基于隨機(jī)森林的能耗預(yù)測調(diào)度

許曄炫，潘景山，王繼彬

（1.山東建筑大學(xué)計算機(jī)科學(xué)與技術(shù)學(xué)院；2.國家超級計算機(jī)濟(jì)南中心，山東濟(jì)南 250101）

0 引言

云計算可以按需提供可擴(kuò)展和可靠的計算服務(wù)，如基礎(chǔ)設(shè)施、平臺和軟件服務(wù)，改變了信息和通信技術(shù)行業(yè)，成為一種新興的計算范式［1］。云計算主要是一種結(jié)合虛擬化、服務(wù)管理自動化和標(biāo)準(zhǔn)化的技術(shù)，它可以提供靈活的計算能力和高性能的數(shù)據(jù)分析方法［2-3］。企業(yè)可以在云平臺上運(yùn)行多種服務(wù)，無需構(gòu)建數(shù)據(jù)中心。云計算的廣泛應(yīng)用構(gòu)建了大量的數(shù)據(jù)中心，這些數(shù)據(jù)中心消耗了大量的電能，產(chǎn)生了大量的熱量。云計算數(shù)據(jù)中心的機(jī)架式服務(wù)器每臺消耗可高達(dá)1 000W，最高溫度可達(dá)100℃［4］。服務(wù)器溫度升高不僅導(dǎo)致冷卻成本增加，還會產(chǎn)生嚴(yán)重影響系統(tǒng)可靠性的熱點。在使用云服務(wù)的過程中，由于每臺服務(wù)器中的任務(wù)不同，耗能不同，會出現(xiàn)某一臺服務(wù)器處于高能耗狀態(tài)，使得服務(wù)器溫度上升，從而形成熱點。熱點的出現(xiàn)會增加服務(wù)器故障率，損害服務(wù)器使用壽命。研究表明［5］，當(dāng)服務(wù)器溫度高于21℃時，服務(wù)器溫度每增加10℃，故障率翻倍。因此，避免服務(wù)器出現(xiàn)熱點現(xiàn)象具有重要研究意義。

目前，國內(nèi)外對如何避免服務(wù)器熱點現(xiàn)象的研究較少。預(yù)測服務(wù)器能耗能夠幫助服務(wù)器提前感知下一時刻的狀態(tài)，從而作出相應(yīng)調(diào)整，避免出現(xiàn)熱點現(xiàn)象。隨機(jī)森林由于其運(yùn)算速度快、預(yù)測精準(zhǔn)度高且應(yīng)用范圍廣等優(yōu)點，已廣泛應(yīng)用于各種算法和計算機(jī)等交叉學(xué)科。鑒于此，本文使用隨機(jī)森林預(yù)測服務(wù)器未來能耗。OpenStack作為開源云平臺的行業(yè)標(biāo)準(zhǔn)［6］，能夠提供可靠的云部署方案，目前國內(nèi)外許多云計算企業(yè)都以O(shè)penStack 作為云計算架構(gòu)的基石。因此，本文使用OpenStack 作為云計算管理平臺，管理云計算各種物理資源。

本文工作主要如下：①基于OpenStack 調(diào)度策略，通過使用隨機(jī)森林獲取預(yù)測服務(wù)器能耗參數(shù)，為虛擬機(jī)創(chuàng)建、遷移提供數(shù)據(jù)支撐，進(jìn)而降低能耗，避免服務(wù)器出現(xiàn)熱點現(xiàn)象；②針對預(yù)測不可避免地出現(xiàn)誤差問題，本文設(shè)計了一種預(yù)測容錯機(jī)制，避免由于預(yù)測誤差過大而出現(xiàn)虛擬機(jī)不遷移/不必要遷移問題；③通過在服務(wù)器上進(jìn)行負(fù)載實驗，確定最優(yōu)連續(xù)預(yù)測次數(shù)。同時，將能耗結(jié)果進(jìn)行比較，實驗結(jié)果表明，ECPRF 算法能將能耗控制在閾值以下，避免服務(wù)器熱點現(xiàn)象出現(xiàn)。

