基于ARIMA-RNN组合模型的云服务器老化预测方法

TP311.1; 针对云服务器系统运行环境具有非线性、随机性和突发性的特点,提出了基于整合移动平均自回归和循环神经网络组合模型(ARIMA-RNN)的软件老化预测方法.首先,采用ARIMA模型对云服务器时间序列数据进行老化预测;然后,利用灰色关联度分析法计算时间序列数据的相关性,确定RNN模型的输入维度;最后,将ARIMA模型预测值和历史数据作为RNN模型的输入进行二次老化预测,从而克服了ARIMA模型对波动较大的时间序列数据预测精度较低的局限性.实验结果表明,ARIMA-RNN组合模型比ARIMA模型及RNN模型的预测精度高,且比RNN模型预测收敛速度快....

Full description

Saved in:
Bibliographic Details
Published in通信学报 Vol. 42; no. 1; pp. 163 - 171
Main Authors 孟海宁, 童新宇, 石月开, 朱磊, 冯锴, 黑新宏
Format Journal Article
LanguageChinese
Published 西安理工大学计算机科学与工程学院,陕西西安 710048 25.01.2021
陕西省网络计算与安全技术重点实验室,陕西西安 710048%西安理工大学计算机科学与工程学院,陕西西安 710048
Subjects
预测方法
RNN模型
ARIMA模型
软件老化
云服务器
Online AccessGet full text
ISSN1000-436X
DOI10.11959/j.issn.1000-436x.2021015

Cover

More Information
Summary:TP311.1; 针对云服务器系统运行环境具有非线性、随机性和突发性的特点,提出了基于整合移动平均自回归和循环神经网络组合模型(ARIMA-RNN)的软件老化预测方法.首先,采用ARIMA模型对云服务器时间序列数据进行老化预测;然后,利用灰色关联度分析法计算时间序列数据的相关性,确定RNN模型的输入维度;最后,将ARIMA模型预测值和历史数据作为RNN模型的输入进行二次老化预测,从而克服了ARIMA模型对波动较大的时间序列数据预测精度较低的局限性.实验结果表明,ARIMA-RNN组合模型比ARIMA模型及RNN模型的预测精度高,且比RNN模型预测收敛速度快.
ISSN:1000-436X
DOI:10.11959/j.issn.1000-436x.2021015