Multivariate outlier filtering for A-NFVLearn: an Advanced Deep VNF Resource Usage Forecasting Technique
Notice bibliographique
Résumé
Abstract Virtual Network Function Resource Adaptation (VNF-RA) aims at adequately adapting Network Function Virtualization Infrastructure (NFVI) resources according to the geographical fluctuation of user demand by maximizing the quality of service (QoS) of the offered services and the energy consumption of the NFVI while limiting the risks of Service Level Agreement (SLA) breaches, the CAPEX and OPEX of the cloud operators and their customers. Virtual Network Function (VNF) resource usage forecasting leads therefore a key role in enabling proactive resource adaptation in dynamic Network Function Virtualization (NFV) environments whose resource demand constantly changes. In parallel, Long Short-Term Memory (LSTM)-based prediction has garnered huge interest in the research community and several research teams have therefore proposed different VNF resource usage prediction algorithms based on this machine learning technique. However, current LSTM-based VNF resource usage forecasting techniques lack the flexibility to take several resource attributes of different scales, over many time steps, in order to predict several other resource attributes over many time steps from a Service Function Chain (SFC). In this paper, we push the state of the art forward by presenting A-NFVLearn, a flexible multivariate, LSTM-based model with an attention mechanism which uses different attributes of resource load history (CPU, memory, I/O bandwidth) from various VNFs of an SFC to forecast future load of multiple resources of a VNF. Next, we propose a multivariate outlier filtering scheme at pre-processing based on Adjusted Outlyingness (AO), which improves training time performance of LSTM-based models without impacting prediction accuracy.
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 | 0,001 | 0,003 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,002 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 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 ».