计算机工程

作者：贺小伟, 徐靖杰, 王宾, 吴昊, 张博文

单位：1. 西北大学 网络和数据中心, 西安 710127;2. 西北大学 信息科学与技术学院, 西安 710127

关键词：云计算,负载预测,预测模型,门控循环单元,长短期记忆网络

基金：国家重点研发计划“智慧博物馆关键技术研发与示范”（2019YFC1521100）；教育部第二批新工科研究与实践项目“面向智慧教学的新工科教育教学资源平台建设”（E-XTYR20200665）；西安市科技计划项目（2020KJRC0117）。

日益增多的应用部署在云端使得云数据中心的功耗波动剧烈，从而导致云数据中心资源利用率不平衡，高效的负载预测是解决该问题的关键技术。针对目前负载预测模型预测精度低、预测时间长的问题，建立一种基于门控循环单元（GRU）与长短期记忆（LSTM）网络的组合预测模型GRU-LSTM。该模型的网络结构包括3层，第一层采用GRU，利用GRU参数少、易收敛的特点减少模型训练时间，第二、第三层采用LSTM，结合LSTM参数多的优势提高模型的预测精度。在此基础上，对数据集作缺失值处理和标准化处理，使用随机森林算法对原始序列进行特征选择后得到一组新的序列值，将该序列值作为GRU-LSTM组合预测模型的输入，以对云计算资源进行高效预测。在集群公开数据集Cluster-trace-v2018上进行实验，结果表明，与传统的单一预测模型ARIMA、LSTM、GRU以及现有的组合预测模型ARIMA-LSTM、Refined LSTM等相比，GRU-LSTM模型预测结果的均方误差减少6~9，预测时间平均缩短约10%。

来源：2022年第5期

《计算机工程》期刊编辑部

查看计算机工程杂志2022年第5期