.png){kind=icon}
返回
Optimized Bayesian tensorized neural network affording task failure prediction in cloud environment
.png){kind=icon}
PRE
AI
DOI：10.1016/j.eswa.2025.127538.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
大规模云计算数据中心必须具有低故障发生概率、更好的服务可靠性和可用性。尽管如此，现有的大规模云计算数据中心仍因硬件和软件故障等问题导致任务和作业失败而面临较高的故障率。已有几种依赖机器学习的模型被提出，通过检查过去的系统消息日志来预测任务或作业失败。这些方法常常因预测精度不足而导致故障检测延迟或结果不准确。为克服这些局限性，本文提出了一种在云计算环境中实现任务失败预测的优化贝叶斯张量神经网络模型（TFP-BTNN-BBHO）。TFP-BTNN-BBHO方法旨在预测任务和作业的成功或失败情况。首先，输入数据从Google集群跟踪数据中收集。然后，输入数据在分布式非线性多项式图滤波器（DNPGF）下进行预处理。在此过程中，采用贝叶斯张量神经网络（BTNN）来预测任务是否失败或成功。最后，提出增强型二进制 Harris 鹰群优化算法（BBHO）来调整BTNN的参数，以提高其预测精度和效率。实验结果表明，所提出的方法具有更高的准确率、召回率和F1分数。所提出的TFP-BTNN-BBHO模型在失败预测方面达到99.5%的更高准确率，在成功预测方面达到99.1%。这突显了TFP-BTNN-BBHO模型相较于现有方法在任务失败预测方面的优越能力。
Keyword:
Bayesian tensorized neural network
Boost binary Harris hawks optimization algorithm
Cloud environment
Nonlinear polynomial filtering
Task dataset
Task failure
期刊
IF:
7.5
论文数:
3.0W
被引数:
10.2W
机构
引用论文
Orthodontic treatment in adults: Challenges, outcomes, and factors affecting compliance and satisfaction成人正畸治疗：挑战、结果及影响依从性和满意度的因素
OAAI
OAAI分享收藏Design and Implementation of Machine Learning-Based Fault Prediction System in Cloud Infrastructure基于机器学习的云基础设施故障预测系统的设计与实现.png)
ElectronicsOAAI
ElectronicsIF0
OAAI分享收藏
Multi-Label Classification of Fundus Images with Optimized Vision Transformer Based Wasserstein Deep Convolutional Generative Adversarial Network基于优化视觉Transformer的Wasserstein深度卷积生成对抗网络的多标签眼底图像分类
PREAI
分享收藏Dynamically stabilized recurrent neural network optimized with intensified sand cat swarm optimization for intrusion detection in wireless sensor network基于增强型沙猫群优化的动态稳定递归神经网络在无线传感器网络入侵检测中的应用COMPUTERS & SECURITY
COMPUTERS & SECURITYIF5.4
PREAI
分享收藏
查看更多内容