مدل های پیش بینی شكست هوشمند برای روند کاری علمی

Elsevier
سال انتشار :
2015
تعداد صفحات مقاله انگلیسی :
10
نشریه :
الزویر
تعداد رفرنس ها :
48
نوع مقاله :
مقاله ISI
کراس مارک :
Crossmark
keywords :
Cloud Computing Workflows Failure prediction Scientific workflows Machine learning
کلمات کلیدی :
ابر رایانه، گردش کار پیش بینی شکست، جریان کار علمی، یادگیری ماشین
عنوان فارسی :

مدل های پیش بینی شكست هوشمند برای روند کاری علمی

عنوان انگلیسی :

Intelligent failure prediction models for scientific workflows

ژورنال :
Expert Systems with Applications
لینک مقاله :
http://www.sciencedirect.com/science/article/pii/S0957417414005533
آدرس DOI :
https://doi.org/10.1016/j.eswa.2014.09.014
وضعیت ترجمه :
انجام نشده.

سال انتشار : 2015

تعداد صفحات مقاله انگلیسی : 9

نشریه : الزویر

تعداد رفرنس ها : 48

نوع مقاله : مقاله ISI

کلمات کلیدی انگلیسی : Cloud Computing Workflows Failure prediction Scientific workflows Machine learning

کلمات کلیدی : ابر رایانه، گردش کار پیش بینی شکست، جریان کار علمی، یادگیری ماشین

عنوان فارسی : مدل های پیش بینی شكست هوشمند برای روند کاری علمی

عنوان انگلیسی : Intelligent failure prediction models for scientific workflows

لینک مقاله : http://www.sciencedirect.com/science/article/pii/S0957417414005533



چکیده انگلیسی
The ever-growing demand and heterogeneity of Cloud Computing is garnering popularity with scientific communities to utilize the services of Cloud for executing large scale scientific applications in the form of set of tasks known as Workflows. As scientific workflows stipulate a process or computation to be executed in the form of data flow and task dependencies that allow users to simply articulate multi-step computational and complex tasks. Hence, proactive fault tolerance is required for the execution of scientific workflows. To reduce the failure effect of workflow tasks on the Cloud resources during execution, task failures can be intelligently predicted by proactively analyzing the data of multiple scientific workflows using the state of the art of machine learning approaches for failure prediction. Therefore, this paper makes an effort to focus on the research problem of designing an intelligent task failure prediction models for facilitating proactive fault tolerance by predicting task failures for Scientific Workflow applications. Firstly, failure prediction models have been implemented through machine learning approaches using evaluated performance metrics and also demonstrates the maximum prediction accuracy for Naive Bayes. Then, the proposed failure models have also been validated using Pegasus and Amazon EC2 by comparing actual task failures with predicted task failures.

چکیده فارسی
تقاضا و ناهمگنی ابر رایانه در حال افزایش است و محبوبیت آن با جوامع علمی به منظور استفاده از خدمات توده ای برای اجرای برنامه های علمی گسترده در قالب مجموعه ای از وظایف شناخته شده به عنوان گردش کار است. به عنوان جریان کاری علمی، فرایند یا محاسبات را به صورت جریان داده ها و وابستگی های کار اجرا می کند که به کاربران اجازه می دهد تا به راحتی کارهای محاسباتی و پیچیده را درچند گام بیان کنند. از این رو، تحمل خطای پیشگیرانه برای اجرای جریانهای علمی ضروری است. برای کاهش اثر وارده وظایف گردش کار بر روی منابع ابر در طول اجرای، می توان با تجزیه و تحلیل داده های چند جریان علمی با استفاده از حالت هنر روش های یادگیری ماشین برای پیش بینی شکست، هوشمندانه پیش بینی کرد. بنابراین، این مقاله تلاش می کند تا بر مساله تحقیق طراحی یک مدل پیش بینی شكست وظیفه هوشمند برای تسهیل تحمل شکست پیشگیرانه با پیش بینی عدم انجام كارها برای برنامه های كاربردی علمی تلاش كند. اولا، مدل پیش بینی شکست با روش های یادگیری ماشین با استفاده از معیارهای عملکرد ارزیابی انجام شده است و همچنین حداکثر دقت پیش بینی برای دفاع ساده نشان داده شده است. سپس مدل های شکست پیشنهاد شده با استفاده از پگاسوس و EC2 آمازون با مقایسه شکست های کاری واقعی با خرابی های پیش بینی شده، اعتبار پیدا می کنند.

موضوعات مقاله