一種BP神經(jīng)網(wǎng)絡(luò)和遺傳算法混合的云平臺(tái)負(fù)載預(yù)測(cè)方法

吳俊偉 姜春茂

摘要：在云計(jì)算提供高效，便捷等強(qiáng)大服務(wù)的背后，是日益攀升的能耗問(wèn)題。準(zhǔn)確的預(yù)測(cè)云平臺(tái)的負(fù)載（如CPU，內(nèi)存的使用）在任務(wù)調(diào)度，云能效方面具有重要意義。在以往研究中，線性自回歸算法在預(yù)測(cè)請(qǐng)求資源的粒度上存在不足，本文提出一種基于BP神經(jīng)網(wǎng)絡(luò)與遺傳算法混合的負(fù)載預(yù)測(cè)方法，結(jié)合遺傳算法良好的全局搜索能力與神經(jīng)網(wǎng)絡(luò)強(qiáng)大的非線性擬合能力，建立CPU資源的請(qǐng)求預(yù)測(cè)模型。實(shí)驗(yàn)通過(guò)Google的云平臺(tái)數(shù)據(jù)作為訓(xùn)練，測(cè)試集。實(shí)驗(yàn)結(jié)果表明該方法有效的預(yù)測(cè)了CPU資源請(qǐng)求量，進(jìn)而可以在此基礎(chǔ)上調(diào)整服務(wù)資源，實(shí)現(xiàn)綠色調(diào)度。

引言

在云平臺(tái)提供的強(qiáng)大功能背后，是巨大的能源消耗問(wèn)題。一個(gè)占地500平方米的數(shù)據(jù)中心每天消耗的電力就高達(dá)38000度，這一數(shù)字超過(guò)了3500戶歐洲家庭日用電量的總和。到2020年，預(yù)計(jì)數(shù)據(jù)中心的建設(shè)規(guī)模幾乎將是2010年的兩倍。從上述數(shù)字明顯可以看出，為云計(jì)算設(shè)計(jì)高能效的解決方案迫在眉睫。

云能耗的優(yōu)化可以從云任務(wù)和云平臺(tái)的兩個(gè)角度進(jìn)行研究。

從云任務(wù)的角度，主要是分析云任務(wù)的多維屬性，并利用算法來(lái)對(duì)云任務(wù)進(jìn)行優(yōu)化調(diào)度。云任務(wù)包括有靜態(tài)屬性和動(dòng)態(tài)屬性。靜態(tài)屬性如需要的CPU數(shù)量，任務(wù)的開始時(shí)間，截止時(shí)間，任務(wù)的類型等。動(dòng)態(tài)屬性如訪問(wèn)頻率，存儲(chǔ)要求，時(shí)間分布，用戶請(qǐng)求模型等。挖掘出任務(wù)與能耗之間的關(guān)系將有助于提前預(yù)測(cè)負(fù)載，降低能耗。

從云平臺(tái)的角度包括服務(wù)器，軟件以及網(wǎng)絡(luò)。從服務(wù)器角度來(lái)看，云能耗來(lái)源于處理器與數(shù)據(jù)中心兩個(gè)層面，處理器的能耗的主要影響因素是應(yīng)用程序的使用模式，而數(shù)據(jù)中心面臨的是不斷增長(zhǎng)的主機(jī)數(shù)量與低使用率帶來(lái)的能源浪費(fèi)，據(jù)統(tǒng)計(jì)分析，云數(shù)據(jù)中心服務(wù)器的使用率一般在11%?50%之間。因此，如果能夠較好的預(yù)測(cè)云平臺(tái)cro的使用情況對(duì)于關(guān)閉部分服務(wù)器，提高調(diào)度效率具有重要意義。本文提出了一種基于神經(jīng)網(wǎng)絡(luò)和遺傳算法混合的云負(fù)載的預(yù)測(cè)方法，根據(jù)歷史數(shù)據(jù)預(yù)測(cè)未來(lái)短期CPU資源的需求，提高數(shù)據(jù)中心CPU的使用率，提局能效。

