A comparative study of deep learning architectures for multivariate cloud workload prediction
Çok değişkenli bulut iş yükü tahmini için derin öğrenme mimarilerinin karşılaştırmalı çalışması
- Tez No: 740812
- Danışmanlar: PROF. DR. İBRAHİM KÖRPEOĞLU
- Tez Türü: Yüksek Lisans
- Konular: Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol, Computer Engineering and Computer Science and Control
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2022
- Dil: İngilizce
- Üniversite: İhsan Doğramacı Bilkent Üniversitesi
- Enstitü: Mühendislik ve Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: Bilgisayar Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: 66
Özet
Bulut veri merkezleri; müşterilere sunulan düşük maliyet, yüksek kullanılabilirlik, güvenilirlik, dayanıklılık ve ölçeklenebilirlik gibi faydalar sebebi ile revaçtadır. Ancak, bulut hizmet sağlayıcıları, hizmet seviyesi anlaşmalarını yerine getirirken, müşterilerine yüksek kalite hizmet vermek ile yükümlüdür. Bu durum, veri merkezi yönetiminde kaynakların etkin ve verimli kullanım ihtiyacını ortaya çıkarmaktadır. Proaktif kaynak paylaştırma ve ölçekleme politikaları elde etme yolunda, bulut ortamlardaki iş yükünün doğru tahmin edilmesi kritik öneme sahiptir. İş yükü tahmini; iş yükü verisindeki yüksek boyutluluk, varyans ve karmaşıklık sebebi ile zorlu bir problemdir. Buna ek olarak, iş yükü tahmin modellerinin, yeterli sayıda geçmiş iş yükü gözlemleri ile çalışması, aynı zamanda geleceğe yönelik uzun tahmin ufku ile başa çıkabilmesi beklenmektedir. Bu problemi çözmek ve zorluklarını irdelemek amacı ile bulut veri merkezlerindeki sanal makinelerin CPU kullanımını tahmin eden, beş farklı derin öğrenme tabanlı çok değişkenli zaman serisi tahmin modeli kurulmuştur. Model performansları iki gerçek dünya veri seti kullanılarak karşılaştırılmış ve analiz edilmiştir: Alibaba küme izleri ve BitBrains izleri. Karşılaştırmalı çalışma ve analiz sonucunda, Dikkat Mekanizmalı Kodlayıcı-Kodçözücü Uzun-Kısa Süreli Bellek Ağının bulut veri merkezlerinde iş yükünün tahmini için etkin ve verimli bir çözüm olduğu görülmüştür.
Özet (Çeviri)
Cloud computing and use of cloud data centers are in high demand due to their benefits to customers including but not limited to low cost, high availability, reliability, robustness and scalability. Cloud service providers are obliged to fulfill service level agreements that promise high quality of service to their customers. This brings out the need for effective and efficient utilization of data center resources, especially the resources of the compute servers. To achieve proactive and effective resource allocation and scaling policies, accurate prediction of workloads in cloud computing environments plays a critical role. Cloud workload prediction is a challenging task due to high dimensionality, variance and complexity of the workload data. In addition, workload prediction models are expected to work with sufficient amount of past observations to correctly learn workload patterns, at the same time, handle longer forecast horizons accurately. In order to tackle this problem and address the challenges, we investigated and compared five deep learning-based schemes for multivariate time series forecasting to predict the CPU utilization of virtual machines in cloud data centers. The performance of the deep learning schemes is analyzed and compared by using two real-world data sets: Alibaba cluster trace and Bitbrains trace. Our study reveals the relative strengths and weaknesses of the compared schemes for cloud workload prediction. We also observed that, among the compared schemes, Encoder-Decoder LSTM Network with Attention is a more effective solution for workload prediction in cloud computing.
Benzer Tezler
- A comparative study of deep learning techniques for time series forecasting in energy consumption prediction
Derin öğrenme teknikleri ile enerji tüketimini tahmin etmek için zaman serisi tahminine yönelik karşılaştırmalı bir çalışma
MUTAKABBIR AHMED TAYIB
Yüksek Lisans
İngilizce
2023
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolOrta Doğu Teknik ÜniversitesiBilişim Sistemleri Ana Bilim Dalı
PROF. DR. TUĞBA TAŞKAYA TEMİZEL
PROF. DR. CEYLAN TALU YOZGATGİL
- Yinelemeli sinir ağları ile sermaye piyasası yön tahmini üzerine bir çalışma
A study on direction prediction of capital markets with recurrent neural networks
MUHİDDİN ÇAĞLAR EREN
Yüksek Lisans
Türkçe
2022
Endüstri ve Endüstri Mühendisliğiİstanbul Teknik ÜniversitesiEndüstri Mühendisliği Ana Bilim Dalı
PROF. DR. ALP ÜSTÜNDAĞ
- A comparative study of YOLOv8 and faster R-CNN in fruit leaf disease detection for precision
Meyve yaprağı hastalığının tespıtı ıçın YOLOv8 ve faster R-CNN metotlarının kullanımı
ARELDI BALA
Yüksek Lisans
İngilizce
2024
ZiraatAntalya Bilim ÜniversitesiElektrik ve Bilgisayar Mühendisliği Ana Bilim Dalı
PROF. DR. CAFER ÇALIŞKAN
- A comparative study of deep learning based face recognition algorithms for video under adverse conditions
Derin öğrenme tabanlı yüz tanıma yöntemlerinin zorlayıcı koşullar altındaki videolar için performans karşılaştırılması
GALİP PALA
Yüksek Lisans
İngilizce
2019
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolMarmara ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
PROF. DR. ÇİĞDEM EROĞLU ERDEM
- A comparative analysis of deep learning architectures for breast cancer detection in ultrasound imaging
Ultrason görüntülemede meme kanserinin tespitine yönelik derin öğrenme mimarisinin karşılaştırmalı bir analizi
MUHAMMAD ARSALAN IRSHAD
Yüksek Lisans
İngilizce
2024
Elektrik ve Elektronik MühendisliğiAntalya Bilim ÜniversitesiElektrik ve Bilgisayar Mühendisliği Ana Bilim Dalı
Assist. Prof. Dr. YUSUF ÖZTÜRK