参考论文：An Adaptive Short-Term Prediction Algorithm for Resource Demands in Cloud Computing
网址：https://ieeexplore.ieee.org/document/9036853
一、背景介绍：
云计算中资源分配已有的研究 ---- 云计算由于其丰富的资源，按需提供资源，较低的资源成本和灵活的资源扩展能力而被广泛应用于各个领域。
1 自动创建VM或容器部署
2 根据用户的需求和资源负载灵活增加或减少VM/容器
3 云平台上面部署了大量的应用程序
4 有效的资源分配和任务调度方法是保证服务质量（QoS）和最大限度地提高云服务利润的关键
二、问题挑战：
随着云计算，大数据和人工智能的最新发展，海量虚拟机（VM）或容器请求被同步提交到云平台，这导致资源需求的多样性，规模大，突发和不确定性。因此，预测未来的VM或容器的需求对于确保及时分配适当的资源至关重要，更具体地说，对云资源需求的快速准确地预测可以帮助云服务提供商选择合适的物理服务器，或者可以使备用服务器能够提前防止大量VM或容器，确保服务之恋个号提高资源利用率
挑战分析： 前置预测
1 资源分配和资源请求之间存在时间差异，延迟十分钟左右
2 增加的资源需求量可能导致服务器负载的快速变化和强烈波动
3 服务器负载变化的速度快于服务器上VM迁移的速度，可能会影响在这些VM上运行的应用程序的性能
4 某些不必要的VM迁移可能会导致云平台变得不稳定
解决方法：预测---通过预测未来的资源需求和服务器负载，可以减轻这些问题。
三、实现目标
提出了误差调整因子以减小预测误差。
因此，通过离群值检测和替换，自适应选择策略和错误调整来提高云资源需求的短期预测准确性。
评估了这些改进的有效性，并在有效性和时间成本方面将我们的算法与现有算法进行了比较。实验结果表明，该算法有效提高了短期预测精度。
四、预测算法：
1、 自适应短期预测
预测算法很多，并且本次要解决的问题也是使用预测算法对未来的资源需求、服务器负载进行预测，好的预测算法可以事半功倍。
UCR时间序列档案（重要的档案）其中包含大量的线性和非线性时间序列，有文章基于以前的EEMD-ARIMA和EEMD-RT-ARIMA方法，提出了一种自适应短期预测算法。并通过以下三步骤进一步提高预测的准确性。
-
对突发数据或异常数据进行预处理，以提高不稳定序列的预测准确性。
-
提供一种自适应选择策略，以基于动态阈值选择更好的预测算法。
-
提出误差调整因子以提高预测精度。
2、 预测算法分类
预测算法主要有三类：线性预测、非线性预测和混合方法。
2.1 线性预测方法
主要用于线性平稳（线性平稳时间序列的平均值几乎没有变化）或非平稳时间序列（线性非平稳时间序列的平均值随时间变化明显）的预测，一般有一些预测方法：移动平均（MA）、指数平滑（ES）、自回归（AR）、自回归移动平均（ARMA）、差分整合移动平均自回归模型（ARIMA）。
2.2 非线性时间序列 （存在大量无法通过数学表达式表示的非线性数据集）
2.3 混合方法（考虑的时间序列通常不是纯粹的线性或非线性，而是两者的组合，因此，在这种情况下，不同预测方法的组合可以解决预测问题，所以提出了一种负荷预测算法---分别使用ARIMA和BP提取历史数据的线性和非线性特征来提高预测精度。）
2.4 集成预测方法，该方法使用Savitzky-Golay滤波器和小波分解将任务时间序列平滑和分解为多个分量，然后使用随机配置网络和小波重构来预测未来任务的数量
2.5 自适应资源分配方法（现有的针对资源需求的主动和自适应预测方法可通过基于错误概率的预测调整和填充来最大程度地降低预测不足和过度预测），还基于渐进式QoS预测模型提出了一种自适应资源分配方法，该方法使用自调整控制来提高基于运行时数据的预测精度，
五、研究过程：
首先分析了云资源需求和资源负荷的特征，然后运用一些方法处理了非平稳序列，最后提出了一种自适应选择策略和误差调整因子，以提高云资源需求的短期预测精度。 最后自适应短期预测算法的性能已通过对云簇数据进行的实验得到验证。