1 相關(guān)工作

在預(yù)測方面，楊鵬史等［7］結(jié)合公交車實測GPS 數(shù)據(jù)，利用線性回歸預(yù)測了公交的平均運(yùn)行速度和運(yùn)行模式分布，更適合面向大型公交車系統(tǒng)進(jìn)行實時動態(tài)的排放能耗預(yù)測。郭樹昌等［8］使用全球預(yù)報系統(tǒng)分析場數(shù)據(jù)，利用嶺回歸處理共線性數(shù)據(jù)，得到閃電潛勢預(yù)報模型，預(yù)報命中率達(dá)0.75。顧艷文等［9］使用Lasso 回歸方法對變量進(jìn)行篩選，建立SVR 模型預(yù)測消費者信心指數(shù)，預(yù)測效果較好。

隨機(jī)森林使用Bagging 的方法是將多個決策樹組合在一起，以投票機(jī)制進(jìn)行分類的有監(jiān)督學(xué)習(xí)算法，它具有計算速度快、泛化能力強(qiáng)、分類性能好的優(yōu)點［10］。

隨機(jī)森林在預(yù)測方面應(yīng)用較為成熟，劉興等［11］對風(fēng)力數(shù)據(jù)使用聚類分析，使用核主成分分析法處理特征數(shù)據(jù)，采用隨機(jī)森林方法進(jìn)行預(yù)測，降低了預(yù)測誤差。閆政旭等［12］提出一種基于Pearson 系數(shù)的隨機(jī)森林組合模型算法，該算法利用Pearson 系數(shù)刪除無關(guān)特性，通過改進(jìn)網(wǎng)格搜索法對決策樹進(jìn)行調(diào)優(yōu)，最后通過隨機(jī)森林進(jìn)行回歸預(yù)測，實現(xiàn)了對股票價格的短期回歸。因此，本文使用隨機(jī)森林方法對服務(wù)器未來能耗進(jìn)行預(yù)測。

在云計算調(diào)度策略方面，鄧志龍等［13］研究了在Open-Stack 中資源負(fù)載動態(tài)變化情況下的虛擬機(jī)遷移問題，通過衡量虛擬機(jī)與計算節(jié)點的匹配度選取節(jié)點，減少了遷移成本，降低了數(shù)據(jù)中心的能耗。羅平等［14］考慮到數(shù)據(jù)中心在部署大規(guī)模虛擬機(jī)時并未將全局能耗、服務(wù)器性能作為參考因素，于是設(shè)計一種基于動態(tài)平衡的雙策略差分進(jìn)化算法的虛擬機(jī)放置策略，在大規(guī)模創(chuàng)建虛擬機(jī)時，使數(shù)據(jù)中心總功率增加到最小，從而達(dá)到減少數(shù)據(jù)中心能耗的問題。PIAO 等［15］、Kantarci 等［16］將CPU、內(nèi)存和帶寬作為評估參數(shù)，提出混合整數(shù)線性規(guī)劃（MILP）使功耗最小化，從而實現(xiàn)云數(shù)據(jù)中心資源的公平利用和能耗優(yōu)化。Corradi等［17］提出一種動態(tài)遷移方法來平衡服務(wù)器資源，它僅使用CPU 利用率作為主機(jī)過載檢測參數(shù)，不考慮虛擬機(jī)遷移后目標(biāo)主機(jī)的未來狀態(tài)。Yang 等［18］實現(xiàn)一個可以監(jiān)控OpenStack 和OpenStack 上虛擬機(jī)實時狀態(tài)的云基礎(chǔ)設(shè)施，監(jiān)控項目包括CPU 利用率、內(nèi)存負(fù)載和功耗。此外，通過實時遷移實現(xiàn)節(jié)能。Pyati 等［19］提出一種在OpenStack 云中動態(tài)整合虛擬機(jī)的新方法，監(jiān)控每個主機(jī)的CPU 利用率、RAM 利用率和實例數(shù)，使用SVM 分類模型執(zhí)行主機(jī)過載檢測并根據(jù)分類結(jié)果進(jìn)行負(fù)載均衡整合。Khan 等［20］提出一種通過整合虛擬機(jī)、容器和容器化應(yīng)用程序之前的有效遷移以降低數(shù)據(jù)中心能耗。

2 基于隨機(jī)森林的能耗預(yù)測調(diào)度算法

本文所提出的基于隨機(jī)森林的能耗預(yù)測調(diào)度算法（ECPRF）結(jié)構(gòu)如圖1 所示，主要分為3 部分：能耗采集、能耗預(yù)測、OpenStack 調(diào)度策略。其中，OpenStack 調(diào)度策略分為具有容錯機(jī)制的虛擬機(jī)創(chuàng)建、虛擬機(jī)遷移兩部分。

