Proceedings of Fifth International Conference on Computing and Communication Networks

Inhaltsverzeichnis

1. Frontmatter

2. AO Modelling for Load Balancing in Cloud Environment with Comparative Study

   Shreya Tyagi, Neeta Singh, Naresh Kumar

   Dieses Kapitel geht auf die Herausforderungen des Lastausgleichs in Cloud-Umgebungen ein und stellt den Aquila Optimizer (AO) -Algorithmus als vielversprechende Lösung vor. Der Text beginnt mit einem Überblick über Cloud Computing und die Bedeutung des Lastausgleichs für die Optimierung von Ressourcennutzung und Leistung. Anschließend werden verschiedene von der Natur inspirierte Algorithmen eingeführt, wie der Honeybee Foraging Algorithm, der Whale Optimization Algorithm und Harris Hawks Optimizer, die ihre Stärken und Grenzen aufzeigen. Der Kern des Kapitels konzentriert sich auf den AO-Algorithmus, beschreibt seine Vier-Phasen-Jagdstrategie und wie sie sich in effektiver Aufgabenplanung niederschlägt. Der Text enthält eine mathematische Formulierung des Algorithmus und diskutiert seine Implementierung in der CloudSim-Umgebung. Leistungskennzahlen wie Makespan, Lastungleichgewicht und Ressourcennutzung werden analysiert, um die Effektivität von AO zu demonstrieren. Das Kapitel schließt mit einer vergleichenden Bewertung von AO gegenüber anderen Algorithmen, die nahelegt, dass AO bei entsprechender Hybridisierung andere übertreffen könnte. Darüber hinaus wird das Potenzial für adaptive und selbstabgestimmte Versionen dieser Algorithmen untersucht, um sich dynamisch an sich ändernde Arbeitslasten und Netzwerkbedingungen anzupassen. Der Text betont die Notwendigkeit weiterer Forschung an Hybridmodellen, die die Stärken mehrerer metaheuristischer Ansätze kombinieren, um robustere und skalierbarere Lastausgleichslösungen zu erreichen.

   KI-Generiert

   Diese Zusammenfassung des Fachinhalts wurde mit Hilfe von KI generiert.

   Originaltext anzeigen

3. Bias Detection in Legal Texts Using Natural Language Processing

   Rasik Gupta, Puneet Sapra, Nilisha Tanwar, Kavita

   Dieses Kapitel befasst sich mit der Anwendung von Natural Language Processing (NLP), um Verzerrungen in Rechtstexten aufzudecken - ein kritisches Thema, da rechtliche Dokumente soziale Ungleichheiten häufig widerspiegeln und fortschreiben. Der Text überprüft aktuelle Studien und Methoden, die NLP-Techniken einsetzen, um Vorurteile in Bezug auf Rasse, Geschlecht und sozioökonomischen Status in der Rechtssprache zu identifizieren und anzugehen. Es untersucht die Entwicklung von Legal NLP, von einfachen Keyword-Suchen bis hin zu fortgeschrittenen Modellen wie Legal-BERT und JurisBERT, die juristische Terminologie und Satzstrukturen analysieren können, um Voreingenommenheiten zu erkennen. In diesem Kapitel werden auch die Herausforderungen und Grenzen des Einsatzes von NLP zur Erkennung von Vorurteilen diskutiert, darunter rechtliche Unterschiede und die Notwendigkeit multilingualer und grenzüberschreitender Modelle. Es unterstreicht die Bedeutung von Fairness und Transparenz in rechtlichen KI-Systemen und schlägt zukünftige Forschungsrichtungen vor, wie etwa die Entwicklung voreingenommener NLP-Tools und die Förderung der Zusammenarbeit zwischen Computerlinguisten, Rechtsexperten und Ethikern. Das Kapitel schließt mit der Betonung der Notwendigkeit von Erklärbarkeit und Interpretierbarkeit in rechtlichen NLP-Systemen, um Transparenz und Rechenschaftspflicht im Rechtssystem zu gewährleisten.

   KI-Generiert

   Diese Zusammenfassung des Fachinhalts wurde mit Hilfe von KI generiert.

