基于生成对抗网络的数据中心多元情景预测数据增强
机器学习
2023-06-19 v2 人工智能
摘要
云范式正处于一个关键点:现有能效技术正趋于瓶颈,而数据中心设施的计算资源需求持续呈指数增长。基于人工智能实现全局能效策略的主要挑战在于我们需要海量数据来馈送算法。本文提出一种基于数据中心内合成情景预测的时序数据增强方法。为此,我们将实现一种强大的生成算法:生成对抗网络(GANs)。具体而言,我们的工作结合了基于GAN的数据增强与情景预测两个学科,填补了数据中心合成数据生成的空白。此外,我们提出了一种通过引入按需异常来增加生成数据可变性与异质性的方法,无需额外努力或专家知识。我们还建议使用Kullback-Leibler散度和均方误差作为合成时间序列生成验证中的新度量,因为它们能更好地对多元数据分布进行整体比较。我们使用运行中的数据中心收集的真实数据验证了方法,成功生成了有助于预测与优化模型的合成数据。我们的研究将有助于优化数据中心能耗,尽管所提方法可用于任何类似的时序问题。
引用
@article{arxiv.2201.06147,
title = {Data augmentation through multivariate scenario forecasting in Data Centers using Generative Adversarial Networks},
author = {Jaime Pérez and Patricia Arroba and José M. Moya},
journal= {arXiv preprint arXiv:2201.06147},
year = {2023}
}