王宗杰，郭 舉,2+

(1.北京科技大學(xué) 計(jì)算機(jī)與通信工程學(xué)院，北京 100083；2.北京起重運(yùn)輸機(jī)械設(shè)計(jì)研究院 研發(fā)中心，北京 100007)

0 引 言

通過(guò)將底層硬件資源抽象為虛擬機(jī)節(jié)點(diǎn)[1]，云平臺(tái)可持續(xù)穩(wěn)定地處理頻繁且種類(lèi)多樣的用戶(hù)請(qǐng)求，但同時(shí)產(chǎn)生了計(jì)算節(jié)點(diǎn)間負(fù)載不均衡的問(wèn)題。伴隨著云計(jì)算技術(shù)的迅猛發(fā)展[2]，出現(xiàn)了不同種類(lèi)[3]的負(fù)載均衡技術(shù)[4]，緩解了云平臺(tái)負(fù)載不均衡的問(wèn)題[5]。目前國(guó)內(nèi)外關(guān)于云平臺(tái)的負(fù)載均衡技術(shù)理論研究和工程實(shí)踐產(chǎn)生了大量的研究成果。文獻(xiàn)[6]利用層次分析法分析4種影響云平臺(tái)負(fù)載的因素，計(jì)算云平臺(tái)的負(fù)載值。該負(fù)載值能較好反映當(dāng)前平臺(tái)的資源利用情況，但使用單一的主觀賦權(quán)法所得權(quán)值具有主觀片面性。文獻(xiàn)[7]利用熵權(quán)法建立了對(duì)輸電方案的模糊評(píng)價(jià)模型，提取了評(píng)價(jià)指標(biāo)的有效信息，但使用單一客觀賦權(quán)法所得結(jié)果不全面。文獻(xiàn)[8]利用指數(shù)平滑法預(yù)測(cè)了云平臺(tái)的負(fù)載值，預(yù)測(cè)值由歷史負(fù)載值加權(quán)平均得到。該模型系統(tǒng)資源占用小，但負(fù)載誤差會(huì)逐步增大，預(yù)測(cè)精度較低。文獻(xiàn)[9]提出基于支持向量機(jī)的云平臺(tái)資源分配策略，實(shí)現(xiàn)對(duì)云平臺(tái)資源的動(dòng)態(tài)分配。文獻(xiàn)[10]利用哈希算法將數(shù)據(jù)存放到不同的數(shù)據(jù)節(jié)點(diǎn)上，實(shí)現(xiàn)各節(jié)點(diǎn)的負(fù)載均衡。文獻(xiàn)[11]提出了能量感知資源管理算法，動(dòng)態(tài)調(diào)整虛擬機(jī)資源分配情況。針對(duì)前人研究存在的問(wèn)題，提出了更全面的負(fù)載評(píng)估模型和負(fù)載預(yù)測(cè)算法，實(shí)驗(yàn)結(jié)果驗(yàn)證了其有效性。

1 云平臺(tái)負(fù)載評(píng)估預(yù)測(cè)方案

云平臺(tái)負(fù)載評(píng)估預(yù)測(cè)方案包含負(fù)載評(píng)估和負(fù)載預(yù)測(cè)兩部分內(nèi)容。負(fù)載評(píng)估階段選取4種評(píng)價(jià)指標(biāo)，利用層次分析法和熵權(quán)法計(jì)算出云平臺(tái)負(fù)載序列值。然后，采用差分整合移動(dòng)平均自回歸模型 (autoregressive integrated moving average model，ARIMA)和BP(back propagation)模型和BP神經(jīng)網(wǎng)絡(luò)分別處理負(fù)載序列的線性部分和非線性部分，最終得出云平臺(tái)負(fù)載預(yù)測(cè)值。

1.1 層次分析法

層次分析法(analytic hierarchy process,AHP)是對(duì)一些較為復(fù)雜模糊的問(wèn)題作出決策的多準(zhǔn)則決策分析方法[12]，主要目標(biāo)是解決多目標(biāo)的復(fù)雜問(wèn)題，它本質(zhì)上是一種建立在對(duì)問(wèn)題定性和定量基礎(chǔ)上的決策分析方法。為了得到被評(píng)價(jià)屬性的權(quán)值，它采用決策者主觀經(jīng)驗(yàn)判斷各個(gè)屬性之間的相對(duì)重要程度，建立評(píng)價(jià)矩陣，隨后逐步計(jì)算得出各個(gè)屬性的權(quán)值，適用于一些定量方法難以應(yīng)用的復(fù)雜問(wèn)題。

