論文の概要: Superiority of Simplicity: A Lightweight Model for Network Device
Workload Prediction
- arxiv url: http://arxiv.org/abs/2007.03568v1
- Date: Tue, 7 Jul 2020 15:44:16 GMT
- ステータス: 処理完了
- システム内更新日: 2022-11-12 19:26:15.276901
- Title: Superiority of Simplicity: A Lightweight Model for Network Device
Workload Prediction
- Title(参考訳): シンプルさの優位性:ネットワークデバイス負荷予測のための軽量モデル
- Authors: Alexander Acker, Thorsten Wittkopp, Sasho Nedelkoski, Jasmin
Bogatinovski, Odej Kao
- Abstract要約: 本稿では,歴史観測に基づく時系列予測のための軽量な解を提案する。
ニューラルネットワークと平均予測器という2つのモデルからなる異種アンサンブル法で構成されている。
利用可能なFedCSIS 2020チャレンジデータセットの総合的なR2$スコア0.10を達成している。
- 参考スコア(独自算出の注目度): 58.98112070128482
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: The rapid growth and distribution of IT systems increases their complexity
and aggravates operation and maintenance. To sustain control over large sets of
hosts and the connecting networks, monitoring solutions are employed and
constantly enhanced. They collect diverse key performance indicators (KPIs)
(e.g. CPU utilization, allocated memory, etc.) and provide detailed information
about the system state. Storing such metrics over a period of time naturally
raises the motivation of predicting future KPI progress based on past
observations. Although, a variety of time series forecasting methods exist,
forecasting the progress of IT system KPIs is very hard. First, KPI types like
CPU utilization or allocated memory are very different and hard to be expressed
by the same model. Second, system components are interconnected and constantly
changing due to soft- or firmware updates and hardware modernization. Thus a
frequent model retraining or fine-tuning must be expected. Therefore, we
propose a lightweight solution for KPI series prediction based on historic
observations. It consists of a weighted heterogeneous ensemble method composed
of two models - a neural network and a mean predictor. As ensemble method a
weighted summation is used, whereby a heuristic is employed to set the weights.
The modelling approach is evaluated on the available FedCSIS 2020 challenge
dataset and achieves an overall $R^2$ score of 0.10 on the preliminary 10% test
data and 0.15 on the complete test data. We publish our code on the following
github repository: https://github.com/citlab/fed_challenge
- Abstract(参考訳): ITシステムの急速な成長と流通は、その複雑さを増し、運用とメンテナンスを増大させます。
多数のホストと接続ネットワークの制御を維持するため、監視ソリューションが採用され、常に強化されている。
様々なキーパフォーマンス指標(KPI)を収集し(CPU利用、メモリ割り当てなど)、システム状態に関する詳細な情報を提供する。
このような指標を一定期間保存することは、過去の観測に基づいて将来のKPI進捗を予測する動機を自然に引き起こす。
様々な時系列予測手法が存在するが、ITシステムのKPIの進捗予測は非常に難しい。
第一に、CPU利用やメモリ割り当てのようなKPIタイプは非常に異なり、同じモデルで表現することが難しい。
第2に、ソフトウェアやファームウェアのアップデートとハードウェアの近代化により、システムコンポーネントは相互接続され、常に変更される。
したがって、頻繁なモデル再訓練や微調整が期待できる。
そこで,歴史的観測に基づくkpi系列予測のための軽量解を提案する。
ニューラルネットワークと平均予測器という2つのモデルからなる重み付きヘテロジニアスアンサンブル法で構成されている。
アンサンブル法として重み付き和を用い、重み付けにヒューリスティックを用いる。
