A Framework for Improving Systems Performance by Minimizing Burstiness
Notice bibliographique
Résumé
The principal goal of this work is to support performance management for systems that utilize resources in complex ways. Typically, performance evaluation has been carried out for such systems using simulation tools. However, such tools require expert model builders to create and maintain abstract business process models of the system under study. This can lead to a lack of representativeness, specifically, when many unique scenarios are to be modelled. This thesis presents a new simulation approach, Simulation By Example, which guides the simulation directly using events extracted from traces, i.e., examples. This work demonstrates and evaluates this new approach using three case studies from healthcare systems. These studies establish the advantages of SBE over traditional simulation methods and its ability to support a variety of performance management exercises. Next, this thesis focuses on improving the performance of systems subjected to bursty workloads. Burstiness in resource service demands has previously been shown to have an adverse impact on system performance. This thesis proposes AMIR, an Analytic Method for Improving Responsiveness by reducing burstiness. AMIR considers a system with multiple classes of users and multiple resources that service user sessions in tandem. Batch processing systems, fabrication and manufacturing environments, micro-service systems, and patient operating rooms can be described in this way. Given the service demands distributions placed by all classes for the system's resources and the number of session arrivals for each class, AMIR decides an ordering of sessions that minimizes burstiness and improves system responsiveness metrics including session wait time, and total schedule processing time. A key aspect of the technique is an order O schedule burstiness metric β^O, which represents the mean joint probability that O+1 consecutive sessions in the schedule have resource demands at the bottleneck resource greater than the mean bottleneck resource demand of the schedule. For a given O, AMIR uses integer linear programming to produce schedules that progressively minimize β^i for all i in {1,...O}. Extensive simulation results show that AMIR significantly outperforms baseline policies such as shortest first and random scheduling. The results also provide insights on the conditions under which the technique is most effective.
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 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 | 0,001 | 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 découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».