基于組合預(yù)測模型的云計算資源負(fù)載預(yù)測研究*

林 濤，馮競凱，郝章肖,黃少群

(1.河北工業(yè)大學(xué)人工智能與數(shù)據(jù)科學(xué)學(xué)院,天津 300401;2.哈爾濱商業(yè)大學(xué)管理學(xué)院，黑龍江 哈爾濱 150000)

1 引言

隨著云計算技術(shù)的發(fā)展，虛擬化技術(shù)已經(jīng)成為云計算領(lǐng)域不可或缺的一部分，將應(yīng)用部署到云端已經(jīng)成為業(yè)界越來越普遍的做法[1]。如何使云計算環(huán)境提供良好的服務(wù)質(zhì)量QoS(Quality of Service)已經(jīng)成為云服務(wù)提供者必須考慮的一個問題[2]。近幾年，越來越多的云應(yīng)用呈現(xiàn)出高并發(fā)、大流量的特征，并且對于服務(wù)器來說應(yīng)用程序請求數(shù)量會隨著時間變化而變化。針對這一問題，云計算調(diào)度系統(tǒng)采用負(fù)載預(yù)測的方式進(jìn)行資源配置[3,4]。因此，負(fù)載預(yù)測技術(shù)在云計算資源彈性伸縮中至關(guān)重要。

目前，針對云計算環(huán)境中的資源負(fù)載預(yù)測問題，國內(nèi)外一些學(xué)者提出了多種解決方案和負(fù)載預(yù)測模型。這些預(yù)測模型一般將云計算資源負(fù)載看作一種時間序列，然后通過一定的建模方法對其進(jìn)行預(yù)估[5]。目前的負(fù)載預(yù)測模型可以分為2類：單一預(yù)測模型和基于集成學(xué)習(xí)的組合預(yù)測模型[6]。文獻(xiàn)[7]使用ARIMA(Auto-Regressive Integrated Moving Average)負(fù)載預(yù)測模型對虛擬機(jī)集群的負(fù)載進(jìn)行收集及預(yù)測。隨著人工神經(jīng)網(wǎng)絡(luò)的發(fā)展，越來越多的人工神經(jīng)網(wǎng)絡(luò)方法被應(yīng)用到時間序列預(yù)測當(dāng)中。文獻(xiàn)[8]對LSTM(Long Short-Term Memory)負(fù)載預(yù)測模型與ARIMA預(yù)測模型進(jìn)行了比較分析，從結(jié)果可以看出，LSTM負(fù)載預(yù)測模型優(yōu)于ARIMA負(fù)載預(yù)測模型。文獻(xiàn)[9]通過優(yōu)化支持向量機(jī)構(gòu)建負(fù)載預(yù)測模型，對單步與多步云計算資源負(fù)載進(jìn)行預(yù)測分析。文獻(xiàn)[10]使用遞歸神經(jīng)網(wǎng)絡(luò)RNN(Recursive Neural Network)來實現(xiàn)對云工作負(fù)荷的預(yù)測，通過Google Cloud Trace數(shù)據(jù)集上的實驗驗證了該方法的準(zhǔn)確性。以上負(fù)載預(yù)測模型均使用的是單一方法的負(fù)載預(yù)測形式。文獻(xiàn)[11]首先使用ARMA模型(Auto-Regressive and Moving Average model)進(jìn)行預(yù)測，再使用ENN模型(Elman Neural Network model)對ARMA誤差進(jìn)行預(yù)測，最終得到修正后的預(yù)測值。該文獻(xiàn)提出的組合預(yù)測模型有效地提升了云環(huán)境中工作負(fù)載預(yù)測的精度。文獻(xiàn)[6]采用多模型融合的方式進(jìn)行了云計算資源負(fù)載預(yù)測，將負(fù)載數(shù)據(jù)集分為訓(xùn)練集與測試集，利用ARIMA、指數(shù)平滑法、神經(jīng)網(wǎng)絡(luò)等預(yù)測模型根據(jù)訓(xùn)練集的平均均方誤差對測試集各預(yù)測結(jié)果進(jìn)行權(quán)重劃分，最后得到組合預(yù)測值。文獻(xiàn)[12]采用了ARIMA-ANN的組合預(yù)測模型,分別對時間序列數(shù)據(jù)進(jìn)行線性和非線性的預(yù)測，并將最終結(jié)果組合。實驗結(jié)果表明，混合模型均具有更高的預(yù)測精度。

