基于指数平滑与时间卷积网络的云资源智能预测模型

本文主要探讨了在现代云计算环境中，特别是在以Docker和Kubernetes为代表的容器云中，面临的资源管理挑战。容器云因其轻量级特性，如低资源开销和快速部署/销毁，而受到欢迎。然而，如何有效地管理这些云资源，避免过度供应或供应不足，是当前亟待解决的问题。为此，研究人员提出了一个基于三次指数平滑法和时间卷积网络的云资源预测模型。 三次指数平滑法是一种统计学方法，它结合了历史数据的趋势、季节性和随机波动，能够捕捉到资源需求的长期趋势和短期波动，从而提供相对平稳和可靠的预测。时间卷积网络（Temporal Convolutional Network, TCN）则是一种深度学习架构，特别适合处理序列数据，它通过卷积操作来提取时间序列中的特征，对于复杂的非线性关系有很强的建模能力。 该模型的目标是通过分析历史应用的资源使用数据，训练模型以预测未来的资源需求，从而帮助Kubernetes集群提前做好资源调度，确保应用程序的正常运行。研究者采用自动机器学习工具TPOT（Tree-based Pipeline Optimization Tool）进行参数优化，以寻找最佳的模型配置，以提高预测精度和效率。 实验部分，文章将所提出的模型与现有的其他资源预测模型进行了对比，使用Google数据集中的CPU和内存数据进行测试。结果显示，基于三次指数平滑法和时间卷积网络的模型在预测性能上表现更优，显示出其在实际云资源管理中的潜力。 本文贡献了一个实用的云资源预测模型，通过结合指数平滑法的稳健性和时间卷积网络的深度学习能力，解决了Kubernetes集群的资源调度问题，有助于提高资源利用率，降低运营成本，提升整体的云服务质量和用户体验。这一研究对于推动容器云资源管理的智能化和精细化具有重要意义。