朱金灿，邓 莉，梁晨君，严 明，谢同磊，任正伟

1(武汉科技大学 计算机科学与技术学院，武汉 430065) 2(智能信息处理与实时工业系统湖北省重点实验室，武汉 430065) 3(新加坡科技研究局，新加坡138632) E-mail：dengli@wust.edu.cn

1 引 言

在本文工作中，我们使用指数分段预测模式将未来连续区间内的主机平均负载预测转换为单一区间的预测模式，实验采用双向卷积长短期记忆模型(Bidirectional Convolutional Long Short-Term Memory，，BC-LSTM)作为预测模型.与以往的方法不同的是，BC-LSTM模型可以做序列输出，可以很好地完成主机实际负载多步预测，消除了累计误差.并且BC-LSTM是一种端到端模型，不需要实验中进行特征提取工作，模型可以自动学习到负载序列的双向依赖信息.最后我们在两个真实负载数据集验证，结果表明本文方法比现有方法具有更好的性能.

2 相关工作

主机负载预测能够在满足服务水平协议的前提下，提高资源的分配和利用率.因此受到研究人员的广泛关注.通常情况下，研究人员基于历史负载信息来预测未来负载信息，这是一个典型的时间序列预测问题.本文将现有的主机负载预测方法归纳为以下3类.

传统统计学概率模型.此类方法在传统网格或HPC系统中应用较多.研究人员将马尔科夫链与季节性分析相结合，提前一个时间步预测网格系统中主机CPU和网络负载信息[8].Ankita 等人[9]提出了一种改进的基于自回归(AR)的主机负载预测模型，在网格系统中取得了良好的效果.该方法适用于负载稳定、较小的电网负载系统.Wu等人[10]提出……