MMJan, 2021

网络容量扩展辅以不可靠机器学习预测

PDF
TL;DR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。
capacity scalingpower consumptionmachine learningcompetitive rationumerical experiments
发现论文，激发创造
  • 通过速度缩放学习增强能量最小化

    本文介绍了一种基于机器学习的动态在线速度缩放算法，以最小化数据中心的能源消耗，并提供了理论和实验证据来支持其效果。

    Oct, 2020

  • 预测性自动缩放中的持续学习

    在动态云环境中，使用预测自动缩放来预测服务器的工作负载，并提前准备资源以确保服务水平目标（SLOs）。然而，在实践中，由于外部事件（例如销售促销活动和应用程序重新配置）导致的异常流量，其预测任务通常会遭受性能下降的影响。针对这个问题，我们提出了一种基于回放的持续学习方法，即基于密度的内存选择和基于提示的网络学习模型（DMSHM），只使用历史记录的一小部分来实现准确的预测。我们同时还展示了 DMSHM 在真实工业应用中杰出的实用性。

    Jul, 2023

  • LACS: 基于学习的算法对碳意识进行资源调整和需求不确定性管理

    本文研究在线碳感知资源伸缩问题，并将其应用于执行计算工作负载的碳感知资源伸缩，以减少云数据中心的碳排放。通过提出的 LACS 算法，本研究实现了对未知作业长度的在线碳感知执行，并与基线算法进行了比较，展示了 LACS 相对于理想的作业长度信息和准确的碳强度预测算法的平均碳足迹减少。

    Mar, 2024

  • 大规模分布式系统中的最优服务弹性

    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

  • 基于机器学习的电力系统事态下可扩展和最优负荷摘牌

    通过离线训练神经网络模型，我们提出了一种分散设计，用于在发生意外情况时自动构建最优负荷放电解决方案，以提高电力系统的韧性和应急响应能力。在 IEEE 118 节点系统和合成的德克萨斯 2000 节点系统上的数值研究表明，我们的可扩展负荷放电解决方案设计在及时进行电力系统应急操作方面具有高效和有效性。

    May, 2024

  • 基于长短期记忆循环神经网络的自动云资源缩放算法

    该研究提出了一种基于机器学习和神经网络的动态阈值自动扩展算法，以实现云计算中资源的自适应扩展，实验结果表明该算法优于其他算法。

    Jan, 2017

  • 在线匹配、流量和负载均衡的可学习和实例鲁棒性预测

    本文提出了一种新的模型来增强算法的预测能力，该模型要求算法具有形式上可学性和实例鲁棒性；通过构造在线可学习算法，为网络流量分配问题和受限指派最小化问题提供高质量的预测性能，并证明了这些预测对少量训练实例的数据具有鲁棒性。

    Nov, 2020

  • 机器学习推断电力系统吸引盆地

    提出了一种基于平衡库容计算的机器学习技术，通过测量数据推断典型电力系统中引起运行中断的吸引盆地，并证明该技术可以准确预测系统是否能在大幅度随机扰动后返回到功能状态，同时还可以用于推断典型混沌系统中的吸引子。

    May, 2023

  • 级联缩放分类器：使用概率缩放进行类别逐步学习

    通过 Margin Dampening 和 Cascaded Scaling Classifier 的创新方法，提出一种新的正则化方法和一种新的增量分类器，实现过去学习知识的保留和有效学习新的模式。该方法在多个基准测试中表现良好，并研究了各组成部分以及组合对最终结果的影响。

    Feb, 2024

  • 云计算中的不确定性意识工作负载预测

    本文使用贝叶斯深度学习模型预测未来云计算资源需求的分布和不确定性，并通过多组数据集进行不同的预训练和微调，比较单变量和双变量模型的精确度和对 QoS 的影响，并检验了模型的迁移学习能力和在真实环境中的可部署性。

    Feb, 2023