基于空洞卷积神经网络的虚拟机工作负载预测算法

刘皓宇; 田乐; 郭茂祖

doi:10.12404/j.issn.1671-1815.2408305

科学技术与工程 ›› 2026, Vol. 26 ›› Issue (3) :1128-1134 DOI: 10.12404/j.issn.1671-1815.2408305

论文：自动化技术、计算机技术

基于空洞卷积神经网络的虚拟机工作负载预测算法

刘皓宇 ¹^,² ,
田乐 ¹^,² ,
郭茂祖 ¹^,²^,^*

作者信息 +

Virtual Machine Workload Prediction Algorithm Based on Dilated Convolutional Neural Network

LIU Hao-yu ¹^,² ,
TIAN Le ¹^,² ,
GUO Mao-zu ¹^,²^,^*

Author information +

文章历史 +

摘要

云计算系统需要进行准确的主动式资源分配以实现高质量的云服务和高效的云资源利用,而恰当的主动式资源分配需要对工作负载进行准确的预测。现有的很多适用于云计算系统的工作负载预测方法要么预测准确性有限,要么因开销过大而缺乏实用性。针对上述问题提出了基于空洞卷积神经网络的虚拟机工作负载预测算法(virtual machine workload prediction algorithm based on dilated convolutional neural network,VMWPD),该算法采用了基于空洞卷积神经网络的预测模型,应用了预测模型预测工作负载的变化量而不是直接预测工作负载的机制,并拥有实时预测和实时训练的能力,在预测准确度和开销之间取得了较好的平衡。评估实验结果表明,VMWPD相较于基于长短时记忆模型(long short-term memory,LSTM)的工作负载预测算法准确度提高了32.45%,且时间开销降低了45.10%。可见,本文方法在保证一定精度的情况下能大幅降低开销。

Abstract

Cloud computing systems require accurate proactive resource allocation to achieve high quality cloud services and efficient cloud resource utilization, and proper proactive resource allocation requires accurate workload prediction. Many existing workload prediction methods applicable to cloud computing systems either have limited prediction accuracy or lack practicality due to excessive overhead. A virtual machine workload prediction algorithm based on dilated convolutional neural network (VMWPD) was proposed to address the above problems. The algorithm adopted a prediction model based on dilated convolutional neural network, applied the mechanism that the prediction model predicts the amount of change in the workload instead of directly predicting the workload, and possessed the ability of real-time prediction and real-time training, which striked a better balance between prediction accuracy and overhead. Evaluation experimental results show that VMWPD improves the accuracy of workload prediction algorithm by 32.45% and reduces the time overhead by 45.10% compared to long short-term memory (LSTM) based workload prediction algorithm. As can be seen, the proposed method significantly reduces the cost while maintaining a certain level of accuracy.

Graphical abstract

关键词

负载预测 / 云计算 / 虚拟机 / 神经网络 / 时间序列预测 / 预测方法 / 数据分析 / 资源管理

Key words

workload prediction / cloud computing / virtual machine / neural network / time series prediction / prediction methods / data analysis / resource management

引用本文

引用格式 ▾

刘皓宇, 田乐, 郭茂祖. 基于空洞卷积神经网络的虚拟机工作负载预测算法[J]. 科学技术与工程, 2026, 26(3): 1128-1134 DOI:10.12404/j.issn.1671-1815.2408305

LIU Hao-yu, TIAN Le, GUO Mao-zu. Virtual Machine Workload Prediction Algorithm Based on Dilated Convolutional Neural Network[J]. Science Technology and Engineering, 2026, 26(3): 1128-1134 DOI:10.12404/j.issn.1671-1815.2408305

