云中的在线 QoS 建模：一种混合自适应多学习器方法
分布式、并行与集群计算
2015-04-16 v1
摘要
鉴于云计算的按需特性，管理基于云的服务需要对其服务质量 (QoS) 与云配置/资源之间的相关性进行精确建模。所得模型需要应对 QoS 敏感性和干扰的动态波动。然而，现有的云 QoS 建模由于其静态和半动态性质，在准确性和适用性方面存在局限。本文提出了一种用于云中自动化和在线 QoS 建模的全动态多学习器方法。我们贡献了一种混合学习器解决方案，在保持模型复杂度适中的同时提高了准确性。为了在运行时确定 QoS 模型的输入，我们将输入空间划分为两个子空间，每个子空间应用不同的基于对称不确定性的选择技术，然后组合子空间的结果。学习器也是自适应的；它们同时允许多种机器学习算法对 QoS 函数进行建模，并动态选择最佳模型进行即时预测。我们使用 RUBiS 基准测试和真实的 FIFA 98 工作负载对我们的模型进行了实验评估。结果表明，与其他最先进的方法相比，我们的多学习器方法更准确且更有效。
引用
@article{arxiv.1504.03961,
title = {Online QoS Modeling in the Cloud: A Hybrid and Adaptive Multi-Learners Approach},
author = {Tao Chen and Rami Bahsoon and Xin Yao},
journal= {arXiv preprint arXiv:1504.03961},
year = {2015}
}
备注
In the proceeding of the 7th IEEE/ACM International Conference on Utility and Cloud Computing (UCC), London, UK, 2014