亚洲免费av电影一区二区三区,日韩爱爱视频,51精品视频一区二区三区,91视频爱爱,日韩欧美在线播放视频,中文字幕少妇AV,亚洲电影中文字幕,久久久久亚洲av成人网址,久久综合视频网站,国产在线不卡免费播放

        ?

        基于云自適應(yīng)粒子群優(yōu)化算法和隨機森林回歸(CAPSO-RFR)的負載均衡預(yù)測

        2019-10-23 11:23:10李雨泰李偉良尚智婕王洋董希杰
        微型電腦應(yīng)用 2019年10期

        李雨泰, 李偉良, 尚智婕, 王洋, 董希杰

        (國家電網(wǎng)有限公司 信息通信分公司, 北京 100761)

        0 引言

        云計算資源負載均衡預(yù)測的預(yù)測精度直接影響云計算系統(tǒng)的服務(wù)質(zhì)量、安全性和經(jīng)濟性,其是云計算系統(tǒng)平臺規(guī)劃的重要構(gòu)成部分[1]。根據(jù)歷史負載數(shù)據(jù),建立云計算資源負載之間的定量關(guān)系,從而實現(xiàn)云計算資源負載的預(yù)測,為云計算資源的規(guī)劃、調(diào)度以及云計算平臺的性能優(yōu)化提供決策依據(jù)。由于云計算數(shù)據(jù)量的幾何級數(shù)倍增以及其復(fù)雜性和非線性,傳統(tǒng)的ARMA模型、ARIMA模型和FARIMA模型[2]已經(jīng)無法保證云計算資源負載預(yù)測的精度。神經(jīng)網(wǎng)絡(luò)雖然適合非線性資源負載預(yù)測,但其預(yù)測精度易受其權(quán)值和閾值的影響,存在收斂速度慢和局部最優(yōu)的問題。支持向量機[3]雖然適合短期資源負載預(yù)測,但其預(yù)測結(jié)果易受其參數(shù)選擇的影響。隨機森林[4](Random Forest,RF)是將隨機子空間和Bagging集成學習理論結(jié)合提出的一種機器學習方法,其具有預(yù)測精度高、收斂速度快、穩(wěn)健性好和調(diào)節(jié)參數(shù)少的優(yōu)點。文獻[5]為解決大部分虛擬機上任務(wù)不均衡和等待時間過長的問題,選擇虛擬機的CPU和內(nèi)存等資源的利用率為目標函數(shù),提出一種基于粒子群算法優(yōu)化隨機森林的用于解決負載均衡問題。研究結(jié)果表明,PSO-RFR算法可以有效解決負載均衡問題,提高虛擬機的CPU和內(nèi)存的資源利用率。針對其預(yù)測結(jié)果易受森林中樹的數(shù)量Ntree、候選特征子集Mtry和葉節(jié)點的樣本數(shù)Nodesize等參數(shù)影響,提出一種云自適應(yīng)粒子群算法(cloud adaptive particle swarm optimization, CAPSO)優(yōu)化RF參數(shù)的負載均衡高精度預(yù)測方法,并實現(xiàn)RF算法參數(shù)的自適應(yīng)選擇。

        1 隨機森林回歸

        隨機森林回歸[6](Random Forest Regression,RFR)算法是基于決策樹分類器的組合算法,其利用bootstrap重抽樣方法從原始樣本中抽取多個樣本,對每個bootstrap樣本構(gòu)建決策樹,然后將所有決策樹中出現(xiàn)最多的投票結(jié)果最為最終預(yù)測結(jié)果。假設(shè)隨機參數(shù)向量θ對應(yīng)的決策樹為T(θ),其葉節(jié)點表示為l(x,θ),RFR算法步驟如下:

        Step1:利用bootstrap方法重采樣,隨機產(chǎn)生k個訓練集θ1,θ2,…,θk;利用每個訓練集生成對應(yīng)的決策樹集{T(x,θ1)},{T(x,θ2)},…,{T(x,θk)};

        Step2:假設(shè)特征有M維,從M維特征中隨機抽取m個特征作為當前節(jié)點的分裂特征集,并以m個特征中最好的分裂方式對該節(jié)點進行分裂;

