Abstrak—Optimasi Bayesian (BO) merupakan metode yang efisien untuk menemukan konfigurasi cloud yang optimal untuk beberapa jenis aplikasi. Di sisi lain, Pembelajaran Mesin (ML) dapat memberikan pengetahuan yang bermanfaat tentang aplikasi yang sedang digunakan berkat kemampuan prediksinya. Penelitian ini mengusulkan pendekatan umum berbasis BO, yang mengintegrasikan elemen-elemen dari teknik ML dalam berbagai cara, untuk menemukan konfigurasi optimal pekerjaan berulang yang berjalan di lingkungan cloud publik dan privat, yang mungkin tunduk pada batasan kotak hitam, misalnya, waktu eksekusi atau akurasi aplikasi. Kami menguji pendekatan kami dengan mempertimbangkan beberapa kasus penggunaan, termasuk komputasi tepi, komputasi ilmiah, dan aplikasi Big Data. Hasil menunjukkan bahwa solusi kami mengungguli teknik kotak hitam mutakhir lainnya, termasuk autotuning klasik dan algoritma berbasis BO dan ML, mengurangi jumlah eksekusi yang tidak layak dan biaya terkait hingga 2–4 kali lipat. Istilah Indeks—Fungsi akuisisi, optimasi Bayesian, optimasi kotak hitam, pembelajaran mesin.

KESIMPULAN DAN PENELITIAN MASA DEPAN

Dalam penelitian ini, kami menyajikan MALIBOO, sebuah pendekatan yang menggabungkan algoritma BO dengan teknik ML, untuk menemukan konfigurasi optimal pekerjaan berulang yang berjalan di cloud publik atau privat untuk berbagai aplikasi dengan keterbatasan sumber daya. Hasil pada aplikasi yang diuji, termasuk komputasi ilmiah dan perangkat lunak Big Data, menunjukkan bahwa algoritma kami secara signifikan mengurangi jumlah eksekusi yang tidak layak dibandingkan dengan pendekatan pesaing, termasuk CherryPick berbasis BO murni, SVM-CBO berbasis ML, dan OpenTuner berbasis ensemble, serta menurunkan biaya rata-rata konfigurasi yang dipilih. Secara keseluruhan, setiap varian algoritma kami mengungguli teknik mutakhir yang digunakan untuk perbandingan.

Penelitian selanjutnya diarahkan untuk mengeksplorasi hiperparameter algoritma dan fungsi akuisisi ketika berhadapan dengan lingkungan komputasi yang besar, sehingga memungkinkan eksplorasi paralel terhadap konfigurasi alternatif.

Refferences:

B. Guindani, D. Ardagna, A. Guglielmi, R. Rocco and G. Palermo, "Integrating Bayesian Optimization and Machine Learning for the Optimal Configuration of Cloud Systems," in IEEE Transactions on Cloud Computing, vol. 12, no. 1, pp. 277-294, Jan.-March 2024, doi: 10.1109/TCC.2024.3361070.

keywords: {Cloud computing;Optimization;Closed box;Computational modeling;Costs;Software algorithms;Bayes methods;Acquisition function;Bayesian optimization;black-box optimization;machine learning},