登录浏览全文

4963

注册一个新账户忘记密码

云计算是一种通过计算资源池为终端用户提供按需服务的计算范式,它使终端用户设备能够通过互联网将计算任务卸载到拥有大量计算资源的云中心进行计算^[1-3]。近年来,云计算以其强大的计算能力、高可用性、高拓展性以及灵活的付费模式吸引了大量用户^[4]。当前,云计算高度依赖于虚拟化技术,云计算系统中的任务通常会被安排在虚拟机或容器中运行^[5-6]。这意味着要让云计算系统高效运行,需要为虚拟机分配恰当的计算资源,分配的资源不足可能导致虚拟机无法按时完成任务,进而对服务水平造成负面影响;而分配过多的计算资源则可能导致资源浪费,带来较高的成本和较低的能效^[7-9]。

及时恰当地为虚拟机分配计算资源需要性能优良的资源分配策略,被动式资源分配策略虽有实现简单、能有效避免资源浪费的优势,但这类策略因为缺乏前瞻性,在分配资源的速度上存在劣势,而这可能会影响用户体验,甚至使得某些延迟敏感的服务不可用^[7]。主动式资源分配策略有能力在需求到达之前预先分配计算资源,能够有效地降低响应延迟^[10]。预先主动分配资源需要提前预测虚拟机的工作负载,但虚拟机的工作负载的波动性和多样性为实时准确地对其进行预测带来了挑战^[7,10]。

由于预测虚拟机的工作负载具有重要价值,有诸多预测方法被提出,这些方法主要可以分为基于回归的方法^[11-13]和基于分类器^[14-16]的方法。基于回归的方法通常假设时间序列数据是平稳的,但实际云环境中的工作负载往往不满足该假设^[7];基于分类器的方法通常利用机器学习等技术捕捉历史负载数据中的模式以进行预测,但其中许多方法为了较高的预测精度而采用了较为复杂的预测模型,这可能会导致因为引入了过大的开销而使方法缺乏实用性。

基于上述问题,现提出基于空洞卷积神经网络的虚拟机工作负载预测算法(virtual machine workload prediction algorithm based on dilated convolutional neural network,VMWPD)。该算法采用空洞卷积神经网络(dilated convolutional neural network,dCNN)^[17]构建预测模型,空洞卷积神经网络仅需较少的参数、较短的训练和推理时间就可以输出比较优秀的预测结果,特别适合构建轻量化的预测模型^[18]。另外,预测模型不是直接预测虚拟机未来的工作负载值,而是预测未来工作负载值的变化量,这样可以让已知的历史真实工作负载值为预测值提供一个基本的引导,使预测模型关注更加关键的数据特征,以提高预测精度。

1 相关工作

针对云计算的工作负载预测问题,已有很多方法被提出。这些方法主要可以被分为基于回归的方法和基于分类器的方法两类,下面分别进行讨论。

基于回归的方法通常采用统计学的方法建立预测值与已知的历史值之间的联系,然后利用历史值与回归模型计算出预测值。Nisar等^[11]利用差分整合滑动平均自回归模型(autoregressive integrated moving average model,ARIMA)分析数据中心的特定工作负载的时间序列特征,然后选取不同的数学模型拟合工作负载序列以进行预测。Feng等^[12]提出了一种自适应滑动窗口算法,算法有能力考虑工作负载的趋势相关性、时间相关性和随机波动性,还开发了一种用于模型集成的多类回归算法,在云应用预测中实现了更佳的准确性。Bi等^[13]针对云数据中心的工作负载预测问题提出了一种新颖的预测机制,使用Savitzky-Golay滤波器对描述工作负载的时间序列数据进行平滑处理,并采用小波分解对数据进行划分,还集成了ARIMA,该方法能够更准确地预测时间间隔内的工作负载。许多基于回归的模型直接或间接地假设时间序列数据是平稳的,而且一些统计学方法难以很好地对时间序列中的非线性关系进行建模,这限制了此类方法的预测精度与适用范围。

