A Cloud Resource Evaluation Model Based on Entropy Optimization and Ant Colony Clustering
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
The uncertainty and extreme large scale of cloud resources make task scheduling very difficult which affects the user quality of experience and probably result in a waste of cloud resources and energy consumption. Moreover, some resources stay in an unusable state for extended time. To take into account these problems a cloud resource evaluation model is proposed, termed Entropy Optimization Evaluation and ant colony clustering Model (EOEACCM). The model releases long-term unavailable resources to save energy. First, by mean of the entropy increasing minimum principle, the proposed model can maximize the system utilization and balance profits of both cloud resource providers and users. As a consequence, it can shorten task completion time. Secondly, the model narrows the task scheduling size and achieves optimal scheduling by clustering. To make the model more suitable for the dynamics of cloud resources, the model design improves pheromone update policies by fixing total path length in each function cycle when clustering by the ant colony algorithm. Evaluation of results using EOEACCM demonstrate that it may be applicable for resource management strategies for migration and release, an application which can effectively save energy. The proposed model was evaluated by simulation. Experiment results showed the positive effect of user satisfaction from entropy optimization, as well as scheduling time from clustering. Moreover, when the scale of tasks was large, this clustering algorithm performed much better than others. The clustering model also demonstrated better adaptability when some cloud resources were joined or terminated.
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 | 0,003 | 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 | 0,001 | 0,000 |
| Communication savante | 0,001 | 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