1.基于LSTM‑ACO模型预测云服务器资源性能的方法，其特征在于，包括以下步骤：步骤1，收集云服务器的资源和性能数据；

步骤2，获取云服务器资源和性能序列数据，所述资源和性能序列数据包括：CPU空闲率、可用内存、平均负载和响应时间；

步骤3，对步骤2获取得的序列数据进行预处理操作；

步骤4，使用步骤3得到的数据构建LSTM模型，并利用该模型获得LSTM模型对步骤3所得数据的预测值；

步骤5，利用蚁群算法对步骤4得到的LSTM模型来进行参数优化，构建LSTM‑ACO模型；

步骤6，使用步骤5得到的LSTM‑ACO模型预测步骤3得到的数据并与步骤4得到的数据对比；

步骤7，利用LSTM‑ACO模型的预测值和现有的序列数据对未来数据进行预测；

所述步骤4中，构建LSTM模型的方法是：

构建模型包括输入层、隐藏层、输出层、网络训练以及网络预测5个功能模块；输入层负责对原始响应时间序列进行初步处理以满足网络输入要求，隐藏层采用LSTM细胞搭建单层循环神经网络，输出层提供预测结果网络，网络预测采用迭代的方法逐点预测；

所述步骤5中，利用蚁群算法优化LSTM模型的具体方法是：

1)随机产生一个有多个个体的蚂蚁种群；

2)初始化参数：蚂蚁规模M、最大迭代次数Nmax、初次迭代次数N＝1、信息素重要程度因子α、启发函数重要程度因子β、信息素挥发因子ρ、信息素挥发总量Q、信息素量τij(t)＝C；

3)待优化的参数总数设置为m，将其组成一个集合Pi，1≤i≤m，每个参数随机获取一个非零值，组成另一个集合SPi；

4)m只蚂蚁随机放在r个顶点上，启动全部蚂蚁，蚂蚁k，k＝1,2,…,M；随机的从SPi中获取一组参数值，按照公式(1)蚁群路径选择概率公式，选择集合中的下一组参数值，直到每一只蚂蚁完全获取一组参数值，概率公式如下公式(1)：其中τj(SPi)为集合SPi中某j组权阈值组合的信息素浓度；

5)将k，k＝1,2,…,M；只蚂蚁获取的值作为LSTM参数，对样本进行训练，得出实际输出与期望输出的误差值σ，其中σ＝|Outputa－Outpute|，Outputa为实际输出，Outpute为期望输出；设置期望误差ξ，找出不大于期望误差的输出误差集合σi，1≤i≤M，并找到最小误差，其对应的蚂蚁获取的权值阈值即是最优或者较优解；

6)当迭代次数或者输出误差不满足时，在完成一次循环后需要更新信息素，公式如下：其中 表示次循环中第k只蚂蚁在集合SPi中，第j个元素在路径上释放的信息素浓度； 表示所有蚂蚁在集合SPi中第j个元素在路径上释放的信息素浓度；

7)当迭代次数或者输出误差不满足要求，重复上述操作。

2.根据权利要求1所述的基于LSTM‑ACO模型预测云服务器资源性能的方法，其特征在于，所述步骤3中，对序列数据采用归一化处理方法进行预处理，将原始序列数据映射到[0,

1]，具体方法是：

计算得序列数据的最大值和最小值，分别记为Xmax和Xmin；

使用序列数据中的每个数据减去Xmin再除以Xmax‑Xmin。

3.根据权利要求1所述的基于LSTM‑ACO模型预测云服务器资源性能的方法，其特征在于，所述构建LSTM模型的具体步骤为：首先在输入层中，定义已经归一化后的原始响应时间序列为Fo＝{f1,f2,…,fn}，则划分的训练集和测试集可以表示为Ftr＝{f1,f2,…,fs}和Fte＝{fs+1,fs+2,…,fn}，满足约束条件s

接下来，将X输入隐藏层，隐藏层包含L个按前后时刻连接的同构LSTM细胞，X经过隐藏层后的输出可以表示为 Pp＝LSTMforward(Xp,Cp‑1,Hp‑1)，式中Cp‑1和Hp‑1分别为前一个LSTM细胞的状态和输出；LSTMforward表示LSTM向前细胞计算方法；设定细胞状态向量大小为Sstate，则Cp‑1和Hp‑1两个向量的大小均为Sstate；可以看出隐藏层输出 模型输入X和理论输出 都是维度为(s－L,L)的二维数组；选用均方误差作为误差计算公式，训练过程的损失函数可以定义为： 设

定损失函数最小为优化目标，不断更新网络权重，进而得到最终的隐藏层网络。

4.根据权利要求1所述的基于LSTM‑ACO模型预测云服务器资源性能的方法，其特征在于，所述LSTM模型包括输入层、隐藏层和输出层，其中将步骤3所得到的序列数据和步骤4中LSTM模型的预测结果作为输入层的输入，所述输出层为LSTM‑ACO模型的预测结果；所述隐藏层使用tanh作为激活函数。