云平臺(tái)下資源需求預(yù)測方法的研究

馮丹青，吳智博

（哈爾濱工業(yè)大學(xué) 計(jì)算機(jī)科學(xué)與技術(shù)學(xué)院，哈爾濱 150001）

0 引言

云計(jì)算是一種計(jì)算模式，通過將需求分布到數(shù)據(jù)中心構(gòu)成的資源池中，讓用戶能夠根據(jù)需求隨時(shí)自主租用資源［1－2］。根據(jù)服務(wù)類型的不同，云計(jì)算可以分為IaaS（Infrastructure as a Service）、PaaS（Platform as a Service）和 SaaS（Software as a Service）［3］。SaaS 即應(yīng)用層，將云平臺(tái)上開發(fā)的應(yīng)用程序進(jìn)行封裝，提供給用戶使用。在PaaS 上，企業(yè)可以通過對環(huán)境的部署來進(jìn)行應(yīng)用開發(fā)；IaaS 作為基礎(chǔ)設(shè)施層，可以根據(jù)用戶需要來提供硬件資源。其中，虛擬化作為云平臺(tái)應(yīng)用的核心技術(shù)之一，可以用來整合資源，如存儲(chǔ)資源、應(yīng)用軟件和網(wǎng)絡(luò)資源等［4－5］。通常，供應(yīng)商會(huì)給用戶提供兩種配置機(jī)制來選擇，即長期預(yù)留計(jì)劃和短期需求計(jì)劃［6］。然而，在資源管理和分配的過程中，容易出現(xiàn)以下兩種情況：一是資源供給不足，不能滿足用戶的需求，導(dǎo)致SLA 違約；二是資源存在過度供應(yīng)，導(dǎo)致資源浪費(fèi)。因此，結(jié)合預(yù)測技術(shù)來分配資源，可以有效地避免資源分配過度或不足的狀態(tài)。

目前大部分預(yù)測都是根據(jù)時(shí)間序列來進(jìn)行預(yù)測，根據(jù)時(shí)間可以將負(fù)載預(yù)測方法分成短期預(yù)測和長期預(yù)測［7］。長期預(yù)測更適合預(yù)留機(jī)制，而短期預(yù)測更適合確定需求機(jī)制，實(shí)現(xiàn)資源的按需配置。指數(shù)平滑法作為一種簡單的預(yù)測模型，在預(yù)測過程中僅需要之前的觀察值和相應(yīng)參數(shù)來更新下一階段的數(shù)據(jù)［8］。雙指數(shù)平滑方法，在單指數(shù)平滑的方法上進(jìn)行了改進(jìn)，有效地實(shí)現(xiàn)了對下一時(shí)刻資源需求的預(yù)測［9］。實(shí)際上，變化的負(fù)載需求是一種復(fù)雜的時(shí)間序列，應(yīng)從統(tǒng)計(jì)的角度來對時(shí)間序列深入研究和分析。ARIMA 預(yù)測是一種常用的時(shí)間預(yù)測模型，可以通過差分將非平穩(wěn)序列轉(zhuǎn)換成平穩(wěn)序列，然后進(jìn)行預(yù)測［10－11］。然而，這些傳統(tǒng)的預(yù)測模型在提高預(yù)測精度的同時(shí)，也增加了自身模型的復(fù)雜性。實(shí)際上，預(yù)測模型不僅需要重視預(yù)測精度，也需要降低開銷［12］。因此，也可以對需求負(fù)載進(jìn)行分析，判斷其為周期性負(fù)載還是非周期性負(fù)載，對不同種類型的負(fù)載采取不同的預(yù)測技術(shù)，將有助于提高負(fù)載預(yù)測的精度。Press 首先將負(fù)載分成周期性和非周期性負(fù)載，對不同類型的負(fù)載分別進(jìn)行預(yù)測，有效地降低了提出算法的開銷，從而實(shí)現(xiàn)了降低成本的目的［13］。但是，由于其負(fù)載變化的多樣性，單一的馬爾科夫預(yù)測模型由于其自身的特點(diǎn)，無法有效對多樣性的負(fù)載進(jìn)行實(shí)時(shí)反饋。CloudScale 是一種預(yù)測方法在實(shí)現(xiàn)節(jié)能的前提下，增加及時(shí)填充法，可以有效減少突發(fā)狀態(tài)下資源配置不足的狀態(tài)［14］。實(shí)際上，組合預(yù)測作為一種混合預(yù)測方法，可以充分考慮單個(gè)預(yù)測模型的特點(diǎn)，將不同的預(yù)測模型混合使用，從而實(shí)現(xiàn)對時(shí)間序列的有效分析和預(yù)測［15］。

