神經(jīng)網(wǎng)絡(luò)的IaaS云資源需求預(yù)測

《神經(jīng)網(wǎng)絡(luò)的IaaS云資源需求預(yù)測》由會員分享，可在線閱讀，更多相關(guān)《神經(jīng)網(wǎng)絡(luò)的IaaS云資源需求預(yù)測（3頁珍藏版）》請在裝配圖網(wǎng)上搜索。

1、神經(jīng)網(wǎng)絡(luò)的IaaS云資源需求預(yù)測 神經(jīng)網(wǎng)絡(luò)的IaaS云資源需求預(yù)測 2016/02/02 摘要 為保證基礎(chǔ)設(shè)施即服務(wù)（ＩａａＳ）模式云環(huán)境中資源的有效分配與高效調(diào)度，提出了一種基于集成模型－優(yōu)化神經(jīng)網(wǎng)絡(luò)的資源需求預(yù)測方法（ＥＭＯＮＮ）．分析了用戶偏好以及資源配置需求，根據(jù)需求變化采用閾值法確定波動期與平緩期，通過基本預(yù)測器集成模型實現(xiàn)不同時期、不同需求的預(yù)處理．預(yù)處理結(jié)果經(jīng)過加權(quán)，與歷史數(shù)據(jù)共同作為神經(jīng)網(wǎng)絡(luò)（ＮＮ）的訓(xùn)練數(shù)據(jù)，保證預(yù)測結(jié)果精度．為改善神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)率

2、與穩(wěn)定性，采用自適應(yīng)學(xué)習(xí)率以及動量方法對神經(jīng)網(wǎng)絡(luò)進(jìn)行優(yōu)化．采用統(tǒng)計指標(biāo)對系統(tǒng)有效性進(jìn)行驗證，結(jié)果表明所提方法可以精確有效實現(xiàn)用戶需求預(yù)測． 關(guān)鍵詞 基礎(chǔ)設(shè)施即服務(wù)（ＩａａＳ）；資源需求預(yù)測；集成模型；神經(jīng)網(wǎng)絡(luò)；自適應(yīng)學(xué)習(xí)率；統(tǒng)計驗證 在ＩａａＳ模式云計算［１］中，高效精確地為用戶分配資源是效益最大化的重要保證．云中心根據(jù)請求以虛擬機(jī)（ＶＭ）形式為其分配資源，為保證服務(wù)質(zhì)量，有必要根據(jù)虛擬機(jī)運行狀態(tài)實現(xiàn)資源動態(tài)調(diào)整．然而，準(zhǔn)備和初始化實例需要一定時間，使得資源無法根據(jù)用戶需求動態(tài)調(diào)度，導(dǎo)致無法有效地為用戶提供彈性的資源管理［２］，降低了云計算的服務(wù)質(zhì)量，因而需求預(yù)測為資源動態(tài)管

3、理與供給提供了重要參考［３］．對資源需求和工作負(fù)載的預(yù)測已有許多研究工作，為了優(yōu)化資源管理和任務(wù)調(diào)度，部分學(xué)者采用常規(guī)預(yù)測方法，例如基于移動平均線的長期趨勢預(yù)測算法［４］、基于ＦＵＳＤ的指數(shù)加權(quán)移動平均算法［５］等實現(xiàn)云計算環(huán)境下的負(fù)載預(yù)測，有學(xué)者將模糊系統(tǒng)引入虛擬機(jī)負(fù)載和資源預(yù)測中［６－７］，提升了系統(tǒng)魯棒性，但是預(yù)測精度不夠高．針對云環(huán)境工作負(fù)載的非線性特性，有學(xué)者引入神經(jīng)網(wǎng)絡(luò)并結(jié)合典型預(yù)測方法［８－１０］．上述預(yù)測方法難以對不斷變化的情況進(jìn)行自適應(yīng)預(yù)測，其精確性和實時性有待提升．本研究提出一種基于集成模型－優(yōu)化神經(jīng)網(wǎng)絡(luò)的預(yù)測方法，采用基本預(yù)測器集成模型對需求情況進(jìn)行預(yù)處理，并分別從以下三

