Predicting QoS of virtual machines via Bayesian network with XGboost-induced classes
Predicting QoS of virtual machines via Bayesian network with XGboost-induced classes
复制标题
使用 XGboost 诱导类通过贝叶斯网络预测虚拟机的 QoS
DOI：
10.1007/s10586-020-03183-2
复制
发表时间：
2020-09
影响因子：
4.4
通讯作者：
Fu Xiaodong
中科院分区：
文献类型：
--
作者：
Hao Jia;Yue Kun;Duan Liang;Zhang Binbin;Fu Xiaodong
虚拟机（VM）的服务质量（QoS）由用户和服务提供商在租用VM期间签署的服务水平协议（SLA）来保证。一个典型的思想，以确保达到服务水平协议是准确预测的虚拟机的QoS，然后根据预测结果及时采取适当的措施。然而，服务质量是由多个虚拟机相关的功能，其中的不确定性和非线性的关系是具有挑战性的表示和分析。因此，在本文中，我们构建了一个类参数增强贝叶斯网络（CBN），以克服困难，然后预测虚拟机的QoS准确。具体来说，我们首先基于欧氏距离对多个VM相关特征进行聚类，然后使用XGboost对每个聚类中的不同VM配置进行分类。然后，我们构建CBN的分类结果的基础上，以及相应的QoS值。因此，我们预测虚拟机的QoS通过变量消除（VE）与CBN。实验结果表明，我们提出的方法预测虚拟机的QoS的效率和有效性。
Quality of Service (QoS) of virtual machines (VMs) is guaranteed by the Service Level Agreements (SLAs) signed between users and service providers during the renting of VMs. A typical idea to ensure the SLAs being reached is to predict the QoS of VMs accurately and then take the appropriate measures according to the prediction results timely. However, the QoS is affected by multiple VM-related features, among which the uncertain and non-linear relationships are challenging to represent and analyze. Thus, in this paper, we construct a class parameter augmented Bayesian Network (CBN) to overcome the difficulties and then predict the QoS of VMs accurately. Specifically, we first cluster multiple VM-related features based on the Euclidean distance, and then use XGboost to classify the different VM configurations within each cluster. Then, we construct the CBN based on the classification results as well as the corresponding QoS values. Consequently, we predict the QoS of VMs via the variable elimination (VE) with CBN. Experimental results show the efficiency and effectiveness of our proposed method on predicting the QoS of VMs.
登录
查看更多内容
通过峰值负载调度提升节能数据中心的 QoS
影响因子：
6.5
作者：
Cheng Hu;Yuhui Deng;Geyong Min;Ping Huang;Xiao Qin
通讯作者：
Xiao Qin
异构工作负载下 IaaS 数据中心性能分析的有效建模方法
影响因子：
6.5
作者：
Xiaolin Chang;Ruofan Xia;Jogesh K. Muppala;Kishor S. Trivedi;Jiqiang Liu
通讯作者：
Jiqiang Liu
影响因子：
6.5
作者：
Veena Khandelwal;A. K. Chaturvedi;C. P. Gupta
通讯作者：
Veena Khandelwal;A. K. Chaturvedi;C. P. Gupta
DOI：
10.1016/j.compeleceng.2018.02.028
发表时间：
2018-04
期刊：
Comput. Electr. Eng.
影响因子：
--
作者：
Huda Ibrahim;Raafat Aburukba;K. El-Fakih
通讯作者：
Huda Ibrahim;Raafat Aburukba;K. El-Fakih
DOI：
10.1109/fuzz-ieee.2015.7337979
发表时间：
2015-11
期刊：
2015 IEEE International Conference on Fuzzy Systems (FUZZ-IEEE)
影响因子：
--
作者：
Fahimeh Ramezani;M. Naderpour;Jie Lu
通讯作者：
Fahimeh Ramezani;M. Naderpour;Jie Lu