   Originaltext anzeigen

4. Hybrid Adaptive Security Model (HASM): Enhancing Network Protection Through Cryptographic Innovation

   Kondwani Ecclesiastico Mussa, Pooja Sharma, Narinder Kumar, Kiranpreet Kaur, Shilpa

   Das Hybrid Adaptive Security Model (HASM) ist ein bahnbrechendes Rahmenwerk, das entwickelt wurde, um die Netzwerksicherheit gegen sich entwickelnde Bedrohungen zu verbessern. Dieses Modell integriert vier wichtige Sicherheitsebenen: Blockchain-basierte Authentifizierung zur dezentralen Identitätsverifizierung, KI-gestützte Bedrohungserkennung zur Überwachung von Anomalien in Echtzeit, quantenresistente Verschlüsselung zur Abwehr von Quantencomputerangriffen und leichte IoT-Sicherheit zum Schutz ressourcenbeschränkter Geräte. Der Text geht auf die zunehmende Komplexität digitaler Bedrohungen und die Unzulänglichkeiten traditioneller Sicherheitsmaßnahmen ein. Sie unterstreicht die Notwendigkeit fortgeschrittener kryptographischer Techniken und künstlicher Intelligenz, um moderne Cyber-Bedrohungen zu bekämpfen. Die experimentelle Analyse, die mit Google Colab durchgeführt wurde, zeigt die überlegene Leistung von HASM in Bezug auf Erkennungsgenauigkeit, falsch positive Raten und Verschlüsselungseffizienz. Die Anpassungsfähigkeit und Skalierbarkeit des Modells machen es zu einer robusten Lösung sowohl für zentralisierte als auch für verteilte Netzwerke. Die Schlussfolgerung betont das Potenzial von HASM, die Netzwerksicherheit zu revolutionieren und skizziert zukünftige Forschungsrichtungen, um seine Anwendbarkeit in der realen Welt zu verbessern.

   KI-Generiert

   Diese Zusammenfassung des Fachinhalts wurde mit Hilfe von KI generiert.

   Originaltext anzeigen

5. HBA-DT: A Hybrid Metaheuristic Honey Badger and Decision Table Tool for Automated Black-Box Software Testing Optimization

   Zainab M. Alshamaa, Nada N.Saleem

   Dieses Kapitel untersucht die Entwicklung und Anwendung des HBA-DT-Tools, einer hybriden Metaheuristik, die den Honey Badger Algorithmus (HBA) und Entscheidungstabellen-Techniken zur Optimierung von Black-Box-Softwaretests kombiniert. Das Tool zielt darauf ab, die Auswahl optimaler Testfälle zu automatisieren, eine umfassende Abdeckung aller Systemszenarien sicherzustellen und gleichzeitig die Anzahl der benötigten Testfälle zu verringern. Der Honig-Dachs-Algorithmus, inspiriert vom Futterverhalten der Honigdachse, verwendet Explorations- und Ausbeutungsschritte, um die effektivsten Testfälle zu identifizieren. Die Entscheidungstabellen-Technik analysiert systematisch Eingabebedingungen und Maßnahmen, um eine Reihe strukturierter Testfälle zu erstellen. Das Kapitel präsentiert eine detaillierte Fallstudie zur Dreiecksklassifizierung, die die Fähigkeit des Werkzeugs demonstriert, Testfälle von 64 auf nur 5 zu reduzieren und gleichzeitig die volle Abdeckung beizubehalten. Vergleichende Analysen mit herkömmlichen Ansätzen zur Entscheidungsfindung unterstreichen die signifikante Reduzierung von Testfällen und Ausführungszeiten und unterstreichen die Effizienz des Werkzeugs. Der automatisierte Ansatz des Werkzeugs HBA-DT erhöht nicht nur die Prüfeffizienz, sondern minimiert auch menschliches Versagen, was es besonders für Großsysteme mit mehreren Funktionen wertvoll macht.

   KI-Generiert

   Diese Zusammenfassung des Fachinhalts wurde mit Hilfe von KI generiert.

