MétaCan
Menu
Retour à la cohorte
Enregistrement W1485084509 · doi:10.1109/ictel.2003.1191680

Minimum cost design of a parallel computing cluster

2003· article· en· W1485084509 sur OpenAlexaff
Antonio J. Rueda, Muthucumaru Maheswaran

Notice bibliographique

Revuenon disponible
Typearticle
Langueen
DomaineComputer Science
ThématiqueOptimization and Search Problems
Établissements canadiensUniversity of ManitobaResearch Manitoba
Organismes subventionnairesnon disponible
Mots-clésMaxima and minimaComputer scienceMathematical optimizationApproximation algorithmFunction (biology)Linear approximationNetwork planning and designRepresentation (politics)Approximation errorFunction approximationLinear programmingProcess (computing)AlgorithmArtificial neural networkMathematicsArtificial intelligenceNonlinear system

Résumé

récupéré en direct d'OpenAlex

In this paper, we address the problem of determining the minimal cost network size of a parallel computing cluster. The paper illustrates how a complex network planning problem can be simplified using approximation methods. Thus, the approximations assist the network planners to estimate the minimal cost parallel computing networks. We assume all nodes in the network are identical and independent. Equipment cost, cost of time to process the task and cost of system failure are used as components in the cost function. Golden section search is used to locate the minima of the cost function. These minima are used as sampling points to determine the approximation function. Linear and non-linear approximations are used to represent the optimal network size. Results indicate that non-linear approximation is a much better representation of the system with a very low percentage error.

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.

Comment cette classification a été obtenuedéplier

Prédiction distillée sur la base complète

Imitation des enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,000
score de la tête « metaresearch » (Gemma)0,000
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Simulation ou modélisation · Signal consensuel: Simulation ou modélisation
GenreSignal candidat: Méthodes · Signal consensuel: Méthodes
Score de désaccord entre enseignants0,435
Score d'incertitude au seuil0,198

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0000,000
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0000,000
Études des sciences et des technologies0,0000,000
Communication savante0,0000,000
Science ouverte0,0000,000
Intégrité de la recherche0,0000,000
Charge utile insuffisante (le modèle a refusé de juger)0,0000,000

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.

Tête enseignante Opus0,051
Tête enseignante GPT0,283
Écart entre enseignants0,232 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeSimulation ou modélisation
Domainenon disponible
GenreMéthodes

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations0
Publié2003
Routes d'admission1
Résumé présentoui

Explorer davantage

Même sujetOptimization and Search ProblemsTravaux en français237 207