Artículo:
Comparación de la precisión de modelos LSTM para la predicción de calidad de servicios cloud: Un cuasi-experimento

Fecha

2024-06-17

Editor

Sistedes

Publicado en

Actas de las XXVIII Jornadas de Ingeniería del Software y Bases de Datos (JISBD 2024)

Licencia Creative Commons

Resumen

Los servicios en la nube se despliegan en entornos complejos y heterogéneos y requieren una evaluación continua de su calidad. Los modelos de calidad se pueden utilizar para respaldar la especificación y la monitorización de la calidad de servicios (QoS). Sin embargo, dado que la calidad está sujeta a cambios con el tiempo, la monitorización continua y la predicción de la QoS es crucial para permitir una intervención proactiva en caso de posibles desviaciones. El uso de técnicas de aprendizaje automático, especialmente las Redes Neuronales Recurrentes (RNN), parecen prometedores, pero no existe evidencia empírica sobre qué modelo es más adecuado para predecir la QoS. En este artículo, utilizamos una RNN conocida como Memoria a Corto y Largo Plazo (LSTM) para pronosticar la QoS utilizando datos históricos de un servicio proporcionado por una empresa de TI. En particular, el experimento involucra la definición y comparación de la precisión de 16 modelos LSTM usando cuatro métricas: Error cuadrático medio (RMSE), Error absoluto medio (MAE), Error porcentual absoluto medio (MAPE) y Error absoluto medio escalado (MASE). Los resultados muestran que la mejor precisión de los modelos es para la disponibilidad (uptime) con un RMSE de 0.118 y MASE de 1.024, netBytesIn con MAE de 0.088 y paquetes Rx con MAPE de 0.013. Estos resultados sugieren que el modelo basado en LSTM para pronosticar QoS es una herramienta confiable para apoyar la toma de decisiones de los stakeholders.

Descripción

Acerca de Guerrón, Ximena

Palabras clave

Servicios En La Nube, QoS, Aprendizaje Automático, Redes Neuronales, LSTM
Página completa del ítem
Notificar un error en este artículo
Mostrar cita
Mostrar cita en BibTeX
Descargar cita en BibTeX