We propose Cloud-based machine learning tools for enhanced Big Data applications, where the main idea is that of predicting the "next" workload occurring against the target Cloud infrastructure via an innovative ensemble-based approach that combine the effectiveness of different well-known classifiers in order to enhance the whole accuracy of the final classification, which is very relevant at now in the specific context of Big Data. So-called workload categorization problem plays a critical role towards improving the efficiency and the reliability of Cloud-based big data applications. Implementation-wise, our method proposes deploying Cloud entities that participate to the distributed classification approach on top of virtual machines, which represent classical "commodity" settings for Cloud-based big data applications. Preliminary experimental assessment and analysis clearly confirm the benefits deriving from our classification framework.

IEEE Keywords: , Benchmark testing, Discrete cosine transforms, Big data, Virtual machining, Machine learning algorithms, Training

 

ابزارهای یادگیری ماشین مبتنی‌بر ابر برای نرم‌افزارهای پیشرفته‌ی داده‌های بزرگ

چکیده: ما ابزارهای یادگیری ماشین مبتنی‌بر ابر را برای افزایش برنامه‌های کاربردی داده‌های بزرگ پیشنهاد می‌کنیم، که در آن ایده‌ی اصلی پیش‌بینی حجم کار "بعدی" در برابر هدف زیرساخت ابر از طریق یک رویکرد مبتنی بر گروه‌های نوآورانه است که اثربخشی طبقه‌بندی‌های مختلف شناخته شده به‌منظور افزایش طیف دقت طبقه‌بندی نهایی ترکیب می‌کند، که درحال‌حاضر بسیار به زمینه‌ای خاص از داده‌های بزرگ مربوط است. به‌اصطلاح مشکل طبقه‌بندی حجم کار در جهت بهبود بهره‌وری و قابلیت اطمینان برنامه‌های کاربردی داده‌ی بزرگ مبتنی بر ابر نقش حیاتی ایفا می‌کند. اجرای عاقلانه‌ی روش ما نهادهای ابر را مستقر می‌کند که روش طبقه‌بندی در بالای ماشین‌های مجازی، که یک نمایش مناسب برای داده‌های بزرگ مبتنی بر ابراست. ارزیابی مقدماتی و تجزیه و تحلیل، به‌وضوح منافع حاصل از طبقه‌بندی چارچوب را تایید می‌کند.