自我感知和自适应云自动扩展系统的调查和分类
OptScaler 是一个混合自动扩缩容框架,将预测性和反应性方法相结合,通过工作负载预测和资源优化来稳定 CPU 利用率,实现在线服务的可靠自动扩缩容。
Oct, 2023
提出了一种名为 Full Scaling Automation (FSA) 的机制,该机制利用深度表征学习来动态适应大型云计算集群中的工作负载,实现数据中心集群保持所需的 CPU 利用率目标的同时提高能源效率,并且在 2022 年 “双 11” 购物节期间,使用 FSA 机制成功减少了 947 吨二氧化碳的排放,实现了我公司 2030 年碳中和的战略目标。
May, 2023
本文提出一种联合自动扩展和负载均衡方案,不需要任何全局队列长度信息或系统参数的显式知识,并提供可证明近似最优的服务弹性,同时分布式地进行操作并仅涉及每个任务的常量通信开销,从而确保在大规模数据中心操作中具有可扩展性。
Mar, 2017
该论文提出了一个安全关键的自适应系统的定义并描述了一套分类自适应系统中的不同类型的适应,并根据它们对系统安全和系统安全案例的影响提出了可分类的标准。分类中的每一种类型都使用安全关键的自适应热水系统的例子进行说明。
Sep, 2022
该论文介绍了一个新的概念,用于可解释和可适应的软件系统:自维持软件系统(S4)。S4 建立了现代软件系统中所有可用知识源之间的知识循环,以提高其可解释性和适应性。
Jan, 2024
该研究介绍了一种众包自适应调查方法(CSAS),结合自然语言处理和自适应算法的进展,生成随用户输入而演变的问题库。该方法将参与者提供的开放性文本转换为李克特式项目,并应用多臂赌博机算法来确定应优先考虑的用户提供的问题。这种自适应方法允许探讨新的调查问题,同时在调查长度方面成本最小化。在拉丁裔信息环境和问题重要性领域的应用展示了 CSAS 识别可能难以通过标准方法追踪的主张或问题的能力。最后讨论了该方法在研究参与者生成内容可能提高我们理解公众意见的主题方面的潜力。
Jan, 2024
本篇博士研究提出了一个有原则的多智能体系统 (MAS) 合作框架 —— 自适应群体系统 (SASS),以弥合感知、通信、规划、执行、决策和学习之间的第四级自动化差距。
May, 2021
本文介绍了一种名为 Adaptive Balanced Capacity Scaling (ABCS) 的算法,该算法能够通过使用基于机器学习的预测来适应并减小数据中心的能耗和交换成本,同时保持足够的预测精度和竞争比率,相关的实验结果也证明了该算法的有效性。
Jan, 2021