基于时间注意力机制的多通道CNN和BiGRU云数据中心资源消耗预测

Resource Consumption Prediction of Multi-Channel CNN and BiGRU Cloud Data Centers Based on Temporal Attention Mechanism

摘要

云数据中心资源消耗预测是对数据中心的能源消耗、计算资源需求等进行预测。为提高云数据中心资源消耗预测的准确性，更好地管理资源并优化节能效果，提出了一种融合多通道卷积神经网络与双向门控循环单元以及时间-通道注意力机制的预测方法CNN-TCAM-BiGRU。该方法首先采用信号分解技术对原始数据进行预处理，以消除噪声并突出数据中的关键特征。随后，沿着信道和时间两个维度构建了两个专注模块，再通过这两个模块构建一个中间特征图。这个中间特征图专注于捕捉关键频段和与语义相关的时间段信息。与现有基准算法的比较实验表明，CNN-TCAM-BiGRU在3个主要评价指标上均展现出显著的性能优势，有效地提高了云数据中心资源消耗预测的准确性，为云数据中心的资源管理和节能优化提供了一种有效的技术方案。

Abstract

Cloud data center resource consumption prediction involves predicting energy consumption, computing resource requirements, and other factors of the data center. In order to improve the accuracy of resource consumption prediction in cloud data centers, so as to better manage resources and optimize energy saving effect, a novel prediction method CNN-TCAM-BiGRU is proposed, which integrates multi-channel convolutional neural network with bidirectional gated recurrent unit and time-channel attention mechanism. The method first uses signal decomposition technology to preprocess the original data, aiming at eliminating noise and highlighting key features in the data. Subsequently, two focused modules are constructed along the channel and time dimensions, and then an intermediate feature map is built using these two modules.This intermediate feature map focuses on capturing key frequency bands and semantically relevant time periods. Compared with existing benchmark algorithms, the proposed method shows remarkable performance advantages in three main evaluation indexes. CNN-TCAM-BiGRU effectively enhances the accuracy of resource consumption prediction in cloud data centers, offering an effective technical plan for resource management and energy-saving optimization in cloud data centers.

Graphical abstract

0　 引 言

云计算作为一种广泛应用的互联网计算模式，已在医疗、教育、金融等多个领域发挥着重要作用。它为各类用户提供了丰富的计算服务和信息技术资源，这些资源的可扩展性是确保全天候服务可用性和满足服务水平协议的关键特性。数据中心的持续运行依赖精确的资源管理流程，而工作负载预测在资源管理决策中扮演着至关重要的角色。

当前，研究人员针对工作负载预测面临的一系列挑战提出了一些解决思路。Chen等^[1]针对资源分配与资源请求之间存在时间滞后，导致服务器负载出现剧烈波动和快速变化的问题，采用动态调整算法，以平衡物理机不同类型资源的利用情况；Karim等^[2]针对数据集中众多特征之间相互关联增加预测资源利用率的复杂性问题，建立了负载预测模型；You等^[3]针对数据存在的高噪声和不稳定性问题，提出了基于信号分解和混合模型的云服务器负载预测方法。

然而，云数据中心的用户请求类型、频率和资源需求均随时间动态变化，短时间内可能出现突发的流量高峰，这种突发性使得上述预测方法难以准确估计即将到来的资源需求。同时，云数据中心负载数据中普遍存在的噪声和异常值，给预测工作带来了额外的困难。此外，不同预测方法在不同场景下的适用性和效果存在差异，现有研究尚未形成一个普适性的负载预测框架。

为了提升负载预测模型的准确性，本研究融合了多通道卷积神经网络（Convolutional Neural Networks，CNN）^[4]与双向门控循环单元（Bidirectional Gated Recurrent Unit，BiGRU）^[5]，并引入了时间注意力机制（Time Attention Mechanism，TAM）和通道注意力机制（Channel Attention Mechanism，CAM）^[6]，构建了预测方法CNN-TCAM-BiGRU。

