• English
    • العربية
  • English
  • تسجيل الدخول
  • جامعة قطر
  • مكتبة جامعة قطر
  •  الصفحة الرئيسية
  • الوحدات والمجموعات
  • المساعدة
    • إرسال الأعمال الأكاديمية
    • سياسات الناشر
    • أدلة المستخدم
    • الأسئلة الأكثر تكراراً
  • عن المستودع الرقمي
    • الرؤية والرسالة
عرض التسجيلة 
  •   مركز المجموعات الرقمية لجامعة قطر
  • المستودع الرقمي لجامعة قطر
  • أكاديمية
  • رسائل الماجستير وأطروحات الدكتوراه
  • كلية الهندسة
  • الحوسبة
  • عرض التسجيلة
  • مركز المجموعات الرقمية لجامعة قطر
  • المستودع الرقمي لجامعة قطر
  • أكاديمية
  • رسائل الماجستير وأطروحات الدكتوراه
  • كلية الهندسة
  • الحوسبة
  • عرض التسجيلة
  •      
  •  
    JavaScript is disabled for your browser. Some features of this site may not work without it.

    Deep Learning Based Approach For Prediction Of Cloud Resource Needs

    Thumbnail
    عرض / فتح
    ANWAR AL-QUTAN OGS Approved Project.pdf (1.481Mb)
    التاريخ
    2018-06
    المؤلف
    Al- Qutan, Anwar
    البيانات الوصفية
    عرض كامل للتسجيلة
    الملخص
    Cloud computing allows scaling applications to serve dynamic and time-varying workloads and to avoid application performance degradation, while keeping low provisioning costs. But, resource demand of applications need to be determined beforehand. Therefore, accurate prediction of cloud resource needs is critical by enabling proactive scaling to efficiently manage cloud resources and to reduce the operational cost. Most of the exiting resource prediction approaches are based on the statistical analysis that employ shallow structure. As a result, the prediction model has poor ability to capture the intrinsic features in the workload data. Deep learning has emerged as an alternative approach that promise to produce more accurate prediction. This project designed, implemented and evaluated a deep learning based approach for prediction of cloud resources using Long Short-Term Memory (LSTM) and Multilayer Perceptron (MLP). Moreover, a statistical prediction model Autoregressive Integrated Moving Average (ARIMA) is developed and evaluated. Expensive experimental studies were performed to evaluate the accuracy of deep learning prediction models compared to traditional ARIMA approach. The result of the experiments shows that the prediction accuracy of LSTM, MLP and ARIMA models depend on the pattern of the incoming workload. Specifically, the result shows that LSTM model outperforms other prediction models for periodic workload patterns, while ARIMA has better prediction accuracy for growing and unpredicted workload patterns.
    DOI/handle
    http://hdl.handle.net/10576/11360
    المجموعات
    • الحوسبة [‎103‎ items ]

    entitlement


    مركز المجموعات الرقمية لجامعة قطر هو مكتبة رقمية تديرها مكتبة جامعة قطر بدعم من إدارة تقنية المعلومات

    اتصل بنا | ارسل ملاحظاتك
    اتصل بنا | ارسل ملاحظاتك | جامعة قطر

     

     

    الصفحة الرئيسية

    أرسل عملك التابع لجامعة قطر

    تصفح

    محتويات مركز المجموعات الرقمية
      الوحدات والمجموعات تاريخ النشر المؤلف العناوين الموضوع النوع اللغة الناشر
    هذه المجموعة
      تاريخ النشر المؤلف العناوين الموضوع النوع اللغة الناشر

    حسابي

    تسجيل الدخول

    إحصائيات

    عرض إحصائيات الاستخدام

    عن المستودع الرقمي

    الرؤية والرسالة

    المساعدة

    إرسال الأعمال الأكاديميةسياسات الناشرأدلة المستخدمالأسئلة الأكثر تكراراً

    مركز المجموعات الرقمية لجامعة قطر هو مكتبة رقمية تديرها مكتبة جامعة قطر بدعم من إدارة تقنية المعلومات

    اتصل بنا | ارسل ملاحظاتك
    اتصل بنا | ارسل ملاحظاتك | جامعة قطر

     

     

    Video