本文第1部分介紹相關(guān)工作的研究情況。第2部分提出基于神經(jīng)網(wǎng)絡(luò)與遺傳算法混合的預(yù)測(cè)方法，第3部分實(shí)驗(yàn)及其結(jié)果分析，最后總結(jié)與展望。

1 相關(guān)工作

在服務(wù)器領(lǐng)域，一臺(tái)完全空閑的服務(wù)器的能耗能達(dá)到其峰值的70%左右。處理器高能耗隨之帶來(lái)的問(wèn)題是配套冷卻設(shè)施的開銷。據(jù)統(tǒng)計(jì)，計(jì)算資源消耗的每1瓦電能就需要額外的0.5?1瓦特進(jìn)行冷卻。Bohra等人采用“主成分分析”方法對(duì)監(jiān)控事件的相互關(guān)聯(lián)關(guān)系進(jìn)行分析發(fā)現(xiàn){CPU，Cache}對(duì)和{Disk，DRAM}

對(duì)有很高的相關(guān)性，由此把系統(tǒng)負(fù)載分成CPU密集負(fù)載和IO密集負(fù)載。Kaushik提出的綠色HDFS概念，將hadoop集群邏輯分為熱區(qū)和冷區(qū)，采用數(shù)據(jù)分類與節(jié)能的策略確保在冷區(qū)存儲(chǔ)的數(shù)據(jù)長(zhǎng)期不被訪問(wèn)，從而關(guān)閉冷區(qū)的數(shù)據(jù)節(jié)點(diǎn)，但當(dāng)冷區(qū)節(jié)點(diǎn)被喚醒的頻率較高時(shí)，反而消耗更多能源。從軟件層面上看，文獻(xiàn)提出的一種綠色云架構(gòu)實(shí)現(xiàn)虛機(jī)的重新配置，分配與再分配，以O(shè)PU的能耗為模型測(cè)量云平臺(tái)的能源消耗。Biirge等人在異構(gòu)的數(shù)據(jù)中心處理請(qǐng)求的調(diào)度上，關(guān)注用戶任務(wù)布署的時(shí)間與節(jié)點(diǎn)，得出甚至只要運(yùn)用很簡(jiǎn)單的啟發(fā)信息都可以提高能效。在網(wǎng)絡(luò)方面，文獻(xiàn)中提出了一種域內(nèi)流量工程機(jī)制GreenTE，能夠在保證用戶需求的前提下最大限度讓數(shù)據(jù)鏈路進(jìn)入休眠狀態(tài)，Cianfrani等人提出一種能耗每女感的OSPF路由協(xié)議，通過(guò)優(yōu)化Dijkstra算法與共享效率低的路由器最短路徑樹的方式，提供最少路徑數(shù)的路由服務(wù)。

在預(yù)測(cè)資源請(qǐng)求方面，文獻(xiàn)中通過(guò)分析主機(jī)狀態(tài)間轉(zhuǎn)換花費(fèi)的時(shí)鐘頻率與電功率，提出綠色調(diào)度算法，用神經(jīng)網(wǎng)絡(luò)作為云資源的預(yù)測(cè)原型。但實(shí)驗(yàn)僅對(duì)NASA、Clark Netweb服務(wù)器url請(qǐng)求數(shù)作預(yù)測(cè)，粒度不夠精細(xì)。John J.Prevost等人同樣是預(yù)測(cè)url請(qǐng)求數(shù)，他們通過(guò)不同時(shí)間間隔模擬神經(jīng)網(wǎng)絡(luò)與線性自回歸模型，從實(shí)驗(yàn)數(shù)據(jù)來(lái)看，二者都有較理想的近似曲線，但神經(jīng)網(wǎng)絡(luò)在90s間隔的案例中均方差值較大，預(yù)測(cè)效果不理想，分析得出神經(jīng)網(wǎng)絡(luò)存在收斂速度慢，易陷于局部最優(yōu)解等不足。

