基于时序相关性的云平台多负载序列联合预测

张志华¹, 王梦情¹, 毛文涛^1,2, 刘春红^1,2, 程渤³

1. 河南师范大学 计算机与信息工程学院, 新乡 453007;
2. 河南师范大学 智慧商务与物联网技术河南省工程实验室, 新乡 453007;
3. 北京邮电大学 网络与交换技术国家重点实验室, 北京 100876

收稿日期:2019-11-18发布日期:2020-08-15
通讯作者:刘春红(1969-),女,副教授,E-mail:lch@htu.edu.cn.E-mail:lch@htu.edu.cn
作者简介:张志华(1994-),女,硕士生.
基金资助:国家自然科学基金项目（U1704158）；河南省重点研发与推广专项（科技攻关）项目（202102210163）；河南师范大学博士启动基金项目（5101119170145）；河南省高等教育教学改革研究与实践项目（2019SJGLX033Y）

Joint Prediction of Multi-Workload Sequences Based on Temporal Correlation in the Cloud

ZHANG Zhi-hua¹, WANG Meng-qing¹, MAO Wen-tao^1,2, LIU Chun-hong^1,2, CHENG Bo³

1. School of Computer and Information Engineering, Henan Normal University, Xinxiang 453007, China;
2. Engineering Laboratory of Intelligence Business & Internet of Things, Henan Normal University, Xinxiang 453007, China;
3. State Key Laboratory of Networking and Switching Technology, Beijing University of Posts and Telecommunications, Beijing 100876, China

Received:2019-11-18Published:2020-08-15

摘要/Abstract

摘要： 为提高云平台负载预测的精度，提出了一种基于时序相关性的多负载序列联合预测方法.首先，为获得相似的负载序列，采用长短时记忆网络提取负载序列的时序特征，再利用层次聚类法，获得在时序特征空间相似的负载序列类；其次，对获得的每个负载序列类分别构建多任务学习模型，挖掘和利用负载序列间隐藏的共享领域知识，提高模型泛化能力和预测精度，并实现多个负载序列的联合预测.使用Google数据集的中央处理器负载监控日志进行验证，结果表明，时序特征聚类可有效提取和利用负载序列的全局时序特征，降低原始序列的噪声，获得特征上相似的序列；与常用的负载预测方法比，所提方法对不同变化规律的负载序列都具有更精确的预测效果.
中图分类号:
TP393

引用本文

张志华, 王梦情, 毛文涛, 刘春红, 程渤. 基于时序相关性的云平台多负载序列联合预测[J]. 北京邮电大学学报, 2020, 43(4): 68-75.
ZHANG Zhi-hua, WANG Meng-qing, MAO Wen-tao, LIU Chun-hong, CHENG Bo. Joint Prediction of Multi-Workload Sequences Based on Temporal Correlation in the Cloud[J]. Journal of Beijing University of Posts and Telecommunications, 2020, 43(4): 68-75.





PDF全文下载地址:

https://journal.bupt.edu.cn/CN/article/downloadArticleFile.do?attachType=PDF&id=4654