导读:本文包含了工作负载模型论文开题报告文献综述及选题提纲参考文献，主要关键词:云计算,云负载,时间序列预测,机器学习
工作负载模型论文文献综述
王恒健[1]（2019）在《云工作负载预测模型研究与实现》一文中研究指出随着云计算的兴起,越来越多的用户选择把数据存储在云计算中心并利用其服务,资源分配问题日益凸显。用户向云中心请求资源时,若资源不能满足相应需求,则会对服务质量产生影响,如果资源分配过量,又会导致资源的浪费,如何在保证用户服务质量的同时减少服务器资源过量的使用是当今云计算领域的重要研究课题。研究人员已经从多方面进行考虑并提出了解决方案,有些学者着重于优化虚拟机配置,通过对相关资源配置过程的简化,使得虚拟机可以更快速地启动与运行。还有研究者在硬件设计上,根据负载情况调节服务器运行功率以及冷却设备的运行,有效解决能源浪费问题。还有研究者利用调度算法从资源调度角度去合理地使用可以更高效地分配资源。有些研究者根据资源负载的历史数据去预测未来趋势,通过对预测值的利用可以更合理地管理资源。随着机器学习以及大数据技术的兴起,预测问题也引起高度重视。为此,本文围绕云负载的预测展开分析,主要工作如下:(1)指出传统静态聚类方法的不足之处,将静态聚类方法K-means应用于进化聚类的框架下,对云负载进行聚类分析,为预测提供依据。(2)提出一种改进的短期云负载预测方法,将ARIMA与BP神经网络结合起来,将ARIMA预测后的残差部分运用BP神经网络进行残差预测,最终将两部分的预测结果进行集成,预测效果与ARIMA相比具有更高准确性。(3)考虑长期负载预测的时间成本问题,将负载预测模型转换为一种可以提前训练的模型。将时间序列按窗口划分样本,对每个窗口内的时间序列进行特征提取。运用改进的Adboost集成方法进行样本学习。实验通过3条不同时序片段进行对比,验证改进模型的有效性。(4)设计基于Spark的预测系统,分别从数据接收,数据存储及查询,预测分析功能,界面展示等功能进行设计。系统可以实时分析云负载的变化情况,并通过图表显示分析结果。(本文来源于《江苏大学》期刊2019-04-01）
卢耀[2]（2017）在《云环境下工作负载预测模型的研究》一文中研究指出从云计算诞生至今,其产业经历了一个飞速发展的时期。现在,越来越多的企业选择把公司的业务部署在云计算中心;越来越多的个人选择购买云计算服务。云服务提供商在获得丰厚利润的同时也承受着巨大的压力,业务的增加迫使它们不得不持续扩大云计算数据中心的建设,以满足用户的不同需求。这也迫使云服务提供商不得不思考如何在不浪费云资源的前提下既不违背SLA(Service-Level Agreement)又能很好的满足用户的资源需求。对于云服务提供商来说,这是一个巨大的挑战。近年来,关于上述问题的研究和讨论不绝于耳。一些有效的方案已经被提出。例如,研究人员提出虚拟机优化策略,容量管理策略以及用户模式匹配策略等。这些方案的提出,在一定程度上提高了云计算资源的利用率,缓解了云服务厂商的压力。除此之外,另外一个研究方向也被给予厚望,即云计算工作负载预测方案。科研人员希望通过研究云平台上工作负载的特征,结合历史负载数据来实现对未来一段时间内工作负载的预测。这样,管理人员便能够根据预测结果及时合理的配置云计算资源,在满足用户需求的同时,减少资源的浪费。对于此方向上的研究,已经取得了部分成果。但是,现存的很多方案都存在着一些缺点。大部分的预测方案准确性不高,这对于用户和厂商来说都会带来严重的后果。由于预测准确性不高,可能导致服务资源配置过少或者极度过量,过少则会导致用户任务无法完成,服务器崩溃宕机;过多则会造成云计算资源的过度浪费。总之,现存的一些预测方案还不够成熟,还无法满足云服务厂商的需求。这样一来,在云负载预测方向上的研究还不能够停止。为此,本文提出了一个新颖的云负载预测模型,在分析用户行为特征的基础上,引入聚类算法进行历史数据的前期处理,将相似的负载任务聚类到一起。紧接着利用改进的BP神经网络算法对聚类历史数据进行预测,从而得到未来一段时间内的负载数据,最终达到合理配置云计算资源的目的。本文的主要内容和创新点如下:(1)为提高负载预测模型的预测准确性,通过对Google云计算数据中心相关历史负载数据的研究,统计分析了负载特征与用户行为特征,并详细阐述了两者之间的关系,为接下来基于负载分类的预测模型的提出提供了理论依据。(2)为了加快负载预测模型的整体预测速度,改进了K-means聚类算法,在聚类的过程中,引入数据密度和Quick Sort算法,使改进后的K-means算法能够迅速的确定初始聚类中心,以达到对负载数据快速聚类的目的。(3)为了能够进一步提高负载预测模型的效率和准确性,通过对神经网络算法的研究,提出了一种基于BP神经网络的改进预测算法RVLBPNN,该算法通过优化学习率加快了数据处理过程,并且提高了预测的准确性。(4)针对现有预测模型的缺点,将改进后的K-means聚类算法与RVLBPNN预测算法相结起来形成一个新的云负载预测模型K-RVLBPNN,该模型充分利用了云负载特征与用户行为特征。并且通过实验将新模型与HMM模型与NBC模型进行了对比,验证了新模型的预测效果。(本文来源于《江苏大学》期刊2017-04-01）
