10.19665/j.issn1001-2400.2023.03.008
融合Stacking框架的BiGRU-LGB云负载预测模型
随着云计算技术的飞速发展,越来越多的用户将应用部署在云平台上..平台内集群资源的调度可以提高云平台数据中心的实际利用率,而高效的云平台负载预测是解决集群资源调度问题的关键技术,因此本文建立了一种融合 Stacking框架、多层BiGRU网络和 LightGBM算法的云负载预测模型.该模型的结构主要包括两种学习器:首先是初级学习器,使用时间编码层处理原始负载序列并利用 BiGRU 网络参数少、信息学习完整的特点减少模型训练时间和隐藏层数,学习负载序列中的时间维度信息;使用经过特征工程处理的原始负载序列来高效训练 LightGBM算法,学习负载序列中的特征维度信息.然后是次级学习器,利用 GRU网络整合时间和特征维度的负载信息,完成整个负载预测模型的训练.通过两层学习器的共同学习提高整体负载预测模型的预测精度.在华为云集群数据集上进行实验,结果表明,与传统的单一预测模型BiGRU、LightGBM等以及现有的组合预测模型GRU-LSTM相比,融合Stacking的BiGRU-LGB模型的预测精度提升约 13%,训练时间开销得到一定程度的降低.
云平台、负载预测、双向门控循环单元、LightGBM、Stacking集成框架
50
TP183;TP391(自动化基础理论)
国家自然科学基金;国家自然科学基金;陕西省创新能力支撑计划项目;陕西省重点研发计 划项目;陕西省重点研发计 划项目;陕西省秦创原科学家+工程师队伍;陕西省高校青年创新团队资助
2023-07-10(万方平台首次上网日期,不代表论文的发表时间)
共13页
83-94,104