ИСПОЛЬЗОВАНИЕ МОДЕЛИ DHMM ДЛЯ ОПТИМИЗАЦИИ АНАЛИЗА РАСПРЕДЕЛЕНИЯ РЕСУРСОВ БЕЗСЕРВЕРНОЙ ВЫЧИСЛИТЕЛЬНОЙ ПЛАТФОРМЫ

Исследование сосредоточено на использовании динамической скрытой марковской модели (DHMM) для оптимизации распределения ресурсов в платформе безсерверных вычислений. Безсерверные вычисления как новая парадигма облачных вычислений характеризуются динамичностью и неопределенностью потребности в ресурсах, что создает вызовы для их распределения. В данном исследовании сначала рассматриваются фон и значимость безсерверных вычислений, подчеркивая важность оптимизации распределения ресурсов для снижения операционных затрат и повышения эффективности использования ресурсов. Затем подробно описываются параметры и методы оценки DHMM модели, включая матрицу вероятностей перехода состояний A, матрицу вероятностей наблюдений B, вектор начальных вероятностей состояний π, количество состояний M и количество возможных значений наблюдений N. Анализ переходов состояний позволяет модели DHMM прогнозировать изменения потребности в ресурсах, обеспечивая поддержку принятия решений по управлению ресурсами. Исследование также включает этапы проверки модели, такие как подготовка данных, обучение модели и кросс-валидация, чтобы гарантировать точность и надежность модели. В конечном итоге, исследование показывает, что модель DHMM может эффективно улучшить производительность платформы безсерверных вычислений, повысить ее адаптивность и имеет важное теоретическое и практическое значение.

This study focuses on optimizing the resource allocation of the dynamic Hidden Markov model (DHMM). As an emerging cloud computing paradigm, the dynamics and uncertainty of its resource requirements bring challenges to resource allocation. This study first introduces the background and research significance of servers less computing, emphasizing the importance of optimizing resource allocation to reduce operating costs and improve resource utilization. Then, the parameter definition and estimation method of DHMM model are elaborated, including state transition probability matrix A, observation probability matrix B, initial state probability vector π, state number M and possible number of observed values N. Through state transition analysis, the DHMM model is able to predict changes in resource demand and provide decision support for resource management. The study also involved model validation steps, including data preparation, model training, and cross-validation, to ensure the accuracy and reliability of the model. Finally, the study shows that DHMM model can effectively improve the performance of server-less computing platform and enhance its adaptability, which has important theoretical significance and practical value.