一种面向云工作负载自适应预测的量子方法
分布式、并行与集群计算
2022-11-29 v1
摘要
本文提出了一种基于进化量子神经网络（EQNN）的云数据中心工作负载预测模型。它通过将工作负载信息编码为量子比特并利用量子计算的计算效率，使该信息在网络中传播，从而主动以更高精度估计工作负载或资源需求。受控非门（C-NOT）门的旋转与反向旋转效应在隐藏层和输出层充当激活函数以调整量子比特权重。此外，开发了自平衡自适应差分进化（SB-ADE）算法来优化量子比特网络权重。使用三类八个真实世界基准数据集，对EQNN预测模型的准确性进行了广泛评估，并与七种最先进的方法进行比较。实验结果表明，将量子方法用于进化神经网络相较现有方法大幅提升了预测精度，最高达91.6%。
引用
@article{arxiv.2211.14619,
title = {A Quantum Approach Towards the Adaptive Prediction of Cloud Workloads},
author = {Ashutosh Kumar Singh and Deepika Saxena and Jitendra Kumar and Vrinda Gupta},
journal= {arXiv preprint arXiv:2211.14619},
year = {2022}
}