基于LSTM的媒体网站用户流量预测与负载均衡方法

摘要

媒体网站的用户流量呈现平稳性、周期性、不规则变动等特征,对用户流量的有效预测有助于管理者设计更合理的负载均衡(LoadBalance)策略。鉴于传统预测技术难以对蕴含在不同时间跨度中的知识进行融合,论文提出了一种基于深度学习技术"长短期记忆网络(LSTM)"的用户流量预测及负载均衡方法。该方法将网站的各类运营数据作为影响流量的特征,从而挖掘流量与其特征间的关联知识。根据未来时间窗口的流量预测结果,进行服务器资源预留,以实现较好的负载均衡效果。实验表明,相对于传统方法,论文方法的请求响应时间均值更低。