負載不平衡往往會導致分布式系統(tǒng)的性能損失,因此大量的動態(tài)負載平衡策略被引入來管理共享資源和分布式負載,它們基于負載和應用特性來實現(xiàn)所需平衡。其中負載預測是一種廣泛應用于改善負載分布以避免負載不平衡的技術。由于傳統(tǒng)預測模型精度低,所以有很大的局限性。為了提高負載預測精度,針對負載序列的變化特性,提出一種基于LSTM（長短期記憶網絡）的負載預測算法。所提出的算法在真實數(shù)據集上進行驗證,實驗結果表明該算法能夠精準地預測負載信息,其性能優(yōu)于其他負載預測算法,如ARIMA、EWMA、RNN等。 

【文章來源】：現(xiàn)代計算機. 2020年09期

【文章頁數(shù)】：4 頁

【部分圖文】：

LSTM結構

為了證明本文提出模型DLSTM的有效性，在真實數(shù)據集上驗證了該模型，并跟多種時間序列預測模型進行了比較，如：自回歸積分移動平均模型（ARIMA）、循環(huán)神經網絡（RNN）、門控循環(huán)單元（GRU）等。本文通過平均絕對誤差（MAE）、均方根誤差（RMSE）和均方根百分比誤差（RMSPE）等不同的度量指標來評估DL-STM模型的負載預測準確性。通過對比實驗發(fā)現(xiàn)，提出的DLSTM模型的各誤差度量值是所有對比模型中的全局最小值，說明DLSTM用于預測負載是相應模型中性能最好的，最適合用來模擬負載的變化并精準的預測負載信息。圖2說明了真實數(shù)據和DLSTM模型預測值之間的關系。4 結語


本文編號：2958477