مدل های پیش بینی تجربی برای تأمین تطبیقی منابع در ابر
مدل های پیش بینی تجربی برای تأمین تطبیقی منابع در ابر
فرمت فایل دانلودی: .rarفرمت فایل اصلی: تعداد صفحات: 15حجم فایل: 1297
بخشی از متن:
تعداد صفحه : 21
محاسبات ابری شرایط مقیاس پذیری منابع پویا برای سیستم های معاملاتی آنلاین سازمانی
را فراهم می کند، این موضوع یکی از ویژگی های کلیدی تفاوت ابر از الگوی رایانش سنتی
است. با این حال، مقدار دهی اولیه یک نمونه مجازی جدید در یک ابر آنی نیست؛ پلت فرم
های میزبانی کننده از ابر تاخیر چند دقیقه ای را در تخصیص منابع سخت افزاری تحمیل می
کنند. در این مقاله، ما استراتژی های تأمین و اندازه گیری مبتنی بر پیش بینی را با
استفاده از شبکه های عصبی و رگرسیون خطی برای تامین منابع آینده توسعه می دهیم. نتایج
تجربی نشان می دهند که روش پیشنهادی، مدیریت منابع تطبیقی تر برای برنامه های کاربردی
موجود در محیط ابر ارائه می دهد، مکانیسمی مهم برای رسیدن به تخصیص منابع بر اساس تقاضا
در ابر.
نوشته شده در تاریخ 1395/9/23 و در ساعت : 03:20 - نویسنده : computer-engineer
مدل پیشرفته برای پیش بینی کارآمد حجم کار در ابر
مدل پیشرفته برای پیش بینی کارآمد حجم کار در ابر
فرمت فایل دانلودی: .rarفرمت فایل اصلی: تعداد صفحات: 20حجم فایل: 5119
بخشی از متن:
برآورد و پیش بینی حجم کار یکی از حوزه های تحقیقاتی مورد
توجه در محاسبات ابری است. دلیل این موضوع مزایای متعدد آن است، که عبارتند از QoS (کیفیت سرویس)، مقیاس پذیری منابع به صورت خودکار، و زمان بندی
وظایف/کارها. پیش بینی دقیق حجم کار برنامه های کاربردی در ابر بسیار دشوار است
بویژه اگر آنها به شدت با هم متفاوت باشند. برای پرداختن به این موضوع، راه حل های
موجود یا از روش های آماری استفاده می کنند، که به طور موثر الگوهای تکراری را
شناسایی می کنند اما در پیش بینی بلند مدت خیلی دقیق نیستند و یا از روش های
یادگیری استفاده می کنند، که یک مدل پیش بینی پیچیده را توسعه می دهند اما عمدتا
قادر به تشخیص الگوهای غیر معمول نیستند. برخی از راه حل ها از ترکیبی از هر دو
روش استفاده می کنند. با این حال، هیچ یک از آنها به موضوع جمع آوری اطلاعات به
منظور بهبود دقت پیش بینی نمی پردازند. ما یک مدل پیشرفته برای پیش بینی حجم کار
در ابر (AME-WPC) پیشنهاد می کنیم، که ترکیبی از روش های آماری و یادگیری است، و
موجب بهبود دقت و صحت پیش بینی حجم کار برای برنامه های محاسبات ابری می شود و می
تواند به صورت پویا به یک سیستم خاص اِعمال شود. روش های یادگیری از یک مجموعه
داده آموزشی توسعه یافته استفاده می کنند، که ما از طریق تجزیه و تحلیل عوامل
سیستم تعریف می کنیم که دارای تاثیر قوی در حجم کار نرم افزار است. ما مشکل پیش
بینی حجم کار را از طریق طبقه بندی و همچنین رگرسیون حل می کنیم و راه حل خود را
با استفاده از روش یادگیری ماشینی جنگل تصادفی در هر دو - داده های آموزشی مبنا و
توسعه یافته تست می کنیم. به منظور بررسی مدل پیشنهادی، ما آزمون های تجربی خود را
با روش یادگیری ماشینی KNN مقایسه
می کنیم (K-نزدیکترین
همسایه). نتایج تجربی نشان می دهند که ترکیب روش های آماری و یادگیری به طور قابل
توجهی موجب بهبود دقت پیش بینی حجم کار در طول زمان می شود. و در ساعت : 03:13 - نویسنده : computer-engineer
