-
图 1 检查点策略配置不合理示例
Figure 1.
-
图 2 随机森林算法模型
Figure 2.
-
图 3 基准测试
Figure 3.
-
图 4 不同回归算法的预测准确率和不同特征重要性评分
Figure 4.
-
图 5 不同回归算法的执行效率
Figure 5.
-
特征名称 描述 本地进入记录数 算子每秒接收的本地记录数。 远程进入记录数 算子每秒接收的远程记录数。 本地缓存记录数 算子每秒缓存的本地记录数。 远程缓存记录数 算子每秒缓存的远程记录数。 表 1 动态特征总结
-
基准测试 样本数量 特征数量 训练样本数量 预测样本数量 CKCPU 47100 332 37680 9420 CKMEM 10290 172 8232 2058 CKNET 18900 524 15120 3780 表 2 数据集描述
-
基准测试 回归算法 MAE RMSE MediaAE CKCPU SVR poly 0.107006 1.900023 37.921288 SVR linear 0.095006 27.06338 37.529361 KNN 0.108006 0.323870 0.286494 BPNN 0.042380 0.070043 0.129856 RF 0.040178 0.068811 0.125560 CKMEM SVR poly 0.115007 0.037560 10.924428 SVR linear 0.178010 2.524596 4.085918 KNN 0.148008 0.370660 0.373577 BPNN 0.097356 0.199461 0.214980 RF 0.096046 0.196619 0.206272 CKMEM SVR poly 0.091005 0.645619 0.634070 SVR linear 0.301017 0.545833 0.523365 KNN 0.102006 0.742873 0.742375 BPNN 0.020343 0.103857 0.147659 RF 0.019501 0.089315 0.089082 表 3 不同回归算法预测误差结果
图共
5 个 表共
3 个
