Efficient fault monitoring with Collaborative Prediction

Dawei Feng 1 Cecile Germain-Renaud 1, 2 Tristan Glatard 3
2 TAO - Machine Learning and Optimisation
LRI - Laboratoire de Recherche en Informatique, UP11 - Université Paris-Sud - Paris 11, Inria Saclay - Ile de France, CNRS - Centre National de la Recherche Scientifique : UMR8623
Abstract : Isolating users from the inevitable faults in large distributed systems is critical to Quality of Experience. We formulate the problem of probe selection for fault prediction based on end-to-end probing as a Collaborative Prediction (CP) problem. On an extensive experimental dataset from the EGI grid, the combination of the Maximum Margin Matrix Factorization approach to CP and Active Learning shows excellent performance, reducing the number of probes typically by 80% to 90%.
Type de document :
Autre publication
Journées scientifiques mésocentres et France Grilles. 2012


https://hal.inria.fr/hal-00758025
Contributeur : Cecile Germain-Renaud <>
Soumis le : mardi 27 novembre 2012 - 21:30:56
Dernière modification le : mardi 19 janvier 2016 - 14:59:36
Document(s) archivé(s) le : jeudi 28 février 2013 - 03:46:50

Fichier

mesogrilles_CPFDV2.pdf
Fichiers produits par l'(les) auteur(s)

Licence


Distributed under a Creative Commons Paternité 4.0 International License

Identifiants

  • HAL Id : hal-00758025, version 1

Collections

Citation

Dawei Feng, Cecile Germain-Renaud, Tristan Glatard. Efficient fault monitoring with Collaborative Prediction. Journées scientifiques mésocentres et France Grilles. 2012. <hal-00758025>

Exporter

Partager

Métriques

Consultations de
la notice

285

Téléchargements du document

146