网格应用程序执行时间预测系统

为了合理利用网格资源和改进应用程序的执行性能,需要对应用程序的执行时间进行实时预测,为任务调度系统和网格用户提供调度依据.本文工作建立了执行时间预测系统,周期性的产生预测信息并转换为统一格式注册到网格信息服务中.本文使用资源映射方法预测应用程序执行时间,并且设计一组实验测试系统性能.实验结果表明,本系统能够低开销,灵敏地预测执行时间,并且预测误差较小.

异构分布计算环境下应用程序的执行时间预测研究

随着网格计算技术的发展,需要一种预测应用在这种异构分布计算环境下执行时间的工具,以获得高性能调度和服务级协议。本文提出了一种结合统计数据、工作量模型和机器计算速度的应用程序执行时间预测方法。理论分析和初步的实验表明,该方法有效可用,比现有的其他预测方法简单、适应范围广。

基于调度历史数据在线预测作业执行时间

传统基于用户预估的执行时间通常准确性较差。结合分类和基于实例的学习方法,综合使用模板相似和数值相似方法,在历史调度数据中获取当前作业的相似作业,并使用其历史信息预测当前作业执行时间。使用调度历史中的用户名、分组名、队列名、应用名、用户请求处理器数、用户请求(预估)执行时间和用户请求内存量等属性进行训练和预测,算法中涉及的参数使用遗传算法确定。数值实验表明,相较于已有文献,本方法在使用更少参数的前提下得到了与文献结果中相近的低估率,并获得了更低的平均绝对误差。在HPC2N04和HPC2N05日志数据集上,平均绝对误差分别降低了43%和77%。研究了使用在线预测替换用户估计对作业调度的影响,对结果进行了初步分析并指出了今后的改进方向。

安全关键实时程序执行时间预测的研究现状浅析

预测安全关键实时程序的执行时间具有重要意义。本文简要分析了程序执行时间预测的研究现状,对欲从事本方向研究的人员会有一定帮助。

基于多维度特征融合的云工作流任务执行时间预测方法

任务执行时间估计是云数据中心环境下工作流调度的前提.针对现有工作流任务执行时间预测方法缺乏类别型和数值型数据特征的有效提取问题,提出了基于多维度特征融合的预测方法.首先,通过构建具有注意力机制的堆叠残差循环网络,将类别型数据从高维稀疏的特征空间映射到低维稠密的特征空间,以增强类别型数据的解析能力,有效提取类别型特征;其次,采用极限梯度提升算法对数值型数据进行离散化编码,通过对稠密空间的输入向量进行稀疏化处理,提高了数值型特征的非线性表达能力;在此基础上,设计多维异质特征融合策略,将所提取的类别型、数值型特征与样本的原始输入特征进行融合,建立基于多维融合特征的预测模型,实现了云工作流任务执行时间的精准预测;最后,在真实云数据中心集群数据集上进行了仿真实验.实验结果表明,相对于已有的基准算法,该方法具有较高的预测精度,可用于大数据驱动的云工作流任务执行时间预测.

基于物理操作级模型的查询执行时间预测方法

查询执行时间预测(Query Performance Prediction,QPP)是数据库系统中一个重要的研究问题。当数据库系统中存在并发执行的事务时,现有的QPP方法无法在不改变数据库查询性能的前提下建立准确的QPP模型。为此,提出了一种基于物理操作的查询执行时间预测新方法,该方法以查询的物理操作为单位建立单元预测模型,根据查询计划将单元预测模型组合为完整的QPP模型,把能够刻画数据库系统并发状态的统计信息纳入模型的输入特征。所提方法只须使用DBMS提供的基本手段即可获取构建模型所需的数据库统计信息,无须改变DBMS,也不会影响数据库系统上原有工作负载的执行。实验结果表明,所提方法无论在OLTP还是OLAP应用中,在不同的查询计划和并发度下的预测准确性均高于其他对比方法。

基于指令执行时间预测的优化调度指挥网络交互系统

针对贵州电网调度指挥网络交互系统的工作量不断加重,为有效提高指令执行效率,合理下达指令,在分析了系统中存储数据特点的基础上,通过对电网调度指挥网络交互系统中的历史数据进行聚类、降维处理和建模,预测指令各阶段执行时间,从而及时提醒操作人员到达操作现场,不但有效提高了指令的执行效率,也保障了电网调度运行安全。系统实际使用后,效果明显,为今后进一步提高调度指挥网络的调度水平奠定了技术基础。