   Originaltext anzeigen

6. Application of Computer Adaptive Technology in Business English Intelligent Learning Platform Based on Artificial Intelligence

   Bo Xu

   Dieses Kapitel befasst sich mit der Anwendung computeradaptiver Technologien in KI-basierten Business-Englisch-Lernplattformen, wobei der Schwerpunkt auf personalisierten Lernpfaden und verbesserten Ergebnissen liegt. Die Studie überprüft relevante Forschungsergebnisse zu Business English Learning und adaptiver Technologie und führt einen Gestaltungsrahmen für eine KI-basierte Plattform ein. Es untersucht verschiedene adaptive Lernalgorithmen, darunter Verstärkungslernen, Entscheidungsbäume, kollaboratives Filtern und graphenbasierte Empfehlungen. Die experimentellen Ergebnisse zeigen signifikante Verbesserungen in den Bereichen Wortschatz, Grammatik, Hörverständnis und Lesen für Lernende, die die adaptive Plattform im Vergleich zu herkömmlichen Methoden verwenden. Das Kapitel diskutiert auch die Herausforderungen und zukünftigen Richtungen zur Optimierung dieser Plattformen, wodurch es zu einem umfassenden Leitfaden zur Verbesserung der Englischausbildung in Unternehmen durch Technologie wird.

   KI-Generiert

   Diese Zusammenfassung des Fachinhalts wurde mit Hilfe von KI generiert.

   Originaltext anzeigen

7. RDC2N: Contrastive N-Pair Loss Enabled Deep Learning Framework to Determine COVID-19 via Computer Tomography Image Analysis

   Shital A. Dhumane, Chandrakant Gaikwad

   In diesem Kapitel wird das RDC2N-Framework vorgestellt, ein Deep-Learning-Modell zur präzisen Erkennung von COVID-19 mithilfe von CT-Bildern. Das Modell verwendet kontrastive N-Paar-Verluste und fortschrittliche Optimierungstechniken, um die Erkennungseffizienz zu erhöhen. Zu den behandelten Schlüsselthemen gehören die Herausforderungen bei bestehenden COVID-19-Nachweismethoden, das Design des RDC2N-Modells und seine Wirksamkeitsvalidierung. Das Kapitel bietet auch eine vergleichende Bewertung des RDC2N-Modells mit anderen existierenden Modellen und zeigt seine überlegene Leistung. Experimentelle Ergebnisse zeigen die hohe Genauigkeit des Modells, wobei Metriken wie MCC, NPV und PPV andere Modelle deutlich übertreffen. Der Text schließt mit einer Diskussion über die Grenzen und potenziellen zukünftigen Verbesserungen des Modells.

   KI-Generiert

   Diese Zusammenfassung des Fachinhalts wurde mit Hilfe von KI generiert.

   Originaltext anzeigen

8. ANF-DRL: Adaptive Neuro Fuzzy and Deep Reinforcement Learning for Optimized Energy Efficiency in Wireless Sensor Networks

   A. P. Jyothi, Shaista Tarannum, Shreyanka Subbarayappa, N. Bhavatarini, S. R. Bhagyashree

   Dieses Kapitel untersucht die Anwendung von Adaptive Neuro Fuzzy (ANF) und Deep Reinforcement Learning (DRL) zur Optimierung der Energieeffizienz in Wireless Sensor Networks (WSNs). Er diskutiert die Herausforderungen traditioneller energieeffizienter Designs und führt ein hybrides ANF-DRL-Modell ein, das Cluster Heads (CHs) und Secondary Cluster Heads (SCHs) dynamisch auswählt, um die Lebensdauer des Netzwerks zu verlängern. Der Methodenabschnitt skizziert die Systemarchitektur, die Parameter für die Entscheidungsfindung und detaillierte Algorithmen für die CH- und SCH-Auswahl. Simulationsergebnisse zeigen die überlegene Energieeffizienz und Stabilität des Hybridansatzes im Vergleich zum reinen ANF-Modell. Die Schlussfolgerung unterstreicht das Potenzial der ANF-DRL-Hybridisierung bei der Beseitigung von WSN-Beschränkungen und der Verbesserung der Gesamtleistung.

   KI-Generiert

   Diese Zusammenfassung des Fachinhalts wurde mit Hilfe von KI generiert.

