مدل پیشرفته برای پیش بینی کارآمد حجم کار در ابر

فرمت فایل دانلودی: .rar
فرمت فایل اصلی:
تعداد صفحات: 20
حجم 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.

مدل پیشرفته برای پیش بینی کارآمد حجم کار در ابر

فرمت فایل دانلودی: .rar
فرمت فایل اصلی: 
تعداد صفحات: 20
حجم فایل: 5119

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.

|

لینک ثابت | نسخه قابل چاپ |

امتیاز :

1 2 3 4 5

| اشتراک گذاری :