雖然，大部分文獻(xiàn)針對預(yù)測方法研究了很長時(shí)間，也取得了很大進(jìn)展，但在資源分配的過程中，預(yù)測技術(shù)仍然存在以下問題需要解決［16］：

（1）減少時(shí)間復(fù)雜度：在資源分配過程中，預(yù)測模型的時(shí)間和空間復(fù)雜度，應(yīng)該控制在一個(gè)合理的范圍內(nèi)；

（2）提高預(yù)測精度：在資源分配過程中，有效的定義樣本長度，有助于改善預(yù)測模型，提高預(yù)測精度。

因此，從資源配置的角度來考慮，本文提出了一種簡單的組合預(yù)測技術(shù)，其目的在于減少開銷的同時(shí)降低SLA 違約。從時(shí)間序列的角度進(jìn)行切入，同時(shí)考慮其曲線的擬合性，因此組合預(yù)測算法主要由基礎(chǔ)預(yù)測模型和響應(yīng)式的預(yù)測方法兩部分組成。其實(shí)，對于組合預(yù)測而言，重點(diǎn)解決的問題在于合理選擇預(yù)測模型并確定權(quán)重［17］。于是，本文選擇二次指數(shù)平滑方法作為基礎(chǔ)預(yù)測模型，來預(yù)測工作負(fù)載曲線。通常，較好的指數(shù)平滑方法會(huì)通過預(yù)測誤差來確定最終合適的權(quán)重。實(shí)際上，如果在每一次負(fù)載預(yù)測的過程中，均使用誤差最小的原理來確定權(quán)重。此時(shí)，在預(yù)測過程中，設(shè)置不同的權(quán)重，有助于提高預(yù)測精度。響應(yīng)預(yù)測模型是針對突發(fā)負(fù)載的狀態(tài)提出的，為了降低突發(fā)負(fù)載狀態(tài)下資源分配不足的情況，可以使用WMA 預(yù)測模型來調(diào)整工作負(fù)載，降低誤差，提高預(yù)測的準(zhǔn)確度。本文中使用組合模型的目的是通過分析負(fù)載的特點(diǎn)，考慮其時(shí)間性和曲線性，合理的選擇簡單的預(yù)測模型進(jìn)行預(yù)測，在提高預(yù)測精度的同時(shí)也可以降低預(yù)測算法的復(fù)雜度。

1 云平臺(tái)下資源管理框架分析

云平臺(tái)下資源分配的過程中，很容易因?yàn)橘Y源配置不足或過度配置而產(chǎn)生SLA 違約。本文提出一種簡單的組合預(yù)測模型，其目標(biāo)在于用簡單的預(yù)測方法來實(shí)現(xiàn)對下一階段的負(fù)載需求進(jìn)行快速響應(yīng)及預(yù)測。實(shí)際上，通過對負(fù)載需求進(jìn)行簡單分析，發(fā)現(xiàn)負(fù)載的變化具有時(shí)間性和突發(fā)性［18］。此時(shí)，可以根據(jù)負(fù)載的特點(diǎn)來選擇一個(gè)合適的預(yù)測模型。首先，設(shè)置ES 模型作為基礎(chǔ)預(yù)測模型。由于其時(shí)間性的特點(diǎn)，更加適合快速的預(yù)測一部分?jǐn)?shù)據(jù)；其次，從提高預(yù)測精度的前提下考慮問題，WMA 模型由于其簡單性，更加適應(yīng)作為一種響應(yīng)模型。同時(shí)，也可以從架構(gòu)的角度來考慮云平臺(tái)下資源的調(diào)度過程。實(shí)際上，根據(jù)云服務(wù)的類型可以分為SaaS、PaaS 和IaaS。也就是說，用戶在SaaS 層產(chǎn)生需求，PaaS 層上，代理服務(wù)商可以將請求配置在IaaS 層；在IaaS 層，可以根據(jù)需求提供相應(yīng)的資源。因此，從資源管理和配置的整體角度來講，可以根據(jù)MAPE 原理來設(shè)計(jì)并分析產(chǎn)生框架［19］，其將主要分成以下4 個(gè)模塊，如圖1 所示。

