The cloud computing is the development of distributed computing, parallel computing and grid computing, or defined as the commercial implementation of these computer science concepts. One of the fundamental issues in this environment is related to task scheduling. Cloud task scheduling is an NP-hard optimization problem, and many meta-heuristic algorithms have been proposed to solve it. A good task scheduler should adapt its scheduling strategy to the changing environment and the types of tasks. This paper proposes a cloud task scheduling policy based on Load Balancing Ant Colony Optimization (LBACO) algorithm. The main contribution of our work is to balance the entire system load while trying to minimizing the make span of a given tasks set. The new scheduling strategy was simulated using the CloudSim toolkit package. Experiments results showed the proposed LBACO algorithm outperformed FCFS (First Come First Serve) and the basic ACO (Ant Colony Optimization).

Recent advances in deep neural networks (DNNs) have substantially improved the accuracy and speed of a variety of intelligent applications. Nevertheless, one obstacle is that DNN inference imposes heavy computation burden to end devices, but offloading inference tasks to the cloud causes transmission of a large volume of data. Motivated by the fact that the data size of some intermediate DNN layers is significantly smaller than that of raw input data, we design the DNN surgery, which allows partitioned DNN processed at both the edge and cloud while limiting the data transmission. The challenge is twofold: (1) Network dynamics substantially influence the performance of DNN partition, and (2) State-of-the-art DNNs are characterized by a directed acyclic graph (DAG) rather than a chain so that partition is greatly complicated. In order to solve the issues, we design a Dynamic Adaptive DNN Surgery (DADS) scheme, which optimally partitions the DNN under different network condition. Under the lightly loaded condition, DNN Surgery Light (DSL) is developed, which minimizes the overall delay to process one frame. The minimization problem is equivalent to a min-cut problem so that a globally optimal solution is derived. In the heavily loaded condition, DNN Surgery Heavy (DSH) is developed, with the objective to maximize throughput. However, the problem is NP-hard so that DSH resorts an approximation method to achieve an approximation ratio of 3. Real-world prototype based on self-driving car video dataset is implemented, showing that compared with executing entire the DNN on the edge and cloud, DADS can improve latency up to 6.45 and 8.08 times respectively, and improve throughput up to 8.31 and 14.01 times respectively.

Deep learning has been shown to achieve outstanding performance in a number of challenging real-world applications. However, most of the existing works assume a fixed set of labeled data, which is not necessarily true in real-world applications. Getting labeled data is usually expensive and time consuming. Active labelling in deep learning aims at achieving the best learning result with a limited labeled data set, i.e., choosing the most appropriate unlabeled data to get labeled. This paper presents a new active labeling method, AL-DL, for cost-effective selection of data to be labeled. AL-DL uses one of three metrics for data selection: least confidence, margin sampling, and entropy. The method is applied to deep learning networks based on stacked restricted Boltzmann machines, as well as stacked autoencoders. In experiments on the MNIST benchmark dataset, the method outperforms random labeling consistently by a significant margin.

This paper describes the data release of the LAMOST pilot survey, which includes data reduction, calibration, spectral analysis, data products and data access. The accuracy of the released data and the information about the FITS headers of spectra are also introduced. The released data set includes 319 000 spectra and a catalog of these objects.

Abstract Identifying active prophages is critical for studying coevolution of phage and bacteria, investigating phage physiology and biochemistry, and engineering designer phages for diverse applications. We present Prophage Hunter, a tool aimed at hunting for active prophages from whole genome assembly of bacteria. Combining sequence similarity-based matching and genetic features-based machine learning classification, we developed a novel scoring system that exhibits higher accuracy than current tools in predicting active prophages on the validation datasets. The option of skipping similarity matching is also available so that there's higher chance for novel phages to be discovered. Prophage Hunter provides a one-stop web service to extract prophage genomes from bacterial genomes, evaluate the activity of the prophages, identify phylogenetically related phages, and annotate the function of phage proteins. Prophage Hunter is freely available at https://pro-hunter.bgi.com/.

Many PCR-based methods for microbial source tracking (MST) have been developed and validated within individual research laboratories. Inter-laboratory validation of these methods, however, has been minimal, and the effects of protocol standardization regimes have not been thoroughly evaluated. Knowledge of factors influencing PCR in different laboratories is vital to future technology transfer for use of MST methods as a tool for water quality management. In this study, a blinded set of 64 filters (containing 32 duplicate samples generated from 12 composite fecal sources) were analyzed by three to five core laboratories with a suite of PCR-based methods utilizing standardized reagents and protocols. Repeatability (intra-laboratory variability) and reproducibility (inter-laboratory variability) of observed results were assessed. When standardized methodologies were used, intra- and inter-laboratory %CVs were generally low (median %CV 0.1–3.3% and 1.9–7.1%, respectively) and comparable to those observed in similar inter-laboratory validation studies performed on other methods of quantifying fecal indicator bacteria (FIB) in environmental samples. ANOVA of %CV values found three human-associated methods (BsteriF1, BacHum, and HF183Taqman) to be similarly reproducible (p > 0.05) and significantly more reproducible (p < 0.05) than HumM2. This was attributed to the increased variability associated with low target concentrations detected by HumM2 (approximately 1–2 log10copies/filter lower) compared to other human-associated methods. Cow-associated methods (BacCow and CowM2) were similarly reproducible (p > 0.05). When using standardized protocols, variance component analysis indicated sample type (fecal source and concentration) to be the major contributor to total variability with that from replicate filters and inter-laboratory analysis to be within the same order of magnitude but larger than inherent intra-laboratory variability. However, when reagents and protocols were not standardized, inter-laboratory %CV generally increased with a corresponding decline in reproducibility. Overall, these findings verify the repeatability and reproducibility of these MST methods and highlight the need for standardization of protocols and consumables prior to implementation of larger scale MST studies involving multiple laboratories.

