EsDNN：基于深度神经网络的云环境多变量工作负载预测方法
分布式、并行与集群计算
2022-03-08 v1
摘要
云计算通过为服务提供商和客户双方提供益处，已被视为IT行业的一种成功范式。尽管有诸多优势，云计算也面临显著的挑战，其中之一便是针对动态工作负载的低效资源供给。对云计算的准确工作负载预测可支撑高效的资源供给并避免资源浪费。然而，由于云工作负载具有高维和高变异性特征，难以有效且准确地预测工作负载。当前云工作负载预测的主流工作基于回归方法或循环神经网络，无法捕捉工作负载的长期变化。为应对这些挑战并克服现有工作的局限，我们提出了一种高效的基于监督学习的深度神经网络（esDNN）方法用于云工作负载预测。首先，我们利用滑动窗口将多变量数据转换为允许深度学习处理的监督学习时间序列。随后我们应用改进的门控循环单元（GRU）以实现准确预测。为展示esDNN的有效性，我们还基于来自阿里巴巴和谷歌云数据中心的真实轨迹进行了全面实验。实验结果表明，esDNN能够准确高效地预测云工作负载。与最先进的基线相比，esDNN能显著降低均方误差，例如比仅使用GRU的方法低15%。我们还将esDNN应用于机器自动扩缩容，表明esDNN能高效减少活跃主机数量，从而优化服务提供商的成本。
引用
@article{arxiv.2203.02684,
title = {EsDNN: Deep Neural Network based Multivariate Workload Prediction Approach in Cloud Environment},
author = {Minxian Xu and Chenghao Song and Huaming Wu and Sukhpal Singh Gill and Kejiang Ye and Chengzhong Xu},
journal= {arXiv preprint arXiv:2203.02684},
year = {2022}
}
备注
24 pages