پیش بینی قیمت منابع در شبکه ابری با پیشنهاد ساختار جدیدی در یادگیری عمیق با در نظر گرفتن سطح کیفیت خدمات
محورهای موضوعی : هوش مصنوعی
سید سروش نظام دوست
1
,
محمد علی پورمینا
2
,
فربد رزازی
3
1 - دانشجو دکتری مهندسی برق، دانشکده برق و کامپیوتر، واحد علوم و تحقیقات، دانشگاه آزاد اسلامی، تهران، ایران
2 - دانشکده برق و کامپیوتر، واحد علوم تحقیقات، دانشگاه آزاد اسلامی، تهران، ایران
3 - دانشکده برق و کامپیوتر، واحد علوم و تحقیقات، دانشگاه آزاد اسلامی، تهران، ایران
کلید واژه: پیش‌بینی قيمت نقطهای, رايانش ابري, شبكه عصبي عميق, GRU اصلاح شده(MGRU),
چکیده مقاله :
رایانش ابری یک مدل محاسباتی است که برای ارائه منابع به کاربران از سه الگوی برحسب تقاضا، رزرو شده و نقطهای بهره میبرد. قیمت نمونههای نقطهای به طور متوسط کمتر از سایر الگوها بوده و بر اساس عرضه و تقاضا دارای نوسان است. هنگامی که کاربر یک نمونه نقطهای را درخواست کند، باید پیشنهادی ارائه دهد. تنها در صورتی که قیمت پیشنهادی کاربر بالاتر از قیمت نقطهای باشد، کاربر می‌تواند از این نوع منابع استفاده کند. لذا پیش‌بینی قیمت نمونههای نقطهای بسیار مهم و چالش‌برانگیز است. پیش‌بینی این‌گونه سری‌های زمانی پویا که از مدل غیرخطی پیروی می‌کنند، نیازمند ابزار هوشمندي مانند شبکه‌های عصبی است تا بتواند با مشاهده مقادیری از یک سری زمانی، مقادیر آتی را با کم‌ترین خطا پیش‌بینی کنند. بنابراین قابلیت اطمینان و در نتیجه کیفیت سرویس ارتقاء می‌یابد. بدین منظور، ما آمازون EC2 را به عنوان یک بستر آزمايشي در نظر گرفتیم و از تاریخچه قیمت نقطهای برای پیش‌بینی قیمت آینده با ساخت مدلی نوین مبتنی بر یادگیری عمیق استفاده کردیم. نتایج به دست آمده نشان داد که مدل ارائه شده مقاله بر پايه ساختار پيشنهادي MGRU (GRU اصلاح شده) به خوبی می‌تواند پیش‌بینی مقادیر غیرخطی را انجام دهد و عملکرد بهتری نسبت به سایر روش‌های مورد استفاده در این حوزه داشته باشد.
Cloud computing is a computing model that uses three instance, on-demand, reserved, and spot, to provide resources to users. The price of spot instances is on average lower than other patterns and fluctuates based on supply and demand. When a user requests a spot instance, they must provide an offer. Only if the price offered by the user is higher than the spot price, the user can use this type of resources. Therefore, predicting the price of spot instances is very important and challenging. Forecasting such dynamic time series that follow the nonlinear model requires intelligent tools such as neural networks to be able to predict the future values with the least error by observing the values of a time series. Therefore, the reliability and as a result the quality of the service is improved. For this purpose, we considered Amazon EC2 as an experimental platform and used the spot price history to predict the future price by building a new model based on deep learning. The obtained results showed that the model presented in the article based on the proposed structure of MGRU(modified GRU) can well predict nonlinear values and perform better than other methods used in this field.
