基于IF-EMD-LSTM的数据中心CPU负载预测

摘要：

针对数据中心服务器运行过程中CPU负载变化不能被准确预测的问题,分别建立了整合移动平均自回归模型(ARI-MA)和长短时记忆人工神经网络(LSTM)的CPU负载预测模型.由于上述模型缺少对原始数据的数据处理和人工智能算法局限性的考虑,故构建了基于孤立森林算法(IF)、经验模态分解(EMD)和LSTM的CPU负载组合预测方法(IEBL).对所建的三种模型进行参数求解和仿真并与实验结果对比,组合预测模型的平均相对误差降低了 8.71％～18.72％.结果表明,组合预测模型预测精度明显高于单一预测模型,在服务器CPU负载预测领域有广泛的应用前景.

关键词：孤立森林、经验模态分解、长短时记忆网络、负载预测

所属期刊栏目：39

分类号：TP391.9(计算技术、计算机技术)

资助基金：国家自然科学基金;民航科技创新重大专项;民航安全能力项目

在线出版日期：2022-09-05（万方平台首次上网日期，不代表论文的发表时间）

页数：共6页

页码：37-41,370