Kullanım Kılavuzu
Neden sadece 3 sonuç görüntüleyebiliyorum?
Sadece üye olan kurumların ağından bağlandığınız da tüm sonuçları görüntüleyebilirsiniz. Üye olmayan kurumlar için kurum yetkililerinin başvurması durumunda 1 aylık ücretsiz deneme sürümü açmaktayız.
Benim olmayan çok sonuç geliyor?
Birçok kaynakça da atıflar "Soyad, İ" olarak gösterildiği için özellikle Soyad ve isminin baş harfi aynı olan akademisyenlerin atıfları zaman zaman karışabilmektedir. Bu sorun tüm dünyadaki atıf dizinlerinin sıkça karşılaştığı bir sorundur.
Sadece ilgili makaleme yapılan atıfları nasıl görebilirim?
Makalenizin ismini arattıktan sonra detaylar kısmına bastığınız anda seçtiğiniz makaleye yapılan atıfları görebilirsiniz.
 Görüntüleme 20
 İndirme 4
Task Failure Prediction in Cloud Data Centers Using Deep Learning
2023
Dergi:  
Turkish Journal of Computer and Mathematics Education
Yazar:  
Özet:

A large-scale cloud data center must reduce the likelihood of failure while simultaneously providing high service dependability and availability. However, modern large-scale cloud data centers continue to experience high failure rates due to software and hardware flaws that frequently cause task and job failures. Such failures may have a significant negative impact on the dependability of cloud services and necessitate significant resource restoration. Task or work failures must be accurately predicted prior to their occurrence in order to reduce unexpected waste. Evaluation of previous system message logs and recognition of the relationship between the data and failures are two methods that have been published that use machine learning and deep learning to predict task or job failures. We present a cloud task and job failure prediction strategy based on multi-layer Bidirectional Long Short Term Memory (Bi-LSTM) to improve the accuracy of machine learning and deep learning-based failure prediction systems. The Bi-LSTM prediction algorithm determines the success of jobs and projects. With 93% and 87% accuracy for task failures, respectively, our method outperforms current cutting-edge prediction algorithms in trace-driven experiments.

Anahtar Kelimeler:

Atıf Yapanlar
Bilgi: Bu yayına herhangi bir atıf yapılmamıştır.
Benzer Makaleler










Turkish Journal of Computer and Mathematics Education

Dergi Türü :   Uluslararası

Metrikler
Makale : 1.706
Atıf : 106
2023 Impact/Etki : 0.071
Turkish Journal of Computer and Mathematics Education