买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

龙图腾网获悉福建理工大学申请的专利一种自监督多尺度云工作负载预测方法及系统获国家发明授权专利权，本发明授权专利权由国家知识产权局授予，授权公告号为：CN120929274B 。

龙图腾网通过国家知识产权局官网在2026-01-23发布的发明授权授权公告中获悉：该发明授权的专利申请号/专利号为：202511449236.8，技术领域涉及：G06F9/50；该发明授权一种自监督多尺度云工作负载预测方法及系统是由姜春茂;孙博设计研发完成，并于2025-10-11向国家知识产权局提交的专利申请。

本一种自监督多尺度云工作负载预测方法及系统在说明书摘要公布了：本发明提供了云计算资源管理技术领域的一种自监督多尺度云工作负载预测方法及系统，方法包括：步骤S1、采集云环境中各物理机工作负载的时间序列数据；步骤S2、对各时间序列数据进行数据增强操作得到增强序列数据；步骤S3、基于多尺度补丁嵌入层以及尺度感知层，构建多尺度编码器；步骤S4、基于增强序列数据对多尺度编码器进行自监督训练；步骤S5、在多尺度编码器中添加预测头，并引入特定尺度的适配器，获取预设数量的标注数据，基于各标注数据对预测头以及适配器的适配器参数进行微调，进而构建云工作负载预测模型；步骤S6、基于云工作负载预测模型进行工作负载预测。本发明的优点在于：在标注数据稀缺情况下，极大的提升了工作负载预测精度。

本发明授权一种自监督多尺度云工作负载预测方法及系统在权利要求书中公布了：1.一种自监督多尺度云工作负载预测方法，其特征在于：包括如下步骤： 步骤S1、采集云环境中各物理机工作负载的时间序列数据，所述时间序列数据至少包括CPU使用率、内存使用量、网络带宽使用量以及磁盘IO速度； 步骤S2、对各所述时间序列数据进行至少包括多尺度时间扭曲、频域混合以及周期模式注入的数据增强操作，得到增强序列数据； 步骤S3、基于多尺度补丁嵌入层以及尺度感知层，构建一用于将所述增强序列数据映射为多尺度时间表示的多尺度编码器； 步骤S4、采用分层对比学习框架，基于所述增强序列数据对多尺度编码器进行自监督训练，训练过程中结合多尺度对比损失以及跨尺度一致性损失； 步骤S5、在自监督训练后的所述多尺度编码器中添加预测头，并引入特定尺度的适配器，获取预设数量的标注数据，基于各所述标注数据对预测头以及适配器的适配器参数进行微调，进而构建一云工作负载预测模型； 步骤S6、基于所述云工作负载预测模型进行工作负载预测； 所述步骤S2中，所述多尺度时间扭曲具体为： 使用离散小波变换将时间序列数据分解为K个尺度分量：； 其中，x表示时间序列数据；表示第K个尺度分量，即第K个尺度的细节系数；表示最粗尺度的近似系数；k表示尺度层级； 对各所述尺度分量进行扭曲：； 其中，表示扭曲后的；表示扭曲强度控制参数，用于确保更细的尺度接受更少的扭曲以保持短期模式；，表示基础扭曲强度；表示扭曲函数； 基于所述以及，构建多尺度时间扭曲后的时间序列数据：； 其中，表示多尺度时间扭曲后的时间序列数据； 所述频域混合具体为： 获取第一时间序列数据以及第二时间序列数据，对所述第一时间序列数据以及第二时间序列数据进行傅里叶变换，得到第一频域表示以及第二频域表示： ；； 其中，表示第一时间序列数据；表示第二时间序列数据；示第一频域表示；表示第二频域表示；示傅里叶变换算子； 识别所述第一时间序列数据以及第二时间序列数据的工作负载的周期性频率集合：； 其中，表示周期性频率集合；表示日周期频率；表示周周期频率；表示月周期频率； 基于混合掩码函数对频率进行混合：； 其中，表示混合掩码函数；表示频率；表示伯努利随机采样；表示随机混合概率； 对所述第一频域表示以及第二频域表示执行频谱增强操作得到混合频域信号：； 其中，表示混合频域信号；表示逐元素乘法； 对所述混合频域信号执行逆傅里叶变换得到频域混合后的时间序列数据；； 其中，表示频域混合后的时间序列数据；示逆傅里叶变换算子； 所述周期模式注入具体为： 基于云环境中工作负载的领域知识，注入合成的周期模式：； 其中，表示t时刻的周期模式；t表示时间序列数据中的时间点位置；表示注入的周期模式数量；表示第i个周期模式的幅度；表示第i个周期模式的频率；表示第i个周期模式的相位；表示时间局部化窗口函数； 基于所述周期模式对时间序列数据执行数据增强操作：； 其中，表示周期模式注入后的时间序列数据；表示周期模式注入强度系数。

如需购买、转让、实施、许可或投资类似专利技术，可联系本专利的申请人或专利权人福建理工大学，其通讯地址为：350000 福建省福州市闽侯县上街镇学府南路69号；或者联系龙图腾网官方客服，联系龙图腾网可拨打电话0551-65771310或微信搜索“龙图腾网”。

以上内容由龙图腾AI智能生成。