抄録/ポイント:
抄録/ポイント
文献の概要を数百字程度の日本語でまとめたものです。
部分表示の続きは、JDreamⅢ(有料)でご覧頂けます。
J-GLOBALでは書誌(タイトル、著者名等)登載から半年以上経過後に表示されますが、医療系文献の場合はMyJ-GLOBALでのログインが必要です。
予測仮想マシン(VM)自動スケーリングは,クラウドアプリケーション運転コストと性能を最適化するための有望な技術である。ジョブ到着率の理解は,クラウド作業負荷の将来の変化を正確に予測し,アプリケーションをホストするVMsを積極的に提供し,予測するために重要である。しかし,雲作業負荷変化を正確に予測するモデルの開発は,クラウド作業負荷の動的性質のために極めて困難である。クラウド作業負荷予測のために,Long-Short-Term-Memory(LSTM)モデルを開発した。残念なことに,最先端のLSTMモデルは,自然に複雑性を付加し,入力シーケンスが長く成長するので推論オーバヘッドを増加させるために,再帰性を予測する。高精度と低推論オーバヘッドを有するクラウド作業負荷予測モデルを開発するために,本研究は,WGAN-gp変換機と呼ばれる新しい時系列予測モデルを提示して,変換器ネットワークによって触発して,Wasserstein-GANを改良した。提案方法は,変換器ネットワークを発電機として,多層パーセプトロンを批評として採用する。実世界の作業負荷トレースによる広範な評価は,WGAN-gp変換器が,最先端の手法に対して,最大5.1パーセント高い予測精度で5倍速い推論時間を達成することを示した。また,Googleクラウドプラットフォーム上の自動スケーリング機構にWGAN-gp変換器を適用し,WGAN-gp変換器ベース自動スケーリング機構は,VM過剰予測および過小予測速度を著しく低減することにより,LSTMベース機構より性能が優れていた。【JST・京大機械翻訳】