本文關(guān)鍵詞：基于SVM分類的云集群失敗作業(yè)主動(dòng)預(yù)測方法

  更多相關(guān)文章： 失敗作業(yè)預(yù)測 支持向量機(jī)模型 Google集群數(shù)據(jù)

【摘要】：提出了一種使用支持向量機(jī)(SVM)模型預(yù)測作業(yè)終止?fàn)顟B(tài)的方法.以Google數(shù)據(jù)集為研究對(duì)象,首先分析作業(yè)終止?fàn)顟B(tài)的影響因素,提出使用作業(yè)的靜態(tài)特征和動(dòng)態(tài)特征作為終止?fàn)顟B(tài)分類的特征向量,選擇SVM模型主動(dòng)預(yù)測終止?fàn)顟B(tài);然后從特征向量和分類模型2個(gè)層面對(duì)準(zhǔn)確率、假負(fù)率、精確度指標(biāo)進(jìn)行驗(yàn)證.特征向量實(shí)驗(yàn)結(jié)果表明,基于靜態(tài)和動(dòng)態(tài)特征的SVM預(yù)測模型比單獨(dú)使用靜態(tài)特征和動(dòng)態(tài)特征,分別提高0.94%、-0.01%、1.35%和9.08%、-1.36%、10.91%.分類模型的比較結(jié)果顯示,SVM分類預(yù)測方法比傳統(tǒng)的神經(jīng)網(wǎng)絡(luò)模型、樸素貝葉斯模型、邏輯回歸模型的預(yù)測效果好.
【作者單位】： 河南師范大學(xué)計(jì)算機(jī)與信息工程學(xué)院;北京郵電大學(xué)網(wǎng)絡(luò)與交換技術(shù)國家重點(diǎn)實(shí)驗(yàn)室;
【關(guān)鍵詞】： 失敗作業(yè)預(yù)測 支持向量機(jī)模型 Google集群數(shù)據(jù)
【基金】：國家重點(diǎn)基礎(chǔ)研究發(fā)展計(jì)劃(973計(jì)劃)項(xiàng)目(2012CB315802) 國家關(guān)鍵技術(shù)研究與發(fā)展計(jì)劃項(xiàng)目(2012BAH94F02) 河南省科技廳基礎(chǔ)與前沿技術(shù)研究項(xiàng)目(132300410430)
【分類號(hào)】：TP18
【正文快照】： 大型異構(gòu)分布式云集群的作業(yè)執(zhí)行過程中,由于軟硬件故障、作業(yè)調(diào)度資源不足、作業(yè)過度使用資源等原因?qū)е伦鳂I(yè)無法正常完成,從而造成作業(yè)執(zhí)行時(shí)間延長、資源浪費(fèi)的問題,采用失敗作業(yè)預(yù)測可提前終止將會(huì)失敗狀態(tài)的作業(yè),確保良好的時(shí)間性能,提高資源利用率.作業(yè)失敗狀態(tài)的預(yù)測是，

本文編號(hào)：545094