بررسی ساختارهای یادگیری عمیق جهت پيش بيني سري هاي زماني
ارائه یک الگوریتم کارا و قدرتمند جهت تجزیه و تحلیل تحولات تاریخی قیمت های نقطه ای آمازون EC2 و پيش بيني قیمت آینده منابع
ارائه يك معماری پیشنهادی بر پایه GRU اصلاح شده(MGRU)
پیش بینی روند قیمت در آینده با هدف ارتقاء کیفیت خدمات سرویس
پیش بینی دقیق سری های زمانی در دنیای واقعی با داده های نوسان بالا
[1] L. Teylo, L. Arantes, P. Sens and L. Drummond, “A dynamic task scheduler tolerant to multiple hibernations in cloud environments,” Cluster Computing, vol. 24, no. 2, pp. 1051-1073, 2021, doi: 10.1007/s10586-020-03175-2
[2] J.P.A. Neto, D.M. Pianto and C.G. Ralha, “A prediction approach to define checkpoint intervals in spot instances,” 11th International Conference on Cloud Computing (CLOUD SCF). Springer, vol. 10967, 2018, pp 84–93, doi: 10.1007/978-3-319-94295-7_6.
[3] J. Lancon, J. Kunwar, D. Stroud, M. McGee and R. Slater, “AWS EC2 instance spot price forecasting using LSTM networks,” SMU Data Science Review, vol. 2, no. 2, 2019.
[4] V. K. Singh and K. Dutta, “Dynamic Price Prediction for Amazon Spot Instances,” 48th Hawaii International Conference on System Sciences, Kauai, HI, USA, 2015, pp. 1513-1520, doi: 10.1109/HICSS.2015.184.
[5] P. Varshney and Y. Simmhan, “AutoBoT: Resilient and Cost-Effective Scheduling of a Bag of Tasks on Spot VMs,” in IEEE Transactions on Parallel and Distributed Systems, vol. 30, no. 7, pp. 1512-1527, July 2019, doi: 10.1109/TPDS.2018.2889851.
[6] M. Khashei and M. Bijari, “A novel hybridization of artificial neural networks and ARIMA models for time series forecasting,” Applied Soft Computing, vol. 11, no. 2, pp. 2664-2675, 2011, doi: 10.1016/j.asoc.2010.10.015.
[7] Y. Liu, Z. Wang and B. Zheng, “Application of Regularized GRU-LSTM Model in Stock Price Prediction,” IEEE 5th International Conference on Computer and Communications (ICCC), Chengdu, China, 2019, pp. 1886-1890, doi: 10.1109/ICCC47050.2019.9064035.
[8] G. Dai, C. Ma and X. Xu, “Short-Term Traffic Flow Prediction Method for Urban Road Sections Based on Space–Time Analysis and GRU,” in IEEE Access, vol. 7, pp. 143025-143035, 2019, doi: 10.1109/ACCESS.2019.2941280.
[9] A. Vaswani, N. Shazeer, N. Parmar, J. Uszkoreit, L. Jones and A. Gomez, “Attention is all you need,” 31st Conference on Neural Information Processing Systems (NIPS 2017), Long Beach, CA, USA, pp 5998–6008, 2017.
[10] V. K. Singh and K. Dutta, “Dynamic Price Prediction for Amazon Spot Instances,” 48th Hawaii International Conference on System Sciences, Kauai, HI, USA, 2015, pp. 1513-1520, doi: 10.1109/HICSS.2015.184.
[11] J.L. Lucas‐Simarro, R. Moreno‐Vozmediano, R.S. Montero and I.M. Llorente, “Cost optimization of virtual infrastructures in dynamic multi-cloud scenarios,” Concurr Comput Pract Exp, vol. 27, no. 9. pp. 2260–2277, doi: 10.1002/cpe.2972.
[12] V. Khandelwal, A.K. Chaturvedi and C. P. Gupta, “Amazon EC2 Spot Price Prediction Using Regression Random Forests,” in IEEE Transactions on Cloud Computing, vol. 8, no. 1, pp. 59-72, Jan.-March 2020, doi: 10.1109/TCC.2017.2780159.
[13] S. Alkharif, K. Lee and H. Kim, “Time-series analysis for price prediction of opportunistic Cloud computing resources,” 7th International Conference on Emerging Databases. Springer, vol. 461, pp. 221–229, 2018, doi: 10.1007/978-981-10-6520-0_23.
[14] W. Liu, P. Wang, Y. Meng, C. Zhao and Z. Zhang, “Cloud spot instance price prediction using kNN regression,” Hum Cent Comput Inf Sci, no. 10, no. 1, pp.10–34, 2020, doi: 10.1186/s13673-020-00239-5.
