Volume 3,Issue 7
基于SHAP 和LightGBM 的云平台任务终止状态预测研究
随着云计算技术的广泛应用，云平台任务调度的稳定性与可靠性成为影响服务质量的关键因素。任务异常终止会导致资源浪费、服务中断等问题，而传统任务终止预测模型多存在可解释性差的缺陷，难以精准定位终止诱因。本文提出一种基于SHAP（SHapley Additive exPlanations）的云平台任务终止状态分析方法，通过构建LightGBM 任务终止预测模型，结合SHAP 值对模型预测结果进行解释。首先采集云平台任务运行数据，提取任务特征、资源特征及环境特征；其次训练预测模型并利用SHAP 值量化各特征对任务终止的影响程度；最后通过实验验证方法的有效性。研究结果表明，该方法不仅能实现较高的任务终止预测精度，还能清晰揭示关键影响特征及作用机制，为云平台任务调度优化与故障预警提供可靠依据。
[1] 代丽萍. 大规模云平台任务终止状态预测方法研究[D]. 新乡: 河南师范大学,2020.
[2] 曾春艳, 严康, 王志锋, 等. 深度学习模型可解释性研究综述[J]. 计算机工程与应用,2021,57(08):1-9.
[3] 化盈盈, 张岱墀, 葛仕明. 深度学习模型可解释性的研究进展[J]. 信息安全学报,2020,5(03):1-12.DOI:10.19363/J.cnki.cn10-1380/tn.2020.05.01.
[4]Tjoa E,Guan C.A survey on explainable artificial intelligence:Toward medical[J].IEEE Transactions on Neural Networks and Learning Systems,2020,32(11):4793−4813.
[5] 潘梓豪, 于福东, 石新颖, 等. 基于多种机器学习算法的东北地区潜在湿地分布模拟[J]. 湿地科学, 2025(3).
[6] 黄丽冰. 深度学习模型的可解释性及其在医学影像分析应用中的研究进展[J]. 桂林航天工业学院学报,2023,28(01):51-60.
[7]Lundberg S M,Erion G,Chen H,et al.Explainable AI for trees:From local explanations to global understanding[J].arXiv preprint,arXiv:1905.04610,2019.
[8] 刘春红, 李为丽, 焦洁, 等. 一种可解释的云平台任务终止状态预测方法[J]. 计算机研究与发展,2024,61(03):716-727.
[9] 张磊. 面向工业控制系统入侵检测机器学习算法研究[D]. 北京石油化工学院,2023.
[10] 龚薇, 王晶, 任彦双, 等. 基于机器学习算法对医学生心理健康影响因素分析[J]. 宁夏医科大学学报, 2025, 47(01):69-75.