   Originaltext anzeigen

9. Intelligent Fault Diagnosis of Digital Substations: Multimodal Data Fusion of IoT and Artificial Intelligence

   Lulu Liu, Gaoqian Xue, Xuelati Simayi

   Dieses Kapitel geht den Herausforderungen der Fehlerdiagnose in digitalen Unterstationen nach und schlägt eine multimodale Datenfusionstechnologie vor, die IoT und KI nutzt, um die Diagnosefähigkeiten zu verbessern. Durch die Integration von Sensordaten, Gerätestatus und Umgebungsparametern erreicht die Methode eine Datenübertragung in Echtzeit und eine zentrale Speicherung, wodurch die Fehleridentifikationsgenauigkeit und Reaktionszeit deutlich verbessert werden. Die Implementierung eines CNN-Modells zur Featureextraktion und Fusion multimodaler Daten ist detailliert, zusammen mit experimentellen Ergebnissen, die die Überlegenheit multimodalen Lernens gegenüber unimodalen Methoden hinsichtlich Genauigkeit, Reaktionszeit und Systemstabilität belegen. Das Kapitel diskutiert auch die Grenzen des gegenwärtigen Ansatzes und schlägt zukünftige Forschungsrichtungen zur weiteren Verbesserung des Fehlerdiagnosesystems vor.

   KI-Generiert

   Diese Zusammenfassung des Fachinhalts wurde mit Hilfe von KI generiert.

   Originaltext anzeigen

10. Combining Circular and Random Walk Mobility Models (CCRW) for FANET Enhancement

    Alyaa Safaa, Suhad Faisal Behadili

    Dieses Kapitel untersucht die Verbesserung von Flying Ad-Hoc Networks (FANETs) durch die Integration von Circular and Random Walk Mobility Models (CCRW). Die Studie befasst sich mit den Herausforderungen der Aufrechterhaltung der Servicequalität (Quality of Service, QoS) in hochdynamischen UAV-Umgebungen und konzentriert sich dabei auf Schlüsselkennzahlen wie Packet Delivery Ratio (PDR), Durchsatz, End-to-End-Verzögerung und Paketverlust. Das vorgeschlagene CCRW-Modell kombiniert den stochastischen Charakter des Random-Walk-Modells mit den deterministischen Mustern des Kreislaufmodells, wodurch eine realistischere und anpassungsfähigere Mobilitätssimulation entsteht. Die Forschungsmethode umfasst umfangreiche Simulationen unter Verwendung von OMNeT + + / INET, bei denen die Leistung von AODV, DSDV und GPSR-Protokollen in drei Szenarien verglichen wird. Die Ergebnisse zeigen signifikante Verbesserungen bei PDR, Durchsatz und Paketverlust bei der Verwendung des CCRW-Modells, was seine Wirksamkeit bei der Optimierung der Netzwerkleistung für unternehmenskritische Drohnenanwendungen unterstreicht. Das Kapitel schließt mit einer Diskussion über die zukünftige Arbeit, in der vorgeschlagen wird, die räumliche KI zu integrieren, um die QoS in FANETs weiter zu verbessern.

    KI-Generiert

    Diese Zusammenfassung des Fachinhalts wurde mit Hilfe von KI generiert.

    Originaltext anzeigen

11. Design and Development of Banana Disease Identification and Treatment Suggestion System

    B. B. R. Y. Jayasekara, W. D. N. Wijerathna, H. M. K. R. Herath, P. M. A. U. Pallegama, N. H. P. Ravi Supunya Swarnakantha, Thilini Jayalath

    Dieses Kapitel untersucht die Konzeption und Entwicklung eines KI-gestützten Systems zur Erkennung und Bewältigung von Bananenkrankheiten, wobei der Schwerpunkt auf Panama-Krankheit und Yellow Sigatoka liegt. Das System nutzt Computervision, natürliche Sprachverarbeitung (NLP) und Echtzeit-Geolocation-Daten, um die Früherkennung und Prävention von Krankheiten zu verbessern. Zu den Schlüsselthemen zählen der Einsatz von Deep Learning und Transfer Learning zur präzisen Klassifizierung von Krankheiten, die Integration von Wetterdaten zur prädiktiven Analyse und die Entwicklung eines geologischen Kartierungs- und Warnsystems. Die Methodik des Systems umfasst die Vorverarbeitung von Bilddaten, den Einsatz verschiedener maschineller Lernmodelle und die Verwendung von NLP zur textbasierten Symptomidentifikation. Die Ergebnisse zeigen eine hohe Genauigkeit bei der Klassifizierung von Krankheiten, wobei das benutzerdefinierte CNN-Modell die beste Leistung zeigt. Das System zielt darauf ab, eine nachhaltige Landwirtschaft zu unterstützen, wirtschaftliche Verluste zu verringern und die Ernährungssicherheit durch rechtzeitige und genaue Krankheitsdiagnosen zu verbessern. Zukünftige Arbeiten umfassen die Erweiterung des Datensatzes, die Integration von IoT-Sensoren und die Verbesserung der mobilen App für einen breiteren Zugang.

