基于EMD-TCN的云资源预测研究.pdf
《基于EMD-TCN的云资源预测研究.pdf》由会员分享,可在线阅读,更多相关《基于EMD-TCN的云资源预测研究.pdf(6页珍藏版)》请在咨信网上搜索。
1、第 卷第 期计算机应用与软件 年 月 基于 的云资源预测研究史爱武罗良杰何凯(武汉纺织大学云计算与大数据研究中心湖北 武汉 )收稿日期:。湖北省自然科学基金青年项目()。史爱武,副教授,主研领域:云计算,大数据。罗良杰,硕士生。何凯,讲师。摘要云计算资源的负载预测有助于数据中心灵活智能地配置资源,保障数据中心安全平稳运行。该文提出一种基于经验模态分解和时间卷积网络的云资源组合预测模型,使用历史的资源负载预测未来的资源需求。对负载进行经验模态分解,以降低原云资源负载序列的复杂度,得到反映原负载序列趋势和变化信息的本征模态分量和残余分量;将这些分量构造后输入到时间卷积网络中进行建模预测。以 集群数
2、据集中的 负载序列为例,将该模型与常用的云资源预测模型进行对比验证。实验结果发现,相比于长短时记忆网络和时间卷积网络,该模型在平均绝对百分比误差指标上降低了 和 ,预测精度有了明显提升。关键词云计算云资源预测经验模态分解时间卷积网络中图分类号 文献标志码 :(,),()(),(),引言云计算作为一种新型计算模式,在过去十年得到了飞速的发展。它利用虚拟化技术,将包括计算资源、存储资源和网络资源在内的各种资源虚拟化,以按需使用、按量付费的方式为用户提供可扩展的弹性计算服务 。基于虚拟机的虚拟化技术或容器虚拟化技术虚拟出来并提供给用户使用的各种资源,统称为云资源。同时,云计算的发展还催生了众多的大规
3、模数据中心 。目前,数据中心的规模和复杂度仍处于动态增长中,各种形式的软硬件资源还在不断地被添加到云计算系统中。尽管这些数据中心的建立很好地满足了社会的计算需求,但也带来了一些问题和挑战。其中资源管理问题最为突出。譬如,云厂商必须遵守与用户签订的服务等级协议(,计算机应用与软件 年 ),保证提供给用户的服务满足要求。如果资源供应不足就会造成 违约、服务质量(,)降低,进而导致用户流失。而资源供给过剩,虽不会给用户造成影响,但会导致严重的资源浪费,间接造成经济损失。对于一个庞大且复杂的数据中心而言,要想实现灵活的资源配置和管理,保证一定程度上的供需平衡,必须要求数据中心能够预知云资源的变化情况,
4、即要建立一个精准的云资源预测模型。因此,云资源的预测成为了云计算研究领域的一个研究热点。国内外许多学者针对云资源的预测研究提出了多种预测方法。目前使用较广泛的云资源预测模型主要可分为两大类,一类是传统的时间序列预测方法,包括差分自回归滑动平均模型(,)、指 数 平 滑 法(,)等。文献 使用 对云环境下的应用负载进行了预测,取得了不错的预测效果,初步验证了传统的时间序列方法在云资源负载预测中的可行性。但是该文中只对 服务器的请求负载进行了预测分析,对于该方法在 负载、内存负载等一些系统关键指标上的适用性还有待验证。同时,传统的时间序列预测方法大多只能捕捉线性趋势,而云资源负载序列往往都是非线性
5、和非平稳的,导致此类方法的预测精度较低,难以满足大数据时代对预测精度的要求。另一类是机器学习算法。学者们早期主要使用支持向量机(,)、贝叶斯模型 和人工神经网络算法 。相比传统的方法,这些算法的预测精度更高,但是也更为复杂,并且需要大量的历史数据进行训练。后来随着循环神经网络(,)和长短时记忆(,)网络的出现,它们一跃成为当时最优的时间序列预测算法 。直到近两年,文献 研究发现,相比循环神经网络,时间卷积网络(,)在多个时间序列预测问题上表现得更好,因而许多学者开始使用 代替循环神经网络进行时序数据的建模研究。和 等模型相比传统模型虽有着更优的预测效果,但是随着研究的深入,一些研究者发现使用单
6、一模型很难较好地拟合非线性和非平稳的云资源负载序列。于是开始研究用单一模型进行搭配,试图设计出合理的组合预测模型。大量研究结果表明,相比单一模型,组合优化模型可以更好地拟合序列,显著提高预测精度 。除了从模型方面改进预测精度外,还有学者试图把信号分解方法应用于时序数据预测的研究中来改进预测精度。由于时间序列数据大多都具有高度的非线性非平稳等特点,现有方法建立的预测模型难以精准预测。学者们从降低时间序列数据本身的复杂性出发,提出了基于经验模态分解(,)和机器学习或深度学习模型的组合预测模型,并将其应用在多个时间序列预测领域,均取得了精度上的提升。如文献 将改进的 模型应用在了风速预测领域,结果表
7、明该模型在不同时间步长上的预测效果都要优于现有的方法。文献 为了提高电力预测的精度,分别比较了 、在电力预测中的效果,实验结果表明 取得了最好的效果。目前,同属时序数据预测研究的云资源预测领域有关 或 的研究还很少。因此,本文提出了基于经验模态分解和时间卷积网络()的云资源组合预测模型。经验模态分解经验模态分解,也被称为希尔伯特 黄变换,是 等 提出的一种高效且自适应的信号分解方法,特别适合于非线性和非平稳的时频数据分析。它克服了小波分析中基函数无法自适应性的缺点,使用起来更加灵活和简单。可将非线性和非平稳的时间序列分解为一组平均和为零的准周期信号,使信号变得平稳化,减少信号间特征信息的干扰。
