Resumen

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

• Materias:Big Data Segmentación de líneas Tráfico de red Reconocimiento de entidad Esquema de programación
• Subjects:Big Data Line segmentation Network traffic Entity recognition Programming scheme
• Palabras claves:Predicción; Subflujo; Flujo de datos híbrido; Correlación; Valor pico; DCCSPP
• Keywords:Prediction; Subflow; Hybrid data flow; Correlation; Peak value; DCCSPP