计算机科学与探索

作者：刘春红, 张志华, 焦洁, 程渤

单位：1.河南师范大学 计算机与信息工程学院,河南 新乡 453007；2.智慧商务与物联网技术河南省工程实验室,河南 新乡 453007；3.北京邮电大学 网络与交换技术国家重点实验室,北京 100876

关键词：云计算,弹性,负载预测,多变量预测,结构化信息

基金：河南省重点研发与推广专项（科技攻关）项目(202102210163);河南省重点研发与推广专项（科技攻关）项目(202102210152);河南省高等教育教学改革研究与实践项目(2019SJGLX033Y);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(SKLNST-2020-1-02)

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。

来源：2022年第7期

《计算机科学与探索》期刊编辑部

查看计算机科学与探索杂志2022年第7期