1　 相关工作

云资源负载预测的方法主要分为基于经典机器学习和基于深度学习两大类。

经典机器学习算法在该领域发挥着至关重要的作用，能够通过收集负载等相关数据，有效预测云资源的使用趋势^[7-10]。尽管机器学习方法在云资源负载预测中取得了一定的成果，但仍存在一些问题，如预测模型可能无法有效捕捉时间序列数据中的非线性关系和长期依赖性，同时，预测模型可能在处理高噪声数据和不稳定数据时存在困难，需要进一步优化以提高鲁棒性。

基于深度学习算法也能有效预测云资源的使用趋势^[11-15]。Simaiya等^[12]提出了一种基于深度学习与粒子群智能及遗传算法的混合模型（Deep Learning with Particle Swarm Intelligence and Genetic Algorithm，DPSO-GA），该模型分为两个阶段，第一阶段利用混合粒子群智能及遗传算法（Particle Swarm Intelligence and Genetic Algorithm，PSO-GA）微调超参数；第二阶段采用CNN和长短期记忆网络（Long Short-Term Memory， LSTM）进行预测。该方法结合深度学习的预测能力和优化算法的调整能力，实现了高效的资源管理，但在模型复杂度、可扩展性等方面仍存在一些不足。Bi等^[13]提出了一类结合了双向长短期记忆网络（Bidirectional LSTM）和网格长短期记忆网络（Grid LSTM）的模型（BG-LSTM），用于Google集群数据集的负载预测。该模型在数据集的覆盖范围、模型复杂度等方面存在一定的局限性。同样针对Google集群数据，Bi等^[14]提出了一个混合预测模型VAMBiG，该模型集成了变分模态分解（Variational Mode Decomposition，VMD）、自适应Savitzky-Golay（SG）滤波器、多头注意机制（Multi-head Attention Mechanism）、双向和网格版本的长短期记忆网络（Bidirectional and Grid Versions of LSTM）。该方法能够有效捕捉工作负载的复杂特征和动态变化，显著提高预测精度。然而，在模型复杂度、数据质量要求、突发负载适应性、可扩展性和模型解释性等方面仍存在一些不足。Yuan等^[15]提出一种融合了VMD、SG滤波器、双向长短期记忆（BiLSTM）以及网格双向长短期记忆（GridLSTM）的预测方法VSBG，用于预测云数据中心的工作负载和资源使用情况。该方法在泛化能力、数据集的多样性和复杂性以及实际部署中的实时性和资源消耗等方面仍存在一定的局限性，需要进一步增强其在不同场景下的适用性。尽管以上方法取得了比较好的预测效果，然而仍需在数据依赖性、模型泛化能力、计算资源消耗、模型复杂性等多个方面进行改进和优化。

2　 本文方法

预测流程如图1所示。首先基于VMD-SG等方法对原始序列数据进行预处理，之后将预处理后的数据作为一维CNN的输入，基于时间-通道注意力机制（Time Channel Attention Mechanism， TCAM）进行特征提取，最后将提取后的特征作为BiGRU的输入进行模型构建。

2.1　预处理

云数据中心负载数据构成了一个固有的非线性、非平稳的信号，其特征包括高斯变量和标准变量^[16]。传统的去噪算法虽然可以提高信号强度与背景噪声的比值，但去噪能力有限。VMD算法突破了海森堡测不准原理^[17]的限制，在处理非线性非平稳信号方面展现出显著优势。VMD算法的基本原理是通过函数优化方法，将非线性、非平稳信号分解为一系列固有模态函数（Intrinsic Mode Function，IMF）。每个IMF分类都清晰地表征了信号的频率和幅度变化规律。VMD算法不仅运算效率高，而且克服了经验模态分解存在的模态混叠问题，具有较好的鲁棒性。SG算法^[18]是一种基于多项式拟合的数据平滑技术，常用于处理时间序列数据和其他需要平滑处理的数据。因此，本文融合了VMD算法和SG算法，提出基于VMD-SG的去噪算法对数据进行预处理。

