基于组合预测模型的云计算资源负载预测研究

随着云计算技术的不断发展,云计算资源负载变化呈现出越来越复杂的特征。针对云计算资源的负载预测问题,综合考虑云计算环境中资源负载时间序列的线性与非线性特性,提出了一种基于自回归移动平均模型ARIMA与长短期记忆网络LSTM的组合预测模型LACL。使用公开数据集与传统负载预测模型进行了对比实验,实验结果表明,该云计算资源组合预测模型预测精度明显高于其他预测模型,显著降低了云环境中对资源负载的实时预测误差。

基于改进乌鸦搜索算法的云计算任务调度研究

提出了一种以云任务的完成时间和成本为优化目标的改进乌鸦搜索算法(IMCSA)的任务调度方法.首先采用反向学习初始化种群,在选择被跟踪乌鸦时根据记忆的适应度值择优选取,避免了盲目性;其次在位置更新过程中,将乌鸦的位置与其反向学习得到的位置进行交叉,择优选取,能够有效提高收敛速度.最后通过CloudSim平台与粒子群算法、遗传算法、Min_Min算法和CSA进行对比,结果表明IMCSA在不同实验下,在任务完成时间和成本取得的效果均优于对比算法.