服务计算环境下一种基于机器学习的负载预测方法研究

摘要：

随着计算机技术的迅速发展,分布式应用的规模迅速增加,越来越多的软件系统开始采用面向服务的体系结构SOA.为了提高SOA的可靠性和可扩展性,一种有效的方式就是提供服务副本,并通过基于中间件的负载平衡服务在不同的服务副本之间平衡负载.通过使用中间件,我们可以满足当前的面向服务应用对于性能、可扩展性和可用性的需求.然而,我们必须保证对于负载的计算具有一定的预测性以避免负载峰值的影响.对于复杂的面向服务应用来说,负载峰值意味着系统可能在短时间内具有极高的负载,而在大多数时间内负载较为平稳,从而因为负载取样的延时性导致系统过载而响应时间增加、总体吞吐量也受到影响.因此,为了降低响应时间,以及在负载频繁波动的情况下也能有效地利用服务副本,我们基于中间件为自适应和灵活的负载平衡机制的需求提出并实现了一种基于机器学习的预测机制.

关键词：面向服务应用、负载预测、机器学习、中间件

所属期刊栏目：34

分类号：TP3(计算技术、计算机技术)

资助基金：国家重点基础研究发展计划973计划2005cb321804;国家高技术研究发展计划863计划2004AA112020;面向21世纪教育振兴行动计划（985计划）长江学者和创新团队发展计划IRT0446

在线出版日期：2007-11-19（万方平台首次上网日期，不代表论文的发表时间）

页数：共4页

页码：269-272