Ganesh Misal / Sahadev Shinde / Somnath Thigale
Librería Samer Atenea
Kálamo Books
Librería Elías (Asturias)
Librería Kolima (Madrid)
Librería Proteo (Málaga)
Prevedere il tempo di esecuzione delle attività di un flusso di lavoro in un ambiente cloud è fondamentale per ottimizzare l’utilizzo delle risorse e rispettare gli accordi sul livello di servizio (SLA). In questo studio proponiamo un approccio di apprendimento automatico in due fasi per la previsione del tempo di esecuzione delle attività di un flusso di lavoro. Nella prima fase, utilizziamo un modello di classificazione delle attività per raggrupparle in base ai tempi di esecuzione previsti (ad esempio, breve, medio, lungo). L’approccio in due fasi proposto mira a migliorare l’accuratezza delle previsioni e l’interpretabilità sfruttando sia tecniche di classificazione che di regressione. Valutiamo le prestazioni del modello utilizzando dati storici, considerando metriche quali l’accuratezza, l’errore assoluto medio e l’errore quadratico medio. Infine, discutiamo l’implementazione e il monitoraggio del modello in un ambiente cloud, sottolineandone l’adattabilità all’evoluzione dell’infrastruttura e dei modelli di carico di lavoro. Molti metodi, tra cui l’allocazione delle risorse e la pianificazione, dipendono dalla previsione delle prestazioni delle attività del flusso di lavoro per dati di input mutevoli. D’altra parte, produrre tali stime nel cloud rappresenta una sfida.
