使用修剪的GRU神经网络对主机工作负载进行高效在线预测
摘要：主机负载预测对于云计算环境中的动态资源扩展和作业调度至关重要。在这种情况下，工作负载预测面临着几个问题的挑战。首先，它必须准确，以使调度决策精准。其次，它必须快速，以便在适当的时间进行调度。第三，模型必须能够考虑到工作负载的新模式，以便在最新和旧模式下表现良好。不能进行准确快速预测或无法预测新的使用模式可能导致严重后果，如服务级别协议 (SLA) 未达成。我们的研究使用门控循环单元 (GRU) 训练一个快速模型，具有在线自适应能力，以缓解上述问题。我们采用多变量方法，利用多个特征，如内存使用、CPU 使用、磁盘 I/O 使用和磁盘空间，来进行准确的预测。此外，我们提前预测多个步骤，这对于提前进行调度决策至关重要。此外，我们使用两种修剪方法：L1 范数和随机，用于生成快速预测的稀疏模型。最后，我们使用在线学习来创建一个可以随时间适应新的工作负载模式的模型。
作者：Amin Setayesh, Hamid Hadian, Radu Prodan
论文ID：2303.16601
分类：Distributed, Parallel, and Cluster Computing
分类简称：cs.DC
提交时间：2023-04-27