基于三次指数平滑法和时间卷积网络的云资源预测模型

以Docker和Kubernetes为代表的容器云具有额外的资源开销更小、启动销毁时间更短等优点,但它仍然存在过度供应和供应不足等资源管理问题。为了使Kubernetes集群对部署在其上的应用资源使用量能“提前”响应,并根据预测值为应用及时、准确、动态地调度和分配资源,提出了一种基于三次指数平滑法和时间卷积网络的云资源预测模型,根据历史数据预测未来的资源需求。为了找到参数的最优组合,使用TPOT调参思想对参数进行优化。对Google数据集CPU和内存的预测实验表明,所提模型与其他模型相比具有更好的预测性能。