Главная » Просмотр файлов » Предсказание потребления процессорного времени в виртуальных средах

Предсказание потребления процессорного времени в виртуальных средах (1187413), страница 6

Файл №1187413 Предсказание потребления процессорного времени в виртуальных средах (Предсказание потребления процессорного времени в виртуальных средах) 6 страницаПредсказание потребления процессорного времени в виртуальных средах (1187413) страница 62020-09-11СтудИзба
Просмтор этого файла доступен только зарегистрированным пользователям. Но у нас супер быстрая регистрация: достаточно только электронной почты!

Текст из файла (страница 6)

Алгоритм планирования позволяет напрямую контролировать вероятность нехватки процессорного времени.Результаты, перечисленные в пункте 5 являются ключевыми дляэтой работы.40Отметим всю условность полученного прироста производительности. С одной стороны, планировщик был крайне ограничен в спектресвоих возможных действий. Имея свободу сопоставлять пары сервер –нагрузка для множества серверов и множества нагрузок, заведомо возможно получить результаты не хуже, чем когда за планировщика это сопоставление уже сделано волей случая.

С другой стороны, в ходе симуляции был сделан ряд упрощений. Главное упрощение состоит в рассмотрении исключительно потребления процессорного времени. В реальности,при балансировании нагрузки придётся учитывать также потреблениеоперативной памяти, операции с диском и использование сетевого канала. Детальное симулирование работы с оперативной памятью представляется куда более сложной задачей, чем отдельное рассмотрение процессорного времени. Другим упрощением является игнорирование возможной взаимной зависимости между нагрузками.

Наличие корреляциймежду потреблениями процессорного времени нагрузками на одной физической машине потенциально может увеличить вероятность нехватки процессорного времени, как следствие нарушения предположения онезависимости. С другой стороны, учёт связи нагрузок может позволитьучесть корреляцию в вероятностной моделе, и увеличить точность предсказания на счёт дополнительной информации от других нагрузок.Однако, целью работы была демострация возможности эффективно использовать предсказываемое вероятностное распределение для размещения нагрузки.

Точности модели предсказания хватило, чтобы наего основании планировщик мог добиватся желаемой вероятности перегрузки. В результате планировщик предоставлял желаемый контрольрисков, что подтверждает принципиальную применимость предложенной конструкции.41ЗаключениеДля максимальной точности предсказания потребления процессорного времени линейных моделей недостаточно, искусственные нейронныесети показывают значительно более высокую точность. В число независимых переменных крайне важно включить история потребления процессорного времени, но дополнительные параметры также дают некоторый прирост точности.Для обезопашенного от нехватки ресурсов распределения нагрузки, необходима не точечная оценка будущего потребления, а оценка всегоего вероятностного распределения. Наличие такой оценки для каждойнагрузки позволяет достаточно точно оценивать вероятность нехваткирассматриваемого ресурса, что экспериментально подтвердилось в ходеработы.

Для предсказания распределения можно использовать вариационные нейронные сети.В качетсве продолжения данной работы, разумно включить в рассмотрение другие системные ресурсы. Такое расширение, вероятно, потребует наличие более детальных исторических данных, либо доступ реально исполняемым нагрузкам. Конечной целью является эффективнаябалансировка реальных нагрузок.Использование более частых измерений может улучшить точностьпредсказания и уменьшить задержки в реагировании планировщика.Учёт взаимодействия между нагрузками также может увеличить точность.

И наконец, точность предсказания может быть возможно повычить с использованием рекуррентных нейронных сетей (хранящих внутреннее состояние).42Список литературы1. Dhiman Gaurav, Mihic Kresimir, Rosing Tajana. A system for online power prediction in virtualized environments using gaussian mixture models // Design Automation Conference (DAC), 2010 47thACM/IEEE / IEEE. — 2010. — Pp. 807–812.2.

Meisner David, Gold Brian T, Wenisch Thomas F. PowerNap: eliminating server idle power // ACM Sigplan Notices / ACM. — Vol. 44. —2009. — Pp. 205–216.3. Pakbaznia Ehsan, Pedram Massoud. Minimizing data center cooling andserver power costs // Proceedings of the 2009 ACM/IEEE internationalsymposium on Low power electronics and design / ACM. — 2009. —Pp. 145–150.4. Di Sheng, Kondo Derrick, Cirne Walfredo. Characterization and Comparison of Google Cloud Load versus Grids. http://hal. archives-ouvertes.fr/hal-00705858.

— 2012.5. Di Sheng, Kondo Derrick, Cirne Walfredo. Host load prediction in aGoogle compute cloud with a Bayesian model // Proceedings of theInternational Conference on High Performance Computing, Networking,Storage and Analysis / IEEE Computer Society Press. — 2012. — P. 21.6. Kalyvianaki Evangelia, Charalambous Themistoklis, Hand Steven. Adaptive resource provisioning for virtualized servers using Kalman filters //ACM Transactions on Autonomous and Adaptive Systems (TAAS). —2014. — Vol.

