Hội thảo nghiên cứu ứng dụng Mật mã và An toàn thông tin

Bài viết

FedPC Cloud CPU Forecasting using Federated Learning and Periodicity-based Clustering

DOI: 10.54654/isj.v2i25.1115
Từ khóaHọc liên hợpBảo vệ Quyền riêng tưAn toàn Dữ liệuDự báo tảiĐiện toán đám mâyLSTMQuản lý tài nguyên an toàn

Tóm tắt

 Dự báo mức độ sử dụng CPU đóng vai trò quan trọng trong việc quản lý tài nguyên và đảm bảo tính sẵn sàng của hệ thống dịch vụ điện toán đám mây. Tuy nhiên, bài toán này gặp phải hai thách thức liên quan đến tính riêng tư của dữ liệu và vấn đề "khởi động nguội" (cold-start) ở máy ảo (Virtual Machine - VM) mới, khi dữ liệu giám sát của VM còn hạn chế. Trong nghiên cứu này, nhóm tác giả đề xuất FedPC, một phương pháp kết hợp học Liên hợp (FL) với phân cụm theo chu kỳ. Cụ thể, kiến trúc đề xuất FedPC phân cụm VM dựa trên chu kỳ hoạt động, cho phép huấn luyện mô hình chung mà không lộ dữ liệu cục bộ, từ đó cải thiện độ chính xác trong kết quả dự báo cho những VM mới khởi tạo. Kết quả thử nghiệm trên bộ dữ liệu Azure Public Dataset V1 cho thấy FedPC vượt trội so với các phương pháp hiện tại về độ chính xác, chứng minh khả năng quản lý tài nguyên an toàn, linh hoạt, nâng cao tính sẵn sàng trong môi trường đám mây.

Lượt tải theo tháng

0152910/2511/2512/2501/2602/2603/2604/2605/26

Di chuột vào cột để xem số lượt tải.

Cách trích dẫn

Nguyễn Quốc Khánh, Trần Quang Đức, Nguyễn Văn Toàn, Tống Văn Vạn (2025). FedPC Cloud CPU Forecasting using Federated Learning and Periodicity-based Clustering. Tạp chí Khoa học và Công nghệ trong lĩnh vực An toàn thông tin, 2(25), 52-60. https://doi.org/10.54654/isj.v2i25.1115

Tài liệu tham khảo

  1. 1.X. Fu and C. Zhou, “Predicted affinity based virtual machine placement in cloud computing environments,”
  2. 2.IEEE Transactions on Cloud Computing, vol. 8, no. 1, pp. 246–255, 2017.
  3. 3.A. Rossi, A. Visentin, S. Prestwich, and K. N. Brown, “Bayesian uncertainty modelling for cloud
  4. 4.workload prediction,” in 2022 IEEE 15th International Conference on Cloud Computing (CLOUD). IEEE, 2022, pp. 19–29.
  5. 5.H. Tung, T. Trang, and V. Linh, “Intrusion detection using federated learning in non-iid data environments,” Journal of Science and Technology on Information Security, vol. 3, no. 23, pp. 53–61, 2024.
  6. 6.L. Wen, M. Xu, A. N. Toosi, and K. Ye, “Temposcale: A cloud workloads prediction approach integrating short-term and long-term information,” in 2024 IEEE 17th International Conference on Cloud Computing (CLOUD), 2024.
  7. 7.N. Q. Khanh, V. Tong, C. Dao, T. N. Le, and D. Tran, “Boosted regression for predicting cpu utilization in the cloud with periodicity,” The Journal of Supercomputing, vol. 80, no. 18, pp. 26 036–26 060, 2024.
  8. 8.R. N. Calheiros, E. Masoumi, R. Ranjan, and R. Buyya, “Workload prediction using arima model and its impact on cloud applications’ qos,” IEEE transactions on cloud computing, vol. 3, no. 4, pp. 449–458, 2014.
  9. 9.V.-M. Tran, V. Debusschere, and S. Bacha, “Hourly server workload forecasting up to 168 hours ahead using seasonal arima model,” in 2012 IEEE International Conference on Industrial Technology. IEEE, 2012, pp. 1127–1131.
  10. 10.A. Khan, X. Yan, S. Tao, and N. Anerousis, “Workload characterization and prediction in the cloud: A multiple time series approach,” in 2012 IEEE Network Operations and Management Symposium. IEEE, 2012, pp. 1287–1294.
  11. 11.Z. Gong, X. Gu, and J. Wilkes, “Press: Predictive elastic resource scaling for cloud systems,” in 2010 International Conference on Network and Service Management. IEEE, 2010, pp. 9–16.
  12. 12.E. Patel and D. S. Kushwaha, “A hybrid cnn-lstm model for predicting server load in cloud computing,” The Journal of Supercomputing, vol. 78, no. 8, pp. 1–30, 2022.
  13. 13.J. Dogani, F. Khunjush, and M. Seydali, “Host load prediction in cloud computing with discrete wavelet transformation (dwt) and bidirectional gated recurrent unit (bigru) network,” Computer Communications, vol. 198, pp. 157–174, 2023.
  14. 14.S. Islam, J. Keung, K. Lee, and A. Liu, “Empirical prediction models for adaptive resource provisioning in the cloud,” Future Generation Computer Systems, vol. 28, no. 1, pp. 155–162, 2012.
  15. 15.Y. Lu, J. Panneerselvam, L. Liu, and Y. Wu, “Rvlbpnn: A workload forecasting model for smart cloud computing,” Scientific Programming, vol. 2016, 2016.
  16. 16.F. Chen, Z. Qin, H. Zhao, and S. Deng, “Pepnet: A periodicity-perceived workload prediction network supporting rare occurrence of heavy workload,” IEEE Transactions on Cloud Computing, 2023.
  17. 17.N. M. Tran, T. Nam, and D. H. Epema, “Parallel workload modeling with realistic characteristics,” IEEE Transactions on Parallel and Distributed Systems, vol. 25, no. 8, pp. 2138–2148, 2013.
  18. 18.H. B. McMahan, E. Moore, D. Ramage, and B. A. y. Arcas, “Communication-efficient learning of deep networks from decentralized data,” Proceedings of the 20th International Conference on Artificial Intelligence and Statistics, pp. 1273 1282, 2017.
  19. 19.E. Cortez, A. Bonde, A. Muzio, M. Russinovich, M. Fontoura, and R. Bianchini, “Resource central: Understanding and predicting workloads for improved resource management in large cloud platforms,” in Proceedings of the 26th Symposium on Operating Systems Principles, 2017, pp. 153–167.

Bài viết liên quan