USING NEURAL NETWORKS TO EVALUATE THE COMPLEXITY OF A JSON-FORMATTED QUERY

Author:

Sisoev IllyaORCID, ,Gavrilenko ValeriyORCID,Kovalchuk OksanaORCID, ,

Abstract

In the previous articles [1, 2, 3, 4], a description of a multilevel load balancing system was presented, where one of the levels proposes the use of machine learning technologies for analyzing input queries and predicting their resource requirements. This article focuses on the use of neural networks for assessing the complexity of JSON-formatted queries from both theoretical and practical perspectives. The theoretical description of neural networks, their components, and peculiarities is provided, and the issue of query complexity in JSON format is explored. Additionally, a systematic approach is proposed for evaluating and comparing the computational complexity of neural network levels in the test processing of JSON signals. The connection between software and hardware complexity indicators is established by defining them as hyperparameters of the neural network layers. The paper explains how to compute metrics for the forward and recurrent levels and determines the specific metrics to be used based on whether the focus is on software or hardware-oriented modules. This work can be valuable for obtaining different levels (goals) of complexity assessment related to the application of neural networks in real-time signal processing and for standardizing the evaluation of computational complexity. Overall, this research provides insights into the utilization of neural networks for assessing query complexity in the JSON format, offering a systematic approach to evaluating computational complexity in the context of neural network levels.

Publisher

National Transport University

Reference14 articles.

1. 1. Сисоєв І.К. Адаптивний алгоритм балансування навантаження в додатках з використанням технології контейнеризації / І.К. Сисоєв, В.В. Гавриленко // Системи управління, навігації та зв′язку. Збірник наукових праць. - Полтава, 2022, вип. 1 (67). - С.81-83.

2. 2. Гавриленко В.В. Проектування автомасштабованих високонавантажених додатків / В.В. Гавриленко, І.К. Сисоєв // VII Міжнародна науково-технічна конференція "Проблеми інформатизації", Харків, 2019. - С.15.

3. 3. Сисоєв І.К. Адаптивний алгоритм балансування навантаження в додатках із використанням технології контейнеризації. / І.К. Сисоєв, В.В. Гавриленко // Матеріали VІIІ Міжнародної науково-технічної Internet-конференції «Сучасні методи, інформаційне, програмне та технічне забезпечення систем керування організаційно-технічними та технологічними комплексами», 26 листопада 2021. - К.: НУХТ, 2021. - С.272.

4. 4. Гавриленко В.В. Управління контейнерами високонавантажених додатків в іт-системах / В.В. Гавриленко, І.К. Сисоєв // ІІІ Всеукраїнська науково-технічна конференція "Проблеми інфокомунікацій". Полтава-Київ-Харків-Мінськ, 19 листопада 2019 р. http://conf.itm.nupp.edu.ua/index.php/pi/3pi

5. 5. Гавриленко В.В., Іванченко Г.Ф., Шевченко Г.Є. Теорія розпізнавання образів. Навчальний посібник для студ. НТУ, які навч. за напр. «Комп'ютерні науки». - К.: НТУ, 2015. - 76 с.

同舟云学术

1.学者识别学者识别

2.学术分析学术分析

3.人才评估人才评估

"同舟云学术"是以全球学者为主线,采集、加工和组织学术论文而形成的新型学术文献查询和分析系统,可以对全球学者进行文献检索和人才价值评估。用户可以通过关注某些学科领域的顶尖人物而持续追踪该领域的学科进展和研究前沿。经过近期的数据扩容,当前同舟云学术共收录了国内外主流学术期刊6万余种,收集的期刊论文及会议论文总量共计约1.5亿篇,并以每天添加12000余篇中外论文的速度递增。我们也可以为用户提供个性化、定制化的学者数据。欢迎来电咨询!咨询电话:010-8811{复制后删除}0370

www.globalauthorid.com

TOP

Copyright © 2019-2024 北京同舟云网络信息技术有限公司
京公网安备11010802033243号  京ICP备18003416号-3