本文關(guān)鍵詞：基于神經(jīng)網(wǎng)絡(luò)的虛擬機(jī)能耗預(yù)測模型研究，由筆耕文化傳播整理發(fā)布。

【摘要】：近年來,由于互聯(lián)網(wǎng)的蓬勃發(fā)展,數(shù)據(jù)中心規(guī)模有了迅速提升,其數(shù)量越來越多,并且單個(gè)數(shù)據(jù)中心的規(guī)模也越來越大。隨著云計(jì)算技術(shù)的普及和成熟,絕大多數(shù)的數(shù)據(jù)中心開始逐漸采用云計(jì)算的服務(wù)方式對外提供云服務(wù),從而成為了云服務(wù)提供商�，F(xiàn)在對外提供云服務(wù)的數(shù)據(jù)中心每天都消耗著大量的能源,能源消耗成本已經(jīng)成了云服務(wù)提供商不可忽視的問題。因此,如何節(jié)約能源和降低能耗成為云服務(wù)提供商亟待解決的關(guān)鍵問題。在基礎(chǔ)設(shè)施即服務(wù)(IaaS)的云服務(wù)模式下,準(zhǔn)確的預(yù)測虛擬機(jī)(VM)的能耗,對不同物理機(jī)(PM)之間進(jìn)行虛擬機(jī)調(diào)度的調(diào)度策略和遷移合并策略的制定具有重要意義,同時(shí)可以降低能源消耗,有益于環(huán)境保護(hù)；而且有利于制定合理的定價(jià)策略,進(jìn)一步吸引用戶。 本文研究了多虛擬機(jī)環(huán)境中物理機(jī)負(fù)載對虛擬機(jī)能耗的影響。針對考慮物理機(jī)負(fù)載影響的虛擬機(jī)功耗預(yù)測問題,本文提出了使用單個(gè)RBF人工神經(jīng)網(wǎng)絡(luò)的預(yù)測模型來解決此問題。當(dāng)前還沒有使用神經(jīng)網(wǎng)絡(luò)來解決這一問題的研究。在RBF人工神經(jīng)網(wǎng)絡(luò)模型中,首先選擇合適的虛擬機(jī)運(yùn)行狀態(tài)參數(shù)并進(jìn)行歸一化,歸一化結(jié)果作為RBF神經(jīng)網(wǎng)絡(luò)模型的輸入；然后,使用采集的歷史虛擬機(jī)功耗和狀態(tài)參數(shù)數(shù)據(jù),訓(xùn)練RBF人工神經(jīng)網(wǎng)絡(luò)模型,獲得該RBF神經(jīng)網(wǎng)絡(luò)模型；最后,用得到的RBF神經(jīng)網(wǎng)絡(luò)模型在多虛擬機(jī)環(huán)境下,對單個(gè)虛擬機(jī)進(jìn)行預(yù)測。實(shí)驗(yàn)結(jié)果表明,本文提出的RBF神經(jīng)網(wǎng)絡(luò)模型能夠有效的預(yù)測虛擬機(jī)能耗,其平均預(yù)測精度誤差為2%,小于作為對比的多元線性回歸、分段線性回歸等模型的預(yù)測誤差。
【關(guān)鍵詞】：云計(jì)算 虛擬機(jī) 神經(jīng)網(wǎng)絡(luò) 能耗預(yù)測
【學(xué)位授予單位】：北京郵電大學(xué)
【學(xué)位級別】：碩士
【學(xué)位授予年份】：2015
【分類號】：TP183;TP302
【目錄】：