    KI-Generiert

    Diese Zusammenfassung des Fachinhalts wurde mit Hilfe von KI generiert.

    Originaltext anzeigen

12. Intelligent Consumer Behavior Prediction and Trend Analysis in Online Retail Using Machine Learning

    Hager Basil Mohammed Salh, Huthaifa L. Mohamed Amin, Ameera Fares Hamed, Bella A. Bulgarova

    Dieses Kapitel befasst sich mit der Anwendung maschineller Lernalgorithmen zur Vorhersage des Verbraucherverhaltens und der Produktprioritäten im Online-Handel. Die Studie nutzt den Online-Einzelhandel, der detaillierte Informationen über Produkte, Einkäufe und Kundendemografie enthält. Die Autoren verwenden das CRISP-DM-Rahmenwerk, um das Geschäftsproblem systematisch anzugehen, vom Verständnis der Daten bis hin zur Einführung des endgültigen Modells. Schlüsselthemen sind Datenvorverarbeitung und Feature Engineering, bei denen neue Attribute geschaffen werden, um das Produktverhalten besser darzustellen. Das Kapitel untersucht auch die Implementierung von drei überwachten maschinellen Lernalgorithmen: K-Nearest Neighbors (KNN), Support Vector Machine (SVM) und Linear Discriminant Analysis (LDA). Jedes Modell wird anhand von Metriken wie Genauigkeit, Präzision, Recall und F1-Score bewertet, wobei KNN die Spitzenposition einnimmt. Die Studie schließt mit einer Diskussion über mögliche Verbesserungen und zukünftige Richtungen, wie etwa den Einsatz von Methoden des Ensemblelernens und neuronaler Netzwerke. Die detaillierten Analysen und praktischen Erkenntnisse machen dieses Kapitel zu einer wertvollen Ressource für Fachleute, die ihr Verständnis der Vorhersagen des Verbraucherverhaltens im Online-Einzelhandel verbessern wollen.

    KI-Generiert

    Diese Zusammenfassung des Fachinhalts wurde mit Hilfe von KI generiert.

    Originaltext anzeigen

13. Sentiment Analysis of Amazon Product Reviews and Its Impact on Sales Performance: A Data- Driven Approach

    Ayush Kaushik, Nitesh Singh Bhati

    In diesem Kapitel wird die Bedeutung der Sentiment-Analyse für das Verständnis des Kundenfeedbacks zu Amazon-Produktbewertungen und seiner anschließenden Auswirkungen auf die Umsatzentwicklung untersucht. Die Studie verfolgt einen datengestützten Ansatz, bei dem maschinelle Lernmodelle und Techniken zur Verarbeitung natürlicher Sprache (NLP) eingesetzt werden, um unstrukturierte Übersichtsdaten in strukturierte Erkenntnisse umzuwandeln. Zu den Schlüsselthemen zählen die Methodik der Stimmungsanalyse, die Bewertung verschiedener maschineller Lernmodelle und die Korrelation zwischen Stimmungsindikatoren und Umsatzentwicklung. Die Forschung hebt auch den Einsatz von Visualisierungen wie Wortwolken, Boxplots und Streudiagrammen hervor, um die Beziehung zwischen Sentiment Scores und Verkäufen zu illustrieren. Die Ergebnisse zeigen eine starke Verknüpfung zwischen positiver Stimmung und gesteigerten Umsätzen und liefern wertvolle Erkenntnisse für E-Commerce-Plattformen, um ihre Entscheidungsprozesse zu verbessern.

    KI-Generiert

    Diese Zusammenfassung des Fachinhalts wurde mit Hilfe von KI generiert.

