پیش بینی و تحلیل توان توان مصرفی سیستم عامل ها

پیش بینی و تحلیل توان توان مصرفی سیستم عامل ها


  • 165 بازدید

 آکادمی داده  که به زودی پنجمین سال فعالیت خود را جشن می گیرد سالهاست به دنبال ایجاد محتوای مفید برای علاقه مندان علوم داده‌کاوی، متن کاوی و علوم مرتبط با علم داده، مدیریت دانش، هوش تجاری و مباحث مرتبط است.  آکادمی داده  امیدوار است با این اقدامات بتواند اثری هر چند اندک در افزایش آگاهی علاقه مندان به این حوزه ها داشته باشد. در این سری مقالات  آکادمی داده  تلاش دارد مقالات جالب، جدید، پر محتوا و اثرگزار را در علوم داده‌کاوی، متن کاوی، مدیریت دانش، هوش تجاری و مباحث مرتبط ارایه نماید. در این سری مقالات ابتدا مقدمه و سپس نتیجه گیری مقالات ارایه شده است و سپس‌ فایل پی دی اف مقاله برای دانلود رایگان علاقه مندان توسط  آکادمی داده تهیه شده و قابل دانلود است.

چکیده 
در سیستم های کامپیوتری سیستم عامل بخش اصلی نرم افزاری سیستم است. با توجه به اینکه توان به عنوان عنصر اصلی هزینه در طراحی سیستم ها تبدیل شده است پیش بینی میزان توان مصرفی سیستم عامل ها از اهمیت ویژه ای برخوردار می باشد. چرا که با پیش بینی و مدل سازی توان سیستم عامل می توان پیش بینی دقیقی از توان مصرفی کل سیستم را نیز در اختیار داشت. برای اینکه بتوانیم توان را تخمین بزنیم پارامترهای تاثیر گذار بر روی توان مصرفی زیر روتین های سیستم عامل را مشخص کرده ایم. با استفاده از این عامل ها مجموعه داده هایی را برای عملیات داده کاوی تولید کرده ایم، برای پیش بینی توان و انجام عملیات داده کاوی از شبکه ی عصبی پرسپترون استفاده کرده ایم. در طراحی این شبکه از الگوریتم بازگشت به عقب استفاده شده است که مدل سازی را از داده های آموزشی مستقل می کند. به این معنا که جامعیت مدل تولید شده بالا است. نتایج ارزیابی بیان گر کارایی بالای مدل پیشنهادی و میانگین خطای پیش بینی کمتر از ۱٪ است.

نتیجه گیری
سیستم های کامپیوتری به علت عملکرد بالای پردازنده های چند منظوره و نرم افزارهای سیستم عامل و برنامه های کاربردی در حال اجرا بر روی آنها توان مصرفی قابل توجهی را مورد استفاده قرار می دهند. تخمین توان بطور قابل توجهی به یک مسئله اصلی در طراحی سیستمها تبدیل شده است.
روشی که برای مدل سازی توان مصرفی سیستم عامل در این مقاله پیشنهاد شده است اساسا بروی مفهوم داده کاوی و یادگیری الگو قرار دارد و قابلیت استفاده در سیستم هایی را دارد که پارامترهای مدنظر را داشته باشند این امر باعث افزایش جامعیت مدل پیشنهادی نسبت به سایر مدل های مشابه در این زمینه است با تحلیل پارامترهای انتخاب شده این امکان فراهم می شود که راهکارهایی برای کاهش توان مصرفی برنامه با ایجاد تغییر بر روی پارامترها پیدا کرد.
نتایج ارزیابی بیانگر کارایی بالای مدل پیشنهادی است چرا که میانگین خطا کمتر از ۱ است. این میزان خطا با توجه به جامعیت مدل و تعداد پارامترهایی که برای تخمین مورد استفاده قرار گرفته اند بسیار مطلوب است برای اینکه بتوان جامعیت مدل را افزایش داد راهکارهایی نظیر افزایش تعداد پارامترها در فرایند مدل سازی و یا اختصاصی کردن داده های آموزشی به یک سیستم خاص را می توان در نظر داشت.

این مقاله توسط آکادمی داده تهیه شده است و از طریق لینک قابل دسترسی است. محققین علاقه مند می توانند آن را به صورت رایگان دریافت نمایند. 

اگر در حال پژوهش در حوزه داده کاوی هستید، سوالات و اشکالات خود را از طریق تلگرام با آکادمی داده در میان بگذارید. با عضو شدن در کانال تلگرام  آکادمی داده از مقالات جدید و دیتاست های منتشر شده مطلع شوید. 

مجموعه مقالات فارسی به صورت یکجا نیز از طریق لینک قابل دسترسی هستند. 

اگر در زمینه داده کاوی در حال تحقیق یا پیاده سازی پروژه یا پایان نامه هستید برای گرفتن مشاوره یا دادن سفارش انجام با ما تماس بگیرید.  آکادمی داده در تلگرام (https://t.me/dataacademyحضور دارد برای ارتباط از طریق ایمیل آدرس جیمیل: dataacademyir@gmail.com می باشد.