To Reserve or Not to Reserve: Optimal Online Multi-Instance Acquisition\n in IaaS Clouds
Notice bibliographique
Résumé
Infrastructure-as-a-Service (IaaS) clouds offer diverse instance purchasing\noptions. A user can either run instances on demand and pay only for what it\nuses, or it can prepay to reserve instances for a long period, during which a\nusage discount is entitled. An important problem facing a user is how these two\ninstance options can be dynamically combined to serve time-varying demands at\nminimum cost. Existing strategies in the literature, however, require either\nexact knowledge or the distribution of demands in the long-term future, which\nsignificantly limits their use in practice. Unlike existing works, we propose\ntwo practical online algorithms, one deterministic and another randomized, that\ndynamically combine the two instance options online without any knowledge of\nthe future. We show that the proposed deterministic (resp., randomized)\nalgorithm incurs no more than 2-alpha (resp., e/(e-1+alpha)) times the minimum\ncost obtained by an optimal offline algorithm that knows the exact future a\npriori, where alpha is the entitled discount after reservation. Our online\nalgorithms achieve the best possible competitive ratios in both the\ndeterministic and randomized cases, and can be easily extended to cases when\nshort-term predictions are reliable. Simulations driven by a large volume of\nreal-world traces show that significant cost savings can be achieved with\nprevalent IaaS prices.\n
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 | 0,002 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,002 | 0,005 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,001 | 0,000 |
| Science ouverte | 0,008 | 0,020 |
| Intégrité de la recherche | 0,001 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,001 |
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; les deux têtes enseignantes s’accordent sur ce qui est montré ici.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».