面向业务过程的时间预测方法

为了在充满竞争的社会环境中生存,企业必须实现高效的工作流程.为此,时间作为业务流程中的重要因素,在近几年得到了越来越多的关注.准确的时间预测对提高企业服务效率、降低运行成本,预防违规活动发生等具有重要意义.时间预测根据应用的场景分为业务过程的剩余时间预测,业务过程中某一个活动执行时间预测以及业务过程的违规预测三种类型.本文综述了近年来有关时间预测的研究成果,总结了时间预测技术面临的挑战,并在此基础上给出了未来的研究方向.

基于参数变化的云应用程序执行时间预估方法

根据程序执行的语句条数,提出了一种基于参数变化的程序执行时间预估方法。通过分析任务源码,进行资源评估,得出任务执行的语句数;通过自动曲线拟合,得出语句数随参数变化的趋势;通过实际运行程序,找出了语句数与运行时间的关系,得出程序运行时间随参数变化的趋势。使用pascal汉诺塔程序对预估方法进行验证,发现测得的参数变化下的程序运行时间与实际运行时间非常接近,误差率很小。

一种面向工作负载预测的基于小波变换的特征提取方法

在资源受限条件下,根据数据挖掘任务在执行过程中实时产生的资源和任务状态来准确地预测任务执行时间是非常重要的。为有效地使用时间序列数据实现准确预测,提出一种降载策略来确定预测的切入点和数据处理方案。该策略使用动态时间规整(Dynamic Time Warping,DTW)距离度量子序列与整个序列之间相似度的变化以确定用于预测的数据,然后利用小波变换计算小波系数并提取小波系数的能量值作为预测的特征,最后预测任务执行时间。实验结果表明,该方法提取的特征信息包含原序列较多信息,在预测任务执行时间方面具有较高的准确性。

面向信息服务的网格资源管理器的设计

设计一个面向信息服务的网格资源管理器的架构,该架构分为全局和局部管理器。介绍一个新的作业调度算法,该算法的特点是根据历史作业执行时间来预测当前作业的执行时间,在调度时考虑作业执行时间和截止时间2个要素。试验证明该算法比目前常用的Max-Min和Min-Min算法具有更好的性能。

数据库智能连接池框架的研究和实现

在传统的数据库连接池上提出一种新的数据库智能连接池的框架。该框架可对业务请求信息进行分析和挖掘,动态调整业务请求的排队优先级,对满足预测条件的应用进行预测执行,实现连接池的自优化,提高数据库运行效率,并已在大型应用中实现。

一种作业弹性与截止时间感知的作业调度算法

针对采用MapReduce模型的大数据分析作业的调度问题进行深入研究,并分析现有任务调度算法的缺陷,现有算法没有考虑资源分配对于作业截止时间的影响,也未考虑不同类型作业截止时间的敏感性问题。因作业的完成时间随着分配资源的不同而改变,故称之为弹性作业,截止时间敏感性是指不同类型作业对截止时间要求的严格程度不同。针对以上问题,提出一种截止时间感知的弹性作业调度算法(DA)。该算法将作业依据截止时间敏感程度进行分类,在基于作业整体执行时间预测的基础上,通过调控不同的资源分配策略来改变作业完成时间,同时结合用户对于截止时间的需求及作业预执行的收益来提前规划作业的资源分配及调度次序使得整体收益最大化。将算法在仿真拥有210个物理节点的集群中进行实验,实验表明该算法满足了截止时间的限制并使得作业整体收益值平均提高了2. 37倍。

基于深度迁移学习的业务流程实例剩余执行时间预测方法

【目的】预测正在执行中的业务流程实例的剩余执行时间,为业务流程优化提供决策支持。【方法】提出一个业务流程实例剩余执行时间预测的深度迁移学习框架,该框架使用多层循环神经网络构建预测模型,并设计事件表示学习方法为神经网络提供预训练输入。【结果】在5个公开真实数据集上进行实验,结果表明本文方法与现有最优的基于流程模型和深度学习的方法相比,预测误差平均降低约11%。【局限】本文方法可解释性较差,这在一定程度上制约其现实应用场景。【结论】本文提出的深度迁移学习框架和事件表示学习方法能有效提升业务流程实例剩余执行时间预测的准确性。