發(fā)布時間：2023-11-06 20:14

　　物聯(lián)網(wǎng)(IoT)的發(fā)展引起流數(shù)據(jù)在數(shù)據(jù)量和數(shù)據(jù)類型兩方面不斷增長。由于實時處理場景的不斷增加和基于經(jīng)驗知識的配置策略存在缺陷,流處理檢查點配置策略面臨著巨大的挑戰(zhàn),如費事費力,易導(dǎo)致系統(tǒng)異常等。為解決這些挑戰(zhàn),該文提出基于回歸算法的檢查點性能預(yù)測方法。該方法首先分析了影響檢查點性能的6種特征,然后將訓(xùn)練集的特征向量輸入到隨機森林回歸算法中進行訓(xùn)練,最后,使用訓(xùn)練好的算法對測試數(shù)據(jù)集進行預(yù)測。實驗結(jié)果表明,與其它機器學(xué)習(xí)算法相比,隨機森林回歸算法在CPU密集型基準(zhǔn)測試,內(nèi)存密集型基準(zhǔn)測試和網(wǎng)絡(luò)密集型基準(zhǔn)測試上針對檢查點性能的預(yù)測具有誤差低,準(zhǔn)確率高和運行高效的優(yōu)點。

【文章頁數(shù)】：8 頁

【文章目錄】：
1 引言
2 動機
3 背景知識
4 識別重要特征
    4.1 CPU類特征
    4.2 內(nèi)存類特征
    4.3 網(wǎng)絡(luò)類特征
    4.4 狀態(tài)數(shù)據(jù)類特征
    4.5 飛行數(shù)據(jù)類特征
    4.6 動態(tài)特征
5 性能預(yù)測
    5.1 集成學(xué)習(xí)
    5.2 算法流程
6 實驗
    6.1 實驗方法
    6.2 基準(zhǔn)測試
    6.3 評價指標(biāo)
    6.4 預(yù)測誤差對比
    6.5 預(yù)測準(zhǔn)確率對比
    6.6 算法效率對比
7 討論
8 結(jié)束語



本文編號：3861197