本发明涉及能耗预测，更具体地，涉及一种基于胶囊网络的服务器能耗预测方法、装置及介质。
背景技术：
1、随着人工智能、云计算等技术的快速发展，数据中心能提供高性能计算的同时，其高能耗也极大地影响了能源和环境。据相关统计，数据中心将成为全球范围内最大的能源消耗用户，这一比例将从2017年的3％上升到2025年的4.5％。能源消耗贯穿数据中心的整个生命周期，因此数据中心节能研究对于资源的可持续发展具有重要意义。目前，许多研究致力于通过建立高精度的能耗模型来全面评估和定量分析服务器的能耗，以提高数据中心的资源利用率，解决数据中心能耗高、资源利用率低的问题。
2、基于线性回归的模型：文献《zhou z,shojafar m,abawajy j,et al.ecms:anedge intelligent energy efficient model in mobile edge computing[j].ieeetransactions on green communications and networking,2021,6(1):238-247.》利用主成分分析法筛选特征参数，通过多元线性回归方法进行能耗建模。模型主要是捕获线性关系，只适用于单变量的时间序列预测问题，达不到理想的预测精度。
3、机器学习模型：文献《zhou z,shojafar m,alazab m,et al.iecl:anintelligent energy consumption model for cloud manufacturing[j].ieeetransactions on industrial informatics,2022,18(12):8967-8976.》利用网格搜索对超参数进行优化，通过支持向量机对服务器能耗进行实时预测。该方法适用多变量时间序列数据，但只考虑当前时间的特征集合，没有体现时间序列数据中时间的依赖性，同时当数据量变得很多时，其模型学习能力不能随着数据增多而增强，无法获得准确较高的预测结果。
4、深度学习模型：文献《wang j q,du y,wang j.lstm based long-term energyconsumption prediction with periodicity[j].energy,2020,197:117-197.》基于lstm网络预测周期性能耗，首先利用自相关图提取特征，通过相关性分析找到变量作为模型输入，构建lstm网络对时序数据进行建模和预测。自相关图主要关注数据序列内部的相关性，忽略了与其他变量或外部因素之间的相关性。面对时间序列中的依赖关系跨越较长的时间间隔时，lstm网络无法有效地捕捉和保持这些依赖关系，导致预测性能下降。文献《ma x,zhong h,li y,et al.forecasting transportation network speed using deepcapsule networks with nested lstm models[j].ieee transactions on intelligenttransportation systems,2020,22(8):4813-4824.》对复杂交通网络的空间依赖关系和动态时间模式，利用胶囊网络(capsnet)来提取交通网络的空间特征，提出了一种将capsnet与nlstm依次连接起来的网络流量预测框架。
技术实现思路
1、提供了本发明以解决现有技术中存在的上述问题。因此，需要一种基于胶囊网络的服务器能耗预测方法、装置及介质，以最小化服务器的能源消耗，并确保服务器的正常运行。
2、根据本发明的第一方面，提供了一种基于胶囊网络的服务器能耗预测方法，所述方法包括：
3、获取运行状态下的服务器的运行参数；
4、基于小波变换，将所述运行参数分离为低频参数和高频参数；
5、将所述低频参数作为tcn网络的输入，所述高频参数作为胶囊网络体系的输入，胶囊网络体系中，多种不同的高频参数先输入到特征学习子网络中，得到一个输出向量，将所述输出向量作为胶囊处理并根据每个特征进行预测；
6、将tcn网络和胶囊网络体系输出到全连接层进行预测，得到能耗预测结果。
7、进一步地，通过如下方法获取运行状态下的服务器的运行参数：
8、在服务器上布置监控软件，对在运行状态下的服务器进行运行参数的搜集。
9、进一步地，所述胶囊网络体系由多个特征学习子网络和一个胶囊子网络组成。
