基于改進(jìn)預(yù)測(cè)模型的云計(jì)算負(fù)載分類優(yōu)化研究

武靜 丁星 朱宏濤

摘 ?要： 針對(duì)當(dāng)前大型云計(jì)算平臺(tái)資源利用率相對(duì)較低的特點(diǎn)，提出一種改進(jìn)后的負(fù)載分類模型，結(jié)合LR模型與ARIMA模型，以獲得更優(yōu)的云計(jì)算平臺(tái)動(dòng)態(tài)負(fù)載均衡。通過(guò)分析云計(jì)算負(fù)載的均衡流程，改進(jìn)現(xiàn)有的負(fù)載分類模型;以LR模型與ARIMA模型作為分類選擇，通過(guò)MATLAB2014R完成對(duì)云計(jì)算資源調(diào)度的優(yōu)化模型實(shí)驗(yàn)。實(shí)驗(yàn)結(jié)果表明，改進(jìn)模型明顯優(yōu)于現(xiàn)有模型，證明了該模型的有效性。

關(guān)鍵詞： 云平臺(tái); 負(fù)載分類; 負(fù)載預(yù)測(cè); LR模型; ARIMA模型

中圖分類號(hào)：TP391.9 ? ? ? ? ?文獻(xiàn)標(biāo)識(shí)碼：A ? ? 文章編號(hào)：1006-8228（2020）01-14-05

Abstract： In view of the current characteristics of low resource utilization of large cloud computing platforms which leads to waste， this paper proposed an improved load classification model， and combined with LR model and ARIMA mode to obtain better dynamic load balance. By analyzing the load balancing process of cloud computing， the existing load classification model was improved; using LR model and ARIMA model as the classification selection， MATLAB2014R was used to realize the cloud computing resource scheduling optimization model. The experimental results show that the improved model is obviously superior to the existing model， which proves the effectiveness of the model.

Key words： cloud platform; load classification; load prediction; LR model; ARIMA model

0 引言

云計(jì)算通過(guò)虛擬化技術(shù)，將大型數(shù)據(jù)中心的物理資源虛擬化成資源池，并將資源池中的資源以服務(wù)的形式租賃給用戶，為用戶托管云信息平臺(tái)上的文件和應(yīng)用程序提供服務(wù)[1]。近年來(lái)云計(jì)算技術(shù)迅速發(fā)展，云計(jì)算在現(xiàn)代的互聯(lián)網(wǎng)科技中扮演著越來(lái)越重要的角色。由于云計(jì)算的分布式特性及彈性、高效的資源管理能力，云計(jì)算越來(lái)越受到應(yīng)用信息領(lǐng)域的重視。其中如何實(shí)現(xiàn)計(jì)算資源的有效動(dòng)態(tài)配置和共享使用成為當(dāng)前云計(jì)算技術(shù)的主要研究課題[2]。云平臺(tái)服務(wù)應(yīng)用的增加使其負(fù)載數(shù)據(jù)呈現(xiàn)出明顯的異構(gòu)性和動(dòng)態(tài)性，這使得各種應(yīng)用的負(fù)載變化模式之間產(chǎn)生較大差別，單一預(yù)測(cè)模型已經(jīng)不能很好地兼顧預(yù)測(cè)精確度與時(shí)間性能[3]。

1 相關(guān)理論

云計(jì)算是Kaur和Luthra[4]提出的一種基于internet的計(jì)算模型，在網(wǎng)絡(luò)上以低成本高效共享計(jì)算資源或服務(wù)。云基礎(chǔ)設(shè)施支持虛擬化文件共享，云用戶通過(guò)虛擬化訪問(wèn)存儲(chǔ)在服務(wù)器上的資源和文件。其中高效的資源調(diào)度和負(fù)載平衡是云平臺(tái)實(shí)現(xiàn)高效共享的主要內(nèi)容，目前已有研究工作主要針對(duì)云環(huán)境下的資源調(diào)度或負(fù)載均衡展開(kāi)。

Assi [5]等人使用一種分解方法解決了云中的可伸縮流量管理（STM）問(wèn)題，降低最大鏈路負(fù)載，保證網(wǎng)絡(luò)用戶之間的負(fù)載平衡;Dhinesh Babu L.D.[6]等人提供了一個(gè)使用蜜蜂行為的云環(huán)境中任務(wù)調(diào)度的視角，利用蜜蜂的行為來(lái)獲得最佳的機(jī)器利用率。V. Priya[7]等人提出了基于模糊的多維資源調(diào)度和排隊(duì)網(wǎng)絡(luò)（F-MRSQN）方法，提高資源利用率并減少作業(yè)提交響應(yīng)時(shí)間;史振華[8]針對(duì)云平臺(tái)負(fù)載結(jié)合人工蜂群算法和SVM算法，提出IABC算法。

