由于主机负载具有短期突变性和非线性等特点,主机负载中短期突变的信息难以被捕获。为提高主机负载预测的准确性,设计并实现一种基于Zoneout的LSTM(long short term memory with zoneout,LSTM-Z)主机负载预测方法。该方法能适应具有波动性特点的主机负载预测模式,通过遗传算法在迭代进化过程中探索最优的历史窗口权重向量,充分利用历史数据依赖关系,提高预测的准确性。通过在谷歌和阿里云两个真实的云平台数据上进行单步和多步预测实验,验证了其有效性。
云计算是一种基于信息网络的计算模式和服务模式,它将信息技术资源以服务方式动态、弹性地提供给用户,使用户可以按需使用。由于受到主机的启动时间、资源分配时间以及任务调度时间等因素的影响,在云环境下提供给用户的服务存在时延问题。因此,工作负载预测是云环境下一种重要的能源优化的方式。此外,由于云中工作负载的变化具有十分大的波动性,因此增加了预测模型的预测难度。提出了一种基于自回归模型和Elman神经网络的预测模型(Hybrid Auto Regressive Moving Average model and Elman neural network,HARMA-E),其使用ARMA模型进行预测,再使用ENN模型对ARMA模型的误差进行预测,通过修正ARMA的输出值得到最终的预测值。仿真实验结果表明,该预测模型能够较好地提升主机负载预测值的准确度。
