XiaoMi-AI文件搜索系统
World File Search System资源分配
ILIFU在线培训 - 高级＃2-资源分配
- 避免浪费资源（分配但未使用） - 增加资源可用性 - 允许其他用户的工作运行 - 提高Slurm Scheduler的效率 - 减少工作等待时间 - 更好的FairShare优先级，以便将来提交工作。
具有最优云资源分配的可配置业务流程形式化模型
摘要：在当今竞争激烈的商业环境中，组织越来越需要对灵活且经济高效的业务流程进行建模和部署。在这种情况下，可配置流程模型用于通过以通用方式表示流程变体来提供灵活性。因此，类似变体的行为被分组到包含可配置元素的单个模型中。然后根据特定需求定制和配置这些元素。但是，配置元素的决策可能不正确，从而导致严重的行为错误。最近，流程配置已扩展到包括云资源分配，以通过允许访问按需 IT 资源来满足业务可扩展性的需求。在这项工作中，我们提出了一个基于命题可满足性公式的形式化模型，允许找到正确的元素配置，包括资源分配配置。此外，我们建议根据云资源成本选择最佳配置。这种方法可以为设计人员提供正确且经济高效的配置决策。
优化云资源分配：将复发性神经网络与模糊逻辑系统
收到的纸张日期：2024年11月15日纸张接受日期：2024年12月16日纸张出版日期：2024年12月22日摘要该研究重点是通过将经过的神经网络（RNN）与模糊逻辑相结合。该研究的主要目标是通过整合两种方法的最佳云资源预测模型的准确性和解释性。通过将RNN序列预测能力与模糊逻辑的多功能性相结合以更好地分类不确定性管理和持续输出的多功能性来实现目标。模糊成员资格功能，并将其分类为模糊集（低，中和高）。使用指标RMSE，MSE，MAE和R-Squared（R²）对经典RNN和LSTM模型进行了基准与经典的RNN和LSTM模型进行了基准测试。从获得的结果中可以清楚地看出，RNN模糊性能比其他两个模型RNN和LSTM更好，就预测的准确性。RNN模型模型的RMSE = 0.003377，MSE = 1.141，MAE = 0.0023，R²= 0.5308，而RNN模型的RMSE = 0.013437，MSE = 0.013437，MMSE = 1.941，MAE = 0.0123，和R²= 0.39908。RMSE为0.023897，MSE为2.843，MAE为0.0223，R²为0.4308，对于LSTM模型而言，所有这些相对较差。这表明使用RNN模型模型时，资源分配预测可显着改善，在减少误差指标并提高可解释性的同时更适合数据。这为云资源优化的模糊逻辑与RNN的集成增加了价值。这是可以得出结论，RNN中的模糊逻辑增强了其减轻歧义的能力，以获得更容易解释的输出，因此是在动态上下文中优化云资源的更好替代方法。关键字：复发性神经网络（RNN），模糊逻辑系统，RMSE，MAE，MSE。简介云计算技术已成为现代数字时代企业和组织的重要工具，以追求可扩展性，效率和灵活性（Khan等，2022）。随着云计算的日益增长，虚拟机的安装和维护在云环境中变得越来越困难。今天，云计算区域复杂环境中的主要问题包括虚拟机迁移优化和有效的资源提供。传统上，资源分配和VM迁移技术始终产生了资源浪费和性能降解的问题，因为它们主要使用静态规则或手动设置，而这些规则或手动设置实际上是根据云环境中不断变化的趋势（Lin等，2024）进行修改的。因此，涉及云计算的最具挑战性的问题之一是利用新颖的技术工具，因为机器学习优化了虚拟机器迁移和动态资源分配。虚拟机迁移是云计算中最重要的技术之一，遵循该领域的任何人都可以看到它的重要性。简而言之，虚拟机迁移促进了资源的动态变化，实现负载平衡并增强了云环境的一般使用和效率（Yousefi＆Babamir，2024）。虚拟机迁移的第二个优点是它可以在云环境中的缺陷中维护，成长或恢复而不会破坏用户服务。（Ghobaei -Arani等，2018）。这会改善系统的可用性。然而，虚拟机迁移并非没有挑战，包括在迁移过程中的绩效丧失，增加的迁移时间以及在迁移过程中引起的潜在数据一致性问题（Ruan等，2019）。传统的虚拟机迁移和资源分配优化通常取决于人类的设置或静态规则，这些规则和限制了许多缺点和限制。首先，静态规则通常无法对云环境中发生的动态变化做出反应。这意味着分配的资源要么不足或过多，影响
