論文の概要: PePNet: A Periodicity-Perceived Workload Prediction Network Supporting Rare Occurrence of Heavy Workload

• arxiv url: http://arxiv.org/abs/2308.01917v1
• Date: Tue, 11 Jul 2023 07:56:27 GMT
• ステータス: 処理完了
• システム内更新日: 2023-08-14 02:06:19.699730
• Title: PePNet: A Periodicity-Perceived Workload Prediction Network Supporting Rare Occurrence of Heavy Workload
• Title（参考訳）: pepnet: 頻繁な負荷発生を支援する周期性知覚型ワークロード予測ネットワーク
• Authors: Feiyi Chen, Zhen Qin, Hailiang Zhao, Mengchu Zhou, Shuiguang Deng
• Abstract要約: クラウドサーバのワークロードは非常に可変的であり、時には重いワークロードがバーストする。 ワークロード予測には統計手法とニューラルネットベースの方法の2つのカテゴリがある。 本稿では,特に負荷予測の精度を向上させるため,PePNetを提案する。
• 参考スコア（独自算出の注目度）: 64.09361639597527
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Cloud providers can greatly benefit from accurate workload prediction. However, the workload of cloud servers is highly variable, with occasional heavy workload bursts. This makes workload prediction challenging. There are mainly two categories of workload prediction methods: statistical methods and neural-network-based ones. The former ones rely on strong mathematical assumptions and have reported low accuracy when predicting highly variable workload. The latter ones offer higher overall accuracy, yet they are vulnerable to data imbalance between heavy workload and common one. This impairs the prediction accuracy of neural network-based models on heavy workload. Either the overall inaccuracy of statistic methods or the heavy-workload inaccuracy of neural-network-based models can cause service level agreement violations. Thus, we propose PePNet to improve overall especially heavy workload prediction accuracy. It has two distinctive characteristics: (i) A Periodicity-Perceived Mechanism to detect the existence of periodicity and the length of one period automatically, without any priori knowledge. Furthermore, it fuses periodic information adaptively, which is suitable for periodic, lax periodic and aperiodic time series. (ii) An Achilles' Heel Loss Function iteratively optimizing the most under-fitting part in predicting sequence for each step, which significantly improves the prediction accuracy of heavy load. Extensive experiments conducted on Alibaba2018, SMD dataset and Dinda's dataset demonstrate that PePNet improves MAPE for overall workload by 20.0% on average, compared with state-of-the-art methods. Especially, PePNet improves MAPE for heavy workload by 23.9% on average.
• Abstract（参考訳）: クラウドプロバイダは、正確なワークロード予測の恩恵を受けることができる。 しかし、クラウドサーバのワークロードは非常に可変であり、時には重いワークロードがバーストする。 これにより、ワークロードの予測が難しくなる。 主に、統計的手法とニューラルネットワークに基づく方法の2つのカテゴリがある。 前者は強い数学的仮定に依存し、高度に可変なワークロードを予測する際に低い精度を報告している。 後者は全体的な精度が高いが、重いワークロードと一般的なワークロードの間のデータ不均衡に弱い。 これにより、重負荷時のニューラルネットワークベースのモデルの予測精度が低下する。 統計手法の全体的な不正確さや、ニューラルネットワークベースのモデルの重負荷不正確さは、サービスレベルの合意違反を引き起こす可能性がある。 そこで我々は,特に負荷予測の精度を向上させるためにPePNetを提案する。 特徴は2つある。 (一)事前の知識なしに、周期性の有無及び一周期の長さを自動的に検出する周期性知覚機構 さらに、周期的・ラックス的・非周期的時系列に適した周期的情報を適応的に融合する。 (ii)アキレスヒール損失関数は、各ステップの予測シーケンスにおいて最も不適合な部分を反復的に最適化し、重荷の予測精度を大幅に向上させる。 Alibaba2018、SMDデータセット、Dindaのデータセットで実施された大規模な実験によると、PePNetは、最先端の方法と比較して、全体のワークロードのMAPEを平均で20.0%改善している。 特にPePNetは、重労働負荷に対するMAPEを平均23.9%改善している。