時(shí)間序列預(yù)測(cè)技術(shù)在云計(jì)算的負(fù)載均衡研究上也得到了大量的應(yīng)用。Tofighy S[9]等提出了一種基于云資源使用歷史的集成CPU負(fù)載預(yù)測(cè)模型，利用貝葉斯信息準(zhǔn)則在每個(gè)時(shí)隙中選擇最優(yōu)的組成模型;Zhong W[10]等提出了一種基于加權(quán)小波支持向量機(jī)（WWSVM）的云負(fù)載預(yù)測(cè)模型，用于預(yù)測(cè)云數(shù)據(jù)中心的主機(jī)負(fù)荷序列;Amiri Maryam[11]等提出了一種基于序列模式的預(yù)測(cè)模型;江偉[12]等提出了一種基于自回歸模型和Elman神經(jīng)網(wǎng)絡(luò)的預(yù)測(cè)模型，其使用ARMA模型來(lái)預(yù)測(cè)，再使用Elman神經(jīng)網(wǎng)絡(luò)對(duì)ARMA模型的誤差進(jìn)行預(yù)測(cè)，通過(guò)修正ARMA的輸出值得到最終的預(yù)測(cè)值;劉春紅[13]提出了一種基于任務(wù)時(shí)間尺度差異的負(fù)載分類模型。

2 負(fù)載分類模型

2.1 負(fù)載分類模型

在云平臺(tái)負(fù)載預(yù)測(cè)系統(tǒng)中，用戶的任務(wù)申請(qǐng)會(huì)經(jīng)過(guò)接入控制進(jìn)入負(fù)載均衡器，經(jīng)過(guò)配置、監(jiān)控、預(yù)測(cè)分類完成負(fù)載預(yù)測(cè)的過(guò)程。圖1描述了云平臺(tái)負(fù)載分類方法各組件間相互通信的工作過(guò)程。

該現(xiàn)有的負(fù)載分類模型較好實(shí)現(xiàn)了負(fù)載預(yù)測(cè)模型的分類，但該模型存在資源利用率低，資源浪費(fèi)等缺陷。該模型中沒(méi)有設(shè)置時(shí)間參數(shù)來(lái)平衡不同算法的時(shí)間性能，并且存在一個(gè)不合理的參數(shù)C，需要對(duì)這些不足進(jìn)行改進(jìn)。時(shí)間性能是評(píng)價(jià)一個(gè)算法是否優(yōu)良的重要指標(biāo)，對(duì)于現(xiàn)有的算法模型，提升它的時(shí)間性能有時(shí)是比較困難的。但對(duì)于負(fù)載分類模型，可以通過(guò)優(yōu)化不同模型的分配方案，來(lái)達(dá)成對(duì)于模型時(shí)間性能的優(yōu)化結(jié)果?，F(xiàn)有的負(fù)載分類模型不能完好地比較出兩種不同的負(fù)載模型在時(shí)間性能上的差距，因此可以考慮引入新的參數(shù)來(lái)平衡時(shí)間性能的影響。選取1000組實(shí)驗(yàn)數(shù)據(jù)，統(tǒng)計(jì)對(duì)于不同模型時(shí)間性能的測(cè)試結(jié)果，并計(jì)算不同模型預(yù)測(cè)時(shí)間的均值。設(shè)參數(shù)[uj]作為不同模型時(shí)間性能的權(quán)重，其數(shù)值取不同模型的統(tǒng)計(jì)的預(yù)測(cè)平均時(shí)長(zhǎng)均值。將[uj]作為不同模型在負(fù)載變化率的權(quán)重，再通過(guò)L2范數(shù)防止數(shù)據(jù)的過(guò)擬合，能夠提升分類模型的泛化能力，從而平衡預(yù)測(cè)的準(zhǔn)確性和時(shí)間性能。參數(shù)C表示的是任務(wù)優(yōu)先級(jí)對(duì)于模型選擇的影響，其定義如下：