    Originaltext anzeigen

14. A Comparative Analysis of Machine Learning and Deep Learning Techniques for Diabetic Retinopathy Detection

    Harmandeep Kaur, Kavita, Vikas Attri, Sahil Verma

    Dieses Kapitel geht der entscheidenden Rolle des maschinellen Lernens und des tiefen Lernens bei der Früherkennung und Klassifizierung der diabetischen Retinopathie, einer führenden Ursache für Blindheit, nach. Es untersucht verschiedene Techniken, darunter traditionelle Methoden des maschinellen Lernens wie logistische Regression und unterstützende Vektormaschinen, sowie fortgeschrittene Ansätze des tiefen Lernens wie konvolutionale neuronale Netzwerke (CNNs) und generative adversariale Netzwerke (GANs). Das Kapitel beleuchtet die Verwendung öffentlich zugänglicher Datensätze wie Messidor, EyePACS und DIARETDB1 zur Schulung und Bewertung dieser Modelle. Außerdem wird die Bedeutung von Featureextraktion, Datenvergrößerung und Ensemblelernen für die Verbesserung der Genauigkeit und Robustheit dieser Modelle diskutiert. Die Ergebnisse zeigen signifikante Leistungsschwankungen in Abhängigkeit von der verwendeten Modellarchitektur und dem verwendeten Datensatz, wobei einige Modelle eine hohe Genauigkeit und AUC-Werte erreichen. Das Kapitel schließt mit der Betonung der Notwendigkeit weiterer Forschung, um Herausforderungen wie Klassenungleichgewichte, Variabilität der Bildqualität und die Interpretierbarkeit von KI-Modellen im klinischen Umfeld anzugehen.

    KI-Generiert

    Diese Zusammenfassung des Fachinhalts wurde mit Hilfe von KI generiert.

    Originaltext anzeigen

15. Anomalies and Cyberattacks Detection Model in Resource Constrained IoT Networks

    Harit Mohanta, Japneet Singh Bhatia, Joshua Dasgupta, K. Shekar, Ali Mohammed Kadhim, Shatha kamil Fatoohi

    Dieses Kapitel geht der Komplexität der Erkennung von Anomalien und Cyberangriffen in IoT-Netzwerken nach, die durch begrenzte Ressourcen eingeschränkt sind. Das vorgeschlagene Modell nutzt die Unterstützung von Vektormaschinen (SVMs), um Flugbahnen auf Grundlage extrahierter statistischer Merkmale als normal oder anomal einzustufen. Der Prozess umfasst Feature-Extraktion, SVM-Training, Anomalieerkennung und Berichterstattung, wobei der Schwerpunkt auf der Erzielung hoher Genauigkeit und Robustheit liegt. Aufgrund seiner Vielseitigkeit ist das Modell auf verschiedene Bereiche anwendbar, darunter Überwachung, Transport und Robotik. Darüber hinaus werden in diesem Kapitel verschiedene Modelle des maschinellen Lernens verglichen und die Stärken des SVM in Bezug auf Genauigkeit, Effizienz und Formel-1-Punktzahl hervorgehoben. Die Schlussfolgerung betont den praktischen Ansatz des Modells und die Notwendigkeit einer sorgfältigen Feature Engineering und bietet ein solides Rahmenwerk für die Erkennung von Anomalien in IoT-Umgebungen.

    KI-Generiert

    Diese Zusammenfassung des Fachinhalts wurde mit Hilfe von KI generiert.

    Originaltext anzeigen

16. Diabetes Prediction Using Machine Learning

    Ranvir Kaur, Kavita, Sahil Verma

    Dieses Kapitel befasst sich mit der Anwendung maschineller Lernalgorithmen zur Vorhersage von Diabetes, einer weltweit weit verbreiteten und gefährlichen Krankheit. Es erforscht verschiedene ML-Techniken wie künstliche neuronale Netzwerke, unterstützende Vektormaschinen, Bayessche Netzwerke und vieles mehr, wobei ihre Rolle bei der Diabetesvorhersage hervorgehoben wird. Der Text überprüft auch aktuelle Studien, die diese Techniken eingesetzt haben, und zeigt ihre Wirksamkeit und Genauigkeit auf. Darüber hinaus werden die Herausforderungen bei der Diabetesvorhersage wie Datenrepräsentation und Verallgemeinerbarkeit von Modellen diskutiert und zukünftige Richtungen wie tragbare Geräte und Deep Learning vorgeschlagen. Das Kapitel schließt mit einer umfassenden Methodik und Ergebnissen, die einen detaillierten Überblick darüber geben, wie maschinelles Lernen zur Verbesserung der Diabetesversorgung und -prävention eingesetzt werden kann.

    KI-Generiert

    Diese Zusammenfassung des Fachinhalts wurde mit Hilfe von KI generiert.