當(dāng)前在云計算節(jié)點中運行的服務(wù)多種多樣，對資源的需求各不相同，因此在運行過程中負(fù)載時間序列數(shù)據(jù)通常具有線性與非線性的復(fù)合特征?，F(xiàn)有的預(yù)測模型通常使用單一預(yù)測模型，或者使用不同預(yù)測模型的預(yù)測結(jié)果進(jìn)行權(quán)重集成的方式得到最終預(yù)測值。雖然以上2種方式在預(yù)測精度上有所提升，但是并沒有從根本上解決較差模型對最終結(jié)果的影響。因此，本文將LSTM與ARIMA相結(jié)合提出一種新型預(yù)測模型LACL(LSTM-ARIMA-Critic-LSTM)。該模型首先分別通過LSTM預(yù)測模型與ARIMA預(yù)測模型對未來工作負(fù)載進(jìn)行預(yù)測；其次運用客觀賦權(quán)法中的CRITIC(CRiteria Importance Through Intercrieria Correlation)方法[13,14]將2個預(yù)測模型的預(yù)測結(jié)果進(jìn)行加權(quán)累加，得到組合預(yù)測結(jié)果，同時得到歷史負(fù)載數(shù)據(jù)預(yù)測誤差數(shù)據(jù)集；最后使用LSTM模型對組合預(yù)測模型的誤差進(jìn)行預(yù)測，最終得到一個誤差修正后的預(yù)測值。

2 問題描述

本文主要解決的是云計算環(huán)境中主機(jī)負(fù)載預(yù)測問題。假設(shè)歷史負(fù)載數(shù)據(jù)L={l1,l2,…,lt},其中l(wèi)t為t時刻集群的負(fù)載情況。從L中選取m個時刻的數(shù)據(jù)作為預(yù)測模型的輸入向量M=(lt-m+1,…,lt-1,lt)。負(fù)載預(yù)測就是通過輸入向量M預(yù)測t+1時刻的集群負(fù)載。

隨著在云計算環(huán)境中部署的服務(wù)越來越復(fù)雜，負(fù)載時序序列既不是純線性的也不是非線性的，一般包含了2種結(jié)構(gòu)的組合。并且單一預(yù)測模型在捕獲復(fù)雜負(fù)載時序序列模式方面具有一定的局限性，相比之下組合預(yù)測模型具有更穩(wěn)定的預(yù)測性能。同時，對于較差單一預(yù)測模型對最終結(jié)果的影響，本文在組合預(yù)測的基礎(chǔ)上提出了一種誤差修正的思想，進(jìn)一步提升了負(fù)載預(yù)測的準(zhǔn)確性。

3 負(fù)載預(yù)測模型

3.1 負(fù)載模型

負(fù)載是對服務(wù)器工作狀態(tài)的一種描述，反映當(dāng)前服務(wù)器任務(wù)處理的壓力。本文主要考慮內(nèi)存使用率與CPU使用率2個因素對集群負(fù)載的影響。采用動態(tài)負(fù)載模型，充分考慮在不同資源需求情況下這2個因素對負(fù)載的影響。在單個節(jié)點中負(fù)載計算如式(1)和式(2)所示：

L=WmemLmem+WcpuLcpu

(1)

Wmem+Wcpu=1

(2)

其中,L指計算機(jī)集群中某臺虛擬主機(jī)的負(fù)載計算值，Lmem、Lcpu為內(nèi)存使用率與CPU使用率，Wmem、Wcpu分別為內(nèi)存使用率與CPU使用率的權(quán)重系數(shù)。

