BHyPreC: Um Novo Modelo Híbrido de Rede Neural Recorrente Baseado em Bi-LSTM para Prever a Carga de Trabalho da CPU de Máquinas Virtuais na Nuvem

Com o avanço das tecnologias de computação em nuvem, há uma demanda cada vez maior pela máxima utilização dos recursos da nuvem. Isso aumenta o consumo de energia dos sistemas da nuvem. A consolidação das Máquinas Virtuais (VMs) da nuvem fornece uma abordagem pragmática para reduzir o consumo de energia dos Data Centers (DC) da nuvem. A consolidação eficaz de VMs e a migração de VMs sem violar o Acordo de Nível de Serviço (SLA) podem ser alcançadas tomando decisões proativas com base na previsão da carga de trabalho futura da nuvem. O agendamento eficaz de tarefas, outro problema importante da computação em nuvem, também depende da previsão precisa do uso de recursos. As trilhas de carga de trabalho da nuvem exibem padrões periódicos e não periódicos com picos repentinos de carga. Como resultado, é muito desafiador para os modelos de previsão prever com precisão a carga de trabalho futura. Isso nos levou a propor um modelo de previsão baseado em Rede Neural Recorrente (RNN) híbrido chamado BHyPreC. A arquitetura do BHyPreC inclui Memória de Longo Prazo e Curto Prazo Bidirecional (Bi-LSTM) em cima das camadas empilhadas de Memória de Longo Prazo e Curto Prazo (LSTM) e Unidade Recorrente com Portão (GRU). Aqui, o BHyPreC é usado para prever a carga de trabalho futura de uso da CPU das VMs da nuvem. Nosso modelo proposto melhora a capacidade de análise de dados não lineares dos modelos Bi-LSTM, LSTM e GRU separadamente e demonstra melhor precisão em comparação com outros modelos estatísticos. O efeito da variação do tamanho da janela histórica e do tamanho dos dados de treinamento-teste sobre esses modelos é observado. O resultado experimental mostra que nosso modelo oferece maior precisão e desempenho melhor em comparação com os modelos Autoregressivo Integrado de Média Móvel (ARIMA), LSTM, GRU e Bi-LSTM para previsões de curto e longo prazo.