2011年google對(duì)外公布了其29天的云平臺(tái)實(shí)際數(shù)據(jù)，為進(jìn)一步研究云平臺(tái)信息提供了重要的實(shí)踐依據(jù)。基于該數(shù)據(jù)，已經(jīng)取得了相關(guān)的研究成果。其中，ZitaoLiu等人對(duì)此進(jìn)行多方面的統(tǒng)計(jì)分析得出，在云計(jì)算中心任務(wù)的調(diào)度呈現(xiàn)周期性，其中被殺死（loll）和完成（finish）的任務(wù)（task）的數(shù)量相對(duì)穩(wěn)定，而被殺死的任務(wù)占用CPU60%的時(shí)鐘周期，可成功完成的任務(wù)僅占10%?15%，結(jié)論表明合理運(yùn)用啟發(fā)信息可提高完成任務(wù)所占用CPU時(shí)鐘周期的比例。文獻(xiàn)中提出一種預(yù)測(cè)失敗任務(wù)的普適框架。作者分析云任務(wù)屬性，以任務(wù)結(jié)束狀態(tài)作為結(jié)構(gòu)體數(shù)據(jù)，選擇中長(zhǎng)型任務(wù)，以上述的結(jié)構(gòu)體作為輸入，用周期神經(jīng)網(wǎng)絡(luò)訓(xùn)練預(yù)測(cè)器，訓(xùn)練完成后用該預(yù)測(cè)器對(duì)任務(wù)結(jié)束狀態(tài)作預(yù)測(cè)。但資源消耗的范化丟失了數(shù)據(jù)的一些原始特性，無(wú)法辨別任務(wù)失敗的具體原因，預(yù)測(cè)器無(wú)法在短時(shí)間內(nèi)規(guī)避相同錯(cuò)誤的作業(yè)。

綜上所述，國(guó)內(nèi)外研究從多個(gè)方面尋求云節(jié)能方案。對(duì)于請(qǐng)求資源預(yù)測(cè)這一方面，資源粒度未能具體到物理或虛擬的靜態(tài)資源，而云能耗的度量大多都是以此構(gòu)建模型的。算法單一，神經(jīng)網(wǎng)絡(luò)雖具有良好的非線性映射能力，但同時(shí)它也存在收斂慢等不足；多元線性回歸可以準(zhǔn)確地計(jì)量各個(gè)因素之間的相關(guān)程度與回歸擬合程度的高低，提高預(yù)測(cè)方程式的效果，但可能忽略了交互效應(yīng)和非線性的因果關(guān)系。本文將主機(jī)的CPU作為能效的研究對(duì)象，在系統(tǒng)使用率層面，通過(guò)準(zhǔn)確預(yù)測(cè)CPU的需求量來(lái)對(duì)服務(wù)平臺(tái)進(jìn)行休眠，關(guān)閉等操作將極大降低云平臺(tái)的能耗水平。本文提出一種基于神經(jīng)網(wǎng)絡(luò)和遺傳算法混合的用戶資源請(qǐng)求預(yù)測(cè)模型，預(yù)測(cè)未來(lái)短期CPU請(qǐng)求量，以此值為參照關(guān)閉閑置主機(jī)，從而提高系統(tǒng)使用率，降低能耗。

2 算法模型

2.1 BP神經(jīng)網(wǎng)絡(luò)

BP（Back Propagation）神經(jīng)網(wǎng)絡(luò)是一種按誤差逆?zhèn)鞑ニ惴ㄓ?xùn)練的多層前饋網(wǎng)絡(luò)。從信息處理角度對(duì)人腦神經(jīng)元網(wǎng)絡(luò)進(jìn)行抽象，建立某種突觸聯(lián)系強(qiáng)

度可變的簡(jiǎn)單模型，按不同的連接方式組成不同的網(wǎng)絡(luò)。每個(gè)節(jié)點(diǎn)代表一個(gè)神經(jīng)元（Neuron），接受一組輸入信號(hào)，通過(guò)激勵(lì)函數(shù)生成特定輸出。神經(jīng)網(wǎng)絡(luò)模型拓?fù)浣Y(jié)構(gòu)包括輸入層（inputlayer）、隱含層（hidelayer）和輸出層（outputlayer），如圖1所示：

