研究分布式分布式环境中性能预测策略书写

论文导读：
摘要：在过去的十几年里，分布式计算技术得到了广泛的探讨和运用。在分布式系统中，用户共享所有的资源，彼此之间有着着竞争联系，为了提升分布式系统的性能，有效的资源分配机制显得格外重要。而准确的对资源利用情况进行预测可以使资源分配更加有效，所以本论文将主要探讨如何更准确的对各种资源利用情况进行预测。通常将系统资源利用情况看做时间序列进行浅析和预测，传统的时间序列浅析策略如自回归模型等都可以用于系统资源利用情况的浅析和预测，近些年来更多的非线性模型被运用于时间序列的预测也取得了很好的效果。根据参考变量维度的不同，时间序列的预测可以分为单变量预测和多变量（多维度）预测。现有的各种预测模型都有着对数据的敏感性，往往在不同数据集上预测效果相差较大。另外实际情况下，在多变的分布式系统中，也很难保证特定机器上某种资源的变化规律一成不变。因而在本论文中，我们提出了一种两层反馈式集成预测模型，一方面根据集成学习的思想提升预测的准确度与适应度，另一方面，不断对各个基础预测器进行优化，更进一步的提升预测能力。预测器优化模块使预测器集成模块获得更好的结果，同时预测器集成模块会根据集成的结果反作用于预测器优化模块，这种相互作用不断提升集成预测模型的预测能力。首先我们将该集成预测模型运用于单变量预测，将常用的几种单变量预测模型进行集成，并通过设计一系列的实验验证了集成预测模型的预测能力。接下来，我们介绍了几种多变量预测模型，在多变量预测中机器学习的策略取得了很好的效果，我们对其中的支持向量机回归预测模型进行了优化，然后与其他几种多变量预测模型一起构成我们的多变量集成预测模型。通过一系列的实验表明，该集成预测模型在多变量预测中同样有较为理想的效果。关键词：分布式论文性能论文时间序列论文预测论文机器学习论文
本论文由www.7ctime.com,需要论文可以联系人员哦。摘要5-7
ABSTRACT7-12
表格索引12-13
插图索引13-14
主要符号对照表14-15
第一章 绪论15-23

1.1 探讨作用及目的15-16

1.2 国内外探讨近况16-21

1.2.1 单变量预测17-20

1.2.2 多变量预测20-21

1.3 现在有着的不足21

1.4 探讨内容及工作21-22

1.5 论文安排22

1.6 本章小结22-23

第二章 相关论述技术23-33

2.1 时间序列23-26

2.

1.1 时间序列介绍23-24

2.

1.2 时间序列的预测24-26

2.2 机器学习策略26-29

2.1 神经网络27-28

2.2 支持向量机28-29

2.3 集成学习29-32

2.3.1 集成学习介绍29-31

2.3.2 集成学习的分类31-32

2.4 本章小结32-33

第三章 单变量集成预测模型33-50

3.1 基础预测器34-37

3.

1.1 线性预测模型34-35

3.

1.2 非线性预测模型35-37

3.

1.3 迭代的多步预测37

3.2 预测器优化37-38

3.3 预测器集成38-40

3.1 Scoring 集成算法39-40

3.2 加权平均集成算法40

3.4 预测器集成对优化的反馈40-41

3.5 实验结果与浅析41-48

3.5.1 实验利用的数据介绍42-43

3.5.2 实验策略43

3.5.3 集成预测模型的参数设置43-44

3.5.4 两种集成策略的比较44-45

3.5.5 集成预测模型与基础预测器模型的比较45-47

3.5.6 预测器优化效果47-48

3.6 本章小结48-50

第四章 多变量集成预测模型50-64

4.1 多变量预测器50-52

4.

1.1 Liang’s 多变量预测模型50-51

4.

1.2 支持向量机回归预测模型51

4.

1.3 多维修正模型51-52

4.2 改善 SVR 预测模型52

4.3 集成预测模型52-53

4.

3.1 预测器优化52-53

4.

3.2 预测器集成53

4.4 实验结果与浅析53-63

4.1 实验利用的数据介绍53

4.2 数据预处理53-56

4.3 多维预测模型与单维预测模型比较56-59

4.4 改善的 SVR 预测模型的调整59-61

4.5 多维集成预测模型效果61-63

4.5论文导读：本章小结63-64第五章全文总结64-665.1主要工作645.2探讨展望64-66参考文献66-71致谢71-72攻读学位期间发表的学术论文目录72上一页12
本章小结63-64
第五章 全文总结64-66

5.1 主要工作64

5.2 探讨展望64-66

参考文献66-71
致谢71-72
攻读学位期间发表的学术论文目录72