【摘要】：近年來,互聯(lián)網(wǎng)發(fā)展迅速,我們已然進(jìn)入大數(shù)據(jù)時代,隨之云計算技術(shù)也得到了大力研究和關(guān)注,云平臺成為了一個基礎(chǔ)性平臺,對云平臺資源管理的研究也就成為了熱點(diǎn)。如何利用云平臺負(fù)載數(shù)據(jù)的特征,提高云平臺的資源利用率,為用戶提供更優(yōu)質(zhì)的服務(wù),成為了云平臺資源管理的重要問題。本文主要對云計算技術(shù)的核心問題之一:云平臺資源調(diào)度管理進(jìn)行研究,目的是解決云平臺資源調(diào)度管理中作業(yè)終止?fàn)顟B(tài)的預(yù)測問題,將以大型谷歌云平臺中公開日志數(shù)據(jù)作為實(shí)驗(yàn)數(shù)據(jù)集,通過對數(shù)據(jù)集中與作業(yè)終止?fàn)顟B(tài)有關(guān)屬性分析后,選擇合適的負(fù)載特征向量樣本,為各模型的輸入做準(zhǔn)備。對目前分類預(yù)測模型的各方面性能(測試時間、預(yù)測精度和適用范圍)分析比較后,選擇了極限學(xué)習(xí)機(jī)(ELM)、支持向量機(jī)、在線順序極限學(xué)習(xí)機(jī)(OS-ELM)、多層極限學(xué)習(xí)機(jī)(ML-ELM)和多層在線順序極限學(xué)習(xí)機(jī)(ML-OSELM)這五個較優(yōu)模型對云平臺數(shù)據(jù)集中作業(yè)終止?fàn)顟B(tài)進(jìn)行了預(yù)測,結(jié)果顯示在測試時間方面,各模型相差不多;在測試精度方面,多隱層神經(jīng)網(wǎng)絡(luò)模型的測試精度都比單隱層網(wǎng)絡(luò)模型的測試精度高,其中多層極限學(xué)習(xí)機(jī)模型(ML-ELM)的測試精度最高,為92.67%。多層在線順序極限學(xué)習(xí)機(jī)模型(ML-OSELM)的測試精度和多層自編碼極限學(xué)習(xí)機(jī)模型(ML-ELM)的測試精度相近,為92.45%,由于ML-OSELM模型可有效解決云平臺中因數(shù)據(jù)量不斷增加而受限于內(nèi)存的問題,所以ML-OSELM模型為上述模型中的最優(yōu)模型,更適合于對大規(guī)模云平臺中作業(yè)終止?fàn)顟B(tài)進(jìn)行預(yù)測。根據(jù)實(shí)驗(yàn)結(jié)果所選用的多層在線順序極限學(xué)習(xí)機(jī)分類預(yù)測模型(MLOSELM)可以減少云平臺中內(nèi)存占用率,降低服務(wù)成本和改善云平臺服務(wù)質(zhì)量,對云計算調(diào)度管理中作業(yè)終止?fàn)顟B(tài)的預(yù)測問題有著重要的作用。
【學(xué)位授予單位】：內(nèi)蒙古大學(xué)
【學(xué)位級別】：碩士
【學(xué)位授予年份】：2019
【分類號】：TP393.09;TP18
【圖文】：

內(nèi)蒙古大學(xué)碩士學(xué)位論文活函數(shù)和隱層節(jié)點(diǎn)偏置一樣，都是給模型增加了非線性因素，使模型可處具有泛化能力。常用的激活函數(shù)有 Sigmoid 函數(shù)、Tanh 函數(shù)、Relu 函數(shù)和 S 2.2 所示。在特征相差比較大且目標(biāo)數(shù)據(jù)為二分類時適合用 sig 函數(shù)和 tan數(shù)和 sig 函數(shù)相似，也適合處理目標(biāo)數(shù)據(jù)特征相差比較大的情況，但適合處elu 函數(shù)因輸入值大于 0 時梯度衰減較小，所以適合監(jiān)督學(xué)習(xí)。

