<scp>COSCO2</scp>: <scp>AI</scp>‐augmented evolutionary algorithm based workload prediction framework for sustainable cloud data centers
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Abstract Workload prediction is the necessary factor in the cloud data center for maintaining the elasticity and scalability of resources. However, the accuracy of workload prediction is very low, because of redundancy, noise, and low accuracy for workload prediction in cloud data center. Therefore, in this article, a tree hierarchical deep convolutional neural network (T‐CNN) optimized with sheep flock optimization algorithm based work load prediction is proposed for sustainable cloud data centers. Initially, the historical data from the cloud data center is preprocessed using kernel correlation method. The proposed T‐CNN approach is used for workload prediction in dynamic cloud environment. The weight parameters of the T‐CNN model are optimized by sheep flock optimization algorithm. The proposed COSCO2 method has accurately predicts the upcoming workload and reduces extravagant power consumption at cloud data centers. The proposed approach is evaluated utilizing two benchmark datasets: (i) NASA, (ii) Saskatchewan HTTP traces. The simulation of this model is implemented in java tool and the parameters are calculated. From the simulation, the proposed method attains 20.64%, 32.95%, 12.05%, 32.65%, 26.54% high accuracy, and 27.4%, 26%, 23.7%, 34.7%, 36.5% lower energy consumption for validating NASA dataset, similarly 20.75%, 19.06%, 29.09%, 23.8%, 20.5% high accuracy, 20.84%, 18.03%, 28.64%, 30.72%, 33.74% lower energy consumption for validating Saskatchewan HTTP traces dataset than the existing approaches, like auto adaptive differential evolution algorithm BiPhase adaptive learning‐based neural network, error preventive score in time series forecasting models, time series forecasting methods for cloud data workload prediction, and self‐directed workload forecasting method.
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.
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 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,003 |
| Études des sciences et des technologies | 0,005 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,007 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,002 |
| 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 découle