基于分类器的方法通常通过捕捉历史工作负载数据中的时间关系模式,利用采集的历史数据预测未来的信息。Seshadri等^[7]创建了一个超级马尔可夫预测模型,该模型能够随着工作负载模式的变化进行调整,在不同时间根据负载模式使用不同的序列模型预测未来的工作负载,在预测云计算平台上的工作负载时能达到更高的预测精度。Li等^[14]针对云数据中心的工作负载在长期范围内的动态变化难以预测的问题,提出了一种基于图的进化学习算法用于预测长期动态变化,该算法有能力自动提取形状子序列,进而识别细粒度的资源使用模式,并结合时间和空间维度的因素综合预测工作负载的变化情况,实现了工作负载长期动态变化的准确预测。Kim等^[15]为了在异构和动态环境中实现有效的资源管理而设计了一个增强型长期云工作负载预测框架,该框架采用了基于transformer的模型和长时间序列预测线性模型,并应用了基于误差的集成方法,实现了复杂环境下对工作负载的高精度预测。陈基漓等^[19]提出了基于时间卷积和长短期记忆(long short-term memory,LSTM)网络的短期云资源组合预测模型,该模型将时间卷积网络与长短时记忆模型组合,通过时间卷积网络学习时间序列的长期特征的同时保持因果性和收敛速度快的优势改善预测效果,缩短预测模型训练时间。近年来,随着机器学习技术的快速发展,许多此类研究积极尝试采用机器学习领域的新时间序列预测技术,但是,有不少方法为了追求预测精度而采用了比较复杂的机器学习模型,这可能会使得预测模型因开销过大而无法满足云计算系统中的工作负载预测需要利用有限的计算资源实时快速地进行预测的需求。

2 问题定义

虚拟机的工作负载可以通过虚拟机对计算资源的需求来描述,也就是说,可以通过预测虚拟机未来的计算资源需求来描述对虚拟机未来工作负载的预测^[20]。在云计算系统中,每个虚拟机有多种计算资源需求。例如,对中央处理器(central processing unit,CPU)算力的需求和对内存容量的需求,这些计算资源需求随着时间动态变化。本文研究关注一个虚拟机的一种计算资源需求,致力于利用这一种计算资源需求的历史数据预测未来的该虚拟机对该种计算资源的需求情况。这样使得本文所提出的预测算法能够专注学习一个虚拟机对一种计算资源的需求模式,而当需要预测多种计算资源需求以更加精确具体地描述工作负载时,则可以灵活地维护多个预测模型。

云计算系统通常将连续的时间划分为长度相等的时间片,以方便对资源的管理^[21-22],假设每个时间片内虚拟机的工作负载不变,这样一个虚拟机在某个时间片内对某种资源的需求量就可以很容易地用一个标量表示。例如,使用虚拟机需要完成的指令数来表示该虚拟机对CPU算力的需求。资源分配策略通常仅需要知道未来一个时间片的虚拟机工作负载信息^[5,23]。因此,本文中关注的云计算系统中的虚拟机工作负载预测问题可以转化为时间序列预测问题。

考虑一个描述一个虚拟机的对一种计算资源需求量的时间序列Y={y₁,y₂,…,y_n},y_i表示第i个时间片内该虚拟机对该种计算资源的需求量。在第T个时间片,已知过去T个时间片的资源需求量Y_1:_T={y₁,y₂,…,y_T},此时的目标是利用Y_1:_T预测下一个时间片的资源需求量y_T₊₁,形式化表述为

(1)

y ∧ T + 1

=F(Y_1:_T|θ)

式(1)中:

y ∧ T + 1

为y_T₊₁的预测值;F为预测模型; θ为预测模型的参数。由于虚拟机的工作负载可以由计算资源需求量来直接描述,虚拟机下个时间片的计算资源需求量预测值

y ∧ T + 1

即是对该虚拟机下个时间片的工作负载预测的描述。为了描述方便,下文将不再区分虚拟机的工作负载和虚拟机的计算资源需求量这两个概念。

3 基于空洞卷积神经网络的虚拟机工作负载预测算法

提出一种基于空洞卷积神经网络的虚拟机工作负载预测算法(VMWPD)。本节对VMWPD进行介绍,先对VMWPD进行整体概述,然后分模块详细讨论VMWPD的设计细节。

