کد مقاله کد نشریه سال انتشار مقاله انگلیسی نسخه تمام متن
11009320 1829274 2019 16 صفحه PDF دانلود رایگان
عنوان انگلیسی مقاله ISI
Online model learning for self-aware computing infrastructures
ترجمه فارسی عنوان
یادگیری مدل آنلاین برای زیرساخت های محاسباتی خودآگاه
کلمات کلیدی
محاسبات خود آگاه، مدل عملکرد، استخراج مدل، یادگیری مدل،
ترجمه چکیده
مدل های عملکرد ابزار ارزشمند و قدرتمند برای پیش بینی عملکرد هستند. با این حال، ایجاد مدل های عملکرد معمولا مستلزم تلاش های قابل توجهی است. علاوه بر این، به عنوان سازه های مدل شده، تغییرات مکرر در زیربناهای مدرن، چنین مدل های عملکردی نیز باید سازگار باشد. بنابراین ما یک معماری مرجع برای یادگیری مدل آنلاین در محیط مجازی را پیشنهاد می دهیم که امکان استخراج اتوماتیک از مدل های عملکرد فوق را فراهم می کند. ما یک رویکرد مبتنی بر عامل را دنبال می کنیم که ما را قادر می سازد استخراج اطلاعات مربوط به ساختار برنامه و نیز ساختارهای مجازی سازی موجود در مراکز محاسبات مدرن را در بر بگیرد. ارزیابی ما نشان می دهد که عوامل همکاری ما قادر به کاهش تلاش دستی برای استخراج مدل عملکرد با 85.4٪ هستند. مدل عملکرد حاصل قادر به پیش بینی استفاده از سیستم با یک خطای مطلق کمتر از 4٪ و زمان پاسخ پایان دادن به پایان با خطای نسبی کمتر از 21٪ است.
موضوعات مرتبط
مهندسی و علوم پایه مهندسی کامپیوتر شبکه های کامپیوتری و ارتباطات
پیش نمایش مقاله
یادگیری مدل آنلاین برای زیرساخت های محاسباتی خودآگاه
چکیده انگلیسی
Performance models are valuable and powerful tools for performance prediction. However, the creation of performance models usually requires significant manual effort. Furthermore, as the modeled structures are subject to frequent change in modern infrastructures, such performance models need to be adapted as well. We therefore propose a reference architecture for online model learning in virtualized environments, which enables the automatic extraction of the aforementioned performance models. We follow an agent-based approach, which enables us to incorporate the extraction of information about the application structure as well as the virtualization structures present in modern computing centers. Our evaluation shows that our collaborating agents are able to reduce the manual effort of performance model extraction by 85.4%. The resulting performance model is able to predict the system utilization with an absolute error of less than 4% and the end-to-end response time with a relative error of less than 21%.
ناشر
Database: Elsevier - ScienceDirect (ساینس دایرکت)
Journal: Journal of Systems and Software - Volume 147, January 2019, Pages 1-16
نویسندگان
, , , ,