3.2 ARIMA預(yù)測模型

ARIMA可以用來對時間序列進(jìn)行預(yù)測，常被用于需求預(yù)測中。ARIMA(p,d,q)模型是一種綜合模型，它將自回歸AR(Auto Regressive)模型和移動平均MA(Moving Average)模型都包含在時間序列組合模型中。其中,d是差分階數(shù)，是為得到平穩(wěn)時間序列所做的差分次數(shù);p是自回歸項；q為相應(yīng)的移動平均項數(shù)。ARIMA基本公式如式(3)所示：

(3)

其中,Lt為t時刻集群負(fù)載值;φ、θ分別為自回歸(AR)參數(shù)與移動平均(MA)參數(shù)；p為自回歸模型的階數(shù)；q為移動平均模型階數(shù)；ε為殘差序列。

模型建立過程如圖1所示。

Figure 1 Modeling flow chart of ARIMA圖1 ARIMA模型建模流程圖

(1) 數(shù)據(jù)分析與平穩(wěn)性校驗。云計算負(fù)載在局部可能會呈現(xiàn)較大的波動或存在周期性規(guī)律，因此需要對原始數(shù)據(jù)進(jìn)行平滑處理和周期性分解處理。經(jīng)處理后的數(shù)據(jù)可能還會存在較大的波動，在預(yù)測前還需要反復(fù)進(jìn)行平穩(wěn)性處理。常使用差分的方式進(jìn)行平穩(wěn)化處理。本文使用ADF(Augmented Dickey-Fuller)來檢測數(shù)據(jù)是否具有平穩(wěn)性。

(2) 模型識別與參數(shù)估計。構(gòu)建自相關(guān)系數(shù)ACF(AutoCorrelation Function)與偏自相關(guān)系數(shù)PACF(Partial AutoCorrelation Function)圖形，根據(jù)自相關(guān)系數(shù)的拖尾特征、偏自相關(guān)系數(shù)的截尾特征確定ARIMA模型中的p與q值。若自相關(guān)系數(shù)曲線衰減的同時偏自相關(guān)系數(shù)曲線截斷，則使用AR模型；若自相關(guān)系數(shù)曲線截斷的同時偏自相關(guān)系數(shù)曲線衰減，則使用MA模型。

(3) 有效性驗證與模型獲取。當(dāng)參數(shù)確定后，便可以進(jìn)行ARIMA模型的構(gòu)建，此外，可以根據(jù)參數(shù)確定時得到的估計值，嘗試多種p,d,q參數(shù)的組合來改進(jìn)模型。最后通過最低貝葉斯信息準(zhǔn)則BIC(Bayesian Information Criterion)和最小赤池信息量準(zhǔn)則AIC(Akaike Information Criterion)確定最佳預(yù)測模型。

3.3 LSTM預(yù)測模型

長短期記憶網(wǎng)絡(luò)(LSTM)是遞歸神經(jīng)網(wǎng)絡(luò)(RNN)的變形。RNN存在梯度爆炸或消失問題，LSTM引入一個新的內(nèi)部狀態(tài)ct專門進(jìn)行線性的循環(huán)信息傳遞，同時引入門機(jī)制來控制信息傳遞的路徑，分別為輸入門it、遺忘門ft和輸出門ot。3個門、細(xì)胞記憶狀態(tài)、隱藏層的計算方式為：

it=σ(ωixt+uiht-1+bi)

(4)

ft=σ(ωfxt+ufht-1+bf)

(5)

ot=σ(ωoxt+uoht-1+bo)

(6)

ct=ft⊙ct-1+it⊙tanh(ωixt+ucht-1+bc)

(7)

ht=ot⊙tanh(ct)

(8)

其中,σ()為logistic函數(shù),其輸出區(qū)間為(0,1)，⊙為向量元素乘積，tanh()為激活函數(shù)，xt為當(dāng)前時刻的輸入，ht-1與ht分別為上一時刻與當(dāng)前時刻外部狀態(tài)，ω*、u*和b*為學(xué)習(xí)的網(wǎng)絡(luò)參數(shù)。

