基于APMSSGA-LSTM的容器云資源預(yù)測(cè)

謝曉蘭^1,2,?張征征¹,?鄭強(qiáng)清¹,?陳超泉¹

1?桂林理工大學(xué)信息科學(xué)與工程學(xué)院，廣西 桂林 541004

2?廣西嵌入式技術(shù)與智能系統(tǒng)重點(diǎn)實(shí)驗(yàn)室，廣西 桂林 541004

?

摘要：容器云的發(fā)展與應(yīng)用對(duì)資源的高并發(fā)、高可用、高彈性、高靈活性等的需求越來(lái)越強(qiáng)烈。在對(duì)容器云資源預(yù)測(cè)問(wèn)題研究現(xiàn)狀進(jìn)行調(diào)查后，提出一種采用自適應(yīng)概率的多選擇策略遺傳算法（APMSSGA）優(yōu)化長(zhǎng)短期記憶網(wǎng)絡(luò)（LSTM）的容器云資源預(yù)測(cè)模型。實(shí)驗(yàn)結(jié)果表明，與簡(jiǎn)單遺傳算法（SGA）相比，APMSSGA在LSTM參數(shù)最優(yōu)解組合搜索方面更加高效，APMSSGA-LSTM模型的預(yù)測(cè)精度較高。

關(guān)鍵詞：?容器云?;?資源預(yù)測(cè)?;?長(zhǎng)短期記憶網(wǎng)絡(luò)?;?遺傳算法

論文引用格式：

謝曉蘭, 張征征, 鄭強(qiáng)清, 陳超泉.?基于APMSSGA-LSTM的容器云資源預(yù)測(cè).? 大數(shù)據(jù)[J], 2019, 5(6）：62-72

XIE X L, ZHANG Z Z, ZHENG Q Q, CHEN C Q.Container cloud resource prediction based on APMSSGA-LSTM.?Big Data Research[J], 2019, 5(6):62-72

1 引言

近年來(lái)，容器技術(shù)憑借著其靈活、快速、高效的特點(diǎn)，使云計(jì)算高彈性、高可用性等特征更加顯著，構(gòu)建了新一代的云計(jì)算生態(tài)體系。大量的國(guó)內(nèi)外學(xué)者、互聯(lián)網(wǎng)公司和傳統(tǒng)企業(yè)積極研發(fā)和落地容器技術(shù)，容器技術(shù)的生態(tài)圈逐漸形成，基于容器技術(shù)的容器云也迅速發(fā)展。如何在保證容器云環(huán)境安全和穩(wěn)定運(yùn)行的前提下，對(duì)資源進(jìn)行合理和高效的管理，成為當(dāng)前的研究熱點(diǎn)問(wèn)題之一。

然而，容器云發(fā)展時(shí)間較短，成熟度低，并且面臨著復(fù)雜的資源管理問(wèn)題。例如，企業(yè)通常在購(gòu)置設(shè)備時(shí)不得不考慮經(jīng)濟(jì)成本和公司規(guī)模，因此不像云服務(wù)商那樣擁有大量的備用設(shè)備。對(duì)于企業(yè)，資源的預(yù)留、分配與回收等成為一個(gè)非常重要的問(wèn)題，如果能較準(zhǔn)確地預(yù)知未來(lái)一段時(shí)間內(nèi)自身應(yīng)用對(duì)資源的需求量，就可以提前申請(qǐng)和購(gòu)買相應(yīng)設(shè)備，避免因物理資源不足導(dǎo)致業(yè)務(wù)停止運(yùn)行，給企業(yè)造成負(fù)面的影響；如果未來(lái)一段時(shí)間的資源需求量遠(yuǎn)低于現(xiàn)有設(shè)備數(shù)，就可以進(jìn)行數(shù)據(jù)和業(yè)務(wù)遷移，停止某些設(shè)備的運(yùn)行，降低能耗，提高企業(yè)的經(jīng)濟(jì)效益和資源利用率。

容器云資源預(yù)測(cè)對(duì)推進(jìn)容器云理論和技術(shù)更進(jìn)一步發(fā)展、提高企業(yè)經(jīng)濟(jì)效益、避免資源浪費(fèi)等具有重要意義，值得研究。而如何對(duì)平臺(tái)歷史資源負(fù)荷數(shù)據(jù)進(jìn)行時(shí)效性、準(zhǔn)確性的預(yù)測(cè)，是研究容器云資源預(yù)測(cè)的重要問(wèn)題之一。

