信息存储系统教育部重点实验室

硕士生张良康的论文被期刊TNSM录用


随着Docker容器技术的发展普及,越来越多的企业开始利用Docker容器构建云平台。为了使Docker容器上托管的应用程序可以安稳运行,都会为其调配充足的资源。但大多数情况下托管的应用程序不是以最高负载的状态运行,并且CPU、内存等各项资源也不会同时处于最高负载的状态,因此预先调配的资源在大多数时候会处于空闲状态,从而造成了资源的浪费。当应用处在负载较高的状态时,预先分配的资源也不一定够用,在这种情况下,使用特定的预测算法来预测容器和应用的资源需求,并提前做好资源分配优化,可以提高资源的利用率和服务质量。

为了解决容器负载的实时预测问题,信息存储与光显示功能实验室硕士生张良康,在谢雨来教授的指导下提出了一种新的基于三次指数平滑(Triple exponential smoothing)和长短期记忆模型(LSTM)的混合预测方法。首先观察了现有容器负载的特点,然后根据实时预测的要求,我们将一种传统的统计学方法三次指数平滑和一种深度学习方法LSTM进行混合。LSTM可以捕获负载中的长短期依赖和周期性特征,三次指数平滑可以消除容器负载波动对预测带来的影响。通过模型的实时更新解决了负载变化带来的预测准确率降低的问题。同时,我们还提出了一种如图1所示的实时容器负载预测系统方案。在预测准确率方面,相对于单一模型Triple exponential smoothing,LSTM和之前的ES-ARIMA模型,混合模型的MAPE分别降低了12.18%,3.24%和12.42%。

该研究于2023年2月被IEEE Transactions on Network and Service Management(IEEE TNSM)录用,题为“一种Docker容器负载预测混合模型”(A Novel Hybrid Model for Docker Container Workload Prediction)。

该项研究受到国家重点研发计划青年科学家项目(No.2022YFB4501300)和国家自然科学基金(No.61972449, No.61972448, No.61821003)等多个项目的支持。

图1 Docker负载预测系统实现方案

注:本文为原创,如转载请注明出处。

分享文章

Share