云环境中用于低成本决策的迁移知识
分布式、并行与集群计算
2019-05-08 v1 机器学习
摘要
云计算用户日益被各提供商及其提供的广泛服务所淹没。因此，许多用户仅依据描述来选择云服务。一种新兴的替代方案是使用决策支持系统（DSS），该系统通常依靠从观测数据中获取洞察，以协助客户做出关于云应用最优部署或重新部署的决策。此类系统的主要活动是生成预测模型（例如使用机器学习），这需要相当大量的训练数据。然而，考虑到应用、云提供商和云产品架构的多样性，该活动不可持续，因为收集训练数据并随后训练模型会带来额外的时间与成本。我们通过开发一种迁移学习（TL）方法来克服这一问题，该方法将某一特定云基础设施上运行应用所获得的知识（以预测模型及相关数据集的形式）进行迁移，从而大幅降低为新应用和/或云基础设施构建新模型的开销。本文提出我们的方法，并通过涉及两个主要公有云提供商（即 Amazon 和 Google）上三个真实世界应用的广泛实验对其进行评估。我们的评估表明，我们新颖的双模式 TL 方案使生成新预测模型的时间与成本降低 60%，从而提升了整体效率。我们在多种跨应用与跨云场景下对此进行了测试。
引用
@article{arxiv.1905.02448,
title = {Transferable Knowledge for Low-cost Decision Making in Cloud Environments},
author = {Faiza Samreen and Gordon S Blair and Yehia Elkhatib},
journal= {arXiv preprint arXiv:1905.02448},
year = {2019}
}