神经网络的IaaS云资源需求预测

神经网络的IaaS云资源需求预测神经网络的IaaS云资源需求预测 2016/02/02 摘要为保证基础设施即服务（）模式云环境中资源的有效分配与高效调度，提出了一种基于集成模型优化神经网络的资源需求预测方法（）分析了用户偏好以及资源配置需求，根据需求变化采用阈值法确定波动期与平缓期，通过基本预测器集成模型实现不同时期、不同需求的预处理预处理结果经过加权，与历史数据共同作为神经网络（）的训练数据，保证预测结果精度为改善神经网络的学习率与稳定性，采用自适应学习率以及动量方法对神经网络进行优化采用统计指标对系统有效性进行验证，结果表明所提方法可以精确有效实现用户需求预测关键词基础设施即服务（）；资源需求预测；集成模型；神经网络；自适应学习率；统计验证在模式云计算中，高效精确地为用户分配资源是效益最大化的重要保证云中心根据请求以虚拟机（）形式为其分配资源，为保证服务质量，有必要根据虚拟机运行状态实现资源动态调整然而，准备和初始化实例需要一定时间，使得资源无法根据用户需求动态调度，导致无法有效地为用户提供弹性的资源管理，降低了云计算的服务质量，因而需求预测为资源动态管理与供给提供了重要参考对资源需求和工作负载的预测已有许多研究工作，为了优化资源管理和任务调度，部分学者采用常规预测方法，例如基于移动平均线的长期趋势预测算法、基于的指数加权移动平均算法等实现云计算环境下的负载预测，有学者将模糊系统引入虚拟机负载和资源预测中，提升了系统鲁棒性，但是预测精度不够高针对云环境工作负载的非线性特性，有学者引入神经网络并结合典型预测方法上述预测方法难以对不断变化的情况进行自适应预测，其精确性和实时性有待提升本研究提出一种基于集成模型优化神经网络的预测方法，采用基本预测器集成模型对需求情况进行预处理，并分别从以下三个方面对神经网络进行了优化：利用集成模型的输出数据优化训练数据结构；通过优化神经网络传递函数改善网络权重更新过程；通过自适应学习率优化学习过程预测系统结构与资源需求情况预测系统云计算资源预测系统结构如图所示，图中为虚拟机资源需求预测之前，首先分析历史数据库中的用户请求，包括数据结构、内容和数量，得到用户偏好性选择、需求描述等为了实现精确有效的预测，对不同的资源需求情况进行分析，包括长期需求、短期需求和需求抖动情况，并给出了区分不同情况的方法准则对资源需求采用基本预测器集成模型进行预处理，对集成模型预测结果进行加权后，输入至神经网络预测器中神经网络同时采用历史数据序列和集成模型预测结果作为训练数据，以提升结果的精确性引入自适应学习率以及动量法改善神经网络的收敛速度和稳定性预测输出值用来指导云计算数据中心的资源分配采用不同统计指标对预测效果进行评估，并将结果反馈至历史数据库中，为后续资源预测调度提供参考需求平缓期基于平缓期的特点，采用二次移动平均法（）进行资源需求的预测，提高预测精度图所示为长度为的滑动窗模型。需求波动期指数移动平均法（）是一种短期预测的有效方法，由于其响应的快速性，因此适用于非周期性的快速变化时间序列预测对当前测量值给予较大权重，而对于较早时刻的测量值给予较小权重，可以对短期资源需求以及需求抖动作出快速反应波动期和平缓期确定进行需求预测时，须明确当前需求所处时期，定义波动阈值（）和平缓阈值（）界定平缓期与波动期集成模型优化神经网络资源需求预测总体结构通过集成预测模型可以对不同的需求情况进行预处理，而神经网络良好的非线性逼近能力和自组织特性可以提升预测结果的精度将集成模型结果输入至神经网络，实现二者有效结合，是提升系统预测性能的有效方法集成模型优化神经网络资源需求预测方法核心是采用两层结构，如图所示第一层为基本预测器集成模型，第一层的输出值与历史数据共同作为第二层神经网络训练值，以优化预测结果基本预测器集成模型在预测器基础上，集成模型引入自动回归模型（）和移动平均法（）设在时刻预测器的预测值为（），其对应权重为（），通过对上述预测结果进行加权，则集成模型输出值。实验与结果分析统计指标为了评估预测系统的性能，采用系列指标包括平均绝对误差（）和均方误差（），误差区间数量统计值（）对系统进行分析是测量预测值和真实值之间误差均值的指标。预测效果对比与分析基于集成模型优化神经网络的资源需求预测方法的预测结果如图所示，图中为访问流量由图可见预测值与实际值符合较好，误差较小.根据指标（）（），对多种预测方法进行对比实验，结果如表所示可知：对于平均归一化误差值和最大误差，均达到最小，和的预测结果与较接近，而仅采用神经网络时，预测效果较差；在误差能量方面低于其他方法，约为模型的；方法处于的误差点数最多，预测误差较小，预测性能优于其他预测方法预测方法学习过程优化仅采用神经网络时预测性能不理想，原因主要是学习率不够优化，本节讨论自适应学习率对神经网络的影响图为不同学习策略下的神经网络性能对比，为迭代次数不采用自适应学习率的神经网络经过个学习周期，均方误差（）接近，采用自适应学习率后，经过相同训练周期后，误差为，二者比率达到因此，采用自适应学习率后，神经网络的收敛速度有大幅提升，预测结果更加精确集成模型对预测效果的影响图所示为将集成模型预处理结果引入训练数据进行优化后的学习过程曲线与图相比，学习速度得到进一步提升，经过个训练周期即达到训练目标值，远小于仅采用历史数据作为训练数据的预测方法，网络收敛速度得到有效提升，而且其训练误差值达到了，性能得到进一步提升采用不同训练数据结构的性能对比如表所示引入集成模型后，预测性能得到有效提升，尽管绝对误差仅仅降低了，但是提升了；优化前后的值分别为和，（）值分别为，预测误差较表有进一步降低结论为了提升云计算资源供给效率和精确性，提出了一种基于集成模型优化神经网络的资源需求预测方法（）在分析了用户资源需求特点的基础上引入基本预测器集成模型对上述不同情况进行处理，并将预测结果发送至神经网络作为训练数据采用自适应学习率和带有动量的权重对学习过程进行优化通过统计指标对预测方法进行有效性验证结果表明可以有效精确地实现用户资源需求的预测，对于云中心资源调度提供了有效的参考，但是对于多人次多种资源预测，若采用顺序处理，则会降低预测的实时性，下一步工作重点在于采用多线程实现多人次多资源同时的预测