モデリングアプローチは、利用可能なFedCSIS 2020チャレンジデータセットに基づいて評価され、予備10%のテストデータでは総合で0.10ドル、完全テストデータでは0.15ドルとなる。
私たちは以下のgithubリポジトリにコードを公開しています。
関連論文リスト
- Stochastic Approximation Approach to Federated Machine Learning [0.0]
本稿では、近似(SA)フレームワークにおけるフェデレートラーニング(FL)について検討する。
FLは、さまざまな参加者やクライアント間でニューラルネットワークモデルをトレーニングする、協調的な方法である。
提案アルゴリズムは頑健であり,より信頼性の高い重み推定を行う。
論文 参考訳(メタデータ) (2024-02-20T12:00:25Z) - A Dynamical Model of Neural Scaling Laws [86.9540615081759]
ネットワークトレーニングと一般化の解決可能なモデルとして,勾配降下で訓練されたランダムな特徴モデルを分析する。
我々の理論は、データの繰り返し再利用により、トレーニングとテスト損失のギャップが徐々に増大することを示している。
論文 参考訳(メタデータ) (2024-02-02T01:41:38Z) - Assessing Neural Network Representations During Training Using
Noise-Resilient Diffusion Spectral Entropy [55.014926694758195]
ニューラルネットワークにおけるエントロピーと相互情報は、学習プロセスに関する豊富な情報を提供する。
データ幾何を利用して基礎となる多様体にアクセスし、これらの情報理論測度を確実に計算する。
本研究は,高次元シミュレーションデータにおける固有次元と関係強度の耐雑音性の測定結果である。
論文 参考訳(メタデータ) (2023-12-04T01:32:42Z) - Flag Aggregator: Scalable Distributed Training under Failures and
Augmented Losses using Convex Optimization [14.732408788010313]
MLアプリケーションはますます、複雑なディープラーニングモデルと大規模なデータセットに依存している。
計算とデータをスケールするために、これらのモデルはノードのクラスタ内で分散的にトレーニングされ、それらの更新はモデルに適用される前に集約される。
これらの設定にデータ拡張を加えることで、堅牢で効率的なアグリゲーションシステムが必要である。
この手法は,最先端のビザンツ系レジリエントアグリゲータのロバスト性を大幅に向上させることを示す。
論文 参考訳(メタデータ) (2023-02-12T06:38:30Z) - Scaling Structured Inference with Randomization [64.18063627155128]
本稿では、構造化されたモデルを数万の潜在状態に拡張するためにランダム化された動的プログラミング(RDP)のファミリを提案する。
我々の手法は古典的DPベースの推論に広く適用できる。
また、自動微分とも互換性があり、ニューラルネットワークとシームレスに統合できる。
論文 参考訳(メタデータ) (2021-12-07T11:26:41Z) - Backward-Compatible Prediction Updates: A Probabilistic Approach [12.049279991559091]
本稿では,予測更新問題を定式化し,上記の質問に対する効率的な確率的アプローチを提案する。
標準分類ベンチマークデータセットの広範な実験において,提案手法は後方互換性のある予測更新のための代替戦略よりも優れていることを示す。
論文 参考訳(メタデータ) (2021-07-02T13:05:31Z) - FairCanary: Rapid Continuous Explainable Fairness [8.362098382773265]
本稿では,新しいモデルバイアス量化尺度であるQuantile Demographic Drift(QDD)を提案する。
QDDは継続的な監視シナリオに最適であり、従来のしきい値ベースのバイアスメトリクスの統計的制限に悩まされない。
QDDをFairCanaryと呼ばれる継続的モデル監視システムに組み込み、各予測毎に計算された既存の説明を再利用します。
論文 参考訳(メタデータ) (2021-06-13T17:47:44Z) - Flexible Model Aggregation for Quantile Regression [92.63075261170302]
量子回帰は、予測の不確実性を定量化する必要性によって動機付けられた統計学習の基本的な問題である。
条件付き量子モデルの任意の数を集約する手法について検討する。
この論文で検討するモデルはすべて、現代のディープラーニングツールキットに適合します。
論文 参考訳(メタデータ) (2021-02-26T23:21:16Z) - TELESTO: A Graph Neural Network Model for Anomaly Classification in
Cloud Services [77.454688257702]
機械学習(ML)と人工知能(AI)はITシステムの運用とメンテナンスに適用される。
1つの方向は、修復自動化を可能にするために、繰り返し発生する異常タイプを認識することである。
与えられたデータの次元変化に不変な手法を提案する。
論文 参考訳(メタデータ) (2021-02-25T14:24:49Z) - Conditional Mutual information-based Contrastive Loss for Financial Time
Series Forecasting [12.0855096102517]
金融時系列予測のための表現学習フレームワークを提案する。
本稿では、まず時系列データからコンパクトな表現を学習し、次に学習した表現を用いて、時系列の動きを予測するためのより単純なモデルを訓練する。
論文 参考訳(メタデータ) (2020-02-18T15:24:33Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト(すべての情報・翻訳含む)の品質を保証せず、本サイト(すべての情報・翻訳含む)を使用して発生したあらゆる結果について一切の責任を負いません。