Key points are not available for this paper at this time.
لقد اعتُبرت الحوسبة السحابية نموذجًا ناجحًا لصناعة تكنولوجيا المعلومات من خلال توفير فوائد لكل من مزودي الخدمة والعملاء. على الرغم من المزايا، فإن الحوسبة السحابية تعاني أيضًا من تحديات متميزة، وأحدها هو تخصيص الموارد بصورة غير فعالة للأحمال الديناميكية. يمكن أن تدعم التنبؤات الدقيقة للأحمال في الحوسبة السحابية تخصيص الموارد بكفاءة وتجنب هدر الموارد. ومع ذلك، نظرًا للميزات عالية الأبعاد والمتغيرة للأحمال السحابية، من الصعب التنبؤ بالأحمال بفعالية ودقة. تعتمد الأعمال السائدة الحالية لتنبؤ الأحمال السحابية على أساليب الانحدار أو الشبكات العصبية المتكررة، والتي تفشل في التقاط التباين طويل الأمد للأحمال. لمAddress التحديات وتجاوز قيود الأعمال الحالية، اقترحنا نهجًا فعالًا قائمًا على التعلم الخاضع للإشراف وهو شبكة عصبية عميقة (esDNN) لتنبؤ الأحمال السحابية. أولاً، نستخدم نافذة منزلقة لتحويل البيانات المتعددة المتغيرات إلى سلسلة زمنية للتعلم الخاضع للإشراف تسمح بالتعلم العميق للمعالجة. ثم، نطبق وحدة متكررة مُعدلة (GRU) لتحقيق تنبؤ دقيق. لإظهار فعالية esDNN، نجري أيضًا تجارب شاملة تعتمد على آثار واقعية مستمدة من مراكز بيانات Alibaba وGoogle السحابية. تُظهر نتائج التجارب أن esDNN يمكنه التنبؤ بالأحمال السحابية بدقة وكفاءة. مقارنةً بأساليب الحالة الحالية، يُمكن لـ esDNN تقليل متوسط الأخطاء التربيعية بشكل كبير، على سبيل المثال، 15٪، مقارنةً بالنهج الذي يستخدم GRU فقط. نقوم أيضًا بتطبيق esDNN لتوسيع نطاق الآلات تلقائيًا، مما يوضح أن esDNN يمكن أن يقلل من عدد المضيفين النشطين بكفاءة، مما يُمكن من تحسين تكاليف مزودي الخدمة.
درس Xu وزملاؤه هذا السؤال (Mon,).