筆者提出了適應(yīng)概率的多選擇策略遺傳算法優(yōu)化長(zhǎng)短期記憶（adaptive probability multi-selection strategy genetic algorithm-long short term memory，APMSSGA-LSTM）網(wǎng)絡(luò)的容器云資源預(yù)測(cè)模型，通過(guò)對(duì)容器云資源的歷史數(shù)據(jù)進(jìn)行分析與處理，提取數(shù)據(jù)在時(shí)間維度上的前后相關(guān)性的潛在特征，再使用長(zhǎng)短期記憶（long short term memory， LSTM）網(wǎng)絡(luò)對(duì)其進(jìn)行建模，預(yù)測(cè)未來(lái)一段時(shí)間的資源需求量。同時(shí)，利用遺傳算法的全局尋優(yōu)能力，在對(duì)遺傳算法進(jìn)行改進(jìn)的基礎(chǔ)上，通過(guò)智能調(diào)參來(lái)實(shí)現(xiàn)較高的預(yù)測(cè)精度。

2 相關(guān)工作

云計(jì)算資源預(yù)測(cè)是云計(jì)算平臺(tái)實(shí)現(xiàn)資源高效管理和系統(tǒng)安全、穩(wěn)定運(yùn)行的重要前提和保障措施之一，長(zhǎng)期以來(lái)一直受到研究者的關(guān)注。很多學(xué)者對(duì)基于神經(jīng)網(wǎng)絡(luò)、隱馬爾可夫、貝葉斯、支持向量機(jī)等算法的云資源預(yù)測(cè)模型做了研究，這些模型可以挖掘云計(jì)算資源負(fù)荷隨機(jī)、動(dòng)態(tài)的變化趨勢(shì)，得到相對(duì)理想的云計(jì)算資源預(yù)測(cè)結(jié)果。

Khan A等人首先對(duì)云計(jì)算平臺(tái)中擁有相同特征的資源負(fù)荷數(shù)據(jù)進(jìn)行歸類，再使用隱馬爾可夫模型對(duì)劃分后的類進(jìn)行特征分析，最后在特征分析的基礎(chǔ)上進(jìn)行資源負(fù)荷預(yù)測(cè)。該方法加入了分類提取特征的思想，相對(duì)于傳統(tǒng)算法，預(yù)測(cè)結(jié)果更加準(zhǔn)確，但是對(duì)數(shù)據(jù)進(jìn)行劃分會(huì)影響時(shí)間序列數(shù)據(jù)前后相關(guān)性。Di S等人使用貝葉斯網(wǎng)絡(luò)模型對(duì)云計(jì)算資源長(zhǎng)期時(shí)間間隔的平均資源負(fù)荷進(jìn)行預(yù)測(cè)。該方法首先對(duì)負(fù)載節(jié)點(diǎn)的特征進(jìn)行收集，再通過(guò)確定最有效的特征組合進(jìn)行預(yù)測(cè)。該方法的缺陷是特征收集會(huì)對(duì)實(shí)驗(yàn)結(jié)果產(chǎn)生重大影響。趙莉在使用混沌分析算法對(duì)云計(jì)算資源負(fù)載的時(shí)間序列進(jìn)行處理的基礎(chǔ)上，采用支持向量機(jī)（support vector machine ，SVM）建立云計(jì)算資源負(fù)載的預(yù)測(cè)模型，并設(shè)計(jì)了組合核函數(shù)，以提高支持向量機(jī)的學(xué)習(xí)能力，更加準(zhǔn)確地描述了云計(jì)算資源負(fù)載的動(dòng)態(tài)變化趨勢(shì)。

隨著生物啟發(fā)式算法的發(fā)展，許多學(xué)者將蜂群算法、魚(yú)群算法、粒子群算法、遺傳算法（genetic alogrithm，GA）等引入云計(jì)算資源預(yù)測(cè)模型，利用它們天然的自動(dòng)尋優(yōu)能力解決模型在構(gòu)建過(guò)程中面臨的最優(yōu)參數(shù)選擇這一難題。這些生物啟發(fā)式算法具有結(jié)構(gòu)簡(jiǎn)單、查找能力強(qiáng)等特點(diǎn)，能夠迅速找到預(yù)測(cè)模型的最優(yōu)參數(shù)組合方案，節(jié)省訓(xùn)練成本和時(shí)間。然而，在實(shí)際應(yīng)用中，生物啟發(fā)式算法存在一些缺點(diǎn)，主要包括收斂速度慢、容易陷入局部最優(yōu)等，從而不能獲得最優(yōu)的結(jié)果。為此，許多學(xué)者對(duì)生物啟發(fā)式算法進(jìn)行了改進(jìn)，并將改進(jìn)后的算法用于云計(jì)算資源預(yù)測(cè)模型。

