← नवीनतम पेपर
🤖 machine learning

DSTFView: Multi-View Cloud-Edge Workload Forecasting with Dual-Input Spatio-Temporal-Frequency Modeling

यह शोधपत्र DSTFView का प्रस्ताव करता है, जो एक डुअल-इनपुट स्पैटियो-टेम्पोरल-फ्रीक्वेंसी मल्टी-व्यू फ्रेमवर्क है जो क्लोजनेस (closeness), पीरियड (period) और फ्रीक्वेंसी-डोमेन डिपेंडेंसीज़ को संयुक्त रूप से कैप्चर करते हुए और अचानक परिवर्तनों को संभालने के लिए व्यूज़ को एडेप्टिवली फ्यूज करते हुए, कोलैबोरेटिव क्लाउड-एज वर्कलोड्स की भविष्यवाणी करने के लिए फीचर मॉडलिंग और फोरकास्टिंग दक्षता को प्रभावी ढंग से संतुलित करता है।

मूल लेखक: Qingzhong Li, Hui Ma, Yajun Zhang, Qingchang Ma, Zhou Long

प्रकाशित 2026-07-28
📖 3 मिनट में पढ़ें☕ कॉफ़ी ब्रेक में पढ़ें
CC BY 4.0

मूल लेखक: Qingzhong Li, Hui Ma, Yajun Zhang, Qingchang Ma, Zhou Long

मूल पेपर CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/) के तहत लाइसेंस किया गया है। ✨ नीचे दिए गए पेपर की यह व्याख्या AI से तैयार की गई है। इसे लेखकों ने न तो लिखा है, न इसका समर्थन किया है। तकनीकी सटीकता के लिए मूल पेपर देखें। पूरा डिस्क्लेमर पढ़ें

इंटरनेट की कल्पना एक विशाल, हलचल भरे शहर के रूप में करें। पुराने दिनों में, सारा भारी काम—जैसे आपकी तस्वीरों को प्रोसेस करना या जटिल गेम चलाना—एक विशाल, दूर स्थित गगनचुंबी इमारत में होता था जिसे "द क्लाउड" (The Cloud) कहा जाता था। लेकिन जैसे-जैसे हमने अपने उपकरणों से चीज़ों को तुरंत करने के लिए कहने लगा, जैसे कि सेल्फ-ड्राइविंग कारें या ऑगमेंटेड रियलिटी, उस गगनचुंबी इमारत तक की लंबी यात्रा बहुत धीमी हो गई। इसलिए, हमने तेज़ कामों को संभालने के लिए सीधे मोहल्लों में छोटे, स्थानीय "एज" (edge) स्टेशन बनाए। यह क्लाउड-एज कोलैबोरेशन (Cloud-Edge Collaboration) की दुनिया है: एक टीम वर्क जहाँ बड़ा दिमाग (क्लाउड) और स्थानीय सहायक (एज) मिलकर काम करते हैं।

हालाँकि, ये एज स्टेशन अराजक हैं। वे व्यस्त कॉफी शॉप्स की तरह हैं जहाँ ग्राहकों की संख्या मिनट-दर-मिनट तेजी से बदलती रहती है। कभी यह एक शांत मंगलवार होता है, और कभी अचानक ऑर्डर्स की बाढ़ आ जाती है। यदि दुकान का मालिक (कंप्यूटर सिस्टम) भीड़ का सही अनुमान नहीं लगा पाता है, तो या तो उनके पास कॉफी खत्म हो जाती है (क्रैश होना) या बहुत अधिक बैरिस्टों को स्टैंडबाय पर रखकर वे पैसा बर्बाद करते हैं (ऊर्जा की बर्बादी)। वैज्ञानिकों के लिए बड़ी चुनौती इन पागल कर देने वाली भीड़ का सटीक अनुमान लगाने का तरीका खोजना है, खासकर जब हर दुकान के पैटर्न अलग हों और समय के साथ बदलते रहें।

यहाँ आता है DSTFView, एक नया "क्रिस्टल बॉल" जिसे शोधकर्ताओं ने इस भविष्यवाणी की पहेली को सुलझाने के लिए डिज़ाइन किया है। इसे कंप्यूटर ट्रैफिक के लिए एक सुपर-स्मार्ट मौसम पूर्वानुमानकर्ता के रूप में समझें। केवल पिछले कुछ मिनटों को देखने के बजाय, यह प्रणाली एक साथ तीन अलग-अलग "लेंस" देखती है: तत्काल अतीत (निकटता), दोहराई जाने वाली दैनिक आदतें (अवधि), और डेटा में छिपी लय (आवृत्ति)। यह मोहल्ले के स्टेशनों और केंद्रीय गगनचुंबी इमारत के बीच एक दो-तरफा सड़क के रूप में भी कार्य करता है। स्थानीय स्टेशन क्लाउड को यह जानकारी भेजते हैं कि वहाँ क्या हो रहा है, क्लाउड बड़े चित्र (big picture) को समझता है और वापस नीचे सलाह भेजता है। स्थानीय स्टेशन फिर अपनी विस्तृत टिप्पणियों के साथ उस बड़े चित्र वाली सलाह को मिलाते हैं ताकि यह अनुमान लगाया जा सके कि आगे क्या होने वाला है, जो अत्यधिक सटीक होता है।

शोधकर्ताओं ने इस विचार का परीक्षण दो वास्तविक दुनिया के डेटासेट्स पर किया: एक जो कंप्यूटर प्रोसेसर कितनी मेहनत कर रहे थे (CPU) उसे ट्रैक कर रहा था और दूसरा जो नेटवर्क ट्रैफिक की गति (TP) को माप रहा था। उन्होंने इसकी तुलना कई अन्य लोकप्रिय पूर्वानुमान उपकरणों के साथ की। परिणामों ने दिखाया कि DSTFView भविष्य के वर्कलोड का अनुमान लगाने में अन्य तरीकों की तुलना में लगातार बेहतर था। यह केवल औसत को सही नहीं बताता था; यह विशेष रूप से ट्रैफिक में अचानक आने वाले उछाल और गिरावट को पहचानने में अच्छा था, जो भविष्यवाणी करने में सबसे कठिन हिस्से होते हैं। स्थानीय दृष्टिकोण को वैश्विक दृष्टिकोण के साथ जोड़कर और समय एवं पैटर्न को समझने के लिए इन तीन अलग-अलग लेंसों का उपयोग करके, DSTFView हमारे डिजिटल शहरों को संसाधनों को बर्बाद किए बिना या दबाव में क्रैश हुए बिना सुचारू रूप से चलाने का एक अधिक विश्वसनीय तरीका सुझाता है।

अपने क्षेत्र के पेपरों की भीड़ में उलझे हुए हैं?

आपके रिसर्च कीवर्ड से मेल खाने वाले सबसे नए और अलग सोच वाले पेपरों का रोज़ाना Digest पाएँ—तकनीकी सारांश के साथ, आपकी भाषा में।

Digest आज़माएँ →

इसी तरह के और पेपर

इस विषय के सभी पेपर देखें 🤖 cs.LG →