خانه / مقاله های ترجمه شده کامپیوترIT / مقاله رایانش ابری / مقاله بازیابی حافظه کوتاه مدت طویل شبکه عصبی LSTM-RNN براساس مدل …

مقاله بازیابی حافظه کوتاه مدت طویل شبکه عصبی LSTM-RNN براساس مدل …

سال : 2018       ژورنال : ELSEVIER           تعداد صفحات انگلیسی : 7           تعداد صفحات فارسی:  10

عنوان انگلیسی مقاله :

Long Short Term Memory Recurrent Neural Network ( LSTM-RNN)  Based Workload Forecasting Model For Cloud Datacenters

عنوان فارسی مقاله :

بازیابی حافظه کوتاه مدت طویل شبکه عصبی(LSTM-RNN) براساس مدل پیش­بینی حجم کاری برای مراکز داده ابری

چکیده فارسی :

به رغم دستاوردهای مختلف، رایانش ابری دارای چالش­ها و مسائلی از قبیل مقیاس منابع پویا و مصرف انرژی روبه­ رو است. چنین مسائلی باعث میشود که یک سیستم ابری شکننده و گران قیمت باشد. در این مقاله ما به هر دو مسئله در مرکز داده ابری از طریق پیش بینی حجم کار خواهیم پرداخت. مدل پیش بینی حجم کار با استفاده از شبکه­­های حافظه کوتاه مدت طویل(LSTM) توسعه یافته است. مدل پیشنهادی بر روی سه دیتاست آزمایشی از logهای سرویس دهنده وب آزمایش شده است. نتایج آزمایش نشان میدهد که روش پیشنهادی ما با کاهش میانگین مربعات خطا تا  به دقت بالایی در پیش بینی ها دست یافته است.

 کلمات کلیدی:  رایانش ابری؛ مقیاس منابع؛ پیش­ بینی؛ یادگیری عمیق

چکیده انگلیسی:

In spite of various gains, cloud computing has got few challenges and issues including dynamic resource scaling and power consumption. Such affairs cause a cloud system to be fragile and expensive. In this paper we address both issues in cloud datacenter through workload prediction. The workload prediction model is developed using long short term memory (LSTM) networks. The proposed model is tested on three benchmark datasets of web server logs. The empirical results show that the proposed method achieved high accuracy in predictions by reducing the mean squared error up to 3.17 x 10-3.

keywords :   Cloud Computing  , Resource Scaling  , forecasting , Deep learning 

دانلود رایگان فایل انگلیسی مقاله

دیدگاهتان را بنویسید

نشانی ایمیل شما منتشر نخواهد شد. بخش‌های موردنیاز علامت‌گذاری شده‌اند *

یک × سه =