3.1 算法概览

VMWPD的整体结构如图1所示,预测算法每个时间片运行一次。每次算法运行时首先采集当前时间片的虚拟机工作负载信息,然后从历史虚拟机工作负载信息中截取近w个时间片的负载信息(w为预测模型利用历史数据的时间窗口大小)。之后,对截取到的数据进行预处理,其中包括计算每个时间片相较前一个时间片工作负载值的变化量以构建新的时间序列和对新构建的时间序列中的数据进行归一化。然后,将预处理后的数据输入基于空洞卷积神经网络的预测模型并获得模型输出,对模型输出值进行逆归一化并和当前时间片的工作负载值相加获得对下个时间片工作负载值的预测。VMWPD在每个时间片的工作流程如图2所示。

3.2 预处理

在依据预测模型利用历史数据的时间窗口从历史虚拟机工作负载数据中截取近w个时间片的负载数据后,将对获取的数据进行预处理,预处理包括两个步骤,下面分别讨论。

(1)计算每个时间片相较前一个时间片工作负载值的变化量以构建新的时间序列数据Y'_T_-_w_+1:_T={y'_T_-_w₊₁,y'_T_-_w₊₂,…,y'_T},其中每个数据的计算公式为

(2)y'_i=y_i-y_i_-1

经过这样的处理,预测模型不是直接预测虚拟机未来的工作负载值,而是预测未来工作负载值的变化量。李兆玺等^[24]的工作说明了先预测出趋势序列,再利用更加复杂的信息预测残差来修正预测出的趋势序列可以得到更加精确的预测结果。本文中出于虚拟机工作负载特性和平衡预测精度与预测效率的考量,将当前时间片的工作负载值作为下一个时间片的工作负载值的初步预测,利用预测模型预测工作负载值的变化量来修正初步预测值。事实上,在有些资源分配策略中,简单地采用了当前时间片的工作负载值作为下一个时间片的工作负载值的预测^[23]。

(2)对新构建的时间序列中的数据进行归一化。采用第一次进行预测时利用的历史数据变化值中的最大值nmax=max{y'₁,y'₂,…,y'_w}和最小值nmin=min{y'₁,y'₂,…,y'_w},对上述第一个步骤中构建的时间序列数据进行归一化。具体的计算公式为

(3)x_i=

2 (y' i - n m i n) n m a x - n m i n

-1

经过归一化的数据X_T_-_w_+1:_T={x_T_-_w₊₁,x_T_-_w₊₂,…,x_T}将输入基于空洞卷积神经网络的预测模型。

3.3 基于空洞卷积神经网络的预测模型

VMWPD采用了空洞卷积神经网络构建预测模型。Yu等^[17]提出了卷积核按有空洞的方式在数据中提取特征的空洞卷积神经网络,并强调了这种神经网络在执行语义分割任务时的优势。Khanna等^[18]将空洞卷积神经网络应用于人类活动预测,说明了空洞卷积神经网络在进行时间序列预测时能够仅需较少的参数和较短的训练和推理时间就可以输出比较优秀的预测结果,适合构建轻量化的预测模型。云计算中的工作负载预测往往需要实时快速地给出预测结果,而且预测模型可能需要部署在计算资源有限的环境中,这意味着需要设计轻量而高效的预测模型用于完成云计算中的虚拟机工作负载预测。综合考虑上述因素,本文中采用空洞卷积神经网络构建虚拟机工作负载预测模型。

空洞卷积层中的卷积核在提取特征时不像普通卷积层的卷积核那样提取上一层输出的一部分连续数据中的特征,而是会忽略掉其中的一些数据,这些被忽略掉的位置被称为“空洞”。这种巧妙的设计可以使得卷积层以较低的开销获得较好地学习相距较远的时间序列数据之间关系的能力,从而更好地捕捉时间序列数据中的模式。适用于一维时间序列的空洞卷积层结构如图3所示,使用卷积核尺寸为2,扩张率为2的空洞卷积层示例。