[Ai]的優(yōu)先級(jí)為[pi]，云平臺(tái)的優(yōu)先級(jí)區(qū)間為[a，b]，[pi∈a，b]。[p*i]是[pi]的標(biāo)準(zhǔn)化值，[p*i=pi-ab-a]。[Ω]是高優(yōu)先級(jí)任務(wù)的集合，[Ω_]是低優(yōu)先級(jí)任務(wù)的集合。min1和min2分別是兩個(gè)集合的負(fù)載平均變化率的值，[θ1]和[θ2]是閾值。表1從數(shù)據(jù)集中高優(yōu)先級(jí)任務(wù)與低優(yōu)先級(jí)任務(wù)各隨機(jī)選取的500組數(shù)據(jù)，統(tǒng)計(jì)其高負(fù)載變化率于低負(fù)載變化率的占比。從表中可看出，任務(wù)優(yōu)先級(jí)與負(fù)載變化率存在一定的關(guān)系，但將任務(wù)優(yōu)先級(jí)作為負(fù)載分類的依據(jù)則會(huì)導(dǎo)致結(jié)果產(chǎn)生一定程度上的誤差，從而影響結(jié)果的可靠性。

3 負(fù)載分類預(yù)測(cè)算法

負(fù)載分類模型對(duì)不同的作業(yè)匹配相應(yīng)的預(yù)測(cè)模型以實(shí)現(xiàn)最優(yōu)化目標(biāo)，當(dāng)添加新作業(yè)或者一個(gè)舊作業(yè)完成時(shí)，都需要重新確定[xij]的取值來(lái)分配預(yù)測(cè)模型算法。現(xiàn)有的LR模型的特點(diǎn)為模型較為簡(jiǎn)單，運(yùn)行速度快，較為適合用于預(yù)測(cè)波動(dòng)較小，負(fù)載變化率較低的數(shù)據(jù)，但當(dāng)遇到負(fù)載波動(dòng)較大的數(shù)據(jù)時(shí)則會(huì)產(chǎn)生較大的誤差;SVM模型的目標(biāo)是對(duì)特征空間劃分最優(yōu)超平面，最大化分類邊際的思想是SVM方法的核心，當(dāng)使用SVM模型算法訓(xùn)練較小的數(shù)據(jù)集時(shí)，會(huì)得出較為出色的結(jié)果，但SVM模型對(duì)于較大的數(shù)據(jù)訓(xùn)練集的效果并不佳，時(shí)間性能和預(yù)測(cè)準(zhǔn)確度都會(huì)出現(xiàn)較大幅度的波動(dòng)。本文研究的分類預(yù)測(cè)模型采用LR模型與ARIMA模型的組合，ARIMA模型的基本思想是將預(yù)測(cè)對(duì)象隨時(shí)間推移而形成的數(shù)據(jù)序列視為一個(gè)隨機(jī)序列，用一定的數(shù)學(xué)模型來(lái)近似描述這個(gè)序列。相比原模型采用的SVM模型，ARIMA的模型較為簡(jiǎn)單，在計(jì)算的時(shí)間維度上優(yōu)于SVM模型，對(duì)于大型的數(shù)據(jù)集的處理具有更加穩(wěn)定的效果，從而減少因?yàn)橛?xùn)練集變大而產(chǎn)生的誤差。LR模型采用如下的表達(dá)形式：

[cε_(tái)__t]的值越低，預(yù)測(cè)的總誤差就越小，模型的預(yù)測(cè)就越準(zhǔn)確。在預(yù)測(cè)周期內(nèi)對(duì)數(shù)據(jù)集中應(yīng)用負(fù)載分類模型的任務(wù)均勻的選擇了20個(gè)時(shí)刻，預(yù)測(cè)20個(gè)時(shí)刻負(fù)載，并計(jì)算在這20個(gè)時(shí)刻時(shí)的累計(jì)誤差，結(jié)果如圖2所示。結(jié)合LR與ARIMA的優(yōu)化模型預(yù)測(cè)累積誤差最低，單一LR模型與ARIMA模型預(yù)測(cè)誤差較高，結(jié)合LR與SVM的現(xiàn)有分類模型與結(jié)合LR與SVM的預(yù)測(cè)分類模型對(duì)比，優(yōu)化后的模型的預(yù)測(cè)累計(jì)誤差顯著小于現(xiàn)有模型。由表2，與LR模型、ARIMA模型及現(xiàn)有分類模型相比，結(jié)合LR與ARIMA負(fù)載分類模型的平均誤差減少了151.17%、73.76%、38.18%。對(duì)于大型的負(fù)載預(yù)測(cè)，單一預(yù)測(cè)模型比分類預(yù)測(cè)模型的累計(jì)誤差大的多。本文提出的模型較大程度上優(yōu)化了原有模型的性能。

5 結(jié)束語(yǔ)