    Originaltext anzeigen

17. Optimizing CPU Resource Utilization in Cloud Computing Using ML and DL Techniques

    Sajjad A. Ajeel, Sundos A. Hameed Alazawi

    Dieses Kapitel befasst sich mit der Optimierung der CPU-Ressourcennutzung in Cloud-Computing-Umgebungen mittels maschinellem Lernen und Deep-Learning-Techniken. Es beginnt mit der Betonung der Bedeutung eines effizienten Ressourcenmanagements im Cloud Computing, das von entscheidender Bedeutung ist, um eine hohe Leistung zu erreichen und Kosten zu senken und gleichzeitig die Anforderungen der Service Level Agreement zu erfüllen. Die Forschung konzentriert sich auf den Vergleich der Effektivität von vier maschinellen Lernmodellen: Random Forest, Recurrent Neural Networks (RNN), Long Short-Term Memory (LSTM) Netze und Convolutional Neural Networks (CNNs). Die Studie nutzt den Datensatz des Google 2019 Cluster, der eine umfassende Aufzeichnung der Arbeitsbelastung von Google Borg-Rechenclustern enthält. Datenvorverarbeitungstechniken wie OneHotEncoding, StandardScaler und SimpleImputer werden eingesetzt, um die Daten zu reinigen und zu normalisieren und so eine qualitativ hochwertige Eingabe für die Modelle zu gewährleisten. Im Kapitel werden die Stärken und Grenzen jedes Modells diskutiert, wobei Random Forest sich in der strukturierten Datenanalyse hervortut, RNNs und LSTMs beim Umgang mit sequenziellen Daten besser abschneiden und CNNs einen einzigartigen Ansatz zur Extraktion bieten. Die Bewertungskennzahlen umfassen Genauigkeit, Präzision, Recall und F1-Score, wobei CNN die höchste Genauigkeit von 98% erreicht. Die Forschung kommt zu dem Schluss, dass die Wahl des maschinellen Lernmodells mit der Art der Daten und den spezifischen Anforderungen der Aufgabe in Einklang stehen sollte. Es betont das Potenzial maschineller Lernmodelle zur Verbesserung der CPU-Leistung in Cloud-Computing-Systemen und bietet wertvolle Erkenntnisse für Forscher und Cloud Service Provider, die darauf abzielen, die Ressourcenallokation zu optimieren und die Systemeffizienz zu verbessern.

    KI-Generiert

    Diese Zusammenfassung des Fachinhalts wurde mit Hilfe von KI generiert.

    Originaltext anzeigen

18. Construction of a Digital Twin-Driven Virtual Assembly System for Intelligent Automotive Manufacturing

    Min Yu

    Dieses Kapitel befasst sich mit der Konstruktion eines digitalen virtuellen Montagesystems mit zwei Antrieben, das die intelligente Automobilfertigung revolutionieren soll. Die Architektur des Systems ist in vier Ebenen unterteilt: Wahrnehmung, Datentransport, virtuelles Modell und Anwendung, die jeweils eine entscheidende Rolle im Montageprozess spielen. Die Wahrnehmungsschicht sammelt Echtzeitdaten von in der Montagewerkstatt eingesetzten Sensoren, während die Datenübertragungsschicht eine sichere und effiziente Datenübertragung gewährleistet. Die virtuelle Modellschicht bildet einen digitalen Zwilling des Automobilprodukts und simuliert und optimiert den Montageprozess. Die Anwendungsschicht bietet Echtzeit-Überwachung und Prozessoptimierung, was die Montageeffizienz und -qualität steigert. Der SVM-Algorithmus wird eingesetzt, um virtuelle Montagedaten zu analysieren und Engpässe und redundante Verknüpfungen im Montageprozess zu identifizieren. Vergleichsexperimente belegen die Überlegenheit des Systems gegenüber herkömmlichen Montagemethoden, mit einer höheren qualifizierten Rate an Montageprodukten und erheblichen Zeitersparnissen. Das Kapitel untersucht auch die potenziellen Anwendungen und zukünftigen Forschungsrichtungen des Systems und hebt seine Rolle bei der Förderung der digitalen Transformation der Automobilhersteller hervor.

    KI-Generiert

    Diese Zusammenfassung des Fachinhalts wurde mit Hilfe von KI generiert.

    Originaltext anzeigen