MODE: mix driven on-line resource demand estimation
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
Adaptive performance management solutions often rely on models that require accurate resource demand measures that are estimated in an on-line manner. However it is typically not possible to directly measure resource demands at the abstraction they are needed, e.g., for a software service within an application server that is invoked by a URL. For such cases, linear regression techniques are often used to estimate resource demands. We evaluate the effectiveness of the Least Squares (LSQ) and Least Absolute Deviations (LAD) regression techniques, used extensively by others, as well as Support Vector Regression (SVR) for the purpose of demand estimation. To the best of our knowledge SVR has not yet been evaluated for computer resource demand estimation. We consider the predictive accuracy of these methods for three different real and simulated workloads. Our results demonstrate the importance of tuning the regression parameters of the techniques. We propose an on-line method named Mix Driven On-line Resource Demand Estimation (MODE) that automatically and quickly tunes the regression parameters for LSQ, LAD, and SVR to achieve their best results. The method is novel in that it relies on pre-defined workload mixes with known aggregate demand values to support the tuning exercise. We show that when employed in an on-line manner, tuning with respect to pre-defined mixes is significantly more accurate than the traditional approach of using only step by step data.
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 | 0,000 |
| 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