本文采用AHP法賦權(quán)計(jì)算主觀權(quán)重，主要方法和步驟如下：

步驟1 構(gòu)建遞階層次結(jié)構(gòu)模型。

步驟2 根據(jù)各屬性指標(biāo)的相對(duì)重要程度，建立判斷矩陣

其中，c、m、d、n依次代表計(jì)算資源、內(nèi)存資源、硬盤(pán)資源、帶寬資源。Wij表示資源i對(duì)資源j的重要程度，其取值依照九分位比例標(biāo)尺。判斷矩陣完成之后，需依照式(1)、式(2)對(duì)其進(jìn)行完整性檢查

(1)

(2)

步驟3 計(jì)算權(quán)重向量

采用方根法計(jì)算權(quán)重向量。將判斷矩陣WA中的元素按照每行相乘得到新向量WT，再將該新向量的每個(gè)分量開(kāi)n次方(此處n為4)得到向量WL，最后將所得向量WL進(jìn)行歸一化處理即得權(quán)重向量W。

步驟4 一致性檢驗(yàn)

表1 平均隨機(jī)一致性指標(biāo)

步驟5 調(diào)整判斷矩陣

若判斷矩陣通過(guò)步驟4的一致性檢驗(yàn)，則歸一化后的權(quán)重向量即是各因素的權(quán)重系數(shù)。否則需對(duì)判斷矩陣進(jìn)行調(diào)整，直至滿(mǎn)足一致性檢驗(yàn)。

1.2 熵權(quán)法

熵最早由香農(nóng)引入信息論，目前已經(jīng)在金融經(jīng)濟(jì)、制造技術(shù)等眾多領(lǐng)域得到了眾多應(yīng)用。一般來(lái)說(shuō)，信息熵Ej越小的指標(biāo)，其變異程度越大，包含的信息量也越多，對(duì)綜合評(píng)價(jià)的影響也越大，那么分配的權(quán)重也應(yīng)該越大；反之，該指標(biāo)分配的權(quán)重越小。熵權(quán)法(entropy wright method,EWM)的原始數(shù)據(jù)來(lái)源于評(píng)價(jià)過(guò)程中，這一方面可以充分利用歷史數(shù)據(jù)對(duì)權(quán)重的影響程度，但另一方面也造成熵權(quán)法在確定指標(biāo)時(shí)會(huì)隨著樣本的變化而變化，對(duì)數(shù)據(jù)樣本具有依賴(lài)性，限制了對(duì)其的應(yīng)用。

本文在建立評(píng)價(jià)模型時(shí)，采用熵權(quán)法獲得各指標(biāo)的客觀權(quán)重，具體計(jì)算步驟如下：

步驟1 構(gòu)建初始矩陣并進(jìn)行標(biāo)準(zhǔn)化處理

對(duì)于給定的N個(gè)對(duì)象，M個(gè)指標(biāo)P1,P2…PM， 其中Pi={p1,p2,…pN}， 構(gòu)建初始矩陣X

對(duì)初始矩陣采用歸一法進(jìn)行標(biāo)準(zhǔn)化處理，得新的矩陣Y，其中

(3)

步驟2 計(jì)算各指標(biāo)的信息熵

由上面對(duì)信息熵的定義，可得一組數(shù)據(jù)的信息熵為

(4)

其中，pij由式(5)給出，若pij=0,則都定義

(5)

步驟3 計(jì)算各指標(biāo)的權(quán)重

根據(jù)信息熵的計(jì)算公式，可計(jì)算出各個(gè)指標(biāo)的信息熵為Ei，利用式(6)可計(jì)算出各個(gè)指標(biāo)的權(quán)重

(6)

1.3 自回歸積分移動(dòng)平均模型

基于時(shí)間序列的預(yù)測(cè)技術(shù)通過(guò)統(tǒng)計(jì)分析收集的歷史數(shù)據(jù)，獲得一般的事物變化趨勢(shì)，對(duì)數(shù)據(jù)進(jìn)行不同程度的處理，減少外界因素對(duì)變化規(guī)律的影響，最終對(duì)事物的發(fā)生進(jìn)行預(yù)測(cè)。ARIMA是一種較常用的基于時(shí)間序列的預(yù)測(cè)模型[13]。

