基于改进Informer的云计算资源负载预测研究

作者：李浩阳; 贺小伟; 王宾; 吴昊; 尤琪

来源：计算机工程, 2023, 1-11.

DOI：10.19678/j.issn.1000-3428.0066399

• 云计算
• 负载预测
• Informer
• 扩张因果卷积
• 残差连接

负载预测是云计算资源管理的重要组成部分，准确预测云资源的使用情况可以提高云平台性能、防止资源浪费。然而，云计算资源使用的动态性和不确定性使得负载预测困难，尽管Informer在时序预测领域取得了较好的效果，但其没有对时间的因果依赖关系加以限制造成未来信息的泄露，也没有考虑网络深度的增加导致模型性能下降。提出一种基于改进Informer的多步负载预测模型Informer-DCR，将编码器中各注意力块之间的正则卷积替换为扩张因果卷积，使深层网络中高层能够接收更大范围的输入信息来提高模型预测精度，并保证时序预测过程的因果性。同时在编码器中添加残差连接，使网络中低层的输入信息直接传到后续的高层， 解决深层网络退化以提升模型性能。实验结果表明，与主流预测模型Informer、TCN、LSTM以及CNN-Informer等相比，Informer-DCR模型在不同预测步长下MAE降低了8.8%～30.4%，在训练过程中Informer-DCR表现出比Informer更好的收敛性。

• 单位
  西北大学