Resource management on clouds and grids: challenges and answers
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Grids and more recently clouds are distributed system infrastructures that are rapidly gaining popularity among researchers and users. By providing the ability to acquire resources on demand these systems provide elasticity resource usage as well as a pay-as-you-go opportunity, both of which can lead to a substantial savings for the system users. Appropriate management of resources by the middleware used by service providers is required however for effectively harnessing the power of the underlying distributed resource infrastructure. The problems range from handling resource heterogeneity, providing adequate security during resource access, allocating resources to user requests efficiently as well as effectively scheduling the requests that are mapped to a given resource. This talk will focus on the challenges associated with resource management on grids and clouds and discuss solutions to some of these problems. Particular attention will be paid to resource allocation and scheduling. Existing literature on resource management on grids and clouds describe techniques that are based on the detailed knowledge of local resource management policies as well as user estimates of resource demands for their requests. It is often impractical to assume such a detailed a priroi knowledge of management policies for all the resources will be available to resource brokers a large and dynamic heterogeneous environment. Moreover, user estimates of resource demands are often error prone. Performing effective resource management in the dark and handling such uncertainties associated with the local resource management policies and user estimated resource demands will be discussed. Techniques for providing both user satisfaction by improving the fastness of responses as well as service provider benefits through generation of high revenue will be described.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découle