所要啟動的節(jié)點裝置數量。例如，倘若某一時間區(qū)段的預測值低于所設定的值，表示在該時間區(qū)段的資源使用量并不會太高，因此為了省電，可在該時間區(qū)段中停止部分節(jié)點裝置的運轉。另一方面，倘若預測值高于所設定的值，表示在該時間區(qū)段的資源使用量很大，因此在該時間區(qū)段中啟動所有節(jié)點裝置的運轉。然，在此僅為舉例說明，并不以此為限。
[0045]另外，本實施例還可接收一預測時間點，以對此預測時間點的資源負載記錄中的資源使用量。為了詳細說明本實施例的負載預測方法，底下再舉一實施例。[0046]第二實施例
[0047]圖2是依照本發(fā)明第二實施例所繪示的負載預測方法的流程圖，其中亦可利用處理單元執(zhí)行多個程序工具，借以實現本實施例的負載預測方法。本實施例的負載預測方法與第一實施例相似，而在本實施例中，處理單元會根據預測時間點，以求出在預測時間點所預測的資源負載記錄。
[0048]請參照圖2，于步驟S202中，處理單元會分別在多個時間周期記錄多個資源負載記錄。于步驟S204中，處理單元會將每一個時間周期劃分為多個時間區(qū)段，使得每一所述資源負載記錄劃分成多個數據片段。上述步驟步驟S202?S204均與第一實施例的步驟S102?S104相同或相似，故其詳細內容在此不再贅述。
[0049]在此，于步驟S206中，處理單元會接收預測時間點，其中預測時間點于時間軸上大于目前時間點，亦即，預測時間點是發(fā)生在未來的時間點。也就是說，電子裝置提供一介面讓使用者能夠直接輸入預測時間點。
[0050]并且，于步驟S208中，處理單元會在所述時間區(qū)段中選擇預測時間點對應的其中一預測時間區(qū)段。也就是說，處理單元會選擇包括此預測時間點的時間區(qū)段為預測時間區(qū)段。
[0051]接著，于步驟S210中，處理單元會對預測時間區(qū)段在所述時間周期內的數據片段進行群集分析，以將所述數據片段分群成多個群集。其中，關于處理單元進行群集分析的詳細說明，可參照圖1的步驟S106以及相關段落，故于此不再詳述。而于步驟S212中，處理單元會自上述處理單元所分成的所述群集中，選取筆數最多的其中之一群集，以及于步驟S214中，處理單元會計算被選擇的群集所包括的數據片段的平均值，以作為預測時間點的預測值。上述步驟S212飛214可參照第一實施例的步驟SlOfSllO的說明。也就是說，本實施例的處理單元會利用預測時間點的預測時間區(qū)段，并根據預測時間區(qū)段中的數據片段進行群集分析之后所求出的預測值，來獲得被選擇的時間區(qū)段的預測值。
[0052]舉例來說，以30筆資源負載記錄，時間周期為I天，每天所劃分為6個時間區(qū)段(0:00-4:00,4:00-8:00,8:00-12:00、12:00-16:00,16:00-20:00,20:00-24:00)為例，假設預測時間點為3:00，則所選擇出的預測時間區(qū)段為0:00-4:00。據此，在30筆資源負載記錄中取出預測時間區(qū)段0:00-4:00的數據片段(30筆)，對此30筆數據片段進行群集分析。假設獲得群集A、群集B及群集C，其分別包括10筆、15筆及5筆的數據片段。據此，取出具有15筆數據片段對應的群集C。之后，計算群集C的15筆數據片段的平均值?；蛘撸瑑H計算群集C在預測時間點3:00的平均值作為預測值，
[0053]需說明的是，本實施例并不限制上述步驟S206的順序，例如，處理單元亦可在執(zhí)行步驟S202以前接收預測時間點。或者，處理單元亦可在計算出上述各時間區(qū)段的預測值之后，接收預測時間點，并根據預測時間點所對應的預測時間區(qū)段以求出預測時間點的預測值?；蛘?，處理單元亦可根據預測時間點，在上述時間區(qū)段中選擇預測時間點對應的其中一時間區(qū)段為預測時間區(qū)段之后，來對此預測時間區(qū)段中的數據片段進行群集分析，而獲得預測時間區(qū)段的預測值。