4、個方面對神經(jīng)網(wǎng)絡(luò)進(jìn)行了優(yōu)化：利用集成模型的輸出數(shù)據(jù)優(yōu)化訓(xùn)練數(shù)據(jù)結(jié)構(gòu)；通過優(yōu)化神經(jīng)網(wǎng)絡(luò)傳遞函數(shù)改善網(wǎng)絡(luò)權(quán)重更新過程；通過自適應(yīng)學(xué)習(xí)率優(yōu)化學(xué)習(xí)過程． １預(yù)測系統(tǒng)結(jié)構(gòu)與資源需求情況 １．１預(yù)測系統(tǒng)云計算資源預(yù)測系統(tǒng)結(jié)構(gòu)如圖１所示，圖中ＶＭ為虛擬機(jī)．資源需求預(yù)測之前，首先分析歷史數(shù)據(jù)庫中的用戶請求，包括數(shù)據(jù)結(jié)構(gòu)、內(nèi)容和數(shù)量，得到用戶偏好性選擇、需求描述等．為了實現(xiàn)精確有效的預(yù)測，對不同的資源需求情況進(jìn)行分析，包括長期需求、短期需求和需求抖動情況，并給出了區(qū)分不同情況的方法準(zhǔn)則．對資源需求采用基本預(yù)測器集成模型進(jìn)行預(yù)處理，對集成模型預(yù)測結(jié)果進(jìn)行加權(quán)后，輸入至神經(jīng)網(wǎng)絡(luò)預(yù)測器中．神經(jīng)網(wǎng)絡(luò)同時采用

5、歷史數(shù)據(jù)序列和集成模型預(yù)測結(jié)果作為訓(xùn)練數(shù)據(jù)，以提升結(jié)果的精確性．引入自適應(yīng)學(xué)習(xí)率以及動量法改善神經(jīng)網(wǎng)絡(luò)的收斂速度和穩(wěn)定性．預(yù)測輸出值用來指導(dǎo)ＩａａＳ云計算數(shù)據(jù)中心的資源分配．采用不同統(tǒng)計指標(biāo)對預(yù)測效果進(jìn)行評估，并將結(jié)果反饋至歷史數(shù)據(jù)庫中，為后續(xù)資源預(yù)測調(diào)度提供參考． １．２需求平緩期基于平緩期的特點，采用二次移動平均法（ＳＭＡ）［１１］進(jìn)行資源需求的預(yù)測，提高預(yù)測精度．圖２所示為長度為Ｌ的滑動窗模型。 １．３需求波動期指數(shù)移動平均法（ＥＭＡ）［１２］是一種短期預(yù)測的有效方法，由于其響應(yīng)的快速性，因此適用于非周期性的快速變化時間序列預(yù)測．ＥＭＡ對當(dāng)前測量值給予較大權(quán)重，而對于較早時刻

6、的測量值給予較小權(quán)重，可以對短期資源需求以及需求抖動作出快速反應(yīng)． １．４波動期和平緩期確定進(jìn)行需求預(yù)測時，須明確當(dāng)前需求所處時期，定義波動閾值（ｈｕ）和平緩閾值（ｈａ）界定平緩期與波動期． ２集成模型－優(yōu)化神經(jīng)網(wǎng)絡(luò)資源需求預(yù)測 ２．１總體結(jié)構(gòu)通過集成預(yù)測模型可以對不同的需求情況進(jìn)行預(yù)處理，而神經(jīng)網(wǎng)絡(luò)良好的非線性逼近能力和自組織特性可以提升預(yù)測結(jié)果的精度．將集成模型結(jié)果輸入至神經(jīng)網(wǎng)絡(luò)，實現(xiàn)二者有效結(jié)合，是提升系統(tǒng)預(yù)測性能的有效方法．集成模型－優(yōu)化神經(jīng)網(wǎng)絡(luò)資源需求預(yù)測方法核心是采用兩層結(jié)構(gòu)，如圖３所示．第一層為基本預(yù)測器集成模型，第一層的輸出值與歷史數(shù)據(jù)共同作為第二層神經(jīng)網(wǎng)絡(luò)訓(xùn)

7、練值，以優(yōu)化預(yù)測結(jié)果． ２．２基本預(yù)測器集成模型在預(yù)測器基礎(chǔ)上，集成模型引入自動回歸模型（ＡＲ）和移動平均法（ＭＡ）．設(shè)在時刻ｔ預(yù)測器ｉ的預(yù)測值為ｘ（ｉ）ｔ，其對應(yīng)權(quán)重為ｗ（ｉ）ｔ，通過對上述預(yù)測結(jié)果進(jìn)行加權(quán)，則集成模型輸出值。 ３實驗與結(jié)果分析 ３．１統(tǒng)計指標(biāo)為了評估預(yù)測系統(tǒng)的性能，采用系列指標(biāo)［１３］包括平均絕對誤差（ＭＡＥ）和均方誤差（ＭＳＥ），誤差區(qū)間數(shù)量統(tǒng)計值（ＰＲＥＤ（ｘ））對系統(tǒng)進(jìn)行分析．ＭＡＥ是測量預(yù)測值和真實值之間誤差均值的指標(biāo)。 ３．２預(yù)測效果對比與分析基于集成模型－優(yōu)化神經(jīng)網(wǎng)絡(luò)的資源需求預(yù)測方法ＥＭＯＮＮ的預(yù)測結(jié)果如圖４所示，圖中Ｑ為訪問流量．由圖

