基于双重注意力机制的云计算负载预测算法

作者：王恩旭; 王晓红; 张坤; 张冬雯

来源：计算机工程, 2023, 1-11.

DOI：10.19678/j.issn.1000-3428.0066255

• 云计算
• 客观赋权法
• 长短期记忆网络
• 负载预测
• 注意力机制

随着人们对网络服务需求量的提高和云计算的兴起，负载预测技术的研究有着重要意义。针对于目前负载预测模型不容易捕获数据的时序信息和特征信息的问题，提出了一种双重注意力机制的负载预测模型。该模型融合了特征注意力机制和时序注意力机制，自适应的挖掘服务器负载的特征信息和时序信息，有效的增强了网络对特征数据和时序数据的关键信息表达。客观赋权法（CRITIC）对服务器各项特征进行加权，计算出服务器负载值，以用于更加全面和准确的评估服务器下一时刻的负载状态。双重注意力机制网络是在长短期记忆网络（LSTM）的基础上，引入特征注意力机制和时序注意力机制，以负载值的历史数据为输入对未来时刻服务器的负载值进行预测，可有效的提高网络对单步预测和多步预测的准确性。通过使用阿里巴巴的Cluster-trace-v2018公开数据集对双重注意力机制网络进行实验，与LSTM、RNN、GRU等预测网络进行对比，其中双重注意力机制网络相对于LSTM基础的负载预测网络平均绝对误差（MAE）和均方误差（MSE）分别下降了9.2%和16.8%，结果表明双重注意力机制网络有着更好的稳定性和准确性。

• 单位
  河北科技大学