2.1.1　基于VMD-SG的去噪算法

基于VMD-SG的去噪算法具体流程如下：

1） 使用VMD对原始的历史载荷数据集进行分解，得到K个固有模态分量，这些分量覆盖从低频到高频的频谱，且大量信号集中在低频波段；

2） 使用SG滤波器对从VMD分解得到的低频模态分量进行平滑，剔除其中可能存在于低频模式中的高频信号，以及固有的最小低频噪声，得到平滑后的低频分量；

3） 使用小波变换对高频分量进行变换，得到去噪后的高频分量；

4） 将去噪后的低频分量和高频分量进行整合、重构，得到去噪后的历史载荷数据集。

该算法具备自适应多尺度降噪能力：VMD能够在未预先设定噪声水平的情况下，将输入信号分解为若干IMF，SG滤波则通过局部多项式拟合，有效去除高频噪声，二者结合实现了从低频到高频的多尺度降噪处理；与传统方法相比，VMD-SG算法在去噪过程中能够更好地保留信号的原始特征和频谱特性。

2.1.2　数据归一化

对于负荷历史数据，采用Max-Min归一化方法。将负载数据集去噪后的值设置为X，其中X_{\mathrm{M}\mathrm{a}\mathrm{x}}为历史数据的最大值，X_{\mathrm{M}\mathrm{i}\mathrm{n}}为历史数据的最小值。在X上执行线性转换，并将转换后的数据集X^{\mathrm{*}}映射到[0,1]。归一化可以表示为：

X^{\mathrm{*}}=\frac{X-X_{\mathrm{M}\mathrm{i}\mathrm{n}}}{X_{\mathrm{M}\mathrm{a}\mathrm{x}}-X_{\mathrm{M}\mathrm{i}\mathrm{n}}}(1)

2.2　基于一维CNN的TCAM的BiGRU建模

预处理后的数据被用作模型的输入。如图2所示，这些数据首先进入卷积层以提取空间特征，然后传递到TAM层和CAM层以增强关键时间点的特征，经过这些层处理的特征被送入全连接层，其输出特征为BiGRU层的输入，以进行序列建模和时间依赖性分析。该算法结合了CNN的局部特征提取能力和注意力机制的动态加权特性，能够高效提取局部特征，一维CNN通过卷积操作高效地提取时间序列数据中的局部特征，对输入序列中的微小平移具有不变性，这种局部特征提取能力对于处理序列数据至关重要，因为它可以帮助模型捕捉到数据中的关键模式和结构；TCAM通过动态分配权重，能够捕捉时间序列中的长期依赖关系，这种机制允许模型在任何时间步骤上关注相关信息，而不考虑它与当前步骤的时间距离，使得模型能够更好地处理具有复杂模式的时间序列数据。

2.2.1　TCAM

TCAM可以改进两个维度上的特征表示 Y。特征向量 Y 是各个时间段信息的集合，表示为[y₁，y₂，…，y_w ]。其中，y_j 对应于第j（j=1,2，…，w）个时间位置的信号。如图3所示，首先通过卷积和ReLU激活函数提取时间序列特征，然后利用1×1卷积和Sigmoid函数进行特征变换和加权，之后进行重新校准，接着通过残差连接融合原始和变换后的特征并输出E_{\mathrm{T}\mathrm{A}\mathrm{M}}\left(\mathit{Y}\right)。随后，E_{\mathrm{T}\mathrm{A}\mathrm{M}}\left(\mathit{Y}\right)经过池化层、ReLU激活函数和Sigmoid函数进一步提炼特征，并进行再次的重新校准，得到最终输出 H_TACM：

{\mathit{H}}_{\mathrm{T}\mathrm{C}\mathrm{A}\mathrm{M}}={\mathit{G}}_{\mathrm{C}\mathrm{A}\mathrm{M}}\left({\mathit{E}}_{\mathrm{T}\mathrm{A}\mathrm{M}}\left(\mathit{Y}\right)\right)(2)

如果特征图中的元素在TCAM重新校准中都被认为是重要的,则其在 H_TCAM中的激活概率显著增加。这种增强使网络能够集中精力学习更具区别性的特征，而忽略信息较少的特征。

2.2.2　时间注意力机制

为了聚合来自所有通道的特征，TAM首先使用具有单个通道的1×1卷积层将特征向量 Y 投影到时间序列 s 中，表示为：

\mathit{s}=G\left(\mathit{Y}\right)(3)

其中，G（ Y ）为映射函数。使用sigmoid函数\sigma对 s 进行平滑得到时间权向量 T_s ：

{\mathit{T}}_{\mathrm{s}}=\mathrm{\sigma }\left(\mathit{s}\right),\mathit{s}\in {\mathbb{R}}^{\mathrm{1}\times w}(4)