8、可見預(yù)測值與實際值符合較好，誤差較小.根據(jù)指標(biāo)（１１）～（１３），對多種預(yù)測方法進(jìn)行對比實驗，結(jié)果如表１所示．可知：對于平均歸一化誤差值和最大誤差，ＥＭＯＮＮ均達(dá)到最小，ＥＭＡ和ＳＭＡ的預(yù)測結(jié)果與ＥＭＯＮＮ較接近，而僅采用神經(jīng)網(wǎng)絡(luò)時，預(yù)測效果較差；ＥＭＯＮＮ在誤差能量方面低于其他方法，約為ＡＲ模型的１／４；ＥＭＯＮＮ方法處于５％的誤差點數(shù)最多，預(yù)測誤差較小，預(yù)測性能優(yōu)于其他預(yù)測方法． ３．３預(yù)測方法學(xué)習(xí)過程優(yōu)化僅采用神經(jīng)網(wǎng)絡(luò)時預(yù)測性能不理想，原因主要是學(xué)習(xí)率不夠優(yōu)化，本節(jié)討論自適應(yīng)學(xué)習(xí)率對神經(jīng)網(wǎng)絡(luò)的影響．圖５為不同學(xué)習(xí)策略下的神經(jīng)網(wǎng)絡(luò)性能對比，ｍ為迭代次數(shù)．不采用自適應(yīng)學(xué)習(xí)率的神經(jīng)網(wǎng)絡(luò)經(jīng)

9、過２０００個學(xué)習(xí)周期，均方誤差（Ｐａ）接近８．６６１０－３，采用自適應(yīng)學(xué)習(xí)率后，經(jīng)過相同訓(xùn)練周期后，誤差為３．１１０－３，二者比率達(dá)到２．８．因此，采用自適應(yīng)學(xué)習(xí)率后，神經(jīng)網(wǎng)絡(luò)的收斂速度有大幅提升，預(yù)測結(jié)果更加精確． ３．４集成模型對預(yù)測效果的影響圖６所示為將集成模型預(yù)處理結(jié)果引入訓(xùn)練數(shù)據(jù)進(jìn)行優(yōu)化后的學(xué)習(xí)過程曲線．與圖５相比，學(xué)習(xí)速度得到進(jìn)一步提升，經(jīng)過１６００個訓(xùn)練周期即達(dá)到訓(xùn)練目標(biāo)值０．００１，遠(yuǎn)小于僅采用歷史數(shù)據(jù)作為訓(xùn)練數(shù)據(jù)的預(yù)測方法，網(wǎng)絡(luò)收斂速度得到有效提升，而且其訓(xùn)練誤差值達(dá)到了０．００１，性能得到進(jìn)一步提升．采用不同訓(xùn)練數(shù)據(jù)結(jié)構(gòu)的性能對比如表２所示．引入集成模型后，預(yù)測性能得

10、到有效提升，盡管絕對誤差僅僅降低了０．００３１，但是提升了１３．９％；優(yōu)化前后的ｅＭＳＥ值分別為０．００１２和０．００１０，ＰＰＲＥＤ（５）值分別為３０２∶３２０，預(yù)測誤差較表１有進(jìn)一步降低． ４結(jié)論 為了提升云計算資源供給效率和精確性，提出了一種基于集成模型－優(yōu)化神經(jīng)網(wǎng)絡(luò)的資源需求預(yù)測方法（ＥＭＯＮＮ）．在分析了用戶資源需求特點的基礎(chǔ)上引入基本預(yù)測器集成模型對上述不同情況進(jìn)行處理，并將預(yù)測結(jié)果發(fā)送至神經(jīng)網(wǎng)絡(luò)作為訓(xùn)練數(shù)據(jù)．采用自適應(yīng)學(xué)習(xí)率和帶有動量的權(quán)重對學(xué)習(xí)過程進(jìn)行優(yōu)化．通過統(tǒng)計指標(biāo)對預(yù)測方法進(jìn)行有效性驗證．結(jié)果表明ＥＭＯＮＮ可以有效精確地實現(xiàn)用戶資源需求的預(yù)測，對于云中心資源調(diào)度提供了有效的參考，但是對于多人次多種資源預(yù)測，若采用順序處理，則會降低預(yù)測的實時性，下一步工作重點在于采用多線程實現(xiàn)多人次多資源同時的預(yù)測．