基于改进GRU算法的天基信息网资源预测研究_耿蓉.pdf

书书书收稿日期:2021 12 27基金项目:中央高校基本科研业务费专项资金资助项目(N2116015，N2116020);辽宁省医工交叉基金资助项目(2021 YGJC 24);国家自然科学基金资助项目(62071134)作者简介:耿蓉(1979 )，女，辽宁沈阳人，东北大学副教授，博士第44卷第3期2023 年 3 月东北 大 学 学 报(自 然 科 学 版)Journal of Northeastern University(Natural Science)Vo l 44，No 3Mar2 0 2 3doi:1012068/j issn 1005 3026 2023 03 001基于改进 GU 算法的天基信息网资源预测研究耿蓉，吴亚倩，肖倩倩，徐赛(东北大学 计算机科学与工程学院，辽宁 沈阳110169)摘要:为了有效地提高天基信息网中的资源利用效率，提出了一种基于改进 GU(gated recurrentunit)算法的天基信息网资源预测模型 首先，提出递阶式三级架构的资源预测框架来解决天基环境长时延的问题;然后，采用 Adam 优化器优化 GU 网络的学习速率;最后，引入 Dropout 技术解决网络中存在的过拟合问题 实验仿真了不同预测模型下对各种天基资源的预测，同时对比不同优化器作用下 GU 模型的预测准确率，结果表明，基于改进 GU 网络的资源预测模型具有更好的性能关键词:天基信息网;资源预测;GU 网络;Adam 优化器;Dropout 技术中图分类号:TP 20文献标志码:A文章编号:1005 3026(2023)03 0305 10esearch on esource Prediction of Space-based InformationNetwork Based on Improved GU AlgorithmGENG ong，WU Ya-qian，XIAO Qian-qian，XU Sai(School of Computer Science Engineering，Northeastern University，Shenyang 110169，China Correspondingauthor:WU Ya-qian，E-mail:2656614943 qq com)Abstract:In orde to improve the resource utilization of space-based information metworkefficiency，a resource prediction model of space-based information network was presented based onthe improved GU(gated recurrent unit)algorithm Firstly，a hierarchical three-level resourceprediction framework was proposed to solve the problem of long delay in space-based environmentThen，Adam optimizer was used to optimize the learning rate of GU network Finally，Dropouttechnology was introduced to solve the over-fitting problem in the network The experimentssimulated the prediction of various space-based resources under different prediction models，andcompared the prediction accuracy of GU model under different optimizers The results show thatthe resource prediction model based on improved GU network has better performanceKey words:space-based information network;resource prediction;GU(gated recurrent unit)network;Adam optimizer;Dropout technology随着航天技术的深入发展及其应用领域的不断扩展，太空已成为世界各国关注的焦点，能否有效地预测并利用太空资源关乎国家的利益与安全1 未来，各个国家基础性信息服务如军民航空、教育与医疗、工业与农业、地理环境勘测等均将在空间的各个维度上进行布局，单一空间维度所能提供的信息服务势必无法满足人民日益增长的各种需求2 有效地协调与调度天基信息网中各维度的信息数据，使各维度资源互联互通、深度联合，能够满足大量任务需求，实现网络中各种资源的合理调配与充分共享3 实时地预测天基信息网中资源的使用情况，能够为用户提供直观的各种资源预测数据，并且还能够及时地发现资源使用的异常状态，以实现天基信息网中各种资源的负载均衡与资源利用率最大化，同时还在一定程度上降低了资源预测系统对整个系统的影响，从而使得天基信息网能够为用户提供更加安全、稳定与可靠的服务资源预测技术已经被广泛应用于各个领域，如软件的配置与优化、模型性能评估等，同时也是进行任务调度、负载均衡、网络分析与异常检测等诸多重要操作的基础 4 6 但是，目前国内外关于资源预测技术的研究大多数都是针对云计算环境的针对用户与云网络的交互在时间和空间维度上具有很高的可变性，并且传统的线性预测模型无法有效预测海量倍增及云计算数据复杂度非线性变化的云计算资源 Peng 等7 提出了一种新的云负载预测模型，将混合鲸优化器(hybrid