电气工程机器学习的博士学位论文基于未来无线网络的资源分配
有效的资源分配是未来无线网络的关键挑战，尤其是随着用户需求，网络密度和网络复杂性的继续增长。传统上，用户终端的通道状态信息（CSI）用于资源分配。但是，随着网络密度的提高并考虑到移动用户的存在，基于CSI的重新源分配构成了大量的性能开销。这项工作通过利用对用户坐标信息培训的机器学习模式来探讨一种新颖的资源分配方法。具体来说，我们以三种方式制定了源分配问题：（1）调制和编码方案（MCS）运输能力最大化的预测，（2）基于用户位置的噪声限制系统中的资源分配，以及（3）资源分配干扰限制系统以确保公平性，同时最大化Capac-Ity。我们考虑两个用户放置方案进行性能评估：随机下降方案（RDS），其中用户是在传播环境中随机分布的，以及移动性模型方案（MMS），其中用户位置遵循线性轨迹。我们进行广泛的评估，以比较跨关键指标的RDS的数据集，包括训练样本的数量，计算复杂性和模型性能在不同的通道条件和错误的位置信息下。我们的结果表明，通过机器学习适应复杂的无线环境，基于坐标的资源分配了基于坐标的资源分配，从而实现了有效且可扩展的资源位置，同时在动态和不完善的条件下保持稳健的性能。我们提出的基于坐标的资源分配方案与基于CSI的资源分配方案相提并论，在具有变化的散点密度变化的干扰受限系统中至少达到90％的性能。此外，该方案大大优于基于几何资源分配方案，该方案凭直觉地应用了用户的坐标信息来依赖距离的资源分配。MMS数据集用于确定所提出的方案的实现成本，通过考虑一个现实的渠道模型，该模型在系统中持续收集数据样本。使用这种方法，我们将机器学习模型的训练时间，预测时间和记忆足迹进行比较。结果表明，基于坐标的资源分配方案可以可靠地用于有效的资源分配，同时分别为噪声限制和干扰有限的系统产生低至中等的实现成本。本研究强调了机器学习驱动的资源管理对未来无线网络的潜力，为智能，自适应和有效的通信系统铺平了道路。
资源分配问题的新颖开关型策略网络：技术报告
摘要 - 深处增强学习（DRL）已成为制定排队网络中控制策略的强大工具，但是在这些应用程序中，多层多层感知器（MLP）神经网络的常见使用具有重要的缺点。MLP体系结构虽然多才多艺，但通常会遭受样本效率差和过度合适的培训环境的趋势，从而导致新的，看不见的网络的次优性能。响应这些问题，我们引入了开关型神经网络（STN）体系结构，旨在提高排队网络中DRL策略的效率和概括。从传统的非学习政策中的STN杠杆作用模式，确保在类似状态下进行一致的行动选择。这种设计不仅简化了学习过程，而且还通过减少过度效果的趋势来促进更好的概括。我们的作品提出了三个关键贡献：首先，STN的开发是MLP的更有效替代方案；其次，经验证据表明，在各种培训方案中，STN在各种培训方案中实现了卓越的样本效率。第三，实验结果表明，STN在熟悉的环境中与MLP性能相匹配，并且在新设置中的表现明显优于它们。通过嵌入特定领域的知识，STN增强了近端策略优化（PPO）算法的有效性而不损害性能，这表明其适合各种排队网络控制问题。
使用计算机中云计算中的动态资源分配
1.引言云计算通过提供分区空间来满足业务需求随着时间而变化，从而改变了对可访问和功能计算的访问。这种动力已经对自动化资源管理方法产生了前所未有的需求，这些方法可以动态地调整为各种各样的工作负载轨迹。我们专注于云计算，因为在云计算中，资源的成本相对较高，资源分配通过将CPU，内存，存储和网络带宽等计算资源分配给不同的应用程序和用户来有效地使用资源，从而起着关键作用。不幸的是，传统的资源分配机制可能不足以使具有较高可变性，异质性和可扩展性要求的现代云环境的日益复杂和动态性质不足。