圖1 云平臺(tái)下資源管理框架Fig.1 framework of resource management in the cloud computing

（1）監(jiān)控模塊（Monitor）：通過監(jiān)控模塊來查看負(fù)載需求，收集原始數(shù)據(jù)，如負(fù)載請求等。利用獲取數(shù)據(jù)從而進(jìn)一步分析變化的需求曲線。

（2）分析模塊（Analyze）：監(jiān)控模塊和分析模塊均屬于數(shù)據(jù)分析和預(yù)處理階段。該模塊分析監(jiān)控模塊收集的信息和數(shù)據(jù)，為預(yù)測行為做準(zhǔn)備。預(yù)測期間選擇指數(shù)平滑作為基礎(chǔ)預(yù)測模型，將選擇指數(shù)平滑作為基礎(chǔ)預(yù)測模型。

（3）計(jì)劃模塊（Plan）：本文提供的合適的預(yù)測方法包括指數(shù)平滑和WMA 預(yù)測方法。考慮針對時(shí)間序列的預(yù)測，同時(shí)，為了進(jìn)一步提高預(yù)測精度，使用WMA 作為一種響應(yīng)的預(yù)測方法，來提高曲線的擬合程度。

（4）執(zhí)行模塊（Execute）：在執(zhí)行模塊里，實(shí)現(xiàn)組合預(yù)測模型。通過簡單的組合模型，可以降低算法復(fù)雜度，同時(shí)提高預(yù)測精度。

2 組合預(yù)測模型

在資源分配的過程中，組合預(yù)測模型根據(jù)負(fù)載曲線的特點(diǎn)，對下一階段曲線進(jìn)行合理預(yù)測。在組合預(yù)測過程中，待解決的問題主要有兩個(gè)：一是合理選擇預(yù)測模型；二是解決權(quán)重的設(shè)置問題。為了進(jìn)一步降低預(yù)測算法的復(fù)雜性，本文選擇簡單的時(shí)間預(yù)測模型，一種改進(jìn)雙指數(shù)平滑方法作為基礎(chǔ)預(yù)測模型。同時(shí)，為了減少突發(fā)情況的產(chǎn)生，使用WMA方法來實(shí)現(xiàn)資源負(fù)載預(yù)測的填充，從而進(jìn)一步提高預(yù)測精度。組合預(yù)測模型的分析過程具體如圖2 所示。

圖2 組合預(yù)測Fig.2 A hybrid predictive technique

2.1 指數(shù)平滑預(yù)測

在預(yù)測過程中，采用ES 預(yù)測作為基本的預(yù)測。同時(shí)考慮到進(jìn)一步的誤差修正問題，即WMA 模型還可以作為響應(yīng)的預(yù)測模型來進(jìn)一步提高預(yù)測精度。也就是說，一次指數(shù)平滑預(yù)測是指數(shù)平滑法，是一種簡單的預(yù)測曲線，更加適用于解決線性預(yù)測的問題。二次指數(shù)平滑法在一次指數(shù)平滑法的基礎(chǔ)上進(jìn)行改進(jìn)，能夠較好地對曲線進(jìn)行預(yù)測。三次指數(shù)平滑法是在二次指數(shù)平滑方法上進(jìn)行預(yù)測。雖然三次指數(shù)平滑可以改善預(yù)測精度，但是由于參數(shù)的增加，也增加了該預(yù)測方法的復(fù)雜度。綜上所述，本文選擇二次指數(shù)平滑法為一種簡單基本預(yù)測模型，其中需要解決的核心問題為確定alpha 權(quán)重。此時(shí)，可以通過誤差最小化來確定下一個(gè)階段預(yù)測的權(quán)重。于是，提出改進(jìn)的雙指數(shù)平滑模型具體描述如等式（1）～（4）所示。

2.2 組合預(yù)測

組合預(yù)測模型的主要構(gòu)成為基礎(chǔ)預(yù)測模型和響應(yīng)式預(yù)測。考慮到序列的時(shí)間性，本文選擇二次指數(shù)平滑作為預(yù)測的主要模型，在每一次預(yù)測過程中通過誤差最小化原理來確定權(quán)重。同時(shí)考慮到負(fù)載的突發(fā)性，使用簡單WMA 預(yù)測模型來實(shí)現(xiàn)數(shù)據(jù)的進(jìn)一步擬合。于是，提出組合預(yù)測的具體描述方程（5）。

