- Код статьи
- S30346444S0002338825030098-1
- DOI
- 10.7868/S3034644425030098
- Тип публикации
- Статья
- Статус публикации
- Опубликовано
- Авторы
- Том/ Выпуск
- Том / Номер выпуска 3
- Страницы
- 91-98
- Аннотация
- Для снижения издержек при использовании облачной вычислительной инфраструктуры необходимо подбирать оптимальные конфигурационные параметры. Для решения поставленных задач нужны методы предсказания качества предоставляемого сетевого сервиса. Такие предсказания возможны на основе информации о применении серверных ресурсов, машинного обучения и методов оценки времен выполнения услуг. Эти данные получены путем измерений и собранных ранее сведений о работе телекоммуникационной инфраструктуры. Рассматриваются различные методы сокращения размерностей и выделения существенных переменных с целью оценок расхождений целевых характеристик в случае их вычислений по полным данным и по данным, редуцированных разными методами. В экспериментах предсказания характеристик модельной задачи наилучшим образом показала модель случайного леса в сочетании с методом понижения размерности пространства признаков с помощью метода главных компонент.
- Ключевые слова
- оптимизация анализ главных компонент усеченное сингулярное разложение понижение размерности задачи машинное обучение качество обслуживания качество восприятия прогноз времени выполнения
- Дата публикации
- 24.04.2025
- Год выхода
- 2025
- Всего подписок
- 0
- Всего просмотров
- 20
Библиография
- 1. Френкель С.Л., Захаров В.Н. Модель прогнозирования интернет-трафика // Искусственный интеллект и принятие решений. 2022. № 4. С. 66-77. https://doi.org/10.14357/20718594220407
- 2. Лычева Е.О., Писковский В.О., Могиленец В.М. Прогнозирование временных характеристик прикладных сетевых сервисов // Тр. 5-й Междунар. конф. MODERN NETWORK TECHNOLOGIES (MONETEC-2024). М., Изд-во МГУ им. М.В. Ломоносова, 2024. С. 25-33.
- 3. Lan X., Taghia J., Moradi F., Khoshkholghi M.A., Zec E., Mogren O., Mahmoodi T., Johnsson A. Federated Learning for Performance Prediction in Multi-operator Environments // ITU Journal on Future and Evolving Technologies. 2023. V.4. P. 166-177.
- 4. Hu C.-H., Chen Z., Larsson E.G. Device Scheduling and Update Aggregation Policies for Asynchronous Federated Learning // IEEE 22nd International Workshop on Signal Processing Advances in Wireless Communications (SPAWC). Lucca, Italy, 2021. P. 281-285.
- 5. Lee H.-S., Lee J.-W. Adaptive Transmission Scheduling in Wireless Networks for Asynchronous Federated Learning // IEEE Journal on Selected Areas in Communications. 2021. V. 39. № 12. P. 3673-3687.
- 6. Almanifi O.R.A., Chow C.-O., Tham M.-L., Chuah J.H., Kanesan J. Communication and Computation Efficiency in Federated Learning: A survey // Internet of Things. 2023. V. 22.
- 7. Lu R., Zhang W., Li Q., He H., Zhong X., Yang H. et al. Adaptive Asynchronous Federated Learning // Future Generation Computer Systems. 2024. V. 152. P. 193-206.
- 8. Басок Б.М., Захаров В.Н., Френкель С.Л. Использование вероятностной модели вычислений для тестирования одного класса готовых к использованию программных компонентов локальных и сетевых систем // Информатика и ее применения. 2018. Т. 12. Вып. 4. С. 44-51. https://doi.org/10.14357/19922264180407
- 9. Data Traces from a Data Center Testbed - Kaggle [электронный ресурс]. URL: www.kaggle.com/datasets/jaliltaghia/data-traces-from-a-data-center-testbed (дата обращения: 11.09.2023).
- 10. Yanggratoke R., Ahmed J., Ardelius J., Flinta C., Johnsson A., Gillblad D., Stadler R.A. Service-agnostic Method for Predicting Service Metrics in Real Time // Intern. J. of Network Management. 2017. V. 28. № 2.
- 11. Bishop C.M. Pattern Recognition and Machine Learning. N.Y.: Springer, 2006.
- 12. Сайфутдинов Р.А. Исследование алгоритмов уменьшения размерности данных для задачи классификации. СПб.: СПбГУ, 2014.
- 13. Hyperparameter Tuning: GridSearchCV and RandomizedSearchCV, Explained [электронный ресурс]. URL: www.kd-nuggets.com/hyperparameter-tuning-gridsearchcv-and-randomizedsearchcv-explained (дата обращения: 24.12.2024).
- 14. Grusho A., Grusho N., Zabezhailo M., Timonina E. On Some Possibilities of Using AI Methods in the Search for Cause-and-effect Relationships in Accumulated Empirical Data // Proc. 8th Intern. Scientific Conf. “Intelligent Information Technologies for Industry” (IITI 2024, Harbin, China, Nov. 1-7, 2024), Lecture Notes in Networks and Systems (LNNS) 1210. 2024. V. 2. Chap. 25. P. 280-290.
