云环境下工作负载预测模型的研究

发布时间：2018-04-30 18:11

本文选题：云计算 + 云负载　；参考：《江苏大学》2017年硕士论文

【摘要】：从云计算诞生至今,其产业经历了一个飞速发展的时期。现在,越来越多的企业选择把公司的业务部署在云计算中心;越来越多的个人选择购买云计算服务。云服务提供商在获得丰厚利润的同时也承受着巨大的压力,业务的增加迫使它们不得不持续扩大云计算数据中心的建设,以满足用户的不同需求。这也迫使云服务提供商不得不思考如何在不浪费云资源的前提下既不违背SLA(Service-Level Agreement)又能很好的满足用户的资源需求。对于云服务提供商来说,这是一个巨大的挑战。近年来,关于上述问题的研究和讨论不绝于耳。一些有效的方案已经被提出。例如,研究人员提出虚拟机优化策略,容量管理策略以及用户模式匹配策略等。这些方案的提出,在一定程度上提高了云计算资源的利用率,缓解了云服务厂商的压力。除此之外,另外一个研究方向也被给予厚望,即云计算工作负载预测方案。科研人员希望通过研究云平台上工作负载的特征,结合历史负载数据来实现对未来一段时间内工作负载的预测。这样,管理人员便能够根据预测结果及时合理的配置云计算资源,在满足用户需求的同时,减少资源的浪费。对于此方向上的研究,已经取得了部分成果。但是,现存的很多方案都存在着一些缺点。大部分的预测方案准确性不高,这对于用户和厂商来说都会带来严重的后果。由于预测准确性不高,可能导致服务资源配置过少或者极度过量,过少则会导致用户任务无法完成,服务器崩溃宕机;过多则会造成云计算资源的过度浪费。总之,现存的一些预测方案还不够成熟,还无法满足云服务厂商的需求。这样一来,在云负载预测方向上的研究还不能够停止。为此,本文提出了一个新颖的云负载预测模型,在分析用户行为特征的基础上,引入聚类算法进行历史数据的前期处理,将相似的负载任务聚类到一起。紧接着利用改进的BP神经网络算法对聚类历史数据进行预测,从而得到未来一段时间内的负载数据,最终达到合理配置云计算资源的目的。本文的主要内容和创新点如下:(1)为提高负载预测模型的预测准确性,通过对Google云计算数据中心相关历史负载数据的研究,统计分析了负载特征与用户行为特征,并详细阐述了两者之间的关系,为接下来基于负载分类的预测模型的提出提供了理论依据。(2)为了加快负载预测模型的整体预测速度,改进了K-means聚类算法,在聚类的过程中,引入数据密度和Quick Sort算法,使改进后的K-means算法能够迅速的确定初始聚类中心,以达到对负载数据快速聚类的目的。(3)为了能够进一步提高负载预测模型的效率和准确性,通过对神经网络算法的研究,提出了一种基于BP神经网络的改进预测算法RVLBPNN,该算法通过优化学习率加快了数据处理过程,并且提高了预测的准确性。(4)针对现有预测模型的缺点,将改进后的K-means聚类算法与RVLBPNN预测算法相结起来形成一个新的云负载预测模型K-RVLBPNN,该模型充分利用了云负载特征与用户行为特征。并且通过实验将新模型与HMM模型与NBC模型进行了对比,验证了新模型的预测效果。
[Abstract]:This paper presents a novel cloud load forecasting model . ( 3 ) In order to improve the efficiency and accuracy of the load forecasting model , the improved K - means clustering algorithm and the RVLBPNN prediction algorithm are used to improve the efficiency and accuracy of the load forecasting model .

【学位授予单位】：江苏大学
【学位级别】：硕士
【学位授予年份】：2017
【分类号】：TP311.13;TP183

【参考文献】