本文利用ARIMA模型對(duì)ARMA(自回歸滑動(dòng)平均模型)模型進(jìn)一步優(yōu)化，解決了ARMA只能分析平穩(wěn)序列的問(wèn)題。ARIMA實(shí)質(zhì)是ARMA模型與查分運(yùn)算的組合形式，首先通過(guò)一定階數(shù)的差分處理時(shí)間序列數(shù)據(jù)，使不平穩(wěn)數(shù)據(jù)成為平穩(wěn)數(shù)據(jù)，接下來(lái)就可以使用ARMA模型對(duì)差分后的數(shù)據(jù)進(jìn)行擬合。ARIMA模型在時(shí)間序列分析方法中應(yīng)用的比較廣泛，建模流程如圖1所示。

圖1 ARIMA建模流程

首先對(duì)時(shí)間序列數(shù)據(jù)進(jìn)行平穩(wěn)性檢測(cè)、白噪聲檢驗(yàn)處理，其后通過(guò)自相關(guān)函數(shù)和偏相關(guān)函數(shù)PACF確立ARIMA模型的參數(shù)范圍，并通過(guò)數(shù)據(jù)擬合確定最終模型參數(shù)。最后使用ARIMA模型預(yù)測(cè)時(shí)間序列數(shù)據(jù)。

1.4 BP神經(jīng)網(wǎng)絡(luò)

BP神經(jīng)網(wǎng)絡(luò)是一種按照誤差逆向傳播算法訓(xùn)練的多層前饋神經(jīng)網(wǎng)絡(luò)，是目前被廣泛應(yīng)用在預(yù)測(cè)領(lǐng)域的模型。BP神經(jīng)網(wǎng)絡(luò)主要依靠自身的訓(xùn)練，自主訓(xùn)練某些數(shù)據(jù)規(guī)律，不需要提前給出輸入輸出之間的映射關(guān)系。在應(yīng)用時(shí)，只需給出輸入值，即可給出最接近期望輸出值的預(yù)測(cè)結(jié)果。BP神經(jīng)網(wǎng)絡(luò)實(shí)現(xiàn)預(yù)測(cè)的核心是BP算法，其思想利用梯度搜索技術(shù)和梯度下降法，最終獲得輸出值和實(shí)際值的誤差的均方差最小。BP神經(jīng)網(wǎng)絡(luò)的拓?fù)浣Y(jié)構(gòu)如圖2所示。

圖2 BP神經(jīng)網(wǎng)絡(luò)拓?fù)浣Y(jié)構(gòu)

BP神經(jīng)網(wǎng)絡(luò)首先根據(jù)業(yè)務(wù)目標(biāo)選取樣本數(shù)據(jù)。之后進(jìn)行數(shù)據(jù)預(yù)處理操作。對(duì)于短期變化劇烈的數(shù)據(jù)不適合直接作為輸入數(shù)據(jù)。輸入數(shù)據(jù)序列越穩(wěn)定均勻，對(duì)于建模預(yù)測(cè)就越有利。一般建立BP神經(jīng)網(wǎng)絡(luò)之前，首先會(huì)對(duì)數(shù)據(jù)進(jìn)行歸一化處理，得到平滑的數(shù)據(jù)序列作為網(wǎng)絡(luò)的輸入，歸一化處理后，一定程度上降低最終預(yù)測(cè)結(jié)果中的無(wú)效噪聲。

其次根據(jù)負(fù)載特點(diǎn)，設(shè)計(jì)網(wǎng)絡(luò)結(jié)構(gòu)并給出網(wǎng)絡(luò)的相關(guān)參數(shù)，包括網(wǎng)絡(luò)層數(shù)、輸入輸出節(jié)點(diǎn)書(shū)、隱含層節(jié)點(diǎn)數(shù)、激活函數(shù)等。正確設(shè)計(jì)這些參數(shù)，對(duì)于預(yù)測(cè)效果至關(guān)重要。

