文献

J-GLOBAL ID：202202211755256177   整理番号：22A0890457

グリーンクラウドデータセンタにおけるホットスポットとコールドスポット緩和のための深層学習ベース多変量資源利用予測【JST・京大機械翻訳】

Deep learning-based multivariate resource utilization prediction for hotspots and coldspots mitigation in green cloud data centers

著者 (3件)： Patel Yashwant Singh (Department of Computer Science and Engineering, Thapar Institute of Engineering and Technology, Patiala, Punjab, India) ,  Jaiswal Rishabh (Department of Computer and Information Science and Engineering, University of Florida, Gainesville, FL, USA) ,  Misra Rajiv (Department of Computer Science and Engineering, Indian Institute of Technology Patna, Bihar, India)
資料名： Journal of Supercomputing  (Journal of Supercomputing)
巻： 78  号： 4  ページ： 5806-5855  発行年： 2022年 
JST資料番号： T0418A  ISSN： 0920-8542  資料種別： 逐次刊行物 (A)
記事区分： 原著論文  発行国： ドイツ (DEU)  言語： 英語 (EN)

抄録/ポイント： 動的仮想機械(VM)圧密は,資源利用を強化するための建設技術であり,データセンタのエネルギー消費を最小化するために広く採用されている。しかし,現在のアプローチでは,将来の資源需要を考慮しない現在の資源利用に基づいて,積極的に使用された物理サーバ(PM)の削減に,圧密技術が大いに依存している。また,クラウド作業負荷予測の多くの報告は,一変量時系列ベース予測モデルを適用し,他の資源利用メトリックの依存性を無視した。したがって,不正確な予測,不必要な移動,高い移動コスト,および増加したサービスレベル一致違反(SLAV)は,圧密利益を無効にするかもしれない。この問題を効率的に扱うために,著者らは,O(sk)時間複雑性を有する資源の現在と将来の利用の両方を考慮する多変量資源利用予測ベースのホットスポットとコールドスポット軽減アプローチを提案し,そこでは,sとkがPMsとVMの数をそれぞれ示す。提案技法は,クラスタリングベース積層双方向(Long Short-Termメモリ)LSTM深層学習ネットワークを用いて,Q,W,および[数式:原文を参照]が隠れ層セル,出力,および訓練期間をそれぞれ表現する高精度および[数式:原文を参照]計算複雑性を有するPMおよびVMsの将来のメモリおよびCPU利用を予測した。Googleのクラスタ作業負荷トレースに基づく広範なシミュレーションを通して,提案手法は,予測性能,エネルギー効率,アクティブに使用されるPMs,VMマイグレーション,およびベンチマークアプローチ上のSLA違反に関して実質的な改善を得ることを実証した。Copyright The Author(s), under exclusive licence to Springer Science+Business Media, LLC, part of Springer Nature 2021 Translated from English into Japanese by JST.【JST・京大機械翻訳】

シソーラス用語： 圧密 ,  記憶装置 ,  作業負荷 ,  *データセンタ ,  計算量 ,  クラスタ ,  *緩和現象 ,  *ホットスポット ,  仮想機械システム ,  *機械学習 ,  予測モデル
準シソーラス用語： Google ,  ホップ数 ,  *資源利用 ,  *多変量 ,  *深層学習 , 【Automatic Indexing@JST】

著者キーワード (9件)： グリーンクラウドコンピューティング ,  深層学習 ,  動的VM圧密 ,  エネルギー効率 ,  SLA ,  移動 ,  資源利用 ,  予測アプローチ ,  性能評価

分類 (1件)： 計算機網  (JC03000K)

タイトルに関連する用語 (8件)： ホットスポット ,  コール ,  ポット ,  緩和 ,  深層学習 ,  多変量 ,  資源利用 ,  予測