云平台主机资源负载预测分析研究

云平台主机资源负载预测对于提高系统资源利用率以及实现资源分配的优化至关重要,也是实现云平台服务水平协议的关键所在.有效的主机负载预测机制可促进主动作业调度,辅助主机负载平衡决策,这反过来可以提高主机资源利用率、改善作业性能、降低数据中心成本.具体来看,云平台中主机工作负载具有快速变化、波动大和长期信息依赖等特点,这使得负载预测工作变得复杂.为了解决上述预测问题,本文做了如下工作:(1)实现了适合主机平均负载预测的指数分段预测模式;(2)完成了主机实际负载多步预测模式;(3)在2个真实云平台数据集进行实验,并采用3种评价函数对实验结果进行评估.最终结果表明,相对于目前已经提出的主机负载预测模型,本文方法具有更好的预测性能.

一种LSTM模型预测BC值的空间碎片无控再入预报方法

提出一种利用长短周期记忆(LSTM)神经网络模型动态预测无控再入过程中弹道系数(BC)值实现空间碎片高精度再入时刻预报。通过利用空间碎片两行根数(TLE)、简化通用摄动模型(SGP4)与公开的物体陨落时间作为实测数据样本,利用迭代修正BC值方法构建预测模型的训练集,由此构造用于预测BC值的LSTM模型预测BC,再采用高精度轨道外推动力学模型配合预测BC值预报再入时刻,结果表明基于LSTM模型预测BC的空间碎片再入时刻预报方法是可行的,在95%的置信度内,90天以上的再入时刻预报精度小于10%,30天预报精度小于8%。