1.基于多尺度分析和深度网络模型的云虚拟机负载预测方法，其特征在于，具体按以下步骤实施：

步骤1，采集云虚拟机负载情况的数据指标；

步骤2，获取云虚拟机资源和性能参数的时间序列数据；

步骤3，将经步骤2中获得的序列数据进行小波转换，根据设定的阈值对原始数据进行去噪；

步骤4，将经步骤3中去噪后的云虚拟机负载数据进行预处理；

步骤5，将经步骤4中预处理后的云虚拟机负载数据分成训练集和测试集；

步骤6，将经步骤5中云虚拟机负载数据的训练集和测试集进行归一化处理；

步骤7，构建云虚拟机负载数据时间序列的DLSTM预测模型；

步骤8，利用步骤6中归一化后训练集数据对步骤7中预测DLSTM模型进行训练；

步骤9，利用步骤7中训练后DLSTM预测模型对步骤6中归一化后测试集数据预测，并对DLSTM预测模型进行性能评价。

2.根据权利要求1所述的基于多尺度分析和深度网络模型的云虚拟机负载预测方法，其特征在于，所述步骤2中云虚拟机性能的时间序列数据为CPU响应时间。

3.根据权利要求1所述的基于多尺度分析和深度网络模型的云虚拟机负载预测方法，其特征在于，所述步骤3中小波变换去噪方法具体内容为：利用含噪数据进行小波变换，设置阈值λ，对原始数据进行去噪，通过小波逆变换重构，得到去噪后数据。

4.根据权利要求3所述的基于多尺度分析和深度网络模型的云虚拟机负载预测方法，其特征在于，所述步骤3中小波为Daubechies(dbN)小波族中的db8；设置阈值λ，然后采用固定阈值估计法去燥，其中固定阈值为：

5.根据权利要求1所述的基于多尺度分析和深度网络模型的云虚拟机负载预测方法，其特征在于，所述步骤4中预处理过程具体为：首先对去噪后数据进行一阶差分；记去噪后序列为X＝(x1，x2，...，xn)(n为整个时间序列的长度)，差分后的数据序列为Y＝(y1，y2，...，yn‑1)；使用序列中后值减前值，即：yi＝xi+1‑xi         (2)利用公式(2)得到一阶差分数据序列Y，从而消除时间序列对时间的依赖性；

其次将一阶差分数据序列转换为时间步矩阵，矩阵中每一元都包含一个时间步长度的数据片段，用于预测；本方案中使用的时间步为2，构造过程为：将原有序列转换为一个n*1的矩阵P1；在原有序列之前插入一个0，再转换为一个n*1的矩阵P2；将矩阵P1和P2合并为一T T

个n*2矩阵P′；即P1＝[y1，y2，...，yn]，P2＝[0，y1，y2，...，yn‑1]，P′＝[P2P1]           (3)。

6.根据权利要求1或5所述的基于多尺度分析和深度网络模型的云虚拟机负载预测方法，其特征在于，所述步骤5中归一化处理的过程具体为：使用 表示xi归一化后的值，|x|max为差分后数据绝对值中最大值，将矩阵P′中数据归一化至[‑1，1]区间。

7.根据权利要求1所述的基于多尺度分析和深度网络模型的云虚拟机负载预测方法，其特征在于，所述步骤6中DLSTM的构造具体为：DLSTM由多个LSTM堆叠而成，其中每个LSTM保持传统结构；记t时刻DLSTM模型输入层的输入为xt，输出层的输出为ht；为防止模型过拟合，设置dropout层，使得前向传播时，神经元的激活值以一定概率p停止工作，本方案中设置p＝0.3；

在隐藏层之后连接激活层，使得矩阵运算结果具有非线性；LSTM中遗忘门和输出门所用激活函数为Sigmoid函数，即 该函数输出0或1值，其中输出0表示丢弃当前信息，输出1表示保留当前信息；

输入门激活函数为tanh函数，即 用于计算候选值向量信息；

DLSTM预测模型的第i层LSTM在t时刻的输入由xt、t‑1时刻输出ht‑1、t‑1时刻模块状态Ct‑1和i‑1层LSTM隐藏状态 共同组成；t时刻输出ht和状态Ct传递到t+1时刻；t时刻第i层LSTM输出 传递到下一层LSTM辅助预测，直到最后一层LSTM获取输出值；t时刻，第一层LSTM的隐藏状态 传入第二层LSTM作为输入，依次类推，直到最后一个LSTM输出结果。

8.根据权利要求7所述的基于多尺度分析和深度网络模型的云虚拟机负载预测方法，其特征在于，所述LSTM具有遗忘门、输入门和输出门；遗忘门计算方法为：输入门计算方法为：

候选值向量计算方法为：

状态输出为：

输出门计算方法：

输出为：

ht＝ot*tanh(Ct)          (9)。

式(4)～(9)中，W为权重信息，ht为t时刻的输出，xt为t时刻的输入， 为t时刻第i层LSTM的隐藏状态，b为偏置项。

9.根据权利要求1所述的基于多尺度分析和深度网络模型的云虚拟机负载预测方法，其特征在于，所述步骤8和步骤9中的输出数据，需要去归一化和去差分化，得到预测值；评价预测模型采用均方根误差RMSE和最小化均方根误差RMSPE；公式分别为：其中N为数据的长度，yi为预测值，xi为云虚拟机负载的原始数据。