本文重點(diǎn)研究解決了云計(jì)算環(huán)境下的負(fù)載預(yù)測(cè)問(wèn)題，提供了一種改進(jìn)后的負(fù)載預(yù)測(cè)分類模型?；谠心Ｐ唾Y源利用率較低，資源浪費(fèi)等特點(diǎn)，添加了[u]參數(shù)作為兩個(gè)不同的預(yù)測(cè)模型時(shí)間權(quán)重，移除了原模型中不合理的參數(shù)C產(chǎn)生的影響，并使用ARIMA模型替代原模型中的SVM模型。通過(guò)與原有模型對(duì)比，可知優(yōu)化后的模型在相同的[λ]值時(shí)比原模型顯著的減少了38.18%的實(shí)驗(yàn)誤差，證明了優(yōu)化后的模型的可靠性與可行性。優(yōu)化模型能夠有效地提升負(fù)載預(yù)測(cè)的準(zhǔn)確度。在考慮預(yù)測(cè)誤差與時(shí)間尺度的基礎(chǔ)上，接下來(lái)可進(jìn)一步考慮更多的針對(duì)實(shí)際運(yùn)行中的云平臺(tái)對(duì)負(fù)載預(yù)測(cè)產(chǎn)生影響的因素。

參考文獻(xiàn)（References）：

[1] Chang B R，Tsai H F，Chen C M.Evaluation of virtual machine performance and virtualized co-nsolidation ratio in cloud computing system[J].J-ournal of Information Hiding and Multimedia Si-gnal Processing， 2013.4（3）：192-200

[2] Coutinho EF，Sousa FRD，Rego PAL，et al.Elasticity in cloud computing：a survey[J].ANNALS OF TELECOMMUNICATIONS-ANNALES DES TELECOMMUNICATIONS，2015.70（7-8）：289-309

[3] Al-Dhuraibi，Y.，Paraiso F，Djarallah N，et al.Elasticity incloud coputing ：state of the art and research challenges[J].IEEE Transctions on Services Coputing，2018.11（2）：430-447

[4] Amandeep Kaur，Mr.Pawan Luthra.A review on load balancing in cloud environment，Internati-onal Journal of Computers & Technology，2018.17（1）：7120-7125

[5] Chadi Assi，Sara Ayoubi，Samir Sebbah，Khaled S-haban，Towards scalabletraffic management in cl-oud data centers，IEEE Trans.Commun.2014.62（3）：1033-1045

[6] L.D.Dhinesh Babu， P.Venkata Krishna，Hone-y bee behavior inspired loadbalancing of tasks in cloud computingenvironments，Appl.Soft Comp-ut.2013.13：2292-2303

[7] V. Priya，C.Sathiya Kumar，Ramani Kannan.Resour-ce scheduling algorithm with load balancing for c-loud service provisioning，Applied Soft Computing Journal，2019.76：416-424

[8] 史振華.云計(jì)算中基于IABC算法的負(fù)載預(yù)測(cè)的研究[J].計(jì)算機(jī)測(cè)量與控制，2018.26（9）：195-199

[9] Tofighy，S，Rahmanian，AA，Ghobaei-Arani，M.An ens-emble CPU load prediction algorithm using a Ba-yesian information criterion and smooth filters in a cloud computing environment[J].Software Prac-tice&Experience，2018.48（12）：2257-2277

[10] Zhong W，Zhuang Y，Sun J，et al.A load prediction model for cloud computing using PSO-based we-ighted wavelet support vector machine[J].Applied Intelligence，2018.48（11）：4072-4083

[11] Amiri M，Mohammad-Khanli L，Mirandola R.An o-nline learning model based on episode mining f-or workload prediction in cloud[J].Future Generat-ion Computer Systems-The International Journal OF Escience，2018.87：93-101

[12] 陸兵.基于云計(jì)算的邊防信息資源管理服務(wù)平臺(tái)架構(gòu)設(shè)計(jì)[J].計(jì)算機(jī)時(shí)代，2017.10：40-43

[13] 陳斌，甘茂林，李娟.一種基于負(fù)載均衡的云資源調(diào)度方法[J].計(jì)算機(jī)技術(shù)與發(fā)展，2017.27（6）：51-55

[14] 田宏偉，解福，倪俊敏.云計(jì)算環(huán)境下基于粒子群算法的資源分配策略[J].計(jì)算機(jī)技術(shù)與發(fā)展，2011.21（12）：22-25

[15] 任神河，鄭寇全，關(guān)冬冬，惠軍華.基于IFTS的云計(jì)算網(wǎng)絡(luò)動(dòng)態(tài)負(fù)載均衡方法[J].系統(tǒng)工程理論與實(shí)踐，2019.39（5）：1298-1307