La predicción de subflujos es necesaria en el escalado elástico activo de recursos, pero los métodos existentes de predicción de flujo único no pueden predecir con precisión la variación máxima de subflujos en un flujo de datos híbrido. Estos no consideran la correlación entre subflujos. La dificultad radica en que es difícil calcular la correlación entre diferentes flujos de datos en un flujo de datos híbrido. Para resolver este problema, este artículo propone un nuevo método DCCSPP (predicción de pico de subflujos de flujo de datos híbridos basada en coeficientes de correlación de retraso) para predecir el valor pico de un flujo de datos híbrido. En primer lugar, establecemos un modelo de coeficiente de correlación de retraso basado en la ventana de tiempo deslizante para determinar el tiempo de retraso y el coeficiente de correlación de retraso. A continuación, basándonos en el modelo, se establece un modelo y algoritmo de
Esta es una versión de prueba de citación de documentos de la Biblioteca Virtual Pro. Puede contener errores. Lo invitamos a consultar los manuales de citación de las respectivas fuentes.
Artículo:
Acceso múltiple adaptable a la velocidad para la transmisión sin subvenciones en el enlace ascendente
Artículo:
Un sistema de recomendación seguro para ofrecer a los usuarios una clasificación de la actividad física en función del contexto
Artículo:
Análisis causal de un modelo basado en agentes del comportamiento humano
Artículo:
Predicción de Carga Basada en un Modelo Híbrido de VMD-mRMR-BPNN-LSSVM
Artículo:
Detección de malware con un método conjunto basado en redes neuronales profundas
Artículo:
Creación de empresas y estrategia : reflexiones desde el enfoque de recursos
Libro:
Ergonomía en los sistemas de trabajo
Artículo:
La gestión de las relaciones con los clientes como característica de la alta rentabilidad empresarial
Artículo:
Los web services como herramienta generadora de valor en las organizaciones