Notice bibliographique
Résumé
Service demand burstiness, or serial correlations in resource service demands, has previously been shown to have an adverse impact on system performance metrics such as response time. This article proposes AMIR , an analytic framework to characterize burstiness and identify strategies to reduce its impact on performance. AMIR considers an overtake-free system model consisting of multiple queues that service multiple classes of sessions, i.e., sequences of requests. Given the per-class service demand distributions and number of sessions belonging to each class, AMIR can identify an ordering of sessions, i.e., a schedule, that minimizes burstiness at the bottleneck. Hence, it is likely to improve system responsiveness metrics, including mean session wait time and total schedule processing time. To characterize burstiness, the technique uses an order O schedule burstiness metric β O representing the mean probability that O + 1 consecutive sessions in the schedule have resource demands at the bottleneck greater than the mean bottleneck demand of the schedule. For a given O , AMIR uses Integer Linear Programming (ILP) to identify schedules that progressively minimize β i ∀ i ∈ {1, … O }. We conduct an extensive simulation study to provide insights on the conditions under which such schedules can improve system responsiveness. These results show that schedules derived from AMIR can significantly outperform those derived from baseline policies such as Shortest Job First (SJF) and random scheduling when session classes are dissimilar from one another in terms of their service demand distributions. Furthermore, minimizing for higher orders of schedule burstiness is most critical when the bottleneck is heavily utilized and when the service demands of a workload are highly variable. For the system model that we consider, we are not aware of other techniques that are designed to analytically derive insights on the performance impact of high-order service demand burstiness.
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 enseignantsNi 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.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,003 | 0,008 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,003 | 0,003 |
| Études des sciences et des technologies | 0,002 | 0,001 |
| Communication savante | 0,006 | 0,005 |
| Science ouverte | 0,004 | 0,005 |
| Intégrité de la recherche | 0,003 | 0,003 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,437 | 0,366 |
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 source (Gemma direct ou Codex distillé), 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 ».