組合預(yù)測中的核心問題之一是需要解決權(quán)重參數(shù)，其具體的傳統(tǒng)方法有簡單加權(quán)法、逆平方方差法等。在本文中該預(yù)測算法的主旨在于合理選擇簡單的預(yù)測方法，在降低復(fù)雜度的前提下，對下一階段的負(fù)載需求進(jìn)行預(yù)測。因此，可以設(shè)置組合預(yù)測兩種方法為等權(quán)重。而且本文提出的組合預(yù)測算法主要由兩部分組成，其具體實(shí)現(xiàn)過程描述如下：

（1）首先，考慮到需求負(fù)載的時(shí)間性，選擇二次指數(shù)平滑作為基礎(chǔ)預(yù)測模型，改進(jìn)的雙指數(shù)平滑主要通過誤差最小原理來確定合理的alpha 系數(shù)；

（2）其次，響應(yīng)式預(yù)測模型采用WMA 方法。組合預(yù)測是為了實(shí)現(xiàn)降低復(fù)雜度的目標(biāo)，同時(shí)可以提高預(yù)測精度。

3 實(shí)驗(yàn)結(jié)果

為了驗(yàn)證本文算法的有效性，實(shí)驗(yàn)采用真實(shí)NASA 負(fù)載曲線進(jìn)行擬合，對比了3 種預(yù)測算法：霍爾特－溫特預(yù)測、三次指數(shù)平滑和雙指數(shù)平滑。

3.1 實(shí)驗(yàn)平臺(tái)

本文使用CloudStack 平臺(tái)管理構(gòu)建一個(gè)數(shù)據(jù)中心，該數(shù)據(jù)中心由7 臺(tái)物理主機(jī)組成。其中，1 臺(tái)物理主機(jī)用來搭建CloudStack 云平臺(tái)，另外6 臺(tái)物理主機(jī)，每臺(tái)物理主機(jī)均安裝Xenserver，在每臺(tái)物理主機(jī)上，均可劃分為3 個(gè)VM，其配置均1 VCPU，1G memory。每臺(tái)虛擬機(jī)均安裝CentOS 6.9 操作系統(tǒng)。本文采用真實(shí)負(fù)載NASA 來驗(yàn)證試驗(yàn)結(jié)果，其具體的實(shí)現(xiàn)過程主要描述如下：

（1）通過Jmeter 壓力測試工具產(chǎn)生NASA 數(shù)據(jù)負(fù)載；

（2）監(jiān)控系統(tǒng)使用Jmeter 插件來監(jiān)控一些參數(shù)和收集一些信息，如負(fù)載需求；

（3）考慮到簡單指數(shù)平滑方法的特點(diǎn)，可以確定模式匹配長度為最小值，改進(jìn)后二次指數(shù)平滑法可以利用較少的參數(shù)來對下一階段的數(shù)據(jù)進(jìn)行預(yù)測；

（4）WMA 作為一種簡單的預(yù)測補(bǔ)償模型，有效避免資源分配不足的狀態(tài)。

3.2 指標(biāo)評估

實(shí)際上，預(yù)測方法目標(biāo)之一是在得到較高的預(yù)測精度同時(shí)誤差最小。因此，為了進(jìn)一步判斷預(yù)測方法是否符合標(biāo)準(zhǔn)，評價(jià)指標(biāo)可采用平均絕對誤差（MAE）、均方誤差（MSE）和均方根誤差（RMSE）［20］。其中，MAE可以通過計(jì)算所有偏差后，再取平均值的方法來獲得。，其具體方法表示如等式（6）；MSE可以通過計(jì)算所有單個(gè)實(shí)際值和預(yù)測值差值平方的平均值方法來獲得。其具體方法表示如等式（7）；RMSE可以通過計(jì)算預(yù)測值和真實(shí)值的平方和取平均值后求平方根的方法來獲得，其具體方法表示如等式（8）。