[0054]針對上述負載預測方法，本發(fā)明亦提供對應的電子裝置，使得此方法可應用在云端伺服系統(tǒng)的節(jié)點裝置、個人電腦、筆記型電腦、平板電腦、個人數字助理(PersonalDigital Assistant, PDA)、服務器、手機等硬件裝置上，以下則再舉一實施例詳細說明。[0055]第三實施例
[0056]圖3A是依照本發(fā)明第三實施例所繪示的電子裝置的方塊圖。請參照圖3A，電子裝置300例如是云端伺服系統(tǒng)的節(jié)點裝置、個人電腦、筆記本電腦、平板電腦、個人數字助理、服務器、手機等電子裝置等，本發(fā)明并不對電子裝置300的種類加以限制。電子裝置300包括記錄模塊302、劃分模塊304、分群模塊306、選擇模塊308以及計算模塊310。上述元件的功能分述如下。
[0057]記錄模塊302用以記錄電子裝置300的多個資源負載記錄，即歷史記錄。上述資源負載記錄例如是中央處理單元(Central Processing Unit, CPU)的使用率、存儲器使用率、分頁檔(Page File，PF)使用量或網絡使用量等，不限于上述。此外，記錄模塊302可依據使用者所設定的記錄時間來記錄的資源負載記錄，其中記錄時間例如是一周或數周的時間、一個或多個月的時間等等，本實施例不限制記錄時間的長度。也就是說，在上述記錄時間中，記錄模塊302可依照電子裝置300在不同的應用需求與操作環(huán)境中的資源使用情況，而取得不同的資源負載記錄。
[0058]舉例來說，當電子裝置300進入進階組態(tài)與電源接口(Advanced Configurationand Power Interface,簡稱ACPI)的睡眠(Sleep)模式或休眠(Hibernate)模式時，由于電子裝置300會維持在較低效能的工作運作，因此記錄模塊302可記錄到較低的資源使用量。另一方面，當電子裝置300進入正常工作模式時，例如，電子裝置300執(zhí)行軟件、應用程序或其他執(zhí)行程序的時候，由于電子裝置300會維持在較高效能的工作運作，因此記錄模塊302可記錄到較高的資源使用量。
[0059]另外，以云端伺服系統(tǒng)而言，電子裝置300例如為云端伺服系統(tǒng)中的其中一個節(jié)點裝置(為一實體裝置)。上述資源負載記錄例如為云端伺服系統(tǒng)中的伺服節(jié)點裝置或計算節(jié)點裝置或者上述兩者統(tǒng)計而得的資源負載記錄。而倘若有較多個使用者同時連線至云端伺服系統(tǒng)來使用，則會記錄到較高的資源使用量。另一方面，若較少使用者在使用云端伺服系統(tǒng)，則會記錄到較低的資源使用量。
[0060]劃分模塊304用以執(zhí)行上述步驟S204，即，將每一時間周期劃分為多個時間區(qū)段，使得每一時間周期中的資源負載記錄劃分成多個數據片段。分群模塊306用以執(zhí)行上述步驟S210，即，群集分析的運算。選擇模塊308用以執(zhí)行上述步驟S212，即，在多個群集中選擇其中之一群集。。計算模塊310用以執(zhí)行上述步驟S214，計算資源負載記錄的平均值。
[0061]在此說明的是，本實施例的記錄模塊302、劃分模塊304、分群模塊306、選擇模塊308以及計算模塊310分別為由一個或數個邏輯閘組合而成的硬件電路來實作。
[0062]或者，在本發(fā)明另一實施例中，記錄模塊302、劃分模塊304、分群模塊306、選擇模塊308以及計算模塊310可以是以電腦程序碼來實作。舉例來說，記錄模塊302、劃分模塊304、分群模塊306、選擇模塊308以及計算模塊310例如是由程序語言所撰寫的程序碼片段來實作于應用程序、操作系統(tǒng)或驅動程序等，而所述程序碼片段儲存在儲存單元中，并借由處理單元來執(zhí)行的。
