神经网络的IaaS云资源需求预测范文

摘要

为保证基础设施即服务（IaaS）模式云环境中资源的有效分配与高效调度，提出了一种基于集成模型－优化神经网络的资源需求预测方法（EMONN）．分析了用户偏好以及资源配置需求，根据需求变化采用阈值法确定波动期与平缓期，通过基本预测器集成模型实现不同时期、不同需求的预处理．预处理结果经过加权，与历史数据共同作为神经网络（NN）的训练数据，保证预测结果精度．为改善神经网络的学习率与稳定性，采用自适应学习率以及动量方法对神经网络进行优化．采用统计指标对系统有效性进行验证，结果表明所提方法可以精确有效实现用户需求预测．

关键词

基础设施即服务（IaaS）；资源需求预测；集成模型；神经网络；自适应学习率；统计验证

在IaaS模式云计算［1］中，高效精确地为用户分配资源是效益最大化的重要保证．云中心根据请求以虚拟机（VM）形式为其分配资源，为保证服务质量，有必要根据虚拟机运行状态实现资源动态调整．然而，准备和初始化实例需要一定时间，使得资源无法根据用户需求动态调度，导致无法有效地为用户提供弹性的资源管理［2］，降低了云计算的服务质量，因而需求预测为资源动态管理与供给提供了重要参考［3］．对资源需求和工作负载的预测已有许多研究工作，为了优化资源管理和任务调度，部分学者采用常规预测方法，例如基于移动平均线的长期趋势预测算法［4］、基于FUSD的指数加权移动平均算法［5］等实现云计算环境下的负载预测，有学者将模糊系统引入虚拟机负载和资源预测中［6－7］，提升了系统鲁棒性，但是预测精度不够高．针对云环境工作负载的非线性特性，有学者引入神经网络并结合典型预测方法［8－10］．上述预测方法难以对不断变化的情况进行自适应预测，其精确性和实时性有待提升．本研究提出一种基于集成模型－优化神经网络的预测方法，采用基本预测器集成模型对需求情况进行预处理，并分别从以下三个方面对神经网络进行了优化：利用集成模型的输出数据优化训练数据结构；通过优化神经网络传递函数改善网络权重更新过程；通过自适应学习率优化学习过程．

1预测系统结构与资源需求情况

1．1预测系统云计算资源预测系统结构如图1所示，图中VM为虚拟机．资源需求预测之前，首先分析历史数据库中的用户请求，包括数据结构、内容和数量，得到用户偏好性选择、需求描述等．为了实现精确有效的预测，对不同的资源需求情况进行分析，包括长期需求、短期需求和需求抖动情况，并给出了区分不同情况的方法准则．对资源需求采用基本预测器集成模型进行预处理，对集成模型预测结果进行加权后，输入至神经网络预测器中．神经网络同时采用历史数据序列和集成模型预测结果作为训练数据，以提升结果的精确性．引入自适应学习率以及动量法改善神经网络的收敛速度和稳定性．预测输出值用来指导IaaS云计算数据中心的资源分配．采用不同统计指标对预测效果进行评估，并将结果反馈至历史数据库中，为后续资源预测调度提供参考．

1．2需求平缓期基于平缓期的特点，采用二次移动平均法（SMA）［11］进行资源需求的预测，提高预测精度．图2所示为长度为L的滑动窗模型。

1．3需求波动期指数移动平均法（EMA）［12］是一种短期预测的有效方法，由于其响应的快速性，因此适用于非周期性的快速变化时间序列预测．EMA对当前测量值给予较大权重，而对于较早时刻的测量值给予较小权重，可以对短期资源需求以及需求抖动作出快速反应．

1．4波动期和平缓期确定进行需求预测时，须明确当前需求所处时期，定义波动阈值（hu）和平缓阈值（ha）界定平缓期与波动期．

2集成模型－优化神经网络资源需求预测

2．1总体结构通过集成预测模型可以对不同的需求情况进行预处理，而神经网络良好的非线性逼近能力和自组织特性可以提升预测结果的精度．将集成模型结果输入至神经网络，实现二者有效结合，是提升系统预测性能的有效方法．集成模型－优化神经网络资源需求预测方法核心是采用两层结构，如图3所示．第一层为基本预测器集成模型，第一层的输出值与历史数据共同作为第二层神经网络训练值，以优化预测结果．

2．2基本预测器集成模型在预测器基础上，集成模型引入自动回归模型（AR）和移动平均法（MA）．设在时刻t预测器i的预测值为x（i）t，其对应权重为w（i）t，通过对上述预测结果进行加权，则集成模型输出值。

3实验与结果分析

3．1统计指标为了评估预测系统的性能，采用系列指标［13］包括平均绝对误差（MAE）和均方误差（MSE），误差区间数量统计值（PRED（x））对系统进行分析．MAE是测量预测值和真实值之间误差均值的指标。

3．2预测效果对比与分析基于集成模型－优化神经网络的资源需求预测方法EMONN的预测结果如图4所示，图中Q为访问流量．由图可见预测值与实际值符合较好，误差较小.根据指标（11）～（13），对多种预测方法进行对比实验，结果如表1所示．可知：对于平均归一化误差值和最大误差，EMONN均达到最小，EMA和SMA的预测结果与EMONN较接近，而仅采用神经网络时，预测效果较差；EMONN在误差能量方面低于其他方法，约为AR模型的1／4；EMONN方法处于±5％的误差点数最多，预测误差较小，预测性能优于其他预测方法．

3．3预测方法学习过程优化仅采用神经网络时预测性能不理想，原因主要是学习率不够优化，本节讨论自适应学习率对神经网络的影响．图5为不同学习策略下的神经网络性能对比，m为迭代次数．不采用自适应学习率的神经网络经过2000个学习周期，均方误差（Pa）接近8．66×10－3，采用自适应学习率后，经过相同训练周期后，误差为3．1×10－3，二者比率达到2．8．因此，采用自适应学习率后，神经网络的收敛速度有大幅提升，预测结果更加精确．

3．4集成模型对预测效果的影响图6所示为将集成模型预处理结果引入训练数据进行优化后的学习过程曲线．与图5相比，学习速度得到进一步提升，经过1600个训练周期即达到训练目标值0．001，远小于仅采用历史数据作为训练数据的预测方法，网络收敛速度得到有效提升，而且其训练误差值达到了0．001，性能得到进一步提升．采用不同训练数据结构的性能对比如表2所示．引入集成模型后，预测性能得到有效提升，尽管绝对误差仅仅降低了0．0031，但是提升了13．9％；优化前后的eMSE值分别为0．0012和0．0010，PPRED（5）值分别为302∶320，预测误差较表1有进一步降低．

4结论

为了提升云计算资源供给效率和精确性，提出了一种基于集成模型－优化神经网络的资源需求预测方法（EMONN）．在分析了用户资源需求特点的基础上引入基本预测器集成模型对上述不同情况进行处理，并将预测结果发送至神经网络作为训练数据．采用自适应学习率和带有动量的权重对学习过程进行优化．通过统计指标对预测方法进行有效性验证．结果表明EMONN可以有效精确地实现用户资源需求的预测，对于云中心资源调度提供了有效的参考，但是对于多人次多种资源预测，若采用顺序处理，则会降低预测的实时性，下一步工作重点在于采用多线程实现多人次多资源同时的预测．

作者：陈志佳 朱元昌 邸彦强 冯少冲 单位：军械工程学院电子与光学工程系