基于WVMD-BCGRU-ATT的云资源预测研究

云资源预测能够增强数据中心的超前部署能力,但云资源的负载时间序列具有非周期性和周期性的变化模式,以及高度非线性且不稳定的特点。为准确分析云资源的负载变化,提高云资源中CPU负载的预测性能,提出一种基于分解—预测的组合模型。该模型在分解部分,为自适应获得较为平稳的多个分量,基于变分模态分解对原有时间序列进行分解,并提出将最小化样本熵作为鲸鱼优化算法的目标函数,代理搜索变分模态分解关键参数。在此基础上计算分量方差贡献度和相关系数,分别对高频和低频分量中的干扰分量进行剔除。在预测部分采用一维卷积层进行特征提取,利用BiGRU对序列的前后特征以及时间依赖关系进行学习;最后加入注意力机制层,以得到更为准确的预测结果。在阿里公开数据集上进行实验,发现与GRU、CNN-BiLSTM、GRU-LSTM和WVMD-BCGRU模型相比,所提模型的均方根误差分别下降了20%、14%、7%和3%,具有更高的预测精度和更为稳定的预测性能。

改进鲸鱼算法在云计算资源负载预测中的应用

为了解决传统云计算资源负载预测方法对负载序列高频分量预测精度不高和泛化能力弱的缺点,提出一种混合小波包变换和正余混沌双弦鲸鱼优化(CSCWOA)算法优化多层感知器神经网络(MLP)的短期云计算资源负载预测方法。通过小波包变换对负载序列进行多频段预处理分解,然后采用CSCWOA算法优化的MLP神经网络,对单支重构所得的负载子序列进行预测;最后叠加各子序列的预测值来获取实际预测结果。实验结果表明,该方法能掌握负载序列各频段冲击毛刺的变化规律,具有较好的预测精度和泛化能力。