模型建立完成之后，開(kāi)始訓(xùn)練數(shù)據(jù)樣本集。當(dāng)網(wǎng)絡(luò)訓(xùn)練的次數(shù)達(dá)到上限或輸出的數(shù)據(jù)誤差滿(mǎn)足要求時(shí)，輸出訓(xùn)練好的模型并對(duì)負(fù)載值進(jìn)行預(yù)測(cè)。其訓(xùn)練過(guò)程如圖3所示。

圖3 BP神經(jīng)網(wǎng)絡(luò)訓(xùn)練過(guò)程

1.5 基于ARIMA-BP的云平臺(tái)負(fù)載預(yù)測(cè)模型

對(duì)于云平臺(tái)的負(fù)載值來(lái)說(shuō)，它受到內(nèi)部因素和外部因素的影響，因此云平臺(tái)的負(fù)載值中隱含了線性特征和非線性特征，是線性特征影響因素和非線性特征影響因素的綜合反映。

對(duì)于負(fù)載值的預(yù)測(cè)可以使用適應(yīng)處理分析線性時(shí)間序列的模型和適應(yīng)處理分析非線性時(shí)間序列的模型組成的組合模型對(duì)其分析處理。

本文使用線性擬合能力較好的ARIMA模型和非線性擬合能力較好的BP神經(jīng)模型構(gòu)成組合預(yù)測(cè)模型，對(duì)云平臺(tái)的負(fù)載值進(jìn)行分析預(yù)測(cè)。ARIMA模型可以提取出云平臺(tái)負(fù)載值的線性特性，BP神經(jīng)網(wǎng)絡(luò)可以提取出云平臺(tái)負(fù)載值的非線性特征，兩者結(jié)合構(gòu)成的組合模型不僅彌補(bǔ)了只采用單一預(yù)測(cè)模型分析的不足之處，又能夠充分發(fā)揮各個(gè)預(yù)測(cè)模型的優(yōu)勢(shì)之處。組合模型的整體流程如圖4所示。

圖4 基于ARIMA-BP的組合模型原理

2 實(shí)驗(yàn)驗(yàn)證

2.1 建立基于熵權(quán)層次分析法的動(dòng)態(tài)評(píng)估模型

2.1.1 動(dòng)態(tài)主觀權(quán)重

首先構(gòu)建判斷矩陣，本文選取CPU、內(nèi)存、磁盤(pán)、網(wǎng)絡(luò)4個(gè)因素作為評(píng)價(jià)指標(biāo)，則判斷矩為4行4列的矩陣WA。該矩陣的取值根據(jù)當(dāng)前時(shí)刻系統(tǒng)運(yùn)行負(fù)載的變化情況和以往經(jīng)驗(yàn)。在判斷矩陣WA中，4列元素從左到右依次代表CPU、內(nèi)存、外部磁盤(pán)、網(wǎng)絡(luò)帶寬4種影響云平臺(tái)負(fù)載變化的評(píng)價(jià)因素

為了下一步計(jì)算，需要對(duì)該判斷矩陣的列向量進(jìn)行歸一化處理，之后得到新的矩陣WB

對(duì)WB按行求和，然后再進(jìn)行歸一化處理，得到權(quán)重向量W，該權(quán)重向量的每行值對(duì)應(yīng)CPU、內(nèi)存、磁盤(pán)、網(wǎng)絡(luò)帶寬4個(gè)評(píng)價(jià)指標(biāo)對(duì)應(yīng)在該時(shí)刻的權(quán)重值

為了驗(yàn)證該權(quán)重向量的有效性，需要進(jìn)行一致性檢驗(yàn)。按照前面章節(jié)所描述的步驟計(jì)算拉姆達(dá)的值為4.1441。即可得C.I.的值為0.048 06。查表可知R.I.的值取為0.9，則C.R.的值為0.0534，則C.R.<0.1，即權(quán)重向量W的值滿(mǎn)足一致性檢驗(yàn)，每一行的值即為該時(shí)刻對(duì)應(yīng)指標(biāo)因素的權(quán)重值。

