基于深度置信网络的云应用负载预测方法

doi:10.12068/j.issn.1005-3026.2017.02.012

东北大学学报:自然科学版 ›› 2017, Vol. 38 ›› Issue (2): 209-213.DOI: 10.12068/j.issn.1005-3026.2017.02.012

基于深度置信网络的云应用负载预测方法

马安香，张长胜，张斌，张晓红

(东北大学计算机科学与工程学院，辽宁沈阳110169)

收稿日期:2015-09-16 修回日期:2015-09-16 出版日期:2017-02-15 发布日期:2017-03-03
通讯作者: 马安香
作者简介:马安香(1979-)，女，辽宁沈阳人，东北大学讲师，博士；张斌(1964－)，男，辽宁本溪人，东北大学教授，博士生导师.
基金资助:
国家科技支撑计划项目(2014BAI17B00)；国家自然科学基金资助项目(61572116，61572117，61502089).

Load Prediction Approach for Cloud Application Based on Deep Belief Networks

MA An-xiang， ZHANG Chang-sheng， ZHANG Bin， ZHANG Xiao-hong

School of Computer Science & Engineering， Northeastern University， Shenyang 110169， China.

Received:2015-09-16 Revised:2015-09-16 Online:2017-02-15 Published:2017-03-03
Contact: ZHANG Bin
About author:-
Supported by:
-

摘要/Abstract

摘要： 为了准确预测云应用负载以便及时执行云应用自适应优化，从而保证云应用性能的稳定，根据云环境下应用负载预测问题的特点，提出了基于深度置信网络的云应用负载预测方法.首先给出能够有效描述负载数据的显式特征和隐式特征并定义了负载预测模型，进而给出基于深度置信网络的负载预测算法.对算法进行了分析并在真实数据集上与相关算法进行了比较，结果表明，本文提出的方法能够更加有效地解决云应用负载预测问题.

关键词: 云计算, 云应用, 深度置信网络, 负载预测, 自适应优化

Abstract: To implement the adaptive optimization to ensure the performance of cloud application， it is necessary to accurately predict the load for cloud application. According to the feature of load prediction in cloud application， an approach is proposed for load prediction based on deep belief networks. Explicit and implicit features for load data are given. Load prediction model is defined. Then， the algorithm of load prediction based on deep belief networks is designed and implemented. This approach is evaluated and compared with some related load prediction algorithms， which reveals very encouraging results in terms of the prediction quality.

Key words: cloud computing, cloud application, deep belief network, load prediction, adaptive optimization

中图分类号:

TP393

马安香，张长胜，张斌，张晓红. 基于深度置信网络的云应用负载预测方法[J]. 东北大学学报:自然科学版, 2017, 38(2): 209-213.

MA An-xiang， ZHANG Chang-sheng， ZHANG Bin， ZHANG Xiao-hong. Load Prediction Approach for Cloud Application Based on Deep Belief Networks[J]. Journal of Northeastern University Natural Science, 2017, 38(2): 209-213.

