基于迁移学习的小样本云负载序列预测方法研究.pdf

摘要

负载预测是云平台中实现资源均衡调度和智能分配决策的重要依据。计算资源需

求量的精准预测可辅助云服务商提前调配资源，避免资源的过度浪费或资源的分配不

足。因此，准确的负载预测对云平台上的资源调配具有至关重要的研究意义。

在实际的云环境中存在大量的小样本负载序列资源分配问题，小样本负载序列因

其采样点少，变化模式不规则，可利用的相似负载序列信息有限等特点，使传统的预

测模型预测精度较低。对此，本文采用迁移学习中基于样本权重迁移的方法对云平台

中的小样本负载序列展开研究，有效地解决了目标数据不足和数据趋势突变所导致的

分布差异，模型预测精度下降的问题。主要研究内容如下：

（1）针对云平台中大量的小样本负载序列，即历史数据量少和变化模式突变性强

的问题，本文提出了一种基于样本权重迁移的双阶段集成预测模型(Transfer-Predictor,

Tr-Predictor)。首先，提出结合时间扭曲编辑距离(TimeWarpEditDistance,TWED)和传

递熵(TransferEntropy,TE)来作为相似序列的选择方法，为目标负载序列选择出高相似

度的源域数据集；然后，将集成模型Two-stageTrAdaBoost.R2的基础学习器改进为深

度模型中的长短期记忆网络(Long-Short-TermMemory,LSTM)，增强集成模型对序列特

征的提取能力；最后，优化权重调整策略，采用双阶段的权重调整策略，依据样本误

差和模型误差来选择学习器的最佳权重，确定目标模型的参数，使用目标模型对短任

务序列进行预测。在谷歌云数据集上随机选取9组复杂模式的负载数据进行验证，并

使用阿里云数据集验证所提算法的普适性。实验结果表明，所提方法中的不同组件皆

具有性能增益的效果，与常用的云负载序列预测方法相比，Tr-Predictor在小样本负载

数据上有较强的适应性，预测精度较高。

（2）针对云平台中存在数据分布不同的小样本负载序列，这类采样点具有信息不

足以及序列变化不规则的问题，本文提出了一种新的深度域对抗网络预测算法(S-

DANN)。首先引用奇异谱分析(SingularSpectrumAnalysis,SSA)对负载数据进行平滑处

理，解决小样本负载序列中的强不规则性问题；将MASS-V4(thefourthversionof

MueensAlgorithmforSimilaritySearch)算法与时间特征融合进行相似性度量，计算序列

之间的差异性，以获得合适的源域数据辅助迁移预测；将门控循环单元(Gated

RecurrentUnit,GRU)作为三种网络的基准器以构建整体网络架构捕获时间动态，以Y

差异距离定义新的损失函数，在前馈梯度下降与梯度反向传导的领域对抗中，不断更

新源域的权重，最终构建出短负载特征表征能力强的迁移预测模型。基于样本权重迁

移的领域自适应技术能够解决分布差异，将所提方法在两个真实的大规模云平台数据

集上与其他常用的云负载预测算法对比，模型在多组实验中均表现出较强的有效性和

高精度。

关键词：云计算，负载预测，相似性度量，样本权重迁移学习，域对抗迁移学习

ABSTRACT

Workloadforecastingisanimportantbasisforachievingresourcebalanceschedulingandintelligent

allocationdecisionsincloudplatforms.Accuratepredictionofcomputingresourcedemandcanhelpcloud

serviceprovidersdeployresourcesinadvance.Andavoidexcessivewasteorunder-allocationofresources.

Therefore,accurateworkloadpredictionisofvitalresearchsignificanceforresourceprovisioningoncloud

platforms.

Inactualcloudenvironments,there