[15] R. M. Wallace et al., “Applications of neural-based spot market prediction for cloud computing,” 2013 IEEE 7th International Conference on Intelligent Data Acquisition and Advanced Computing Systems (IDAACS), Berlin, Germany, 2013, pp. 710-716, doi: 10.1109/IDAACS.2013.6663017.
[16] W. Kong, Z. Y. Dong, Y. Jia, D. J. Hill, Y. Xu and Y. Zhang, “Short-Term Residential Load Forecasting Based on LSTM Recurrent Neural Network,” in IEEE Transactions on Smart Grid, vol. 10, no. 1, pp. 841-851, Jan. 2019, doi: 10.1109/TSG.2017.2753802.
[17] H. Al-Theiabat, M. Al-Ayyoub, M. Alsmirat and M. Aldwair, “A Deep Learning Approach for Amazon EC2 Spot Price Prediction,” IEEE/ACS 15th International Conference on Computer Systems and Applications (AICCSA), Aqaba, Jordan, 2018, pp. 1-5, doi: 10.1109/AICCSA.2018.8612783.
[18] A. Adebiyi, A. Adewumi and C. Ayo, “Comparison of ARIMA and artificial neural networks models for stock price prediction,” Journal of Applied Mathematics, vol. 1, pp. 1-7, 2014, doi: 10.1155/2014/614342.
[19] Y. Guo and W. Yao, “Applying gated recurrent units pproaches for workload prediction,” IEEE/IFIP Network Operations and Management Symposium, Taipei, Taiwan, 2018, pp. 1-6, doi: 10.1109/NOMS.2018.8406290.
[20] D. Kong, S. Liu and L. Pan, “Amazon Spot Instance Price Prediction with GRU Network,” IEEE 24th International Conference on Computer Supported Cooperative Work in Design (CSCWD), Dalian, China, 2021, pp. 31-36, doi: 10.1109/CSCWD49262.2021.9437881.
[21] B. Song, Y. Yu, Y. Zhou, Z. Wang and S. Du, “Host load prediction with long short-term memory in cloud computing,” The Journal of Supercomputing, vol. 74, no. 12, pp. 6554–6568, 2018, doi: 10.1007/s11227-017-2044-4.
[22] S. Hochreiter and J. Schmidhuber, “Long short-term memory,” Neural Comput, vol. 9, no. 8, pp.1735–1780, 1997, doi: 10.1162/neco.1997.9.8.1735.
[23] H. Abbasimehr and R. Paki, “Improving time series forecasting using LSTM and attention models,” J. Ambient Intell Human Comput, vol. 13, no. 1, pp. 673-691, 2022, doi: 10.1007/s12652-020-02761-x.
[24] K. Cho, B.V. Merrienboer, C. Gulcehre, F. Bougares, H. Schwenk and Y. Bengio, “Learning phrase representations using RNN encoder decoder for statistical machine translation,” arXiv , 2014, doi: 10.48550/arXiv.1406.1078.
[25] Z. Chen, J. Hu, G. Min, A. Y. Zomaya and T. El-Ghazawi, “Towards Accurate Prediction for High-Dimensional and Highly-Variable Cloud Workloads with Deep Learning,” in IEEE Transactions on Parallel and Distributed Systems, vol. 31, no. 4, pp. 923-934, April 2020, doi: 10.1109/TPDS.2019.2953745.
[26] T. Pham, T. Tran, D. Phung and S. Venkatesh, “Faster training of very deep networks via p-Norm gates,” in 23rd International Conference on Pattern Recognition (ICPR), 2016, pp. 3542-3547, doi: 10.1109/ICPR.2016.7900183.
[27] D.A. Monge, E. Pacini, C. Mateos and C.G. Garino, “ Meta-heuristic based autoscaling of cloud-based parameter sweep experiments with unreliable virtual machines instances,” Comput. Electr. Eng., vol. 69, pp. 364–377, 2019, doi: 10.1016/j.compeleceng.2017.12.007.