Here we report results from a multi-laboratory (n = 11) evaluation of four different PCR methods targeting the 16S rRNA gene of Catellicoccus marimammalium originally developed to detect gull fecal contamination in coastal environments. The methods included a conventional end-point PCR method, a SYBR® Green qPCR method, and two TaqMan® qPCR methods. Different techniques for data normalization and analysis were tested. Data analysis methods had a pronounced impact on assay sensitivity and specificity calculations. Across-laboratory standardization of metrics including the lower limit of quantification (LLOQ), target detected but not quantifiable (DNQ), and target not detected (ND) significantly improved results compared to results submitted by individual laboratories prior to definition standardization. The unit of measure used for data normalization also had a pronounced effect on measured assay performance. Data normalization to DNA mass improved quantitative method performance as compared to enterococcus normalization. The MST methods tested here were originally designed for gulls but were found in this study to also detect feces from other birds, particularly feces composited from pigeons. Sequencing efforts showed that some pigeon feces from California contained sequences similar to C. marimammalium found in gull feces. These data suggest that the prevalence, geographic scope, and ecology of C. marimammalium in host birds other than gulls require further investigation. This study represents an important first step in the multi-laboratory assessment of these methods and highlights the need to broaden and standardize additional evaluations, including environmentally relevant target concentrations in ambient waters from diverse geographic regions.

The State of California has mandated the preparation of a guidance document on the application of fecal source identification methods for recreational water quality management. California contains the fifth highest population of cattle in the United States, making the inclusion of cow-associated methods a logical choice. Because the performance of these methods has been shown to change based on geography and/or local animal feeding practices, laboratory comparisons are needed to determine which assays are best suited for implementation. We describe the performance characterization of two end-point PCR assays (CF128 and CF193) and five real-time quantitative PCR (qPCR) assays (Rum2Bac, BacR, BacCow, CowM2, and CowM3) reported to be associated with either ruminant or cattle feces. Each assay was tested against a blinded set of 38 reference challenge filters (19 duplicate samples) containing fecal pollution from 12 different sources suspected to impact water quality. The abundance of each host-associated genetic marker was measured for qPCR-based assays in both target and non-target animals and compared to quantities of total DNA mass, wet mass of fecal material, as well as Bacteroidales, and enterococci determined by 16S rRNA qPCR and culture-based approaches (enterococci only). Ruminant- and cow-associated genetic markers were detected in all filters containing a cattle fecal source. However, some assays cross-reacted with non-target pollution sources. A large amount of variability was evident across laboratories when protocols were not fixed suggesting that protocol standardization will be necessary for widespread implementation. Finally, performance metrics indicate that the cattle-associated CowM2 qPCR method combined with either the BacR or Rum2Bac ruminant-associated methods are most suitable for implementation.

Global energy consumption for space heating and cooling is significant, referred to as thermostatically controlled loads (TCLs). Due to the large thermal mass of buildings, TCLs are increasingly utilized in demand response (DR) events to balance electricity supply and demand. Priority Stack-Based Control (PSBC) is a common strategy for coordinating TCLs, showing potential in reducing peak loads and shifting TCL loads. However, there are limited studies that have demonstrated and evaluated the performance of PSBC in real-world settings. Additionally, PSBC lacks an effective mechanism to simultaneously ensure tracking performance and thermal comfort. This study developed and tested vanilla and modified PSBC strategies for reducing TCL loads during DR events. A framework for deploying these strategies is proposed, involving cloud-based implementation and hardware configuration. The vanilla and modified PSBC strategies was evaluated through a 22-day field test in a real office building, in terms of load tracking and thermal comfort. The results demonstrate that the modified strategy shows better control performance, evidenced by improvements in the subscribed performance index (SPI), coefficient of variation of root mean square error (CVRMSE) for load tracking, and thermal comfort. Additionally, the control performance is investigated when direct ON/OFF switching control is replaced by indoor temperature setpoint adjustment. Unexpected power oscillation behavior occurs with significant temperature differences between the setpoint and the indoor temperature. Our work provides practical evaluations that quantify PSBC control performance and presents a compelling case for the feasibility of PSBC as a method for reducing peak demand in commercial buildings.