        Step3:每個決策樹均得到最大限度的生長,在此過程中不進行剪枝;

        Step4:對于新的數(shù)據(jù),單棵決策樹T(θ)的預(yù)測可以通過葉節(jié)點l(x,θ)的觀測值取平均獲得,其中權(quán)重向量為wi(x,θ);

        (1)

        Step6:運用公式(7)通過對決策樹權(quán)重wi(x,θt)(t=1,2,…,k)取平均得到每個觀測值Yi(i=1,2,…,n)的權(quán)重wi(x)如式(2)、式(3)。

        (2)

        (3)

        2 云自適應(yīng)粒子群優(yōu)化算法

        粒子群優(yōu)化(particle swarm optimization, PSO)算法是受鳥群覓食行為啟發(fā)的研究,其算法更新式如下[7-8]如式(4)、式(5)。

        (4)

        (5)

        更新公式中的w和c1,c2均為常數(shù),尋優(yōu)過程中,所有粒子的移動方向趨于一致性,使得粒子群體慢慢失去多樣性,導(dǎo)致算法容易陷入局部最優(yōu)和“早熟”問題。為了提高PSO算法的收斂速度和尋優(yōu)精度,將云模型[10]的隨機傾向性和穩(wěn)定性引入PSO算法,提出云自適應(yīng)粒子群優(yōu)化算法,通過云算子對PSO算法的慣性權(quán)重w進行自適應(yīng)改進,云算子的穩(wěn)定性可以保證全局最優(yōu)值,而隨機性可以避免PSO算法陷入局部極值,云算子的調(diào)整方法可以詳細描述如下:

        (6)

        (7)

        (8)

        (9)

        式中,k1,k2為控制系數(shù)。第k代慣性權(quán)重wk計算式為[11]式(10)。

        (10)

        式中,wmin,wmax分別為慣性權(quán)重w的最小值和最大值。

        3 基于CAPSO-RFR的負載均衡預(yù)測

        針對RFR預(yù)測結(jié)果易受森林中樹的數(shù)量Ntree、候選特征子集Mtry和葉節(jié)點的樣本數(shù)Nodesize等參數(shù)影響[12],在保證云計算資源負載預(yù)測誤差最小情況下,實現(xiàn)森林中樹的數(shù)量Ntree、候選特征子集Mtry和葉節(jié)點的樣本數(shù)Nodesize等參數(shù)的自適應(yīng)選擇,其適應(yīng)度函數(shù)如式(11)。

        (11)

        式中,Yi為第i樣本點負載實際值,Xi為第i樣本點負載預(yù)測值?;贑APSO-RFR的云計算資源負載預(yù)測算法如下:

        Step1:歸一化云計算資源負載數(shù)據(jù),并將數(shù)據(jù)劃分為訓練樣本和測試樣本,訓練樣本用于RFR模型的建立,而測試樣本則用于驗證RFR模型的效果;

        Step2:CAPSO算法參數(shù)初始化:種群的規(guī)模N,最大迭代次數(shù)Tmax,學習因子c1和c2,慣性權(quán)重w,控制系數(shù)k1、k2;森林中樹的數(shù)量Ntree、候選特征子集Mtry和葉節(jié)點的樣本數(shù)Nodesize參數(shù)范圍的初始化;

        Step3:初始化粒子的位置和速度:輸入訓練樣本,根據(jù)適應(yīng)度函數(shù)(11)計算每個粒子的適應(yīng)度;

        Step4:更新粒子的速度和位置;

        Step5:計算適應(yīng)度并更新粒子的速度和位置;

        Step6:判定CPSO算法終止條件,若滿足則輸出最優(yōu)解;反之,執(zhí)行Step3;

        Step7:輸出RFR模型的最優(yōu)參數(shù):森林中樹的數(shù)量Ntree、候選特征子集Mtry和葉節(jié)點的樣本數(shù)Nodesize,并將這三個最優(yōu)參數(shù)用于云計算資源負載的預(yù)測。