2.1.2 動(dòng)態(tài)客觀權(quán)重

熵權(quán)法通過(guò)利用指標(biāo)過(guò)去一段時(shí)間的變化值，計(jì)算該指標(biāo)的權(quán)重，因此被稱(chēng)為是一種客觀賦權(quán)法。熵權(quán)法通過(guò)利用指標(biāo)過(guò)去一段時(shí)間的變化值，計(jì)算該指標(biāo)的權(quán)重，因此被稱(chēng)為是一種客觀賦權(quán)法。本文數(shù)據(jù)來(lái)源于yahoo webscope數(shù)據(jù)集，選取其中4個(gè)指標(biāo)為列向量，過(guò)去20分鐘內(nèi)的使用率作為歷史數(shù)據(jù)，構(gòu)建初始數(shù)據(jù)表。對(duì)初始化表進(jìn)行歸一化處理，之后按照公式計(jì)算歸一化后的數(shù)據(jù)表中數(shù)據(jù)，即得CPU、內(nèi)存、磁盤(pán)、網(wǎng)絡(luò)帶寬得信息熵，見(jiàn)表2。

表2 指標(biāo)信息熵

按照式(6)所示，即得在該時(shí)刻4個(gè)指標(biāo)得權(quán)重值，結(jié)果值見(jiàn)表3。

表3 指標(biāo)權(quán)重

2.1.3 組合評(píng)價(jià)模型

隨著時(shí)間的推移，用戶(hù)不同時(shí)刻會(huì)用不同的請(qǐng)求，導(dǎo)致云平臺(tái)的資源消耗處于一個(gè)動(dòng)態(tài)變化的狀態(tài)，4個(gè)指標(biāo)的權(quán)重是基于當(dāng)前時(shí)刻各自的使用情況來(lái)確定，為了使得到的指標(biāo)權(quán)重符合當(dāng)前平臺(tái)的負(fù)載情況，則每當(dāng)資源發(fā)生變化時(shí)都需要重新計(jì)算當(dāng)前指標(biāo)的權(quán)重值。考慮云平臺(tái)負(fù)載的變化情況，本文采用層次分析法和熵權(quán)法計(jì)算出各個(gè)時(shí)刻評(píng)價(jià)指標(biāo)的權(quán)重值后，將得出的主客觀權(quán)重值帶入拉格朗日乘子，得出各個(gè)時(shí)刻對(duì)應(yīng)的CPU、內(nèi)存、磁盤(pán)、網(wǎng)絡(luò)帶寬的實(shí)時(shí)權(quán)重。各指標(biāo)的實(shí)時(shí)權(quán)重與對(duì)應(yīng)的利用率的乘積即是當(dāng)前時(shí)刻云平臺(tái)的負(fù)載值。按照以上步驟，即可得到某實(shí)驗(yàn)對(duì)象云平臺(tái)的負(fù)載時(shí)間序列值，部分結(jié)果見(jiàn)表4，該負(fù)載值結(jié)合了各硬件資源的主客觀因素，能夠較好反映云平臺(tái)的實(shí)時(shí)負(fù)載情況。

表4 云平臺(tái)負(fù)載值

2.1.4 結(jié)果分析

本文將熵權(quán)層次法分別同單純使用熵權(quán)法、層次分析法和固定權(quán)重計(jì)算得出的負(fù)載值對(duì)比。采用固定權(quán)重的方法雖然考慮了不用資源對(duì)負(fù)載的影響情況，但其實(shí)質(zhì)是將4種因素的指標(biāo)和縮小至1/4，不能反映系統(tǒng)資源的真實(shí)使用情況。層次分析法反映了CPU是系統(tǒng)關(guān)鍵指標(biāo)的主觀經(jīng)驗(yàn)，未充分體現(xiàn)其它3種指標(biāo)的影響。熵權(quán)法計(jì)算得出的云平臺(tái)負(fù)載值較高，是由于云平臺(tái)的內(nèi)存利用率一直處于較高狀態(tài)，但從計(jì)算機(jī)系統(tǒng)的角度來(lái)看，內(nèi)存的使用情況并不能代表系統(tǒng)整體的負(fù)載。熵權(quán)層次分析法則考慮了CPU在系統(tǒng)運(yùn)行過(guò)程中的關(guān)鍵地位的主管經(jīng)驗(yàn)，同時(shí)也客觀評(píng)估了4種指標(biāo)的影響程度，計(jì)算得出的負(fù)載值能夠更好反映系統(tǒng)的整體運(yùn)行狀態(tài)，較另外3種方法更加科學(xué)合理。4種負(fù)載評(píng)估方法對(duì)比如圖5所示。

