摘要
随着云计算技术的发展，云平台已经成为了支撑经济社会各领域数字化转型的主要变革手段。能够对有限的云平台资源进行合理分配是提高云平台资源利用率、降低云平台能源消耗、最大化其经济效益的关键。预测云平台负载情况是实现资源随需求动态分配、提高资源利用率的一种有效方法。同时，宽度学习系统是一种浅层神经网络，具有网络参数少、训练速度较快、准确度较优等特点。因此，本文将宽度学习系统应用于云平台负载预测任务中，主要工作如下： 首先，针对云平台服务器、容器数量庞大，人工调整宽度学习系统超参数繁琐的问题，提出了基于麻雀搜索算法的宽度学习系统云平台负载预测方法。该方法利用麻雀搜索算法对宽度学习系统中收缩因子和正则化系数两个超参数进行优化，以最小化测试集的均方根误差为优化目标，使用优化得到的超参数组合训练并建立宽度学习系统云平台负载预测模型。为验证模型效果，利用了云平台负载公开数据集进行实验：使用变异系数法确定了代表云平台负载情况的指标——物理服务器及容器的CPU及内存使用率；然后使用所提模型与宽度学习系统等结构相似的神经网络模型预测CPU及内存的未来一步使用率。实验结果可知，所提模型的云平台负载预测准确度优于其他模型。 其次，为降低负载预测模型对采样间隔的要求，提高模型的普适性，提出了函数型宽度学习系统负载预测方法。该方法同时以光滑曲线和离散观测值为输入：利用函数型系数挖掘曲线样本的长期时序特征和相关性特征；利用稀疏自编码器微调的权重向量挖掘观测序列末端的时序信息。此外，为使函数型宽度学习系统发挥最好的效果，同样使用麻雀搜索算法对其超参数进行优化，最终形成了基于麻雀搜索算法的函数型宽度学习系统云平台负载预测方法，并通过消融实验和云平台负载多步预测实验证明了模型改进的有效性。 最后，设计并实现了云平台负载预警系统。对系统进行了需求分析和设计。基于设计方案，使用Python、ECharts等技术开发系统，实现了预测算法的集成以及预测结果的可视化显示。
NETL