10、进一步地，多种不同的高频参数输入到一个特征学习子网络中，特征学习子网络由完全连接的层组成，以自动学习信息量更大、层次更高的特征，每个特征向量通过对应的特征学习子网络得到一个输出向量，所述胶囊子网络将所述输出向量作为胶囊处理并根据每个特征进行预测。
11、进一步地，在将tcn网络和胶囊网络体系输出到全连接层进行预测，得到能耗预测结果之后，所述方法还包括：
12、根据所述能耗预测结果调整服务器的配置和资源分配，最小化服务器的能源消耗。
13、根据本发明的第二方面，提供一种基于胶囊网络的服务器能耗预测装置，所述装置包括：
14、参数获取模块，被配置为获取运行状态下的服务器的运行参数；
15、参数变换模块，被配置为基于小波变换，将所述运行参数分离为低频参数和高频参数；
16、参数处理模块，被配置为将所述低频参数作为tcn网络的输入，所述高频参数作为胶囊网络体系的输入，胶囊网络体系中，多种不同的高频参数先输入到特征学习子网络中，得到一个输出向量，将所述输出向量作为胶囊处理并根据每个特征进行预测；
17、能耗预测模块，被配置为将tcn网络和胶囊网络体系输出到全连接层进行预测，得到能耗预测结果。
18、进一步地，所述参数获取模块被进一步配置为在服务器上布置监控软件，对在运行状态下的服务器进行运行参数的搜集。
19、进一步地，所述胶囊网络体系由多个特征学习子网络和一个胶囊子网络组成，所述参数处理模块被进一步配置为将多种不同的高频参数输入到一个特征学习子网络中，特征学习子网络由完全连接的层组成，以自动学习信息量更大、层次更高的特征，每个特征向量通过对应的特征学习子网络得到一个输出向量，通过所述胶囊子网络将所述输出向量作为胶囊处理并根据每个特征进行预测。
20、进一步地，所述装置还包括调整模块，所述调整模块被进一步配置为：
21、根据所述能耗预测结果调整服务器的配置和资源分配，最小化服务器的能源消耗。
22、根据本发明的第三方面，提供一种可读存储介质，所述可读存储介质存储有一个或者多个程序，所述一个或者多个程序可被一个或者多个处理器执行，以实现如上所述的方法。
23、本发明至少具有以下有益效果：
24、1、根据服务器多种不同运行状态下序列数据的不同特征，使用小波变换分离低频参数和高频参数，关注能耗过程中所有特征参数，更好地捕捉数据的变化趋势，提高预测准确率。
25、2、对于低频参数和高频参数选择不同的深度学习模型进行训练，解决单一模型自适应问题。
26、3、单一模型难以捕捉高频参数复杂的非线性变化特征，构建的胶囊网络体系通过动态路由算法不断更新权重，能保留数据特征参数的位置关系进行预测。
1.一种基于胶囊网络的服务器能耗预测方法，其特征在于，所述方法包括：
2.根据权利要求1所述的方法，其特征在于，通过如下方法获取运行状态下的服务器的运行参数：
3.根据权利要求1所述的方法，其特征在于，所述胶囊网络体系由多个特征学习子网络和一个胶囊子网络组成。
4.根据权利要求3所述的方法，其特征在于，多种不同的高频参数输入到一个特征学习子网络中，特征学习子网络由完全连接的层组成，以自动学习信息量更大、层次更高的特征，每个特征向量通过对应的特征学习子网络得到一个输出向量，所述胶囊子网络将所述输出向量作为胶囊处理并根据每个特征进行预测。
5.根据权利要求1所述的方法，其特征在于，在将tcn网络和胶囊网络体系输出到全连接层进行预测，得到能耗预测结果之后，所述方法还包括：
6.一种基于胶囊网络的服务器能耗预测装置，其特征在于，所述装置包括：
7.根据权利要求6所述的装置，其特征在于，所述参数获取模块被进一步配置为在服务器上布置监控软件，对在运行状态下的服务器进行运行参数的搜集。
8.根据权利要求6所述的装置，其特征在于，所述胶囊网络体系由多个特征学习子网络和一个胶囊子网络组成，所述参数处理模块被进一步配置为将多种不同的高频参数输入到一个特征学习子网络中，特征学习子网络由完全连接的层组成，以自动学习信息量更大、层次更高的特征，每个特征向量通过对应的特征学习子网络得到一个输出向量，通过所述胶囊子网络将所述输出向量作为胶囊处理并根据每个特征进行预测。
9.根据权利要求8所述的装置，其特征在于，所述装置还包括调整模块，所述调整模块被进一步配置为：
10.一种存储有指令的非暂时性计算机可读存储介质，当所述指令由处理器执行时，执行根据权利要求1至5中任一项所述的方法。