9, no. 2. — P. 10.7. Kalyvianaki Evangelia, Charalambous Themistoklis, Hand Steven. Selfadaptive and self-configured cpu resource provisioning for virtualizedservers using kalman filters // Proceedings of the 6th international conference on Autonomic computing / ACM. — 2009. — Pp. 117–126.8. Adaptive control of virtualized resources in utility computing environments / Pradeep Padala, Kang G Shin, Xiaoyun Zhu et al. // ACM43SIGOPS Operating Systems Review / ACM. — Vol. 41.

— 2007. —Pp. 289–302.9. Berger James O. Statistical decision theory and Bayesian analysis. —Springer Science & Business Media, 2013.10. Di Sheng, Kondo Derrick, Cirne Walfredo. Google hostload predictionbased on Bayesian model with optimized feature combination // Journalof Parallel and Distributed Computing. — 2014. — Vol. 74, no. 1. —Pp. 1820–1832.11. Dinda Peter A, O’Hallaron David R. An evaluation of linear models forhost load prediction // High Performance Distributed Computing, 1999.Proceedings. The Eighth International Symposium on / IEEE. — 1999.— Pp.

87–96.12. Dinda Peter A. The statistical properties of host load // InternationalWorkshop on Languages, Compilers, and Run-Time Systems for ScalableComputers / Springer. — 1998. — Pp. 319–334.13. Dinda Peter A, O’hallaron David R. Host load prediction using linearmodels // Cluster computing. — 2000. — Vol. 3, no. 4. — Pp.

265–280.14. Domingos Pedro, Pazzani Michael. On the optimality of the simpleBayesian classifier under zero-one loss // Machine learning. — 1997.— Vol. 29, no. 2. — Pp. 103–130.15. Dunham Margaret H. Data mining: Introductory and advanced topics.— Pearson Education India, 2006.16.

Farahat MA, Talaat M. Short-Term Load Forecasting Using Curve Fitting Prediction Optimized by Genetic Algorithms // International Journal of Energy Engineering. — 2012. — Vol. 2, no. 2. — Pp. 23–28.17. Kalyvianaki Evangelia, Hand Steven. Applying Kalman filters to dynamic resource provisioning of virtualized server applications // Proc. 3rd Int.Workshop Feedback Control Implementation and Design in ComputingSystems and Networks (FeBid). — 2008.

— P. 6.4418. Adaptive workload prediction of grid performance in confidence windows / Yongwei Wu, Kai Hwang, Yulai Yuan, Weiming Zheng // IEEETransactions on Parallel and Distributed Systems. — 2010. — Vol. 21,no. 7. — Pp. 925–938.19. Load prediction using hybrid model for computational grid / Yongwei Wu, Yulai Yuan, Guangwen Yang, Weimin Zheng // Grid Computing, 2007 8th IEEE/ACM International Conference on / IEEE. — 2007.— Pp. 235–242.20. Yoas Daniel W, Simco Greg.

Resource utilization prediction: A proposalfor information technology research // Proceedings of the 1st Annualconference on Research in information technology / ACM. — 2012. —Pp. 25–30.21. Zhang Yuanyuan, Wei SUN, Inoguchi Yasushi. CPU load predictions onthe computational grid // IEICE TRANSACTIONS on Information andSystems. — 2007. — Vol. 90, no. 1. — Pp. 40–47.22. Bellosa Frank. The benefits of event: driven energy accounting in powersensitive systems // Proceedings of the 9th workshop on ACM SIGOPSEuropean workshop: beyond the PC: new challenges for the operatingsystem / ACM.

— 2000. — Pp. 37–42.23. Contreras Gilberto, Martonosi Margaret. Power prediction for Intel XScale/spl reg/processors using performance monitoring unit events // LowPower Electronics and Design, 2005. ISLPED’05. Proceedings of the 2005International Symposium on / IEEE. — 2005. — Pp.

221–226.24. Li Tao, John Lizy Kurian. Run-time modeling and estimation of operating system power consumption // ACM SIGMETRICS PerformanceEvaluation Review / ACM. — Vol. 31. — 2003. — Pp. 160–171.25. ClusterData2011_2 traces. — https://github.com/google/cluster-data/blob/master/ClusterData2011_2.md. — Accessed: 22.05.2017.26. Hornik Kurt. Approximation capabilities of multilayer feedforward networks // Neural networks.

— 1991. — Vol. 4, no. 2. — Pp. 251–257.4527. Murphy Kevin P. Machine learning: a probabilistic perspective. — MITpress, 2012.28. Dropout: A simple way to prevent neural networks from overfitting /Nitish Srivastava, Geoffrey Hinton, Alex Krizhevsky et al. // The Journalof Machine Learning Research. — 2014.

