典型文献
基于GRU-LSTM组合模型的云计算资源负载预测研究
文献摘要：
日益增多的应用部署在云端使得云数据中心的功耗波动剧烈,从而导致云数据中心资源利用率不平衡,高效的负载预测是解决该问题的关键技术.针对目前负载预测模型预测精度低、预测时间长的问题,建立一种基于门控循环单元(GRU)与长短期记忆(LSTM)网络的组合预测模型GRU-LSTM.该模型的网络结构包括3层,第一层采用GRU,利用GRU参数少、易收敛的特点减少模型训练时间,第二、第三层采用LSTM,结合LSTM参数多的优势提高模型的预测精度.在此基础上,对数据集作缺失值处理和标准化处理,使用随机森林算法对原始序列进行特征选择后得到一组新的序列值,将该序列值作为GRU-LSTM组合预测模型的输入,以对云计算资源进行高效预测.在集群公开数据集Cluster-trace-v2018上进行实验,结果表明,与传统的单一预测模型ARIMA、LSTM、GRU以及现有的组合预测模型ARIMA-LSTM、Refined LSTM等相比,GRU-LSTM模型预测结果的均方误差减少6～9,预测时间平均缩短约10％.
文献关键词：
云计算;负载预测;预测模型;门控循环单元;长短期记忆网络
中图分类号：
作者姓名：
贺小伟;徐靖杰;王宾;吴昊;张博文
作者机构：
西北大学 网络和数据中心,西安 710127;西北大学 信息科学与技术学院,西安 710127
文献出处：
引用格式：
[1]贺小伟;徐靖杰;王宾;吴昊;张博文-.基于GRU-LSTM组合模型的云计算资源负载预测研究)[J].计算机工程,2022(05):11-17,34
A类：
B类：
GRU,组合模型,计算资源,负载预测,预测研究,应用部署,云端,云数据中心,功耗,中心资源,资源利用率,门控循环单元,组合预测模型,第一层,模型训练,训练时间,第三层,缺失值处理,标准化处理,随机森林算法,特征选择,公开数据集,Cluster,trace,v2018,ARIMA,Refined,均方误差,时间平均,长短期记忆网络
AB值：
0.3281
相似文献
机标中图分类号，由域田数据科技根据网络公开资料自动分析生成，仅供学习研究参考。