Fig.1 Flow of ECPRF algorithm圖1 ECPRF算法流程

2.1 能耗采集

IPMI（Intelligent Platform Management Interface）是智能平臺管理接口的縮寫，用于帶外管理計算機(jī)，使用IPMI 可以獲取服務(wù)器當(dāng)前能耗，如圖2所示。ECPRF 算法使用IPMITOOL 中ipmitool sdr list 命令周期向服務(wù)器發(fā)送，并將服務(wù)器返回的能耗數(shù)據(jù)寫入MySQL 數(shù)據(jù)庫，并標(biāo)注采集時間，構(gòu)成服務(wù)器能耗數(shù)據(jù)集。

2.2 隨機(jī)森林預(yù)測

隨機(jī)森林采用BootStrap 方法對含有M 個樣本的數(shù)據(jù)集有放回地隨機(jī)抽取N（N≤M）個樣本組成新樣本，每一次的樣本不完全相同，根據(jù)這些樣本構(gòu)建決策樹，并在Bagging 的基礎(chǔ)上對每棵決策樹進(jìn)行隨機(jī)特征的選擇，然后對測試集進(jìn)行回歸預(yù)測，對預(yù)測結(jié)果進(jìn)行整合，投票得出最終結(jié)果。如圖3 所示，在使用隨機(jī)森林模型預(yù)測能耗變化的過程中，由于能耗為單變量數(shù)據(jù)，能耗值與時間相對應(yīng)，特征數(shù)較少，體現(xiàn)不出特征的隨機(jī)性，因此將能耗數(shù)據(jù)特征分為平滑特征和時間特征兩大部分。其中，平滑特征是指將數(shù)據(jù)向前平移得到的特征，時間特征是根據(jù)日期等時間特性得到的特征。根據(jù)這些特征建立決策樹進(jìn)行回歸預(yù)測，最后將得到的所有回歸結(jié)果進(jìn)行投票選擇，投票最高的結(jié)果為最終模型輸出。

Fig.2 Energy consumption acquisition process圖2 能耗采集過程

Fig.3 Random forest prediction model圖3 隨機(jī)森林預(yù)測模型

2.3 OpenStack調(diào)度

本文使用OpenStack 作為云計算管理平臺。OpenStack是一個免費的開源云計算平臺，是Rackspace 和美國國家航空局（NASA）于2010 年合作開發(fā)。OpenStack 主要使用池化虛擬資源構(gòu)建和管理私有云及公共云，用戶通過Web界面、命令行工具或RESTful API 進(jìn)行管理。OpenStack 中有關(guān)虛擬機(jī)創(chuàng)建及管理主要通過Nova 項目完成，在Nova中，各組件通過RPC 進(jìn)行通信。Nova 主要是由API、Compute、Conductor、Scheduler 4 個核心組件構(gòu)成，其中Nova-Scheduler 負(fù)責(zé)虛擬機(jī)調(diào)度相關(guān)策略。目前，Nova 實現(xiàn)了隨機(jī)選擇的ChanceScheduler 調(diào)度策略、過濾選擇的Filter-Scheduler 調(diào)度策略、將主機(jī)資源信息緩存在本地內(nèi)存的CachingScheduler 調(diào)度策略。Nova 支持自定義調(diào)度器，F(xiàn)ilterScheduler 調(diào)度策略是通過服務(wù)器的硬件條件過濾篩選出符合條件的服務(wù)器隊列，為了篩選物理資源符合虛擬機(jī)運(yùn)行的服務(wù)器，本文使用基于FilterScheduler 的調(diào)度策略篩選硬件條件符合創(chuàng)建條件的服務(wù)器。通過外鍵將服務(wù)器基礎(chǔ)數(shù)據(jù)與服務(wù)器能耗關(guān)聯(lián)，使用Nova 中的BaseHost-Filter 類構(gòu)建基于隨機(jī)森林預(yù)測的調(diào)度算法。在硬件條件符合創(chuàng)建條件的服務(wù)器基礎(chǔ)上篩選出未來能耗較低的服務(wù)器隊列。

