1.一种基于大规模分布式运维系统的机房资源预测方法，其特征在于，包括：
以各机房服务器为结点，以各所述机房服务器被共用的关系为边，以各所述机房服务器自身配置为属性，构建机房图；
对所述机房图的所有结点进行向量表示；
通过各结点向量、各所述机房服务器自身配置及资源使用率组成的时间序列，对未来各所述机房服务器的资源使用率进行预测，以在各所述机房服务器的高峰使用时间段进行预警。
2.根据权利要求1所述的方法，其特征在于，对所述机房图的所有结点进行向量表示的实现方式包括：
通过deepwalk算法在所述机房图中随机游走；
通过skip-gram模型对游走序列进行训练；
通过多轮迭代得到每个所述结点的嵌入表示。
3.根据权利要求1所述的方法，其特征在于，所述对未来资源使用率进行预测之前的训练采用长短时记忆网络来实现；所述长短时记忆网络的输入特征包括：各所述结点向量、各所述机房服务器自身配置及资源使用率。
4.根据权利要求1所述的方法，其特征在于，还包括：基于预测得到的各所述机房服务器的资源使用率趋势，提供资源分配方案。
5.一种基于大规模分布式运维系统的机房资源预测装置，其特征在于，包括：
机房网络构建模块，用于以各机房服务器为结点，以各所述机房服务器被共用的关系为边，以各所述机房服务器自身配置为属性，构建机房图；
机房网络图嵌入模块，用于对所述机房图的所有结点进行向量表示；
时间序列预测模块，用于通过各结点向量、各所述机房服务器自身配置及资源使用率组成的时间序列，对未来各所述机房服务器的资源使用率进行预测，以在各所述机房服务器的高峰使用时间段进行预警。
6.根据权利要求5所述的装置，其特征在于，对所述机房图的所有结点进行向量表示的实现方式包括：
通过deepwalk算法在所述机房图中随机游走；
通过skip-gram模型对游走序列进行训练；
通过多轮迭代得到每个所述结点的嵌入表示。
7.根据权利要求5所述的装置，其特征在于，所述时间序列预测模块对未来资源使用率进行预测之前的训练采用长短时记忆网络来实现；所述长短时记忆网络的输入特征包括：各所述结点向量、各所述机房服务器自身配置及资源使用率。
8.根据权利要求5所述的装置，其特征在于，还包括：资源调度分配模块，用于基于预测得到的各所述机房服务器的资源使用率趋势，提供资源分配方案。
9.一种计算机可读存储介质，其中存储有计算机程序，其特征在于，所述计算机程序被处理器加载执行时，实现如权利要求1至4中任一所述的基于大规模分布式运维系统的机房资源预测方法。
10.一种电子设备，其特征在于，包括：处理器及存储器；其中，
所述存储器用于存储计算机程序；
所述处理器用于加载执行所述计算机程序，以使所述电子设备执行如权利要求1至4中任一所述的基于大规模分布式运维系统的机房资源预测方法。