研究針對云計算平臺以虛粒機為測量粒度,使用灰色關(guān)聯(lián)度分析確定主要運行狀態(tài)參數(shù),以Hypervisor針對虛擬資源進行運行狀態(tài)參數(shù)采樣,使用長短時記憶（LSTM）循環(huán)神經(jīng)網(wǎng)絡(luò)建立虛擬機能耗模型用以度量云計算平臺實時能耗。能耗度量采用WordCount與Sort進行節(jié)點能耗測量,得出能耗模型的實時平均誤差為0.067 7。 

【文章來源】：傳感器與微系統(tǒng). 2020,39(09)CSCD

【文章頁數(shù)】：5 頁

【部分圖文】：

LSTM虛擬機能耗模型框架

人工神經(jīng)網(wǎng)絡(luò)(artificial neural network,ANN)包括輸入層、隱藏層及輸出層，其輸出由當(dāng)前輸入數(shù)值決定，與輸入時序無關(guān)。但虛擬機能耗數(shù)值是一個連續(xù)變量，故其數(shù)值變化與虛擬機運行狀態(tài)參數(shù)之間的關(guān)系存在較強的時序性。故此處選擇LSTM神經(jīng)網(wǎng)絡(luò)，其可反映虛擬機能耗時間序列數(shù)據(jù)的時序特征。LSTM虛擬機能耗模型架構(gòu)見圖2。LSTM采用門機制消除梯度消失問題，其作用機制原理見圖3，其由3個控制門與1個存儲單元構(gòu)成。門控制數(shù)據(jù)的篩選，存儲單元對數(shù)據(jù)進行保存和傳遞�？刂崎T為input gate,it,forget gate,ft與output gate,ot;g,h為tanh()的激活函數(shù);σ為sigmoid()激活函數(shù);zt為標準輸出。

LSTM采用門機制消除梯度消失問題，其作用機制原理見圖3，其由3個控制門與1個存儲單元構(gòu)成。門控制數(shù)據(jù)的篩選，存儲單元對數(shù)據(jù)進行保存和傳遞�？刂崎T為input gate,it,forget gate,ft與output gate,ot;g,h為tanh()的激活函數(shù);σ為sigmoid()激活函數(shù);zt為標準輸出。LSTM對比標準RNN增加了跨越多時間點的攜帶數(shù)據(jù)。這種方法可以更好地處理時序性數(shù)據(jù)，并避免前序數(shù)據(jù)的效用消失。攜帶數(shù)據(jù)傳遞的計算見式(7)

【參考文獻】：
期刊論文
[1]基于對抗式神經(jīng)網(wǎng)絡(luò)的多維度情緒回歸[J]. 朱蘇陽,李壽山,周國棟.  軟件學(xué)報. 2019(07)
[2]基于灰色關(guān)聯(lián)度的組合優(yōu)化模型研究[J]. 張和平,解曉龍.  統(tǒng)計與決策. 2019(09)
[3]混合供電數(shù)據(jù)中心能耗優(yōu)化研究進展[J]. 宋杰,孫宗哲,劉慧,鮑玉斌,于戈.  計算機學(xué)報. 2018(12)
[4]面向同駐虛擬機的高效共享內(nèi)存文件系統(tǒng)[J]. 沙行勉,吳挺,諸葛晴鳳,楊朝樹,馬竹琳,陳咸彰.  計算機學(xué)報. 2019(04)
[5]算法能耗復(fù)雜度的定義與推導(dǎo)[J]. 宋杰,馬忠義,徐澍,鮑玉斌,于戈.  計算機學(xué)報. 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]云計算數(shù)據(jù)中心的新能源應(yīng)用:研究現(xiàn)狀與趨勢[J]. 鄧維,劉方明,金海,李丹.  計算機學(xué)報. 2013(03)



本文編號：3272406