.png){kind=icon}
返回
A Hybrid Scheduling for Multi-Objective Optimization using Prediction Approach
.png){kind=icon}
PRE
AI
DOI：10.1007/s10723-025-09809-2.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
数据中心资源管理仍是一项关键挑战，这是由于基础设施的日益复杂性和工作负载的动态特性所致。对未来资源需求的准确估计以及利用这些结果为虚拟机（VM）调度资源，对于优化云环境中的资源利用至关重要。现有机制要么关注预测过程，要么实施调度方法，但极少数论文探讨这两种技术的协作。此外，它们通过随机选择资源进行预测，未考虑显著特征。这显著影响了智能决策、资源利用、能耗和主机维护成本的有效性。本文提出了一种基于预测的调度方法。该方法涉及多个因素，如分析最佳特征、使用时序动态集成方法（TDEA）预测即将到来的工作负载、使用性能参数评估算法，以及基于预测结果利用带帕累托前沿的鲸鱼优化算法（Whale Optimization Algorithm with Pareto Front）进行资源调度。为证明所提工作的可行性，将该方法应用于来自不同数据中心的真实工作负载数据集以及合成数据集。对于未来60个实例的预测模型表现出最优的均方根误差（RMSE）值为0.1437，比LSTM和GRU等基线模型高出22.6%。此外，调度器将这些预期实例作为输入，然后将其分配到虚拟机核心中。该策略旨在通过使资源分配与系统变化的需求保持一致来实现最佳结果。实验结果表明，与现有方法相比，调度阶段将整体完成时间减少了20.3%，能耗降低了17.8%，成本降低了14.9%。
Keyword:
Resource management
Cloud data center
ML-centric approach
Multi-objective
Scheduling
Scheduler
Workload
期刊
IF:
2.9
论文数:
763
被引数:
1.2K
机构
引用论文
Data-Filtered Prediction With Decomposition and Amplitude-Aware Permutation Entropy for Workload and Resource Utilization in Cloud Data Centers基于分解和振幅感知排列熵的数据过滤预测，用于云计算数据中心的工作负载和资源利用率
PREAI
分享收藏A proactive autoscaling and energy-efficient VM allocation framework using online multi-resource neural network for cloud data center.png)
NEUROCOMPUTING
OAAI
NEUROCOMPUTINGIF6.5
OAAI分享收藏分享收藏分享收藏EEVMC: An Energy Efficient Virtual Machine Consolidation Approach for Cloud Data CentersIEEE ACCESS
OAAI
IEEE ACCESSIF3.6
OAAI分享收藏
查看更多内容