圖5 4種負(fù)載評(píng)估方法對(duì)比

2.2 基于ARIMA-BP模型的云平臺(tái)負(fù)載預(yù)測(cè)

2.2.1 構(gòu)建ARIMA模型

對(duì)云平臺(tái)負(fù)載進(jìn)行平穩(wěn)性處理和白噪聲檢驗(yàn)，得到穩(wěn)定的非白噪聲數(shù)據(jù)。根據(jù)平穩(wěn)時(shí)間序列模型特征系數(shù)判斷ARIMA模型的參數(shù)，模型參數(shù)的確定主要通過(guò)觀察自相關(guān)函數(shù)圖和偏自相關(guān)函數(shù)圖。

如圖6所示，是負(fù)載數(shù)據(jù)的自相關(guān)(ACF)和偏自相關(guān)(PACF)函數(shù)圖，從圖中可以看出，隨著滯后期數(shù)的增加，時(shí)間序列的自相關(guān)系數(shù)從高值降為低值，逐漸趨向零，符合ACF拖尾的特點(diǎn)。同時(shí)，偏自相關(guān)系數(shù)也從高值降為低值，逐漸趨向0，符合PACF拖尾的特點(diǎn)；自相關(guān)(ACF)圖和偏自相關(guān)(PACF)圖都呈現(xiàn)出拖尾現(xiàn)象，可以初步判斷該時(shí)間序列可以使用ARMA(p,q) 模型。

圖6 自相關(guān)和偏自相關(guān)函數(shù)

在對(duì)序列進(jìn)行差分處理，結(jié)果表明ARIMA(1,1,1) 模型的AIC、SC、HQ值為最小，此時(shí)可以選取p=1,q=1,d=1作為模型的參數(shù)值，即ARIMA(1,1,1)。 差分結(jié)果見(jiàn)表5。

表5 ARIMA模型對(duì)比

在使用ARIMA預(yù)測(cè)負(fù)載并計(jì)算出負(fù)載殘差后，利用BP神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)殘差值，其中輸入層節(jié)點(diǎn)個(gè)數(shù)為4，隱藏

層節(jié)點(diǎn)個(gè)數(shù)為3，輸出層節(jié)點(diǎn)個(gè)數(shù)為1，并設(shè)置訓(xùn)練網(wǎng)絡(luò)的其它參數(shù)。最后利用ARIMA及保存的神經(jīng)網(wǎng)絡(luò)對(duì)負(fù)載值進(jìn)行預(yù)測(cè)。

2.2.2 結(jié)果分析

圖7是基于ARIMA模型的云平臺(tái)負(fù)載預(yù)測(cè)值和基于ARIMA-BP組合模型的云平臺(tái)負(fù)載預(yù)測(cè)值的對(duì)比圖，可以看到后者更加接近真實(shí)值。圖8是這兩種預(yù)測(cè)模型的誤差對(duì)比圖，同樣可以說(shuō)明基于ARIMA-BP模型的預(yù)測(cè)值誤差較小，預(yù)測(cè)精度更高。

圖7 平臺(tái)負(fù)載預(yù)測(cè)對(duì)比

圖8 預(yù)測(cè)誤差對(duì)比

3 結(jié)束語(yǔ)

本文采用熵權(quán)法和層次分析法結(jié)合的方式建立云平臺(tái)負(fù)載評(píng)價(jià)模型，該模型采用4種元素加權(quán)的方式，評(píng)估云平臺(tái)的負(fù)載情況，避免了采用單一元素確定了評(píng)價(jià)云平臺(tái)負(fù)載的片面性。在選擇賦權(quán)法時(shí)，采用主客觀賦權(quán)法結(jié)合的方式，較使用一種賦權(quán)法更加全面合理。

基于ARIMA模型預(yù)測(cè)了云平臺(tái)負(fù)載數(shù)據(jù)序列的線性部分，其后采用基于BP神經(jīng)網(wǎng)絡(luò)模型預(yù)測(cè)了云平臺(tái)負(fù)載值的非線性部分。最后將構(gòu)建基于ARIMA-BP的組合模型，并使用該模型預(yù)測(cè)云平臺(tái)負(fù)載，所得預(yù)測(cè)值與期望值相比，滿(mǎn)足期望誤差，驗(yàn)證了該模型在預(yù)測(cè)云平臺(tái)負(fù)載值的有效性。