LSTM循環(huán)單元計算過程為：首先，利用上一時刻的外部狀態(tài)ht-1和當(dāng)前時刻的輸入xt，根據(jù)式(5)～式(8)計算出3個門狀態(tài)以及候選狀態(tài)。之后，結(jié)合遺忘門ft和輸入門it來更新記憶單元ct。最后，結(jié)合輸出門ot，將內(nèi)部狀態(tài)的信息傳遞給外部狀態(tài)ht。

3.4 預(yù)測模型評價標(biāo)準(zhǔn)

本文采用平均絕對誤差(MAE)、平均絕對值百分比誤差(MAPE)、平均均方誤差(MSE)、均方根誤差(RMASE)和決定系數(shù)(R2)來對預(yù)測結(jié)果進(jìn)行評價，其計算方式如式(9)～式(13)所示：

(9)

(10)

(11)

(12)

(13)

3.5 基于集成學(xué)習(xí)的組合預(yù)測模型

綜合考慮ARIMA預(yù)測模型對于非線性時間序列擬合不夠準(zhǔn)確，使用簡單神經(jīng)網(wǎng)絡(luò)對于線性與非線性的處理表現(xiàn)不夠充分等問題，本文提出一種基于ARIMA與LSTM的組合預(yù)測模型，具體模型如圖2所示。

Figure 2 Combined forecasting model圖2 組合預(yù)測模型

基于組合預(yù)測模型的預(yù)測步驟如下所示：

(1) 時序負(fù)載數(shù)據(jù)獲取。根據(jù)式(1)～式(3)考慮實際生產(chǎn)中集群服務(wù)從創(chuàng)建到部署完成時間在3～5 min，因此采集時間間隔為5 min、長度為n的云計算集群負(fù)載時間序列數(shù)據(jù)集LT={l1,l2,…,ln}(本文中所有下標(biāo)“T”或上標(biāo)“T”都是Ture的縮寫，表示實際負(fù)載數(shù)據(jù))。

4 實驗結(jié)果與分析

4.1 實驗數(shù)據(jù)

為了驗證本文提出的云計算資源負(fù)載預(yù)測模型的有效性，使用The Grid Workloads Archive[15]網(wǎng)站提供的公開數(shù)據(jù)集，對其進(jìn)行實驗驗證。采用Materna提供的負(fù)載時序數(shù)據(jù)，該數(shù)據(jù)集每隔5 min記錄一條網(wǎng)格工作負(fù)載。

4.2 實驗環(huán)境

本次仿真實驗的預(yù)測方法均采用Python編程，并在物理服務(wù)器下獨立運行，物理服務(wù)器相關(guān)配置信息如表1所示。

Table 1 Physical server configuration information

4.3 實驗結(jié)果與分析

為了檢驗和評價本文提出的負(fù)載預(yù)測模型(LACL)的性能，本文將其與ARIMA、BP、SVM、LSTM單一模型進(jìn)行了對比，同時還與文獻(xiàn)[12]提出的ARIMA-ANN(A-ANN)組合預(yù)測模型以及本文沒有經(jīng)過誤差修正的預(yù)測模型(LAC)進(jìn)行了對比實驗。使用過去1小時的數(shù)據(jù)預(yù)測未來5分鐘的數(shù)據(jù)。結(jié)合經(jīng)驗與多次實驗對比設(shè)置的單步負(fù)載預(yù)測模型相關(guān)參數(shù)如表2所示。

Table 2 Forecasting model parameters

從數(shù)據(jù)集中選取2015年11月5日至2015年11月15日，10天的實測工作負(fù)載值，通過分析負(fù)載數(shù)據(jù)設(shè)置CPU利用率與內(nèi)存利用率的權(quán)重分別為0.4和0.6，每隔5 min獲取一條負(fù)載數(shù)據(jù)，共計2 880條數(shù)據(jù)記錄。選取前70%的數(shù)據(jù)作為訓(xùn)練集，20%的數(shù)據(jù)作為單步測試集，剩余數(shù)據(jù)用于驗證模型的泛化能力。根據(jù)式(1)和式(2)計算的具體負(fù)載數(shù)據(jù)如圖3所示。