T_s 作为时间段的显著性指标，用于重新校准特征图 N ：

\mathit{N}=G_{{\mathit{T}}_{\mathbf{s}}}\left(\mathit{Y}\right)\cdot {\mathit{T}}_{\mathrm{s}}(5)

其中，G_{{\mathit{T}}_{\mathbf{s}}}表示对 Y 的卷积操作，以防止 N 过度关注 T_s。

将 Y 和 N 相加得到TAM输出：

{\mathit{E}}_{\mathrm{T}\mathrm{A}\mathrm{M}}(\mathit{Y})=\mathit{Y}+\mathit{N}(6)

2.2.3　通道注意力机制

CAM是一种特征重校准方法，用于增强深度学习模型中通道的特征表示。这种机制特别适用于CNN，可以提高模型对输入数据的响应和特征提取的效率。

CAM的输入为 E_TAM( Y ),记为 D。这一层由C个内核组成，每个内核都起到通道过滤器的作用， D =[ d₁, d₂,…, d_C ]表示跨多个通道的时间序列数据的集合，每个通道的时间序列数据 d_i 是一个维数为w的行向量。

首先，对 D 进行全局最大池化，将其压缩为通道统计向量 z ∈\mathbb{R}^1×C，其中第i个元素z_i 由下式确定：

z_i=\mathrm{m}\mathrm{a}\mathrm{x}\left\{c_{i,\left(k-\mathrm{1}\right)s+\mathrm{1}},c_{i,\left(k-\mathrm{1}\right)s+\mathrm{2}},\dots ,c_{i,k\cdot s}\right\}(7)

其中，k是卷积核的大小；s是步长。随后，CAM采用门控机制识别通道间的相关性。这种门控机制涉及 G'和 G''两个卷积操作，每个操作都具有单个通道和大小为1×1的卷积核。为了捕获通道依赖关系， G'的输出通过ReLU激活函数（RL）进行定向; G''的输出由Sigmoid激活函数（\sigma）处理，该函数将激活向量缩放到[0,1]之间的范围，从而产生重新校准的通道向量{\mathit{R}}^{\text{'}}=[R_{\mathrm{1}}^{\mathrm{\text{'}}},R_{\mathrm{2}}^{\mathrm{\text{'}}},\cdots ,R_c^{\mathrm{\text{'}}}]。此过程公式为：

{\mathit{R}}^{\text{'}}=\sigma \left({\mathit{G}}^{″}\left(\mathrm{R}\mathrm{L}\left({\mathit{G}}^{\text{'}}\left(\mathit{z}\right)\right)\right)\right)(8)

然后，通过 D 与 R′ 的逐元素相乘获得重新校准的特征 M，计算如下：

\mathit{M}=\left[\begin{array}{c}{m}_{\mathrm{1}},m_{\mathrm{2}},\dots ,m_C\end{array}\right]=\left[{\mathit{d}}_{\mathrm{1}}{\mathit{R}}_{\mathrm{1}}^{\mathrm{\text{'}}},{\mathit{d}}_{\mathrm{2}}{\mathit{R}}_{\mathrm{2}}^{\mathrm{\text{'}}},\dots ,{\mathit{d}}_C{\mathit{R}}_C^{\mathrm{\text{'}}}\right](9)

M 通过{\mathit{R}}_i^{\text{'}}拟合全局信息，有效强调了 D 中重要的通道特征，并集成残差连接，增强优化，保持原有信息，CAM最终输出为：

{\mathit{H}}_{\mathrm{T}\mathrm{C}\mathrm{A}\mathrm{M}}(\mathit{Y})={\mathit{G}}_{\mathrm{C}\mathrm{A}\mathrm{M}}({\mathit{E}}_{\mathrm{T}\mathrm{A}\mathrm{M}}\left(\mathit{Y}\right))=\mathit{D}+\mathit{M}(10)