冯伟,蒋烈辉,何红旗[3]（2009）在《指令级工作负载特征模型》一文中研究指出工作负载特征模型在计算机体系结构设计和系统性能评价中具有重要作用,有效的工作负载行为特征分析有助于体系结构性能评价和设计改进。通过基于指令级的工作负载特征描述,提取影响测试程序运行时间的关键因素。设计一个负载特征模型,该模型可以根据不同的参数设置生成不同合成工作负载。(本文来源于《计算机工程》期刊2009年15期）
工作负载模型论文开题报告
（1）论文研究背景及目的
此处内容要求：
首先简单简介论文所研究问题的基本概念和背景，再而简单明了地指出论文所要研究解决的具体问题，并提出你的论文准备的观点或解决方法。
写法范例：
从云计算诞生至今,其产业经历了一个飞速发展的时期。现在,越来越多的企业选择把公司的业务部署在云计算中心;越来越多的个人选择购买云计算服务。云服务提供商在获得丰厚利润的同时也承受着巨大的压力,业务的增加迫使它们不得不持续扩大云计算数据中心的建设,以满足用户的不同需求。这也迫使云服务提供商不得不思考如何在不浪费云资源的前提下既不违背SLA(Service-Level Agreement)又能很好的满足用户的资源需求。对于云服务提供商来说,这是一个巨大的挑战。近年来,关于上述问题的研究和讨论不绝于耳。一些有效的方案已经被提出。例如,研究人员提出虚拟机优化策略,容量管理策略以及用户模式匹配策略等。这些方案的提出,在一定程度上提高了云计算资源的利用率,缓解了云服务厂商的压力。除此之外,另外一个研究方向也被给予厚望,即云计算工作负载预测方案。科研人员希望通过研究云平台上工作负载的特征,结合历史负载数据来实现对未来一段时间内工作负载的预测。这样,管理人员便能够根据预测结果及时合理的配置云计算资源,在满足用户需求的同时,减少资源的浪费。对于此方向上的研究,已经取得了部分成果。但是,现存的很多方案都存在着一些缺点。大部分的预测方案准确性不高,这对于用户和厂商来说都会带来严重的后果。由于预测准确性不高,可能导致服务资源配置过少或者极度过量,过少则会导致用户任务无法完成,服务器崩溃宕机;过多则会造成云计算资源的过度浪费。总之,现存的一些预测方案还不够成熟,还无法满足云服务厂商的需求。这样一来,在云负载预测方向上的研究还不能够停止。为此,本文提出了一个新颖的云负载预测模型,在分析用户行为特征的基础上,引入聚类算法进行历史数据的前期处理,将相似的负载任务聚类到一起。紧接着利用改进的BP神经网络算法对聚类历史数据进行预测,从而得到未来一段时间内的负载数据,最终达到合理配置云计算资源的目的。本文的主要内容和创新点如下:(1)为提高负载预测模型的预测准确性,通过对Google云计算数据中心相关历史负载数据的研究,统计分析了负载特征与用户行为特征,并详细阐述了两者之间的关系,为接下来基于负载分类的预测模型的提出提供了理论依据。(2)为了加快负载预测模型的整体预测速度,改进了K-means聚类算法,在聚类的过程中,引入数据密度和Quick Sort算法,使改进后的K-means算法能够迅速的确定初始聚类中心,以达到对负载数据快速聚类的目的。(3)为了能够进一步提高负载预测模型的效率和准确性,通过对神经网络算法的研究,提出了一种基于BP神经网络的改进预测算法RVLBPNN,该算法通过优化学习率加快了数据处理过程,并且提高了预测的准确性。(4)针对现有预测模型的缺点,将改进后的K-means聚类算法与RVLBPNN预测算法相结起来形成一个新的云负载预测模型K-RVLBPNN,该模型充分利用了云负载特征与用户行为特征。并且通过实验将新模型与HMM模型与NBC模型进行了对比,验证了新模型的预测效果。
（2）本文研究方法
调查法：该方法是有目的、有系统的搜集有关研究对象的具体信息。
观察法：用自己的感官和辅助工具直接观察研究对象从而得到有关信息。
实验法：通过主支变革、控制研究对象来发现与确认事物间的因果关系。
文献研究法：通过调查文献来获得资料，从而全面的、正确的了解掌握研究方法。
实证研究法：依据现有的科学理论和实践的需要提出设计。
定性分析法：对研究对象进行“质”的方面的研究，这个方法需要计算的数据较少。
定量分析法：通过具体的数字，使人们对研究对象的认识进一步精确化。
跨学科研究法：运用多学科的理论、方法和成果从整体上对某一课题进行研究。
功能分析法：这是社会科学用来分析社会现象的一种方法，从某一功能出发研究多个方面的影响。
模拟法：通过创设一个与原型相似的模型来间接研究原型某种特性的一种形容方法。
工作负载模型论文参考文献
[1].王恒健.云工作负载预测模型研究与实现[D].江苏大学.2019
[2].卢耀.云环境下工作负载预测模型的研究[D].江苏大学.2017
[3].冯伟,蒋烈辉,何红旗.指令级工作负载特征模型[J].计算机工程.2009