Un système d’exploitation mobile à optimisation en temps réel

La prévision du temps d’exécution des tâches d’un workflow dans un environnement cloud est essentielle pour optimiser l’utilisation des ressources et respecter les accords de niveau de service (SLA). Dans cette étude, nous proposons une approche d’apprentissage automatique en deux étapes pour la prévision du temps d’exécution des tâches d’un workflow. Au cours de la première étape, nous utilisons un modèle de classification des tâches pour regrouper celles-ci en fonction de leurs durées d’exécution prévues (par exemple : courte, moyenne, longue). L’approche en deux étapes proposée vise à améliorer la précision et l’interprétabilité des prédictions en exploitant à la fois des techniques de classification et de régression. Nous évaluons les performances du modèle à l’aide de données historiques, en tenant compte de mesures telles que la précision, l’erreur absolue moyenne et l’erreur quadratique moyenne. Enfin, nous abordons le déploiement et la surveillance du modèle dans un environnement cloud, en soulignant son adaptabilité à une infrastructure et à des modèles de charge de travail en constante évolution. De nombreuses méthodes, notamment l’allocation des ressources et l’ordonnancement, dépendent de la prédiction des performances des activités du flux de travail pour des données d’entrée variables. En revanche, produire de telles estimations dans le cloud représente un véritable défi.