文献

J-GLOBAL ID：202102219415458159   整理番号：21A0064320

クラウド弾性モデルのための負荷とクラウドリソース構成の動的K平均クラスタリング【JST・京大機械翻訳】

Dynamic K-Means Clustering of Workload and Cloud Resource Configuration for Cloud Elastic Model

著者 (4件)： Daradkeh Tariq (Department of Electrical and Computer Engineering, Concordia University, Montreal, QC, Canada) ,  Agarwal Anjali (Department of Electrical and Computer Engineering, Concordia University, Montreal, QC, Canada) ,  Zaman Marzia (Cistech Limited, Ottawa, ON, Canada) ,  Goel Nishith (Cistech Limited, Ottawa, ON, Canada)
資料名： IEEE Access  (IEEE Access)
巻： 8  ページ： 219430-219446  発行年： 2020年 
JST資料番号： W2422A  ISSN： 2169-3536  資料種別： 逐次刊行物 (A)
記事区分： 原著論文  発行国： アメリカ合衆国 (USA)  言語： 英語 (EN)

抄録/ポイント： クラウド弾性は,計算資源のタイムリーな準備とデプロビジョンを含み,動的作業負荷要求を満たすために資源サイズを調整する。これは,作業負荷要求と整合する最小コスト(例えば,御のような)で,高速で正確な資源スケーリング法を必要とする。2つの動的変化パラメータを,弾性モデル,作業負荷資源需要クラス,およびデータセンタ資源再構成クラスで定義しなければならない。これらのパラメータはクラウド管理システムに対してラベル付けされないが,データセンタログは捕捉されている。前進弾性モデルの構築は重要なタスクであり,これら2つのカテゴリー,即ち,作業負荷と準備のための複数のクラスを定義する。したがって,動的方法は,作業負荷クラスと資源プロビジョニングクラスを定義する(構成時間ウィンドウ)を定義するのに必要である。K-平均のような教師なし学習モデルは,時間計算量,クラスタの最適数の選択(クラスを表す),およびクラスタの重心値の決定のような多くの課題を持っている。すべてのクラスタリング方法は,同じクラスメンバーにおける母集団の中心間の平均二乗誤差の最小化に依存する。これらの方法は,重心を発見するためのガイドラインを用いてしばしば強化されるが,それらはK-平均限界に悩まされる。クラスタ化クラウドログトレースの適用のために,報告された研究の殆どは,作業負荷タイプをラベルするためにK-平均クラスタリングを用いている。しかし,ラベルデータセンタスケーリングクラスは報告されていない。本研究では,クラスタリング法を用いて,作業負荷とデータセンタ構成の両方の特性を解析するため,新しい方法を提案し,ランダム変数モデル変換(カーネル密度推定子)ガイドに基づく。この方式は,クラスの最適数を自動的に決定して,クラスタの平均重心を見つけることによって,K-平均クラスタ化を強化する。さらに,統計的相関法を用いてクラスタリング属性間の最良相関により,標準K-平均クラスタリングモデルの精度と時間複雑性を改善した。Copyright 2021 The Institute of Electrical and Electronics Engineers, Inc. All rights reserved. Translated from English into Japanese by JST.【JST・京大機械翻訳】

シソーラス用語： 管理システム ,  *弾性 ,  教師なし学習 ,  重心 ,  *クラスタ化 ,  データセンタ ,  再構成 ,  *クラスタ ,  母集団
準シソーラス用語： 平均二乗誤差 ,  ランダム変数 ,  複雑性 ,  *弾性モデル ,  計算資源 , 【Automatic Indexing@JST】

分類 (3件)： 音声処理  (JE05000E) ,  人工知能  (JE08000Z) ,  図形・画像処理一般  (JE04010I)

タイトルに関連する用語 (5件)： クラウド ,  弾性モデル ,  リソース ,  平均 ,  クラスタリング