目前基于深度學習的主機性能預(yù)測模型大部分缺乏普適性,實驗數(shù)據(jù)缺乏公正性,無法準確預(yù)測能耗或性能峰值點且時間開銷較大.為解決這些問題,文章提出了一種基于改進時序卷積網(wǎng)絡(luò)的云服務(wù)器性能預(yù)測模型（ATCN模型）.該模型將CPU利用率作為主機過載的衡量標準,利用多維性能指標構(gòu)建N+1維能耗向量,建立輸入向量與預(yù)測標準之間的關(guān)系;調(diào)整TCN中的卷積核大小并不斷增大擴張因子,實現(xiàn)長期記憶效果.基于阿里云開源數(shù)據(jù)集的實驗結(jié)果表明:ATCN模型具有強自適應(yīng)性,在不同硬件配置和資源使用情況下,預(yù)測準確率和效率方面比LSTM模型提升大約20%. 

【文章來源】：華南師范大學學報(自然科學版). 2020,52(04)北大核心

【文章頁數(shù)】：7 頁

【部分圖文】：

ATCN網(wǎng)絡(luò)架構(gòu)圖

對給定輸入{x1,x2，…，xT-1,xT}，T時刻的預(yù)測值^yT可以提取到很久以前的輸入序列信息，這是因為當擴張因子不斷膨脹，感受野所覆蓋的感受范圍也越來越廣(圖2):當d=1時，卷積核感受野相當于普通卷積;當d=2時，卷積核感受野等于25;當d=3，卷積核感受野等于36.ATCN網(wǎng)絡(luò)架構(gòu)構(gòu)建的具體步驟如下:

卷積過程圖

【參考文獻】：
期刊論文
[1]云數(shù)據(jù)中心虛擬資源管理研究綜述[J]. 錢瓊芬,李春林,張小慶,李臘元.  計算機應(yīng)用研究. 2012(07)



本文編號：3001262