Deep convolutional neural networks for detecting noisy neighbours in cloud infrastructure

Ordozgoiti Rubio, Bruno y Gomez Canaval, Sandra Maria (2017). Deep convolutional neural networks for detecting noisy neighbours in cloud infrastructure. En: "ESANN 2017 - 25th European Symposium on Artificial Neural Networks, Computational Intelligence and Machine Learning", 26/04/2017 - 28/04/2017, Brujas, Bélgica. ISBN 9782875870391. pp. 571-576.

Descripción

Título: Deep convolutional neural networks for detecting noisy neighbours in cloud infrastructure
Autor/es:
  • Ordozgoiti Rubio, Bruno
  • Gomez Canaval, Sandra Maria
Tipo de Documento: Ponencia en Congreso o Jornada (Artículo)
Título del Evento: ESANN 2017 - 25th European Symposium on Artificial Neural Networks, Computational Intelligence and Machine Learning
Fechas del Evento: 26/04/2017 - 28/04/2017
Lugar del Evento: Brujas, Bélgica
Título del Libro: ESANN 2017 - Proceedings
Fecha: 21 Marzo 2017
ISBN: 9782875870391
Materias:
Palabras Clave Informales: Internet communications Cloud infrastructure Virtual machines
Escuela: E.T.S.I. de Sistemas Informáticos (UPM)
Departamento: Sistemas Informáticos
Licencias Creative Commons: Reconocimiento - Sin obra derivada - No comercial

Texto completo

[img] PDF (Document Portable Format) - Acceso permitido solamente a usuarios en el campus de la UPM - Se necesita un visor de ficheros PDF, como GSview, Xpdf o Adobe Acrobat Reader
Descargar (853kB)

Resumen

Cloud infrastructure in data centers is expected to be one of the main technologies supporting Internet communications in the coming years. Virtualization is employed to achieve the flexibility and dynamicity required by the wide variety of applications used today. Therefore, optimal allocation of virtual machines is key to ensuring performance and efficiency. Noisy neighbor is a term used to describe virtual machines competing for physical resources and thus disturbing each other, a phenomenon that can dramatically degrade their performance. Detecting noisy neighbors using simple thresholding approaches is ineffective. To exploit the time-series nature of cloud monitoring data, we propose an approach based on deep convolutional networks. We test it on real infrastructure data and show it outperforms well-known classifiers in detecting noisy neighbors.

Proyectos asociados

TipoCódigoAcrónimoResponsableTítulo
Horizonte 2020EU/H2020/671625CogNetWATERFORD INSTITUTE OF TECHNOLOGYBuilding an Intelligent System of Insights and Action for 5G Network Management
FP7619633ONTICUNIVERSIDAD POLITECNICA DE MADRIDONline Network TraffIc Characterization

Más información

ID de Registro: 51112
Identificador DC: http://oa.upm.es/51112/
Identificador OAI: oai:oa.upm.es:51112
URL Oficial: https://www.i6doc.com/en/book/?GCOI=28001100477480#h2tabFormats
Depositado por: Memoria Investigacion
Depositado el: 12 Feb 2019 15:39
Ultima Modificación: 12 Feb 2019 15:39
  • InvestigaM
  • GEO_UP4
  • Open Access
  • Open Access
  • Sherpa-Romeo
    Compruebe si la revista anglosajona en la que ha publicado un artículo permite también su publicación en abierto.
  • Dulcinea
    Compruebe si la revista española en la que ha publicado un artículo permite también su publicación en abierto.
  • Recolecta
  • Observatorio I+D+i UPM
  • OpenCourseWare UPM