物聯(lián)網(wǎng)(IoT)的發(fā)展引起流數(shù)據(jù)在數(shù)據(jù)量和數(shù)據(jù)類型兩方面不斷增長(zhǎng)。由于實(shí)時(shí)處理場(chǎng)景的不斷增加和基于經(jīng)驗(yàn)知識(shí)的配置策略存在缺陷,流處理檢查點(diǎn)配置策略面臨著巨大的挑戰(zhàn),如費(fèi)事費(fèi)力,易導(dǎo)致系統(tǒng)異常等。為解決這些挑戰(zhàn),該文提出基于回歸算法的檢查點(diǎn)性能預(yù)測(cè)方法。該方法首先分析了影響檢查點(diǎn)性能的6種特征,然后將訓(xùn)練集的特征向量輸入到隨機(jī)森林回歸算法中進(jìn)行訓(xùn)練,最后,使用訓(xùn)練好的算法對(duì)測(cè)試數(shù)據(jù)集進(jìn)行預(yù)測(cè)。實(shí)驗(yàn)結(jié)果表明,與其它機(jī)器學(xué)習(xí)算法相比,隨機(jī)森林回歸算法在CPU密集型基準(zhǔn)測(cè)試,內(nèi)存密集型基準(zhǔn)測(cè)試和網(wǎng)絡(luò)密集型基準(zhǔn)測(cè)試上針對(duì)檢查點(diǎn)性能的預(yù)測(cè)具有誤差低,準(zhǔn)確率高和運(yùn)行高效的優(yōu)點(diǎn)。

【文章頁數(shù)】：8 頁

【文章目錄】：
1 引言
2 動(dòng)機(jī)
3 背景知識(shí)
4 識(shí)別重要特征
    4.1 CPU類特征
    4.2 內(nèi)存類特征
    4.3 網(wǎng)絡(luò)類特征
    4.4 狀態(tài)數(shù)據(jù)類特征
    4.5 飛行數(shù)據(jù)類特征
    4.6 動(dòng)態(tài)特征
5 性能預(yù)測(cè)
    5.1 集成學(xué)習(xí)
    5.2 算法流程
6 實(shí)驗(yàn)
    6.1 實(shí)驗(yàn)方法
    6.2 基準(zhǔn)測(cè)試
    6.3 評(píng)價(jià)指標(biāo)
    6.4 預(yù)測(cè)誤差對(duì)比
    6.5 預(yù)測(cè)準(zhǔn)確率對(duì)比
    6.6 算法效率對(duì)比
7 討論
8 結(jié)束語



本文編號(hào)：3861197