本文選題：云計(jì)算 + 云負(fù)載��； 參考：《江蘇大學(xué)》2017年碩士論文

【摘要】：從云計(jì)算誕生至今,其產(chǎn)業(yè)經(jīng)歷了一個(gè)飛速發(fā)展的時(shí)期。現(xiàn)在,越來越多的企業(yè)選擇把公司的業(yè)務(wù)部署在云計(jì)算中心;越來越多的個(gè)人選擇購買云計(jì)算服務(wù)。云服務(wù)提供商在獲得豐厚利潤的同時(shí)也承受著巨大的壓力,業(yè)務(wù)的增加迫使它們不得不持續(xù)擴(kuò)大云計(jì)算數(shù)據(jù)中心的建設(shè),以滿足用戶的不同需求。這也迫使云服務(wù)提供商不得不思考如何在不浪費(fèi)云資源的前提下既不違背SLA(Service-Level Agreement)又能很好的滿足用戶的資源需求。對(duì)于云服務(wù)提供商來說,這是一個(gè)巨大的挑戰(zhàn)。近年來,關(guān)于上述問題的研究和討論不絕于耳。一些有效的方案已經(jīng)被提出。例如,研究人員提出虛擬機(jī)優(yōu)化策略,容量管理策略以及用戶模式匹配策略等。這些方案的提出,在一定程度上提高了云計(jì)算資源的利用率,緩解了云服務(wù)廠商的壓力。除此之外,另外一個(gè)研究方向也被給予厚望,即云計(jì)算工作負(fù)載預(yù)測(cè)方案�？蒲腥藛T希望通過研究云平臺(tái)上工作負(fù)載的特征,結(jié)合歷史負(fù)載數(shù)據(jù)來實(shí)現(xiàn)對(duì)未來一段時(shí)間內(nèi)工作負(fù)載的預(yù)測(cè)。這樣,管理人員便能夠根據(jù)預(yù)測(cè)結(jié)果及時(shí)合理的配置云計(jì)算資源,在滿足用戶需求的同時(shí),減少資源的浪費(fèi)。對(duì)于此方向上的研究,已經(jīng)取得了部分成果。但是,現(xiàn)存的很多方案都存在著一些缺點(diǎn)。大部分的預(yù)測(cè)方案準(zhǔn)確性不高,這對(duì)于用戶和廠商來說都會(huì)帶來嚴(yán)重的后果。由于預(yù)測(cè)準(zhǔn)確性不高,可能導(dǎo)致服務(wù)資源配置過少或者極度過量,過少則會(huì)導(dǎo)致用戶任務(wù)無法完成,服務(wù)器崩潰宕機(jī);過多則會(huì)造成云計(jì)算資源的過度浪費(fèi)。總之,現(xiàn)存的一些預(yù)測(cè)方案還不夠成熟,還無法滿足云服務(wù)廠商的需求。這樣一來,在云負(fù)載預(yù)測(cè)方向上的研究還不能夠停止。為此,本文提出了一個(gè)新穎的云負(fù)載預(yù)測(cè)模型,在分析用戶行為特征的基礎(chǔ)上,引入聚類算法進(jìn)行歷史數(shù)據(jù)的前期處理,將相似的負(fù)載任務(wù)聚類到一起。緊接著利用改進(jìn)的BP神經(jīng)網(wǎng)絡(luò)算法對(duì)聚類歷史數(shù)據(jù)進(jìn)行預(yù)測(cè),從而得到未來一段時(shí)間內(nèi)的負(fù)載數(shù)據(jù),最終達(dá)到合理配置云計(jì)算資源的目的。本文的主要內(nèi)容和創(chuàng)新點(diǎn)如下:(1)為提高負(fù)載預(yù)測(cè)模型的預(yù)測(cè)準(zhǔn)確性,通過對(duì)Google云計(jì)算數(shù)據(jù)中心相關(guān)歷史負(fù)載數(shù)據(jù)的研究,統(tǒng)計(jì)分析了負(fù)載特征與用戶行為特征,并詳細(xì)闡述了兩者之間的關(guān)系,為接下來基于負(fù)載分類的預(yù)測(cè)模型的提出提供了理論依據(jù)。(2)為了加快負(fù)載預(yù)測(cè)模型的整體預(yù)測(cè)速度,改進(jìn)了K-means聚類算法,在聚類的過程中,引入數(shù)據(jù)密度和Quick Sort算法,使改進(jìn)后的K-means算法能夠迅速的確定初始聚類中心,以達(dá)到對(duì)負(fù)載數(shù)據(jù)快速聚類的目的。(3)為了能夠進(jìn)一步提高負(fù)載預(yù)測(cè)模型的效率和準(zhǔn)確性,通過對(duì)神經(jīng)網(wǎng)絡(luò)算法的研究,提出了一種基于BP神經(jīng)網(wǎng)絡(luò)的改進(jìn)預(yù)測(cè)算法RVLBPNN,該算法通過優(yōu)化學(xué)習(xí)率加快了數(shù)據(jù)處理過程,并且提高了預(yù)測(cè)的準(zhǔn)確性。(4)針對(duì)現(xiàn)有預(yù)測(cè)模型的缺點(diǎn),將改進(jìn)后的K-means聚類算法與RVLBPNN預(yù)測(cè)算法相結(jié)起來形成一個(gè)新的云負(fù)載預(yù)測(cè)模型K-RVLBPNN,該模型充分利用了云負(fù)載特征與用戶行為特征。并且通過實(shí)驗(yàn)將新模型與HMM模型與NBC模型進(jìn)行了對(duì)比,驗(yàn)證了新模型的預(yù)測(cè)效果。
[Abstract]:This paper presents a novel cloud load forecasting model . ( 3 ) In order to improve the efficiency and accuracy of the load forecasting model , the improved K - means clustering algorithm and the RVLBPNN prediction algorithm are used to improve the efficiency and accuracy of the load forecasting model .

