基于模糊均值协方差受限玻尔兹曼机的云度量分析

摘要

云计算中一个关键优化方向是资源预置，用以实现负载均衡，进而提高系统的灵活性和可用性。然而研究表明云计算与以往的网格计算和高性能计算相比，前者的运行时状态较后者而言，显现出更多的不确定性。主要体现在云计算环境中的云元素（如云服务、Worker、用户交互、CPU、IO、内存等）的度量表现出的强非线性和可获得的云信息的不准确性和不完备性。因此，这种不确定性给云计算环境下的资源预置与负载均衡带来了极大的困难。 在以往的研究中，大多数的工作专注于网格计算和高性能计算环境下的度量预测和分类，作为系统预警和调度的关键一步。由于其度量表现得相对简单，诸如多项式拟合、ARMA、逻辑回归等模型能够很好地对此度量进行建模。然而云计算环境中的度量具有强非线性，以往的模型过于简单，不能有效地用于云元素度量的分析。因此，另外一部分工作将更复杂的模型用在云元素度量的分析上，例如深度信任网和分形法等。 本论文在以前的工作基础上，提出一个新的模型，既模糊均值协方差受限玻尔兹曼机（FuzzyMean-covariance Restricted Boltzmann Machine，简称FMCRBM），来对云环境的不确定性进行建模。围绕该模型，本论文为云计算集群的度量分析提供一个解决方案，其研究内容主要包括三个方面。首先，本论文基于受限玻尔兹曼机和模糊理论提出将均值协方差受限玻尔兹曼机（简称mcRBM）的网络参数模糊化，进而提出FMCRBM，及其参数训练算法。第二，本论文将此模型用于谷歌云元素度量的分析，并与深度学习算法深度信任网进行了比较，显示出了更高的预测精度。第三，本论文提出使用方差分析和试验设计的方法为本模型设定最优的一套超参数，结合FMCRBM的参数学习算法，本论文成功地为云计算集群的度量分析提供了一套综合的解决方案，为云计算环境提供可靠的服务预置和管理，进而为云计算系统的资源调度和负载均衡提供有力保障。

目录

声明

第一章 绪论

1.1 课题背景及意义

1.2 课题研究现状

1.3 论文组织

第二章 论文相关理论研究

2.1 模糊理论

2.1.1 模糊集合

2.1.2 模糊数

2.1.3 Zadeh’s 扩展原理和区间运算

2.2 概率统计

2.2.1 模糊概率

2.2.2 模糊条件概率

2.2.4 贝叶斯定理及其模糊贝叶斯

2.2.5 马尔科夫链

2.3 马尔可夫链蒙特卡洛采样

2.3.1 Matlab中的采样方法

2.3.2逆变换采样（Inverse Transform Sampling）

2.3.3拒绝采样（Reject Sampling）

2.3.4蒙特卡洛马尔科夫链采样（MCMC Sampling）

2.3.5 Metropolis采样

2.3.6 Metropolis-Hasting采样（MH Sampling）

2.3.7 MH高维采样?组件级别采样

2.3.8 MH高维采样-吉布斯采样

2.3.9汉密尔顿蒙特卡洛采样（Hamilton Monte Carlo Sampling）

第三章 基于FMCRBM的谷歌云度量分析

3.1 Google云踪迹

3.2 受限玻尔兹曼机

3.3 模糊均值协方差受限玻尔兹曼机

第四章 实验与分析

4.1 差分变换

4.2 FMCRBM超参数优化

4.3 基于FMCRBM的用户资源请求预测

4.4 分析和论证

总结与展望

参考文献

攻读硕士学位期间取得的学术成果

致谢