2.3　双向门控环路单元

GRU的传输方式是单向的前后传输，通常应用于模型输出只与历史信息相关的场景，负载时间序列的输出不仅受历史信息的影响，而且与未来时刻的信息有很强的相关性。为了解决这一问题，本文在保持GRU单向高效的时间序列信息处理能力的前提下，利用BiGRU构建了两个相反方向的GRU。BiGRU的双向传输机制如图4所示。BiGRU通过同时处理序列的前向和后向信息，能够更全面地捕捉上下文特征，这种双向结构使得模型在处理序列数据时，不仅能够利用过去的信息，还能利用未来的信息，从而提供更丰富的特征表示。相比LSTM，BiGRU结构更简单，参数更少，计算效率更高，在保持高效计算的同时，通过双向处理进一步提升了模型性能。

3　 实验与分析

为了验证本文方法的有效性，选取从Google集群^[19]中收集的工作负载和资源跟踪数据作为实验数据集。谷歌集群数据自发布以来，因其丰富性和代表性，已被广泛用于评估各类预测方法的有效性^[20-21]。该数据集涵盖了29天内的工作负载，包含了25 462 157个任务和672 003个作业。这些工作负载以作业的形式表示，每个作业由多个任务组成，每个任务均可视为一个需在特定计算机上运行的Linux程序。

在数据处理方面，将这29天的数据总长度划分为20 880个不同长度的时间段，每个时间段为2 min。通过对任务的时间戳信息进行分析，统计了每个时间段内的任务数量以及CPU等资源的使用记录。在本次实验中，选择了其中一个具有代表性的数据集，该数据集包含1 048 575条记录信息，涉及20个特征,经过预处理后数据集的个数为498 496。

3.1　实验数据

为了确保模型训练的全面性和测试的准确性，对数据集进行了细致的划分：首先，将数据集的前80%作为训练集，用于模型的学习和参数优化；其次，取中间的10%作为验证集，用于在训练过程中调整模型参数并防止过拟合；最后，将剩余的10%作为测试集，以评估模型的最终性能。

在实验阶段，为了获得稳定可靠的结果，共进行了120次独立的实验。

3.2　评价指标

为了证实所提出方法的有效性，采用平均绝对误差（Mean Absolute Error，MAE）、均方根误差（Root Mean Square Error，RMSE）和决定系数（R Square，R²）进行评估。各指标的计算公式如下：

\mathrm{M}\mathrm{A}\mathrm{E}=\frac{\mathrm{1}}{m}{\displaystyle \sum _{i=\mathrm{1}}^m}\left|y_i-{\widehat{y}}_{\mathrm{i}}\right|(11)

\mathrm{R}\mathrm{M}\mathrm{S}\mathrm{E}=\sqrt[]{\frac{\mathrm{1}}{m}{\displaystyle \sum _{i=\mathrm{1}}^m}{\left(y_i-{\widehat{y}}_{\mathrm{i}}\right)}^{\mathrm{2}}}(12)

R^{\mathrm{2}}=\mathrm{1}-\frac{{\displaystyle \sum _{i=\mathrm{1}}^m}{\left(y_i-{\widehat{y}}_{\mathrm{i}}\right)}^{\mathrm{2}}}{{\displaystyle \sum _{i=\mathrm{1}}^m}{\left(y_i-\widehat{y}\right)}^{\mathrm{2}}}(13)

其中，y_i 为观测值；{\widehat{y}}_i为预测值；m为数据个数。MAE值、RMSE值越小表明方法的预测结果越好，R²值越大表明方法的预测结果越好。

3.3　实验结果

在进行负载预测时，本文选用CPU使用率^[1-3]作为被预测变量。本文方法在训练集上的拟合结果如图5所示。在图5中，经过计算，拟合的CPU使用率的RMSE、MAE和R²分别为0.005 487、0.002 055和0.971 2。本文方法在训练集上具有较小的RMSE和MAE，即模型预测的CPU使用率与实际观测值之间的差异非常小，说明模型具有较高的预测精度；同时具有较大的R²，说明模型对因变量的解释能力越强。以上结果表明，模型的自变量为因变量提供了强有力的解释，这些变量引起的变化构成了总体变异的很大一部分。

本文方法在验证集上的拟合结果如图6所示。在图6中，观测的CPU使用率呈现明显的非线性，在多个时间间隔段内呈现了突发的CPU使用率增长情况。同时，可以看到本文方法能够很好地拟合观测的CPU使用率，同时反映出CPU使用的趋势。

