MACHINE LEARNING-BASED POWER CAPPING AND VIRTUAL MACHINE PLACEMENT IN CLOUD PLATFORMS

Systems and methods for machine learning-based power capping and virtual machine placement in cloud platforms are disclosed. A method includes applying a machine learning model to predict whether a request for deployment of a virtual machine corresponds to deployment of a user-facing (UF) virtual machine or a non-user-facing (NUF) virtual machine. The method further includes sorting a list of candidate servers based on both a chassis score and a server score for each server to determine a ranked list of the candidate servers, where the server score depends at least on whether the request for the deployment of the virtual machine is determined to be a request for a deployment of a UF virtual machine or a request for a deployment of an NUF virtual machine. The method further includes deploying the virtual machine to a server with highest rank among the ranked list of the candidate servers. L'invention concerne des systèmes et des procédés de plafonnement de puissance basé sur l'apprentissage automatique et de placement de machine virtuelle dans des plateformes en nuage. Un procédé consiste à appliquer un modèle d'apprentissage automatique pour prédire si une demande de déploiement d'une machine virtuelle correspond au déploiement d'une machine virtuelle orientée vers l'utilisateur (UF) ou d'une machine virtuelle non orientée vers l'utilisateur (NUF). Le procédé consiste également à trier une liste de serveurs candidats d'après à la fois un score de châssis et un score de serveur pour chaque serveur afin de déterminer une liste classée des serveurs candidats, le score de serveur dépendant au moins du fait que la demande de déploiement de la machine virtuelle est déterminée comme étant une demande de déploiement d'une machine virtuelle UF ou d'une demande de déploiement d'une machine virtuelle NUF. Le procédé consiste également à déployer la machine virtuelle sur un serveur ayant le rang le plus élevé parmi la liste classée des serveurs candidats.