改进的自动回归网格主机负载预测模型

网格计算中对资源的有效预测能很好的改进任务分配和作业调度的策略，提高它们的执行效率，作为网格资源预测的核心？主机负载的预测显得尤为重要。文中提出了一种基于AR改进的主机负载预测模型，它不仅具有AR模型本身的计算成本小、预测性能稳定的优点，还对AR模型只对未来某个固定时间段的负载预测进行了改进，使之能根据作业的预测执行时间进行主机负载动态预测，同时该改进模型还充分体现了主机负载变化的自相似性和长期依赖性，实验结果表明，该模型达到了预期的效果。     

基于基因表达式编程的网格主机负载时间序列分析

针对网格主机负载的特性,本文提出基于基因表达式编程和滑动窗口法构造网格主机负载时间序列模型的方法,扩充美国Din＆所开发的RPS的实验环境以支持基因表达式编程模型,并用该系统对Dinda和O＇Halloran在1997年和1998年对39台DECAlphaDUX主机进行抽样所获得的主机负载信息进行实验。结果表明,用本文所提出的方法所构造的预测模型同自动回归模型（AR）相比,具有更高的预测精确度。     

分布式系统中主机负载预测的一种普适性方法

分布式系统中为了获得高效的动态负载均衡,需要对主机负载进行有效的预测,这区别于网络流量的预测。论文从分析主机负载的特性入手,依据负载动态变化的规律,提出了一种具有普遍适用性的主机负载预测方法—线性时间序列模型法,并按该方法建立了HLPS(HostLoadPredictionSystem)模型,提出了HLPS的实现策略。     

基于LSTM网络的移动云计算多元负载预测模型

针对移动云主机负载变化大、难以精准预测的问题,提出一种联合特征选择下基于长短期记忆网络的AR-LSTM-ED负载预测模型,能够对云主机负载进行单步和长时间多步预测。首先采用联合特征选择的方法得到与目标预测负载序列相关的其他负载序列,并且利用适用于在线预测的无抽取的小波变换方法将目标预测特征分解成更加易于预测的子序列。最后将这些序列和目标预测序列一起输入AR-LSTM-ED模型中,AR-LSTM-ED模型利用长短期记忆编-解码网络对目标负载进行预测,具有能够捕捉负载中的长期依赖关系的优点,且进一步结合了自回归模型（AR）以预测负载中的线性数据。在真实的Google云计算数据集上验证算法,对比实验结果表明,本文提出的方法取得了更好的性能。     

基于深度学习的主机负载在线预测模型研究

数据中心主机负载预测对于数据中心的资源调度和节能具有重要意义,但是目前缺乏一个通用模型以准确预测所有类型数据中心的主机负载情况。为了使主机负载预测模型具有一定的自适应性,提出一种基于深度循环神经网络编码器-解码器的多步在线预测模型。通过线上实时采集的能耗数据进行在线训练,同时设计一个在线监控模块,对模型的预测准确性进行实时监控和调整,使得该模型在不同数据中心中均能获得较准确的预测值。利用Google开源的时长为29天的数据中心主机负载数据集进行实验,结果表明,该模型的预测准确性接近离线训练,其预测性能优于ESN和LSTM模型。     

基于AR模型的主机负载预测

线性时间序列作为一种概率统计方法,已经被运用到各个领域中。AR模型是最常见的一种时间序列模型,是根据时间序列的自相似性质,利用时间序列在过去时刻的观察值推算时间序列的出现规律,预测今后可能出现的观察值。文中利用AR模型预测在分布式实时环境上主机的负载情况。对于有多台主机的分布式实时环境,当有一个新的任务到达时,如果能够较准确地预测出各台主机在今后的一段时间内的负载情况,调度器可以有选择地将任务分配给适当主机,不仅可以满足尽可能多数量的实时任务的最后时限,并且可以提高系统的性能。     

基于AR模型的主机负载预测

线性时间序列作为一种概率统计方法，已经被运用到各个领域中。AR模型是最常见的一种时间序列模型，是根据时间序列的自相似性质，利用时间序列在过去时刻的观察值推算时间序列的出现规律，预测今后可能出现的观察值。文中利用AR模型预测在分布式实时环境上主机的负载情况。对于有多台主机的分布式实时环境，当有一个新的任务到达时，如果能够较准确地预测出各台主机在今后的一段时间内的负载情况，调度器可以有选择地将任务分配给适当主机，不仅可以满足尽可能多数量的实时任务的最后时限，并且可以提高系统的性能。     

基于加权改进的AR模型的负载预测研究

负载预测在故障管理中有着十分重要的作用,通过对CPU负载以及内存使用率的预测可以对系统进行实时监控,预知未来时间段资源的可用性,发出异常告警;文中提出一种加权改进的自回归模型,通过对最小二乘法求出的参数进行加权处理,结合时间序列分析理论,建立一个负载预测模型,用于CPU负载和内存使用率的预测;实验证明,对AR模型的参数进行加权的方法优化了参数估计,预测误差减小了60%~80%。     

