基于LSTM 的CPU 资源使用情况预测算法的研究

樊文杰，陈 岚，张 贺

（1.中国科学院大学，北京 100049；2.中国科学院微电子研究所，北京 100029；3.三维及纳米集成电路设计自动化技术北京市重点实验室，北京 100029）

资源预测对于资源监控、资源分配等方面都具有重要意义[1]。为了高效、合理地利用资源，需要对资源进行准确预测，这样能够更好地提高资源利用率，为资源调度做准备。以前的研究表明，CPU 资源使用情况有一定的时间关联性，也就是说基于历史数据的CPU 资源预测可行。基于时间序列的预测法在此类场景中应用较多，常见的模型有自回归滑动平均模型（ARMA）[2]。该模型在时间序列[3]预测方面有一定不足。由于该模型捕捉数据的线性关系，在时间序列变化不稳定、时间跨度较长时，自回归滑动平均模型因其主要依赖历史平均值，预测值总是停留在历史范围内，导致预测效果不佳。因此，自回归滑动平均模型往往用于短期预测，无法进行中长期预测[4]。基于以上问题，考虑到CPU 资源使用情况受多种因素影响，且具有非平稳、不规则的特性[5]，该文尝试使用机器学习算法长短期记忆网络来进行CPU预测。长短期记忆网络是一种特殊的RNN[6]，能够学习长期依赖性，可以通过非线性计算更好地提取出CPU 资源使用特征，克服CPU 资源不规则的特性。

该文主要工作包括使用长短期记忆网络（LSTM）算法对CPU 资源使用情况进行预测，并对算法进行了优化，使用非饱和激活函数ReLU 函数[7]代替饱和激活函数Tanh 函数[8]，可以加快模型的收敛速度。最后，通过实验结果表明，相比自回归滑动平均模型（ARMA）、循环神经网络（RNN）算法和传统LSTM 算法，优化的LSTM 算法在CPU 使用率预测上表现出较好的效果，预测的准确率有所提高。……