丁 尹，桑 楠，李晓瑜*，吴飞舟

（1.电子科技大学信息与软件工程学院，成都 610054；2.北京思特奇信息技术股份有限公司，北京 100046）

0 引言

物联网和虚拟化等技术的不断发展促进电信业务量和业务种类不断增加。业务服务器数量的快速增长，使得电信运维也面临不可避免的优化升级。容量可以理解为预先分配给特定应用系统的资源上限，比如CPU（Central Processing Unit）、内存、磁盘、网络带宽等，应用系统运行是否顺畅受容量配置的影响［1］。当前大多数情况下，企业依靠经验或者专家建议手动从基础架构中管理、更新、添加或者删除物理/虚拟服务器。面对如今快速增长的服务器数量，容量管理变得日益重要，传统运维已经出现瓶颈。大量的服务器会产生海量的性能监测数据，为了更有效地管理和利用这些数据，电信运维行业提出智能运维（Artificial Intelligence for IT Operations，AIOps）系统。通过分析历史性能数据，预测未来的性能趋势，为运维人员提供参考，从而避免系统容量风险，实现系统经济、平稳运行。容量管理的一个重要内容就是通过对未来容量资源进行预测以帮助合理分配资源，减少资源冗余。

近年来，越来越多的研究人员开始从事对云计算数据中心历史容量数据进行分析，通过建立模型来预测未来系统容量的相关工作［2］。常见的传统预测模型包括代数估计［3］、线性回归模型［4-5］、差分自回归移动平均（AutoRegressive Integrated Moving Average，ARIMA）模 型［6-8］和 反 向 传 播（Back Propagation，BP）神经网络模型［9］。传统预测模型具有易建模的优点，但是难以实现高精度的预测。随着技术的不断发展，深度学习也逐渐被应用到容量预测中去。……