Ganesh Misal / Sahadev Shinde / Somnath Thigale
Librería Samer Atenea
Kálamo Books
Librería Elías (Asturias)
Librería Kolima (Madrid)
Librería Proteo (Málaga)
Prognozowanie czasu wykonania zadań w ramach przepływu pracy w środowisku chmury ma kluczowe znaczenie dla optymalizacji wykorzystania zasobów i dotrzymywania umów dotyczących poziomu usług (SLA). W niniejszym badaniu proponujemy dwuetapowe podejście oparte na uczeniu maszynowym do prognozowania czasu wykonania zadań w ramach przepływu pracy. W pierwszym etapie wykorzystujemy model klasyfikacji zadań do podziału zadań na grupy w oparciu o ich przewidywany czas wykonania (np. krótki, średni, długi). Proponowane podejście dwuetapowe ma na celu zwiększenie dokładności prognozowania i interpretowalności poprzez wykorzystanie zarówno technik klasyfikacji, jak i regresji. Oceniamy wydajność modelu na podstawie danych historycznych, biorąc pod uwagę wskaźniki takie jak dokładność, średni błąd bezwzględny oraz średni błąd kwadratowy. Na koniec omawiamy wdrożenie i monitorowanie modelu w środowisku chmury, podkreślając jego zdolność do dostosowywania się do zmieniającej się infrastruktury i wzorców obciążenia. Wiele metod, w tym alokacja zasobów i planowanie, opiera się na prognozowaniu wydajności działań w ramach przepływu pracy dla zmieniających się danych wejściowych. Z drugiej strony, generowanie takich prognoz w chmurze stanowi wyzwanie.