3.3 實(shí)驗(yàn)分析

3.3.1 與真實(shí)曲線的貼近程度

在組合預(yù)測中，合理的選擇預(yù)測模型是需要面臨的挑戰(zhàn)之一。考慮到負(fù)載需求的時(shí)間性和擬合程度，本文選擇改進(jìn)的雙指數(shù)平滑作為基礎(chǔ)預(yù)測方法，而簡單WMA 預(yù)測方法作為進(jìn)一步的補(bǔ)償值預(yù)測，從而對突發(fā)負(fù)載實(shí)現(xiàn)較好的曲線擬合。實(shí)際上，指數(shù)平滑預(yù)測方法更適合預(yù)測近期的數(shù)據(jù)值。而WMA 作為針對擬合性數(shù)據(jù)的預(yù)測，更加適合下一步預(yù)測精度的提高。組合預(yù)測模型提出的目的之一在于提高預(yù)測精度的同時(shí)降低算法復(fù)雜度。通過對比真實(shí)值和實(shí)際預(yù)測值，可以看出組合預(yù)測模型比較貼近真實(shí)值。在設(shè)置的過程中，通過稍微高一點(diǎn)的預(yù)測計(jì)劃，提高了對突發(fā)負(fù)載的預(yù)測，能夠較好的滿足預(yù)測要求，具體如圖3 所示。

圖3 組合預(yù)測和真實(shí)情況對比圖Fig.3 A comparison of the hybrid prediction and actual value

3.3.2 平均絕對誤差MAE

誤差指標(biāo)是反映預(yù)測精度的一種評估方法，實(shí)際上，計(jì)算和分析誤差的評估指標(biāo)很多。其中之一為平均絕對誤差MAE，由于其在運(yùn)算過程中取平均值，使得計(jì)算結(jié)果能夠更加準(zhǔn)確。通過對霍爾特－溫特，三次指數(shù)平滑，二次指數(shù)平滑這3 種預(yù)測方法進(jìn)行對比發(fā)現(xiàn)，本文提出的組合預(yù)測方法（ESWMA）具有較低的MAE值，MAE值越小，該預(yù)測方法越好，如圖4 所示。

圖4 不同預(yù)測方法MAE 值對比Fig.4 A comparison of MAE evaluation in the different predictions

3.3.3 均方誤差MSE

誤差指標(biāo)是反映預(yù)測精度的一種評估方法，均方誤差MSE屬于其中一種評估指標(biāo)。均方誤差的計(jì)算主要用來判斷數(shù)據(jù)的變化程度，計(jì)算所得值越小，預(yù)測方法越好。通過對霍爾特－溫特，三次指數(shù)平滑，二次指數(shù)平滑這3 種預(yù)測方法對比發(fā)現(xiàn)，本文提出的組合預(yù)測方法（ESWMA）具有較低的MSE值，表明該預(yù)測方法較好，也更加符合實(shí)際情況，具體如圖5 所示。

圖5 不同預(yù)測方法MSE 值對比Fig.5 A comparison of MSE evaluation in the different predictions

3.3.4 均方根誤差RMSE

誤差指標(biāo)是反映預(yù)測精度的一種評估方法，均方根誤差RMSE是一種評估數(shù)據(jù)變化的指標(biāo)。其計(jì)算作用在于判斷數(shù)據(jù)的變化程度，因此計(jì)算所得RMSE值越小，證明該預(yù)測方法越好。通過對霍爾特－溫特，三次指數(shù)平滑，二次指數(shù)平滑這3 種預(yù)測方法來進(jìn)行對比發(fā)現(xiàn)，本文提出的組合預(yù)測方法（ESWMA）具有相對很低的RMSE值，表明該預(yù)測方法較好，也更加符合實(shí)際情況，如圖6 所示。

圖6 不同預(yù)測方法RMSE 值對比Fig.6 A comparison of RMSE evaluation in the different predictions

4 結(jié)束語

傳統(tǒng)的預(yù)測模型已經(jīng)步入發(fā)展成熟階段，可以具有較高的預(yù)測精度，但卻有著較高的復(fù)雜度。實(shí)際上，預(yù)測技術(shù)是一個(gè)復(fù)雜的計(jì)算模型，其面臨的挑戰(zhàn)之一是提高預(yù)測的精度。當(dāng)然預(yù)測精確度越高，參數(shù)越復(fù)雜，算法復(fù)雜度越高。考慮到負(fù)載曲線的時(shí)間性和突發(fā)性，本文設(shè)計(jì)了一種組合預(yù)測模型，利用改進(jìn)的雙指數(shù)平滑曲線作為主要預(yù)測方法來降低開銷，同時(shí)考慮到負(fù)載的突發(fā)性，提出了用WMA 作為響應(yīng)式預(yù)測模型來進(jìn)一步提高預(yù)測精度，降低誤差。在下一步的深入分析和研究中，可以考慮在預(yù)測開始之前的工作，包括數(shù)據(jù)的預(yù)處理或是負(fù)載預(yù)測曲線的進(jìn)一步分析。