QoS‐Aware Load Balancing in Cloud Computing Based on Chronological Kookaburra Optimization Algorithm
Notice bibliographique
Résumé
ABSTRACT In cloud computing environments, user requests often lead to varying load conditions across the system, resulting in underloaded, overloaded, or balanced states. Both underloading and overloading can cause system inefficiencies, including increased power consumption, prolonged execution times, and higher machine failure rates. Therefore, effective load balancing (LB) becomes a critical aspect of task scheduling in cloud systems, whether at the level of virtual machines (VMs) or independently. To address these challenges, this paper proposes the Chronological Kookaburra Optimization Algorithm (ChKOA) for efficient LB in cloud computing (CC). The proposed ChKOA is the combination of chronological concept with the Kookaburra Optimization Algorithm (KOA). Initially, tasks are assigned to VMs in a round‐robin manner. Based on specific VM parameters, the VMs are classified into overloaded and underloaded categories using deep embedded clustering (DEC). Tasks in overloaded VMs are prioritized and redistributed to underloaded VMs, considering factors such as supply, demand, capacity, predicted load, and key Quality of Service (QoS) metrics, including resource availability and reliability. Load prediction is performed using a Deep Residual Network (DRN). Simulation results demonstrate that the proposed ChKOA achieves a balanced load of 0.535, capacity utilization of 0.954, resource availability of 0.954, reliability of 0.936, and a computational cost of 0.327 s.
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 | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,002 | 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 ».