Data Structures and Algorithms,Distributed, Parallel, and Cluster Computing,Machine Learning,ساختار داده ها و الگوریتم ها , توزیع , موازی و محاسبات خوشه ای , یادگیری ماشین ,
توضیحات
Submitted 14 August, 2024; originally announced August 2024. , Comments: 50 pages, 21 figures
توضیحات به فارسی
ارسال شده در 14 اوت 2024 ؛در ابتدا اوت 2024 اعلام شد ، نظرات: 50 صفحه ، 21 شکل
کتاب پرسش و پاسخ چهارگزینهای – نسخه یادگیری سریع
— پاسخها بلافاصله بعد از سؤال برای مرور سریع
مشاهده نمونه نسخه کوییز سریع
کتاب پرسش و پاسخ چهارگزینهای – نسخه خودآزمایی
— پاسخها در انتهای بخشها برای سنجش واقعی یادگیری
مشاهده نمونه نسخه آزمونی
🎯 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
We study carbon-aware spatiotemporal workload management, which seeks to address the growing environmental impact of data centers. We formalize this as an online problem called spatiotemporal online allocation with deadline constraints ($\mathsf{SOAD}$), in which an online player completes a workload (e.g., a batch compute job) by moving and scheduling the workload across a network subject to a deadline $T$. At each time step, a service cost function is revealed, representing, e.g., the carbon intensity of servicing a workload at each location, and the player must irrevocably decide the current allocation. Furthermore, whenever the player moves the allocation, it incurs a movement cost defined by a metric space $(X,d)$ that captures, e.g., the overhead of migrating a compute job. $\mathsf{SOAD}$ formalizes the open problem of combining general metrics and deadline constraints in the online algorithms literature, unifying problems such as metrical task systems and online search. We propose a competitive algorithm for $\mathsf{SOAD}$ along with a matching lower bound that proves it is optimal. Our main algorithm, ${\rm C{\scriptsize ARBON}C{\scriptsize LIPPER}}$, is a learning-augmented algorithm that takes advantage of predictions (e.g., carbon intensity forecasts) and achieves an optimal consistency-robustness trade-off. We evaluate our proposed algorithms for carbon-aware spatiotemporal workload management on a simulated global data center network, showing that ${\rm C{\scriptsize ARBON}C{\scriptsize LIPPER}}$ significantly improves performance compared to baseline methods and delivers meaningful carbon reductions.
چکیده به فارسی (ترجمه ماشینی)
ما مدیریت بار کاری مکانی و مکانی آگاه کربن را که می خواهد به بررسی تأثیر زیست محیطی در مراکز داده بپردازد ، مطالعه می کنیم.ما این را به عنوان یک مشکل آنلاین به نام تخصیص آنلاین Spatiotemporal با محدودیت مهلت ($ \ Mathsf {Soad} $) رسمی می کنیم ، که در آن یک پخش کننده آنلاین با حرکت و برنامه ریزی بار کار در یک موضوع شبکه ، یک بار کار (به عنوان مثال ، یک کار محاسبه دسته ای) را تکمیل می کند.به مهلت $ t $.در هر مرحله از زمان ، یک عملکرد هزینه خدمات آشکار می شود ، به عنوان مثال ، شدت کربن سرویس دهی به بار کار در هر مکان ، و بازیکن باید به طور غیرقابل برگشت تصمیم به تخصیص فعلی بگیرد.علاوه بر این ، هر زمان که بازیکن تخصیص را حرکت دهد ، هزینه حرکتی را که توسط یک فضای متریک $ (x ، d) $ تعریف شده است ، متحمل می شود که به عنوان مثال ، سربار مهاجرت یک کار محاسباتی را ضبط می کند.$ \ Mathsf {Soad} $ مشکل باز ترکیب معیارهای عمومی و محدودیت های مهلت را در ادبیات الگوریتم های آنلاین رسمی می کند ، و مشکلات مانند سیستم های کار متریک و جستجوی آنلاین را متحد می کند.ما یک الگوریتم رقابتی را برای $ \ mathsf {soad} $ به همراه یک محدوده پایین تر که ثابت می کند بهینه است پیشنهاد می کنیم.الگوریتم اصلی ما ، $ {\ rm c {\ scriptsize arbon} c {\ scriptsize lipper}}} $ ، یک الگوریتم با یادگیری است که از پیش بینی ها استفاده می کند (به عنوان مثال ، پیش بینی های شدت کربن) و به یک تجارت سازگاری مطلوب-روانگردان دست می یابد.خاموشما الگوریتم های پیشنهادی خود را برای مدیریت بار کاری مکانی و مکانی آگاهی از کربن در یک شبکه شبیه سازی شده جهانی مرکز داده ارزیابی می کنیم ، نشان می دهیم که $ {\ rm c {\ scriptsize arbon} c {\ scriptsize lipper}} $ به طور قابل توجهی عملکرد را در مقایسه با روش های پایه بهبود می بخشد و معنادار می کندکاهش کربن
📚 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.
کتاب پرسش و پاسخ چهارگزینهای – نسخه یادگیری سریع
— پاسخها بلافاصله بعد از سؤال برای مرور سریع
مشاهده نمونه نسخه کوییز سریع
کتاب پرسش و پاسخ چهارگزینهای – نسخه خودآزمایی
— پاسخها در انتهای بخشها برای سنجش واقعی یادگیری
مشاهده نمونه نسخه آزمونی
🎯 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