• 摘要4-5
• ABSTRACT5-9
• 第一章 緒論9-19
• 1.1 研究背景和意義9-13
• 1.1.1 研究背景9-11
• 1.1.2 研究意義11-13
• 1.2 國內(nèi)外虛擬機(jī)功耗預(yù)測問題研究現(xiàn)狀13-15
• 1.2.1 物理服務(wù)器功耗預(yù)測現(xiàn)狀13-14
• 1.2.2 虛擬機(jī)功耗預(yù)測現(xiàn)狀14-15
• 1.3 論文內(nèi)容15-16
• 1.4 論文創(chuàng)新點(diǎn)和結(jié)構(gòu)16-19
• 1.4.1 論文主要?jiǎng)?chuàng)新點(diǎn)16-17
• 1.4.2 論文結(jié)構(gòu)17-19
• 第二章 考慮物理機(jī)負(fù)載的虛擬機(jī)能耗預(yù)測問題19-25
• 2.1 能耗預(yù)測問題模型19-20
• 2.2 物理機(jī)負(fù)載與虛擬機(jī)功耗的非線性關(guān)系20-22
• 2.3 虛擬機(jī)功耗預(yù)測系統(tǒng)22-24
• 2.3.1 虛擬機(jī)運(yùn)行狀態(tài)采集子系統(tǒng)22-23
• 2.3.2 虛擬機(jī)功耗訓(xùn)練預(yù)測子系統(tǒng)23-24
• 2.4 本章小結(jié)24-25
• 第三章 虛擬機(jī)功耗預(yù)測常用模型方法概述25-31
• 3.1 多元線性回歸模型25-26
• 3.2 混合高斯模型26-27
• 3.3 分段多元線性回歸模型27-28
• 3.4 支持向量回歸(SVR)模型28-29
• 3.5 二維表查找方法29-30
• 3.6 本章小結(jié)30-31
• 第四章 神經(jīng)網(wǎng)絡(luò)模型概述31-49
• 4.1 人工神經(jīng)網(wǎng)絡(luò)的優(yōu)點(diǎn)31-32
• 4.2 人工神經(jīng)元模型32-34
• 4.3 人工神經(jīng)網(wǎng)絡(luò)的激活函數(shù)34-36
• 4.4 多層前饋型人工神經(jīng)網(wǎng)絡(luò)36-37
• 4.5 神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)過程37-39
• 4.5.1 有教師學(xué)習(xí)37-38
• 4.5.2 無教師學(xué)習(xí)38-39
• 4.6 常用人工神經(jīng)網(wǎng)絡(luò)39-47
• 4.6.1 反向傳播(BP)神經(jīng)網(wǎng)絡(luò)39-43
• 4.6.2 徑向基函數(shù)(RBF)神經(jīng)網(wǎng)絡(luò)43-47
• 4.7 本章小結(jié)47-49
• 第五章 基于RBF神經(jīng)網(wǎng)絡(luò)的虛擬機(jī)能耗預(yù)測模型49-59
• 5.1 RBF神經(jīng)網(wǎng)絡(luò)模型結(jié)構(gòu)49-50
• 5.2 RBF神經(jīng)網(wǎng)絡(luò)輸入?yún)?shù)50-54
• 5.2.1 輸入?yún)?shù)獲取和工具介紹50-53
• 5.2.2 相關(guān)性分析53-54
• 5.3 參數(shù)的測量與歸一化方法54-55
• 5.4 RBF神經(jīng)網(wǎng)絡(luò)訓(xùn)練學(xué)習(xí)55-56
• 5.5 模型預(yù)測56-57
• 5.6 本章小結(jié)57-59
• 第六章 實(shí)驗(yàn)結(jié)果及分析59-67
• 6.1 實(shí)驗(yàn)環(huán)境59
• 6.2 對比模型和方法59-60
• 6.3 評價(jià)指標(biāo)60
• 6.4 實(shí)驗(yàn)結(jié)果數(shù)據(jù)與分析60-66
• 6.5 本章小結(jié)66-67
• 第七章 總結(jié)與展望67-69
• 參考文獻(xiàn)69-73
• 致謝73-75
• 作者攻讀學(xué)位期間發(fā)表的學(xué)術(shù)論文目錄75

【參考文獻(xiàn)】

中國期刊全文數(shù)據(jù)庫 前1條

1 吳德本;姚健;鄧志武;;云計(jì)算綜述[J];有線電視技術(shù);2012年03期

  本文關(guān)鍵詞：基于神經(jīng)網(wǎng)絡(luò)的虛擬機(jī)能耗預(yù)測模型研究，由筆耕文化傳播整理發(fā)布。

，

本文編號：425495