Új módszert dolgoztak ki a felhőszerverek pontos méretezésére
A kutatás egy új, adatvezérelt megközelítést mutat be bootstrapping konformális predikcióval, amely a modern Right-sizing Recommendations (RSR) rendszerekhez fejlesztették. A módszer javítja a hyperscalereken futó különféle alkalmazási munkaterhelések provisionálását.
A felhőinfrastruktúra hatékony kezelése, különösen a nagy szolgáltatóknál, a fizikai erőforrások optimalizálását igényli a költségek csökkentése és a teljesítmény maximalizálása érdekében. A virtuális gépek (VM) megfelelő méretezése kulcsfontosságú a költséghatékonyság eléréséhez, ám a hagyományos módszerek gyakran figyelmen kívül hagyják a VM-kihasználtság ingadozó természetét, ami túl- vagy alulprovisionáláshoz vezet. A megbízható intervallum-előrejelzés segít pontosan megragadni a felhőerőforrás-igény bizonytalanságát. (ArXiv AI)
A kutatás eredményei az arXiv előnyomtatott formában elérhető tanulmányban jelentek meg, amelyben a kutatók a kiválasztott modellek rangsorolásával azonosították a leghosszabb élettartamú VM-jelöltekre vonatkozó, legjobb teljesítményt nyújtó megközelítéseket.
AI-modellek a jobb erőforrás-kihasználásért
A tanulmány kimutatja, hogy a gépi tanulási regressziós technikákkal működtetett, AI-vezérelt modellek ígéretes előrejelzési eredményeket érnek el a felhőerőforrás-kihasználtság terén. A konformális predikció (CP) hatékony keretrendszer az előrejelzési intervallumok (PI) létrehozására, amelyet a felhőalapú környezetekben közép- és hosszú távú előrejelzési feladatokra alkalmaznak. A kutatás célja a felhő- és adatközpont-műveletek hatékonyságának növelése egy AI/ML-alapú provisionálási folyamat révén, amely a munkaterhelési kihasználtsági minták tanulásán, több idősor közötti korrelációk azonosításán és a közép- és hosszú távú kihasználtsági trendek előrejelzésén alapul.
Költséghatékony erőforrás-allokáció
A javasolt keretrendszer javítja a méretezési ajánlásokat, és támogatja a költséghatékonyabb erőforrás-allokációt a dinamikus felhőkörnyezetekben. Az értékelés backtesting módszertannal történt, amely során a modelleket rangsorolták a legjobb teljesítményűek azonosítása érdekében.