مدل خوشه بندی فرا ابتکاری و یادگیری انتقال عمیق ترکیبی برای پیش بینی مصرف انرژی در رایانش ابری
سال انتشار: 1405
نوع سند: مقاله ژورنالی
زبان: فارسی
مشاهده: 26
فایل این مقاله در 22 صفحه با فرمت PDF قابل دریافت می باشد
- صدور گواهی نمایه سازی
- من نویسنده این مقاله هستم
استخراج به نرم افزارهای پژوهشی:
شناسه ملی سند علمی:
JR_JSCIT-15-3_004
تاریخ نمایه سازی: 22 آبان 1405
چکیده مقاله:
رایانش ابری علی رغم گسترش و محبوبیت روزافزون با چالش مصرف بالای انرژی در مراکز داده مواجه است که منجر به افزایش هزینه های عملیاتی و پیامدهای زیست محیطی می شود. ازاین رو، ارائه روش های دقیق برای پیش بینی بار مصرف انرژی در این محیط ها امری ضروری است. در این مقاله، یک رویکرد ترکیبی مبتنی بر خوشه بندی بهینه شده و یادگیری عمیق انتقالی برای پیش بینی بار مصرف انرژی در رایانش ابری ارائه می شود. روش پیشنهادی بر روی مجموعه داده های متنوع شامل مجموعه داده Google Cluster، داده های بار مصرفی و پیش بینی انرژی خورشیدی (PV) شهر لندن، و داده های بار ساعتی و قیمت برق مجموعه داده IESO ارزیابی شده است. در مجموع، پنج سناریوی داده ای شامل استفاده از CPU، بار ساعتی و انرژی خورشیدی مورد بررسی قرار گرفته اند. عملکرد مدل با استفاده از معیارهای MSE، RMSE، MAPE و MAE ارزیابی شده است. نتایج نشان می دهد که مدل پیشنهادی در مجموعه داده Google Cluster به دقت بالایی دست یافته است، به گونه ای که در داده های آموزشی مقادیر خطا برابر با (MSE برابر ۰.۰۱۹۹، RMSE برابر ۰.۱۴۱۱، MAPE برابر ۰.۴۲۹۳ و MAE برابر ۰.۱۱۹۵) و در داده های آزمایشی برابر با (MSE برابر ۰.۰۳۵۶، RMSE برابر ۰.۱۸۸۶، MAPE برابر ۰.۶۴۶۰ و MAE برابر ۰.۱۶۴۷) به دست آمده است. این نتایج بیانگر توانایی تعمیم پذیری مناسب و کارایی بالای مدل در داده های حجیم و پیچیده می باشد.
کلیدواژه ها:
نویسندگان
Habeeb naji Atiyah
گروه علمی کامپیوتر، واحد خوراسگان، دانشگاه آزاد اسلامی، اصفهان، ایران
behnam barzegar
گروه علمی کامپیوتر، واحد بابل، دانشگاه آزاد اسلامی، بابل، ایران
Mohammadreza soltanaghaei
گروه علمی کامپیوتر، واحد خوراسگان، دانشگاه آزاد اسلامی، اصفهان، ایران
Hassan Falah Fakhruldeen
گروه علمی کامپیوتر، واحد تکنولوژی، دانشگاه امام جعفر صادق، بغداد، عراق.
مراجع و منابع این مقاله:
لیست زیر مراجع و منابع استفاده شده در این مقاله را نمایش می دهد. این مراجع به صورت کاملا ماشینی و بر اساس هوش مصنوعی استخراج شده اند و لذا ممکن است دارای اشکالاتی باشند که به مرور زمان دقت استخراج این محتوا افزایش می یابد. مراجعی که مقالات مربوط به آنها در سیویلیکا نمایه شده و پیدا شده اند، به خود مقاله لینک شده اند :