Розробка методу навчання ознак та вирішальних правил для прогнозування порушення умов обслуговування в хмарному середовищі
DOI:
https://doi.org/10.15587/1729-4061.2017.110073Ключові слова:
датацентр, розріджене кодування, нейронний газ, інформаційний критерій, машинне навчання, ройовий алгоритмАнотація
Розроблено алгоритм навчання багатошарового екстрактора ознак, що використовує принципи нейронного газу та розрідженого кодування. Запропоновано інформаційно-екстремальний метод двійкового кодування ознакового подання для побудови вирішальних правил. Це дозволяє зменшити вимоги до обсягів навчальних даних і обчислювальних ресурсів та забезпечити високу достовірність прогнозування порушення умов договору про рівень обслуговування в хмарному середовищі
Посилання
- Reyhane, A. H., Abdelhakim, H. (2016). SLA Violation Prediction In Cloud Computing: A Machine Learning Perspective. arXiv. Available at: https://arxiv.org/pdf/1611.10338.pdf
- Minarolli, D., Mazrekaj, A., Freisleben, B. (2017). Tackling uncertainty in long-term predictions for host overload and underload detection in cloud computing. Journal of Cloud Computing, 6 (1). doi: 10.1186/s13677-017-0074-3
- Wajahat, M., Gandhi, A., Karve, A., Kochut, A. (2016). Using machine learning for black-box autoscaling. 2016 Seventh International Green and Sustainable Computing Conference (IGSC). doi: 10.1109/igcc.2016.7892598
- Meskini, A., Taher, Y., El gammal, A., Finance, B., Slimani, Y. (2016). Proactive Learning from SLA Violation in Cloud Service based Application. Proceedings of the 6th International Conference on Cloud Computing and Services Science. doi: 10.5220/0005807801860193
- Ashraf, A. (2016). Automatic Cloud Resource Scaling Algorithm based on Long Short-Term Memory Recurrent Neural Network. International Journal of Advanced Computer Science and Applications, 7 (12). doi: 10.14569/ijacsa.2016.071236
- Gupta, L., Samaka, M., Jain, R., Erbad, A., Bhamare, D., Chan, H. A. (2017). Fault and Performance Management in Multi-Cloud Based NFV using Shallow and Deep Predictive Structures. 7th Workshop on Industrial Internet of Things Communication Networks at The 26th International Conference on Computer Communications and Networks (ICCCN 2017). Vancluver.
- Tarsa, S. J., Kumar, A. P., Kung, H. T. (2014). Workload prediction for adaptive power scaling using deep learning. 2014 IEEE International Conference on IC Design & Technology. doi: 10.1109/icicdt.2014.6838580
- Flenner, J., Hunter, B. A Deep Non-Negative Matrix Factorization Neural Network. Available at: http://www1.cmc.edu/pages/faculty/BHunter/papers/deepNMF.pdf
- Li, Y., Hu, H., Wen, Y., Zhang, J. (2016). Learning-based power prediction for data centre operations via deep neural networks. Proceedings of the 5th International Workshop on Energy Efficient Data Centres – E2DC ’16. doi: 10.1145/2940679.2940685
- Zhao, Z., Zhang, X., Fang, Y. (2015). Stacked Multilayer Self-Organizing Map for Background Modeling. IEEE Transactions on Image Processing, 24 (9), 2841–2850. doi: 10.1109/tip.2015.2427519
- Chan, T.-H., Jia, K., Gao, S., Lu, J. et. al. (2014). PCANet: A Simple Deep Learning Baseline for Image Classification. arXiv. Available at: https://arxiv.org/pdf/1404.3606.pdf
- Labusch, K., Barth, E., Martinetz, T. (2008). Learning Data Representations with Sparse Coding Neural Gas. Proceedings of the European Symposium on Artificial Neural Networks. Bruges, 233–238.
- Labusch, K., Barth, E., Martinetz, T. (2009). Sparse Coding Neural Gas: Learning of overcomplete data representations. Neurocomputing, 72 (7-9), 1547–1555. doi: 10.1016/j.neucom.2008.11.027
- Moskalenko, V., Pimonenko, S. (2016). Optimizing the parameters of functioning of the system of management of data center it infrastructure. Eastern-European Journal of Enterprise Technologies, 5 (2 (83)), 21–29. doi: 10.15587/1729-4061.2016.79231
- Dovbysh, A. S., Moskalenko, V. V., Rizhova, A. S. (2016). Information-Extreme Method for Classification of Observations with Categorical Attributes. Cybernetics and Systems Analysis, 52 (2), 224–231. doi: 10.1007/s10559-016-9818-1
- Mosa, A., Paton, N. W. (2016). Optimizing virtual machine placement for energy and SLA in clouds using utility functions. Journal of Cloud Computing, 5 (1). doi: 10.1186/s13677-016-0067-7
##submission.downloads##
Опубліковано
Як цитувати
Номер
Розділ
Ліцензія
Авторське право (c) 2017 Vyacheslav Moskalenko, Alyona Moskalenko, Sergey Pimonenko, Artem Korobov
Ця робота ліцензується відповідно до Creative Commons Attribution 4.0 International License.
Закріплення та умови передачі авторських прав (ідентифікація авторства) здійснюється у Ліцензійному договорі. Зокрема, автори залишають за собою право на авторство свого рукопису та передають журналу право першої публікації цієї роботи на умовах ліцензії Creative Commons CC BY. При цьому вони мають право укладати самостійно додаткові угоди, що стосуються неексклюзивного поширення роботи у тому вигляді, в якому вона була опублікована цим журналом, але за умови збереження посилання на першу публікацію статті в цьому журналі.
Ліцензійний договір – це документ, в якому автор гарантує, що володіє усіма авторськими правами на твір (рукопис, статтю, тощо).
Автори, підписуючи Ліцензійний договір з ПП «ТЕХНОЛОГІЧНИЙ ЦЕНТР», мають усі права на подальше використання свого твору за умови посилання на наше видання, в якому твір опублікований. Відповідно до умов Ліцензійного договору, Видавець ПП «ТЕХНОЛОГІЧНИЙ ЦЕНТР» не забирає ваші авторські права та отримує від авторів дозвіл на використання та розповсюдження публікації через світові наукові ресурси (власні електронні ресурси, наукометричні бази даних, репозитарії, бібліотеки тощо).
За відсутності підписаного Ліцензійного договору або за відсутністю вказаних в цьому договорі ідентифікаторів, що дають змогу ідентифікувати особу автора, редакція не має права працювати з рукописом.
Важливо пам’ятати, що існує і інший тип угоди між авторами та видавцями – коли авторські права передаються від авторів до видавця. В такому разі автори втрачають права власності на свій твір та не можуть його використовувати в будь-який спосіб.
