In this dissertation, we propose and evaluate neural network approaches for time series prediction and resources allocation in cloud computing. These include a novel Echo State Network (ESN) model with inputs reconstruction, Bayesian Ridge Regression, and Independent Component Analysis for chaotic time series prediction, an Echo State Network based ensemble for workload prediction and resources allocation of Web applications in the cloud, and a Long Short-Term Memory Encoder-Decoder (LSTM-ED) model for host load prediction in cloud computing. By experimenting on synthetic and real world datasets including one month trace of a Google data center, we show that our approaches outperform other ESN variants, component models of the ESN-based ensemble and other ensemble models, and current state-of-the-art host load prediction methods in term of prediction accuracy. Furthermore, we show that our ESN-based ensemble model has higher resource allocation capability than the component models and other ensemble models when applying to real-world Web server request logs.
본 논문에서는 클라우드 컴퓨팅의 시계열 예측 및 자원 할당을 위한 신경망 접근법을 제안하고 평가한다. 여기에는 입력 재구성을 갖춘 새로운 Echo State Network (ESN) 모델, 혼돈 시계열 예측을 위한 Bayesian Ridge Resolution 및 Independent Component Analysis, 클라우드 내 웹 애플리케이션의 워크로드 예측 및 리소스 할당을 위한 Echo State Network 기반 앙상블, 클라우드 컴퓨팅의 호스트 로드 예측을 위한 Long Short-Term Memory Encoder-Decoder (LSTM-ED) 등이 포함된다. 본 연구에서는 구글 데이터센터의 한달 추적 데이터를 포함한 합성 및 실제 데이터셋에 대한 실험을 통해 본 연구의 접근방식이 예측 정확도 측면에서 다른 ESN 변형, ESN 기반 앙상블 및 기타 앙상블 모델의 구성요소 모델, 최신 호스트 부하 예측 방법에 비해 높은 성능을 나타냄을 보인다. 또한 본 연구의 ESN 기반 앙상블 모델이 실제 웹 서버 요청 로그에 적용될 때 구성 요소 모델 및 기타 앙상블 모델보다 리소스 할당 능력이 더 뛰어남을 보인다.