Prognozowanie czasu wykonania zadä w ramach przep¿ywu pracy w ¿rodowisku chmury ma kluczowe znaczenie dla optymalizacji wykorzystania zasobów i dotrzymywania umów dotycz¿cych poziomu us¿ug (SLA). W niniejszym badaniu proponujemy dwuetapowe podej¿cie oparte na uczeniu maszynowym do prognozowania czasu wykonania zadä w ramach przep¿ywu pracy. W pierwszym etapie wykorzystujemy model klasyfikacji zadä do podziäu zadä na grupy w oparciu o ich przewidywany czas wykonania (np. krótki, ¿redni, d¿ugi). Proponowane podej¿cie dwuetapowe ma na celu zwi¿kszenie dok¿adno¿ci prognozowania i interpretowalno¿ci poprzez wykorzystanie zarówno technik klasyfikacji, jak i regresji. Oceniamy wydajno¿¿ modelu na podstawie danych historycznych, bior¿c pod uwag¿ wskäniki takie jak dok¿adno¿¿, ¿redni b¿¿d bezwzgl¿dny oraz ¿redni b¿¿d kwadratowy. Na koniec omawiamy wdro¿enie i monitorowanie modelu w ¿rodowisku chmury, podkre¿laj¿c jego zdolno¿¿ do dostosowywania si¿ do zmieniaj¿cej si¿ infrastruktury i wzorców obci¿¿enia. Wiele metod, w tym alokacja zasobów i planowanie, opiera si¿ na prognozowaniu wydajno¿ci dziää w ramach przep¿ywu pracy dla zmieniaj¿cych si¿ danych wej¿ciowych. Z drugiej strony, generowanie takich prognoz w chmurze stanowi wyzwanie.
Prijshistorie
* Prijshistorie bevat geen data van Amazon.
Prijzen voor het laatst bijgewerkt op: