北京邮电大学学报 ›› 2016, Vol. 39 ›› Issue (5): 104-109.doi: 10.13190/j.jbupt.2016.05.021
基于SVM分类的云集群失败作业主动预测方法
刘春红1,2, 韩晶晶1, 商彦磊2
- 1. 河南师范大学 计算机与信息工程学院, 河南 新乡 453002;
2. 北京邮电大学 网络与交换技术国家重点实验室, 北京 100876
-
收稿日期:
2016-05-19出版日期:
2016-10-28发布日期:
2016-12-02 -
作者简介:
刘春红(1969-),女,副教授,硕士生导师,E-mail:liuchunhong2012@bupt.edu.cn. -
基金资助:
国家重点基础研究发展计划(973计划)项目(2012CB315802);国家关键技术研究与发展计划项目(2012BAH94F02);河南省科技厅基础与前沿技术研究项目(132300410430)
Predicting Job Failure in Cloud Cluster: Based on SVM Classification
LIU Chun-hong1,2, HAN Jin-jin1, SHANG Yan-lei2
- 1. College of Computer and Information Engineering, Henan Normal University, Henan Xinxiang 453002, China;
2. State Key Laboratory of Networking and Switching Technology, Beijing University of Posts and Telecommunications, Beijing 100876, China
-
Received:
2016-05-19Online:
2016-10-28Published:
2016-12-02
摘要: 提出了一种使用支持向量机(SVM)模型预测作业终止状态的方法.以Google数据集为研究对象,首先分析作业终止状态的影响因素,提出使用作业的静态特征和动态特征作为终止状态分类的特征向量,选择SVM模型主动预测终止状态;然后从特征向量和分类模型2个层面对准确率、假负率、精确度指标进行验证.特征向量实验结果表明,基于静态和动态特征的SVM预测模型比单独使用静态特征和动态特征,分别提高0.94%、-0.01%、1.35%和9.08%、-1.36%、10.91%.分类模型的比较结果显示,SVM分类预测方法比传统的神经网络模型、朴素贝叶斯模型、逻辑回归模型的预测效果好.
中图分类号:
引用本文
刘春红, 韩晶晶, 商彦磊. 基于SVM分类的云集群失败作业主动预测方法[J]. 北京邮电大学学报, 2016, 39(5): 104-109.
LIU Chun-hong, HAN Jin-jin, SHANG Yan-lei. Predicting Job Failure in Cloud Cluster: Based on SVM Classification[J]. JOURNAL OF BEIJING UNIVERSITY OF POSTS AND TELECOM, 2016, 39(5): 104-109.
[1] Csenki A. Bayes predictive analysis of a fundamental software reliability model[J]. IEEE Transactions on Reliability, 1990, 39(2): 177-183. [2] Hamerly G, Elkan C. Bayesian approaches to failure prediction for disk drives[C]//International Conference on Machine Learning(ICML). Williamstown, MA, USA: IEEE Press, 2001: 202-209. [3] Chen Xin, Lu C D, Pattabiraman K. Failure prediction of jobs in compute clouds: a Google cluster case study[C]//IEEE International Symposium on Software Reliability Engineering. Naples, Italy: IEEE Press, 2014: 167-177. [4] Rosà A, Chen L Y, Binder W. Predicting and mitigating jobs failures in big data clusters[C]//IEEE/ACM International Symposium on Cluster, Cloud and Grid Computing. Shenzhen, China: IEEE/ACM Press, 2015: 221-230. [5] Wilkes J. More Google cluster data[EB/OL].[2016-05-09]. https://code.google.com/p/googleclusterdata/wiki/ClusterData2011. [6] Mao Wentao, Zhao Shengjie, Mu Xiaojie, et al. Multi-dimensional extreme learning machine[J]. Neurocomputing, 2015, 149(PA): 160-170. [7] Mao Wentao, Xu Jiucheng, Wang Chuan, et al. A fast and robust model selection algorithm for multi-input multi-output support vector machine[J]. Neurocomputing, 2014, 130(3): 10-19. [8] 丁晓剑, 赵银亮. 双边界支持向量机的理论研究与分析[J]. 北京邮电大学学报, 2010, 33(2): 20-23. Ding Xiaojian, Zhao Yinliang. Theory and analysis of double-margin SVM[J]. Journal of Beijing University of Posts and Telecommunication, 2010, 33(2): 20-23. |
[1] | 章晨宇 温向明 陈亚文. 蜂窝移动网络低成本高精度授时[J]. 北京邮电大学学报, 2023, 46(1): 103-108. |
[2] | 郭令奇 褚智贤 廖建新 王敬宇 陆璐. 意图驱动的自智网络资源按需服务[J]. 北京邮电大学学报, 2022, 45(6): 85-91. |
[3] | 初星河, 路兆铭, 王鲁晗, 武穆清, 温向明. 多径信号辅助的网联车辆无线协作定位[J]. 北京邮电大学学报, 2021, 44(2): 116-123. |
[4] | 张天魁, 王筱斐, 杨立伟, 杨鼎成. 移动网络SFC部署与计算资源分配联合算法[J]. 北京邮电大学学报, 2021, 44(1): 7-13. |
[5] | 吕廷杰, 宋罗娜, 滕颖蕾, 丰业媛. 面向生态可持续的下一代通信网络架构与评价体系[J]. 北京邮电大学学报, 2020, 43(6): 18-26,35. |
[6] | 何建华, 赵辉, 徐晓斌, 闫蕾, 王尚广. 基于改进双层LT码的天基物联网数据收集方法[J]. 北京邮电大学学报, 2020, 43(6): 118-125. |
[7] | 马璐, 刘铭, 李超, 路兆铭, 马欢. 面向6G边缘网络的云边协同计算任务调度算法[J]. 北京邮电大学学报, 2020, 43(6): 66-73. |
[8] | 管婉青, 张海君, 路兆铭. 基于DRL的6G多租户网络切片智能资源分配算法[J]. 北京邮电大学学报, 2020, 43(6): 132-139. |
[9] | 罗轶, 王雨婷, 施荣华, 严梦纯, 曾豪. 能量采集衬底式认知协作中继网络安全中断概率分析[J]. 北京邮电大学学报, 2020, 43(3): 105-111,124. |
[10] | 李君瑶, 常永宇, 曾天一. 大规模3D MIMO中基于信道相关的LOS/NLOS识别算法[J]. 北京邮电大学学报, 2020, 43(1): 1-7. |
[11] | 蒋芳, 张南飞, 胡艳军, 王翊. 基于BP神经网络的CSI无源目标分类方法[J]. 北京邮电大学学报, 2020, 43(1): 40-45. |
[12] | 任佳智, 田辉, 聂高峰. 基于本地内容流行度预测的主动缓存策略[J]. 北京邮电大学学报, 2020, 43(1): 80-91. |
[13] | 徐九韵, 孙忠顺, 张如如. 基于链路预测的手机节能方法[J]. 北京邮电大学学报, 2020, 43(1): 8-13,27. |
[14] | 李晓辉, 杜洋帆, 石潇竹, 杨胥. 基于信道模糊关联识别的NLOS测距误差补偿算法[J]. 北京邮电大学学报, 2020, 43(1): 21-27. |
[15] | 李鹏, 王德勇, 师文喜, 姜志国. 大数据环境下基于深度学习的行人再识别[J]. 北京邮电大学学报, 2019, 42(6): 29-34. |
阅读次数 | ||||||
全文 |
|
|||||
摘要 |
|
|||||