科研之友
微信
新浪微博
Facebook
分享链接
摘要
随着云计算技术的飞速发展，越来越多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。
- 单位
