Workload Prediction in Cloud Data Centers Using Complex‐Valued Spatio‐Temporal Graph Convolutional Neural Network Optimized With Gazelle Optimization Algorithm
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. In this manuscript, Workload Prediction in Cloud Data Centers using Complex‐Valued Spatio‐Temporal Graph Convolutional Neural Network Optimized with Gazelle Optimization Algorithm (CVSTGCN‐WLP‐CDC) is proposed. Initially, the input data is collected from two standard datasets such as NASA and Saskatchewan HTTP traces dataset. Then, preprocessing using Multi‐Window Savitzky–Golay Filter (MWSGF) is used to remove noise and redundant the data. The preprocessed data is fed to CVSTGCN for workload prediction in a dynamic cloud environment. In this work, proposed Gazelle Optimization Approach (GOA) used to enhance the CVSTGCN weight and bias parameters. The proposed CVSTGCN‐WLP‐CDC technique is executed and efficacy based on workload prediction structure is evaluated using several performances metrics such as accuracy, recall, precision, energy consumption correlation coefficient, sum of elasticity index (SEI), root mean square error (RMSE), mean squared prediction error (MPE), and percentage prediction error (PER). The proposed CVSTGCN‐WLP‐CDC provides 23.32%, 28.53% and 24.65% higher accuracy; 22.34%, 25.62%, and 22.84% lower energy consumption when comparing to the existing methods using Artificial Intelligence augmented evolutionary approach espoused cloud data centres workload prediction architecture (TCNN‐CDC‐WLP), Performance analysis of machine learning centered workload prediction techniques for cloud (PA‐BPNN‐CWPC), Machine learning methods for effectual energy utilization in cloud data centers (ARNN‐EU‐CDC) methods respectively.
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 | 0,003 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,003 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| 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