虛擬機(jī)(VM)負(fù)載預(yù)測(cè)對(duì)提高云數(shù)據(jù)中心的資源利用率及用戶(hù)服務(wù)質(zhì)量起著至關(guān)重要的作用。然而現(xiàn)有的預(yù)測(cè)方法通常只考慮單一負(fù)載類(lèi)型,在真實(shí)的云環(huán)境中,要么難以保障預(yù)測(cè)精度,要么因?yàn)樾枰瑫r(shí)建立多個(gè)預(yù)測(cè)模型而產(chǎn)生龐大的訓(xùn)練和預(yù)測(cè)時(shí)間開(kāi)銷(xiāo)。針對(duì)現(xiàn)有預(yù)測(cè)方法無(wú)法有效兼顧多種類(lèi)型負(fù)載場(chǎng)景下預(yù)測(cè)精度和時(shí)間開(kāi)銷(xiāo)的問(wèn)題,提出了一種基于卷積神經(jīng)網(wǎng)絡(luò)(CNN)的多類(lèi)型負(fù)載聯(lián)合預(yù)測(cè)方法(TSF),能自動(dòng)化構(gòu)建并提取關(guān)鍵訓(xùn)練樣本,并充分挖掘其中潛在的時(shí)序特征和空間特征,從而在考慮多種虛擬機(jī)負(fù)載情況下,能有效降低訓(xùn)練和預(yù)測(cè)時(shí)間成本,同時(shí)提高預(yù)測(cè)精度。

【文章頁(yè)數(shù)】：9 頁(yè)

【文章目錄】：
0 引 言
1 相關(guān)工作
2 多類(lèi)型負(fù)載聯(lián)合預(yù)測(cè)方法
    2.1 時(shí)序特征和空間特征分析
    2.2 基于滑動(dòng)窗口的特征單元-標(biāo)簽對(duì)構(gòu)造
    2.3 基于CNN的預(yù)測(cè)模型框架
    2.4 局部空間特征增強(qiáng)算法
    2.5 雙模型訓(xùn)練結(jié)構(gòu)
3 實(shí)驗(yàn)評(píng)估
    3.1 實(shí)驗(yàn)配置及說(shuō)明
    3.2 性能分析
        (1)預(yù)測(cè)精度。
        (2)訓(xùn)練和預(yù)測(cè)時(shí)間。
    3.3 參數(shù)評(píng)估
        3.3.1 空間特征增強(qiáng)閾值
        3.3.2 輸入窗口大小
4 結(jié) 論



本文編號(hào)：3832616