MétaCan
Menu
Retour à la cohorte
Enregistrement W2760976117 · doi:10.1002/cpe.4338

Dynamic formation of service communities in the cloud under distribution and incomplete information settings

2017· article· en· W2760976117 sur OpenAlexaff
Ehsan Khosrowshahi‐Asl, Jamal Bentahar, Rebeca Estrada, Hadi Otrok, Rabeb Mizouni, Babak Khosravifar

Notice bibliographique

RevueConcurrency and Computation Practice and Experience · 2017
Typearticle
Langueen
DomaineComputer Science
ThématiqueCloud Computing and Resource Management
Établissements canadiensCégep Marie-VictorinConcordia UniversityMaple Leaf Foods
Organismes subventionnairesnon disponible
Mots-clésCloud computingComputer scienceVisibilitySet (abstract data type)Service (business)Process (computing)Complete informationData scienceData miningOperations researchEngineeringBusinessGeographyMathematics

Résumé

récupéré en direct d'OpenAlex

Summary Communities that gather functionally identical or complementary cloud services aim to provide better visibility, efficiency, and market share. This paper investigates the issue of forming these communities in distributed decision‐making settings under incomplete information. By incomplete information, we mean only partial information about the individual performance of cloud services within communities and about how they will behave within these communities is available. Forming communities in these particular settings is still an open problem. Most of the existing models require real‐time global knowledge about the services and high computational complexity, which makes the community formation extremely hard and time‐consuming. In this paper, we propose a strategic Distributed Decision‐making Mechanism (DDM) that regulates the cloud services decision‐making process. DDM first generates an initial set of data based on information obtained from existing cloud services regarding their single and cooperative efficiency. By analyzing this set and on the basis of a distance function, the decision‐making mechanism with regard to which community to form is implemented as a decision profile of strategies and their expected utility computed in terms of computational efficiency. DDM efficiently and systematically helps 1) communities find appropriate cloud services to invite as new members and 2) single services find suitable communities to join. To evaluate the proposed mechanism, we performed experiments using real data including 142 users and 4,000 cloud services obtained from the CloudArmor, CloudHarmony, and WS‐DREAM datasets. The experimental results show that our algorithms outperform the existing solutions.

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 machine sur la base complète

Imitation des enseignants

Ni prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.

score de la tête « metaresearch » (Codex)0,007
score de la tête « metaresearch » (Gemma)0,022
Version: metacan-v3-hybrid-931329e0061cStatut 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: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,019
Score d'incertitude au seuil0,038

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0070,022
Méta-épidémiologie (sens strict)0,0010,001
Méta-épidémiologie (sens large)0,0010,001
Bibliométrie0,0010,001
Études des sciences et des technologies0,0020,002
Communication savante0,0030,003
Science ouverte0,0020,002
Intégrité de la recherche0,0010,001
Charge utile insuffisante (le modèle a refusé de juger)0,0010,000

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 Opus0,023
Tête enseignante GPT0,302
Écart entre enseignants0,279 · 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 source (Gemma direct ou Codex distillé), 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
GenreEmpirique

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

En bref

Citations4
Publié2017
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueConcurrency and Computation Practice and ExperienceMême sujetCloud Computing and Resource ManagementTravaux en français237 207