Barati M等人提出了改進(jìn)的支持向量回歸（tuned support vector regression，TSVR）模型，通過(guò)混合遺傳算法和粒子群優(yōu)化方法選擇3個(gè)支持向量回歸（support vector regression，SVR）參數(shù)。同時(shí)在模型中引入混沌序列，在避免過(guò)早收斂的同時(shí)提高模型的預(yù)測(cè)精度。徐達(dá)宇等人提出了一種使用改進(jìn)的灰狼搜索算法優(yōu)化支持向量機(jī)的短期云計(jì)算資源負(fù)載預(yù)測(cè)模型（EGWO-SVM），更加準(zhǔn)確地刻畫云計(jì)算短期資源負(fù)載的復(fù)雜變化趨勢(shì)，從而有效地提升云計(jì)算資源負(fù)載短期預(yù)測(cè)的精度。史振華采用改進(jìn)的人工蜂群算法與SVM結(jié)合的方式構(gòu)建預(yù)測(cè)模型，不僅通過(guò)反饋機(jī)制和森林法則降低了算法陷入局部最優(yōu)的可能性，還通過(guò)改進(jìn)的蜂群算法得到了預(yù)測(cè)模型的最佳參數(shù)，從而提高了模型的預(yù)測(cè)精度。Zhong W等人結(jié)合小波變換和支持向量機(jī)的優(yōu)點(diǎn)，提出了一種基于加權(quán)小波支持向量機(jī)（WWSVM）的云負(fù)荷預(yù)測(cè)模型，提高了預(yù)測(cè)模型的準(zhǔn)確性。

從以上研究成果可以得出，目前云計(jì)算的資源負(fù)荷預(yù)測(cè)的主要研究方向分為短期預(yù)測(cè)和長(zhǎng)期預(yù)測(cè)2種，而依據(jù)歷史資源負(fù)荷時(shí)間序列的自身特性來(lái)確定預(yù)測(cè)時(shí)間是長(zhǎng)期還是短期的相關(guān)研究還較少。

3 APMSSGA-LSTM模型

3.1 概述

長(zhǎng)短期記憶網(wǎng)絡(luò)通過(guò)門機(jī)制使網(wǎng)絡(luò)具有記憶功能，避免了遞歸神經(jīng)網(wǎng)絡(luò)（recurrent neural network，RNN）的梯度消失和梯度爆炸現(xiàn)象的發(fā)生，在時(shí)間序列預(yù)測(cè)領(lǐng)域取得了很好的效果。但是，為了讓LSTM神經(jīng)網(wǎng)絡(luò)記憶序列之前數(shù)據(jù)的特征，需要將網(wǎng)絡(luò)前n次的計(jì)算作為當(dāng)前隱藏層神經(jīng)網(wǎng)絡(luò)的輸入值，因此模型的訓(xùn)練時(shí)間將隨著數(shù)據(jù)集規(guī)模的增大呈指數(shù)倍增長(zhǎng)。而且，神經(jīng)網(wǎng)絡(luò)的性能受參數(shù)的影響很大。如何選擇最佳參數(shù)組合以獲得更好的預(yù)測(cè)結(jié)果，是LSTM預(yù)測(cè)模型必須要解決的主要問(wèn)題之一。使用智能算法自動(dòng)尋優(yōu)是神經(jīng)網(wǎng)絡(luò)調(diào)參的常用方法之一。