8、这些信号被称作本征模态分量(,)和残余分量,可表示为:()()()()式中:()是数据的原始值,每个()表示第 个 分量,()是残差分量。下面简要说明 的分解过程:)根据信号 ()的局部极值求出其上、下包络线的均值。)将原数据序列减去平均包络线后,可得到一个去掉低频的新数据序列 ()。)判断 是否满足以下两个条件:()极值数与过零点的数目相等或最多相差一个;()在任意时刻,其上、下包络线的均值必须是零。若不满足条件,就将当作新的 (),重复以上步骤。最后得到的第一个满足条件的 即为第一个本征模态分量 ,记作 。)将 ()作为新的 (),重复步骤)步骤 ),即可依次得到本征模态分量 ,第 期史爱
9、武,等:基于 的云资源预测研究 ,直到满足给定的终止条件时 分解才停止。时间卷积网络时间卷积网络是融合了卷积神经网络研究中的一些优秀成果而提出的一种简单而高效的网络结构。它和 一样,能够接受任意长度的序列,并将其映射到相同长度的输出序列中,因而适合应用在有时间依赖的序列任务中。时间卷积网络的基本组成部分为因果卷积和空洞卷积。因果卷积因果卷积是保证时间卷积网络能用于序列建模任务的根本原因。其与普通一维卷积不同之处在于,它通过在输入序列前面补充长度为 的零值向量,来使输入与卷积计算输出在维度上保持一致,从而保证在时刻 的输出只与 和 之前的输入有关,即确保不会有未来的信息泄露到过去。空洞卷积普通的
10、因果卷积的接收域与网络层数线性相关,因此如果要提取距离较远的数据,就需要非常深的网络层次。为了解决因果卷积无法获得长期依赖的问题,中加入了空洞卷积,空洞卷积可以在不增加参数量的情况下,呈指数级的增大卷积的感受野。具体地,一个空洞因果卷积层如图 所示,公式表示如下:()()()()()式中:为扩张因子,为滤波器大小,表示过去的方向。多个这样的空洞因果卷积层堆叠起来就组成了 。通过调整不同的滤波器大小与网络层数,可以使感受野能覆盖输入序列中的所有值。为了防止增加网络深度而导致梯度弥散或梯度爆炸,中通过添加残差连接和正则化层来解决该问题,另外还加入了随机失活()来防止过拟合,的典型结构如图 所示。图
- 配套讲稿:
如PPT文件的首页显示word图标,表示该PPT已包含配套word讲稿。双击word图标可打开word文档。
- 特殊限制:
部分文档作品中含有的国旗、国徽等图片,仅作为作品整体效果示例展示,禁止商用。设计者仅对作品中独创性部分享有著作权。
- 关 键 词:
- 基于 EMD TCN 资源 预测 研究
1、咨信平台为文档C2C交易模式,即用户上传的文档直接被用户下载,收益归上传人(含作者)所有;本站仅是提供信息存储空间和展示预览,仅对用户上传内容的表现方式做保护处理,对上载内容不做任何修改或编辑。所展示的作品文档包括内容和图片全部来源于网络用户和作者上传投稿,我们不确定上传用户享有完全著作权,根据《信息网络传播权保护条例》,如果侵犯了您的版权、权益或隐私,请联系我们,核实后会尽快下架及时删除,并可随时和客服了解处理情况,尊重保护知识产权我们共同努力。
2、文档的总页数、文档格式和文档大小以系统显示为准(内容中显示的页数不一定正确),网站客服只以系统显示的页数、文件格式、文档大小作为仲裁依据,平台无法对文档的真实性、完整性、权威性、准确性、专业性及其观点立场做任何保证或承诺,下载前须认真查看,确认无误后再购买,务必慎重购买;若有违法违纪将进行移交司法处理,若涉侵权平台将进行基本处罚并下架。
3、本站所有内容均由用户上传,付费前请自行鉴别,如您付费,意味着您已接受本站规则且自行承担风险,本站不进行额外附加服务,虚拟产品一经售出概不退款(未进行购买下载可退充值款),文档一经付费(服务费)、不意味着购买了该文档的版权,仅供个人/单位学习、研究之用,不得用于商业用途,未经授权,严禁复制、发行、汇编、翻译或者网络传播等,侵权必究。
4、如你看到网页展示的文档有www.zixin.com.cn水印,是因预览和防盗链等技术需要对页面进行转换压缩成图而已,我们并不对上传的文档进行任何编辑或修改,文档下载后都不会有水印标识(原文档上传前个别存留的除外),下载后原文更清晰;试题试卷类文档,如果标题没有明确说明有答案则都视为没有答案,请知晓;PPT和DOC文档可被视为“模板”,允许上传人保留章节、目录结构的情况下删减部份的内容;PDF文档不管是原文档转换或图片扫描而得,本站不作要求视为允许,下载前自行私信或留言给上传者【自信****多点】。
5、本文档所展示的图片、画像、字体、音乐的版权可能需版权方额外授权,请谨慎使用;网站提供的党政主题相关内容(国旗、国徽、党徽--等)目的在于配合国家政策宣传,仅限个人学习分享使用,禁止用于任何广告和商用目的。
6、文档遇到问题,请及时私信或留言给本站上传会员【自信****多点】,需本站解决可联系【 微信客服】、【 QQ客服】,若有其他问题请点击或扫码反馈【 服务填表】;文档侵犯商业秘密、侵犯著作权、侵犯人身权等,请点击“【 版权申诉】”(推荐),意见反馈和侵权处理邮箱:1219186828@qq.com;也可以拔打客服电话:4008-655-100;投诉/维权电话:4009-655-100。