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。     

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。     

一种基于自动回归的改进网格主机负载预测模型

提出了一种基于自动回归（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%。     

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。     

基于主机负载的任务执行时间预测研究

在网格计算中,预测网格节点性能的动态变化和网格任务的执行情况是影响网格任务高效调度是否成功的最重要因素之一.结合主机负载和任务执行时间的线性关系,研究分析了一种基于主机负载的任务执行时间预测算法.利用仿真实现了这种算法,对基于主机负载实现任务执行时间预测的可靠性进行了实验论证,并给出了预测精度的评价结果.     

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。     

一种分布式工作流中基于负载平衡的调度算法

工作流管理系（Workflow Management System）帮助企业实现分布式异质环境中的人工和自动任务的全面流程化。本文提出一种新的分布式WFMS负载平衡调度算法，解决单节点引擎负载过重的问题。改进后的负载平衡技术比轮询调度算法更能保证多引擎间负载基本均衡。当多引擎间任务调度出现不平衡，导致某些节点负载过重或是某个节点出现故障时，多引擎能够根据相应模型策略和实际的信息来动态调整各节点的负载，这样也可以在一定程度上解决有大量分布式事务处理时的性能问题。另外，负载指数调度算法实现简单，尽可能地减少了引擎负担。     

基于遗传神经网络的主机负载预测方法研究

准确预测主机负载是实现高效动态负载均衡的关键,也是判断负载是否出现异常的重要依据。文章分析了采用时间序列方法进行主机负载预测的不足,提出了基于遗传神经网络的主机负载预测方法,建立了预测模型,并对模型进行了实验评估。     

面向应急机器人的机械臂无线控制系统设计

针对处理油气场站有毒气体泄漏事故的应急机器人,设计一种基于DSP和AR9331模块的机械臂无线控制系统。该系统用6个舵机配合金属支架搭建机械臂硬件结构,以TMS320F28335 DSP为核心处理器,利用其ePWM模块驱动舵机,同时通过AR9331 WiFi模块和DSP的SCI模块实现DSP与上位机之间的无线通信,由此完成了该无线控制系统的全部搭建。实验过程中,在上位机端通过无线通信模块向DSP发送各种控制指令,对各个舵机进行协调控制,从而控制机械臂进行清理障碍物、启闭阀门等应急处理操作,验证了该无线控制系统的可行性。实验结果表明该机械臂无线控制系统控制精度高、调节速度快、可靠性高。机械臂能够在0.5s内接收并完成指令,舵机角度误差在1°以内,满足应急机器人的操作需求。     

柴油发电机组输出特性现场检定装置的设计与实现

针对原有柴油发电机组的专用控制器功能单一、结构复杂、测量精度低等问题,设计了一款柴油发电机输出特性现场检定装置系统;采用以STM32高性能处理器为核心的硬件平台,基于总线控制的模块化设计,其中包括基于485总线控制交流电子负载模块、电能质量分析模块以及温度采集模块;最后编写具有框架式的上位机显控界面,完成实时的数据显示、存储、记录,以及交流电子负载的控制;实验结果表明:柴油发电机组输出特性现场检定装置系统能够为被测柴油发电机组提供交流电子负载,实时测量柴油发电机组的输出电压、电流、功率、频率等信息,能够与检定技术人员进行实时信息交互,检验柴油发电机组的输出特性是否满足技术指标要求。