参考文献

[1]丁博，王怀民，史殿习.构造具备自适应能力的软件［J］.软件学报，2013，24(9):1981-2000.(Ding Bo，Wang Huai-min，Shi Dian-xi.Constructing software with self-adaptability［J］.Journal of Software，2013，24(9):1981-2000.)
[2]Frederico D，Jose C，Anderson F，et al.A systematic review on cloud computing［J］.The Journal of Supercomputing，2014，68(3):1321-1346.
[3]Dinda P A，O’Hallaron D R.An evaluation of linear models for host load prediction［C］//Proceedings of the 8th International Symposium on High Performance Distributed Computing.New York:IEEE，1999:87-96.
[4]Van Den Bossche R，Vanmechelen K，Broeckhove J.Optimizing IaaS reserved contract procurement using load prediction［C］//The 7th International Conference on Cloud Computing.New York:IEEE，2014:88-95.
[5]Islam S，Keung J，Lee K，et al.Empirical prediction models for adaptive resource provisioning in the cloud［J］.Future Generation Computer Systems，2012，28(1):155-162.
[6]许建峰，朱晴波，胡宁，等.分布式实时系统中的预测调度算法［J］.软件学报，2000，11(1):95-103.(Xu Jian-feng，Zhu Qing-bo，Hu Ning，et al.Predicting allocation algorithm in distributed real-time systems［J］.Journal of Software，2000，11(1):95-103.)
[7]Ali N H，Hassan G M.Kalman filter tracking［J］.International Journal of Computer Applications，2014，89(9):15-18.
[8]Xiong K Q，Perros H.Service performance and analysis in cloud computing［C］//Proceedings of the IEEE Congress on Services.New York:IEEE，2009:693-700.
[9]Bennani M N，Menasce D A.Resource allocation for autonomic data centers using analytic performance models［C］//Second International Conference on Autonomic Computing.New York:IEEE，2005:229-240.
[10]Zhang Y L，Zheng Z B，Lyu M R.Real-time performance prediction for cloud components［C］//The IEEE 15th International Symposium on Component Real Time Distributed Computing Workshops.New York:IEEE，2012:106-111.
[11]Li D.A tutorial survey of architectures，algorithms，and applications for deep learning［J］. APSIPA Transactions on Signal and Information Processing，2014，3(1):1-29.
[12]Sun S，Liu F，Liu J，et al.Web classification using deep belief networks［C］//Proceedings of the IEEE 17th International Conference on Computational Science and Engineering.New York:IEEE，2014:768-773.
[13]Hinton G，Salakhutdinov R.Reducing the dimensionality of data with neural networks［J］.Science，2006，313(5786):504-507.
[14]Hinton G，Osindero S，Teh Y.A fast learning algorithm for deep belief nets［J］.Neural Computation，2006，18(7):1527-1554.

基于深度置信网络的云应用负载预测方法

Load Prediction Approach for Cloud Application Based on Deep Belief Networks

RichHTML

PDF (PC)

可视化

摘要/Abstract

引用本文

使用本文

参考文献

相关文章 9

编辑推荐

Metrics

本文评价

[1]	任朝晖，于天壮，丁东，周世华. 基于VMD-DBN的滚动轴承故障诊断方法[J]. 东北大学学报（自然科学版）, 2021, 42(8): 1105-1110.
[2]	洪军，温涛，叶正旺，康珺. 外包空间数据库的完整性保证机制[J]. 东北大学学报:自然科学版, 2019, 40(3): 327-333.
[3]	张斌，朱孟笑，赵秀涛，张长胜. 面向成本优化的SBS虚拟化资源分配[J]. 东北大学学报:自然科学版, 2015, 36(7): 929-933.
[4]	闫永明，张斌，郭军，莫玉岩. 基于模糊层次分析的虚拟机热度综合评估方法[J]. 东北大学学报:自然科学版, 2015, 36(2): 182-187.
[5]	沈志东，林晨，佟强. 面向移动云计算的轻量级数据完整性验证方法[J]. 东北大学学报:自然科学版, 2015, 36(11): 1562-1566.
[6]	盛刚，温涛，郭权，印莹. 云计算中安全的向量点积计算[J]. 东北大学学报(自然科学版), 2013, 34(6): 786-791.
[7]	王学毅，王兴伟，黄敏. 基于同时向上叫价拍卖的云资源分配方法与竞价策略[J]. 东北大学学报(自然科学版), 2013, 34(4): 482-485.
[8]	郭强;孙大为;常桂然;王兴伟;. 一种基于虚拟化技术增强云安全的可信赖模型[J]. 东北大学学报(自然科学版), 2011, 32(6): 786-790.
[9]	汪德帅;张一川;张斌;刘莹;. 支持多租约SaaS应用按需服务的负载均衡策略[J]. 东北大学学报(自然科学版), 2011, 32(3): 352-355.