VMWPD中构建的基于空洞卷积神经网络的预测模型结构如图4所示,包括2个采用tanh激活函数的空洞卷积层,1个池化层,1个线性层。形式化表示为

(4)H₁=tanh[dconv1d(X_T_-_w_+1:_T;θ₁)]

(5)H₂=tanh[dconv1d(H₁;θ₂)]

(6)H₃=maxpool1d(H₂)

(7)p=θ_linearH₃

式中:X_T_-_w_+1:_T为预测模型的输入;p为整个模型的输出;H_i为预测模型中除输入层外第i层的输出;θ_i为第i个空洞卷积层的权重;θ_linear为线性层的权重;dconv1d为针对一维向量的空洞卷积操作;maxpool1d为针对一维向量的池化操作。

由于希望预测模型能够捕捉特定虚拟机对特定的计算资源的需求的独特特征,预测模型不进行预训练,而是在预测的过程中进行实时训练。在每个时间片,当新的当前时间片虚拟机工作负载信息被采集到之后,计算出当前时间片工作负载的变化值并进行归一化后,会获得上个时间片预测时希望预测模型的输出尽可能接近的真值,利用这个真值与上个时间片预测模型的输出值计算完全平方误差作为损失值,对预测模型进行一次训练。

3.4 后处理

基于空洞卷积神经网络的预测模型的输出值需要经过后处理才能获得虚拟机工作负载的预测值。后处理的过程基本上是预处理的逆过程,首先对数据进行逆归一化,计算方法为

(8)

y ∧

'_T₊₁=

(p + 1) (n a m x - n m i n) 2

+nmin

式(8)中:

y ∧

'_T₊₁为逆归一化后获得的值,该值描述预测的下个时间片的工作负载值相较于本时间片的工作负载值的变化,将该值与当前时间片的工作负载值相加即可获得最终的对下个时间片的工作负载的预测值,形式化表述为

(9)

y ∧ T + 1

=y_T+

y ∧

'_T₊₁

4 实验与分析

为了评估与分析本文提出的VMWPD有效性,利用采集自真实世界的数据集进行了评估实验,并对实验结果进行了分析。本节首先描述实验设置,然后介绍实验的对比方法和评估指标,最后给出实验结果并进行分析。

4.1 实验设置

选取GWA-T-12 Bitbrains数据集进行实验,该数据集包含来Bitbrains分布式数据中心的1 750个虚拟机的工作负载信息的真实跟踪数据^[25],被很多关于分布式云计算的研究用于评估实验^[23,26-27]。利用这个数据集中的GWA-T-12 rnd trance数据集中的2013-9子集中的虚拟机跟踪数据,利用该数据集中的虚拟机CPU计算资源的利用信息计算出虚拟机每秒执行的指令数用于描述虚拟机的工作负载。为了确保实验数据的质量,剔除了其中明显不适合本实验的跟踪数据,诸如虚拟机CPU计算资源利用量始终为0的跟踪数据。对于每个虚拟机的跟踪数据,统一取8 000个时间片的数据用于实验。

在本实验中,VMWPD的历史数据利用窗口大小设置为100,预测模型的具体结构从输入到输出依次为尺寸为100的输入层,输入为一维序列;输入通道为1,输出通道为8,卷积核尺寸为2,扩张率为2,采用tanh激活函数的一维空洞卷积层;输入通道为8,输出通道为8,卷积核尺寸为2,扩张率为4,采用tanh激活函数的一维空洞卷积层;池化核尺寸为2的池化层;无激活函数的全连接线性输出层。

基于空洞卷积神经网络的预测模型训练时选用Adam优化算法,学习率设置为10^-5。

4.2 对比算法

选取基于LSTM的工作负载预测方法^[28]和基于双向长短时记忆模型(bidirectional long short-term memory,BLSTM)的工作负载预测方法^[29]作为对比算法。实现了可以在本实验环境下运行的这些对比算法,为了实验的公平性,尽可能让所有参与实验的算法中需要训练的参数个数接近,并根据实验环境对所有参与实验的算法进行了调优。