为了证明所提出的方法的有效性，将本文方法与相关工作中2021―2024年间的基线方法DPSO-GA^[12]、BG-LSTM^[13]、VAMBiG^[14]、VSBG^[15]的预测结果进行了比较。表1是各方法在验证集中预测结果的对比。由表1可知，本文方法在RMSE、MAE和R²指标上都有优势，与基线算法中表现最好的VAMBiG相比，本文方法的RMSE降低了4.22%，MAE降低了6.10%。本文模型通过TCAM，能够自适应地关注时间序列中的关键特征和重要时间点，提高模型对重要信息的捕捉能力；同时模型结合了CNN的局部特征提取能力和BiGRU的全局依赖建模能力，能够更好地处理噪声和异常值，提高模型的鲁棒性和泛化能力。

图7为本文方法在测试集中的预测结果。在图7中，观测的CPU使用率在0到0.25之间波动，没有出现极端的高值或低值，并呈现出非线性特征。同时本文方法拟合的CPU使用率在大多数时间间隔内与观测的CPU使用率相近，表明模型预测的CPU使用率与实际观测值较为一致。

表2给出了本文方法和其他方法在测试集中的预测结果。在表2中，本文方法在RMSE、MAE和R²指标上均具有优势，与基线算法中表现最好的VAMBiG相比，本文方法的RMSE和MAE分别降低了4.48%和5.77%，R²提高了2.63%。

本文方法结合了CNN、TCAM以及BiGRU，具有强大的特征提取能力、高效的计算性能和增强的模型鲁棒性，能够更准确地捕捉和理解数据中的复杂模式。其中，CNN能够高效提取时间序列中的局部特征，捕捉数据的空间相关性；TCAM采用动态分配注意力权重的方法，使模型能够聚焦于关键时间点和通道，忽略噪声和冗余信息，提升特征提取的效率；BiGRU能够同时从前向和后向处理序列数据，捕捉时间序列的双向依赖关系。在时间序列预测任务中，该方法能够有效捕捉长短期依赖关系，处理复杂数据。

4　 结 语

云数据中心负载预测是实现云数据中心安全可靠运行的关键。本文提出预测方法CNN-TCAM-BiGRU。该方法首先通过信号分解技术对原始数据进行预处理，消除噪声，突出数据的关键特征。随后，通过时间-通道注意力机制的方法捕获数据中的局部空间和时间关联。在实验部分，将所提出的方法与4种基线方法进行了对比分析，实验结果表明所提出的方法在预测性能方面具有明显的优势。下一步的研究工作可以从以下两个方面进行：进一步优化CNN-TCAM-BiGRU模型的结构和参数，以提高预测的准确性和效率，包括调整网络层数、神经元数量、学习率等超参数，以及尝试不同的激活函数和正则化技术；探索将负载预测与其他相关任务（如故障预测、资源优化等）的结合，通过多任务学习提高模型的泛化能力和实用性。

参考文献

[1] CHEN J， WANG Y L， LIU T. A proactive resource allocation method based on adaptive prediction of resource requests in cloud computing［J］. EURASIP Journal on Wireless Communications and Networking， 2021， 2021（1）： 24. DOI：10.1186/s13638-021-01912-8 .

[2] KARIM M E， MASWOOD M M S， DAS S， et al. BHyPreC： A novel Bi-LSTM based hybrid recurrent neural network model to predict the CPU workload of cloud virtual machine［J］. IEEE Access， 2021， 9： 131476-131495. DOI：10.1109/ACCESS.2021.3113714 .

[3] YOU D G， LIN W W， SHI F， et al. A novel approach for CPU load prediction of cloud server combining denoising and error correction［J］. Computing， 2023， 105（3）： 577-594. DOI：10.1007/s00607-020-00865-y .

[4] LI Z W， LIU F， YANG W J， et al. A survey of convolutional neural networks： Analysis， applications， and prospects［J］. IEEE Transactions on Neural Networks and Learning Systems， 2022， 33（12）： 6999-7019. DOI：10.1109/TNNLS.2021.3084827

[5] SCHUSTER M， PALIWAL K K. Bidirectional recurrent neural networks［J］. IEEE Transactions on Signal Processing， 1997， 45（11）： 2673-2681. DOI：10.1109/78.650093 .

