DSTFView: Multi-View Cloud-Edge Workload Forecasting with Dual-Input Spatio-Temporal-Frequency Modeling
Das Papier schlägt DSTFView vor, ein Dual-Input-Spatio-Temporal-Frequency-Multi-View-Framework, das effektiv die Merkmalsmodellierung und die Prognoseeffizienz ausbalanciert, um kollaborative Cloud-Edge-Workloads vorherzusagen, indem es gemeinsam Nähe-, Periodizitäts- und Frequenzbereichs-Abhängigkeiten erfasst und Ansichten adaptiv fusioniert, um abrupte Änderungen zu bewältigen.
Originalarbeit lizenziert unter CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). Dies ist eine KI-generierte Erklärung des untenstehenden Papers. Sie wurde nicht von den Autoren verfasst oder gebilligt. Für technische Genauigkeit konsultieren Sie das Originalpaper. Vollständigen Haftungsausschluss lesen
Stellen Sie sich das Internet als eine riesige, belebte Stadt vor. In den alten Tagen fand die ganze schwere Arbeit – wie das Verarbeiten Ihrer Fotos oder das Ausführen komplexer Spiele – in einem massiven, fernen Wolkenkratzer namens „The Cloud“ statt. Aber als wir begannen, von unseren Geräten mehr Dinge sofort erledigen zu lassen, wie etwa selbstfahrende Autos oder Augmented Reality, wurde dieser lange Weg zum Wolkenkratzer zu langsam. Also bauten wir kleinere, lokale „Edge“-Stationen direkt in den Nachbarschaften, um die schnellen Aufgaben zu bewältigen. Dies ist die Welt der Cloud-Edge-Kollaboration: eine Teamleistung, bei der das große Gehirn (Cloud) und die lokalen Helfer (Edge) zusammenarbeiten.
Diese Edge-Stationen sind jedoch chaotisch. Sie sind wie belebte Coffeeshops, in denen die Anzahl der Kunden von Minute zu Minute stark schwankt. Manchmal ist es ein ruhiger Dienstag, und manchmal gibt es einen plötzlichen Ansturm auf Bestellungen. Wenn der Ladenbesitzer (das Computersystem) den Ansturm nicht richtig errät, geht ihm entweder der Kaffee aus (Absturz) oder er verschwendet Geld, indem er zu viele Baristas in Bereitschaft hält (verschwendete Energie). Die große Herausforderung für Wissenschaftler besteht darin, herauszufinden, wie man diese verrückten Anstürme genau vorhersagt, insbesondere wenn die Muster für jeden Laden unterschiedlich sind und sich im Laufe der Zeit ändern.
Hier kommt DSTFView ins Spiel, eine neue „Kristallkugel“, die von Forschern entwickelt wurde, um dieses Vorhersage-Rätsel zu lösen. Betrachten Sie es als einen superintelligenten Wettervorhersager für den Computerverkehr. Anstatt nur die letzten paar Minuten zu betrachten, nutzt dieses System gleichzeitig drei verschiedene „Linsen“: die unmittelbare Vergangenheit (Nähe), die sich wiederholenden täglichen Gewohnheiten (Periode) und die verborgenen Rhythmen in den Daten (Frequenz). Es fungiert zudem als Einbahnstraße zwischen den lokalen Stationen und dem zentralen Wolkenkratzer. Die lokalen Stationen senden eine kurze Zusammenfassung dessen, was gerade passiert, an die Cloud, welche das große Ganze analysiert und anschließend Ratschläge zurück nach unten sendet. Die lokalen Stationen mischen diesen Ratschlag des großen Ganzen dann mit ihren eigenen detaillierten Beobachtungen, um eine endgültige, hochgenaue Schätzung darüber abzugeben, was als Nächstes passieren wird.
Die Forscher testeten diese Idee anhand zweier realer Datensätze: einen, der verfolgte, wie hart Computerprozessoren arbeiteten (CPU), und einen anderen, der die Netzwerkverkehrsgeschwindigkeit (TP) maß. Sie verglichen ihre neue Methode mit vielen anderen populären Vorhersagewerkzeugen. Die Ergebnisse zeigten, dass DSTFView konsequent besser darin war, die zukünftige Arbeitslast vorherzusagen als die anderen Methoden. Es war nicht nur im Durchschnitt gut, sondern besonders stark darin, plötzliche Spitzen und Abfälle im Verkehr zu erkennen, was die schwierigsten Teile der Vorhersage ist. Durch die Kombination der lokalen Sichtweise mit der globalen Sichtweise und die Verwendung dieser drei verschiedenen Linsen, um Zeit und Muster zu verstehen, deutet DSTFView einen zuverlässigeren Weg an, unsere digitalen Städte am Laufen zu halten, ohne Ressourcen zu verschwenden oder unter Druck zusammenzubrechen.
Ertrinken Sie in Arbeiten in Ihrem Fachgebiet?
Erhalten Sie tägliche Digests der neuesten Arbeiten passend zu Ihren Forschungsbegriffen — mit technischen Zusammenfassungen, in Ihrer Sprache.