基于負(fù)載特征的云集群作業(yè)終止?fàn)顟B(tài)預(yù)測方法的研究2.3 自編碼器概述編碼器是一種無監(jiān)督的神經(jīng)網(wǎng)絡(luò)模型[25][26]，其可以看作為一種數(shù)據(jù)壓縮算法，目標(biāo)輸入進(jìn)行另一種相似的表達(dá)，即學(xué)習(xí)目標(biāo)輸入的特征。其包含輸入層、隱三個部分，其中包含多個隱含層的自編碼器被稱為深層自編碼器。輸入層和隱值處被稱為編碼，隱含層包含著經(jīng)過編程器編碼后的特征信息，隱含層和輸出處被稱為解碼，其可將隱層所含特征信息映射到輸出層。自編碼器例圖和單隱 2.8 和圖 2.9 所示：

圖 2. 10 支持向量機(jī)平面示意圖Fig. 2.10 Support vector machine planar diagram大超平面的中間線性方程，兩條虛線為最大超平面的邊向量機(jī)。最大超平面的邊界距離為 = ，其中實(shí)線方，若數(shù)據(jù)都為完全線性可分，則任意數(shù)據(jù)到超平面的距以 = 和 = 為邊界，數(shù)據(jù)被分為和 Vapnik 等人通過在模型中增加核函數(shù)的方法得到了素，利用非線性函數(shù)將線性不可分?jǐn)?shù)據(jù)映射到了更高維大超平面。此時超平面為 ( ) = ， ( )為核RBF kernel）、拉普拉斯核函數(shù)（Laplacian kernel）和 S對數(shù)據(jù)進(jìn)行二分類，但實(shí)際遇到的數(shù)據(jù)多為多分類的構(gòu)建多個超平面實(shí)現(xiàn)了 SVM 的多分類，具體方法如下

【相似文獻(xiàn)】

相關(guān)期刊論文 前10條

1 韓曉東,傅春江,杜宇,陳全世;判斷電動車電池放電終止?fàn)顟B(tài)的新標(biāo)準(zhǔn)[J];電池;2002年02期

2 麻友良;劉國棟;陳全世;;混合動力汽車電池放電終止?fàn)顟B(tài)判斷方法[J];汽車電器;2007年10期

3 曾小華;王越;楊南南;宋大鳳;李廣含;;基于約束終止?fàn)顟B(tài)的行星混合動力系統(tǒng)全局優(yōu)化算法[J];汽車工程;2019年03期

4 胡秀貞;有機(jī)反應(yīng)的競爭性[J];化學(xué)通報;1994年06期

5 蔣萬超,辛志茹,馮斐斐;礦燈電池壽命終止?fàn)顟B(tài)分析[J];煤礦機(jī)械;2001年10期

6 謝麗霞;汪子熒;;一種分段集群異常作業(yè)預(yù)測方法[J];大連理工大學(xué)學(xué)報;2019年04期

7 陳江兵;張巍;;基于狀態(tài)轉(zhuǎn)換方法的不良信息文本過濾模型[J];江西教育學(xué)院學(xué)報(綜合);2005年06期

8 鄧丙成,陳瀅,徐耕,陳文華,何永健,謝茂海,唐叔賢;ATLEED研究6H-SiC(0001)(3~(0.5)×3~(0.5))R30°重構(gòu)表面[J];物理學(xué)報;2001年01期

9 王建平,劉延杰;由有窮自動機(jī)構(gòu)造正則表達(dá)式的新算法[J];計算機(jī)應(yīng)用與軟件;2003年10期

10 李鵬;彭祥偉;周喜;董軍;代四廣;;基于狀態(tài)圖的測試路徑自動生成[J];計算機(jī)工程;2011年02期

相關(guān)碩士學(xué)位論文 前1條

1 呂強(qiáng);基于負(fù)載特征的云集群作業(yè)終止?fàn)顟B(tài)預(yù)測方法的研究[D];內(nèi)蒙古大學(xué);2019年

本文編號：2750615