Figure 3 History data of cloud computing recource load圖3 云計算資源負(fù)載歷史數(shù)據(jù)

各模型負(fù)載預(yù)測結(jié)果如圖4所示，同時表3給出了各個預(yù)測模型的預(yù)測誤差指標(biāo)。

Figure 4 Cloud computing resource forecasting results with different models圖4 各模型云計算負(fù)載預(yù)測結(jié)果對比

表3 預(yù)測性能對比

從圖3和圖4來看，所有模型和原始序列的趨勢基本一致，但是單一負(fù)載預(yù)測模型預(yù)測精度明顯不如組合預(yù)測模型。本文提出的負(fù)載預(yù)測模型相比于傳統(tǒng)的負(fù)載預(yù)測模型具有更高的準(zhǔn)確性。同時，從實驗結(jié)果可以看出，本文提出的LACL預(yù)測模型預(yù)測精度高于LAC預(yù)測模型的，說明在組合預(yù)測模型基礎(chǔ)上進(jìn)行預(yù)測值的誤差修正可明顯提高負(fù)載預(yù)測數(shù)據(jù)的準(zhǔn)確性。

云計算資源負(fù)載預(yù)測主要是對未來一段時間的云計算資源負(fù)載變化趨勢進(jìn)行分析，單步預(yù)測結(jié)果只能描述下一時刻集群中的負(fù)載情況。為了進(jìn)一步驗證所提模型的泛化能力，將原始資源負(fù)載序列每隔6個點求取平均構(gòu)造30 min間隔的云計算資源負(fù)載數(shù)據(jù)，同理構(gòu)建60 min間隔的云計算負(fù)載數(shù)據(jù),并重新構(gòu)建相應(yīng)的LACL模型，預(yù)測曲線分別如圖5和圖6所示。其中，圖5中每條負(fù)載數(shù)據(jù)之間的時間間隔是30 min,圖6中每條負(fù)載數(shù)據(jù)之間的時間間隔是60 min。

Figure 5 Workload forecasting with an interval of 30 minites圖5 30 min間隔負(fù)載預(yù)測

Figure 6 Workload forecasting with an interval of 60 minites圖6 60 min間隔負(fù)載預(yù)測

對于30 min與60 min間隔預(yù)測結(jié)果的詳細(xì)誤差結(jié)果如表4所示。

Table 4 Forecasting performance at different time intervals

通過預(yù)測結(jié)果可以看出，在不同時間間隔情況下，本文提出的模型均能較準(zhǔn)確地預(yù)測云計算資源負(fù)載值，可見所提預(yù)測模型具有一定的泛化能力。

5 結(jié)束語

針對復(fù)雜多變的云計算負(fù)載時序數(shù)據(jù)，本文綜合考慮服務(wù)器CPU與內(nèi)存對負(fù)載的影響，提出了一種基于LSTM與ARIMA進(jìn)行誤差修正的組合預(yù)測模型(LACL)。該模型首先分別利用ARIMA與LSTM預(yù)測模型進(jìn)行負(fù)載預(yù)測。之后利用CRITIC客觀賦權(quán)法將兩模型的預(yù)測結(jié)果進(jìn)行加權(quán)組合。同時根據(jù)真實誤差對未來誤差進(jìn)行預(yù)測，通過對組合預(yù)測結(jié)果進(jìn)行誤差修正得到最終的預(yù)測結(jié)果。通過使用公開數(shù)據(jù)集進(jìn)行實驗的結(jié)果表明，本文所提的預(yù)測模型具有較好的預(yù)測精度，同時也具有一定的泛化能力，可以準(zhǔn)確預(yù)測云計算中心負(fù)載的變化趨勢，將所提模型運用到云計算中心負(fù)載預(yù)測與管理中可以有效提高云計算中心的網(wǎng)絡(luò)資源利用率。