Стохастические модели трудоемкости вычислительных задач. I. Принципы формирования, сбор статистических данных, задачи идентификации
- Авторы: Борисов А.В.1, Иванов А.В.1
-
Учреждения:
- ФИЦ ИУ РАН
- Выпуск: № 1 (2024)
- Страницы: 22-34
- Раздел: ОБРАБОТКА ИНФОРМАЦИИ И ИДЕНТИФИКАЦИЯ
- URL: https://rjsvd.com/0002-3388/article/view/676437
- DOI: https://doi.org/10.31857/S0002338824010037
- EDN: https://elibrary.ru/IXTIMV
- ID: 676437
Цитировать
Аннотация
Изложены результаты первой части исследования, посвященного построению математической модели времени выполнения пользовательских заданий на виртуальных вычислительных узлах. Предполагается, что данное время является случайной величиной, среднее значение и дисперсия которой зависят от ресурсов узла, характеристик пользовательских заданий и значений переменных аппаратно-программной среды. Представлены общие свойства функций, характерные для среднего значения и дисперсии времени выполнения заданий, а также предложены некоторые их частные примеры. Функции средних значений и дисперсий зависят от неизвестных параметров, и построение стохастической модели времени выполнения задания заключается в идентификации этих параметров — построении обобщений оценок максимального правдоподобия по разнородной статистической информации. Содержатся рекомендации по сбору и использованию этой информации: подготовке аппаратно-программной составляющей узла, планированию нагрузочного тестирования и обработке полученных в его процессе статистических данных. Конкретные прикладные примеры применения предложенной методологии будут представлены в следующих частях исследования.
Полный текст

Об авторах
А. В. Борисов
ФИЦ ИУ РАН
Автор, ответственный за переписку.
Email: ABorisov@frccsc.ru
Россия, Москва
А. В. Иванов
ФИЦ ИУ РАН
Email: AIvanov@frccsc.ru
Россия, Москва
Список литературы
- Sirohi P., Agarwal A., Maheshwari P. A Survey on Augmented Virtual Reality: Applications and Future Directions // Seventh Intern. Conf. on Information Technology Trends (ITT). Abu Dhabi, United Arab Emirates, 2020, P. 99—106.
- Gupta P., Krishna C., Rajesh R. et al. Industrial Internet of Things in Intelligent Manufacturing: a Review, Approaches, Opportunities, Open Challenges, and Future Directions // Int. J. Interact. Des. Manuf. 2022.
- Parveen I., C.A., Anjali, O., Sunder, R. Internet of Things: A Review on Its Applications // Information and Communication Technology for Competitive Strategies (ICTCS 2021). Lecture Notes in Networks and Systems. 2021. V. 400. P. 123—134.
- Fraga-Lamas P., Fernández-Caramés T., Suárez-Albela M., Castedo L., González-López M. A Review on Internet of Things for Defense and Public Safety // Sensors. 2016. V. 16. Iss. 10. P. 1644.
- Abu Talib M., Abbas S., Nasir Q., Mowakeh M. Systematic literature review on Internet-of-Vehicles Communication Security //Intern. J. of Distributed Sensor Networks. 2018. V. 14. P. 12.
- Nocedal J., Wright S. Numerical Optimization. N.Y.: Springer, 2006. 686 p.
- Bertsekas D. Convex Optimization Algorithms. Belmont: Athena Scientific, 2015. 576 p.
- Kearns M. The Computational Complexity of Machine Learning. Cambridge: MIT Press, 1990. 182 p.
- Teller S., Séquin C. Visibility preprocessing for interactive walkthroughs // Proc. 18th Annual Conf. on Computer Graphics and Interactive Techniques. 1991. P. 61—70.
- Интриллигатор М. Математические методы оптимизации и экономическая теория. М.: Прогресс, 1975. 600 c.
- Хьюбер П. Робастность в статистике. М.: Мир, 1984. 304 c.
- Броневич А., Лепский А. Нечеткие модели анализа данных и принятия решений. М.: ВШЭ, 2022. 264 c.
- Pankov A., Siemenikhin K. Minimax Estimation for Singular Linear Multivariate Models with Mixed Uncertainty // J Multivariate Analysis. 2007. V. 98. Iss. 1. P. 145—176.
- Borisov A. Minimax Estimation in Regression under Sample Conformity Constraints // Mathematics. 2021. V. 9. P. 1080.
- Ширяев А. Вероятность. М.: Физматлит, 1989. 644 c.
- Tukey J. Exploratory Data Analysis. Boston: Addison-Wesley, 1977. 712 p.
- Семенихин К. Двусторонняя вероятностная граница для симметричной унимодальной случайной величины // АиТ. 2019. № 3. С. 103—122.
- Ion R., Klaassen C., van der Heuvel E. Sharp Inequalities of Bienaymé-Chebyshev and Gauß Type for Possibly Asymmetric Intervals Around the Mean // TEST. 2023. https://doi.org/10.1007/s11749-022-00844-9
- Демиденко Е. Линейная и нелинейная регрессии. М.: Финансы и статистика, 1981. 304 c.
- Мудров В., Кушко В. Метод наименьших модулей. М.: URSS, 2022. 64 c.
- Koenker R . Quantile Regression. Cambridge: Cambrige University Press, 2005. 368 p.
- https://bapco.com/products/sysmark-25/
- https://benchmarks.ul.com/pcmark10
- https://www.spec.org/cpu2017/
- https://www.tpc.org/tpce/
- Ермаков С., Козлов В., Жиглявский А. Математическая теория планирования эксперимента. М.: Наука, 1983. 392 c.
- Black R. Managing the Testing Process, 3rd Edition: Practical Tools and Techniques for Managing Hardware and Software Testing. Indianapolis: Wiley, 2009. 672 p.
- Льюнг Л. Идентификация систем: Теория для пользователя. М.: Наука, 1991. 432 c.
- Ивченко Г., Медведев Ю. Математическая статистика. М.: URSS, 2014. 608 c.
- Пантелеев А., Метлицкая Д., Алешина Е. Методы глобальной оптимизации. Метаэвристические стратегии и алгоритмы. М.: Вузовская книга, 2013. 244 c.
Дополнительные файлы
