A funcionalidade de pesquisa está em construção.
A funcionalidade de pesquisa está em construção.

The original paper is in English. Non-English content has been machine-translated and may contain typographical errors or mistranslations. ex. Some numerals are expressed as "XNUMX".
Copyrights notice

The original paper is in English. Non-English content has been machine-translated and may contain typographical errors or mistranslations. Copyrights notice

Multi-Target Classification Based Automatic Virtual Resource Allocation Scheme Esquema de alocação automática de recursos virtuais baseado em classificação multialvo

Abu Hena Al MUKTADIR, Takaya MIYAZAWA, Pedro MARTINEZ-JULIA, Hiroaki HARAI, Ved P. KAFLE

  • Exibições de texto completo

    0

  • Cite isto

Resumo:

Neste artigo, propomos um método para alocação automática de recursos virtuais usando um esquema baseado em classificação multi-alvo (MTCAS). Em nosso método, um Provedor de Infraestrutura (InP) agrupa seus recursos de CPU, memória, armazenamento e largura de banda como Elementos de Rede (NEs) e os categoriza em vários tipos de acordo com sua função, capacidades, localização, consumo de energia, preço, etc. MTCAS é usado pelo InP para alocar de forma otimizada um conjunto de NEs para um Operador de Rede Virtual (VNO). Esses NEs estarão sujeitos a algumas restrições, como evitar a superalocação de recursos e a satisfação de múltiplas métricas de Qualidade de Serviço (QoS). A fim de obter uma precisão de previsão comparável ou superior usando menos tempo de treinamento do que os algoritmos de classificação multialvo (MTC) baseados em conjunto disponíveis, propomos um algoritmo de conjunto baseado em votação majoritária (MVEN) para MTCAS. Avaliamos numericamente o desempenho do MTCAS usando o MVEN e algoritmos MTC disponíveis com conjuntos de dados de treinamento sintéticos. Os resultados indicam que o algoritmo MVEN requer 70% menos tempo de treinamento, mas atinge a mesma precisão que os algoritmos MTC baseados em conjuntos relacionados. Os resultados também demonstram que aumentar a quantidade de dados de treinamento aumenta a eficácia do MTCAS, reduzindo assim a alocação de CPU e memória em cerca de 33% e 51%, respectivamente.

Publicação
IEICE TRANSACTIONS on Information Vol.E102-D No.5 pp.898-909
Data de publicação
2019/05/01
Publicitada
2019/02/19
ISSN online
1745-1361
DOI
10.1587/transinf.2018NTP0016
Tipo de Manuscrito
Special Section PAPER (Special Section on the Architectures, Protocols, and Applications for the Future Internet)
Categoria

autores

Abu Hena Al MUKTADIR
  National Institute of Information and Communications Technology (NICT)
Takaya MIYAZAWA
  National Institute of Information and Communications Technology (NICT)
Pedro MARTINEZ-JULIA
  National Institute of Information and Communications Technology (NICT)
Hiroaki HARAI
  National Institute of Information and Communications Technology (NICT)
Ved P. KAFLE
  National Institute of Information and Communications Technology (NICT)

Palavra-chave