輸入信號(hào)依次通過(guò)輸入層、隱含層、輸出層逐級(jí)前饋，直至網(wǎng)絡(luò)輸出。之后學(xué)習(xí)系統(tǒng)計(jì)算網(wǎng)絡(luò)的實(shí)際輸出與期望輸出的誤差，根據(jù)這個(gè)誤差逐級(jí)反饋調(diào)整網(wǎng)絡(luò)權(quán)值，縮小實(shí)際輸出與期望輸出的差值，完成網(wǎng)絡(luò)的學(xué)習(xí)過(guò)程。其具體過(guò)程如下：

（1）前饋計(jì)算

在該過(guò)程中，第層神經(jīng)元的輸入為該神經(jīng)元相連的第層神經(jīng)元輸出的權(quán)重和，再將該和作為激勵(lì)函數(shù)的參數(shù)，計(jì)算出該神經(jīng)元的輸出，設(shè)在第時(shí)刻第個(gè)神經(jīng)元的輸入為，輸出為以，該神經(jīng)元的輸出可表示為：

其中，表示節(jié)點(diǎn)到節(jié)點(diǎn)的輸入信號(hào)，表示節(jié)點(diǎn)到節(jié)點(diǎn)的權(quán)重，表示節(jié)點(diǎn)的閾值，為激勵(lì)函數(shù)。

（2）反饋傳播

反饋傳播的含義在于，第層神經(jīng)元的誤差項(xiàng)是所有與該神經(jīng)元相連的第層的神經(jīng)元誤差項(xiàng)權(quán)重和與該神經(jīng)元激活函數(shù)/梯度的乘積。

對(duì)于/為sigmoid函數(shù)，輸出層第時(shí)刻第個(gè)神經(jīng)元，其誤差計(jì)算公式可表示為：

其中，表示期望輸出值，為實(shí)際輸出值。

而對(duì)于隱含層第《時(shí)刻第個(gè)神經(jīng)元，其誤差計(jì)算公式可表示為：

第時(shí)刻第層第個(gè)神經(jīng)元根據(jù)誤差項(xiàng)，調(diào)整與該神經(jīng)元連接的第層所有神經(jīng)元的權(quán)重值，其調(diào)整計(jì)算公式可表示為：

其中，表示學(xué)習(xí)率，為節(jié)點(diǎn)的輸出。

2.2 遺傳算法

遺傳算法（Genetic Algorithm）是模擬物競(jìng)天擇的生物進(jìn)化與自然選擇的計(jì)算模型，通過(guò)維護(hù)一個(gè)潛在解的群體執(zhí)行多方向的搜索，以問(wèn)題潛在解集作為初始化種群，以直接或間接的方式為該種群的每個(gè)個(gè)體進(jìn)行基因編碼，實(shí)現(xiàn)從表現(xiàn)型到基因型的映射。在下一代中，根據(jù)問(wèn)題域個(gè)體的適應(yīng)性函數(shù)（fitness）選擇個(gè)體，并借助遺傳學(xué)的遺傳算子（geneticoperators）對(duì)染色體進(jìn)行組合交叉（crossover），變異（mutation），繁衍出代表新解集的種群。這個(gè)過(guò)程將導(dǎo)致后代種群像生物進(jìn)化一樣更加適應(yīng)于環(huán)境，逐漸逼近問(wèn)題的全局最優(yōu)解。

2.3 混合遺傳算法

2.3.1 算法描述

通過(guò)2.1，2.2的描述可以發(fā)現(xiàn)，神經(jīng)網(wǎng)絡(luò)與遺傳算法都具有自適應(yīng)，自組織的特點(diǎn)，神經(jīng)網(wǎng)絡(luò)雖具有良好的非線性映射能力，但易陷于局部最優(yōu)解，而遺傳算法從問(wèn)題解集開始搜索，覆蓋面大，易于尋找全局最優(yōu)解。結(jié)合上一節(jié)的神經(jīng)網(wǎng)絡(luò)，具體給出遺傳算法的關(guān)鍵步驟。