whaleoptimization algorithm，HWOA)和 极 限 学 习 机(extreme learning machine，ELM)结合在一起，有效地解决了传统线性模型的弊端针对云计算环境下多变量工作负载机制，Ouhame 等8 提出一种适用于对不规则趋势的时间信息进行分析的卷积神经网络和长短期记忆模型(convolutional neural networks long short term memory，CNN LSTM)，用于预测中央处理器、内存和网络使用情况针对云计算环境下各类资源都聚集在云端，如何解决高能耗问题已成为首要的研究目标，Englnder 等9 针对此问题提出了一种对云平台进行能耗管理与监控的系统架构，根据数据采集模块收集到的能源与虚拟机运行状态数据，为平台中的三大高能耗组件构建数学分析模型，进而为制定低能耗的监控策略提供数据支持 Phung等10 研究了利用黑盒方式来对虚拟机的功率进行监控的可行性问题，该方式能够自动屏蔽虚拟机内部复杂的内存结构，进行虚拟机粒度的功率使用估计尽管现阶段预测技术发展趋于成熟，但预测精度仍存在一定挑战，诸多学者为此展开研究11 18 Kumar 等13 提出了一种通过计算预测中的偏差来捕捉预测误差趋势的预测方法(selfdirected workload forecasting，SDWF)，并将其应用于提高进一步预测的准确性 Kumar 等14 使用长短期记忆(long short term memory，LSTM)网络模型对云系统的负载资源进行中长期时间序列预测，并取得了一定的效果 Cheng 等15 则使用门控循环单元(gated recurrent unit，GU)与平滑指数的混合模型来预测 CPU 的使用情况，实验的预测误差相比于单一模型要低 Adhikari 等16 提出了一种仿真方法解决了生成一个透明和可验证的计算资源使用量预测的问题 针对资源使用情况这类非平稳高随机性的时序信号难以精确预测以及预测模型参数需要手动调整的问题，束文娟等17 提出了基于变分模态分解的优化 GU 神经网络预测模型，以预测未来的资源使用情况 Li等18 提出了一种结合双向门控循环单元(bi-directional gated recurrent unit，Bi GU)和麻雀搜索算法(sparrow search algorithm，SSA)来提高预测精度的新框架天基环境下资源有限，资源覆盖面广、动态特征多、链路误码率大、时延较长，而现有的资源预测手段无法适应天基信息网资源预测的需求，因此，本文针对现存的问题深入研究并给出解决方案，主要工作如下:1)针对天基资源预测实时性差的问题，提出了一种适用于天基环境的递阶式三级架构的资源预测模型2)根据资源预测系统对预测数据的准确性要求较高的问题，应用 Dropout 技术对 GU 模型进行优化，同时引入 Adam 优化器，获得最优的学习率，以更好地满足天基信息网资源预测的需求1资源预测体系结构及问题描述本文提出的天基信息网资源预测的整体架构如图 1 所示 此方案中的资源预测模型采用的是扩展性较强的递阶式三级架构，分为监测节点、预测中心和全局预测中心 该模型很好地适应了天基信息网的高动态性，随着业务的发展需要增加或者卸载节点卫星上的监测组件即可，上面两层无需做任何改动1)最底层是监测节点层 天基信息网中监测节点对应的物理实体通常为各种卫星或者航天飞行器中的虚拟机 监测节点是整个预测系统的根基，主要负责采集监测对象的各项关键性能指标数据，并将采集到的数据信息发送至预测中心 同时监测节点还具有一定的数据存储能力，将采集到的监测数据根据提前设定好的规则进行存储，以备将来查询和利用2)中间层是预测中心 由于天基信息网处于动态变化中，为了使预测中心节点的选取更具灵活性，卫星内部的任意一个虚拟机节点都可以作为卫星节点，预测中心节点可以获取到网络中监测对象的所有数据信息，并有一定的数据分析处理能力，利用监测节点传来的数据实现资源未来使用情况的预测功能 为了保证资源预测数据显示的实时性，并减少系统本身的资源消耗，本文在全局预测中心和预测中心中使用同样的资源预测模块 除了上述功能外，预测中心还具有数据传输603东北大学学报(自然科学版)第 44 卷能力，当预测出的资源未来使用情况和监测节点发来的真实值之间的误差超过预先设定的阈值时，就利用真实值对预测模型进行调整19，将调整后的资源预测模型传送至全局预测中心，更新全局预测中心的预测模型图 1资源预测整体架构Fig.1Overall architecture of resource prediction3)最顶层是全局预测中心 该层的主要功能是对预测数据进行实时显示 当没有收到来自预测中心的更新模型时，就利用训练好的模型，基于该节点的历史数据对资源的未来使用情况进行预测并在数据展示界面进行动态显示，在很大程度上减少预测数据的传输，从而减少系统本身带来的资源消耗本文所设计的资源预测整体方案如图 2 所示 本方案以预测模型的实时性、稳定性以及可靠性为设计目标，适应天基环境的特点，在保证高精度预测的同时，又能在很大程度上降低整个系统的资源消耗2基于 GU 网络的资源预测模型天基信息网中各类资源监测数据呈现典型的非线性和随机性，使用深度学习方法中的循环神经网络模型可以很好地学习到资源数据序列中的各种特性 LSTM 是由循环神经网络(recurrentneural network，NN)优化后获得的20，通过对网络中的隐藏层架构进行完善改进，使得 LSTM 网络可以在很大程度上克服传统NN网络中产生的图 2资源预测整体方案Fig.2Overall scheme of resource prediction梯度消失问题，从而使得该网络在进行时间序列预测时表现更佳 但是 LSTM 网络存在训练耗时703第 3 期耿蓉等:基于改进 GU 算法的天基信息网资源预测研究长、参数多等缺点，而 GU 由 LSTM 进一步简化而来