根據(jù)容器云資源數(shù)據(jù)序列的特點(diǎn)，筆者提出APMSSGA-LSTM容器云資源預(yù)測(cè)模型，預(yù)測(cè)當(dāng)前時(shí)刻T后的W時(shí)段的資源使用量。模型結(jié)構(gòu)如圖1所示。其中，在數(shù)據(jù)抓取階段，使用HTTP請(qǐng)求的方式實(shí)時(shí)抓取容器云平臺(tái)上部署的所有集群的信息數(shù)據(jù)，主要包括CPU、I/O、內(nèi)存、存儲(chǔ)、網(wǎng)絡(luò)5種資源類型數(shù)據(jù)，并在數(shù)據(jù)提取階段將數(shù)據(jù)導(dǎo)出至CSV文件中。M是資源類型的個(gè)數(shù)，N是集群個(gè)數(shù)。T+W時(shí)段資源請(qǐng)求表示用戶在T時(shí)刻之前提出在T～W時(shí)間段要使用的資源請(qǐng)求量，用來(lái)對(duì)預(yù)測(cè)序列進(jìn)行最后的動(dòng)態(tài)調(diào)整。

圖1???基于APMSSGA-LSTM的容器云資源預(yù)測(cè)模型結(jié)構(gòu)

3.2 APMSSGA

遺傳算法具有更好的全局優(yōu)化能力和隱藏并行性等特點(diǎn)，因此在具有高維度和高計(jì)算問(wèn)題的應(yīng)用領(lǐng)域中具有很高的應(yīng)用價(jià)值。然而，大量研究表明，GA仍存在諸如過(guò)早進(jìn)入早熟收斂和難以維持種群多樣性等問(wèn)題。為了達(dá)到平衡和協(xié)調(diào)算法快速收斂、保證種群多樣性的目的，筆者改進(jìn)了GA，提出一種采用自適應(yīng)概率的多選擇策略遺傳算法（adaptive probability multiselection strategy genetic algorithm， APMSSGA）。

APMSSGA的基本思想是不修改原有的編碼方式，使用常用的二進(jìn)制編碼。將解碼后的3個(gè)參數(shù)傳入LSTM模型中進(jìn)行模型訓(xùn)練、評(píng)估，然后將得到的均方根誤差（root mean squared error， RMSE）作為個(gè)體適應(yīng)值，具體的改進(jìn)方案如下所述。

（1）編碼和種群初始化

需要根據(jù)優(yōu)化的目標(biāo)選擇恰當(dāng)?shù)木幋a方式和種群個(gè)體適應(yīng)值；為了防止成熟前收斂并兼顧收斂速度，需要根據(jù)實(shí)驗(yàn)適當(dāng)調(diào)整種群規(guī)模。

（2）改進(jìn)選擇策略

集成適應(yīng)值比例選擇、Boltzmann選擇、排序選擇、聯(lián)賽選擇和精英選擇5種選擇策略的優(yōu)勢(shì)來(lái)進(jìn)行個(gè)體選擇，以平衡和協(xié)調(diào)種群多樣性和收斂速度2個(gè)需求。k-means算法用于對(duì)種群中所有個(gè)體的適應(yīng)值進(jìn)行分類，為分類后的每個(gè)類別在5個(gè)選擇算子中隨機(jī)選擇一種進(jìn)行個(gè)體篩選。在第一次迭代（即t=0）時(shí)，5種選擇算子的初始概率相等，均為20%。交叉和變異后每個(gè)類的總體適應(yīng)值被作為5個(gè)選擇算子概率更新的依據(jù)，如果子代優(yōu)于父代，則相應(yīng)的選擇算子概率增加，否則減少；如果子代和父代的選擇概率都上升或都下降，則以均值相對(duì)誤差比例增減選擇概率。

對(duì)于給定的規(guī)模為n的群體?，個(gè)體aj∈P的適應(yīng)值為f(aj)，適應(yīng)值比例選擇的選擇概率為：

其中，S為選擇策略。式（1）用于計(jì)算后代種群中個(gè)體的概率。通過(guò)選擇算子操作，產(chǎn)生種群中用于交叉算子操作的個(gè)體。父代群體中個(gè)體存活的預(yù)期值計(jì)算式為：

Boltzmann選擇的選擇概率為：

其中，T是模擬退火溫度，T>0。T隨著種群迭代次數(shù)的增加逐漸減小，種群個(gè)體面臨的選擇壓力逐漸增大。

對(duì)于給定的規(guī)模為n的群體?，滿足個(gè)體適應(yīng)值降序排列f(a1)≥f(a2)≥…≥f(an)，則排序選擇的個(gè)體選擇概率為：