分布式多模型在线预测(DMOP)机制的设计与实现

本文通过对海量信息处理集群系统的负载特性进行收集和分析,提出了一种分布式多模型在线预测(DMOP)机制,该机制包含四个关键模块:向后滑动聚合模块、负载图样评估模块、算法库模块和预测误差评估模块。本文通过试验对模块实现进行了测试,证明了模块设计的有效性和实用性。在DMOP机制算法库模块架构下,本文提出了一种改进的AR(p)(自回归模型)预测算法,并通过了测试。     

改进指数平滑预测的虚拟机自适应迁移策略

针对云数据中心虚拟机频繁迁移问题对虚拟机迁移时机进行研究,提出一种基于改进指数平滑预测的虚拟机自适应迁移策略.该策略采用双阈值和预测相结合的方法,连续判断负载状态触发负载预测,然后,根据历史负载值自适应地预测下一时刻主机负载状态并触发虚拟机迁移,实现主机负载平衡,提高迁移效率,降低能耗.经实验表明,该方法在能耗和虚拟机迁移次数方面分别可降低约7.34%和58.55%,具有良好的优化效果.     

一种基于预测的反馈网格作业调度模型*

网格计算中的资源是动态和异构的,常规的静态作业调度方法不适宜网格计算环境,对于网格计算中一类并行计算的有效执行有赖于网格资源（CPU和网络带宽等）与作业的有效匹配。提出了一种基于资源预测结果对作业进行调度的策略,首先阐述了网格主机负载预测的研究成果——IAR模型,并提出了一种预测网络带宽的工具——网络性能平面,利用资源预测结果构造了一种反馈作业调度模型并对一类基于时间平衡的作业进行实验。结果表明,该模型在与其他诸多方法比较中,取得了执行时间较短和稳定性较好的效果。     

A load prediction model for cloud computing using PSO-based weighted wavelet support vector machine

In order to reduce the energy consumption in the cloud data center, it is necessary to make reasonable scheduling of resources in the cloud. The accurate prediction for cloud computing load can be very helpful for resource scheduling to minimize the energy consumption. In this paper, a cloud load prediction model based on weighted wavelet support vector machine(WWSVM) is proposed to predict the host load sequence in the cloud data center. The model combines the wavelet transform and support vector machine to combine the advantages of them, and assigns weight to the sample, which reflects the importance of different sample points and improves the accuracy of load prediction. In order to find the optimal combination of the parameters, we proposed a parameter optimization algorithm based on particle swarm optimization(PSO). Finally, based on the WWSVM model, a load prediction algorithm is proposed for cloud computing using PSO-based weighted support vector machine. The Google cloud computing data set is used to verify the algorithm proposed in this paper by experiments. The experiment results indicate that comparing with the wavelet support vector machine, autoregressive integrated moving average, adaptive network-based fuzzy inference system and tuned support vector regression, the proposed algorithm is superior to the other four prediction algorithms in prediction accuracy and efficiency.     

A new method based on PSR and EA-GMDH for host load prediction in cloud computing system

Host load prediction is one of the most effective measures for improving resource utilization in cloud computing systems. Due to the drastic fluctuation of the host load in the Cloud, accurately predicting the host load remains a challenge. In this paper, we propose a new prediction method that combines the Phase Space Reconstruction method and the Group Method of Data Handling based on an Evolutionary Algorithm. The performance of our proposed method is evaluated using two real-world load traces. The first is the load trace in a traditional distributed system, whereas the second is in a Google data center. The results show that the proposed method achieves a better prediction performance than some state-of-the-art methods.     

改进GWO优化SVM的云计算资源负载短期预测研究

云计算资源负载短期预测是云计算平台实现资源高效管理和系统安全、稳定运行的重要前提和保障措施之一。为了其提高负载短期预测的预测精度,提出一种改进灰狼搜索算法优化支持向量机的短期云计算资源负载预测模型（EGWO-SVM）。首先介绍灰狼搜索算法（GWO）的基本原理;然后提出基于极值优化的改进GWO模型;最后根据最优参数建立短期资源负载预测模型,并通过仿真实验对EGWO-SVM的性能进行测试。实验结果表明,相对于参比模型,EGWO-SVM能更加准确地刻画云计算短期资源负载的复杂变化趋势,从而有效提升云计算资源负载短期预测的精度。     

网格环境中节点CPU负载的分形预测

网格环境下，常常需要知道网格资源在未来某一时刻具有什么样的性能，比如，调度器需要该性能估测以便进行高效的资源调度、提供满足要求的QoS以及保证整个网格系统的负载平衡。正如在其他任何计算环境中一样，计算能力是所有网格资源中最为重要的资源，通常用CPU负载来刻画节点主机的忙碌程度、衡量节点所能提供的计算能力。已有的研究表明CPU负载具有自相似性和长相关性，这启发我们使用本文介绍的分形的方法进行CPU负载的预测。实验结果证明该方法具有较高的预测精度，因而具有较好的实用价值。     

基于组合预测模型的云计算资源负载预测研究

随着云计算技术的不断发展,云计算资源负载变化呈现出越来越复杂的特征。针对云计算资源的负载预测问题,综合考虑云计算环境中资源负载时间序列的线性与非线性特性,提出了一种基于自回归移动平均模型ARIMA与长短期记忆网络LSTM的组合预测模型LACL。使用公开数据集与传统负载预测模型进行了对比实验,实验结果表明,该云计算资源组合预测模型预测精度明显高于其他预测模型,显著 降低了云环境中对资源负载的实时预测误差。