（1）基因編碼

遺傳算法的基因編碼有直接與間接編碼兩種方式。以直接的方式對(duì)神經(jīng)網(wǎng)絡(luò)相鄰層的權(quán)重矩陣進(jìn)行編碼，建立這樣一個(gè)神經(jīng)網(wǎng)絡(luò)拓?fù)淠Ｐ停?個(gè)輸入節(jié)點(diǎn)，4個(gè)隱含節(jié)點(diǎn)和一個(gè)輸出節(jié)點(diǎn)。如圖2所示：

其中表示節(jié)點(diǎn)1與節(jié)點(diǎn)4的連接值，表示節(jié)點(diǎn)2與節(jié)點(diǎn)4的連接值，以此類推，用權(quán)值矩陣記錄的節(jié)點(diǎn)間連接關(guān)系作為種群個(gè)體的遺傳信息。

（2）自然選擇

確定輸入；經(jīng)過(guò)神經(jīng)網(wǎng)絡(luò)的前饋計(jì)算，以均方誤差：

作為適應(yīng)性函數(shù)（fitness），值越小表示適應(yīng)性越好。其中，分別表示第n時(shí)刻輸出節(jié)點(diǎn)k的預(yù)測(cè)值與實(shí)際值。以輪盤賭的方式模擬自然選擇，在輪盤賭中，權(quán)重矩陣代表種群個(gè)體，用矩陣對(duì)應(yīng)的適應(yīng)值計(jì)算該個(gè)體在輪盤中所占據(jù)的扇形比例，以此近似該個(gè)體被自然環(huán)境所選中的概率。

（3）組合交叉

組合交叉模擬父母雙方染色體配對(duì)過(guò)程，使子類更加逼近問(wèn)題的最優(yōu)解。組合的方式多種多樣，這里介紹種群內(nèi)部與種群間的基因重組，如圖3，圖4所示。

種群內(nèi)部的重組體現(xiàn)在保留當(dāng)前最優(yōu)解的種群權(quán)值矩陣，種群間則使用的是單點(diǎn)組合交叉的方式組合交叉重組父母雙方權(quán)值矩陣，以產(chǎn)生新的解集空間。種群內(nèi)部的重組體現(xiàn)在保留當(dāng)前最優(yōu)解的種群權(quán)值矩陣，種群間則使用的是單點(diǎn)組合交叉的方式組合交叉重組父母雙方權(quán)值矩陣，以產(chǎn)生新的解集空間。（4）基因變異

變異算子定義為以小概率事件修改基因重組后子類的權(quán)重矩陣，使得對(duì)問(wèn)題的求解有機(jī)會(huì)從當(dāng)前空間跳躍到另一個(gè)搜索空間，逼近問(wèn)題的全局最優(yōu)解。

（5）過(guò)渡條件

如此重復(fù)以上步驟，當(dāng)達(dá)到預(yù)期的適應(yīng)值或種群的適應(yīng)值趨于穩(wěn)定時(shí)，將適應(yīng)性最好的基因作為神經(jīng)網(wǎng)絡(luò)的權(quán)值矩陣，進(jìn)入第6步。

（6）前饋傳播

對(duì)于每一組輸入，計(jì)算其實(shí)際輸出。

（7）反饋傳播

根據(jù)公式（2）（3），調(diào)整權(quán)值矩陣，當(dāng)達(dá)到公式（8）小于預(yù)期的閾值或達(dá)到最大迭代次數(shù)時(shí)，結(jié)束算法。否則回到第6步。該算法的偽代碼如表1所示。

