ترجمه فارسی مقاله استفاده از قابلیت تفسیرپذیری در ترانسفورماتور برای خودکارسازی مقیاس پذیری پیشگیرانه منابع ابری

انتخاب پلن

انتخاب پلن برای ادامه خرید الزامی است.

پرداخت اقساطی
در صورت خرید اقساطی هر قسط: 37,500 تومان
۴ قسط ماهانه. بدون سود، چک و ضامن.
پرداخت اقساطی با دیجی‌پی پرداخت اقساطی با ترب‌پی
عنوان مقاله به انگلیسی Leveraging Interpretability in the Transformer to Automate the Proactive Scaling of Cloud Resources
عنوان مقاله به فارسی استفاده از قابلیت تفسیرپذیری در ترانسفورماتور برای خودکارسازی مقیاس پذیری پیشگیرانه منابع ابری
نویسندگان Amadou Ba, Pavithra Harsha, Chitra Subramanian
فرمت مقاله انگلیسی PDF
تعداد صفحات 14
لینک دانلود رایگان مقاله انگلیسی دانلود مقاله
دسته بندی موضوعات Machine Learning,یادگیری ماشین ,
توضیحات Submitted 4 September, 2024; originally announced September 2024. , Comments: 14 pages, 5 figures
توضیحات به فارسی ارسال شده در 4 سپتامبر 2024 ؛در ابتدا سپتامبر 2024 اعلام شد ، نظرات: 14 صفحه ، 5 شکل
اطلاعات بیشتر از این مقاله در پایگاه های علمی INSPIRE HEP
NASA ADS
Google Scholar
Semantic Scholar

📚 محتوای این محصول آموزشی (پکیج کامل)

علاوه بر مقاله اصلی انگلیسی که دریافت می کنید، برای یادگیری عمیق‌تر و تسلط کامل بر مباحث مجموعه‌ای از کتاب‌های آموزشی نیز ارائه می‌شود.

🎯 این بسته یک دورهٔ آموزشی کامل و چندلایه است؛ شامل ویدیوهای آموزشی، کتاب‌ها، تمرین‌ها و خودآزمایی.

ℹ️ نکات مهم هنگام خرید

  • این محصول به صورت فایل دانلودی کامل ارائه می‌شود.
  • توجه: لینک‌های اختصاصی دوره طی حداکثر 24 ساعت پس از ثبت سفارش ارسال می‌شوند.
  • دقت کنید لینک ها به شماره موبایل شما ارسال می شوند. پس در ارائه شماره موبایل صحیح دقت کنید.
  • برای راهنمایی در مورد نحوه دانلود به شماره 09395106248 پیامک دهید یا تماس بگیرید. (ایده آل ترین گزینه ارسال پیام در یکی از پیام رسان ها به همین شماره است تا سریعا لینک های محصول همان جا برای شما ارسال گردد.)
  • اگر پرداخت انجام شده ولی بعد از 24 ساعت هنوز لینک‌ها را دریافت نکرده‌اید، نام و نام خانوادگی و نام محصول را پیامک کنید تا لینک‌ها دوباره ارسال شوند.

💬 راه‌های ارتباطی پشتیبانی:
واتس‌اپ یا هر پیام رسان داخلی یا پیامک: 09395106248
تلگرام: @ma_limbs

چکیده

Modern web services adopt cloud-native principles to leverage the advantages of microservices. To consistently guarantee high Quality of Service (QoS) according to Service Level Agreements (SLAs), ensure satisfactory user experiences, and minimize operational costs, each microservice must be provisioned with the right amount of resources. However, accurately provisioning microservices with adequate resources is complex and depends on many factors, including workload intensity and the complex interconnections between microservices. To address this challenge, we develop a model that captures the relationship between an end-to-end latency, requests at the front-end level, and resource utilization. We then use the developed model to predict the end-to-end latency. Our solution leverages the Temporal Fusion Transformer (TFT), an attention-based architecture equipped with interpretability features. When the prediction results indicate SLA non-compliance, we use the feature importance provided by the TFT as covariates in Kernel Ridge Regression (KRR), with the response variable being the desired latency, to learn the parameters associated with the feature importance. These learned parameters reflect the adjustments required to the features to ensure SLA compliance. We demonstrate the merit of our approach with a microservice-based application and provide a roadmap to deployment.

