دانلود مقاله پیش‌بینی بار میزبان در رایانش ابری با تبدیل موجک گسسته و شبکه واحد بازگشتی دروازه‌ای دوطرفه
ترجمه نشده

دانلود مقاله پیش‌بینی بار میزبان در رایانش ابری با تبدیل موجک گسسته و شبکه واحد بازگشتی دروازه‌ای دوطرفه

عنوان فارسی مقاله: پیش‌بینی بار میزبان در رایانش ابری با تبدیل موجک گسسته (DWT) و شبکه واحد بازگشتی دروازه‌ای دوطرفه (BiGRU)
عنوان انگلیسی مقاله: Host load prediction in cloud computing with Discrete Wavelet Transformation (DWT) and Bidirectional Gated Recurrent Unit (BiGRU) network
مجله/کنفرانس: ارتباطات کامپیوتری - Computer Communications
رشته های تحصیلی مرتبط: مهندسی کامپیوتر
گرایش های تحصیلی مرتبط: هوش مصنوعی - مهندسی نرم افزار - مهندسی الگوریتم ها و محاسبات
کلمات کلیدی فارسی: رایانش ابری - پیش‌بینی بار میزبان - یادگیری عمیق - تبدیل موجک گسسته (DWT) - واحد دوطرفه دروازه‌ای بازگشتی (BiGRU)
کلمات کلیدی انگلیسی: Cloud computing - Host load prediction - Deep learning - Discrete Wavelet Transformation (DWT) - Bidirectional Gated-Recurrent Unit (BiGRU)
نوع نگارش مقاله: مقاله پژوهشی (Research Article)
شناسه دیجیتال (DOI): https://doi.org/10.1016/j.comcom.2022.11.018
لینک سایت مرجع: https://www.sciencedirect.com/science/article/abs/pii/S0140366422004479
نویسندگان: Javad Dogani - Farshad Khunjush - Mehdi Seydali
دانشگاه: Department of Computer Science and Engineering and IT, School of Electrical and Computer Engineering, Shiraz University, Iran
صفحات مقاله انگلیسی: 18
ناشر: الزویر - Elsevier
نوع ارائه مقاله: ژورنال
نوع مقاله: ISI
سال انتشار مقاله: 2023
ایمپکت فاکتور: 6.231 در سال 2020
شاخص H_index: 109 در سال 2022
شاخص SJR: 1.301 در سال 2020
شناسه ISSN: 1873-703X
شاخص Quartile (چارک): Q1 در سال 2020
فرمت مقاله انگلیسی: PDF
وضعیت ترجمه: ترجمه نشده است
قیمت مقاله انگلیسی: رایگان
آیا این مقاله بیس است: بله
آیا این مقاله مدل مفهومی دارد: دارد
آیا این مقاله پرسشنامه دارد: ندارد
آیا این مقاله متغیر دارد: دارد
آیا این مقاله فرضیه دارد: ندارد
کد محصول: e17303
رفرنس: دارای رفرنس در داخل متن و انتهای مقاله
فهرست مطالب (ترجمه)

چکیده

1. مقدمه

2. کارهای مرتبط

3. پس زمینه

4. روش پیشنهادی

5. آزمایش و بحث

6. نتیجه گیری

تایید اخلاقی

اعلامیه منافع رقابتی

منابع

فهرست مطالب (انگلیسی)

Abstract

1. Introduction

2. Related work

3. Background

4. Proposed method

5. Expriments and discussion

6. Conclusion

Ethical approval

Declaration of competing interest

References

بخشی از مقاله (ترجمه ماشینی)