4.3 评价指标

选取归一化均方根误差(normalized root mean squared error,NRMSE)和归一化平均绝对误差(normalized mean absolute error,NMAE)这两个评价指标用于评估预测算法的预测性能,这两个评价指标的计算方式为

(10)NRMSE=

∑ t = t s t e (y t - y ∧ t) 2 ∑ t = t s t e (y t) 2

(11)NMAE=

∑ t = t s t e y t - y ∧ t ∑ t = t s t e y t

式中:t_s为第一次进行预测的时间片;t_e为最后一次进行预测的时间片;y_t为第t个时间片的真实值;

y ∧ t

为第t个时间片的预测值。

在本实验中,针对每个参与实验的预测算法,计算在实验中使用的所有虚拟机工作负载跟踪数据上取得的NRMSE和NMAE并取平均值。整个实验重复5次,再对每种预测算法分别计算NRMSE和NMAE的平均值作为评价预测算法的最终评价指标。另外,每个参与实验的预测算法会在每个时间片进行一次预测和一次实时训练,为了对比算法时间开销,实验中会记录相关信息并计算出预测算法平均每个时间片的执行时间。

4.4 结果分析

实验对比结果如表1所示。在预测准确性方面,按NRMSE评价指标,提出的VMWPD比基于LSTM的预测算法提升了32.45%,比基于BLSTM的预测算法提升了27.37%。按NMAE评价指标, 提出的VMWPD相较于基于LSTM的预测算法有54.63%的提升,相较于基于BLSTM的预测算法有46.94%的提升。关于对比算法,由于BLSTM可以将与过去数据的依赖关系和与未来数据的依赖关系耦合起来以有效地提高预测精度,所以不意外地,基于BLSTM的预测算法的预测准确度高于基于LSTM的预测算法,BLSTM的优势再次得到了佐证。提出的VMWPD在预测虚拟机工作负载的准确性上相较于两个对比算法都有显著地提高,分析认为一方面是因为空洞卷积神经网络能够更加有效地捕捉相距较远的时间序列数据之间的关系特征,另一方面是因为采用了用当前时间片的工作负载值作为下个时间片的工作负载预测值的基本引导,并让预测模型预测工作负载值的变化量的机制,这种机制可以有效契合虚拟机工作负载时间序列的独特特征。

另外值得注意的是,在实验中,提出的VMWPD使用了更少的需要训练的模型参数和更低的时间开销实现了更准确的预测效果。实验中的VMWPD的需要训练的参数个数仅为基于LSTM的预测算法的需要训练的参数个数的81.24%,为基于BLSTM的预测算法的需要训练的参数个数的72.08%。实验中的VMWPD的时间开销比基于LSTM的预测算法的时间开销降低了45.10%,比基于BLSTM的预测算法的时间开销降低了65.78%。这体现出了空洞卷积神经网络仅需较少的参数和较短的训练和推理时间就可以输出比较优秀的预测结果的优势。

5 结论

针对云计算中的虚拟机工作负载预测问题,提出了一种基于空洞卷积神经网络的虚拟机工作负载预测算法。该算法采用了基于空洞卷积神经网络的预测模型,并设计了让预测模型预测工作负载的变化量而非工作负载本身的预测机制。还对所提出的算法进行了评估实验,实验结果说明了所提出算法的优越性和实用性,凸显出了所提出算法在保证一定精度的情况下能大幅降低开销方面的优势。

对于未来,一方面可以尝试进一步拓展VMWPD,比如结合一些更先进的统计学回归算法,这或许能够实现仅小幅增加开销却获得预测精度的显著提升;另一方面,VMWPD为低开销预测虚拟机工作负载提供了解决方案,这为云计算领域的资源分配策略提供了更大的设计空间,基于此设计更优秀的资源分配策略可能是一个很有潜力的研究方向。

参考文献

原文顺序 | 出版日期 | 本文引用

[1]	Fu Y, Li C, Yu F R, et al. A survey of blockchain and intelligent networking for the metaverse[J]. IEEE Internet of Things Journal, 2023, 10(4): 3587-3610.

[2]	Asghair A, Sohrabi M K. Server placement in mobile cloud computing: a comprehensive survey for edge computing, fog computing and cloudlet[J]. Computer Science Review, 2024, 51: 100616.

[3]	汪婷, 邵鹏, 李光泉, 等. 改进的粒子群优化算法在云计算任务调度中的应用[J]. 科学技术与工程, 2023, 23(29): 12594-12603.

[4]	Wang Ting, Shao Peng, Li Guangquan, et al. Improved particle swarm optimization algorithm for cloud computing task scheduling[J]. Science Technology and Engineering, 2023, 23(29): 12594-12603.

[5]	Biswas D, Jahan S, Saha S, et al. A succinct state-of-the-art survey on green cloud computing: challenges, strategies, and future directions[J]. Sustainable Computing: Informatics and Systems, 2024, 44: 101036.

[6]	Zhang L, Xie Y, Jin M, et al. A novel hybrid model for docker container workload prediction[J]. IEEE Transactions on Network and Service Management, 2023, 20(3): 2726-2743.

[7]	Walia G K, Kumar M, Gill S S. AI-empowered fog/edge resource management for IoT applications: a comprehensive review, research challenges and future perspectives[J]. IEEE Communications Surveys & Tutorials, 2024, 26(1): 619-669.

[8]	Seshadir K, Sindhu K, Bhattu S N, et al. Design and evaluation of a hierarchical characterization and adaptive prediction model for cloud workloads[J]. IEEE Transactions on Cloud Computing, 2024, 12(2): 712-724.

[9]	许万, 夏瑞东, 刘东庭, 等. 基于改进NSGA-Ⅲ的船舶边缘计算中任务调度算法[J]. 科学技术与工程, 2024, 24(33): 14306-14315.

[10]	Xu Wan, Xia Ruidong, Liu Dongting, et al. Task scheduling algorithm in ship edge computing based on improved NSGA-Ⅲ[J]. Science Technology and Engineering, 2024, 24(33): 14306-14315.

[11]	赵婵婵, 郭晓敏, 海晓伟, 等. 缓存辅助移动边缘计算的任务卸载与资源分配联合优化策略[J]. 科学技术与工程, 2023, 23(9): 3812-3819.

[12]	Zhao Chanchan, Guo Xiaomin, Hai Xiaowei, et al. Joint optimization strategy of task offloading and resource allocation for cache-assisted mobile edge computing[J]. Science Technology and Engineering, 2023, 23(9): 3812-3819.

[13]	Dogani J, Namvar R, Khunjush F. Auto-scaling techniques in container-based cloud and edge/fog computing: taxonomy and survey[J]. Computer Communications, 2023, 209(1): 120-150.

[14]	Nisar F, Baseer S, Khan A. Survey on ARMIA model workloads in a datacenter with respect to cloud architecture[C]// Proceedings of the International Symposium on Recent Advances in Electrical Engineering. Islamabad: IEEE, 2019: 1-4.

[15]	Feng B, Ding Z, Jiang C. FAST: a forecasting model with adaptive sliding window and time locality integration for dynamic cloud workloads[J]. IEEE Transactions on Services Computing, 2023, 16(2): 1184-1197.

[16]	Bi J, Yuan H, Li S, et al. ARIMA-based and multiapplication workload prediction with wavelet decomposition and savitzky-golay filter in clouds[J]. IEEE Transactions on Systems, Man, and Cybernetics: Systems, 2024, 54(4): 2459-2506.

