A Resource Allocation Model Based on Trust Evaluation in Multi-Cloud Environments
Notice bibliographique
Résumé
Allocating and managing resources while considering the quality of service is considered a fundamental and complex research problem in a cloud environment. An optimal resource allocation optimizes several parameters such as optimizing cost and resource utilization or maximizing any quality parameters. However, to ensure better customer service, Cloud Service Providers (CSPs) should consider most of the quality attributes while allocating resources to the cloud infrastructures. Existing research does not evaluate trust as a quantitative attribute, thus a trade-off between trust and performance in resource allocation is also absent in the research area. We propose a model to consider both trust and delay in this paper. The trust of a CSP is quantitatively estimated through some attributes and metrics. Availability, reliability, data integrity, and efficiency are considered to estimate the trust. The objective is to maximize the trust of the allocation while minimizing the communication delay. The proposed joint optimization model combines the previous credentials of the CSPs and the present resource constraints. To solve the problem heuristically, a genetic algorithm is applied. The model uses a number of parameters that provide the flexibility to adapt several service requirements. The effectiveness and applicability of the proposed approach are demonstrated through experiments. The results ensure that the effectiveness in the estimation of trust evaluation for different CSPs with the proposed attributes. Moreover, integrating trust in the resource allocation model allocates appropriate resources while enhancing the trust and reducing the communication delay in the overall allocation.
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 ».