其中，η+和η-分別表示當(dāng)前種群中最佳個(gè)體a1和最差個(gè)體an在經(jīng)過(guò)選擇算子操作后的期望值。

在滿足排序選擇條件下，聯(lián)賽選擇的個(gè)體aj的概率為：

其中，q為聯(lián)賽規(guī)模。

對(duì)于給定t代的規(guī)模為n的群體P={a1(t),a2(t),…,an(t)}，精英選擇計(jì)算式為：

（3）改進(jìn)交叉策略

遵循“近親不能結(jié)婚”的規(guī)則，根據(jù)設(shè)定的交叉概率，每個(gè)類的最優(yōu)個(gè)體隨機(jī)交叉，類間剩余個(gè)體隨機(jī)交叉。

（4）改進(jìn)變異策略

增加所有類中平均適應(yīng)值最低的類的變異概率，其他類根據(jù)設(shè)定的變異概率執(zhí)行變異操作。APMSSGA流程如圖2所示。

圖2???APMSSGA流程

3.3 基于APMSSGA調(diào)整LSTM參數(shù)

使用APMSSGA調(diào)整LSTM時(shí)間步長(zhǎng)（timesteps）、隱藏層中的前饋神經(jīng)網(wǎng)絡(luò)單元的數(shù)量（units）和預(yù)測(cè)多少單位時(shí)間（predictsteps）3個(gè)參數(shù)。APMSSGA自動(dòng)搜索由timesteps、units、predictsteps組成的三維解空間，并獲得滿足當(dāng)前訓(xùn)練數(shù)據(jù)集潛在特征的最佳參數(shù)組合，避免了人工手動(dòng)嘗試調(diào)參，節(jié)省了時(shí)間和成本。基于APMSSGA的LSTM參數(shù)調(diào)整流程如圖3所示。

圖3???基于APMSSGA的LSTM參數(shù)調(diào)整流程

在初始值編碼中，由于優(yōu)化的目標(biāo)是LSTM網(wǎng)絡(luò)的timesteps、units、predictsteps 這3個(gè)正整數(shù)參數(shù)，因此根據(jù)相關(guān)知識(shí)和經(jīng)驗(yàn)設(shè)置個(gè)體基因位的長(zhǎng)度，并使用二進(jìn)制碼表示。然后設(shè)置3個(gè)位串區(qū)間，分別表示要優(yōu)化的3個(gè)變量。為了防止成熟前收斂，同時(shí)考慮收斂速度，需要根據(jù)實(shí)驗(yàn)設(shè)置種群相關(guān)參數(shù)，適當(dāng)調(diào)整種群的規(guī)模，然后設(shè)置當(dāng)前LSTM的網(wǎng)絡(luò)結(jié)構(gòu)，并初始化權(quán)重和偏置項(xiàng)。在初始化LSTM時(shí)，還需要根據(jù)批尺寸（batch_size）大小將不足batch_size的數(shù)據(jù)丟棄。

圖3中RMSE計(jì)算式為：

其中，xi為真實(shí)值，為預(yù)測(cè)值。

4 實(shí)驗(yàn)與分析

4.1 實(shí)驗(yàn)數(shù)據(jù)

為了驗(yàn)證所提出的預(yù)測(cè)模型的有效性，本文使用從Kaggle平臺(tái)下載的公共數(shù)據(jù)集作為訓(xùn)練和測(cè)試數(shù)據(jù)。該數(shù)據(jù)集共包含18 050條數(shù)據(jù)，是亞馬遜云服務(wù)（Amazon web services，AWS）針對(duì)某一個(gè)特定集群以時(shí)間間隔5 min采集的2個(gè)月左右的CPU平均使用率數(shù)據(jù)。

首先，在對(duì)數(shù)據(jù)異常值進(jìn)行處理后，使用圖形觀察法和單位根檢驗(yàn)法（ADF）檢驗(yàn)該CPU使用量序列是否具有平穩(wěn)性特征。通過(guò)觀察統(tǒng)計(jì)量，得到檢驗(yàn)值為-5.926 240，小于1%置信水平上的-3.430 713，統(tǒng)計(jì)量對(duì)應(yīng)的概率值p值小于臨界值α（α=0.05），因此可以斷定該序列具有平穩(wěn)性特征，不需要進(jìn)行進(jìn)一步的差分操作。然后采用Box-Pierce推導(dǎo)出Q統(tǒng)計(jì)量、Box-Ljung推導(dǎo)出LB統(tǒng)計(jì)量（用于檢驗(yàn)時(shí)間序列是否為白噪聲序列）2種方法對(duì)該CPU使用量時(shí)間序列數(shù)據(jù)進(jìn)行部分?jǐn)?shù)據(jù)和全部數(shù)據(jù)的純隨機(jī)性檢驗(yàn)，結(jié)果如圖4所示。