چکیده به فارسی (ترجمه ماشینی)

خدمات وب مدرن اصول بومی ابر را برای بهره گیری از مزایای خدمات میکروسرویس اتخاذ می کنند.برای تضمین مداوم کیفیت بالای خدمات (QoS) با توجه به توافق نامه های سطح خدمات (SLA) ، اطمینان از تجربیات رضایت بخش کاربر و به حداقل رساندن هزینه های عملیاتی ، هر میکروسرویس باید با میزان مناسب منابع ارائه شود.با این حال ، ارائه دقیق خدمات میکروسرویس با منابع کافی پیچیده است و به عوامل زیادی از جمله شدت بار کار و اتصال پیچیده بین میکروسرویس ها بستگی دارد.برای پرداختن به این چالش ، ما الگویی را ایجاد می کنیم که رابطه بین تأخیر نهایی به انتها ، درخواست ها در سطح جلوی و استفاده از منابع را ضبط می کند.سپس از مدل توسعه یافته برای پیش بینی تأخیر پایان به پایان استفاده می کنیم.راه حل ما از ترانسفورماتور فیوژن موقتی (TFT) استفاده می کند ، یک معماری مبتنی بر توجه مجهز به ویژگی های تفسیر.هنگامی که نتایج پیش بینی حاکی از عدم رعایت SLA است ، ما از اهمیت ویژگی ارائه شده توسط TFT به عنوان متغیرهای رگرسیون هسته ریج (KRR) استفاده می کنیم ، با متغیر پاسخ تأخیر مورد نظر ، برای یادگیری پارامترهای مرتبط با اهمیت ویژگی.این پارامترهای آموخته شده برای اطمینان از انطباق SLA ، تنظیمات مورد نیاز را برای ویژگی ها منعکس می کنند.ما شایستگی رویکرد خود را با یک برنامه مبتنی بر میکروسرویس نشان می دهیم و نقشه راه برای استقرار ارائه می دهیم.

📚 محتوای این محصول آموزشی (پکیج کامل)

علاوه بر مقاله اصلی انگلیسی که دریافت می کنید، برای یادگیری عمیق‌تر و تسلط کامل بر مباحث مجموعه‌ای از کتاب‌های آموزشی نیز ارائه می‌شود.

🎯 این بسته یک دورهٔ آموزشی کامل و چندلایه است؛ شامل ویدیوهای آموزشی، کتاب‌ها، تمرین‌ها و خودآزمایی.

ℹ️ نکات مهم هنگام خرید

  • این محصول به صورت فایل دانلودی کامل ارائه می‌شود.
  • توجه: لینک‌های اختصاصی دوره طی حداکثر 24 ساعت پس از ثبت سفارش ارسال می‌شوند.
  • دقت کنید لینک ها به شماره موبایل شما ارسال می شوند. پس در ارائه شماره موبایل صحیح دقت کنید.
  • برای راهنمایی در مورد نحوه دانلود به شماره 09395106248 پیامک دهید یا تماس بگیرید. (ایده آل ترین گزینه ارسال پیام در یکی از پیام رسان ها به همین شماره است تا سریعا لینک های محصول همان جا برای شما ارسال گردد.)
  • اگر پرداخت انجام شده ولی بعد از 24 ساعت هنوز لینک‌ها را دریافت نکرده‌اید، نام و نام خانوادگی و نام محصول را پیامک کنید تا لینک‌ها دوباره ارسال شوند.

💬 راه‌های ارتباطی پشتیبانی:
واتس‌اپ یا هر پیام رسان داخلی یا پیامک: 09395106248
تلگرام: @ma_limbs

نظرات

هنوز نظری ثبت نشده است.

وارد شوید تا نظر ثبت کنید.