Efficient Distributed Monitoring with Active Collaborative Prediction

Dawei Feng 1 Cecile Germain-Renaud 2, 1 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
3 Images et Modèles
CREATIS - Centre de Recherche en Acquisition et Traitement de l'Image pour la Santé
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%. Comparison with other Collaborative Prediction strategies show that Active Probing is most efficient at dealing with the various sources of data variability.
Type de document :
Article dans une revue
Future Generation Computer Systems, Elsevier, 2013, 29 (8), pp.2272-2283. 〈10.1016/j.future.2013.06.001〉
Liste complète des métadonnées

Littérature citée [33 références]  Voir  Masquer  Télécharger

https://hal.inria.fr/hal-00784038
Contributeur : Cecile Germain <>
Soumis le : dimanche 3 février 2013 - 11:53:21
Dernière modification le : vendredi 26 octobre 2018 - 10:47:40
Document(s) archivé(s) le : samedi 1 avril 2017 - 15:32:14

Fichier

Submit-DMCP-FGCS-2012-08-31.pd...
Fichiers produits par l'(les) auteur(s)

Identifiants

Citation

Dawei Feng, Cecile Germain-Renaud, Tristan Glatard. Efficient Distributed Monitoring with Active Collaborative Prediction. Future Generation Computer Systems, Elsevier, 2013, 29 (8), pp.2272-2283. 〈10.1016/j.future.2013.06.001〉. 〈hal-00784038〉

Partager

Métriques

Consultations de la notice

650

Téléchargements de fichiers

322