بازگشت به جستجو

Finecloud: مشاوره خدمات ابری ریز با استفاده از یادگیری ماشین

عنوان	Finecloud: مشاوره خدمات ابری ریز با استفاده از یادگیری ماشین
نویسنده	Orhun، Yasemin، İstanbulu، Yiğit، Arı، İsmail
تاریخ انتشار:	2022
محل انتشار	- IEEE
موضوع	خدمات کاربردی، مانیتورینگ ابری، DTU، LSTM، یادگیری ماشینی، OPEX، سری زمانی، ماشین مجازی
نوع	سند
زبان	انگلیسی
دیجیتال	بله
نسخه خطی	خیر
کتابخانه:	دانشگاه اوزیغین
شناسه دارایی کتابخانه	978-166548045-1
شماره ثبت	09aa7904-5fd5-4ab5-b078-4d6ab2b4c49a
محل کتابخانه	علوم کامپیوتر
تاریخ	2022
متن نمونه	با انگیزه مشکلات واقعی مشتری، ما استفاده از خدمات ابری را در لایه‌های مختلف از جمله زیرساخت (IaaS)، خدمات کاربردی (PaaS) و پایگاه‌های داده (DaaS) بررسی کردیم. ما چندین مشکل را پیدا کردیم، مانند فراموش کردن منابع استفاده نشده، حجم کاری زیاد و وابستگی به خدمات که باعث ایجاد مشکل کم استفاده (معروف به تامین بیش از حد) می شود. ابزارهای مشاوره ابری ارائه شده توسط ارائه دهندگان عمومی یا فاقد تجزیه و تحلیل دقیق مورد نیاز برای توصیه های عملی هستند یا نمی توانند ارتباط بین خدماتی را که توسط گروه های منابع مشتریان استفاده می شود مشاهده کنند. ما یک مشاور خودکار و تقریباً بی‌درنگ پیشنهاد کردیم که از داده‌های استفاده تاریخی و مدل‌های یادگیری ماشین (ML) برای توصیه فرصت‌های صرفه‌جویی در هزینه استفاده می‌کند. ما صرفه جویی قابل توجهی در هزینه به طور متوسط حدود 20٪ نشان دادیم که می تواند به عنوان هزاران دلار برای سیستم های بزرگ و فعال جمع شود. از آنجایی که مدل های مشاوره ما به داده های سری زمانی بستگی دارد، چندین الگوریتم پیش بینی از جمله ARIMA، LSTM و Prophet را با هم مقایسه کردیم. ما مدل LSTM را برای ارائه دقیق ترین نتایج برای بار کاری ما پیدا کردیم.
DOI	10.1109/BigData55660.2022.10020934

مشاهده در منبع دانشگاه اوزیغین دانشگاه اوزیغین - موتور جستجوی آثار تاریخی، آرشیوها و نشریات

دانشگاه اوزیغین

Finecloud: مشاوره خدمات ابری ریز با استفاده از یادگیری ماشین

نویسنده Orhun، Yasemin، İstanbulu، Yiğit، Arı، İsmail

تاریخ انتشار 2022

محل انتشار - IEEE

موضوع خدمات کاربردی، مانیتورینگ ابری، DTU، LSTM، یادگیری ماشینی، OPEX، سری زمانی، ماشین مجازی

نوع سند

زبان انگلیسی

دیجیتال بله

نسخه خطی خیر

کتابخانه دانشگاه اوزیغین

شناسه دارایی کتابخانه 978-166548045-1

شماره ثبت 09aa7904-5fd5-4ab5-b078-4d6ab2b4c49a

محل کتابخانه علوم کامپیوتر

تاریخ 2022

متن نمونه با انگیزه مشکلات واقعی مشتری، ما استفاده از خدمات ابری را در لایه‌های مختلف از جمله زیرساخت (IaaS)، خدمات کاربردی (PaaS) و پایگاه‌های داده (DaaS) بررسی کردیم. ما چندین مشکل را پیدا کردیم، مانند فراموش کردن منابع استفاده نشده، حجم کاری زیاد و وابستگی به خدمات که باعث ایجاد مشکل کم استفاده (معروف به تامین بیش از حد) می شود. ابزارهای مشاوره ابری ارائه شده توسط ارائه دهندگان عمومی یا فاقد تجزیه و تحلیل دقیق مورد نیاز برای توصیه های عملی هستند یا نمی توانند ارتباط بین خدماتی را که توسط گروه های منابع مشتریان استفاده می شود مشاهده کنند. ما یک مشاور خودکار و تقریباً بی‌درنگ پیشنهاد کردیم که از داده‌های استفاده تاریخی و مدل‌های یادگیری ماشین (ML) برای توصیه فرصت‌های صرفه‌جویی در هزینه استفاده می‌کند. ما صرفه جویی قابل توجهی در هزینه به طور متوسط حدود 20٪ نشان دادیم که می تواند به عنوان هزاران دلار برای سیستم های بزرگ و فعال جمع شود. از آنجایی که مدل های مشاوره ما به داده های سری زمانی بستگی دارد، چندین الگوریتم پیش بینی از جمله ARIMA، LSTM و Prophet را با هم مقایسه کردیم. ما مدل LSTM را برای ارائه دقیق ترین نتایج برای بار کاری ما پیدا کردیم.

DOI 10.1109/BigData55660.2022.10020934