一种LSTM循环神经网络建立虚拟机能耗模型的方法

发布时间：2021-07-08 21:57

　　研究针对云计算平台以虚粒机为测量粒度,使用灰色关联度分析确定主要运行状态参数,以Hypervisor针对虚拟资源进行运行状态参数采样,使用长短时记忆（LSTM）循环神经网络建立虚拟机能耗模型用以度量云计算平台实时能耗。能耗度量采用WordCount与Sort进行节点能耗测量,得出能耗模型的实时平均误差为0.067 7。 

【文章来源】：传感器与微系统. 2020,39(09)CSCD

【文章页数】：5 页

【部分图文】：

LSTM虚拟机能耗模型框架

人工神经网络(artificial neural network,ANN)包括输入层、隐藏层及输出层，其输出由当前输入数值决定，与输入时序无关。但虚拟机能耗数值是一个连续变量，故其数值变化与虚拟机运行状态参数之间的关系存在较强的时序性。故此处选择LSTM神经网络，其可反映虚拟机能耗时间序列数据的时序特征。LSTM虚拟机能耗模型架构见图2。LSTM采用门机制消除梯度消失问题，其作用机制原理见图3，其由3个控制门与1个存储单元构成。门控制数据的筛选，存储单元对数据进行保存和传递。控制门为input gate,it,forget gate,ft与output gate,ot;g,h为tanh()的激活函数;σ为sigmoid()激活函数;zt为标准输出。

LSTM采用门机制消除梯度消失问题，其作用机制原理见图3，其由3个控制门与1个存储单元构成。门控制数据的筛选，存储单元对数据进行保存和传递。控制门为input gate,it,forget gate,ft与output gate,ot;g,h为tanh()的激活函数;σ为sigmoid()激活函数;zt为标准输出。LSTM对比标准RNN增加了跨越多时间点的携带数据。这种方法可以更好地处理时序性数据，并避免前序数据的效用消失。携带数据传递的计算见式(7)

【参考文献】：
期刊论文
[1]基于对抗式神经网络的多维度情绪回归[J]. 朱苏阳,李寿山,周国栋.  软件学报. 2019(07)
[2]基于灰色关联度的组合优化模型研究[J]. 张和平,解晓龙.  统计与决策. 2019(09)
[3]混合供电数据中心能耗优化研究进展[J]. 宋杰,孙宗哲,刘慧,鲍玉斌,于戈.  计算机学报. 2018(12)
[4]面向同驻虚拟机的高效共享内存文件系统[J]. 沙行勉,吴挺,诸葛晴凤,杨朝树,马竹琳,陈咸彰.  计算机学报. 2019(04)
[5]算法能耗复杂度的定义与推导[J]. 宋杰,马忠义,徐澍,鲍玉斌,于戈.  计算机学报. 2018(03)
[6]An exploratory study of multimodal interaction modeling based on neural computation[J]. Lu LU,Fei LYU,Feng TIAN,Yineng CHEN,Guozhong DAI,Hongan WANG.  Science China（Information Sciences）. 2016(09)
[7]云计算数据中心的新能源应用:研究现状与趋势[J]. 邓维,刘方明,金海,李丹.  计算机学报. 2013(03)



本文编号：3272406