چکیده

     ارائه سرویس‌های ذخیره‌سازی و محاسباتی بدون پرداخت هزینه، به پذیرش گسترده رایانش ابری کمک کرده است. با استفاده از فناوری مجازی سازی، ارائه دهندگان خدمات ابری می توانند چندین نمونه را بر روی یک سرور فیزیکی واحد اجرا کنند و استفاده از منابع را به حداکثر برسانند. یک مسئله چالش برانگیز در مراکز داده ابری این است که منابع موجود به ندرت به طور کامل مورد استفاده قرار می گیرند. نرخ استفاده از سرور ضعیف و اغلب زیر 30٪ است. یک پیش‌بینی دقیق حجم کار میزبان، تخصیص منابع را افزایش می‌دهد که منجر به استفاده کارآمدتر از منابع می‌شود. اخیراً روش‌های متعددی مبتنی بر یادگیری عمیق برای پیش‌بینی حجم کاری رایانش ابری توسعه یافته‌اند. یک استراتژی کارآمد باید وابستگی های طولانی مدت به داده های بار کاری میزبان غیر ثابت را پیش بینی کند و به اندازه کافی سریع باشد تا به درخواست های دریافتی پاسخ دهد. این مطالعه از یک واحد دو طرفه دردار بازگشتی (BiGRU)، تبدیل موجک گسسته (DWT) و یک مکانیسم توجه برای بهبود دقت پیش‌بینی بار میزبان استفاده می‌کند. DWT برای تجزیه داده های ورودی به باندهای فرعی با فرکانس های مختلف و استخراج الگوها از داده های غیرخطی و غیر ثابت به منظور بهبود دقت پیش بینی استفاده می شود. ویژگی های استخراج شده برای پیش بینی حجم کاری آینده به BiGRu وارد می شوند. مکانیسم توجه به منظور استخراج ویژگی های همبستگی زمانی استفاده می شود. این مدل ترکیبی با مجموعه داده های خوشه ای از گوگل و علی بابا ارزیابی شد. نتایج تجربی نشان می‌دهد که روش ما در مقایسه با انواع روش‌های پیشرفته، دقت پیش‌بینی را بین ۳ تا ۵۶ درصد بهبود می‌بخشد.

توجه! این متن ترجمه ماشینی بوده و توسط مترجمین ای ترجمه، ترجمه نشده است.

بخشی از مقاله (انگلیسی)

Abstract

     Providing pay-as-you-go storage and computing services have contributed to the widespread adoption of cloud computing. Using virtualization technology, cloud service providers can execute several instances on a single physical server, maximizing resource utilization. A challenging issue in cloud data centers is that available resources are rarely fully utilized. The server utilization rate is poor and often below 30%. An accurate host workload prediction enhances resource allocation resulting in more efficient resource utilization. Recently, numerous methods based on deep learning for predicting cloud computing workload have been developed. An efficient strategy must predict long-term dependencies on nonstationary host workload data and be quick enough to respond to incoming requests. This study employs a Bidirectional Gated-Recurrent Unit (BiGRU), Discrete Wavelet Transformation (DWT), and an attention mechanism to improve the host load prediction accuracy. DWT is used to decompose input data into sub-bands with different frequencies and to extract patterns from nonlinear and nonstationary data in order to improve prediction accuracy. The extracted features are fed into BiGRu to predict future workload. The attention mechanism is used in order to extract the temporal correlation features. This hybrid model was evaluated with cluster data sets from Google and Alibaba. Experimental results reveal that our method improves prediction accuracy by 3% to 56% compared to a variety of state-of-the-art methods.

Introduction

     Cloud computing indicates the on-demand accessibility of computer system resources, particularly data storage and computing resources, enabling the users to manage without direct intervention [1], [2]. Organizations can rent cloud computing services as an alternative to investing in their own computing infrastructure or data centers. [3]. The various pay-as-you-go cloud services not only enable clients to purchase resources on-demand [4] but also enables the provision of an infinite amount of resource capacity (e.g., CPU, memory, network, and disk) at a reasonable price without investing in infrastructure or incurring additional expenditures for maintenance [5], [6], [7]. The average capacity utilization rate for regular deployments is less than 40%, although businesses require a relatively large number of servers and other resources to ensure the quality of service (QoS) during peak periods [8], [9]. Fig. 1 depicts boxplots of CPU consumption over two working days for 50 Google cluster machines. Each record of this data represents the cumulative consumption in 5 min. As seen in Fig. 1, however, the average CPU utilization rarely exceeds 50%, and in most cases, it is less than 30%.

Conclusion

     This article proposes a host workload prediction method in cloud computing by combining the DWT, BiGRU model and attention mechanism. In addition to learning long-term dependencies in BiGRU, DWT can decompose nonlinear and nonstationary data into predictable subbands in order to predict future host workload in cloud computing. The proposed approach was evaluated using two real-time host load trace datasets, the Google Cluster Database and the Alibaba Cluster. According to the experimental results, basic techniques cannot learn nonlinear data, mainly when random fluctuations occur in the data. However, the model presented in the proposed method shows good compatibility and achieves better results than DWT-LSTM, DWT-BPNN, DWT-SVR, LSTM, BPNN, and SVR in both datasets. Since distributed computing is increasingly oriented toward lightweight virtualization technologies such as containers, we will predict container workloads in the Docker and Kubernetes environments in future research. We run various applications in these environments, and a series of simulations will run to generate tasks and measure the container’s CPU load. Then, the workload will be predicted using machine learning models, and resource provisioning will be performed.