圖4???部分?jǐn)?shù)據(jù)和全部數(shù)據(jù)純隨機(jī)性檢驗(yàn)結(jié)果

4.2 實(shí)驗(yàn)參數(shù)設(shè)置

經(jīng)過(guò)初始測(cè)試得到，當(dāng)timesteps在[1,64]、predictsteps在[1,64]以及units在[256,512]內(nèi)時(shí)，預(yù)測(cè)模型表現(xiàn)較好。因此，將染色體長(zhǎng)度設(shè)置為20，前6位表示timesteps，中間6位表示predictsteps，最后8位在解碼后加上256作為units值，同時(shí)設(shè)置batch_size=16。簡(jiǎn)單遺傳算法（simple genetic algorithm，SGA）和APMSSGA具體參數(shù)設(shè)置見(jiàn)表1。

4.3 模型驗(yàn)證

分別使用SGA和APMSSGA對(duì)LSTM的3個(gè)參數(shù)在上述設(shè)定的區(qū)間內(nèi)進(jìn)行搜索。由于不同timesteps、predictsteps和units構(gòu)成的搜索空間大小不一致，所以即使初始權(quán)重和偏項(xiàng)值相同，3個(gè)參數(shù)的參數(shù)值也不相同。這使得即使使用相同的timesteps、predictsteps和units參數(shù)組合，得出的誤差值也不一定相同。考慮到時(shí)間關(guān)系，在使用APMSSGA調(diào)整LSTM參數(shù)時(shí)，LSTM的層數(shù)的初始值為1，所有訓(xùn)練樣本完成正向傳遞和一個(gè)反向傳遞的時(shí)期epochs=1。實(shí)驗(yàn)結(jié)果如圖5所示。

從圖5可以看出，SGA在經(jīng)過(guò)20次迭代之后，得出的RMSE值具有較大的波動(dòng)性。由于LSTM具有一定的波動(dòng)性，所以SGA在搜索最優(yōu)值時(shí)受到的干擾性較大，導(dǎo)致難以收斂，難以得出最優(yōu)值。在使用APMSSGA后，由于結(jié)合了5種不同的選擇策略，并且根據(jù)父代與子代適應(yīng)值對(duì)比實(shí)現(xiàn)了選擇策略自適應(yīng)，在一定程度上保證了種群的多樣性和收斂性。從實(shí)驗(yàn)結(jié)果可以得出：與SGA相比，APMSSGA在LSTM參數(shù)優(yōu)化方面具有更大的優(yōu)勢(shì)。

圖5???SGA-LSTM和APMSSGA-LSTM的RMSE值對(duì)比

根據(jù)APMSSGA的搜索結(jié)果，最終設(shè)置timesteps=21、predictsteps=12和units=384。同時(shí)，設(shè)置LSTM的batch_size=16、層數(shù)為2，epochs=50，得到訓(xùn)練時(shí)的均方根誤差TrainRMSE=8.538 173， TestRMSE=10.888 364。APMSSGA優(yōu)化LSTM神經(jīng)網(wǎng)絡(luò)參數(shù)模型結(jié)構(gòu)及 RMSE值如圖6所示。

APMSSGA-LSTM模型訓(xùn)練中l(wèi)oss值變化趨勢(shì)如圖7所示。

為了更清楚地顯示預(yù)測(cè)效果，使用APMSSGA-LSTM訓(xùn)練好的模型預(yù)測(cè)未來(lái)16.7個(gè)小時(shí)內(nèi)的CPU使用量序列，并將預(yù)測(cè)值與真實(shí)值進(jìn)行對(duì)比。APMSSGALSTM模型的預(yù)測(cè)結(jié)果如圖8所示。

圖6???APMSSGA優(yōu)化LSTM NN參數(shù)后模型結(jié)構(gòu)及RMSE值

圖7???APMSSGA-LSTM模型loss值變化趨勢(shì)

