اکسپرس 24
ترجمه فارسی مقاله تشخیص کندی وظایف در سطح خوشه در سیستم ابری

ترجمه فارسی مقاله تشخیص کندی وظایف در سطح خوشه در سیستم 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 Cluster-Wide Task Slowdown Detection in Cloud System
عنوان مقاله به فارسی تشخیص کندی وظایف در سطح خوشه در سیستم ابری
نویسندگان Feiyi Chen, Yingying Zhang, Lunting Fan, Yuxuan Liang, Guansong Pang, Qingsong Wen, Shuiguang Deng
فرمت مقاله انگلیسی PDF
تعداد صفحات 12
دسته بندی موضوعات Machine Learning,Artificial Intelligence,یادگیری ماشین , هوش مصنوعی ,
توضیحات Submitted 8 August, 2024; originally announced August 2024. , Comments: This paper has been accepted by KDD2024
توضیحات به فارسی ارسال شده در 8 اوت 2024 ؛در ابتدا اوت 2024 اعلام شد. ، نظرات: این مقاله توسط KDD2024 پذیرفته شده است

قیمت: 19,000 تومان

سفارش

با انتخاب این گزینه، علاوه بر دریافت مقاله اصلی، را نیز سفارش می‌دهید.

قیمت: 480,000 تومان

زمان تحویل: 2 تا 3 روز کاری

📚 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

Slow task detection is a critical problem in cloud operation and maintenance since it is highly related to user experience and can bring substantial liquidated damages. Most anomaly detection methods detect it from a single-task aspect. However, considering millions of concurrent tasks in large-scale cloud computing clusters, it becomes impractical and inefficient. Moreover, single-task slowdowns are very common and do not necessarily indicate a malfunction of a cluster due to its violent fluctuation nature in a virtual environment. Thus, we shift our attention to cluster-wide task slowdowns by utilizing the duration time distribution of tasks across a cluster, so that the computation complexity is not relevant to the number of tasks. The task duration time distribution often exhibits compound periodicity and local exceptional fluctuations over time. Though transformer-based methods are one of the most powerful methods to capture these time series normal variation patterns, we empirically find and theoretically explain the flaw of the standard attention mechanism in reconstructing subperiods with low amplitude when dealing with compound periodicity. To tackle these challenges, we propose SORN (i.e., Skimming Off subperiods in descending amplitude order and Reconstructing Non-slowing fluctuation), which consists of a Skimming Attention mechanism to reconstruct the compound periodicity and a Neural Optimal Transport module to distinguish cluster-wide slowdowns from other exceptional fluctuations. Furthermore, since anomalies in the training set are inevitable in a practical scenario, we propose a picky loss function, which adaptively assigns higher weights to reliable time slots in the training set. Extensive experiments demonstrate that SORN outperforms state-of-the-art methods on multiple real-world industrial datasets.

چکیده به فارسی (ترجمه ماشینی)

تشخیص کار آهسته یک مشکل اساسی در عملکرد و نگهداری ابر است زیرا این امر به تجربه کاربر بسیار مرتبط است و می تواند خسارات قابل توجهی را به همراه داشته باشد.بیشتر روشهای تشخیص ناهنجاری آن را از یک جنبه تک وظیفه تشخیص می دهند.با این حال ، با توجه به میلیون ها کار همزمان در خوشه های محاسبات ابری در مقیاس بزرگ ، غیر عملی و ناکارآمد می شود.علاوه بر این ، کندی های تک کار بسیار رایج است و لزوماً نشانگر نقص یک خوشه به دلیل ماهیت نوسانات خشونت آمیز در یک محیط مجازی نیست.بنابراین ، ما با استفاده از توزیع مدت زمان انجام وظایف در یک خوشه ، توجه خود را به کندی کار خوشه ای تغییر می دهیم ، به طوری که پیچیدگی محاسبات به تعداد کارها مربوط نمی شود.توزیع زمان مدت کار اغلب تناوب ترکیبی و نوسانات استثنایی محلی را با گذشت زمان نشان می دهد.اگرچه روشهای مبتنی بر ترانسفورماتور یکی از قدرتمندترین روشها برای ضبط این الگوهای تنوع طبیعی سری زمانی است ، اما ما از لحاظ تجربی نقص مکانیسم توجه استاندارد را در بازسازی زیر دوره ها با دامنه کم هنگام برخورد با تناوب تناوبی پیدا می کنیم و توضیح می دهیم.برای مقابله با این چالش ها ، ما پیشنهاد می کنیم (به عنوان مثال ، استفاده از زیرنویس ها در ترتیب دامنه نزولی و بازسازی نوسان غیر اشتیاق) ، که شامل یک مکانیسم توجه اسکیمر برای بازسازی تناوب ترکیب و یک ماژول حمل و نقل بهینه عصبی است.از سایر نوسانات استثنایی.علاوه بر این ، از آنجا که ناهنجاری های موجود در مجموعه آموزش در یک سناریوی عملی اجتناب ناپذیر است ، ما یک عملکرد از دست دادن دلپذیر را پیشنهاد می کنیم ، که به طور تطبیقی ​​وزنهای بالاتری را به شکافهای زمانی قابل اعتماد در مجموعه آموزش اختصاص می دهد.آزمایش های گسترده نشان می دهد که SORN از روشهای پیشرفته در چندین مجموعه داده صنعتی در دنیای واقعی بهتر است.

📚 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.