2.3.1 容錯機(jī)制

盡管使用隨機(jī)森林算法可提升預(yù)測精確度，但預(yù)測結(jié)果與真實值之間難免存在誤差。考慮到預(yù)測結(jié)果存在誤差，為防止出現(xiàn)誤差過大而引起虛擬機(jī)遷移/不遷移情況，本文采取了連續(xù)預(yù)測的容錯機(jī)制，即將預(yù)測時間分為連續(xù)的時間間隔，將最后一次時間間隔預(yù)測的能耗值作為服務(wù)器未來能耗值，若之前的時間間隔預(yù)測能耗值與服務(wù)器真實值相差無幾，則認(rèn)為最后一次時間間隔預(yù)測值是準(zhǔn)確的。使用該容錯機(jī)制可以有效避免由于預(yù)測值與實際值差距過大而引起的虛擬機(jī)錯誤遷移。

2.3.2 調(diào)度策略

服務(wù)器能耗越高，則服務(wù)器溫度越高，進(jìn)而造成了熱點現(xiàn)象。通過設(shè)置能耗閾值，將能耗閾值作為服務(wù)器運(yùn)行時的最高能耗，服務(wù)器能耗若超過能耗閾值則認(rèn)為該服務(wù)器出現(xiàn)熱點現(xiàn)象。將服務(wù)器能耗長期控制在能耗閾值之下，可以避免服務(wù)器熱點現(xiàn)象出現(xiàn)。

ECPRF 算法的調(diào)度策略分為虛擬機(jī)創(chuàng)建和虛擬機(jī)遷移兩部分。如圖4 所示，在虛擬機(jī)創(chuàng)建時，首先獲取每臺服務(wù)器上的預(yù)測能耗值，篩選出低于能耗閾值的服務(wù)器隊列，在此隊列基礎(chǔ)上選擇符合創(chuàng)建所需資源且能耗最低的服務(wù)器，避免將虛擬機(jī)創(chuàng)建在高能耗服務(wù)器上。如圖5 所示，ECPRF 算法周期性獲取每臺服務(wù)器預(yù)測能耗值，遍歷服務(wù)器隊列，將高于能耗閾值服務(wù)器中的虛擬機(jī)遷移至符合該虛擬機(jī)運(yùn)行所需物理資源且預(yù)測能耗最低的服務(wù)器中。通過遷移虛擬機(jī)使服務(wù)器能耗長期處于能耗閾值以下，從而避免熱點現(xiàn)象出現(xiàn)。

在虛擬機(jī)遷移過程中，ECPRF 算法使用OpenStack Live Migration（熱遷移）方法，即虛擬機(jī)在運(yùn)行狀態(tài)下進(jìn)行遷移，保證虛擬機(jī)中的任務(wù)不會因為虛擬機(jī)遷移而中斷。遷移虛擬機(jī)個數(shù)由遷移后能耗下降范圍決定。能耗下降計算可由式（1）表示：

其中，ΔV表示能耗下降的最小范圍，Vpredict表示預(yù)測能耗值，Vactual表示實際能耗。若遷移后能耗差值大于V，則停止遷移虛擬機(jī)。

Fig.4 Virtual machine construction圖4 虛擬機(jī)創(chuàng)建

Fig.5 Virtual machine migration圖5 虛擬機(jī)遷移

3 實驗分析

3.1 實驗環(huán)境與數(shù)據(jù)集

3.1.1 實驗環(huán)境

本次實驗在國家超級計算濟(jì)南中心研發(fā)云平臺進(jìn)行，實驗選取4 臺曙光A620-G30 服務(wù)器作為計算節(jié)點。采用對照實驗的方式，將服務(wù)器分為兩組，每組兩臺服務(wù)器。一組使用ECPRF 算法，節(jié)點名稱為node1、node2。一組使用OpenStack 基礎(chǔ)調(diào)度策略，節(jié)點名稱為node3、node4。計算節(jié)點配置詳細(xì)參數(shù)和節(jié)點拓?fù)鋱D如表1、圖6所示。

Table 1 Server configuration表1 服務(wù)器配置

Fig.6 Testbed topology architecture圖6 測試環(huán)境拓?fù)浼軜?gòu)

3.1.2 實驗數(shù)據(jù)

