1.基于自注意力机制DLSTM的云服务器老化预测方法，其特征在于，包括如下步骤：步骤1，采集云服务器老化情况的数据指标，获取云服务器资源和性能参数的时间序列数据；

步骤2，对序列数据进行预处理，得到预处理后的数据集；

步骤3，将经步骤2中预处理后的云服务器老化数据分成训练集和测试集；

步骤4，构建基于注意力机制的云服务器老化数据时间序列的DLSTM预测模型；

步骤5，利用训练集数据对DLSTM预测模型进行训练；

步骤6，利用训练后DLSTM预测模型预测测试集数据，并对DLSTM预测模型进行性能评价；

步骤2中预处理过程具体为：

步骤2.1，对序列数据进行一阶差分得到差分序列；

首先对原始数据进行一阶差分；记原始云服务器性能参数的时间序列为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)；使用序列中后值减去前值，即：yi＝xi+1‑xi    (1)

利用公式(1)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；

步骤2.2，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；

步骤2.3，对时间步矩阵进行归一化至[‑1,1]区间得到预处理后的数据集，具体的为：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；

所述步骤2.2的具体过程为：

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合并为一个n*2矩阵P′；即：其中矩阵P′即为时间步矩阵；

步骤4中所述DLSTM预测模型由50个LSTM堆叠而成，所述每个LSTM包括遗忘门、输入门和输出门，所述输入门的激活函数为tanh函数，所述遗忘门和输出门所用激活函数为Sigmoid函数；DLSTM神经网络中包括依次连接的输入层、隐藏层、连接激活层、输出层，并设置有dropout层；所述输入层内封装有注意力机制；

注意力机制的封装过程具体为：首先使用交换层将输入数据的格式转换为期望格式；

然后使用密集层中Softmax激活函数，计算特征的权值，其中通过Lambda层使用tf.keras.backend.mean()计算张量的平均值；再使用交换层将密集层的输出转换成乘积层需要的格式；最后到达乘积层，将权重与输入相乘，完成注意力机制的封装。

2.如权利要求1所述的基于自注意力机制DLSTM的云服务器老化预测方法，其特征在于，所述步骤2具体包括：步骤2.1，对序列数据进行一阶差分得到差分序列；

步骤2.2，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；

步骤2.3，对时间步矩阵进行归一化至[‑1,1]区间得到预处理后的数据集。