— Vol. 15, no. 1. — Pp. 1929–1958.29. Baldi Pierre, Sadowski Peter J. Understanding dropout // Advances inNeural Information Processing Systems. — 2013. — Pp. 2814–2822.30. Ioffe Sergey, Szegedy Christian. Batch normalization: Accelerating deepnetwork training by reducing internal covariate shift // arXiv preprintarXiv:1502.03167. — 2015.31. Kudinova Marina, Melekhova Anna, Verinov Alexander.

CPU utilization prediction methods overview // Proceedings of the 11th Central &Eastern European Software Engineering Conference in Russia / ACM.— 2015. — P. 7.32. Bobroff Norman, Kochut Andrzej, Beaty Kirk. Dynamic placement ofvirtual machines for managing sla violations // Integrated Network Management, 2007. IM’07. 10th IFIP/IEEE International Symposium on /IEEE. — 2007. — Pp.

Характеристики

Список файлов ВКР

Свежие статьи
Популярно сейчас
Зачем заказывать выполнение своего задания, если оно уже было выполнено много много раз? Его можно просто купить или даже скачать бесплатно на СтудИзбе. Найдите нужный учебный материал у нас!
Ответы на популярные вопросы
Да! Наши авторы собирают и выкладывают те работы, которые сдаются в Вашем учебном заведении ежегодно и уже проверены преподавателями.
Да! У нас любой человек может выложить любую учебную работу и зарабатывать на её продажах! Но каждый учебный материал публикуется только после тщательной проверки администрацией.
Вернём деньги! А если быть более точными, то автору даётся немного времени на исправление, а если не исправит или выйдет время, то вернём деньги в полном объёме!
Да! На равне с готовыми студенческими работами у нас продаются услуги. Цены на услуги видны сразу, то есть Вам нужно только указать параметры и сразу можно оплачивать.
Отзывы студентов
Ставлю 10/10
Все нравится, очень удобный сайт, помогает в учебе. Кроме этого, можно заработать самому, выставляя готовые учебные материалы на продажу здесь. Рейтинги и отзывы на преподавателей очень помогают сориентироваться в начале нового семестра. Спасибо за такую функцию. Ставлю максимальную оценку.
Лучшая платформа для успешной сдачи сессии
Познакомился со СтудИзбой благодаря своему другу, очень нравится интерфейс, количество доступных файлов, цена, в общем, все прекрасно. Даже сам продаю какие-то свои работы.
Студизба ван лав ❤
Очень офигенный сайт для студентов. Много полезных учебных материалов. Пользуюсь студизбой с октября 2021 года. Серьёзных нареканий нет. Хотелось бы, что бы ввели подписочную модель и сделали материалы дешевле 300 рублей в рамках подписки бесплатными.
Отличный сайт
Лично меня всё устраивает - и покупка, и продажа; и цены, и возможность предпросмотра куска файла, и обилие бесплатных файлов (в подборках по авторам, читай, ВУЗам и факультетам). Есть определённые баги, но всё решаемо, да и администраторы реагируют в течение суток.
Маленький отзыв о большом помощнике!
Студизба спасает в те моменты, когда сроки горят, а работ накопилось достаточно. Довольно удобный сайт с простой навигацией и огромным количеством материалов.
Студ. Изба как крупнейший сборник работ для студентов
Тут дофига бывает всего полезного. Печально, что бывают предметы по которым даже одного бесплатного решения нет, но это скорее вопрос к студентам. В остальном всё здорово.
Спасательный островок
Если уже не успеваешь разобраться или застрял на каком-то задание поможет тебе быстро и недорого решить твою проблему.
Всё и так отлично
Всё очень удобно. Особенно круто, что есть система бонусов и можно выводить остатки денег. Очень много качественных бесплатных файлов.
Отзыв о системе "Студизба"
Отличная платформа для распространения работ, востребованных студентами. Хорошо налаженная и качественная работа сайта, огромная база заданий и аудитория.
Отличный помощник
Отличный сайт с кучей полезных файлов, позволяющий найти много методичек / учебников / отзывов о вузах и преподователях.
Отлично помогает студентам в любой момент для решения трудных и незамедлительных задач
Хотелось бы больше конкретной информации о преподавателях. А так в принципе хороший сайт, всегда им пользуюсь и ни разу не было желания прекратить. Хороший сайт для помощи студентам, удобный и приятный интерфейс. Из недостатков можно выделить только отсутствия небольшого количества файлов.
Спасибо за шикарный сайт
Великолепный сайт на котором студент за не большие деньги может найти помощь с дз, проектами курсовыми, лабораторными, а также узнать отзывы на преподавателей и бесплатно скачать пособия.
Популярные преподаватели
Добавляйте материалы
и зарабатывайте!
Продажи идут автоматически
6384
Авторов
на СтудИзбе
308
Средний доход
с одного платного файла
Обучение Подробнее