圖8???APMSSGA-LSTM模型的預(yù)測(cè)結(jié)果

從圖8可以得出，真實(shí)數(shù)據(jù)的峰值波動(dòng)相對(duì)頻繁，導(dǎo)致預(yù)測(cè)模型對(duì)序列數(shù)據(jù)峰值的擬合效果不佳，但序列的趨勢(shì)預(yù)測(cè)比較準(zhǔn)確，在去除峰值之后，其他數(shù)據(jù)段的重疊率比較高。在未來(lái)的16.7個(gè)小時(shí)內(nèi)，數(shù)據(jù)預(yù)測(cè)相對(duì)準(zhǔn)確。這表明APMSSGA-LSTM模型在一定程度上提高了預(yù)測(cè)精度。

5 結(jié)束語(yǔ)

本文通過(guò)分析容器云資源預(yù)測(cè)問(wèn)題的特點(diǎn)，提出了APMSSGA-LSTM模型，并通過(guò)實(shí)驗(yàn)驗(yàn)證了模型的有效性。結(jié)論如下。

● 利用LSTM 網(wǎng)絡(luò)學(xué)習(xí)容器云資源數(shù)據(jù)的時(shí)間依賴關(guān)系，可得到更高的預(yù)測(cè)精度。

● 由于真實(shí)數(shù)據(jù)的峰值波動(dòng)比較頻繁，導(dǎo)致預(yù)測(cè)模型在序列數(shù)據(jù)峰值上擬合的效果不明顯，但是序列的趨勢(shì)預(yù)測(cè)比較準(zhǔn)確，并且，除去峰值后，其他數(shù)據(jù)段預(yù)測(cè)效果較好。

● 與SGA相比，APMSSGA在LSTM參數(shù)優(yōu)化方面表現(xiàn)更好。

● 與RNN、LSTM、SGA-LSTM等模型相比，APMSSGA-LSTM模型表現(xiàn)更好，有利于推進(jìn)容器云理論和技術(shù)進(jìn)一步發(fā)展，提升云計(jì)算服務(wù)能力。

作者簡(jiǎn)介

謝曉蘭（1974-），女，博士，桂林理工大學(xué)信息科學(xué)與工程學(xué)院教授、院長(zhǎng)、博士生導(dǎo)師，主要研究方向?yàn)樵朴?jì)算、并行計(jì)算、大數(shù)據(jù)、地球物理勘查與信息技術(shù) 。

張征征（1994-），女，桂林理工大學(xué)信息科學(xué)與工程學(xué)院碩士生，主要研究方向?yàn)樵朴?jì)算、大數(shù)據(jù) E-mail：zhangzhengzhengaxp@163.com。

鄭強(qiáng)清（1993-），男，桂林理工大學(xué)信息科學(xué)與工程學(xué)院碩士生，主要研究方向?yàn)樵朴?jì)算、大數(shù)據(jù) 。

陳超泉（1963-），男，桂林理工大學(xué)信息科學(xué)與工程學(xué)院副教授、碩士生導(dǎo)師，主要研究方向?yàn)榇髷?shù)據(jù) 。

《大數(shù)據(jù)》期刊

《大數(shù)據(jù)（Big Data Research，BDR）》雙月刊是由中華人民共和國(guó)工業(yè)和信息化部主管，人民郵電出版社主辦，中國(guó)計(jì)算機(jī)學(xué)會(huì)大數(shù)據(jù)專家委員會(huì)學(xué)術(shù)指導(dǎo)，北京信通傳媒有限責(zé)任公司出版的中文科技核心期刊。

關(guān)注《大數(shù)據(jù)》期刊微信公眾號(hào)，獲取更多內(nèi)容

往期文章回顧

山東省地理信息時(shí)空大數(shù)據(jù)中心建設(shè)方法

人在回路的數(shù)據(jù)準(zhǔn)備技術(shù)研究進(jìn)展

工業(yè)時(shí)序大數(shù)據(jù)質(zhì)量管理

數(shù)據(jù)管護(hù)技術(shù)及應(yīng)用

基于數(shù)據(jù)空間的電子病歷數(shù)據(jù)融合與應(yīng)用平臺(tái)

---

總結(jié)

以上是生活随笔為你收集整理的基于APMSSGA-LSTM的容器云资源预测的全部?jī)?nèi)容，希望文章能夠幫你解決所遇到的問(wèn)題。

如果覺(jué)得生活随笔網(wǎng)站內(nèi)容還不錯(cuò)，歡迎將生活随笔推薦給好友。