[0063]另外值得一提的是，在其他實施例中，電子裝置300還包括處理單元與儲存單元，而處理單元分別耦接至記錄模塊302、劃分模塊304、分群模塊306、選擇模塊308以及計算模塊310，借以驅動上述各模塊，上述各模塊透過處理單元的控制來協同完成上述功能。
[0064]進一步而言，上述處理單元為具備運算能力的硬件(例如芯片組、處理器等)，用以控制電子裝置300的整體運作。處理單元例如是中央處理單元(Central Processing Unit,CPU),或是其他可編程的微處理器(Microprocessor)、數字信號處理器(Digital SignalProcessor, DSP)、可編程控制器、特殊應用集成電路(Application Specific IntegratedCircuits, ASIC)、可編程邏輯裝置(Programmable Logic Device, PLD)或其他類似裝置。
[0065]此外，上述儲存單元可以是內嵌式儲存單元或外接式儲存單元。內嵌式儲存單?？蔀殡S機存取存儲器(Random Access Memory, RAM)、唯讀存儲器(Read-Only Memory,ROM)、快閃存儲器(Flash memory)、磁盤儲存裝置(Magnetic disk storage device)等。外接式儲存單元可為小型快閃(Compact Flash, CF)存儲卡、安全數字(Secure Digital, SD)存儲卡、微安全數字(Micro SD)存儲卡、記憶棒(Memory Stick，MS)等。在本實施例中，儲存單元可儲存一或多個用來執(zhí)行負載預測方法的程序碼以及數據(例如，記錄模塊302所記錄的所述資源負載記錄、門檻值等)等。
[0066]為了使本領域的技術人員進一步了解本實施例的負載預測方法以及使用此方法的電子裝置，以下再舉一實施例進行詳細的說明。
[0067]第四實施例
[0068]圖3B是依照本發(fā)明第四實施例所繪示的電子裝置的方塊圖。請同時參照圖3A與圖3B，圖3B中的電子裝置300’與圖3A中的電子裝置300相似，其差異處在于:在圖3B中，電子裝置300’更包括接收模塊312以及預測模塊314。這些模塊的功能分述如下。
[0069]接收模塊312用以接收預測時間點，其中預測時間點在時間軸上大于目前時間點。也就是說，本實施例可預測在此預測時間點時的資源負載記錄。此外，接收模塊312可依據使用者所設定的時間點來做為預測時間點。預測模塊314會在時間周期中，選擇與預測時間點相符合的時間區(qū)段。也就是說，預測模塊314會根據接收模塊312所接收的預測時間點，而在所述時間區(qū)段中選擇預測時間點對應的其中一，以做為預測時間區(qū)段。
[0070]此外，接收模塊312以及預測模塊314亦可以是由程序語言所撰寫的程序碼或是為獨立的芯 片。另外，圖3B中的電子裝置300’的其他構件的材料、配置關系、用途與功效等與圖3A中的電子裝置300的構件相似，故于此不再贅述。
[0071]第五實施例
[0072]為了使本領域的技術人員進一步了解本實施例的負載預測方法以及使用此方法的電子裝置，底下再舉一實施例說明，其中，仍搭配圖3B的電子裝置300’來進行說明。
[0073]在本實施例中，假設記錄模塊302以一天為一個時間周期，且每隔2分鐘記錄每一筆資源負載記錄，而記錄了 5月I日到5月14日之間電子裝置300’的14筆資源負載記錄。也就是說，記錄模塊302在所記錄的14個時間周期中(底下以時間周期T1~T14表示),記錄了 I 0080筆資源使用量。并且，假設接收模塊312所接收到的預測時間點為5月15日上午10點，而目前時間點為5月15日上午6點。
