As shown in Fig. 1, Monitor, Predic

As shown in Fig. 1, Monitor, Predictor, and Decision Maker are the main components of a predictive auto-scaling system. To capture current performance of cloud computing environment, auto-scaling systems monitor one or more performance metric(s). In this work we considered workload (i.e., the number of user requests per time unit) as the performance metric (see section II.A). As depicted in Fig. 1, Predictor uses performance metric’s current value from Monitor to forecast future performance metric value. The predicted value is sent to the Decision Maker which generates the final scaling decision by considering Cloud Provider Pricing Model. Since the final scaling decision (decision maker’s output) depends on the prediction result, various research studies have focused on improving accuracy of the Predicator's output (see [5] for a comprehensive overview of auto-scaling prediction techniques). According to [5], the most dominant prediction technique in the cloud auto-scaling area is time-series prediction. Time-series prediction technique uses historical performance metric values to forecast future values. Although in the recent years many innovative time-series prediction techniques have been proposed for auto-scaling systems, existing approaches suffer from neglecting the influence of performance metric patterns (i.e., how the metric values change over time) on prediction accuracy. Discovering relations between performance metric patterns and prediction results can improve prediction accuracy by designing and developing a self-adaptive prediction suite, which chooses the most suitable prediction technique based on the performance metric pattern.

결과 (한국어) 1:

그림 1에서 보듯이, 모니터, 예측, 및 의사 결정자는 예측 자동 크기 조정 시스템의 주요 구성 요소. 클라우드 컴퓨팅 환경의 현재 성능을 캡처, 자동 크기 조정 시스템 하나 이상의 성능 metric(s)을 모니터링 합니다. 이 작품에서 우리가 성능 통계 작업 (즉, 시간 단위 당 사용자 요청 수) 고려 (섹션 II를 참조 하십시오. A). 그림 1에 표시 된 예측을 사용 하 여 성능 메트릭의 현재 값 모니터에서 미래의 성능 메트릭 값을 예측. 예측된 값 클라우드 공급자 가격 모델을 고려 하 여 최종 조정 결정을 생성 하는 의사 결정자에 게 전송 됩니다. 예측 결과에 따라 최종 조정 결정 (의사 결정자의 출력), 이후 다양 한 연구 결과 Predicator의 출력 (자동 스케일링 예측 기술의 포괄적인 개요 [5] 참조)의 정확도 개선에 집중 했다. [5]에 따르면 클라우드 자동 크기 조정 영역에서 가장 지배적인 예측 기술은 시계열 예측 이다. 시계열 예측 기법 미래 값을 예측 하 기록 성능 메트릭 값을 사용 합니다. 비록 최근 몇 년 동안에서 많은 혁신적인 시계열 예측 기법 시스템 자동 크기 조정에 대 한 제안, 기존 접근 예측 정확도에 성능 메트릭 패턴 (즉, 메트릭 값에 따라 어떻게 변경 시간)의 영향을 무시에서 고통. 성능 메트릭 패턴 및 예측 결과 설계 및 self-adaptive 예측 제품군을 개발 하 여 예측 정확도 향상 시킬 수 있습니다 사이의 관계를 발견, 어떤 성능 메트릭 패턴에 따라 가장 적합 한 예측 기법을 선택 합니다.

결과 (한국어) 2:

도에 도시 된 바와 같이. 1, 모니터, 예측기 및 의사 결정자는 예측 자동 스케일링 시스템의 주요 구성 요소입니다. 클라우드 컴퓨팅 환경의 현재 성능을 포착, 자동 확장 시스템은 하나 이상의 성능 메트릭 (들)를 모니터링한다. 본 연구에서 우리는 (즉, 단위 시간 당 사용자 요청의 수) 성능의 기준으로 (제 II.A 참조) 부하를 고려 하였다. 도에 도시 된 바와 같이. 1, 예측기는 미래의 성능 메트릭 값을 예측하는 모니터의 성능 메트릭의 현재 값을 사용합니다. 예측 값은 클라우드 제공자 가격 모델을 고려하여 최종 스케일링 결정을 생성하는 의사 결정자로 전송됩니다. 최종 스케일링 결정 (의사 결정자의 출력) 예측 결과에 의존하기 때문에, 다양한 연구 조사가 Predicator의 출력의 정확도 향상에 초점을 맞추고있다 (자동 스케일링 예측 기술의 포괄적 인 개요 [5] 참조). 에 따르면, [5], 구름 자동 스케일링 영역에서 가장 지배적 인 예측 기법은 시계열 예측이다. 시계열 예측 기법은 미래 가치를 예측하는 역사적인 성능 메트릭 값을 사용합니다. 최근 수많은 혁신적인 시계열 예측 기술들은 자동 확장 시스템이 제안되었지만, 기존의 접근 방식 (즉, 메트릭 값이 시간에 따라 변경하는 방법) 예측 정밀도 성능 메트릭 패턴의 영향을 무시 겪는다. 성능 메트릭 패턴 및 예측 결과 사이의 관계를 발견하는 설계 및 성능 메트릭 패턴에 기초하여 최적의 예측 방법을 선택하는 적응 형 자기 - 완비 된 예측을 개발함으로써 예측 정밀도를 향상시킬 수있다.

결과 (한국어) 3:

만약 그림 1, 반장님, 예상, 주요 성분은 메이커 예측 자동 크기 조정 시스템.현재 성능 잡는 클라우드 컴퓨팅 시스템 모니터, 자동 크기 하나 이상의 성능 평가 (s).우리는 이 일을 고려할 일이 (예: 사용자 좀 수가 단위 시간) 을 성능 평가 (두 번째 날 보자. a).만약 그림1, 예측 사용 성능 평가 현재 값 예측 성능 평가 가치는 모니터.예측 보내면 메이커 때 생기는 최종 결정을 구름 공급자 가격을 고려하고 있다.스스로 결정을 마지막 크기 조정 (메이커 달려 출력) 예측 결과각종 연구 조사에 대한 정확한 인자 개선) 의 출력 (보고 (5) 자동차 때가 전면적인 예측 기술).[] 다섯 따라, 중 가장 중요한 예측 기법 구름 시계열의 예측 자동 크기 지역.시계열의 예측 기법 역사 성능 메트릭 값 사용 예측 가치가 있다.비록 최근 몇 년 동안 많은 시계열의 예측 기술 혁신 대해 기존 방식을 자동 크기 무시 시스템 당하고 대한 성능 평가 모드 (즉, 어떻게 메트릭 값 예측 시간 변경).매개 변수 형식 발견 관계를 개선할 수 있다, 예측 결과에 대해 정확한 예측 개발 적응 예측 스, 선택 가장 적합한 기반 예측 기술 성과 도량이 모드.