[6] JIANG M W， ZENG P Y， WANG K， et al. FECAM： Frequency enhanced channel attention mechanism for time series forecasting［J］. Advanced Engineering Informatics， 2023， 58： 102158. DOI：10.1016/j.aei.2023.102158 .

[7] DEVI K L， VALLI S. Time series-based workload prediction using the statistical hybrid model for the cloud environment［J］. Computing， 2023， 105（2）： 353-374. DOI：10.1007/s00607-022-01129-7 .

[8] SUI X， XIN SUI H Z， HAILONG ZHAO H X， et al. Load forecasting based on optimized random forest algorithm in cloud environment［J］. Journal of Computers， 2024， 35（3）： 13-26. DOI：10.53106/199115992024063503002 .

[9] NAWROCKI P， GRZYWACZ M， SNIEZYNSKI B. Adaptive resource planning for cloud-based services using machine learning［J］. Journal of Parallel and Distributed Computing， 2021， 152： 88-97. DOI：10.1016/j.jpdc.2021.02.018 .

[10] SAXENA D， KUMAR J， SINGH A K， et al. Performance analysis of machine learning centered workload prediction models for cloud［J］. IEEE Transactions on Parallel and Distributed Systems， 2023， 34（4）： 1313-1330. DOI：10.1109/TPDS.2023.3240567 .

[11] XU M X， SONG C H， WU H M， et al. esDNN： Deep neural network based multivariate workload prediction in cloud computing environments［J］. ACM Transactions on Internet Technology， 2022， 22（3）： 1-24. DOI：10.1145/3524114 .

[12] SIMAIYA S， LILHORE U K， SHARMA Y K， et al. A hybrid cloud load balancing and host utilization prediction method using deep learning and optimization techniques［J］. Scientific Reports， 2024， 14： 1337. DOI：10.1038/s41598-024-51466-0 .

[13] BI J， LI S， YUAN H T， et al. Integrated deep learning method for workload and resource prediction in cloud systems［J］. Neurocomputing， 2021， 424： 35-48. DOI：10.1016/j.neucom.2020.11.011 .

[14] BI J， MA H S， YUAN H T， et al. Accurate prediction of workloads and resources with multi-head attention and hybrid LSTM for cloud data centers［J］. IEEE Transactions on Sustainable Computing， 2023， 8（3）： 375-384. DOI：10.1109/TSUSC.2023.3259522 .

[15] YUAN H T， BI J， LI S， et al. An improved LSTM-based prediction approach for resources and workload in large-scale data centers［J］. IEEE Internet of Things Journal， 2024， 11（12）： 22816-22829. DOI：10.1109/JIOT.2024.3383512 .

[16] ALI A， ÖZKASAP Ö. Spatial and thermal aware methods for efficient workload management in distributed data centers［J］. Future Generation Computer Systems， 2024， 153： 360-374. DOI：10.1016/j.future.2023.12.006 .

[17] BUSCH P， HEINONEN T， LAHTI P. Heisenberg’s uncertainty principle［J］. Physics Reports， 2007， 452（6）： 155-176. DOI：10.1016/j.physrep.2007.05.006 .

[18] KRISHNAN S R， SEELAMANTULA C S. On the selection of optimum savitzky-golay filters［J］. IEEE Transactions on Signal Processing， 2013， 61（2）： 380-391. DOI：10.1109/TSP.2012.2225055 .

[19] SHAHMIRZADI D， KHALEDIAN N， RAHMANI A M. Analyzing the impact of various parameters on job scheduling in the Google cluster dataset［J］. Cluster Computing， 2024， 27（6）： 7673-7687. DOI：10.1007/s10586-024-04377-8 .

[20] HU C， DENG Y H， LUO W Y， et al. Towards a heterogeneous and elastic cloud service system with a correlation-based universal resource matching strategy［J］. IEEE Transactions on Services Computing， 2024， 17（5）： 2931-2944. DOI：10.1109/TSC.2024.3433578 .

[21] HUANG C K， PIERRE G. Aggregate monitoring for geo-distributed Kubernetes cluster federations［J］. IEEE Transactions on Cloud Computing， 2024， 12（4）： 1449-1462. DOI：10.1109/TCC.2024.3482574 .