2.3.2 實(shí)例分析

以拓?fù)浣Y(jié)構(gòu)為3-4-1的神經(jīng)網(wǎng)絡(luò)為例，假定初始條件下資源統(tǒng)計(jì)如下表2所示：

任選一組輸入數(shù)據(jù)（以編號(hào)1為例），通過(guò)前饋算，三組基因的輸出值分別為0.55，0.61，0.66，其適應(yīng)值為0.013，0.005，0.001。對(duì)應(yīng)的在輪盤中所占的比例為0.06，0.16，0.78。在輪盤賭中選中的基因?yàn)榛駼與基因C。其基因重組，變異過(guò)程如圖7所示：

產(chǎn)生下一代個(gè)體，其適應(yīng)值為0.0128。重復(fù)輪盤賭步驟構(gòu)建新一代種群。假設(shè)圖9的基因適應(yīng)值滿足迭代結(jié)束條件，則進(jìn)入神經(jīng)網(wǎng)絡(luò)訓(xùn)練過(guò)程。

任選一組輸入（以編號(hào)2為例），經(jīng)過(guò)網(wǎng)絡(luò)傳播，輸出值為0.63，根據(jù)實(shí)驗(yàn)誤差與函數(shù)梯度調(diào)整矩陣，設(shè)學(xué)習(xí)率為0.25，閾值b設(shè)置為0。過(guò)程如圖8所示：

重復(fù)網(wǎng)絡(luò)訓(xùn)練過(guò)程，直到達(dá)到最大迭代次數(shù)或均方差小于閾值，結(jié)束程序。

3 實(shí)驗(yàn)及其數(shù)據(jù)分析

3.1 實(shí)驗(yàn)環(huán)境與參數(shù)設(shè)置

本文實(shí)驗(yàn)是在單機(jī)環(huán)境下完成的。華碩AllSeries臺(tái)式電腦，CPU為InterCorei5-4590

3.30GHz，8GB內(nèi)存，1TB硬盤，主板集成聲卡和網(wǎng)卡，獨(dú)立顯卡。編程平臺(tái)為java環(huán)境。文獻(xiàn)使用了神經(jīng)網(wǎng)絡(luò)和線性回歸模型對(duì)服務(wù)器資源的請(qǐng)求數(shù)做出預(yù)測(cè)，而神經(jīng)網(wǎng)絡(luò)的預(yù)測(cè)效果相比下并不理想。實(shí)驗(yàn)主要目的是測(cè)試神經(jīng)網(wǎng)絡(luò)結(jié)合遺傳算法是否能突破局部最優(yōu)解，更加逼近全局最優(yōu)解的非線性曲線。因此設(shè)計(jì)了以下實(shí)驗(yàn)。

實(shí)驗(yàn)1GA擴(kuò)大搜索范圍，尋找全局最優(yōu)解區(qū)間。對(duì)谷歌數(shù)據(jù)的分析得出，集群的資源請(qǐng)求數(shù)據(jù)具有周期性，且一周為一個(gè)周期，換言之，上周一與這周一在請(qǐng)求值上具有相似性，所以我們明確以上周一與這周一的數(shù)據(jù)作為訓(xùn)練樣本，預(yù)測(cè)下周一的請(qǐng)求數(shù)據(jù)。以上周一的數(shù)據(jù)作為網(wǎng)絡(luò)的輸入，這周一同一時(shí)刻的數(shù)據(jù)作為輸出，這樣就可以在夜間輕量負(fù)載的時(shí)間段執(zhí)行預(yù)測(cè)程序。

初始化一個(gè)3-7-1的網(wǎng)絡(luò)拓?fù)浣Y(jié)構(gòu)，分別對(duì)應(yīng)于輸入層，隱藏層和輸出層。輸入層3個(gè)節(jié)點(diǎn)分別是時(shí)間戳，CPU請(qǐng)求核數(shù)，任務(wù)請(qǐng)求量，輸出層為CPU的預(yù)測(cè)值?；诖送?fù)涞臋?quán)值矩陣構(gòu)建GA的編碼基因，首先隨機(jī)初始化矩陣集合，接著確定輸入值，每隔5mini己錄一次{timestamp，request Core，request Tasknum}結(jié)構(gòu)數(shù)據(jù)，以24小時(shí)為整個(gè)時(shí)間跨度，可得到容量為288的數(shù)組。通過(guò)神經(jīng)網(wǎng)絡(luò)前饋傳播輸出預(yù)測(cè)值，以均方差：

