Faulty Node Detection in HDFS Using Machine Learning Techniques
Notice bibliographique
Résumé
The design of Hadoop has ability to elimination of fault tolerance, which consists of rescheduling the task on the defective nodes to run on other devices in the system. However, this strategy is ineffective if an error arises after most of the task has been completed. As a result, it is essential to make an early detection of the problem at the node to ensure that the resumption of the work will not result in a significant loss of both time and productivity. The ability to predict these problems provides us with the required time to move the workload onto different nodes, which helps to avoid data loss or processing time. In this paper, we propose an identification of faulty nodes from a large Hadoop distributed environment using machine learning techniques. Initially, we deployed one controller node and numerous data nodes as virtual machines in a distributed manner. The execution performs when the end-user submits a specific job to the controller node. The master node is the middleware controller that continuously communicates with other data nodes and assigns a task to each data node accordingly. However, this conventional process of HDFS that can generate data leakage or high computation whenever the specific node is heated or straggler. In our approach, we initially collect the log history of each data node and apply some statistical and a few machine learning algorithms to identify nodes' status. According to the achieved outcome of each node, we can decide to eliminate the specific node for task execution. We applied five machine learning algorithms in the extensive experimental analysis, including a Support Vector Machine (SVM). The SVM obtains 96.7% higher accuracy over the conventional machine learning classifiers for the entire execution.
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 | 0,001 |
| Études des sciences et des technologies | 0,001 | 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 ».