Optimizing Resource Allocation in Cloud Computing Using Machine Learning
Notice bibliographique
Résumé
Purpose: A key component of large-scale distributed computing is the allocation of resources, as computer networks cooperate to address complex optimization problems. To get the most out of computers in general, or throughput, is the goal of resource allocation in this case. When it comes to distributed computing, there are two main varieties: grid computing and cloud computing. In grid computing, many geographically dispersed clusters are linked and made available to the general public. Materials and Methods: We looked at Monte Carlo Tree Search and Long-Short Term Memory and examined how efficient they were. By maintaining consistent traffic patterns, the simulation demonstrated that MCTS performance was improved. However, such a strategy is difficult to implement due to the potential speed with which traffic patterns may alter. A successful service level agreement (SLA) was achieved, and the issue was shown to be fixable using LSTM. We compare the suggested model to different load-balancing algorithms to find the one that best allocates resources. Findings: The results show that compared to the state-of-the-art models, the suggested model achieves an accuracy rate that is 10-15% higher. The suggested model lowers the error percentage rate of the average request blocking likelihood of traffic load by around 9.5-10.2% when compared to the predictions of existing models. Therefore, the proposed method has the potential to enhance network utilization by reducing the amount of time required by memory and the central processing unit. Implications to Theory, Practice and Policy: One advantage of the new method is a more robust forecasting strategy in comparison to earlier models. Using firefly algorithms, future research will construct a cloud data center that employs a variety of heuristics and machine learning methodologies to load balance the energy cloud (Oshawa et al., 2022).
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 | 0,001 | 0,001 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| 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 ».