使用 AI 进行动态资源分配和性能
摘要-本研究旨在评估使用人工智能进行动态资源管理和优化软件系统性能的可能性。在当今复杂的应用程序使用世界中，常规的资源管理方法无法满足这些动态需求并发挥其使用潜力。在本研究中，基于资源利用率和消耗、平均响应时间、吞吐量、成本、预测能力、稳定性和收敛时间等性能指标对三种主流人工智能技术——强化学习、神经网络和遗传算法进行了评估。结果表明，神经网络具有最佳的资源获取性能和响应率，而强化学习具有最佳的成本管理和灵活性率。正如已经指出的那样，遗传算法在寻找优化解决方案方面非常有用，但缺乏实时响应能力。因此，结果提供了关于如何根据特定应用需求选择适当的 AI 技术的重要理解，这反过来对于愿意使用基于 AI 的解决方案改善资源管理的组织很有用。
仔细研究 NSCC 新加坡更新的资源分配政策
• 必须为计算资源（即 CPU 核心小时数、GPU 卡小时数和存储）预留预算，作为整体项目补助金或应用项目资金的一部分。 • 申请 NSCC Singapore 资源需要获得批准的计算预算，但这并不保证资源分配。 • HPC 预算的成本必须基于云服务提供商 (CSP) 费率。这是为了确保如果申请不成功，项目有足够的预算使用 CSP 资源进行依赖 HPC 的研究。 • 成功的项目将在研究项目期间获得 HPC 资源。 • 所有获批和优先项目将授予并由管理其各自项目补助金的主办机构研究办公室负责。 • 更新后的政策将立即适用于所有新项目提交。
基于图表的MADRL用于无线网络控制系统中的访问控制和资源分配
摘要 - 无线网络控制系统（WNC）通过实现传感器，决策中心和执行器之间的无线协调来彻底改变工业自动化。但是，WNC中效率低下的访问控制和资源分配是限制闭环性能和控制稳定性的两个关键因素，尤其是在光谱和能源资源受到限制时。在本文中，我们首先分析了维持WNC的控制稳定性的最佳调度条件，然后制定一个长期优化问题，该问题可以共同优化边缘设备的访问策略，并在Edge Server中授予策略和资源分配。我们采用Lyapunov优化将长期优化问题分解为一系列独立的子问题，并提出了一个基于基于多代理的多代理深度强化学习算法的异质注意图，该学习算法可以共同优化访问和资源分配策略。通过利用注意力机制将图形表示从异质代理投射到统一的空间中，我们提出的算法促进了异质剂之间的协调，从而增强了整体系统性能。仿真结果表明，我们提出的框架的表现优于几个基准，从而验证了其有效性。
带有欺骗性的图上安全博弈中的综合资源分配与策略合成
欺骗在信息不完全的战略互动中起着至关重要的作用。受安全应用的启发，我们研究了一类具有单边不完全信息的双人回合制确定性博弈，其中玩家 1（P1）的目的是阻止玩家 2（P2）达到一组目标状态。除了行动之外，P1 还可以放置两种欺骗资源：“陷阱”和“假目标”，以误导 P2 有关博弈的转变动态和收益。陷阱通过使陷阱状态看起来正常来“隐藏真实”，而假目标通过将非目标状态宣传为目标来“揭示虚构”。我们感兴趣的是联合合成利用 P2 错误信息的 P1 的最佳诱饵放置和欺骗性防御策略。我们在图模型上引入了一个新颖的超博弈和两个解决方案概念：隐秘欺骗必胜和隐秘欺骗几乎必胜。这些确定了 P1 可以在有限步内或以 1 的概率阻止 P2 到达目标的状态，并且 P2 不会意识到自己被欺骗了。因此，确定最佳诱饵位置相当于最大化 P1 的欺骗获胜区域的大小。考虑到探索所有诱饵分配的组合复杂性，我们利用组合合成概念来表明诱饵放置的目标函数是单调的、非减的，并且在某些情况下是亚模或超模的。这导致了一个诱饵放置的贪婪算法，当目标函数是亚模或超模时实现 (1 − 1 / e ) 近似。提出的超博弈模型和解决方案概念有助于理解各种安全应用中的最佳欺骗资源分配和欺骗策略。