Google Traces Analysis for Deep Machine Learning Cloud Elastic Model
Notice bibliographique
Résumé
Data set used in machine learning must be meaningful and reasonable for them to be useful. Preparing data set to be used in machine learning is an important task to map between raw data input (cause) and output (result) relation. Google traces are dump tables that contain raw data about data center servers, workload jobs and tasks status, workload demands, data center provisioned resources and hardware reconfiguration. Machine learning considers input data set and output data set as a training learning model by relating these two correlated sets as normalized values for future use. In this work, a data cleaning and full analysis for Google data center traces have been done to be used in deep machine learning models, like conventional neural network or recurrent neural network with capability of using inline learning model. Data set are processed by re-normalizing resources capacities and workloads demands (jobs and tasks), and by removing or transforming non-available and opaque values into useful values. A novel correlation between input and output data sets for Google traces is introduced that relates workload demands with data center resources reconfiguration, and data center resources with data center capacity. The idea is to connect between demands and provisioned resources by evaluating the cloud data center configuration sets, which allows cloud manager to provision resources by setting up the best reconfiguration in scaling cloud data center. An evaluation factor (scale factor) has been introduced to evaluate elastic provisioning resources considering resources preparation time and minimum cost.
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 | 0,001 |
| 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 ».