[0074]首先，劃分模塊304會將每一時間周期ΤΤ14劃分為多個時間區(qū)段，使得每一時間周期Tf Τ14中的所述資源負載記錄劃分成多個數據片段。
[0075]需說明的是，在本實施例中，假設劃分模塊304將時間周期ΤΤ14分別劃分為4個時間區(qū)段(底下以時間區(qū)段TSf TS4表示)。亦即，以每一個時間周期(即，一天)會被劃分模塊304劃分為4個時間區(qū)段，其中每一個區(qū)段的時間為6小時。更具體來說，在每一個時間周期中的午夜O點到早上6點之間為時間區(qū)段TS1，每一個時間周期中的早上6點到中午12點之間為時間區(qū)段TS2，每一個時間周期中的中午12點到晚上18點之間為時間區(qū)段TS3，而每一個時間周期中的晚上18點到晚上12點之間為時間區(qū)段TS4。
[0076]接著，預測模塊314會在時間區(qū)段TSf TS4中選擇預測時間點對應的其中一預測時間區(qū)段。在此，由于預測時間點為5月15日上午10點系對應于每一時間周期的時間區(qū)段S2，因此預測模塊314會選擇時間區(qū)段S2為預測時間區(qū)段(底下以預測時間區(qū)段Q表示)。
[0077]進一步而言，分群模塊306會對預測時間區(qū)段Q在時間周期Tf T14中，記錄模塊302所記錄的數據片段進行群集分析。在此，假設分群模塊306依據K-means群集分析將數據片段分成5個群集(底下以群集Cf C5表示)，并假設群集C3具有筆數最多的數據片段，則選擇模塊308會在群集Cf C5中選取群集C3。接著，計算模塊310會計算群集C3所包括在時間周期Tf T14中的數據片段的平均值，以作為預測時間點(即5月15日上午9點)的預測值，據以將此預測值來做為預測的資源負載記錄。
[0078]在本實施例中，電子裝置300’會根據所接收的預測時間點，并在預測時間點對應的預測時間區(qū)段中，選取大部分所記錄的資源負載記錄的平均值以作為預測時間點的資源負載記錄的預測值。如此一來，電子裝置300’可有效地依據此預測值來預測在未來時間點上的資源負載記錄。
[0079]綜上所述，本發(fā)明實施例的負載預測方法與電子裝置，電子裝置會利用在多個時間周期被記錄的多個資源負載記錄，來預測在預測時間點時的資源負載記錄。其中，電子裝置會將每一個時間周期分成多個時間區(qū)段，并分別在各時間區(qū)段中選取大部分所記錄的資源負載記錄的平均值以作為各時間區(qū)段的資源負載記錄的預測值。因此，當電子裝置欲對一預測時間點的資源負載記錄進行預測時，可選取對應于此預測時間點的時間區(qū)段，而獲得此預測時間點上資源負載記錄的預測值。借此，電子裝置可根據所記錄的資源負載記錄，來預測在不同應用需求與操作環(huán)境中的資源使用情況，以計算出在資源負載記錄在預測時間點上的預測值。如此一來，電子裝置可據以根據此預測值來調整資源使用分配，以避免電子裝置發(fā)生負載不均的情形，進而提升電子裝置的工作效能。
[0080]雖然本發(fā)明已以較佳實施例揭示如上，然其并非用以限定本發(fā)明，任何本領域技術人員，在不脫離本發(fā)明的精神和范圍內，當可作些許的修改和完善，因此本發(fā)明的保護范圍當以權利要求書所界定的為準。
【權利要求】
1.一種負載預測方法，用于一電子裝置，該方法包括: 分別在多個時間周期記錄多個資源負載記錄； 將每一所述時間周期劃分為多個時間區(qū)段，使得每一所述資源負載記錄劃分成多個數據片段； 對每一所述時間區(qū)段在所述時間周期內的所述數據片段進行一群集分析，以將每一所述時間區(qū)段內的所述數據片段分群成多個群集； 自每一所述時間區(qū)段內的所述群集中，選取筆數最多的其中之一群集；以及計算該被選擇的群集所包括的所述數據片段的平均值，以作為每一所述時間區(qū)段的預測值。