作為個(gè)體的適應(yīng)性函數(shù)值，遵循優(yōu)勝劣汰的規(guī)則，將適應(yīng)值最高的個(gè)體基因直接遺傳給下一代，接著用輪盤賭的方式在種群中選擇待交配的雙方，采用單點(diǎn)基因重組構(gòu)造新的權(quán)值矩陣。其變異率設(shè)置為0.05，變異區(qū)間[-0.5，0.5]。實(shí)驗(yàn)中設(shè)置的參數(shù)如表4所示。實(shí)驗(yàn)2BP神經(jīng)網(wǎng)絡(luò)再訓(xùn)練，逼近全局最優(yōu)解。由實(shí)驗(yàn)1訓(xùn)練的適應(yīng)值最大的編碼基因，作為BP神經(jīng)網(wǎng)絡(luò)的權(quán)值矩陣，進(jìn)入神經(jīng)網(wǎng)絡(luò)訓(xùn)練過(guò)程，得出逼近全局最優(yōu)解的權(quán)值矩陣。設(shè)定sigmmd函數(shù)為激活函數(shù)，學(xué)習(xí)率為0.5。實(shí)驗(yàn)中設(shè)置的參數(shù)如表5所示。

3.2 實(shí)驗(yàn)分析

統(tǒng)計(jì)下周一的CPU資源請(qǐng)求數(shù)據(jù)，如圖9所示。使用神經(jīng)網(wǎng)絡(luò)，以上周與本周的數(shù)據(jù)樣本作為訓(xùn)練集，輸出結(jié)果如圖10所示。

混合算法，訓(xùn)練集同上，測(cè)試結(jié)果如圖11所示。BP神經(jīng)網(wǎng)絡(luò)與混合算法預(yù)測(cè)值與實(shí)際值差值樣本抽樣，如表6，表7所示。

如圖10所示，除個(gè)別數(shù)據(jù)節(jié)點(diǎn)，其它節(jié)點(diǎn)預(yù)測(cè)值與實(shí)際值相差較大，曲線逼近程度不理想。出現(xiàn)這種過(guò)擬合現(xiàn)象的主要因素是BP算法本身易陷于局部最優(yōu)解。而在圖11中，除去少數(shù)節(jié)點(diǎn)，二者曲線波形相似，預(yù)測(cè)值曲線逼近實(shí)際值。表7中，混合算法均值為正數(shù)，說(shuō)明該算法預(yù)測(cè)值平均高于集群的實(shí)際值，從而保證集群的SLA。本文提出的混合算法，在查找全局最優(yōu)解方面借鑒遺傳算法，以面的方式搜索解集空間，尋找全局最優(yōu)解區(qū)間，再用神經(jīng)網(wǎng)絡(luò)逼近該區(qū)間的最優(yōu)解，二者的混合更適用于復(fù)雜的非線性曲線問(wèn)題求解。

4 總結(jié)和進(jìn)一步研究

云數(shù)據(jù)中心的高能耗與低使用率的巨大反差催生了綠色節(jié)能的槪念。麵艮務(wù)器，網(wǎng)絡(luò)，軟件為提高能效的三大研究目標(biāo)。針對(duì)服務(wù)器領(lǐng)域，本文提出的基于神經(jīng)網(wǎng)絡(luò)與遺傳算法混合預(yù)測(cè)模型，自身具#轍子的學(xué)習(xí)能力，搜索全局最優(yōu)解的能力較強(qiáng)，對(duì)云資源請(qǐng)求量的逼近效果較為理想，可為數(shù)據(jù)中心資源分配與任務(wù)調(diào)度提供參考。但該模型輸入?yún)?shù)類型較為局限，僅為timestamp、core、tasknum，且本文中該模型僅用于預(yù)測(cè)CPU資源，未來(lái)將考慮基于此構(gòu)建云平臺(tái)資源請(qǐng)求的普適框架。