        4 實證分析

        4.1 數(shù)據(jù)來源

        為了驗證CAPSO_RFR進行云計算資源負載預(yù)測的有效性,選擇2018年7月16日-2018年7月26日11天的廣東某運營商云計算平臺提供的歷史云計算資源負載數(shù)據(jù)為研究對象[13-14],其中每天每間隔1小時采集一點云計算資源負載數(shù)據(jù),一共采集264組云計算資源負載數(shù)據(jù),云計算資源負載數(shù)據(jù)如圖1所示。

        圖1 云計算資源負載數(shù)據(jù)

        4.2 評價指標

        為評價云計算資源負載的預(yù)測結(jié)果,選擇MAE、RMSE和nRMSE作為云計算資源負載預(yù)測的評價指標[15-16]如式(10)—式(12)。

        (10)

        (11)

        (12)

        4.3 結(jié)果分析

        為了證明本文算法CAPSO-RFR進行云計算資源負載預(yù)測的優(yōu)越性,將其與PSO-RFR、和RFR進行對比,對比結(jié)果如圖2和圖3以及表1所示。

        圖2 對比結(jié)果

        圖3 預(yù)測絕對誤差

        方法RMSEMAEn RMSECAPSO-RFR0.30940.18442.2032%PSO-RFR0.37340.24204.8478%RFR0.81260.62657.3074%

        結(jié)合圖2和圖3以及表1不同算法進行云計算資源負載預(yù)測結(jié)果可知,在RMSE、MAE和nRMSE三個評價指標上,與RFR和PSO-RFR相比較,CAPSO-RFR具有更高的預(yù)測精度;其次,PSO-RFR的預(yù)測精度優(yōu)于RFR;最后,RFR的預(yù)測精度最差,RMSE、MAE和nRMSE分別比CAPSO-RFR低0.5032、0.4421和5.1042%,通過對比可知,本文提出的算法CAPSO-RFR可以有效提高云計算資源負載預(yù)測的精度,同時實現(xiàn)RFR參數(shù)的自適應(yīng)選擇,為云計算資源負載預(yù)測預(yù)測提供新的方法和途徑。

        5 結(jié)論

        針對傳統(tǒng)的云計算資源負載預(yù)測算法存在精度低和誤差大的缺點,提出一種基于CAPSO -RFR的云計算資源負載預(yù)測算法。在RMSE、MAE和nRMSE三個評價指標上,與RFR和PSO-RFR相比較,CAPSO-RFR具有更高的預(yù)測精度。研究結(jié)果表明,本文提出的算法CAPSO-RFR可以有效提高云計算資源負載預(yù)測的精度,為云計算資源的規(guī)劃、調(diào)度以及云計算平臺的性能優(yōu)化提供決策依據(jù)。

        亚洲一区二区三区无码国产| 五月开心六月开心婷婷网| 久久久99精品免费视频| 亚洲av无码久久精品蜜桃| 欧美人妻日韩精品| 国产精品一级av一区二区| 日本成年一区久久综合| 久久久久av无码免费网| 少妇高潮喷水正在播放| 日本肥老熟妇在线观看| 日韩一区二区三区久久精品| 亚洲精品无码久久久影院相关影片| 亚洲人成无码网站久久99热国产| 一区视频在线观看免费播放.| 亚洲色图专区在线观看| 少妇厨房愉情理伦bd在线观看| 国产人成精品综合欧美成人 | 国产三级视频一区二区| 国产亚洲av看码精品永久| 老司机亚洲精品影院| 久久中文字幕无码一区二区| 中文字幕色婷婷在线视频| 老鸭窝视频在线观看| 中国丰满熟妇av| 人妻无码ΑV中文字幕久久琪琪布| 日韩在线不卡一区三区av| 日本高清视频永久网站www | 亚洲AⅤ精品一区二区三区| 亚洲国产精品成人一区二区三区| 老女老肥熟女一区二区| 国产午夜亚洲精品午夜鲁丝片| 国产真实乱XXXⅩ视频| 日本韩国亚洲三级在线| 日本艳妓bbw高潮一19| 亚洲成人免费观看| 综合中文字幕亚洲一区二区三区| 国产精品女同久久久久电影院| 国产精品对白交换视频| 情色视频在线观看一区二区三区 | 久久精品国产亚洲av沈先生| 偷看农村妇女牲交|