Local Regression Based Box-Cox Transformations for Resource Management in Cloud Networks
Notice bibliographique
Résumé
Understanding and implementing approaches to efficiently manage the infrastructure resources of cloud data centers has become essential. Energy consumption and disorganized resource usage can expensively produce an impressive increase in the operational cost of cloud services. This increase turns to a remarkable rise in the cloud customers' invoices. Providing an exceptional quality of service running on well-organized resources with efficient energy is a critical issue that needs to be carefully considered by both industrial and academics. Although, the cloud providers are trying to deliver sufficient quality of services to their customers with a comparatively proper cost. One of the effective techniques to address these issues in cloud data centers is a dynamic virtual machine consolidation. This technique intends to improve energy efficiency and resource utilization by reallocating multiple virtual machines including various workload among available hosts and turning the unutilized hosts to an ideal state. However, consolidating the virtual machines due to fluctuating workload in cloud application can cause a violation in service level agreement. In this paper, we propose a host overload detection algorithm based on the Box-Cox transformations and the local regression model to predict overloaded hosts. This algorithm transforms the historical data of the host workload by using the Box-Cox transformations technique, and it also applies the local regression to predict the future state of the selected host. The experiments and simulation results based on dynamic workloads show the proposed algorithm outperforms the other competitive host overload detection algorithms.
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 | 0,001 | 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 | 0,001 | 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 ».