.png){kind=icon}
返回
Research on memory failure prediction based on ensemble learning
.png){kind=icon}
OA
AI
DOI：10.1371/journal.pone.0321954.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
及时预测内存故障对于数据中心稳定运行至关重要。然而，现有方法通常依赖单一分类器，可能导致预测结果不准确或不稳定。为解决此问题，我们提出了一种新的集成模型用于预测由CE驱动的内存故障，其中故障因内存中可纠正错误（CEs）激增导致，进而引发服务器宕机。我们的模型结合了多个高性能分类器，如随机森林、LightGBM和XGBoost，并根据各分类器的性能分配不同权重。通过优化决策过程，该模型提升了预测精度。我们使用阿里巴巴数据中心的内存数据验证了该模型，结果显示其准确率超过84%，优于现有的单分类器和双分类器模型，进一步证实了其卓越的预测性能。
Keyword:
DRAM ERRORS
WILD
期刊
IF:
2.6
论文数:
2.6W
被引数:
81.6W
机构
引用论文
XGBoost.png)
Proceedings of the 22nd ACM SIGKDD International Conference on Knowledge Discovery and Data Mining
OAAI
Proceedings of the 22nd ACM SIGKDD International Conference on Knowledge Discovery and Data MiningIF0
OAAI分享收藏HiMFP: Hierarchical Intelligent Memory Failure Prediction for Cloud Service ReliabilityHiMFP: 层次化智能内存故障预测用于云服务可靠性
PREAI
分享收藏An In-Depth Correlative Study Between DRAM Errors and Server Failures in Production Data Centers生产数据中心的DRAM错误与服务器故障之间的深度相关性研究
PREAI
分享收藏分享收藏
查看更多内容