[17]	Li J, Yao J, Xiao D, et al. EvoGWP: predicting long-term changes in cloud workloads using deep graph-evolution learning[J]. IEEE Transactions on Parallel and Distributed Systems, 2024, 35(3): 499-516.

[18]	Kim Y, Song S, Koo B, et al. Enhancing long-term cloud workload forecasting framework: anomaly handling and ensemble learning in multivariate time series[J]. IEEE Transactions on Cloud Computing, 2024, 12(2): 789-799.

[19]	Park S, Bahn H. Combining genetic algorithms and bayesian neural networks for resource usage prediction in multi-tenant container environments[J]. Cluster Computing, 2025, 28: 111.

[20]	Yu F, Koltun V. Multi-scale context aggregation by dilated convolutions[C]// Proceedings of the International Conference on Learning Representations. San Juan: OpenReview. net, 2016: 1-8.

[21]	Khanna P, Narayan A. Light weight dilated CNN for time series classification and prediction[C]// Proceedings of the IEEE International Conference on Systems, Man, and Cybernetics. Toronto: IEEE, 2020: 2179-2183.

[22]	陈基漓, 李海军, 谢晓兰. 基于时间卷积和长短期记忆网络的短期云资源预测模型[J]. 科学技术与工程, 2025, 25(7): 2856-2864.

[23]	Chen Jili, Li Haijun, Xie Xiaolan. Short-term cloud resource prediction model based on temporal convolution and long short-term memory[J]. Science Technology and Engineering, 2025, 25(7): 2856-2864.

[24]	Bi J, Ma H, Yuan H, et al. Accurate prediction of workloads and resources with multi-head attention and hybrid LSTM for cloud data centers[J]. IEEE Transactions on Sustainable Computing, 2023, 8(3): 375-384.

[25]	Gao Z, Yang L, Dai Y. Large-scale computation offloading using a multi-agent reinforcement learning in heterogeneous multi-access edge computing[J]. IEEE Transactions on Mobile Computing, 2023, 22(6): 3425-3443.

[26]	Shen S, Han Y, Wang X, et al. Collaborative learning-based scheduling for kubernetes-oriented edge-cloud network[J]. IEEE/ACM Transactions on Networking, 2023, 31(6): 2950-2964.

[27]	Tuli S, Poojara S R, Srirama S N, et al. COSCO: Container orchestration using co-simulation and gradient based optimization for fog computing environments[J]. IEEE Transactions on Parallel and Distributed Systems, 2022, 33(1): 101-116.

[28]	李兆玺, 刘红岩. 融合全局和序列特征的多变量时间序列预测方法[J]. 计算机学报, 2023, 46(1): 71-84.

[29]	Li Zhaoxi, Liu Hongyan. Combining global and sequential patterns for multivariate time series forecasting[J]. Chinese Journal of Computers, 2023, 46(1): 71-84.

[30]	Shen S, Beek V V, Iosup A. Statistical characterization of business-critical workloads hosted in cloud datacenters[C]// Proceedings of the IEEE/ACM International Symposium on Cluster, Cloud and Grid Computing. Shenzhen: IEEE, 2015: 465-474.

[31]	Maleki E F, Mashayekhy L, Nabavinejad S M. Mobility-aware computation offloading in edge computing using machine learning[J]. IEEE Transactions on Mobile Computing, 2023, 22(1): 328-340.

[32]	Li X, Zhang S, Huang Y, et al. Towards timely video analytics services at the network edge[J]. IEEE Transactions on Mobile Computing, 2024, 23(11): 10433-10459.

[33]	Song B, Yu Y, Zhou Y, et al. Host load prediction with long short-term memory in cloud computing[J]. The Journal of Supercomputing, 2017, 74: 6554-6568.

[34]	Gupta S, Dinesh D A. Resource usage prediction of cloud workloads using deep bidirectional long short term memory networks[C]// Proceedings of the IEEE International Conference on Advanced Networks and Telecommunications Systems. Bhubaneswar: IEEE, 2017: 1-10.