【學(xué)位授予單位】：江蘇大學(xué)
【學(xué)位級(jí)別】：碩士
【學(xué)位授予年份】：2017
【分類號(hào)】：TP311.13;TP183

【參考文獻(xiàn)】

相關(guān)期刊論文 前5條

1 張陽;何麗;朱顥東;;一種改進(jìn)的K-means動(dòng)態(tài)聚類算法[J];重慶師范大學(xué)學(xué)報(bào)(自然科學(xué)版);2016年01期

2 伍育紅;;聚類算法綜述[J];計(jì)算機(jī)科學(xué);2015年S1期

3 李喬;鄭嘯;;云計(jì)算研究現(xiàn)狀綜述[J];計(jì)算機(jī)科學(xué);2011年04期

4 蘇錦旗;薛惠鋒;詹海亮;;基于劃分的K-均值初始聚類中心優(yōu)化算法[J];微電子學(xué)與計(jì)算機(jī);2009年01期

5 李業(yè)麗;秦臻;;一種改進(jìn)的k-means算法[J];北京印刷學(xué)院學(xué)報(bào);2007年02期

相關(guān)碩士學(xué)位論文 前4條

1 陳偉;基于貝葉斯模型的云服務(wù)QoS預(yù)測(cè)和保障研究[D];江蘇大學(xué);2016年

2 劉珊珊;基于云計(jì)算平臺(tái)Hadoop的聚類神經(jīng)網(wǎng)絡(luò)算法的研究與實(shí)現(xiàn)[D];貴州大學(xué);2016年

3 嚴(yán)正飛;基于HADOOP云計(jì)算平臺(tái)的聚類算法研究[D];南京大學(xué);2014年

4 張亞楠;基于Hadoop云計(jì)算平臺(tái)的聚類算法并行化研究[D];內(nèi)蒙古科技大學(xué);2013年

，

本文編號(hào)：1825629