基于自適應神經網絡的云資源預測模型

王悅悅，謝曉蘭，郭 楊，覃承友，陳超泉

(桂林理工大學信息科學與工程學院，桂林 541006)

目前，以Docker和Kubernetes為主流的容器云平臺因其運維自動化、部署簡單方便和資源動態調度的特點而廣受好評。作為云平臺中重要的容器編排工具，Kubernetes需要將各種云資源合理均衡地分配給各個容器，以保證容器中的虛擬機可以及時地對云用戶申請的云服務請求作出響應。可當云平臺在短時間內需要響應大量服務請求時，Kubernetes內部的資源分配策略無法均衡準確地調度云資源，容易產生過度供應或者供應不足的情況，從而導致資源利用率差、請求響應不及時等問題[1]。

為了能更好地解決以上問題，需要讓Kubernetes在提前知道資源需求的情況下進行更精準均衡的調度和分配云資源，從而可以讓容器中的虛擬機能夠及時、準確地對任務請求做出響應。所以，資源預測是讓Kubernetes合理均衡地調度和分配資源的關鍵方法。

近年來也有不少學者關于資源預測提出了有效的實現方法和預測模型。傳統的預測模型多采用神經網絡和機器學習等方法[2]。Li等[3]將執行時間分成動態的和靜態的，然后使用反向傳播(back propagation，BP)神經網絡從歷史數據中預測未來時刻的動態執行時間；Mason等[4]利用智能算法全局尋優的特點去優化遞歸神經網絡，經試驗證明，優化模型可在短時間內甚至極端變化情況下預測CPU使用率；徐翔燕等[5]提出通過賦權值構建基于GM(1,1)和支持向量機(support vector machine，SVM)的組合預測模型，使用標準差法確定兩種單一模型的權值，實驗表明組合模型的預測效果優于單一模型。……