參考論文：An Adaptive Short-Term Prediction Algorithm for Resource Demands in Cloud Computing
網址：https://ieeexplore.ieee.org/document/9036853
一、背景介紹：
雲計算中資源分配已有的研究 ---- 雲計算由於其豐富的資源，按需提供資源，較低的資源成本和靈活的資源擴展能力而被廣泛應用於各個領域。
1 自動創建VM或容器部署
2 根據用戶的需求和資源負載靈活增加或減少VM/容器
3 雲平台上面部署了大量的應用程序
4 有效的資源分配和任務調度方法是保證服務質量（QoS）和最大限度地提高雲服務利潤的關鍵
二、問題挑戰：
隨着雲計算，大數據和人工智能的最新發展，海量虛擬機（VM）或容器請求被同步提交到雲平台，這導致資源需求的多樣性，規模大，突發和不確定性。因此，預測未來的VM或容器的需求對於確保及時分配適當的資源至關重要，更具體地說，對雲資源需求的快速准確地預測可以幫助雲服務提供商選擇合適的物理服務器，或者可以使備用服務器能夠提前防止大量VM或容器，確保服務之戀個號提高資源利用率
挑戰分析： 前置預測
1 資源分配和資源請求之間存在時間差異，延遲十分鍾左右
2 增加的資源需求量可能導致服務器負載的快速變化和強烈波動
3 服務器負載變化的速度快於服務器上VM遷移的速度，可能會影響在這些VM上運行的應用程序的性能
4 某些不必要的VM遷移可能會導致雲平台變得不穩定
解決方法：預測---通過預測未來的資源需求和服務器負載，可以減輕這些問題。
三、實現目標
提出了誤差調整因子以減小預測誤差。
因此，通過離群值檢測和替換，自適應選擇策略和錯誤調整來提高雲資源需求的短期預測准確性。
評估了這些改進的有效性，並在有效性和時間成本方面將我們的算法與現有算法進行了比較。實驗結果表明，該算法有效提高了短期預測精度。
四、預測算法：
1、 自適應短期預測
預測算法很多，並且本次要解決的問題也是使用預測算法對未來的資源需求、服務器負載進行預測，好的預測算法可以事半功倍。
UCR時間序列檔案（重要的檔案）其中包含大量的線性和非線性時間序列，有文章基於以前的EEMD-ARIMA和EEMD-RT-ARIMA方法，提出了一種自適應短期預測算法。並通過以下三步驟進一步提高預測的准確性。
-
對突發數據或異常數據進行預處理，以提高不穩定序列的預測准確性。
-
提供一種自適應選擇策略，以基於動態閾值選擇更好的預測算法。
-
提出誤差調整因子以提高預測精度。
2、 預測算法分類
預測算法主要有三類：線性預測、非線性預測和混合方法。
2.1 線性預測方法
主要用於線性平穩（線性平穩時間序列的平均值幾乎沒有變化）或非平穩時間序列（線性非平穩時間序列的平均值隨時間變化明顯）的預測，一般有一些預測方法：移動平均（MA）、指數平滑（ES）、自回歸（AR）、自回歸移動平均（ARMA）、差分整合移動平均自回歸模型（ARIMA）。
2.2 非線性時間序列 （存在大量無法通過數學表達式表示的非線性數據集）
2.3 混合方法（考慮的時間序列通常不是純粹的線性或非線性，而是兩者的組合，因此，在這種情況下，不同預測方法的組合可以解決預測問題，所以提出了一種負荷預測算法---分別使用ARIMA和BP提取歷史數據的線性和非線性特征來提高預測精度。）
2.4 集成預測方法，該方法使用Savitzky-Golay濾波器和小波分解將任務時間序列平滑和分解為多個分量，然后使用隨機配置網絡和小波重構來預測未來任務的數量
2.5 自適應資源分配方法（現有的針對資源需求的主動和自適應預測方法可通過基於錯誤概率的預測調整和填充來最大程度地降低預測不足和過度預測），還基於漸進式QoS預測模型提出了一種自適應資源分配方法，該方法使用自調整控制來提高基於運行時數據的預測精度，
五、研究過程：
首先分析了雲資源需求和資源負荷的特征，然后運用一些方法處理了非平穩序列，最后提出了一種自適應選擇策略和誤差調整因子，以提高雲資源需求的短期預測精度。 最后自適應短期預測算法的性能已通過對雲簇數據進行的實驗得到驗證。