面向资源使用预测的表示学习
分布式、并行与集群计算
2018-02-06 v1 机器学习
操作系统
摘要
构建可用于预测未来资源使用与检测异常等任务的计算机系统模型是一个具有挑战性的问题。当前大多数系统依赖于关于工作负载与系统统计量的启发式方法与过于简化的假设。这些启发式方法通常为一种通用解决方案，以适用于广泛应用与系统环境。本文中，我们展示正在进行的将系统遥测（从标准资源使用统计到应用程序的内核与库调用）整合进机器学习模型的工作。直观上，此类 ML 模型在任何时刻逼近系统状态，并使我们能够解决资源使用预测与异常检测等任务。为实现该目标，我们利用无需对系统上运行的应用程序做任何更改的易获信息。我们训练循环神经网络以学习所考量系统的模型。作为概念验证，我们专门训练模型以预测运行应用程序的未来资源使用。
引用
@article{arxiv.1802.00673,
title = {Representation Learning for Resource Usage Prediction},
author = {Florian Schmidt and Mathias Niepert and Felipe Huici},
journal= {arXiv preprint arXiv:1802.00673},
year = {2018}
}
备注
3 pages, 2 figures, SysML 2018