関連論文リスト

• Forecast-PEFT: Parameter-Efficient Fine-Tuning for Pre-trained Motion Forecasting Models [68.23649978697027]
  Forecast-PEFTは、モデルのパラメータの大部分を凍結し、新しく導入されたプロンプトとアダプタの調整に集中する微調整戦略である。 実験の結果,Forecast-PEFTは動作予測タスクにおいて従来のフルチューニング手法よりも優れていた。 Forecast-FTは予測性能をさらに改善し、従来のベースライン法よりも最大9.6%向上した。
  論文  参考訳（メタデータ） (2024-07-28T19:18:59Z)
• F-FOMAML: GNN-Enhanced Meta-Learning for Peak Period Demand Forecasting with Proxy Data [65.6499834212641]
  本稿では,需要予測をメタラーニング問題として定式化し,F-FOMAMLアルゴリズムを開発した。 タスク固有のメタデータを通してドメインの類似性を考慮することにより、トレーニングタスクの数が増加するにつれて過剰なリスクが減少する一般化を改善した。 従来の最先端モデルと比較して,本手法では需要予測精度が著しく向上し,内部自動販売機データセットでは平均絶対誤差が26.24%,JD.comデータセットでは1.04%削減された。
  論文  参考訳（メタデータ） (2024-06-23T21:28:50Z)
• GVFs in the Real World: Making Predictions Online for Water Treatment [23.651798878534635]
  実際の飲料水処理プラントにおける強化学習に基づく予測手法の適用について検討する。 まず、このデータセットを説明し、季節性、非定常性、部分観測可能性といった課題を強調します。 オンラインで学習するTDエージェントに対してオンライン更新を行わずに、純粋にオフラインで訓練されたTDエージェントを比較して、デプロイメントにおける学習の重要性を示す。
  論文  参考訳（メタデータ） (2023-12-04T04:49:10Z)
• Learning Sample Difficulty from Pre-trained Models for Reliable Prediction [55.77136037458667]
  本稿では,大規模事前学習モデルを用いて,サンプル難易度を考慮したエントロピー正規化による下流モデルトレーニングを指導する。 我々は、挑戦的なベンチマークで精度と不確実性の校正を同時に改善する。
  論文  参考訳（メタデータ） (2023-04-20T07:29:23Z)
• NURD: Negative-Unlabeled Learning for Online Datacenter Straggler Prediction [17.346001585453415]
  タスクが完了するとタスクが完了するので、ストラグラーはパフォーマンスの大きな障害になります。 本稿では,再重み付けと分散補償を併用した新しい負非ラベル学習手法であるNURDを提案する。 NURDをGoogleとAlibabaの2つの製品トレースで評価する。
  論文  参考訳（メタデータ） (2022-03-16T01:15:50Z)
• Improved Fine-tuning by Leveraging Pre-training Data: Theory and Practice [52.11183787786718]
  対象データに事前学習されたモデルを微調整することは、多くのディープラーニングアプリケーションで広く利用されている。 近年の研究では、スクラッチからのトレーニングが、この事前トレーニング戦略に比較して、最終的なパフォーマンスを示すことが実証されている。 本稿では,対象タスクの一般化を改善するために,事前学習データからサブセットを選択する新しい選択戦略を提案する。
  論文  参考訳（メタデータ） (2021-11-24T06:18:32Z)
• Uncertainty-Aware Time-to-Event Prediction using Deep Kernel Accelerated Failure Time Models [11.171712535005357]
  本稿では,時間-時間予測タスクのためのDeep Kernel Accelerated Failure Timeモデルを提案する。 我々のモデルは、2つの実世界のデータセットの実験において、繰り返しニューラルネットワークに基づくベースラインよりも良い点推定性能を示す。
  論文  参考訳（メタデータ） (2021-07-26T14:55:02Z)
• Towards More Fine-grained and Reliable NLP Performance Prediction [85.78131503006193]
  NLPタスクのパフォーマンス予測の改善に2つの貢献をしている。 まず,F1やBLEUのような総合的な精度測定のための性能予測器について検討する。 次に,信頼区間とキャリブレーションの2つの角度から性能予測モデルの信頼性を理解する手法を提案する。
  論文  参考訳（メタデータ） (2021-02-10T15:23:20Z)
• Online Capacity Scaling Augmented With Unreliable Machine Learning Predictions [0.0]
  我々は,ブラックボックスの機械学習予測にアクセスできるABCS(Adaptive Balanced Capacity Scaling)と呼ばれる新しいアルゴリズムを提案する。 ABCSは予測に適応することを目的としており、ワークロードの予測不可能な急上昇に対して堅牢である。 特に、予測が正確であればABCSが$(varepsilon)$-competitiveであることを証明するが、予測が完全に不正確な場合でも一様有界競争比を持つ。
  論文  参考訳（メタデータ） (2021-01-28T18:14:18Z)
• Superiority of Simplicity: A Lightweight Model for Network Device Workload Prediction [58.98112070128482]
  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。
  論文  参考訳（メタデータ） (2020-07-07T15:44:16Z)
• Long-Short Term Spatiotemporal Tensor Prediction for Passenger Flow Profile [15.875569404476495]
  本稿では,テンソルに基づく予測に焦点をあて,予測を改善するためのいくつかの実践的手法を提案する。 具体的には、長期予測のために「テンソル分解+2次元自己回帰移動平均(2D-ARMA)」モデルを提案する。 短期予測のために,テンソルクラスタリングに基づくテンソル補完を行い,過度に単純化され精度が保証されるのを避けることを提案する。
  論文  参考訳（メタデータ） (2020-04-23T08:30:00Z)

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。