小样本负载序列的结构化预测方法

摘要：

准确的负载预测是实现云平台弹性资源管理的关键.针对云负载预测中存在大量运行周期较短的任务,导致预测模型训练数据不足的问题,提出一种利用多变量负载序列结构化信息的预测方法(SP-MWS).依据同一任务运行中消耗的多种资源间内在的相关性,挖掘多维负载序列间的信息,补充小样本序列的预测信息量.首先,为获取相关性强的负载类型,采用最大互信息系数(MIC)和信息熵进行负载类型的度量选择;然后,构建核范数正则化多任务学习模型(TNR-MTL),将相关负载序列同时输入,实现其结构化信息的挖掘,并完成多种负载的同时预测.在Google云平台的运行监控日志数据集上进行验证,实验结果表明,所提方法获得的相关负载序列类型可明显增加模型信息量.对于预测模型的决策依据进行解释性分析,可视化每种变量对预测结果的贡献度;对比实验表明,所提预测方法在时间性能和预测精度上均优于常用的负载预测方法.

关键词：云计算、弹性、负载预测、多变量预测、结构化信息

所属期刊栏目：16

分类号：TP393(计算技术、计算机技术)

资助基金：河南省重点研发与推广专项科技攻关项目;河南省高等教育教学改革研究与实践项目;网络与交换技术国家重点实验室北京邮电大学开放课题资助项目

在线出版日期：2022-07-26（万方平台首次上网日期，不代表论文的发表时间）

页数：共9页

页码：1552-1560