本文對不同負(fù)載下的服務(wù)器進(jìn)行監(jiān)控，每5 分鐘收集一次服務(wù)器能耗數(shù)據(jù)，如表2所示。

3.1.3 實驗數(shù)據(jù)處理

（1）數(shù)據(jù)清理。node 屬性對預(yù)測結(jié)果無影響，在建模時刪除node 屬性，使能耗數(shù)據(jù)變?yōu)闀r間—能耗的單變量數(shù)據(jù)。通過pandas 庫中的to_datetime（）函數(shù)將時間參數(shù)轉(zhuǎn)換為時間格式。

（2）數(shù)據(jù)集劃分。由于數(shù)據(jù)集為時間序列型，為了防止破壞時間順序，將數(shù)據(jù)集按照時間順序以7∶3 的比例將其劃分為訓(xùn)練集和測試集。

（3）特征建立。處理后的能耗數(shù)據(jù)為單變量數(shù)據(jù)，將特征分為平滑特征與時間特征，平滑特征是指將能耗值向前做平滑，時間特征為每分鐘均值、每小時均值、工作日均值和周末均值。具體名稱和含義如表3所示。

3.1.4 評估函數(shù)

為了評價模型精準(zhǔn)度，本文使用平均絕對誤差（MAE）和R 平方得分（R2_score）對預(yù)測結(jié)果進(jìn)行分析。評價指標(biāo)計算如下：

Table 2 Energy consumption data set sample表2 能耗數(shù)據(jù)集樣例

Table 3 Data set characteristics表3 數(shù)據(jù)集特征

3.2 實驗方法

對數(shù)據(jù)集分別使用隨機(jī)森林、線性回歸、嶺回歸、LASSO 回歸模型進(jìn)行預(yù)測，并對預(yù)測結(jié)果進(jìn)行驗證評估，證明使用隨機(jī)森林進(jìn)行預(yù)測的準(zhǔn)確性。同時設(shè)置對照組，通過兩組的服務(wù)器能耗變化，證明ECPRF 算法避免服務(wù)器出現(xiàn)熱點現(xiàn)象的有效性。具體實現(xiàn)方法如下：①對能耗數(shù)據(jù)進(jìn)行處理，構(gòu)建符合要求的數(shù)據(jù)集；②通過調(diào)用訓(xùn)練集完成對隨機(jī)森林模型的訓(xùn)練，并對預(yù)測效果進(jìn)行分析，判斷預(yù)測的精準(zhǔn)度并與同等條件下使用線性回歸、嶺回歸、LASSO 回歸模型進(jìn)行比較；③根據(jù)預(yù)測結(jié)果對超過能耗閾值的物理機(jī)執(zhí)行虛擬機(jī)遷移處理；為了確定最優(yōu)的連續(xù)預(yù)測次數(shù)，將預(yù)測次數(shù)分為3 次、4 次、5 次，每次時間間隔為5分鐘，則預(yù)測10 分鐘、15 分鐘、20 分鐘后的能耗變化，同時設(shè)置可接受預(yù)測能耗誤差范圍為20，尋找最優(yōu)預(yù)測次數(shù)。若之前預(yù)測結(jié)果正確，采用最后一次預(yù)測能耗作為該服務(wù)器未來能耗。若出現(xiàn)預(yù)測錯誤，則將出現(xiàn)錯誤時間下服務(wù)器的實際能耗值與能耗閾值進(jìn)行比較，如果超出閾值上限，則進(jìn)行虛擬機(jī)遷移操作；④設(shè)置對照組，在node1 與node3 上創(chuàng)建14 臺相同的虛擬機(jī)，每臺虛擬機(jī)都是有8 核CPU、16GB 內(nèi)存、40GB 磁盤組成，操作系統(tǒng)為Ubuntu 18.04.5。在node1與node3運(yùn)行相同程序以產(chǎn)生相同能耗，node2 與node4 不創(chuàng)建虛擬機(jī)。設(shè)置能耗閾值上限為800。運(yùn)行一段時間后，對比兩組節(jié)點能耗變化情況。

3.3 實驗結(jié)果

3.3.1 各模型誤差比較結(jié)果

各模型在該數(shù)據(jù)集上的平均絕對誤差和R 平方得分結(jié)果如圖7-圖8 所示?？梢缘贸?，在MAE 中，從測試集的預(yù)測結(jié)果來看隨機(jī)森林模型的預(yù)測精度最高，MAE 僅為9.94，而線性回歸、嶺回歸、LASSO 回歸分別為69.61、43.22、54.86；在R2_score 中隨機(jī)森林依舊得分最高，預(yù)測精度達(dá)0.99，最差是線性回歸，得分僅為0.71。結(jié)果表明，隨機(jī)森林預(yù)測精準(zhǔn)度最高，因此使用隨機(jī)森林模型進(jìn)行預(yù)測。

