改进云模型提升云计算负载预测精度

本文主要探讨了云计算负载预测中的一个重要问题，即传统的预测模型在处理CPU、内存等不同类型的负载之间的相关性时存在不足，导致预测准确性不高。为了解决这个问题，研究者提出了一个基于改进云模型的负载预测方法。这个方法的核心在于引入了亲密云和重叠云的概念，对原始的云模型进行了扩展和优化。 亲密云和重叠云的概念允许模型更好地捕捉不同类型负载之间的相互影响，特别是CPU和内存之间的关联，因为这些资源通常是协同工作的。改进的云模型不仅考虑了历史负载数据的特性，还结合了实时数据的趋势分析，从而构建出更为精确的预测模型。这种方法强调了动态调整和适应性，以应对云计算环境中瞬息万变的负载情况。 通过仿真实验，研究结果表明，基于改进云模型的负载预测方法显著提高了预测精度，相比于其他预测模型，它在云计算环境下的表现更为出色。这对于有效地管理云平台的资源分配，提高系统的稳定性和响应速度具有重要意义。 该研究的作者刘晓艳和王颖，分别来自南京邮电大学计算机学院，他们的研究领域包括云计算、资源管理和虚拟机调度。他们的工作不仅提升了云计算负载预测领域的技术水平，也为云计算服务提供商提供了更有效的工具来优化资源利用和性能。 这篇论文的关键词包括云计算、负载预测、云模型以及概念跃升，展示了其在学术领域的核心贡献和研究焦点。通过将理论与实践相结合，研究人员为云计算行业的实际应用提供了一种创新且实用的解决方案。这项研究对于推动云计算领域的负载预测技术发展具有积极的推动作用。