Workload prediction for enhancing power efficiency of cloud data centers using optimized self‐attention‐based progressive generative adversarial network
Notice bibliographique
Résumé
Summary Nowadays, future workload prediction is an important requirement in cloud data centers to maintain flexibility and scalability of resources. However, due to unexpected peaks, drops in workload, noise, and redundancy in user requests, there is a considerable variance in resource demands, making it difficult to accurately predict workloads. Therefore, a self‐attention‐based progressive generative adversarial network (SAPGAN) optimized with Giza Pyramids Construction Algorithm (GPCA)‐based workload prediction is proposed for Sustainable Cloud Data Centers (CDC). At first, redundant data in historical data obtained through CDC are filtered utilizing Markov chain random field (MCRF) co‐simulation method. These pre‐processed historical data are supplied to the SAPGAN. The SAPGAN weight parameters are optimized by GPCA. The proposed method is analyzed using 2 benchmark datasets: HTTP traces from Saskatchewan and NASA. The simulation is implemented in JAVA. The performance metrics is examined to verify the efficacy of the proposed technique. The performance of the proposed approach provides 28.70%, 11.87%, and 14.79% higher accuracy; 30.15%, 11.72%, and 18.34% lesser energy consume for the dataset of NASA; and 5.32%, 2.45%, and 5.67% higher accuracy; 12.36%, 24.24%, and 34.16% lesser energy consume for the dataset of Saskatchewan HTTP traces compared with existing methods, such as auto‐adaptive learning in a dynamic cloud environment (AADEA‐WLP‐CDC), a neural network model depending on biphase adaptive learning for anticipating cloud data center workload (BALNN‐WLP‐CDC) and multiple scale ensemble of deep learning framework for multistep‐ahead cloud workload prediction (EMD‐LSTM‐GAN‐WLP‐CDC).
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 | 0,002 | 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 | 0,003 | 0,001 |
| 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 ».