Fig.7 Comparison of MAE圖7 平均誤差結(jié)果比較

Fig.8 Comparison of R2圖8 R2結(jié)果比較

3.3.2 預(yù)測結(jié)果比較

使用隨機(jī)森林模型對經(jīng)過預(yù)處理和轉(zhuǎn)換后的測試集數(shù)據(jù)進(jìn)行預(yù)測，預(yù)測結(jié)果和實際結(jié)果如圖9 所示?？梢缘贸觯谛》日鹗帟r會影響預(yù)測精準(zhǔn)度，但是在整體上隨機(jī)森林模型可以很好地預(yù)測數(shù)據(jù)，預(yù)測的服務(wù)器能耗和實際服務(wù)器能耗曲線趨勢相吻合。因此，隨機(jī)森林預(yù)測模型在預(yù)測服務(wù)器能耗上是可行的。

Fig.9 Comparison between predicted with the actual results圖9 預(yù)測結(jié)果與真實結(jié)果比較

3.3.3 容錯機(jī)制預(yù)測次數(shù)分析

設(shè)定能耗誤差范圍為20W，對于連續(xù)次數(shù)預(yù)測利用網(wǎng)格搜索法在［3，4，5］范圍內(nèi)進(jìn)行實驗分析。如表4 所示，當(dāng)預(yù)測連續(xù)次數(shù)為3 次時，預(yù)測100 次和1 000 次的正確率均為100%，而預(yù)測連續(xù)次數(shù)為4 次、5 次，預(yù)測正確率逐步降低。因為隨著預(yù)測時刻和當(dāng)前時刻距離的增大，當(dāng)前時刻數(shù)據(jù)對預(yù)測結(jié)果的影響越來越小，導(dǎo)致誤差越來越大。當(dāng)誤差超過預(yù)設(shè)范圍時，即認(rèn)定模型預(yù)測失敗。因此，本文設(shè)定連續(xù)預(yù)測次數(shù)為3。

Table 4 Prediction accuracy under different times of prediction表4 不同預(yù)測次數(shù)下的預(yù)測正確率

3.3.4 ECPRF算法有效性分析

圖10 為各節(jié)點能耗值。node1 能耗為683，node3 能耗為875。node2 能耗為432，node4 能耗為234。由于能耗值超過設(shè)定閾值上限，node1 使用隨機(jī)森林預(yù)測將虛擬機(jī)提前遷移至node2，導(dǎo)致node2 能耗上升，node1 能耗保持在閾值以下，而node3 高于閾值，出現(xiàn)熱點現(xiàn)象。圖11 為node1 與node3 在一天內(nèi)的最高能耗變化情況，node1 能耗維持在能耗閾值以下，而node3 能耗超出能耗閾值，node3出現(xiàn)熱點現(xiàn)象。綜上所述，ECPRF 算法能有效避免服務(wù)器出現(xiàn)熱點現(xiàn)象。

4 結(jié)語

Fig.10 Node energy consumption圖10 節(jié)點能耗值

Fig.11 Node energy consumption change圖11 節(jié)點能耗變化

本文針對服務(wù)器出現(xiàn)的熱點現(xiàn)象，提出了一種基于隨機(jī)森林的能耗調(diào)度算法（ECPRF）。ECPRF 算法首先根據(jù)一段時間內(nèi)的能耗構(gòu)建時間序列向量，然后以時間—能耗序列作為輸入，使用隨機(jī)森林模型預(yù)測未來服務(wù)器能耗變化，最后根據(jù)未來服務(wù)器能耗進(jìn)行虛擬機(jī)遷移，避免出現(xiàn)熱點現(xiàn)象。本文分別使用線性回歸、嶺回歸、LASSO 回歸進(jìn)行預(yù)測對比，證明了使用隨機(jī)森林模型預(yù)測的準(zhǔn)確性。同時，將ECPRF 算法與OpenStack 提供的算法進(jìn)行對比，證明ECPRF 算法在保持服務(wù)器能耗穩(wěn)定、避免出現(xiàn)熱點上具有較好有效性。