基于卷积神经网络的虚拟机多类型负载联合预测方法

发布时间：2023-06-08 22:25

　　虚拟机(VM)负载预测对提高云数据中心的资源利用率及用户服务质量起着至关重要的作用。然而现有的预测方法通常只考虑单一负载类型,在真实的云环境中,要么难以保障预测精度,要么因为需要同时建立多个预测模型而产生庞大的训练和预测时间开销。针对现有预测方法无法有效兼顾多种类型负载场景下预测精度和时间开销的问题,提出了一种基于卷积神经网络(CNN)的多类型负载联合预测方法(TSF),能自动化构建并提取关键训练样本,并充分挖掘其中潜在的时序特征和空间特征,从而在考虑多种虚拟机负载情况下,能有效降低训练和预测时间成本,同时提高预测精度。

【文章页数】：9 页

【文章目录】：
0 引 言
1 相关工作
2 多类型负载联合预测方法
    2.1 时序特征和空间特征分析
    2.2 基于滑动窗口的特征单元-标签对构造
    2.3 基于CNN的预测模型框架
    2.4 局部空间特征增强算法
    2.5 双模型训练结构
3 实验评估
    3.1 实验配置及说明
    3.2 性能分析
        (1)预测精度。
        (2)训练和预测时间。
    3.3 参数评估
        3.3.1 空间特征增强阈值
        3.3.2 输入窗口大小
4 结 论



本文编号：3832616