An efficient virtual machine allocation algorithm for parallel and distributed simulation applications
Notice bibliographique
Résumé
Summary Allocating appropriate resource for parallel and distributed simulation (PADS) applications in clouds is an intuitive way to improve their execution efficiency. However, the heterogeneity of virtual machine (VMs) in clouds with respect to both their computing power and network latency influences the execution efficiency of PADS applications on different combinations of VMs. Besides, frequent synchronization is one of the characteristics during the execution of PADS applications, which seriously challenges the prediction of the influence of VMs' computing power and network latency on their execution efficiency, and makes allocating appropriate VMs difficult as a result. This paper first proposes a revivification‐based prediction model (ERP), which revives the execution based on statistical data from actual execution of PADS applications to predict the running time of PADS applications on different combinations of VMs. Then, an ERP‐based Allocation algorithm, namely, ERPA, is raised to optimize VMs allocation to minimize the running time of PADS applications in clouds. A series of experiments are conducted to compare the proposed ERPA with three resource allocation algorithms, ie, Gang‐scheduling‐based, Makespan‐based, and Max‐Min‐based algorithms, and the experimental results demonstrate the advantage of ERPA in improving execution efficiency of PADS applications in clouds. In particular, for communication‐sensitive PADS applications, the advantage of ERPA is more significant.
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 | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 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 ».