2.如權利要求1所述的負載預測方法，還包括: 接收一預測時間點；以及 在所述時間區(qū)段中選擇該預測時間點對應的其中一時間區(qū)段，而獲得被選擇的該時間區(qū)段的預測值。
3.如權利要求1所述的負載預測方法，其特征在于，在分別在所述時間周期記錄該電子裝置的所述資源負載記錄包括: 在每一所述時間周期中，依據一取樣速率取得多個資源使用量，其中每一所述資源負載記錄包括在每一所述時間周期中所獲得的所述資源使用量。
4.如權利要求1所述的負載預測方法，其特征在于，在對每一所述時間區(qū)段在所述時間周期內的所述數據片段進行該群集分析的步驟包括: 計算每一所述時間區(qū)段內的各該數據片段之間的一相似度，并依據該相似度進行該群集分析。
5.一種電子裝置，包括: 一記錄模塊，分別在多個時間周期記錄多個資源負載記錄； 一劃分模塊，將每一所述時間周期劃分為多個時間區(qū)段，使得每一所述資源負載記錄劃分成多個數據片段； 一分群模塊，對每一所述時間區(qū)段在所述時間周期內的所述數據片段進行一群集分析，以將每一所述時間區(qū)段內的所述數據片段分群成多個群集； 一選擇模塊，自每一所述時間區(qū)段內的所述群集中，選取筆數最多的其中之一群集；以及 一計算模塊，計算該被選擇的群集所包括的所述數據片段的平均值，以作為每一所述時間區(qū)段的預測值。
6.如權利要求5所述的電子裝置，還包括: 一接收模塊，接收一預測時間點，以及 一預測模塊，在所述時間區(qū)段中選擇該預測時間點對應的其中一時間區(qū)段，而獲得被選擇的該時間區(qū)段的預測值。
7.如權利要求5所述的電子裝置，其特征在于，該記錄模塊在每一所述時間周期中，依據一取樣速率取得多個資源使用量，其中每一所述資源負載記錄包括在每一所述時間周期中所獲得的所述資源使用量。
8.如權利要求5所述的電子裝置，其特征在于，該分群模塊計算每一所述時間區(qū)段內的各該數據片段之間的一相似度，并依據該相似度進行該群集分析。
9.一種負載預測方法，用于一電子裝置，該方法包括: 分別在多個時間周期記錄該電子裝置的多個資源負載記錄； 將每一所述時間周期劃分為多個時間區(qū)段，使得每一所述歷史資源負載記錄劃分成多個數據片段； 接收一預測時間點； 在所述時間區(qū)段中選擇該預測時間點對應的其中一預測時間區(qū)段； 對該預測時間區(qū)段在所述時間周期內的所述數據片段進行一群集分析，以將所述數據片段分群成多個群集； 自所述群集中， 選取筆數最多的其中之一群集；以及 計算該被選擇的群集所包括的所述數據片段的平均值，以作為該預測時間點的預測值。
10.一種電子裝置，包括: 一記錄模塊，分別在多個時間周期記錄該電子裝置的多個資源負載記錄； 一劃分模塊，將每一所述時間周期劃分為多個時間區(qū)段，使得每一所述歷史資源負載記錄劃分成多個數據片段； 一接收模塊，接收一預測時間點； 一預測模塊，在所述時間區(qū)段中選擇該預測時間點對應的其中一預測時間區(qū)段； 一分群模塊，對該預測時間區(qū)段在所述時間周期內的所述數據片段進行一群集分析，以將所述數據片段分群成多個群集； 一選擇模塊，自所述群集中，選取筆數最多的其中之一群集；以及一計算模塊，計算該被選擇的群集所包括的所述數據片段的平均值，以作為該預測時間點的預測值。
【文檔編號】H04L29/08GK103795558SQ201210428291
【公開日】2014年5月14日 申請日期:2012年10月31日 優(yōu)先權日:2012年10月31日
【發(fā)明者】黃柏崴, 王堃瑋, 彭文志, 李仲智, 劉得彥 申請人:英業(yè)達科技有限公司, 英業(yè)達股份有限公司