基于IF-EMD-LSTM的数据中心CPU负载预测北大核心 |
| |
引用本文: | 李国陈茜.基于IF-EMD-LSTM的数据中心CPU负载预测北大核心[J].计算机仿真,2022(7):37-41. |
| |
作者姓名: | 李国陈茜 |
| |
作者单位: | 1.中国民航大学计算机科学与技术学院300300; |
| |
基金项目: | 国家自然科学基金联合基金项目(U1833114);民航科技创新重大专项(TRSA201803)(MHDR20160109);民航安全能力项目(TRSA201803)。 |
| |
摘 要: | 针对数据中心服务器运行过程中CPU负载变化不能被准确预测的问题,分别建立了整合移动平均自回归模型(ARIMA)和长短时记忆人工神经网络(LSTM)的CPU负载预测模型。由于上述模型缺少对原始数据的数据处理和人工智能算法局限性的考虑,故构建了基于孤立森林算法(IF)、经验模态分解(EMD)和LSTM的CPU负载组合预测方法(IEBL)。对所建的三种模型进行参数求解和仿真并与实验结果对比,组合预测模型的平均相对误差降低了8.71%~18.72%。结果表明,组合预测模型预测精度明显高于单一预测模型,在服务器CPU负载预测领域有广泛的应用前景。
|
关 键 词: | 孤立森林 经验模态分解 长短时记忆网络 负载预测 |
本文献已被 维普 等数据库收录! |
|