EM-ACO-ARM: An Enhanced Multiple Ant Colony Optimization Algorithm for Adaptive Resource Management in Cloud Environment
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
Ant Colony Optimization (ACO) is an intelligent algorithm ensuring optimal resource management in cloud environments. This paper proposes an enhanced version of the ACO algorithm called Enhanced Multiple Ant Colony Optimization for Adaptive Resource Management (EM-ACO-ARM). Our approach uses multiple ant colonies undergoing several iterations of optimizations to find the optimal Virtual Machine (VM) and adapt to the convergence uncertain-ties, unlike a single ant colony in the existing ACO, which can hinder Quality of Service (QoS)-based performance parameters. We conducted experiments in a cloud-simulated environment to evaluate EM-ACO-ARM in two phases. In the first phase, we computed real-time Montage tasks using the existing ACO algorithm on VMs across ten scenarios. To ensure an unbiased comparison, the same cloud configuration was maintained in the second phase, and the same tasks were computed using the proposed EM-ACO-ARM algorithm in all ten scenarios. The experimental results demonstrate that EM-ACO-ARM improves Execution Cost and Execution Time, leading to a 14.73% increase in Resource Utilization. This ultimately improves the management of cloud resources. Additionally, a stability evaluation was conducted using regression models, and it outputted EM-ACO-ARM to provide more stability than the existing ACO algorithm. The cloud can provide better QoS with the proposed EM-ACO-ARM algorithm while abiding by Service Level Agreements.
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 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,002 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,003 | 0,002 |
| 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 découle