Ganesh Misal / Sahadev Shinde / Somnath Thigale
Librería Samer Atenea
Kálamo Books
Librería Elías (Asturias)
Librería Kolima (Madrid)
Librería Proteo (Málaga)
Die Vorhersage der Ausführungszeit von Workflow-Aufgaben in einer Cloud-Umgebung ist entscheidend für die Optimierung der Ressourcenauslastung und die Einhaltung von Service Level Agreements (SLAs). In dieser Studie schlagen wir einen zweistufigen Machine-Learning-Ansatz zur Vorhersage der Ausführungszeit von Workflow-Aufgaben vor. In der ersten Stufe verwenden wir ein Aufgabenklassifizierungsmodell, um Aufgaben anhand ihrer erwarteten Ausführungszeiten (z. B. kurz, mittel, lang) in Gruppen einzuteilen. Der vorgeschlagene zweistufige Ansatz zielt darauf ab, die Vorhersagegenauigkeit und Interpretierbarkeit zu verbessern, indem sowohl Klassifizierungs- als auch Regressionstechniken genutzt werden. Wir bewerten die Leistung des Modells anhand historischer Daten unter Berücksichtigung von Metriken wie Genauigkeit, mittlerer absoluter Fehler und mittlerer quadratischer Fehler. Abschließend erörtern wir den Einsatz und die Überwachung des Modells in einer Cloud-Umgebung und heben dabei dessen Anpassungsfähigkeit an sich verändernde Infrastruktur- und Arbeitslastmuster hervor. Viele Methoden, darunter die Ressourcenbereitstellung und -planung, sind auf die Vorhersage der Leistung von Workflow-Aktivitäten bei sich ändernden Eingabedaten angewiesen. Andererseits ist die Erstellung solcher Schätzungen in der Cloud eine Herausforderung.
